CN110738179A - 一种电力设备的识别方法及相关装置 - Google Patents

一种电力设备的识别方法及相关装置 Download PDF

Info

Publication number
CN110738179A
CN110738179A CN201910996193.3A CN201910996193A CN110738179A CN 110738179 A CN110738179 A CN 110738179A CN 201910996193 A CN201910996193 A CN 201910996193A CN 110738179 A CN110738179 A CN 110738179A
Authority
CN
China
Prior art keywords
distance
aerial vehicle
unmanned aerial
features
tower
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
Application number
CN201910996193.3A
Other languages
English (en)
Inventor
文承家
李汶江
陈铁
陈静
程昆
刘军
张久林
戴佳利
李金城
唐娟
周双勇
田鑫
陈铭
罗乐
胡御宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Maintenance Branch of State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Maintenance Branch of State Grid Chongqing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Maintenance Branch of State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910996193.3A priority Critical patent/CN110738179A/zh
Publication of CN110738179A publication Critical patent/CN110738179A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

本申请公开了一种电力设备的识别方法，包括：接收无人机采集的电力设备的设备图像；基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；分析提取的所述特征识别出目标电力设备；检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。该方法针对不同的电力设备提取不同的特征，进而基于提取的特征识别出目标电力设备，可有效提高电力设备的识别准确率与识别速率，并且基于无人机与杆塔的距离调整无人机的飞行状态，从而可以避免强电磁干扰对无人机的影响。本申请还公开了一种电力设备的识别装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种电力设备的识别方法及相关装置
技术领域
本申请涉及电力技术领域，特别涉及一种电力设备的识别方法；还涉及一种电力设备的识别装置、设备以及计算机可读存储介质。
背景技术
电力设备的正常运行是电网正常供电的关键，为此，判别电力设备的运行状态尤为重要，而判断电力设备的运行状态的前提是识别出电力设备，电力设备的识别准确率与速率成为愈发关注的焦点，因此，如何准确、高效的识别电力设备已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种电力设备的识别方法，能够有效提高电力设备的识别准确率与识别速率。本申请的另一个目的是提供一种电力设备的识别装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种电力设备的识别方法，包括：
接收无人机采集的电力设备的设备图像；
基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；
分析提取的所述特征识别出目标电力设备；
检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
可选的，所述检测所述无人机距离杆塔的距离包括：
基于
Figure BDA0002239773600000011
得到所述无人机距离杆塔的距离；
其中，F为摄像机的焦距，W为所述杆塔的高度，P为所述杆塔成像后高度的像素距离，D为所述无人机距离所述杆塔的距离。
为解决上述技术问题，本申请还提供了一种电力设备的识别装置，包括：
图像接收模块，用于接收无人机采集的电力设备的设备图像；
特征提取模块，用于基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；
设备识别模块，用于分析提取的所述特征识别出目标电力设备；
距离检测模块，用于检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
可选的，所述距离检测模块具体用于基于得到所述无人机距离杆塔的距离；
其中，F为摄像机的焦距，W为所述杆塔的高度，P为所述杆塔成像后高度的像素距离，D为所述无人机距离所述杆塔的距离。
为解决上述技术问题，本申请还提供了一种电力设备的识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的电力设备的识别方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的电力设备的识别方法的步骤。
本申请所提供的电力设备的识别方法包括接收无人机采集的电力设备的设备图像；基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；分析提取的所述特征识别出目标电力设备；检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。可见，本申请所提供的电力设备的识别方法，将设备图像处理与特征识别技术应用与电力设备的识别，在接收无人机采集的电力设备的设备图像的基础上，进一步利用深度神经网络基于预设特征类型对设备图像进行特征提取，并分析提取的特征识别出目标电力设备，从而有效提高电力设备的识别准确率与速率。另外，该方法基于无人机与杆塔的距离调整无人机的飞行状态，从而可以避免强电磁干扰对无人机的影响。
本申请所提供的电力设备的识别装置、设备以及计算机可读存储介质，均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种电力设备的识别方法的流程示意图；
图2为本申请实施例所提供的一种电力设备的识别装置的示意图；
