CN110555400A - 基于无人机巡检架空输电线路的覆冰检测方法及系统 - Google Patents
基于无人机巡检架空输电线路的覆冰检测方法及系统 Download PDFInfo
- Publication number
- CN110555400A CN110555400A CN201910783337.7A CN201910783337A CN110555400A CN 110555400 A CN110555400 A CN 110555400A CN 201910783337 A CN201910783337 A CN 201910783337A CN 110555400 A CN110555400 A CN 110555400A
- Authority
- CN
- China
- Prior art keywords
- features
- image
- training
- texture
- contour
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了基于无人机巡检架空输电线路的覆冰检测方法及系统,获取无人机巡检架空输电线路过程中拍摄的视频;从视频中提取关键帧图像;对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
Description
技术领域
本公开涉及基于无人机巡检架空输电线路的覆冰检测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
现有的覆冰检测技术有采用传感器进行检测的,也有采用图像进行检测的,但是,目前图像进行检测的大部分仅仅考虑图像检测,如果无人机因风雨天气造成拍摄图像抖动或拍摄图像模糊不清,势必造成检测结果的不够准确。
发明内容
为了解决现有技术的不足,本公开提供了一种基于无人机巡检架空输电线路的覆冰检测方法及系统,其通过从无人机拍摄视频中提取关键帧来对架空输电线路覆冰与否进行检测;
第一方面,本公开提供了基于无人机巡检架空输电线路的覆冰检测方法;
基于无人机巡检架空输电线路的覆冰检测方法,包括:
获取无人机巡检架空输电线路过程中拍摄的视频;
从视频中提取关键帧图像;
对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;
对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;
对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;
将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
第二方面,本公开提供了基于无人机巡检架空输电线路的覆冰检测系统;
基于无人机巡检架空输电线路的覆冰检测系统,包括:
获取模块,其被配置为获取无人机巡检架空输电线路过程中拍摄的视频;
关键帧提取模块,其被配置为从视频中提取关键帧图像;
图像预处理模块,其被配置为对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;
特征提取模块,其被配置为对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;
归一化处理模块,其被配置为对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;
分类输出模块,其被配置为将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
因为从视频中提取关键帧图像,所以解决了拍摄过程中抖动或者风雨天气造成拍摄图像不清晰的问题,具有从图像采集的源头就保证图像清晰的优点,进而保证后面图像处理和图像特征提取的准确度。
因为对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;利用融合的特征得到分类的结果,所以解决了单一特征分类不够精确的问题,多个特征能够提升分类的准确度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图;
图2为第二个实施例的功能模块图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一,本实施例提供了基于无人机巡检架空输电线路的覆冰检测方法;
如图1所示,基于无人机巡检架空输电线路的覆冰检测方法,包括:
获取无人机巡检架空输电线路过程中拍摄的视频;
从视频中提取关键帧图像;
对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;
对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;
对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;
将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
作为一个或多个实施例,所述方法,还包括:
对覆冰的输电线路的轮廓图像的轮廓边界之间的距离进行测量,得到覆冰的输电线路的半径,根据覆冰的输电线路的半径与正常输电线路的半径之差,得到覆冰的厚度;
取若干关键帧图像的轮廓图像进行测量,得到若干个覆冰厚度,对所有的覆冰厚度取平均值,得到最终的覆冰厚度。
作为一个或多个实施例,从视频中提取关键帧图像,是采用Horn-Schunck光流法提取视频的关键帧图像。
作为一个或多个实施例,对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像,具体步骤包括:
对关键帧图像进行灰度化处理,得到灰度图像;
对关键帧图像进行边缘检测处理,得到轮廓图像;
对关键帧图像进行灰度直方图均衡化处理,得到纹理图像。
作为一个或多个实施例,对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征均是采用卷积神经网络进行特征提取。
作为一个或多个实施例,对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,是采用最大最小值归一化处理方式进行处理。
作为一个或多个实施例,预先训练好的卷积神经网络模型的训练过程为:
获取架空输电线路覆冰训练样本图像和架空输电线路未覆冰训练样本图像;
对训练样本图像进行灰度化处理,得到训练灰度图像;
对训练样本图像进行边缘检测处理,得到训练轮廓图像;
对训练样本图像进行灰度直方图均衡化处理,得到训练纹理图像;
对训练灰度图像提取训练灰度特征,对训练轮廓图像提取训练轮廓特征,对训练纹理图像提取训练纹理特征;
对提取的训练灰度特征、训练轮廓特征和训练纹理特征进行归一化处理,将归一化处理后的训练灰度特征、训练轮廓特征和训练纹理特征进行串联融合,得到训练融合特征;
将训练融合特征输入到卷积神经网络模型中,对卷积神经网络进行训练;
当卷积神经网络的损失函数值最小时,卷积神经网络训练结束,得到训练好的卷积神经网络。
实施例二,本实施例提供了基于无人机巡检架空输电线路的覆冰检测系统;
如图2所示,基于无人机巡检架空输电线路的覆冰检测系统,包括:
获取模块,其被配置为获取无人机巡检架空输电线路过程中拍摄的视频;
关键帧提取模块,其被配置为从视频中提取关键帧图像;
图像预处理模块,其被配置为对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;
特征提取模块,其被配置为对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;
归一化处理模块,其被配置为对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;
分类输出模块,其被配置为将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
所述电子设备可以是移动终端以及非移动终端,非移动终端包括台式计算机,移动终端包括智能手机(Smart Phone,如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解,在本公开中,该处理器可以是中央处理单元CPU,该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于无人机巡检架空输电线路的覆冰检测方法,其特征是,包括:
获取无人机巡检架空输电线路过程中拍摄的视频;
从视频中提取关键帧图像;
对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;
对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;
对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;
将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
2.如权利要求1所述的方法,其特征是,所述方法,还包括:
对覆冰的输电线路的轮廓图像的轮廓边界之间的距离进行测量,得到覆冰的输电线路的半径,根据覆冰的输电线路的半径与正常输电线路的半径之差,得到覆冰的厚度;
取若干关键帧图像的轮廓图像进行测量,得到若干个覆冰厚度,对所有的覆冰厚度取平均值,得到最终的覆冰厚度。
3.如权利要求1所述的方法,其特征是,从视频中提取关键帧图像,是采用Horn-Schunck光流法提取视频的关键帧图像。
4.如权利要求1所述的方法,其特征是,对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像,具体步骤包括:
对关键帧图像进行灰度化处理,得到灰度图像;
对关键帧图像进行边缘检测处理,得到轮廓图像;
对关键帧图像进行灰度直方图均衡化处理,得到纹理图像。
5.如权利要求1所述的方法,其特征是,对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征均是采用卷积神经网络进行特征提取。
6.如权利要求1所述的方法,其特征是,对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,是采用最大最小值归一化处理方式进行处理。
7.如权利要求1所述的方法,其特征是,预先训练好的卷积神经网络模型的训练过程为:
获取架空输电线路覆冰训练样本图像和架空输电线路未覆冰训练样本图像;
对训练样本图像进行灰度化处理,得到训练灰度图像;
对训练样本图像进行边缘检测处理,得到训练轮廓图像;
对训练样本图像进行灰度直方图均衡化处理,得到训练纹理图像;
对训练灰度图像提取训练灰度特征,对训练轮廓图像提取训练轮廓特征,对训练纹理图像提取训练纹理特征;
对提取的训练灰度特征、训练轮廓特征和训练纹理特征进行归一化处理,将归一化处理后的训练灰度特征、训练轮廓特征和训练纹理特征进行串联融合,得到训练融合特征;
将训练融合特征输入到卷积神经网络模型中,对卷积神经网络进行训练;
当卷积神经网络的损失函数值最小时,卷积神经网络训练结束,得到训练好的卷积神经网络。
8.基于无人机巡检架空输电线路的覆冰检测系统,其特征是,包括:
获取模块,其被配置为获取无人机巡检架空输电线路过程中拍摄的视频;
关键帧提取模块,其被配置为从视频中提取关键帧图像;
图像预处理模块,其被配置为对关键帧图像进行处理,分别得到灰度图像、轮廓图像和纹理图像;
特征提取模块,其被配置为对灰度图像提取灰度特征,对轮廓图像提取轮廓特征,对纹理图像提取纹理特征;
归一化处理模块,其被配置为对提取的灰度特征、轮廓特征和纹理特征进行归一化处理,将归一化处理后的灰度特征、轮廓特征和纹理特征进行串联融合,得到融合特征;
分类输出模块,其被配置为将融合特征输入到预先训练好的卷积神经网络模型中,输出覆冰与否的分类结果。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783337.7A CN110555400A (zh) | 2019-08-23 | 2019-08-23 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783337.7A CN110555400A (zh) | 2019-08-23 | 2019-08-23 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555400A true CN110555400A (zh) | 2019-12-10 |
Family
ID=68738035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910783337.7A Pending CN110555400A (zh) | 2019-08-23 | 2019-08-23 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555400A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111174697A (zh) * | 2019-12-13 | 2020-05-19 | 中国南方电网有限责任公司超高压输电公司柳州局 | 基于无人机的立体视觉影像精确测量方法 |
CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN111985497A (zh) * | 2020-07-21 | 2020-11-24 | 国网山东省电力公司电力科学研究院 | 架空输电线路下吊车作业识别方法及系统 |
CN112270327A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 基于局部融合频域特征的输电导线覆冰分类方法 |
CN113609898A (zh) * | 2021-06-23 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361535A (zh) * | 2014-11-26 | 2015-02-18 | 上海电力学院 | 一种输电线路覆冰状态评估方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
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 |
