CN110751270A - 一种无人机电线故障检测方法、系统及设备 - Google Patents
一种无人机电线故障检测方法、系统及设备 Download PDFInfo
- Publication number
- CN110751270A CN110751270A CN201911013848.7A CN201911013848A CN110751270A CN 110751270 A CN110751270 A CN 110751270A CN 201911013848 A CN201911013848 A CN 201911013848A CN 110751270 A CN110751270 A CN 110751270A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- fault
- angle
- image
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
- H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种无人机电线故障检测方法、系统及设备,包括:采集目标线路的图像,并将所述图像传输至故障识别模型中;通过所述故障识别模型判断故障概率以及对应的故障类型;若所述故障概率大于预设的阈值,则认定线路发生故障,并将所述故障类型以及所述图像发送至服务器,否则无人机继续巡视。本申请通过采用神经网络故障分析模型对输电线路进行识别,解决了现有技术中检测输电线路困难的问题。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种无人机电线故障检测方法、系统及设备。
背景技术
由于输电线路往往位于崎岖不平或偏远的地区,使地面作业或直升机检测困难、耗时并充满危险。那么如果利用无人机进行电线故障检测,可以节省检测时间的同时,机组人员也可以在更安全的地点进行工作,能利用无人机识别有问题的区域,如裂缝、植被侵占或电线磨损。
然而,现有的方法中并没有结合神经网络模型对图像进行检测识别出输电线路是否发生故障的技术方案。
发明内容
本申请实施例提供了一种无人机电线故障检测方法、系统及设备,通过采用神经网络故障分析模型对输电线路进行识别,解决了现有技术中检测输电线路困难的问题。
有鉴于此,本申请第一方面提供了一种无人机电线故障检测方,所述方法包括:
采集目标线路的图像,并将所述图像传输至故障识别模型中;
通过所述故障识别模型判断故障概率以及对应的故障类型;
若所述故障概率大于预设的阈值,则认定线路发生故障,并将所述故障类型以及所述图像发送至服务器,否则无人机继续巡视。
优选地,在采集目标线路的图像之后,还包括:
将所述图像传输至系统后台。
优选地,所述故障识别模型为经Faster RCNN训练出来的电线故障模型。
优选地,采用自抗扰控制算法对无人机进行控制。
优选地,所述自抗扰控制算法具体为:
S1:实时获取无人机当前姿态的角度,并通过预估外界干扰得到干扰反馈值;获取无人机过渡期望信号以及过渡期望微分信号;
S2:将所述反馈值与所述过渡期望信号以及所述过渡期望微分信号进行分线性组合,得到无人机姿态的校正值用于调整无人机姿态的角度;
S3:将调整后无人机姿态的角度与预设的期望角度进行对比,若调整后无人机姿态的角度与预设的期望角度之差大于预设的最大偏差,则重复步骤S1至S2直到调整后无人机姿态的角度与预设的期望角度之差小于预设的最大偏差。
本申请第二方面提供一种无人机电线故障检测系统,所述系统包括:
图像采集模块,所述图像采集模块用于采集目标线路的图像,并将所述图像传输至故障识别模型中;
故障识别模块,所述故障识别模块用于通过所述故障识别模型判断故障概率以及对应的故障类型;
故障判断模块,所述故障判断模块用于判断所述故障概率是否大于预设的阈值,若是,则认定线路发生故障,并将所述故障类型以及所述图像发送至服务器,否则无人机继续巡视。
优选地,还包括传输模块;
所述传输模块用于将所述图像传输至系统后台。
优选地,还包括自抗扰控制模块;
所述自抗扰控制模块用于控制无人机实时调整无人机姿态使得无人机稳定飞行。
优选地,所述自抗扰控制模块还包括:
信号获取模块,所述信号获取模块用于实时获取无人机当前姿态的角度,并通过预估外界干扰得到干扰反馈值;获取无人机过渡期望信号以及过渡期望微分信号;
角度获取模块,所述角度获取模块用于将所述反馈值与所述过渡期望信号以及所述过渡期望微分信号进行分线性组合,得到无人机姿态的校正值用于调整无人机姿态的角度;
姿态调整模块,所述姿态调整模块用于将调整后无人机姿态的角度与预设的期望角度进行对比,若调整后无人机姿态的角度与预设的期望角度之差大于预设的最大偏差,则重复步骤S1至S2直到调整后无人机姿态的角度与预设的期望角度之差小于预设的最大偏差。
本申请第三方面提供一种无人机电线故障检测设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的无人机电线故障检测方法的步骤。
从以上技术方案可以看出,本申请提供了一种无人机电线故障检测方法,包括采集目标线路的图像,并将所述图像传输至故障识别模型中;通过所述故障识别模型判断故障概率以及对应的故障类型;若所述故障概率大于预设的阈值,则认定线路发生故障,并将所述故障类型以及所述图像发送至服务器,否则无人机继续巡视。本申请通过采用神经网络故障分析模型对输电线路进行识别,解决了现有技术中检测输电线路困难的问题。
附图说明
图1为本申请一种无人机电线故障检测方法的一个实施例的方法流程图;
图2为本申请一种无人机电线故障检测系统的一个实施例的系统结构图;
图3为本申请一种无人机电线故障检测方法的另一个具体的实施例的流程图。
具体实施方式
本申请通过采用神经网络故障分析模型对输电线路进行识别,解决了现有技术中检测输电线路困难的问题。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅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。
为了便于理解,请参阅图1,图1为本申请一种无人机电线故障检测方法的一个实施例的方法流程图,如图1所示,图1中包括:
101、采集目标线路的图像,并将图像传输至故障识别模型中。
需要说明的是,无人机沿着目标线路进行巡视,并对目标线路上的电线图像进行采集,采集的图像传输至训练好的神经网络模型中,其中神经网络模型可以用于对图像进行识别和判断。另外神经网络模型是采用大量电线故障图片进行训练得到的故障判断模型。
102、通过故障识别模型判断故障概率以及对应的故障类型。
需要说明的是,经过神经网络模型进行判断之后,可以得到输电线路可能的故障类型,以及对应故障类型的概率。
103、若故障概率大于预设的阈值,则认定线路发生故障,并将故障类型以及图像发送至服务器,否则无人机继续巡视。
需要说明的是,将每个故障对应的概率值与预设的阈值进行比较,若故障对应的概率值大于预设的阈值,则判定为发生故障,否则判定为不发生故障,若没有发生故障,则无人机继续巡视,并重复执行步骤101至103。若判定发生了故障,则无人机将检测出的故障类型与图像数据传回服务器。
本申请通过采用神经网络故障分析模型对输电线路进行识别,解决了现有技术中检测输电线路困难的问题。
为了进一步理解本申请的方案,本申请还提供了另外一个实施例,具体为:
201、采集目标线路的图像,将所述图像传输至系统后台,并将图像传输至故障识别模型中。
需要说明的是,无人机沿着目标线路进行巡视,并对目标线路上的电线图像进行采集,采集的图像传输至训练好的神经网络模型中,其中神经网络模型可以用于对图像进行识别和判断。
在一种具体的实施例中,由于电线故障通常是小目标检测,在小目标检测方面,Faster RCNN神经网络模型相较于SSD和YOLO做得更好,检测速度更快,因此本申请采用Faster RCNN作为故障检测模型以达到最高的检测速度以及最好的检测效果。
其中,利用Faster Rcnn算法进行目标检测时,先将无人机监控视频中的某一帧图片传入卷积层,通过简单的卷积和池化操作得到一组特征图,随后这一系列特征图将被传入RPN层,若是发现电线故障目标将得到初始的区域提取框,然后这些框住的region和一开始的特征图将被送入Roi Pooling层,并最终送入全连接层,在这一阶段将会判定出故障的类别以及通过boundingbox regression的回归操作进一步修正框的位置,得到精确的结果。
需要说明的是,故障检测模型具体的训练过程为:
第一步:参数的随机初始化与标注。参数的初始值对于后续的训练结果准确性有很大的影响,本次训练将神经网络的权重与偏置值初始化为趋于0的极小的值。自行标记或找已有的电线故障照片训练集,框出电线故障的部分作为真值ground truth并标明信息(如植被侵占或硬件缺陷等多类),输入网络学习。
第二步:向量传入。将训练的图片作为输入传入卷积神经网络中,经过现有的权重与偏置值构成的卷积核提取出一系列特征向量X(i),并将特征向量传入指定的激活函数中得到输出值H(x(i)),本次训练使用归一化分类能力较强的sigmoid函数,最终得到相应的感兴趣区域ROIs。
第三步:反向传播。利用已设定好的损失函数Loss Function接收得到的ROIs,ground truth与标注值,随后在反向传播过程中利用梯度下降算法对损失函数进行链式求偏导,以求得局部极小值。
第四步:更新参数。利用损失函数求偏导的结果对权重与偏置进行更新,随后往复循环达到指定的次数或输出值与标注值差异较小时停止循环训练,得到训练好的模型。
另外,还需要说明的是,当前开源的无人机飞控大多采用串级PID算法对无人机的姿态进行控制,在有外力因素,如风力等的干扰下,易使飞机状态与期望值产生误差进而导致积分饱和,无法修正飞机姿态。因此,本申请采用自抗扰控制算法对无人机进行控制以避免无人机脱离固定的目标线路从而难以正确采集输电电线的图像样本。
在一种具体的实施例中采用自抗扰控制算法控制无人机具体为:
S1:实时获取无人机当前姿态的角度,并通过预估外界干扰得到干扰反馈值;获取无人机过渡期望信号以及过渡期望微分信号。
S2:将反馈值与过渡期望信号以及过渡期望微分信号进行分线性组合,得到无人机姿态的校正值用于调整无人机姿态的角度。
S3:将调整后无人机姿态的角度与预设的期望角度进行对比,若调整后无人机姿态的角度与预设的期望角度之差大于预设的最大偏差,则重复步骤S1至S2直到调整后无人机姿态的角度与预设的期望角度之差小于预设的最大偏差。
203、通过故障识别模型判断故障概率以及对应的故障类型。
需要说明的是,经过神经网络模型进行判断之后,可以得到输电线路可能的故障类型,以及对应故障类型的概率。
204、若故障概率大于预设的阈值,则认定线路发生故障,并将故障类型以及图像发送至服务器,否则无人机继续巡视。
需要说明的是,将每个故障对应的概率值与预设的阈值进行比较,若故障对应的概率值大于预设的阈值,则判定为发生故障,否则判定为不发生故障。在具体的实施方式中,阈值设置为85%,即若故障对应的概率值大于85%,则表示发生故障。若没有发生故障,则无人机继续巡视,并重复执行步骤101至103。若判定发生了故障,则无人机将检测出的故障类型与图像数据传回服务器。
本申请采用Faster RCNN作为故障检测模型,使得能够达到最高的检测速度以及最好的检测效果,并且采用自抗扰(ADRC)控制算法控制无人机,提高无人机的抗干扰能力,使得无人机可更快地达到期望状态和稳定状态。
为了详细理解本申请的技术方案,可参考图3,图3为本申请一种无人机电线故障检测方法的另一个具体的实施例的流程图。其具体的步骤为:
在无人机实时监控的过程中,首先将监控视频实时传入到系统后台,系统后台中有相关的电线故障图像数据库接口经Faster RCNN训练出来的电线故障模型,系统后台通过实时传入的监控视频运用Faster Rcnn方法,来识别出故障的相关信息,并将视频进行分帧处理,然后利用Faster RCNN的故障识别模型对图像进行识别,并判定电线的故障类型,同时Faster RCNN的识别结果会包含故障类型的准确率,当准确率超过85%,则判定为发生故障,否则则判定为不发生故障,若没有发生故障,则无人机继续巡视,重复执行如上的步骤。若判定发生了故障,则无人机将检测出的故障类型与图像数据传回服务器。鉴于无人机飞行的不稳定性,无人机在监控或者跟踪过程中会遇到不同的外力影响,譬如风力以及下雨带来的影响,使得飞行姿态发生改变,因为无人机上摄像头的固定,故外力影响可能会使无人机不能按照特定的电线检测路线行驶,从而导致无法执行检测算法,所以为了保证无人机飞行的稳定性,使无人机能够按照特定路线进行电线故障检测,我们同时采用更稳定的无人机飞行控制方法为辅助,在跟踪飞行过程中根据期望角度来调整无人机的飞行姿态,使飞行姿态保持在我们的期望值,从而实现一种稳定的无人机检测目标电线线路故障的方法。
以上是本申请一种无人机电线故障检测方法的实施例,本申请还提供了一种无人机电线故障检测系统的实施例,可参考图2,图2为本申请一种无人机电线故障检测系统的一个实施例的系统结构图,具体包括:
图像采集模块301,用于采集目标线路的图像,并将图像传输至故障识别模型中。
故障识别模块302,用于通过故障识别模型判断故障概率以及对应的故障类型。
故障判断模块303,用于判断故障概率是否大于预设的阈值,若是,则认定线路发生故障,并将故障类型以及所述图像发送至服务器,否则无人机继续巡视。
在一种实施例中,还包括:
传输模块,传输模块用于将图像传输至系统后台。
自抗扰控制模块,用于控制无人机实时调整无人机姿态使得无人机稳定飞行。
自抗扰控制模块还包括:
信号获取模块,用于实时获取无人机当前姿态的角度,并通过预估外界干扰得到干扰反馈值;获取无人机过渡期望信号以及过渡期望微分信号;
角度获取模块,用于将所述反馈值与过渡期望信号以及过渡期望微分信号进行分线性组合,得到无人机姿态的校正值用于调整无人机姿态的角度。
姿态调整模块,用于将调整后无人机姿态的角度与预设的期望角度进行对比,若调整后无人机姿态的角度与预设的期望角度之差大于预设的最大偏差,则重复步骤S1至S2直到调整后无人机姿态的角度与预设的期望角度之差小于预设的最大偏差。
本申请实施例还提供了一种无人机电线故障检测设备,设备包括处理器以及存储器:存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行无人机电线故障检测方法中的任意一种实施方式。
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。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块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。
所述集成的模块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取存储介质中。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全部或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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种无人机电线故障检测方法,其特征在于,包括:
采集目标线路的图像,并将所述图像传输至故障识别模型中;
通过所述故障识别模型判断故障概率以及对应的故障类型;
若所述故障概率大于预设的阈值,则认定线路发生故障,并将所述故障类型以及所述图像发送至服务器,否则无人机继续巡视。
2.根据权利要求1所述的无人机电线故障检测方法,其特征在于,在采集目标线路的图像之后,还包括:
将所述图像传输至系统后台。
3.根据权利要求1所述的无人机电线故障检测方法,其特征在于,所述故障识别模型为经Faster RCNN训练出来的电线故障模型。
4.根据权利要求1所述的无人机电线故障检测方法,其特征在于,采用自抗扰控制算法对无人机进行控制。
5.根据权利要求4所述的无人机电线故障检测方法,其特征在于,所述自抗扰控制算法具体为:
S1:实时获取无人机当前姿态的角度,并通过预估外界干扰得到干扰反馈值;获取无人机过渡期望信号以及过渡期望微分信号;
S2:将所述反馈值与所述过渡期望信号以及所述过渡期望微分信号进行分线性组合,得到无人机姿态的校正值用于调整无人机姿态的角度;
S3:将调整后无人机姿态的角度与预设的期望角度进行对比,若调整后无人机姿态的角度与预设的期望角度之差大于预设的最大偏差,则重复步骤S1至S2直到调整后无人机姿态的角度与预设的期望角度之差小于预设的最大偏差。
6.一种无人机电线故障检测系统,其特征在于,包括:
图像采集模块,所述图像采集模块用于采集目标线路的图像,并将所述图像传输至故障识别模型中;
故障识别模块,所述故障识别模块用于通过所述故障识别模型判断故障概率以及对应的故障类型;
故障判断模块,所述故障判断模块用于判断所述故障概率是否大于预设的阈值,若是,则认定线路发生故障,并将所述故障类型以及所述图像发送至服务器,否则无人机继续巡视。
7.根据权利要求6所述的无人机电线故障检测系统,其特征在于,还包括传输模块;
所述传输模块用于将所述图像传输至系统后台。
8.根据权利要求6所述的无人机电线故障检测系统,其特征在于,还包括自抗扰控制模块;
所述自抗扰控制模块用于控制无人机实时调整无人机姿态使得无人机稳定飞行。
9.根据权利要求8所述的无人机电线故障检测系统,其特征在于,所述自抗扰控制模块还包括:
信号获取模块,所述信号获取模块用于实时获取无人机当前姿态的角度,并通过预估外界干扰得到干扰反馈值;获取无人机过渡期望信号以及过渡期望微分信号;
角度获取模块,所述角度获取模块用于将所述反馈值与所述过渡期望信号以及所述过渡期望微分信号进行分线性组合,得到无人机姿态的校正值用于调整无人机姿态的角度;
姿态调整模块,所述姿态调整模块用于将调整后无人机姿态的角度与预设的期望角度进行对比,若调整后无人机姿态的角度与预设的期望角度之差大于预设的最大偏差,则重复步骤S1至S2直到调整后无人机姿态的角度与预设的期望角度之差小于预设的最大偏差。
10.一种无人机电线故障检测设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的无人机电线故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911013848.7A CN110751270A (zh) | 2019-10-23 | 2019-10-23 | 一种无人机电线故障检测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911013848.7A CN110751270A (zh) | 2019-10-23 | 2019-10-23 | 一种无人机电线故障检测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751270A true CN110751270A (zh) | 2020-02-04 |
Family
ID=69279642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911013848.7A Pending CN110751270A (zh) | 2019-10-23 | 2019-10-23 | 一种无人机电线故障检测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751270A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111490905A (zh) * | 2020-04-29 | 2020-08-04 | 广东天亿马信息产业股份有限公司 | 一种用于视频图像故障自动巡检的方法 |
CN111952884A (zh) * | 2020-08-28 | 2020-11-17 | 红相股份有限公司 | 一种高压线路的普查、复查检测方法 |
US20210374945A1 (en) * | 2020-05-29 | 2021-12-02 | Atos Information Technology GmbH | System and method for examining objects for errors |
CN114093051A (zh) * | 2020-08-05 | 2022-02-25 | 中国联合网络通信集团有限公司 | 通信线路巡检方法、设备与系统、计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104898429A (zh) * | 2015-05-27 | 2015-09-09 | 北京工业大学 | 一种基于自抗扰控制的三旋翼姿态控制方法 |
US9390489B1 (en) * | 2014-10-09 | 2016-07-12 | State Farm Mutual Automobile Insurance Company | Method and system for assessing damage to infrastructure |
CN105912011A (zh) * | 2016-06-24 | 2016-08-31 | 天津理工大学 | 一种四旋翼飞行器姿态的线性自抗扰控制方法 |
-
2019
- 2019-10-23 CN CN201911013848.7A patent/CN110751270A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9390489B1 (en) * | 2014-10-09 | 2016-07-12 | State Farm Mutual Automobile Insurance Company | Method and system for assessing damage to infrastructure |
CN104898429A (zh) * | 2015-05-27 | 2015-09-09 | 北京工业大学 | 一种基于自抗扰控制的三旋翼姿态控制方法 |
CN105912011A (zh) * | 2016-06-24 | 2016-08-31 | 天津理工大学 | 一种四旋翼飞行器姿态的线性自抗扰控制方法 |
Non-Patent Citations (4)
Title |
---|
ROSS GIRSHICK等: "Fast R-CNN", 《ARXIV:1504.08083V2 [CS.CV]》 * |
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV:1506.01497V3 [CS.CV]》 * |
刘云鹏等: "基于深度学习的输变电设备异常发热点红外图片目标检测方法", 《南方电网技术》 * |
宁晓光: "面向输电线路巡检的四旋翼飞行器控制技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111490905A (zh) * | 2020-04-29 | 2020-08-04 | 广东天亿马信息产业股份有限公司 | 一种用于视频图像故障自动巡检的方法 |
US20210374945A1 (en) * | 2020-05-29 | 2021-12-02 | Atos Information Technology GmbH | System and method for examining objects for errors |
US11983861B2 (en) * | 2020-05-29 | 2024-05-14 | Bull Sas | System and method for examining objects for errors |
CN114093051A (zh) * | 2020-08-05 | 2022-02-25 | 中国联合网络通信集团有限公司 | 通信线路巡检方法、设备与系统、计算机可读存储介质 |
CN114093051B (zh) * | 2020-08-05 | 2023-10-31 | 中国联合网络通信集团有限公司 | 通信线路巡检方法、设备与系统、计算机可读存储介质 |
CN111952884A (zh) * | 2020-08-28 | 2020-11-17 | 红相股份有限公司 | 一种高压线路的普查、复查检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751270A (zh) | 一种无人机电线故障检测方法、系统及设备 | |
US9852158B2 (en) | Dynamic adaptation of feature identification and annotation | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
KR102386221B1 (ko) | 풍력 발전기 블레이드 결함 인식/분석 장치 및 방법 | |
JP6294615B2 (ja) | 移動物体の検知および追跡のためのシステムおよび方法 | |
US20150262068A1 (en) | Event detection apparatus and event detection method | |
US9852019B2 (en) | System and method for abnormality detection | |
CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
US20170364742A1 (en) | Lip-reading recognition method and apparatus based on projection extreme learning machine | |
CN110570454A (zh) | 一种检测异物入侵的方法及装置 | |
US20240203097A1 (en) | Method and apparatus for training image processing model, and image classifying method and apparatus | |
US20230222647A1 (en) | Method and system for detecting change to structure by using drone | |
Gal | Automatic obstacle detection for USV’s navigation using vision sensors | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN117372928A (zh) | 一种视频目标检测方法、装置及相关设备 | |
CN116980963A (zh) | 电力无人机巡检流量卸载决策方法、系统、设备及介质 | |
CN112542800A (zh) | 一种输电线路故障识别的方法及其系统 | |
CN113221929A (zh) | 一种图像处理方法以及相关设备 | |
US20220343158A1 (en) | Method, device, and computer program for creating training data in a vehicle | |
CN111985269A (zh) | 检测模型构建方法、检测方法、装置、服务器及介质 | |
CN114360055A (zh) | 基于人工智能的行为检测方法、设备及存储介质 | |
CN113657286A (zh) | 一种基于无人机的输电线路监测方法及装置 | |
CN110969210A (zh) | 一种小慢目标的识别分类方法、装置、设备及存储介质 | |
CN111291597A (zh) | 一种基于图像的人群态势分析方法、装置、设备及系统 | |
CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |