CN111105398A - 一种基于可见光图像数据的输电线路部件裂纹检测方法 - Google Patents

一种基于可见光图像数据的输电线路部件裂纹检测方法 Download PDF

Info

Publication number
CN111105398A
CN111105398A CN201911320004.7A CN201911320004A CN111105398A CN 111105398 A CN111105398 A CN 111105398A CN 201911320004 A CN201911320004 A CN 201911320004A CN 111105398 A CN111105398 A CN 111105398A
Authority
CN
China
Prior art keywords
image
crack
component
detection
target
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
CN201911320004.7A
Other languages
English (en)
Inventor
赵李强
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.)
Kunming Enersun Technology Co Ltd
Original Assignee
Kunming Enersun Technology 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 Kunming Enersun Technology Co Ltd filed Critical Kunming Enersun Technology Co Ltd
Priority to CN201911320004.7A priority Critical patent/CN111105398A/zh
Publication of CN111105398A publication Critical patent/CN111105398A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种基于可见光图像数据的输电线路部件裂纹检测方法，步骤如下：步骤一，倾斜影像的获取；为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；步骤二，部件目标检测：将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；步骤三，部件目标分割；步骤四，部件裂纹检测；本发明提高了输电线路巡检的效率，降低了巡检人员的劳动强度和安全风险；同时也克服了目前激光点云数据不能够检测部件裂纹缺陷隐患的缺点。

Description

一种基于可见光图像数据的输电线路部件裂纹检测方法
技术领域
本发明属于电网系统输电线路缺陷检测技术领域，具体涉及一种基于可见光图像数据的输电线路部件裂纹检测方法。
背景技术
目前电网系统中的远距离输电部分都位于野外的自然环境中，输电系统的部件都暴露在风吹、日晒、雨淋等的条件下，这样导致输电线路上的部件非常容易发生各式各样的缺陷，而各种缺陷基本都是从裂纹缺陷开始的。为了保证电网系统的安全稳定运行，就必须对电网系统进行高密度的巡检，在部件缺陷还在早期的时候就将其发现阻止部件隐患演变位部件缺陷。目前输电线路巡检方法主要以人工巡检为主直升机巡检为辅，人工巡检输电线路部件裂纹缺陷存在工作效率低下，操作方法复杂费力，巡检人员面临的安全风险较大；直升机巡检主要是以激光点云数据为依据，而点云数据的分辨率非常低无法发现部件的裂纹缺陷。
发明内容
基于上述现有技术的不足，本发明提出了基于可见光数据的输电线路部件裂纹缺陷的检测方法，该方法通过主成分分析法(PCA)对输电线路部件裂纹缺陷进行自动检测，并实现无人机倾斜摄影获取高清影像数据。
本发明是通过如下技术方案来实现的。
一种基于可见光图像数据的输电线路部件裂纹检测方法，步骤如下：
步骤一：倾斜影像的获取
为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：部件目标检测
将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；
1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；
2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用深度神经网络物体检测模型(yolo-v3模型)作为目标检测模块，yolo-v3模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；
步骤三：部件目标分割
部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割；kmean算法自动分割出部件矩形框内有效的目标区域，去除背景信息对裂纹检测识别过程的干扰，该算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：
1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；
2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；
3)采用欧式距离(Euclidean distance)作为相似度计算的测度，欧式距离的计算公式如下所示：
Figure BDA0002326883210000021
其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；
步骤四：部件裂纹检测
从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；
将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：
Figure BDA0002326883210000031
对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；
Figure BDA0002326883210000032
Figure BDA0002326883210000033
公式(5)给出了图像信号重构的方法：
Figure BDA0002326883210000034
其中
Figure BDA0002326883210000035
是重构的图像信号，在得到重构的图像信号后，将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：
d＝|x-x'| (6)
裂纹判断条件如下所示：
Figure BDA0002326883210000036
Figure BDA0002326883210000037
其中：x,y为图像中的坐标值，T1为裂纹点判断阈值，count为图像中的裂纹点计数，T2为图像中存在裂纹的判断阈值。
在本发明中，采用无人机航拍采集输电线路部件的图像数据，使用深度神经网络模型来表达目标部件的特征并通过回归的思想定位和分类图像中的部件目标；使用kmean算法分割出图像中目标前景区域并使用PCA对图像进行变换和使用前90％的主成分对图像进行重构与原始图像做差分判断部件区域是否存在裂纹缺陷。
有益效果：本发明实现了一种通过计算机视觉技术自动检测识别输电线路部件裂纹缺陷的方法，提高了输电线路巡检的效率，降低了巡检人员的劳动强度和安全风险；同时本发明也克服了目前激光点云数据不能够检测部件裂纹缺陷隐患的缺点。
具体实施方式
一种基于可见光图像数据的输电线路部件裂纹检测方法，步骤如下：
步骤一：倾斜影像的获取
为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：部件目标检测
将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；
1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；
2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用yolo-v3作为目标检测模块，yolo-v3模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；
步骤三：部件目标分割
部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割，算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：
1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；
2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；
3)采用欧式距离(Euclidean distance)作为相似度计算的测度，欧式距离的计算公式如下所示：
Figure BDA0002326883210000041
其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；
步骤四：部件裂纹检测
从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；
将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：
Figure BDA0002326883210000051
对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；
Figure BDA0002326883210000052
Figure BDA0002326883210000053
公式(5)给出了图像信号重构的方法：
Figure BDA0002326883210000054
其中
Figure BDA0002326883210000055
是重构的图像信号，在得到重构的图像信号后，我们将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：
d＝|x-x'| (6)
裂纹判断条件如下所示：
Figure BDA0002326883210000061
Figure BDA0002326883210000062
其中：x,y为图像中的坐标值，T1为裂纹点判断阈值，count为图像中的裂纹点计数，T2为图像中存在裂纹的判断阈值。
以上所揭露的为本发明的优选实施例，不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (1)

1.一种基于可见光图像数据的输电线路部件裂纹检测方法，其特征在于，步骤如下：
步骤一：倾斜影像的获取
为了获取到输电线路部件的高分辨率可见光图像，通过深度神经网络物体检测模型检测出图像中包含的目标部件类别和精确的位置；采用无人倾斜摄影技术获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：部件目标检测
将部件裂纹检测算法思想划分为两个主要的过程：部件检测和裂纹检测；
1)部件检测是在航拍图像中检测出其包含的目标对象的类别和目标在图像中的具体位置，再将目标检测的结果输入到裂纹检测的过程中，这样能有效的减少裂纹检测算法的计算量；
2)裂纹检测是判断当前目标是否存在裂纹缺陷，采用深度神经网络物体检测模型作为目标检测模块，深度神经网络物体检测模型将基于图像的物体检测过程看作回归问题来解决，在检测时间和检测精度之间达到了很好的平衡；
步骤三：部件目标分割
部件目标检测算法只给出了包含目标物体的矩形框，在矩形框中包含两种像素点：前景像素点和背景像素点；在裂纹检测算法中则关注的是前景像素点区域，故需要对部件目标区域进行前景背景分割，使用kmean方法对目标区域进行聚类分割，算法的思想是先从样本集中随机选取k个样本点作为类中心，并计算所有样本与k个类中心的距离，每一个样本被划分到与其距离最近的类中，最后通过聚类后的样本子集更新每个类的中心；根据kmean的原理和部件图像分割的实际要求，kmean算法的要点如下：
1)类的个数k选为4，目标前景区域常常出现在图像的中心，这样背景区域就不再联通；
2)聚类的特征为每个像数点的R、G、B值和每个点在图像中的坐标x、y值，前景区域和背景区域在图像邻域内颜色和位置都连续；
3)采用欧式距离作为相似度计算的测度，欧式距离的计算公式如下所示：
Figure FDA0002326883200000011
其中：x代表图像区域中的某一个像素点；i代表的是第i个类，u代表类中心，C代表图像中像素的类别数量；
步骤四：部件裂纹检测
从频域的角度来分析部件上的裂纹缺陷，在频域中裂纹缺陷表现为高频部分；对原始输入图像做PCA变换后再使用前的90％分量重构图像就能够将高频的裂纹信息滤除，最后通过原始图像与重构图像做差分就可以提取到部件区域中的裂纹信息，进而判断部件是否包含裂纹缺陷；
将图像假设分辨率为n＝i*j，那么一张图像就构成了一个n维的特征向量；一个随机采样的图像样本数据集，各个特征之间必然存在n阶协方差矩阵A，该矩阵是一个实对称矩阵，如公式(2)所示：
Figure FDA0002326883200000021
对矩阵A进行相似对角化如公式(3)所示：其中p是对于特征值λ的特征向量组；由公式(4)在p张成的特征空间下，各个特征之间是线性非相关的；
Figure FDA0002326883200000022
Figure FDA0002326883200000023
公式(5)给出了图像信号重构的方法：
Figure FDA0002326883200000024
其中
Figure FDA0002326883200000025
是重构的图像信号，在得到重构的图像信号后，将原始信号与重建信号做差分得到差分图像d，如公式(6)所示：
d＝|x-x'| (6)
裂纹判断条件如下所示：
Figure FDA0002326883200000026
Figure FDA0002326883200000027
其中：x,y为图像中的坐标值，T1为裂纹点判断阈值，count为图像中的裂纹点计数，T2为图像中存在裂纹的判断阈值。
CN201911320004.7A 2019-12-19 2019-12-19 一种基于可见光图像数据的输电线路部件裂纹检测方法 Pending CN111105398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911320004.7A CN111105398A (zh) 2019-12-19 2019-12-19 一种基于可见光图像数据的输电线路部件裂纹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911320004.7A CN111105398A (zh) 2019-12-19 2019-12-19 一种基于可见光图像数据的输电线路部件裂纹检测方法

Publications (1)

Publication Number Publication Date
CN111105398A true CN111105398A (zh) 2020-05-05

Family

ID=70422983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911320004.7A Pending CN111105398A (zh) 2019-12-19 2019-12-19 一种基于可见光图像数据的输电线路部件裂纹检测方法

Country Status (1)

Country Link
CN (1) CN111105398A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785548A (zh) * 2020-12-29 2021-05-11 中央财经大学 一种基于车载激光点云的路面裂缝检测方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114414660A (zh) * 2022-03-18 2022-04-29 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法
CN114820777A (zh) * 2021-03-24 2022-07-29 北京大成国测科技有限公司 无人机三维数据前端处理方法、装置及无人机

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130216089A1 (en) * 2010-04-22 2013-08-22 The University Of North Carolina At Charlotte Method and System for Remotely Inspecting Bridges and Other Structures
CN107180224A (zh) * 2017-04-10 2017-09-19 华南理工大学 基于时空滤波和联合空间Kmeans的手指运动检测与定位方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN109671064A (zh) * 2018-12-14 2019-04-23 大连理工大学 一种工业零部件表面裂纹的多目标检测方法
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
CN110309865A (zh) * 2019-06-19 2019-10-08 上海交通大学 一种无人机巡视输电线路销钉缺陷分级图像识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130216089A1 (en) * 2010-04-22 2013-08-22 The University Of North Carolina At Charlotte Method and System for Remotely Inspecting Bridges and Other Structures
CN107180224A (zh) * 2017-04-10 2017-09-19 华南理工大学 基于时空滤波和联合空间Kmeans的手指运动检测与定位方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN109671064A (zh) * 2018-12-14 2019-04-23 大连理工大学 一种工业零部件表面裂纹的多目标检测方法
CN110309865A (zh) * 2019-06-19 2019-10-08 上海交通大学 一种无人机巡视输电线路销钉缺陷分级图像识别方法
CN110288586A (zh) * 2019-06-28 2019-09-27 昆明能讯科技有限责任公司 一种基于可见光图像数据的多尺度输电线路缺陷检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
KAI YAN, QIAN DONG, TINGTING SUN, MING ZHANG, AND SIYUAN ZHANG: "Weld Defect Detection based on Completed Local Ternary Patterns.", 《IN PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON VIDEO AND IMAGE PROCESSING 》 *
KAI YAN, QIAN DONG, TINGTING SUN, MING ZHANG, AND SIYUAN ZHANG: "Weld Defect Detection based on Completed Local Ternary Patterns.", 《IN PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON VIDEO AND IMAGE PROCESSING 》, 31 December 2017 (2017-12-31) *
贺振东,王耀南,刘洁,等: "基于背景差分的高铁钢轨表面缺陷图像分割", 《仪器仪表学报》 *
贺振东,王耀南,刘洁,等: "基于背景差分的高铁钢轨表面缺陷图像分割", 《仪器仪表学报》, vol. 2016, no. 3, 31 March 2016 (2016-03-31), pages 643 - 645 *
陈素根,尹贺峰: "基于白化PCA图像重构的特征补偿人脸识别新方法", 《计算机应用研究》 *
陈素根,尹贺峰: "基于白化PCA图像重构的特征补偿人脸识别新方法", 《计算机应用研究》, vol. 2015, no. 9, 30 September 2015 (2015-09-30), pages 2853 - 2856 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785548A (zh) * 2020-12-29 2021-05-11 中央财经大学 一种基于车载激光点云的路面裂缝检测方法
CN114820777A (zh) * 2021-03-24 2022-07-29 北京大成国测科技有限公司 无人机三维数据前端处理方法、装置及无人机
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN113989280B (zh) * 2021-12-28 2022-03-22 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114414660A (zh) * 2022-03-18 2022-04-29 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法
CN114414660B (zh) * 2022-03-18 2024-01-12 盐城工学院 一种铁路车辆轮对的轴号和裂纹识别方法

Similar Documents

Publication Publication Date Title
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111105398A (zh) 一种基于可见光图像数据的输电线路部件裂纹检测方法
CN109871799B (zh) 一种基于深度学习的驾驶员玩手机行为的检测方法
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测系统
WO2018076138A1 (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN111292321A (zh) 一种输电线路绝缘子缺陷图像识别方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
Cheng et al. Image segmentation technology and its application in digital image processing
CN111968171A (zh) 基于人工智能的飞机油量测量方法及系统
CN115311241B (zh) 一种基于图像融合和特征增强的煤矿井下行人检测方法
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN116758045B (zh) 一种半导体发光二极管的表面缺陷检测方法及系统
CN113033385A (zh) 一种基于深度学习的违章建筑遥感识别方法及系统
CN116433629A (zh) 一种基于GA-Unet的机场道面缺陷识别方法
Jackson et al. Runway detection in High Resolution remote sensing data
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
CN112884795A (zh) 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法
CN117152706A (zh) 飞机飞行跑道积水识别方法、装置与系统
CN111428752B (zh) 一种基于红外图像的能见度检测方法
CN111931577A (zh) 一种电网线路特定异物智能巡检方法
Guo et al. Fault diagnosis of power equipment based on infrared image analysis
CN109558771B (zh) 海上船舶的行为状态识别方法、装置、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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200505