CN109410231A (zh) * | 2018-09-13 | 2019-03-01 | 安徽继远软件有限公司 | 基于图像处理的输电线路覆冰检测方法及系统 |
CN109684905A (zh) * | 2017-12-19 | 2019-04-26 | 云南电网有限责任公司昭通供电局 | 基于图像辨识的架空导线的覆冰质量检测的方法 |
CN109871781A (zh) * | 2019-01-28 | 2019-06-11 | 山东大学 | 基于多模态3d卷积神经网络的动态手势识别方法及系统 |
CN109886396A (zh) * | 2019-03-18 | 2019-06-14 | 国家电网有限公司 | 一种输电线路舞动在线预测系统及方法 |
CN109902730A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 基于深度学习的输电线路断股检测方法 |
-
2019
- 2019-08-23 CN CN201910783337.7A patent/CN110555400A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361535A (zh) * | 2014-11-26 | 2015-02-18 | 上海电力学院 | 一种输电线路覆冰状态评估方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN109684905A (zh) * | 2017-12-19 | 2019-04-26 | 云南电网有限责任公司昭通供电局 | 基于图像辨识的架空导线的覆冰质量检测的方法 |
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 |
CN109410231A (zh) * | 2018-09-13 | 2019-03-01 | 安徽继远软件有限公司 | 基于图像处理的输电线路覆冰检测方法及系统 |
CN109871781A (zh) * | 2019-01-28 | 2019-06-11 | 山东大学 | 基于多模态3d卷积神经网络的动态手势识别方法及系统 |
CN109902730A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 基于深度学习的输电线路断股检测方法 |
CN109886396A (zh) * | 2019-03-18 | 2019-06-14 | 国家电网有限公司 | 一种输电线路舞动在线预测系统及方法 |
Non-Patent Citations (1)
Title |
---|
余鲲等: "输电线路覆冰状态下信息融合模型特征层的分类方法研究", 《仪表技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111174697A (zh) * | 2019-12-13 | 2020-05-19 | 中国南方电网有限责任公司超高压输电公司柳州局 | 基于无人机的立体视觉影像精确测量方法 |
CN111985497A (zh) * | 2020-07-21 | 2020-11-24 | 国网山东省电力公司电力科学研究院 | 架空输电线路下吊车作业识别方法及系统 |
CN111985497B (zh) * | 2020-07-21 | 2023-09-26 | 国网山东省电力公司电力科学研究院 | 架空输电线路下吊车作业识别方法及系统 |
CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN111964865B (zh) * | 2020-08-12 | 2021-04-27 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN112270327A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 基于局部融合频域特征的输电导线覆冰分类方法 |
CN112270327B (zh) * | 2020-10-19 | 2023-03-14 | 西安工程大学 | 基于局部融合频域特征的输电导线覆冰分类方法 |
CN113609898A (zh) * | 2021-06-23 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
CN113609898B (zh) * | 2021-06-23 | 2023-09-29 | 国网山东省电力公司泗水县供电公司 | 基于sar图像的输电线路覆冰监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555400A (zh) | 基于无人机巡检架空输电线路的覆冰检测方法及系统 | |
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
US10762387B2 (en) | Method and apparatus for processing image | |
US9626577B1 (en) | Image selection and recognition processing from a video feed | |
CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN110059635B (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN112348765A (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 | |
CN110929785B (zh) | 数据分类方法、装置、终端设备及可读存储介质 | |
US11488311B2 (en) | Diagnostic imaging support system and diagnostic imaging apparatus | |
CN109934077B (zh) | 一种图像识别方法和电子设备 | |
CN110335313B (zh) | 音频采集设备定位方法及装置、说话人识别方法及系统 | |
CN111597933B (zh) | 人脸识别方法和装置 | |
CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
CN113378804A (zh) | 一种自助采样的检测方法、装置、终端设备和存储介质 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
CN111291761A (zh) | 用于识别文字的方法和装置 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
WO2015031350A1 (en) | Systems and methods for memory utilization for object detection | |
CN116434346B (zh) | 无人值守商店内顾客行为的检测方法、装置及存储介质 | |
CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |