CN110349172A - 基于图像处理和双目立体测距的输电线路防外破预警方法 - Google Patents
基于图像处理和双目立体测距的输电线路防外破预警方法 Download PDFInfo
- Publication number
- CN110349172A CN110349172A CN201910571012.2A CN201910571012A CN110349172A CN 110349172 A CN110349172 A CN 110349172A CN 201910571012 A CN201910571012 A CN 201910571012A CN 110349172 A CN110349172 A CN 110349172A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- electricity
- boom
- external force
- damage prevention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 83
- 230000005611 electricity Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002265 prevention Effects 0.000 title claims abstract description 26
- 239000007787 solid Substances 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000669244 Unaspis euonymi Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理及输电线路监控领域,涉及一种基于图像处理和双目立体测距的输电线路防外破方法,包括:基于霍夫直线检测法得到背景图像中的所有输电线路;基于运动目标检测法识别吊臂,并得到吊臂;基于双目立体测距得到输电线路与吊臂的真实距离;按照距离大小选择相应的报警等级报警。本发明能实现精准报警,能有效增强输电线遭受入侵报警的实时性。本发明提出的基于双目立体测距的方法,减少了无测距方法的视觉盲区,提升了报警的准确性。
Description
技术领域
本发明属于图像处理及输电线路监控领域,涉及一种基于图像处理和双目立体测距的输电线路防外破方法。
背景技术
随着社会不断发展,我国用电量大幅上涨,电网规模不断扩大,输电线路覆盖面越来越广,因输电线路外力破坏事件导致的电网事故发生率愈发增高。外力破坏因素包含机械碰线、异物绕线、盗窃、违法挖掘等,其中违法施工或误操作导致的大型机械碰线成为事故发生的最大因素。
传统的预警方式采用人工巡检,然而这种方式不仅浪费大量人力物力,而且存在漏报率高、报警不及时等问题。为实现输电线路附近的防外破自动预警,国内外研究人员基于各种技术研发出了相应的防外破装置,比如:红外感应探测器、微波感应探测器、雷达感应探测器和激光感应探测器等。然而,上述自动装置仍然存在着易受干扰、误报率高、探测距离短等问题,因此开辟新思路,研究一种稳定、可靠且实时性佳的防外破预警系统势在必行。
近年来,图像处理和视频识别技术快速发展,输电线路防外破智能视频预警系统研究应运而生。然而,传统输电线路防外破智能视频预警系统均采用工作人员全天候值守、人为预警的方式,这种方式无法有效预警而且严重浪费了人力物力。随着深度学习的发展,基于深度学习的防外破方法也开始崭露头角,然而深度学习需采集大量的学习样本,且网络训练时间长,基于深度学习的防外破系统鲁棒性、泛化能力还有待提高。
发明内容
针对目前输电线路防外破方法所存在的问题,本发明提供一种基于图像处理和双目立体测距的输电线路防外破预警方法。
本发明采用如下技术方案实现:
基于图像处理和双目立体测距的输电线路防外破预警方法,包括:
S1、基于霍夫直线检测法得到背景图像中的所有输电线路;
S2、基于运动目标检测法识别吊臂,并得到吊臂;
S3、基于双目立体测距得到输电线路与吊臂的真实距离;
S4、按照距离大小选择相应的报警等级报警。
进一步地,步骤S1包括:
S11、采集背景图像;
在杆塔上高于输电线路1m的位置水平固定两个摄像头,通过两摄像头分别采集含输电线路的背景图像bg1、bg2;
S12、基于霍夫直线检测法得图像中所有直线簇;
对图像bg1、bg2灰度化得到bg1_gray、bg2_gray,对灰度图bg1_gray、bg2_gray进行Canny边缘检测后经霍夫直线检测后得所有直线簇;
S13、根据输电线路长宽比过滤干扰直线,得到所有输电线;
针对剩余直线计算直线像素的长宽比,若长宽比大于直线像素长宽比阈值,可确定为输电线,反之为噪声;
S14、在所有输电线中分别取两不重合的点。
优选地,直线像素长宽比阈值为1000。
进一步地,步骤S2包括:
S21、根据S1中采集的背景图像进行单高斯背景建模;
S22、当运动目标出现,将两个摄像头实时采集的视频新帧中的每个像素点灰度值与单高斯背景模型的期望μ相比较,若大于阈值d*δ,其中:d为标准差倍数,δ为标准差,则判定为前景目标点;反之,则判定为背景点;
S23、针对所有前景目标点构成的前景图进行二值化处理及连通域的开闭运算;
S24、计算每个连通域面积,与设定的面积阈值比较,若大于则保留,反之,设为背景;
S25、基于剩余连通域进行轮廓检测,若轮廓近似长方形,且长宽比大于长方形长宽比阈值,则确定为吊臂;
S26、选取吊臂上方轮廓中的两个不重合的像素点。
优选地,单高斯背景模型参数设置如下:标准差倍数d=2.5,标准差δ为20,背景更新率α为0.05,μ为期望,选择前10帧的像素点灰度平均值作为μ,单高斯背景模型中方差和期望的更新公式为:
μt=(1-α)μt-1+α*Xt
其中:μt为当前时刻期望,μt-1为上一时刻期望值,Xt是t时刻背景像素灰度值,Xt-1是t-1时刻背景像素灰度值,δt 2为当前时刻方差,为上一时刻方差,更新间隔10s一次。
优选地,长方形长宽比阈值为12。
进一步地,步骤S3包括:
S31、基于张正友标定法得两个摄像头的内外参数;
S32、导入两个摄像头参数数据,即可得到双目系统的外部参数;
S33、基于尺度不变特征变换特征匹配算法的立体匹配,找到所有输电线及吊臂上两个不同像素点构成的特征匹配点对集,恢复出所有输电线及吊臂上两个不同像素点的空间坐标对;
S34、根据所有输电线及吊臂上两个不同像素点的空间坐标对集可得到计算所有输电线与吊臂的最短距离。
优选地,步骤S31包括:
S311、制作5*7的黑白棋盘标定板,两摄像头分别从不同角度姿势拍摄标定板9次;设摄像头1的内参矩阵为A1,外参矩阵为M1,焦距为fc1,光学中心为cc1;摄像头2的内参矩阵为A2,外参矩阵为M2,焦距为fc2,光学中心为cc2;
S312、在MATLAB中导入ToolBox_calif工具箱,并打开;
S313、读取9张图片并进行自标定处理,提取9张图片中的所有角点,即可标定得到A1/M1/fc1/cc1/A2/M2/fc2/cc2。
进一步地,步骤S33原理为:
设{[P111(u111,v111)、P112(u112,v112)],[P121(u121,v121)、P122(u122,v122)]}、{[P211(u211,v211)、P212(u212,v212)],[P221(u221,v221)、P222(u222,v222)]}……{[Pn11(un11,vn11)、Pn12(un12,vn12)],[Pn21(un21,vn21)、Pn22(un22,vn22)]},其中:Pkij(ukij,vkij)表示第k条输电线,j=1表示左边摄像头,j=2表示右边摄像头,i相等表示同一个点左右摄像头拍摄的输电线匹配对;{[Q11(u11,v11)、Q12(u12,v12)],[Q21(u21,v21)、Q22(u22,v22)]},其中[Q11(u11,v11)、Q12(u12,v12)]表示吊臂上的左右摄像头拍摄的第一个匹配对,[Q21(u21,v21)、Q22(u22,v22)]表示吊臂上的左右摄像头拍摄的第二个匹配对,则{[P111(u111,v111)、P112(u112,v112)],[P121(u121,v121)、P122(u122,v122)]}可得到第一条输电线上两个不同像素点的空间坐标{P11(x11,y11,z11),P12(x12,y12,z12)},依次类推;{[Q11(u11,v11)、Q12(u12,v12)],[Q21(u21,v21)、Q22(u22,v22)]}可得到吊臂上两个不同像素点的空间坐标Q1(x1,y1,z1),Q2(x2,y2,z2)}。
进一步地,步骤S34包括:
设第一条输电线的方向向量AB=(x11-x12,y11-y12,z11-z12),吊臂的方向向量CD=(x1-x2,y1-y2,z1-z2),则将两向量AB、CD叉乘得到其公垂向量N=(x,y,z);再基于AB、CD两直线上的点P11、Q1,得到向量M=(x11-x1,y11-y1,z11-z1),根据向量M在向量N方向的投影公式cos(M*N)*|M|得到最短距离。
与现有技术相比,本发明具有以下有益之处:
1、本发明基于霍夫直线检测法得到背景图像中的所有输电线路,基于运动目标检测法识别吊臂,最后基于双目立体测距得到输电线路与吊臂的真实距离,实现精准报警,能有效增强输电线遭受入侵报警的实时性。
2、本发明提出的基于双目立体测距的方法,减少了无测距方法的视觉盲区,提升了报警的准确性。
附图说明
图1为本发明一个实施例中输电线路防外破方法整体流程图;
图2为本发明一个实施例中输电线检测流程图;
图3为本发明一个实施例中吊臂检测流程图;
图4为本发明一个实施例中双目立体测距流程图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细地描述,但本发明的实施方式并不限于此。
基于图像处理和双目立体测距的输电线路防外破预警方法,如图1-4所示,包括:
S1、基于霍夫直线检测法得到背景图像中的所有输电线路。
具体地,如图2所示,包括:
S11、采集背景图像。
在杆塔上高于输电线路1m的位置水平固定两个摄像头,通过两摄像头分别采集含输电线路的背景图像bg1、bg2。
S12、基于霍夫直线检测法得图像中所有直线簇。
对图像bg1、bg2灰度化得到bg1_gray、bg2_gray,对灰度图bg1_gray、bg2_gray进行Canny边缘检测后经霍夫直线检测后得所有直线簇。
本实施例中,将检测阈值的最大值及最小值设置为60/100,经霍夫直线检测后得所有直线簇。
S13、根据输电线路长宽比过滤干扰直线,得到所有输电线。
针对剩余直线计算直线像素的长宽比,若长宽比大于直线像素长宽比阈值,可确定为输电线,反之为噪声。
本实施例中,直线像素长宽比阈值为1000。
S14、在所有输电线中分别取两不重合的点。
S2、基于运动目标检测法识别吊臂,并得到吊臂。
具体地,如图3所示,包括:
S21、根据S1中采集的背景图像进行单高斯背景建模。
本实施例中,单高斯背景模型参数设置如下:标准差倍数d=2.5,标准差δ为20,背景更新率α为0.05,μ为期望,选择前10帧的像素点灰度平均值作为μ,单高斯背景模型中方差和期望的更新公式为:
μt=(1-α)μt-1+α*Xt
其中:μt为当前时刻期望,μt-1为上一时刻期望值,Xt是t时刻背景像素灰度值,Xt-1是t-1时刻背景像素灰度值,δt 2为当前时刻方差,为上一时刻方差,更新间隔10s一次。
S22、当运动目标出现,将两个摄像头实时采集的视频新帧中的每个背景像素灰度值与单高斯背景模型的μ相比较,若|Xt-μ|大于阈值d*δ,则判定为前景目标点;反之,则判定为背景点。
S23、针对所有前景目标点构成的前景图进行二值化处理及连通域的开闭运算。
针对所得前景图进行二值化处理,阈值可设置为56,随之进行连通域的开闭运算。
S24、计算每个连通域面积,与设定的面积阈值比较,若大于则保留,反之,设为背景。
S25、基于剩余连通域进行轮廓检测,若轮廓近似长方形,且长宽比大于长方形长宽比阈值,则确定为吊臂。
本实施例中,长方形长宽比阈值为12。
S26、选取吊臂上方轮廓中的两个不重合的像素点。
S3、基于双目立体测距得到输电线路与吊臂的真实距离。
具体地,如图4所示,包括:
S31、基于张正友标定法得各单摄像头的内外参数,包括:
S311、制作5*7的黑白棋盘标定板,两摄像头分别从不同角度姿势拍摄标定板9次。假设摄像头1的内参矩阵为A1,外参矩阵为M1,焦距为fc1,光学中心为cc1;摄像头2的内参矩阵为A2,外参矩阵为M2,焦距为fc2,光学中心为cc2。
S312、在MATLAB中导入ToolBox_calif工具箱,并打开。
S313、读取9张图片并进行自标定处理,提取9张图片中的所有角点,即可标定得到A1/M1/fc1/cc1/A2/M2/fc2/cc2。
S32、导入两个摄像头参数数据,即可得到双目系统的外部参数。
导入A1/M1/fc1/cc1/A2/M2/fc2/cc2,即可得到双目系统的外部参数om/T,其中om对应的是旋转矩阵R的旋转向量,T对应的是平移向量。
S33、基于SIFT(Scale Invariant Feature Transform)算法,即尺度不变特征变换特征匹配算法的立体匹配,找到所有输电线及吊臂上两个不同像素点构成的特征匹配点对集,恢复出所有输电线及吊臂上两个不同像素点的空间坐标对。
基于SIFT算法的立体匹配,找到所有输电线及吊臂上两个不同像素点构成的匹配对:{[P111(u111,v111)、P112(u112,v112)],[P121(u121,v121)、P122(u122,v122)]}、{[P211(u211,v211)、P212(u212,v212)],[P221(u221,v221)、P222(u222,v222)]}……{[Pn11(un11,vn11)、Pn12(un12,vn12)],[Pn21(un21,vn21)、Pn22(un22,vn22)]},其中:Pkij(ukij,vkij)表示第k条输电线,j=1表示左边摄像头,j=2表示右边摄像头,i相等表示同一个点左右摄像头拍摄的输电线匹配对;{[Q11(u11,v11)、Q12(u12,v12)],[Q21(u21,v21)、Q22(u22,v22)]},其中[Q11(u11,v11)、Q12(u12,v12)]表示吊臂上的左右摄像头拍摄的第一个匹配对,[Q21(u21,v21)、Q22(u22,v22)]表示吊臂上的左右摄像头拍摄的第二个匹配对。
根据这些匹配对,可以恢复出所有输电线和吊臂上两个不同像素点的空间坐标。即{[P111(u111,v111)、P112(u112,v112)],[P121(u121,v121)、P122(u122,v122)]}可得到{P11(x11,y11,z11),P12(x12,y12,z12)}(第一条输电线上两个不同像素点的空间坐标),依次类推,{[Q11(u11,v11)、Q12(u12,v12)],[Q21(u21,v21)、Q22(u22,v22)]}可得到Q1(x1,y1,z1),Q2(x2,y2,z2)}(吊臂上两个不同像素点的空间坐标)。
S34、根据所有输电线及吊臂上两个不同像素点的空间坐标对集可得到计算所有输电线与吊臂的最短距离。
具体实现如下:
设第一条输电线的方向向量AB=(x11-x12,y11-y12,z11-z12),吊臂的方向向量CD=(x1-x2,y1-y2,z1-z2),则将两向量AB、CD叉乘得到其公垂向量N=(x,y,z)。再基于AB、CD两直线上的点P11、Q1,得到向量M=(x11-x1,y11-y1,z11-z1),根据向量M在向量N方向的投影公式cos(M*N)*|M|得到最短距离。
S4、按照距离大小选择相应的报警等级报警。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于图像处理和双目立体测距的输电线路防外破预警方法,其特征在于,包括:
S1、基于霍夫直线检测法得到背景图像中的所有输电线路;
S2、基于运动目标检测法识别吊臂,并得到吊臂;
S3、基于双目立体测距得到输电线路与吊臂的真实距离;
S4、按照距离大小选择相应的报警等级报警。
2.根据权利要求1所述的输电线路防外破预警方法,其特征在于,步骤S1包括:
S11、采集背景图像;
在杆塔上高于输电线路1m的位置水平固定两个摄像头,通过两摄像头分别采集含输电线路的背景图像bg1、bg2;
S12、基于霍夫直线检测法得图像中所有直线簇;
对图像bg1、bg2灰度化得到bg1_gray、bg2_gray,对灰度图bg1_gray、bg2_gray进行Canny边缘检测后经霍夫直线检测后得所有直线簇;
S13、根据输电线路长宽比过滤干扰直线,得到所有输电线;
针对剩余直线计算直线像素的长宽比,若长宽比大于直线像素长宽比阈值,可确定为输电线,反之为噪声;
S14、在所有输电线中分别取两不重合的点。
3.根据权利要求2所述的输电线路防外破预警方法,其特征在于,直线像素长宽比阈值为1000。
4.根据权利要求2所述的输电线路防外破预警方法,其特征在于,步骤S2包括:
S21、根据S1中采集的背景图像进行单高斯背景建模;
S22、当运动目标出现,将两个摄像头实时采集的视频新帧中的每个像素点灰度值与单高斯背景模型的期望μ相比较,若大于阈值d*δ,其中:d为标准差倍数,δ为标准差,则判定为前景目标点;反之,则判定为背景点;
S23、针对所有前景目标点构成的前景图进行二值化处理及连通域的开闭运算;
S24、计算每个连通域面积,与设定的面积阈值比较,若大于则保留,反之,设为背景;
S25、基于剩余连通域进行轮廓检测,若轮廓近似长方形,且长宽比大于长方形长宽比阈值,则确定为吊臂;
S26、选取吊臂上方轮廓中的两个不重合的像素点。
5.根据权利要求4所述的输电线路防外破预警方法,其特征在于,单高斯背景模型参数设置如下:标准差倍数d=2.5,标准差δ为20,背景更新率α为0.05,μ为期望,选择前10帧的像素点灰度平均值作为μ,单高斯背景模型中方差和期望的更新公式为:
μt=(1-α)μt-1+α*Xt
其中:μt为当前时刻期望,μt-1为上一时刻期望值,Xt是t时刻背景像素灰度值,Xt-1是t-1时刻背景像素灰度值,为当前时刻方差,为上一时刻方差,更新间隔10s一次。
6.根据权利要求4所述的输电线路防外破预警方法,其特征在于,长方形长宽比阈值为12。
7.根据权利要求1所述的输电线路防外破预警方法,其特征在于,步骤S3包括:
S31、基于张正友标定法得两个摄像头的内外参数;
S32、导入两个摄像头参数数据,即可得到双目系统的外部参数;
S33、基于尺度不变特征变换特征匹配算法的立体匹配,找到所有输电线及吊臂上两个不同像素点构成的特征匹配点对集,恢复出所有输电线及吊臂上两个不同像素点的空间坐标对;
S34、根据所有输电线及吊臂上两个不同像素点的空间坐标对集可得到计算所有输电线与吊臂的最短距离。
8.根据权利要求7所述的输电线路防外破预警方法,其特征在于,步骤S31包括:
S311、制作5*7的黑白棋盘标定板,两摄像头分别从不同角度姿势拍摄标定板9次;设摄像头1的内参矩阵为A1,外参矩阵为M1,焦距为fc1,光学中心为cc1;摄像头2的内参矩阵为A2,外参矩阵为M2,焦距为fc2,光学中心为cc2;
S312、在MATLAB中导入ToolBox_calif工具箱,并打开;
S313、读取9张图片并进行自标定处理,提取9张图片中的所有角点,即可标定得到A1/M1/fc1/cc1/A2/M2/fc2/cc2。
9.根据权利要求7所述的输电线路防外破预警方法,其特征在于,步骤S33原理为:
设{[P111(u111,v111)、P112(u112,v112)],[P121(u121,v121)、P122(u122,v122)]}、{[P211(u211,v211)、P212(u212,v212)],[P221(u221,v221)、P222(u222,v222)]}……{[Pn11(un11,vn11)、Pn12(un12,vn12)],[Pn21(un21,vn21)、Pn22(un22,vn22)]},其中:Pkij(ukij,vkij)表示第k条输电线,j=1表示左边摄像头,j=2表示右边摄像头,i相等表示同一个点左右摄像头拍摄的输电线匹配对;{[Q11(u11,v11)、Q12(u12,v12)],[Q21(u21,v21)、Q22(u22,v22)]},其中[Q11(u11,v11)、Q12(u12,v12)]表示吊臂上的左右摄像头拍摄的第一个匹配对,[Q21(u21,v21)、Q22(u22,v22)]表示吊臂上的左右摄像头拍摄的第二个匹配对,则{[P111(u111,v111)、P112(u112,v112)],[P121(u121,v121)、P122(u122,v122)]}可得到第一条输电线上两个不同像素点的空间坐标{P11(x11,y11,z11),P12(x12,y12,z12)},依次类推;{[Q11(u11,v11)、Q12(u12,v12)],[Q21(u21,v21)、Q22(u22,v22)]}可得到吊臂上两个不同像素点的空间坐标Q1(x1,y1,z1),Q2(x2,y2,z2)}。
10.根据权利要求7所述的输电线路防外破预警方法,其特征在于,步骤S34包括:
设第一条输电线的方向向量AB=(x11-x12,y11-y12,z11-z12),吊臂的方向向量CD=(x1-x2,y1-y2,z1-z2),则将两向量AB、CD叉乘得到其公垂向量N=(x,y,z);再基于AB、CD两直线上的点P11、Q1,得到向量M=(x11-x1,y11-y1,z11-z1),根据向量M在向量N方向的投影公式cos(M*N)*|M|得到最短距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571012.2A CN110349172B (zh) | 2019-06-28 | 2019-06-28 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571012.2A CN110349172B (zh) | 2019-06-28 | 2019-06-28 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349172A true CN110349172A (zh) | 2019-10-18 |
CN110349172B CN110349172B (zh) | 2022-12-16 |
Family
ID=68177091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910571012.2A Expired - Fee Related CN110349172B (zh) | 2019-06-28 | 2019-06-28 | 基于图像处理和双目立体测距的输电线路防外破预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349172B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728812A (zh) * | 2019-10-12 | 2020-01-24 | 国网新疆电力有限公司喀什供电公司 | 输电线路防外力破坏检测保护装置及其使用方法 |
CN110827435A (zh) * | 2019-10-28 | 2020-02-21 | 国网四川省电力公司成都供电公司 | 基于智能警示柱的外破监测方法、系统及可读存储介质 |
CN112101211A (zh) * | 2020-09-15 | 2020-12-18 | 山东鲁能软件技术有限公司 | 一种基于目标检测和双目测距的人员与吊臂位置计算方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143354A (zh) * | 2010-12-16 | 2011-08-03 | 华北电力大学 | 基于视频图像处理的输电导线舞动识别计算方法 |
US20120154579A1 (en) * | 2010-12-20 | 2012-06-21 | International Business Machines Corporation | Detection and Tracking of Moving Objects |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN105868734A (zh) * | 2016-04-22 | 2016-08-17 | 江苏电力信息技术有限公司 | 基于bow图像表征模型的输电线路大型施工车辆识别方法 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
CN107066986A (zh) * | 2017-04-21 | 2017-08-18 | 哈尔滨工业大学 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
CN107391631A (zh) * | 2017-07-10 | 2017-11-24 | 国家电网公司 | 一种输电线路通道立体空间监控及快速测距方法 |
CN107680095A (zh) * | 2017-10-25 | 2018-02-09 | 哈尔滨理工大学 | 基于模板匹配与光流法的无人机图像的输电线路异物检测 |
CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电系统的侵入目标实时检测系统 |
CN109325935A (zh) * | 2018-07-24 | 2019-02-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
CN109410207A (zh) * | 2018-11-12 | 2019-03-01 | 贵州电网有限责任公司 | 一种基于ncc特征的无人机巡线图像输电线路检测方法 |
CN109801302A (zh) * | 2018-12-14 | 2019-05-24 | 华南理工大学 | 一种基于双目视觉的高压输电线路异物检测方法 |
-
2019
- 2019-06-28 CN CN201910571012.2A patent/CN110349172B/zh not_active Expired - Fee Related
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143354A (zh) * | 2010-12-16 | 2011-08-03 | 华北电力大学 | 基于视频图像处理的输电导线舞动识别计算方法 |
US20120154579A1 (en) * | 2010-12-20 | 2012-06-21 | International Business Machines Corporation | Detection and Tracking of Moving Objects |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN105868734A (zh) * | 2016-04-22 | 2016-08-17 | 江苏电力信息技术有限公司 | 基于bow图像表征模型的输电线路大型施工车辆识别方法 |
CN106960438A (zh) * | 2017-03-25 | 2017-07-18 | 安徽继远软件有限公司 | 基于霍夫直线变换对输电线路的异物识别方法 |
CN107066986A (zh) * | 2017-04-21 | 2017-08-18 | 哈尔滨工业大学 | 一种基于单目视觉的车道线与前方障碍物检测方法 |
CN107391631A (zh) * | 2017-07-10 | 2017-11-24 | 国家电网公司 | 一种输电线路通道立体空间监控及快速测距方法 |
CN107680095A (zh) * | 2017-10-25 | 2018-02-09 | 哈尔滨理工大学 | 基于模板匹配与光流法的无人机图像的输电线路异物检测 |
CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109325935A (zh) * | 2018-07-24 | 2019-02-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电系统的侵入目标实时检测系统 |
CN109410207A (zh) * | 2018-11-12 | 2019-03-01 | 贵州电网有限责任公司 | 一种基于ncc特征的无人机巡线图像输电线路检测方法 |
CN109801302A (zh) * | 2018-12-14 | 2019-05-24 | 华南理工大学 | 一种基于双目视觉的高压输电线路异物检测方法 |
Non-Patent Citations (2)
Title |
---|
何冰等: "输电线路中反大型机械外力破坏的智能预警功能的实现", 《华东电力》 * |
孙胜男等: "基于双目测距的输电线交叉跨越测量", 《高电压技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728812A (zh) * | 2019-10-12 | 2020-01-24 | 国网新疆电力有限公司喀什供电公司 | 输电线路防外力破坏检测保护装置及其使用方法 |
CN110827435A (zh) * | 2019-10-28 | 2020-02-21 | 国网四川省电力公司成都供电公司 | 基于智能警示柱的外破监测方法、系统及可读存储介质 |
CN112101211A (zh) * | 2020-09-15 | 2020-12-18 | 山东鲁能软件技术有限公司 | 一种基于目标检测和双目测距的人员与吊臂位置计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110349172B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3100569C (en) | Ship identity recognition method base on fusion of ais data and video data | |
CN103868460B (zh) | 基于视差优化算法的双目立体视觉自动测量方法 | |
CN107564062B (zh) | 位姿异常检测方法及装置 | |
CN103487729B (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
CN110349172A (zh) | 基于图像处理和双目立体测距的输电线路防外破预警方法 | |
CN113052876B (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
CN102201058B (zh) | 共孔径主被动成像系统的“猫眼”效应目标识别算法 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、系统及介质 | |
CN107560592A (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN103903237A (zh) | 一种前扫声纳图像序列拼接方法 | |
CN110335245A (zh) | 基于单目时空连续图像的网箱网衣破损监测方法及系统 | |
CN113469201A (zh) | 图像采集设备偏移检测方法、图像匹配方法、系统和设备 | |
Mount et al. | 2d visual place recognition for domestic service robots at night | |
CN111832760A (zh) | 一种基于视觉算法的井盖自动巡检方法 | |
Shi et al. | Cobev: Elevating roadside 3d object detection with depth and height complementarity | |
CN115424249B (zh) | 一种复杂背景下空中弱小目标自适应检测方法 | |
CN109002747A (zh) | 基于几何特征的星上可见光遥感图像舰船检测方法 | |
Lu et al. | Tree trunk detection using contrast templates | |
CN102609928A (zh) | 基于视觉方差定位的图像镶嵌方法 | |
Mai et al. | Method to perform 3d localization of text in shipboard point cloud data using corresponding 2d image | |
CN108171168B (zh) | 弱小目标变动智能图像检测方法及装置 | |
CN116973939B (zh) | 安全监测方法及装置 | |
Ru et al. | Material Location and Stacking Detection Method Based on LIDAR and Camera Fusion | |
He et al. | Automatic accurate longitudinal location of structural defects in sewer pipes via monocular ranging | |
CN114677531B (zh) | 一种融合多模态信息的水面无人艇目标检测与定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221216 |