图3为本申请实施例所提供的一种电力设备的识别设备的示意图。
具体实施方式
本申请的核心是提供一种电力设备的识别方法，能够有效提高电力设备的识别准确率与识别速率。本申请的另一个核心是提供一种电力设备的识别装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种电力设备的识别方法的流程示意图；参考图1所示，该电力设备的识别方法包括：
S101：接收无人机采集的电力设备的设备图像；
具体的，本步骤旨在实现设备图像的获取，具体即通过无人机采集电力设备的设备图像，进而接收无人机通过传输设备发送的其所采集的电力设备的设备图像。
S102：利用深度神经网络基于预设特征类型对设备图像进行特征提取；其中，上述预设特征类型可以包括形状特征、颜色特征、纹理特征以及高等语义特征；
S103：分析提取的特征识别出目标电力设备；
具体的，在接收无人机采集的电力设备的设备图像的基础上即可对此设备图像进行加工、整理、分析从而得到电力设备的设备类型。具体而言，针对不同的电力设备预先根据各电力设备的设备特点确定其对应的特征，即预设特征类型，进而在接收到电力设备的设备图像后，基于预设特征类型，利用深度神经网络进行特征提取，并进一步根据提取的特征识别出目标电力设备，确定其坐标位置，得到其设备类型，以便后续判断电力设备的运行状态。其中，上述预设特征类型可以包括形状特征、颜色特征、纹理特征以及高等语义特征。从而，通过对不同的电力设备提取不同的特征并分析此特征识别出目标电力设备。例如，针对杆塔，可提取形状特征与几何特征。针对绝缘子，可提取形状特征、颜色特征。
此外，防振锤在输电线路中属于形变目标，相对来说数量较多且目标较小，直接采用形状特征描述较困难，所以在检测定位时需考虑旋转、缩放、平移的特性，进而根据基于深度学习的设备影像特征进行设备识别，基于深度神经网络的图像识别系统不需要人为选定图像特征，而是基于多分类器损失函数反向传播误差训练基于卷积神经网络的特征表示。
另外，基于深度学习的设备识别系统在训练过程中，其每一层神经网络都使用激活函数，同时每次迭代都是在原始的图像上，随机裁剪图片块作为训练数据，最后考虑到神经网络的主要参数都输入全连接层，训练过程按照min-batch的方式，每计算样本的平均误差梯度后进行一次反响传播更新神经网络中参数。其中，卷积神经网络的卷积层通过卷积运算，可以使原信号增强，并且降低噪声，提高信噪比；降采样对卷积层的图像进行子抽样，在保证了有用信息不降低的基础上，减少数据处理量。直接利用全局特征预测每个位置可能的目标电力设备，不断进行迭代回归调整，得到最终的识别结果。通过定义回归方式，网络以及模型，将原始识别结果进行再一次回归之后，再进行识别，提升效果。
S104：检测无人机距离杆塔的距离，并基于距离调整无人机的飞行状态。
具体的，为保证无人机巡检时保持与特高压线路足够的安全距离，以避免强电磁干扰引起的坠机，本申请所提供的识别方法还检测无人机距离杆塔的距离，并实时在操作端显示无人机到杆塔的距离，进而基于检测到距离对无人机的飞行状态进行调整。
其中，在一种具体的实施方式中，上述检测无人机距离杆塔的距离包括：基于
Figure BDA0002239773600000051
得到无人机距离杆塔的距离；其中，F为摄像机的焦距，W为杆塔的高度，P为为杆塔成像后高度的像素距离，D为无人机距离杆塔的距离。
具体的，本实施例采用单目摄像头识别测距的方式，根据摄像机的焦距公式得到无人机距离杆塔的距离。摄像机的焦距已知，杆塔高度已知，通过识别并标记杆塔，对杆塔成像后的影像像素进行测量，便可以根据上述公式得到无人机与杆塔的实际距离。
综上所述，本申请所提供的电力设备的识别方法包括接收无人机采集的电力设备的设备图像；基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；分析提取的所述特征识别出目标电力设备；检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。可见，本申请所提供的电力设备的识别方法，将设备图像处理与特征识别技术应用与电力设备的识别，在接收无人机采集的电力设备的设备图像的基础上，进一步利用深度神经网络基于预设特征类型对设备图像进行特征提取，并分析提取的特征识别出目标电力设备，从而有效提高电力设备的识别准确率与速率。另外，该方法基于无人机与杆塔的距离调整无人机的飞行状态，从而可以避免强电磁干扰对无人机的影响。
本申请还提供了一种电力设备的识别装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图2，图2为本申请实施例所提供的一种电力设备的识别装置的示意图，结合图2，该电力设备的识别装置包括：
图像接收模块10，用于接收无人机采集的电力设备的设备图像；
特征提取模块20，用于基于预设特征类型对所述设备图像进行特征提取；其中，预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；
设备识别模块30，用于分析提取的所述特征识别出目标电力设备；
距离检测模块40，用于检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
在上述实施例的基础上，作为一种具体的实施方式，距离检测模块40具体用于基于
Figure BDA0002239773600000061
得到所述无人机距离杆塔的距离；
其中，F为摄像机的焦距，W为所述杆塔的高度，P为所述杆塔成像后高度的像素距离，D为所述无人机距离所述杆塔的距离。
本申请还提供了一种电力设备的识别设备，请参考图3，图3为本申请实施例所提供的一种电力设备的识别设备的示意图，参考图3所示，该电力设备的识别设备包括：存储器1与处理器2。其中，存储器1用于存储计算机程序，处理器2用于执行该计算机程序时实现如下的步骤：
接收无人机采集的电力设备的设备图像；基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；分析提取的所述特征识别出目标电力设备；检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
对于本申请所提供的电力设备的识别设备的介绍请参照上述方法的实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
接收无人机采集的电力设备的设备图像；基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；分析提取的所述特征识别出目标电力设备；检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、系统以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的电力设备的识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (6)

1.一种电力设备的识别方法，其特征在于，包括：
接收无人机采集的电力设备的设备图像；
基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；
分析提取的所述特征识别出目标电力设备；
检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
2.根据权利要求1所述的识别方法，其特征在于，所述检测所述无人机距离杆塔的距离包括：
基于
Figure FDA0002239773590000011
得到所述无人机距离杆塔的距离；
其中，F为摄像机的焦距，W为所述杆塔的高度，P为所述杆塔成像后高度的像素距离，D为所述无人机距离所述杆塔的距离。
3.一种电力设备的识别装置，其特征在于，包括：
图像接收模块，用于接收无人机采集的电力设备的设备图像；
特征提取模块，用于基于预设特征类型对所述设备图像进行特征提取；其中，所述预设特征类型包括形状特征、颜色特征、纹理特征以及高等语义特征；
设识别模块，用于分析提取的所述特征识别出目标电力设备；
距离检测模块，用于检测所述无人机距离杆塔的距离，并基于所述距离调整所述无人机的飞行状态。
4.根据权利要求3所述的识别装置，其特征在于，所述距离检测模块具体用于基于得到所述无人机距离杆塔的距离；
其中，F为摄像机的焦距，W为所述杆塔的高度，P为所述杆塔成像后高度的像素距离，D为所述无人机距离所述杆塔的距离。
5.一种电力设备的识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1或2所述的电力设备的识别方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述的电力设备的识别方法的步骤。
CN201910996193.3A 2019-10-18 2019-10-18 一种电力设备的识别方法及相关装置 Pending CN110738179A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910996193.3A CN110738179A (zh) 2019-10-18 2019-10-18 一种电力设备的识别方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910996193.3A CN110738179A (zh) 2019-10-18 2019-10-18 一种电力设备的识别方法及相关装置

Publications (1)

Publication Number Publication Date
CN110738179A true CN110738179A (zh) 2020-01-31

Family

ID=69270134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910996193.3A Pending CN110738179A (zh) 2019-10-18 2019-10-18 一种电力设备的识别方法及相关装置

Country Status (1)

Country Link
CN (1) CN110738179A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523423A (zh) * 2020-04-15 2020-08-11 四川赛康智能科技股份有限公司 一种电力设备识别方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298248A (zh) * 2014-10-08 2015-01-21 南京航空航天大学 旋翼无人机精确视觉定位定向方法
CN104865971A (zh) * 2015-05-26 2015-08-26 广西大学 一种输电线路巡检无人机的控制方法及无人机
CN107133943A (zh) * 2017-04-26 2017-09-05 贵州电网有限责任公司输电运行检修分公司 一种防震锤缺陷检测的视觉检测方法
CN107392886A (zh) * 2017-06-14 2017-11-24 国网山东省电力公司菏泽供电公司 一种电力设备图像处理方法
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
CN107784310A (zh) * 2017-11-08 2018-03-09 浙江国自机器人技术有限公司 设备状态信息获取方法、装置、系统、存储介质及机器人
CN108537912A (zh) * 2018-03-06 2018-09-14 全球能源互联网研究院有限公司 一种基于智能图像识别的电力巡检无人机
CN109034184A (zh) * 2018-06-07 2018-12-18 广西电网有限责任公司玉林供电局 一种基于深度学习的均压环检测识别方法
CN109389180A (zh) * 2018-10-30 2019-02-26 国网四川省电力公司广元供电公司 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109685075A (zh) * 2018-11-27 2019-04-26 山东鲁能软件技术有限公司 一种基于图像的电力设备识别方法、装置及系统
CN110134143A (zh) * 2019-05-30 2019-08-16 广东电网有限责任公司 一种电力巡检方法、系统及电子设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298248A (zh) * 2014-10-08 2015-01-21 南京航空航天大学 旋翼无人机精确视觉定位定向方法
CN104865971A (zh) * 2015-05-26 2015-08-26 广西大学 一种输电线路巡检无人机的控制方法及无人机
CN107133943A (zh) * 2017-04-26 2017-09-05 贵州电网有限责任公司输电运行检修分公司 一种防震锤缺陷检测的视觉检测方法
CN107392886A (zh) * 2017-06-14 2017-11-24 国网山东省电力公司菏泽供电公司 一种电力设备图像处理方法
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
CN107784310A (zh) * 2017-11-08 2018-03-09 浙江国自机器人技术有限公司 设备状态信息获取方法、装置、系统、存储介质及机器人
CN108537912A (zh) * 2018-03-06 2018-09-14 全球能源互联网研究院有限公司 一种基于智能图像识别的电力巡检无人机
CN109034184A (zh) * 2018-06-07 2018-12-18 广西电网有限责任公司玉林供电局 一种基于深度学习的均压环检测识别方法
CN109389180A (zh) * 2018-10-30 2019-02-26 国网四川省电力公司广元供电公司 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109685075A (zh) * 2018-11-27 2019-04-26 山东鲁能软件技术有限公司 一种基于图像的电力设备识别方法、装置及系统
CN110134143A (zh) * 2019-05-30 2019-08-16 广东电网有限责任公司 一种电力巡检方法、系统及电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
戴俊良: "《新编电力工作实务全书》", 31 March 2006 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523423A (zh) * 2020-04-15 2020-08-11 四川赛康智能科技股份有限公司 一种电力设备识别方法及装置
CN111523423B (zh) * 2020-04-15 2023-08-08 四川赛康智能科技股份有限公司 一种电力设备识别方法及装置

Similar Documents

Publication Publication Date Title
CN108846826B (zh) 物体检测方法、装置、图像处理设备及存储介质
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
US8755630B2 (en) Object pose recognition apparatus and object pose recognition method using the same
CN110569699A (zh) 对图片进行目标采样的方法及装置
CN111666960B (zh) 图像识别方法、装置、电子设备及可读存储介质
CN109993040A (zh) 文本识别方法及装置
CN110659658B (zh) 一种目标检测方法及其装置
EP2660753A2 (en) Image processing method and apparatus
CN103744974B (zh) 局部兴趣点选取的方法及设备
CN106683040B (zh) 一种基于ncc算法的红外全景图像拼接方法
CN114155445A (zh) 基于改进YOLOv3的SAR图像目标检测方法
CN107169503B (zh) 一种室内场景的分类方法及装置
CN115115540A (zh) 基于光照信息引导的无监督低光图像增强方法及装置
CN113393385B (zh) 基于多尺度融合的无监督去雨方法、系统、装置及介质
CN110738179A (zh) 一种电力设备的识别方法及相关装置
CN114220087A (zh) 一种车牌检测方法、车牌检测器及相关设备
CN116453029A (zh) 基于图像数据的楼宇火灾环境检测方法
CN116129417A (zh) 一种基于低质量图像的数字仪表读数检测方法
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置
EP3076370B1 (en) Method and system for selecting optimum values for parameter set for disparity calculation
CN112802108B (zh) 目标对象定位方法、装置、电子设备及可读存储介质
CN112052863B (zh) 一种图像检测方法及装置、计算机存储介质、电子设备
CN112001301B (zh) 基于全局交叉熵加权的楼宇监控方法、装置和电子设备
CN114926826A (zh) 场景文本检测系统
CN115393247A (zh) 一种图像处理方法、基站馈线检测方法及相关装置

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: 20200131

RJ01 Rejection of invention patent application after publication