CN111429419B - 一种基于混合蚁群算法的绝缘子轮廓检测方法 - Google Patents
一种基于混合蚁群算法的绝缘子轮廓检测方法 Download PDFInfo
- Publication number
- CN111429419B CN111429419B CN202010197248.7A CN202010197248A CN111429419B CN 111429419 B CN111429419 B CN 111429419B CN 202010197248 A CN202010197248 A CN 202010197248A CN 111429419 B CN111429419 B CN 111429419B
- Authority
- CN
- China
- Prior art keywords
- insulator
- cluster
- iteration
- value
- 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.)
- Active
Links
Images
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
-
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于混合蚁群算法的绝缘子轮廓检测方法,包括以下步骤:将目标绝缘子图像进行灰度归一化,生成灰度直方图对其进行线性拉伸和噪声滤波处理;将蚁群聚类算法用于绝缘子图像分割,同时将粒子群算法用于聚类中心数和半径的参数优化。本发明可以准确分割目标绝缘子图像,对绝缘子的故障检测提供支持,保障电力系统的正常运行。
Description
技术领域
本发明属于绝缘子图像识别技术领域,具体涉及一种基于混合蚁群算法的绝缘子轮廓检测方法。
背景技术
当前,我国电网规模持续扩大,绝缘子作为电力系统中的故障多发器件,一定程度上决定着输电线路是否可以安全运行,因此,作为对绝缘子运行状态检测的前提,绝缘子的轮廓检测一直都是研究的热点;传统的绝缘子轮廓检测方法通常是地面目测法,这种方法不仅准确率低,而且耗费大量的时间成本和人力物力;近年来,随着无人机技术和图像识别技术的不断发展,无人机巡检在电力系统中的应用逐渐普及,通过无人机拍摄的图像进行绝缘子轮廓检测具有识别成功率高、节省人力物力以及可以应用于复杂环境等优点,但无人机拍摄的绝缘子图像通常分辨率低、噪声大,传统的图像分割方法精度和适用性方面都受到了限制。
随着人工智能的不断发展,多种智能算法可以应用于绝缘子轮廓检测技术中。在众多算法中,蚁群算法因其较强的搜索能力,在图像分割领域效果较好,但是其算法性能受初始参数影响较大,而初始参数又通常是由大量实验参数修正得到的,有较大的不确定性。
发明内容
本发明提供了一种基于混合蚁群算法的绝缘子轮廓检测方法,该方法将粒子群算法应用于蚁群算法的参数优化上,可以直接获得蚁群算法的最优参数;利用觅食型蚁群聚类算法进行图像分割,从而实现绝缘子的轮廓检测。
为达到上述目的,本发明所述一种基于混合蚁群算法的绝缘子轮廓检测方法,包括以下步骤:
步骤1:采集绝缘子图像;
步骤2:将步骤1采集的绝缘子图像按下式进行灰度化,得到灰度图像;
步骤3:对粒子群算法涉及的参数进行初始化,需要初始化的参数包括惯性权重值ω、最大迭代次数M、每个粒子的初始位置xiS=(xiS1,xiS2)和初始速度viS(t)、粒子的个体学习因子c1,粒子的社会学习因子c2;
步骤4、使用蚁群算法计算每个粒子对应的自适应函数值和个体极值PiS(t);
步骤5:根据步骤4得到的每个粒子对应的自适应函数值更新个体极值与全局最优解PgS;
步骤6:步骤3初始化的参数和根据步骤4得到的个体极值PiS(t)和步骤5得到全局最优解PgS,按照下式更新粒子的位置与速度:
viS(t+1)=ωviS(t)+c1r1S(t)[PiS(t)-xiS(t)]+c2r2S(t)[PgS(t)-xiS(t)];
xiS(t+1)=xiS(t)+viS(t+1);
其中,r1S与r2S是[0,1]上服从均匀分布的伪随机数,PiS(t)为更新前的个体极值;viS(t+1)为更新后的速度,xiS(t+1)为更新后的位置;
步骤7:判断当前迭代次数是否大于步骤3设置的最大迭代次数M,若满足则输出全局最优解PgS;否则,重复步骤4-步骤6继续进行迭代,直至迭代结束,并输出全局最优解PgS,PgS=(PgS1,PgS2),由此得到最优聚类中心数cbest=PgS1和最优聚类半径rbest=PgS2;
步骤8:根据步骤7中得到的最优聚类中心数cbest和最优聚类半径rbest求出每一类的像素灰度值的平均值Ti,再分别计算相邻两类的灰度平均值Tij,将Tij作为阈值,将步骤2得到的目标图像的灰度图转化为二值图像:二值图像中灰度值大于Tij的像素点的灰度值变为1,否则变为0,由此得到图像分割后的绝缘子轮廓。
进一步的,在进行步骤8之前,生成步骤2得到的灰度图像的灰度直方图,并对绝缘子灰度直方图进行拉伸。
进一步的,将拉伸后的灰度直方图中的噪声进行滤波处理后再进行步骤8。
进一步的,步骤3中,粒子的个体学习因子c1=粒子的社会学习因子c2。
进一步的,步骤4包括以下步骤:
步骤4.1、初始化蚁群算法相关参数:包括样本点数量(即蚂蚁数量)m、信息素相对权重参数α、启发信息的相对权重参数β、最大迭代次数N1、信息素挥发系数ρ、聚类中心数c=xiS1(t)、聚类半径r=xiS2(t)、初始迭代次数l=0、初始时刻t=0、各路径信息素浓度以及初始聚类中心
步骤4.2、计算样本点到初始聚类中心的距离:
其中,mi (l)代表第l次迭代后聚类i包含的样本点数,Vi (l)代表属于聚类i的所有样本点的集合;
步骤4.6、判断l+1和粒子数N的大小关系,若l+1≤N,则返回步骤4.4;否则,统计聚类间所有样本点的像素值和蚂蚁数,并计算每一个聚类的像素灰度平均值Ti和目标灰度图的灰度平均值T,计算公式如下:
其中,mi为迭代完成后聚类i包含的样本点数目,Vi为迭代完成后属于聚类i的所有样本点的集合,tk为样本点xk的灰度值;
进一步的,步骤5中,更新个体极值与全局最优解的计算公式如下:
其中,PiS(t+1)为更新后的个体极值,PiS(t)为更新前的个体极值,f(PiS(t))为更新前的个体极值所对应的自适应函数值,f(xiS(t+1))为粒子xiS所对应的自适应函数值,PgS为更新后的全局最优解,f(PgS)为全局最优解对应的自适应函数值。
与现有技术相比,本发明至少具有以下有益的技术效果:
本发明首先绝缘子图像进行灰度化,将觅食型蚁群聚类算法运用于绝缘子图像分割中,用粒子群算法优化聚类中心数目和聚类半径的取值,输出图像分割结果,从而实现绝缘子轮廓检测。
进一步的,本发明将目标绝缘子图像进行灰度归一化,生成灰度直方图对其进行线性拉伸和噪声滤波处理;将蚁群聚类算法用于绝缘子图像分割,同时将粒子群算法用于聚类中心数和半径的参数优化,可以准确分割目标绝缘子图像,对绝缘子的故障检测提供支持,保障电力系统的正常运行。
进一步的,本发明粒子群算法参数设置简单,局部和全局调节能力都很出色,空间搜索能力强大,将蚁群算法应用于图像分割领域时,因其自身的正反馈机制,具有强大的搜索能力,粒子群算法的应用解决了蚁群算法的参数设置问题,大大缩短了蚁群算法参数寻优的工作量,并且对于不同的绝缘子图像具有更强的适应性,绝缘子图像边缘普遍较为清晰完整,提高了绝缘子轮廓的定位准确度。
附图说明
图1为目标绝缘子图像的灰度图;
图2为经过图像分割的结果。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例,对本发明进行进一步的详细说明,此处所描述的具体实施例仅用于解释本发明,并非用于限定本发明。
本发明提出一种基于混合蚁群算法的绝缘子轮廓检测方法,利用蚁群算法进行目标绝缘子图像分割,同时利用粒子群算法进行参数优化,对提高绝缘子轮廓检测的准确率和适应性有一定意义。
一种基于混合蚁群算法的绝缘子轮廓检测方法,包括以下步骤:
步骤1:采集绝缘子图像;
步骤2:将步骤1采集的绝缘子图像按下式进行灰度化,得到灰度图像;
其中,Xi表示第i张图像,Xi(R)表示第i张图像的红色分量,Xi(G)表示第i张图像的绿色分量,Xi(B)表示第i张图像的蓝色分量;
步骤3:生成灰度图像的灰度直方图,按以下公式对绝缘子灰度直方图进行拉伸,从而对图片达到增强的效果:
上式中,g(x,y)为坐标为(x,y)的点经过拉伸后的灰度值,由此可以将灰度图像的某一灰度范围[a,b]线性扩展为灰度范围[c,d],f(x,y)为坐标为(x,y)的点的原始灰度值;
步骤4:对步骤3拉伸后的灰度直方图中的噪声进行滤波处理,以增强图像信噪比;
步骤5:对粒子群算法涉及的参数进行初始化,需要初始化的参数包括搜索空间维度S=2、粒子数N=40、惯性权重值ω=0.7、系统学习因子c1=c2=1.4995、最大迭代次数M=100以及每个粒子的初始位置xiS(t)和初始速度viS(t),系统学习因子c1一般用于调节粒子飞向自身极值方向的步长,系统学习因子c2则负责调节粒子飞翔全局最优解的步长,当c1=c2时,可以简化计算;
步骤6、使用蚁群算法计算每个粒子对应的自适应函数值,具体步骤如下:
步骤6.1、初始化蚁群算法相关参数:包括样本点数量(即蚂蚁数量)m、信息素相对权重参数α=0.9、启发信息的相对权重参数β=0.8、最大迭代次数N1=100、信息素挥发系数ρ=0.9、聚类中心数c=xiS1(t)、聚类半径r=xiS2(t)、初始迭代次数l=0、初始时刻t=0、各路径信息素浓度以及初始聚类中心
步骤6.2、计算样本点到初始聚类中心的距离:
步骤6.3、每个样本点设置一只蚂蚁,聚类中心数c=xiS1(t)、聚类半径r=xiS2(t),计算各路径上的信息素:
其中,K代表蚂蚁k下一步可以选择的样本点下标的集合,代表t时刻蚂蚁k由xk到的启发信息,α代表信息素相对权重参数,β代表启发信息的相对权重参数。用于衡量样本点xk应属于哪一个聚类中心,即对全体聚类中心,求出样本点xk归属于聚类中心的概率,并将概率最大值所对应的聚类中心所在聚类作为样本点xk应归属的聚类。如果样本点xk到两个聚类中心路径上的信息素浓度相同,那么样本点xk应归属于哪个聚类取决于其启发信息,即到两个聚类中心的距离,样本点xk应归属于距离最短的聚类中心所在的聚类,这点在步骤6.6中有应用。
其中,mi (l)代表第l次迭代后聚类i包含的样本点数,Vi (l)代表属于聚类i的所有样本点的集合;
步骤6.7、判断l+1和粒子数N的大小关系,若l+1≤N,则返回步骤6.4;否则,统计聚类间所有样本点的像素值和蚂蚁数,从而计算每一个聚类的像素灰度平均值和目标灰度图的灰度平均值,计算方法如下:
其中,Ti代表聚类i的所包含的样本点的像素灰度平均值,mi代表迭代完成后聚类i包含的样本点数目,Vi代表迭代完成后属于聚类i的所有样本点的集合,tk代表样本点xk的灰度值,T代表整个目标绝缘子图像灰度图的灰度平均值;
步骤6.8、计算聚类间的方差作为粒子的自适应函数值:
其中,σ2为类间方差;
步骤7:更新个体极值与全局最优解,每个粒子视为一个个体,个体极值指的就是单个粒子在搜索过程中找到的使其自适应函数值最大的点,对应的位置即为个体极值点,计算方法如下:
其中,PiS(t+1)代表更新后的个体极值,PiS(t)代表更新前的个体极值,f(PiS(t))代表更新前的个体极值所对应的自适应函数值,f(xiS(t+1))代表粒子xiS所对应的自适应函数值,PgS代表更新后的全局最优解,f(PgS)代表全局最优解对应的自适应函数值;
步骤8:更新粒子的位置与速度,公式如下:
viS(t+1)=ωviS(t)+c1r1S(t)[PiS(t)-xiS(t)]+c2r2S(t)[PgS(t)-xiS(t)]
xiS(t+1)=xiS(t)+viS(t+1)
其中,r1S与r2S是[0,1]上服从均匀分布的伪随机数,彼此之间相互独立。viS(t+1)为更新后的速度,xiS(t+1)为更新后的位置,ω为惯性因子,c1为每个粒子的个体学习因子,c2为粒子的社会学习因子,c1和c2统称为系统学习因子;
使用粒子群算法优化的目的是寻找蚁群聚类算法中的两个最优参数,即聚类中心数c以及聚类半径r,因此将这两个量形成一个数组(c,r)作为粒子的位置坐标xiS=(xiS1,xiS2)=(c,r),不同的取值对应着不同的粒子位置。粒子群算法就是在不断更新粒子位置,看哪一个位置上可以使自适应函数值最大,此时粒子位置对应着一组(c,r),为最优的参数取值。
更新完的粒子速度用于找到新的粒子位置;更新完的粒子位置在下一轮迭代中用于继续计算对应的自适应函数值。
步骤9:判断当前迭代次数是否大于最大迭代次数M,若满足则输出结果PgS;否则,重复步骤6-步骤8继续进行迭代,直至迭代结束,此时,可以得到全局最优解PgS,PgS=(PgS1,PgS2),由此得到最优聚类中心数cbest=PgS1=108.127,最优聚类半径rbest=PgS2=19.89;
步骤10:将步骤9中得到的最优聚类中心数cbest和聚类半径rbest带入步骤6中,并由6.7求出每一类的像素灰度值的平均值Ti,再分别计算相邻两类的灰度平均值将此值作为阈值,将目标图像的灰度图转化为二值图像:图像中灰度值大于Tij的像素点的灰度值变为1,否则变为0,由此得到图像分割后的绝缘子轮廓,图像边缘清晰完整,分割效果好。
步骤5-10中,将蚁群聚类算法用于绝缘子图像分割,同时将粒子群算法用于聚类中心数和半径的参数优化。
xiS是一对(c,r)的取值,代表一个粒子位置,每进行一次迭代(步骤6-步骤8)就会得到这个粒子位置所对应的自适应函数值,由此在步骤7可以更新两个量,一是每个粒子在搜索过程中(多次迭代中)这个粒子的自适应函数值最大的那个时刻对应的粒子位置,这个位置被称为个体极值PiS(t+1),步骤7的第一个公式给出了粒子i个体极值的更新方法;二是全体粒子的个体极值中使其对应自适应函数值最大的那个值,也是某个粒子的粒子位置,被称为全局最优解PgS,步骤7的第二个公式此次迭代的全局最优解的更新方法,可以看出,全局最优解PgS也是一个位置。
以上两个量在每次迭代中进行更新。简而言之,全局最优解PgS是所有粒子中最优的个体极值PiS,个体极值PiS是单个粒子中最优的粒子位置xiS,PgS和PiS都是一个位置量,因此在进行M次迭代后得到的PgS就是所有粒子在全部迭代过程中搜寻到的使自适应函数值最大的粒子位置,此时PgS1=cbest,PgS2=rbest,即得到了最优的参数c和r。图1为目标绝缘子图像的灰度图,图2为经过图像分割的结果,可以看到输出图像边缘较为清晰完整,定位准确,分割效果较好。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种基于混合蚁群算法的绝缘子轮廓检测方法,其特征在于,包括以下步骤:
步骤1:采集绝缘子图像;
步骤2:将步骤1采集的绝缘子图像按下式进行灰度化,得到灰度图像;
步骤3:对粒子群算法涉及的参数进行初始化,需要初始化的参数包括惯性权重值ω、最大迭代次数M、每个粒子的初始位置xiS=(xiS1,xiS2)和初始速度viS(t)、粒子的个体学习因子c1,粒子的社会学习因子c2;
步骤4、使用蚁群算法计算每个粒子对应的自适应函数值和个体极值PiS(t);
步骤5:根据步骤4得到的每个粒子对应的自适应函数值更新个体极值与全局最优解PgS;
步骤6:步骤3初始化的参数和根据步骤4得到的个体极值PiS(t)和步骤5得到全局最优解PgS,按照下式更新粒子的位置与速度:
viS(t+1)=ωviS(t)+c1r1S(t)[PiS(t)-xiS(t)]+c2r2S(t)[PgS(t)-xiS(t)];
xiS(t+1)=xiS(t)+viS(t+1);
其中,r1S与r2S是[0,1]上服从均匀分布的伪随机数,PiS(t)为更新前的个体极值;viS(t+1)为更新后的速度,xiS(t+1)为更新后的位置;
步骤7:判断当前迭代次数是否大于步骤3设置的最大迭代次数M,若满足则输出全局最优解PgS;否则,重复步骤4-步骤6继续进行迭代,直至迭代结束,并输出全局最优解PgS,PgS=(PgS1,PgS2),由此得到最优聚类中心数cbest=PgS1和最优聚类半径rbest=PgS2;
步骤8:根据步骤7中得到的最优聚类中心数cbest和最优聚类半径rbest求出每一类的像素灰度值的平均值Ti,再分别计算相邻两类的灰度平均值Tij,将Tij作为阈值,将步骤2得到的目标图像的灰度图转化为二值图像:二值图像中灰度值大于Tij的像素点的灰度值变为1,否则变为0,由此得到图像分割后的绝缘子轮廓;
所述步骤4包括以下步骤:
步骤4.1、初始化蚁群算法相关参数:包括样本点数量(即蚂蚁数量)m、信息素相对权重参数α、启发信息的相对权重参数β、最大迭代次数N1、信息素挥发系数ρ、聚类中心数c=xiS1(t)、聚类半径r=xiS2(t)、初始迭代次数l=0、初始时刻t=0、各路径信息素浓度以及初始聚类中心
步骤4.2、计算样本点到初始聚类中心的距离:
其中,mi (l)代表第l次迭代后聚类i包含的样本点数,Vi (l)代表属于聚类i的所有样本点的集合;
步骤4.6、判断l+1和粒子数N的大小关系,若l+1≤N,则返回步骤4.4;否则,统计聚类间所有样本点的像素值和蚂蚁数,并计算每一个聚类的像素灰度平均值Ti和目标灰度图的灰度平均值T,计算公式如下:
其中,mi为迭代完成后聚类i包含的样本点数目,Vi为迭代完成后属于聚类i的所有样本点的集合,tk为样本点xk的灰度值;
2.根据权利要求1所述的一种基于混合蚁群算法的绝缘子轮廓检测方法,其特征在于,在进行步骤8之前,生成步骤2得到的灰度图像的灰度直方图,并对绝缘子灰度直方图进行拉伸。
3.根据权利要求2所述的一种基于混合蚁群算法的绝缘子轮廓检测方法,其特征在于,将拉伸后的灰度直方图中的噪声进行滤波处理后再进行步骤8。
4.根据权利要求1所述的一种基于混合蚁群算法的绝缘子轮廓检测方法,其特征在于,所述步骤3中,粒子的个体学习因子c1=粒子的社会学习因子c2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010197248.7A CN111429419B (zh) | 2020-03-19 | 2020-03-19 | 一种基于混合蚁群算法的绝缘子轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010197248.7A CN111429419B (zh) | 2020-03-19 | 2020-03-19 | 一种基于混合蚁群算法的绝缘子轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429419A CN111429419A (zh) | 2020-07-17 |
CN111429419B true CN111429419B (zh) | 2023-04-07 |
Family
ID=71546499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010197248.7A Active CN111429419B (zh) | 2020-03-19 | 2020-03-19 | 一种基于混合蚁群算法的绝缘子轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429419B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241722A (zh) * | 2020-11-18 | 2021-01-19 | 河南工业大学 | 一种基于蚁群算法的南极海冰遥感图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160669A (zh) * | 2015-08-21 | 2015-12-16 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7599894B2 (en) * | 2005-03-04 | 2009-10-06 | Hrl Laboratories, Llc | Object recognition using a cognitive swarm vision framework with attention mechanisms |
-
2020
- 2020-03-19 CN CN202010197248.7A patent/CN111429419B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160669A (zh) * | 2015-08-21 | 2015-12-16 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
Non-Patent Citations (2)
Title |
---|
基于蚁群模糊聚类算法的图像边缘检测;苗京等;《武汉大学学报(工学版)》;20051030(第05期);全文 * |
航拍图像中绝缘子缺陷的检测与定位;方挺等;《计算机科学》;20160615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111429419A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN111640125A (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN113420643B (zh) | 基于深度可分离空洞卷积的轻量级水下目标检测方法 | |
CN110796048A (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN109801295B (zh) | 基于二次限制区域生长法的图像分割方法 | |
CN111914720B (zh) | 一种输电线路绝缘子爆裂识别方法及装置 | |
CN111310756A (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN109668567B (zh) | 无人机多云条件下偏振光定向方法、系统及偏振光传感器 | |
CN111539422B (zh) | 基于Faster RCNN的飞行目标协同识别方法 | |
CN112784869B (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
CN111368935A (zh) | 一种基于生成对抗网络的sar时敏目标样本增广方法 | |
CN114092793B (zh) | 适用于复杂水下环境的端到端生物目标检测方法 | |
CN112149721A (zh) | 一种基于主动学习降低标注需求的目标检测方法 | |
CN111414954A (zh) | 一种岩石图像检索方法及其系统 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
CN111429419B (zh) | 一种基于混合蚁群算法的绝缘子轮廓检测方法 | |
CN115908924A (zh) | 一种基于多分类器的小样本高光谱图像语义分割方法及系统 | |
CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
CN115292532A (zh) | 基于伪标签一致性学习的遥感图像域适应检索方法 | |
CN113989631A (zh) | 一种基于卷积神经网络的红外图像目标检测网络压缩方法 | |
CN112288084A (zh) | 一种基于特征图通道重要性程度的深度学习目标检测网络压缩方法 |
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 |