CN111444857A - 无人机巡检数据处理方法 - Google Patents
无人机巡检数据处理方法 Download PDFInfo
- Publication number
- CN111444857A CN111444857A CN202010235606.9A CN202010235606A CN111444857A CN 111444857 A CN111444857 A CN 111444857A CN 202010235606 A CN202010235606 A CN 202010235606A CN 111444857 A CN111444857 A CN 111444857A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- value
- equipment
- processing method
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
Abstract
本发明提供了一种无人机巡检数据处理方法,属于数据处理技术领域,包括以下步骤:首先读取无人机拍摄的图像、并提取无人机拍摄的图像中拍有实地设备的关键区域,获得关键区域的特征数据;其次,判断提取的所述实地设备的类型,将所述实地设备的关键区域的数据特征与标准设备图像的特征数据进行对比;若不相匹配,则判断为无效图片;若匹配,则进一步判断实地设备是否存在故障;将与所述实地设备匹配的标准设备类型的故障类型数据与对应的实地设备的特征数据进行对比:若所述实地设备的特征数据超出故障类型数据的标准范围,则通报故障。本发明提供的无人机巡检数据处理方法,无人机拍摄数据的自动处理,提高了设备巡检的效率。
Description
技术领域
本发明属于数据处理技术领域,更具体地说,是涉及一种无人机巡检数据处理方法。
背景技术
在电力传输网络中,输变电线路发挥着重要的作用,承担着电力能源传输的任务。伴随着经济的高速发展,超大规模、距离跨度大的输变电网络将越来越多。在长期的运行中,输变电线路和设备将受到强风、雷雨、冰霉、覆冰等恶劣天气的影响,相关设备和传输路线可能会受到损坏,影响电力传输网络的正常运行,严重的会造成大面积停电事故的发生。因而需要定期对电路进行巡检。传统的人工巡检方式效率低、强度高且代价巨大,特别是髙压线路,容易威胁到人身安全。虽然无人机巡检方式进入人们视线,但是无人机拍摄画面较为复杂、设备问题类型较多,因此对无人机拍摄的数据自动处理困难,多采用人工观看的方式进行问题识别,效率依旧不高。
发明内容
本发明的目的在于提供一种无人机巡检数据处理方法,旨在解决无人机巡检拍摄的数据采用人工识别检查的方式,效率不高的问题。
为实现上述目的,本发明采用的技术方案是:提供一种无人机巡检数据处理方法,包括以下步骤:
S01、读取无人机拍摄的图像、并提取无人机拍摄的图像中拍有实地设备的关键区域,获得关键区域的特征数据;
S02判断提取的所述实地设备的类型,将所述实地设备的关键区域的数据特征与标准设备图像的特征数据进行对比;
若不相匹配,则判断为无效图片,结束程序;
若匹配,则进一步判断实地设备是否存在故障;
S03判断实地设备是否存在故障及故障类型,将与所述实地设备匹配的标准设备类型的故障类型数据与对应的实地设备的特征数据进行对比:
若所述实地设备的特征数据超出故障类型数据的标准范围,则通报故障;所述实地设备的特征数据超出故障类型数据的标准范围,则显示正常。
作为本申请另一实施例,通过评价因子两两比较矩阵提取无人机拍摄的图像中拍有实地设备的关键区域,所述评价因子根据所有无人机拍摄图片中实地设备的共同特性确定,对评价因子根据重要程度进行两两比较,形成两两比较矩阵;
设有n个评价因子,每个m个级别,则形成的比较矩阵为
A=[aij]
其中i=1,2,3…n;j=1,2,3…n。
作为本申请另一实施例,识别并提取无人机拍摄的图像中拍有实地设备的关键区域包括以下步骤:
(1)对无人机拍摄的图像进行预处理;
(2)根据比较矩阵A求取各评价因子所占有的权重,根据各评价因子的权重对预处理后的图像上相邻点间的差异度进行计算、比较,得到所述实地设备的关键区域轮廓;
(3)利用最大类间方差法对差异化处理后的图像进行分割、提取。
作为本申请另一实施例,对无人机拍摄的图像通过以下方法进行预处理:
(1)对任一像素点(i,j),以像素点(i,j)为中心,取尺寸为d×d的局部窗口,通过计算确定像素点(i,j)的阈值为T(i,j);
(2)将像素点(i,j)的像素值I(i,j)与像素点(i,j)的阈值T(i,j)对比:
若I(i,j)小等于T(i,j),则I(i,j)值为0;若I(i,j)大等T(i,j),则I(i,j)值为255。
作为本申请另一实施例,像素点(i,j)的阈值为T(i,j)通过下述公式计算:
T(i,j)=m(i,j)+k×σ(i,j)
其中,i和j的取值均为正整数,m(i,j)为局部窗口像素的平均值;σ(i,j)为局部窗口像素的方差,k为调整系数;具体表达公式如下:
作为本申请另一实施例,评价因子的权重计算过程如下:
(1)确定评价因子的隶属函数,到隶属函数矩阵B;
(2)由比较矩阵A与隶属函数矩阵B计算评价因子聚类矩阵C;
(3)计算评价因子聚类矩阵C的最大特征值对应的特征向量,所述特征向量即为评价因子的权重向量;
(4)对权重向量进行归一化得到W=(w1,w2,...,wn)T,根据向量W计算每个评价因子的权重θi。
作为本申请另一实施例,权重θi通过下述公式计算:
其中,i取1、2…n。
作为本申请另一实施例,隶属函数为
其中,Spqmin、Spqmax分别为评价因子p的第q个级别的下限标准值和上限标准值,其中p取1、2…n,q取1、2…m;x为与评价因子p对应的待处理图像的特征数据;
若fpq(x)出现负值,则作为0处理,即隶属函数不能为负值,且在0-1之间。
作为本申请另一实施例,隶属函数矩阵B=[fpq(x)]。
作为本申请另一实施例,评价因子聚类矩阵C计算方法为:
如果n与m的值相同的时,则评价因子聚类矩阵C表达式为:
C=A×B
如果n值大于m值的话,则相应添加零元素,使B成为一个n×n矩阵,记为B′,那么C表达式为:
C=A×B’
如果n值小于m值的话,则在m中选择n个相邻级别构造隶属函数。
本发明提供的无人机巡检数据处理方法的有益效果在于:与现有技术相比,本发明无人机巡检数据处理方法通过对无人机拍摄的图像进行处理,提取出拍摄有实地设备的关键区域,将提取出的实地设备的关键区域的数据特征,将这些数据特征与标准设备图像的数据进行对比判断出实地设备的设备类型,然后进一步与设备故障类型的数据特征进行对比,从而确定实地设备是否存在故障,实现了无人机拍摄数据的自动处理,提高了设备巡检的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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为本发明实施例提供的无人机巡检数据处理方法的流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请一并参阅图1,现对本发明提供的无人机巡检数据处理方法进行说明。所述无人机巡检数据处理方法,包括以下步骤:
S01、读取无人机拍摄的图像、并提取无人机拍摄的图像中拍有实地设备的关键区域,获得关键区域的特征数据;
S02判断提取的所述实地设备的类型,将实地设备的关键区域的数据特征与标准设备图像的特征数据进行对比;
若实地设备的关键区域的数据特征与标准设备图像的特征数据不相匹配,则判断为无效图片,结束程序;
若所述实地设备的关键区域的数据特征与标准设备图像的特征数据匹配,则进一步判断实地设备是否存在故障;
S03判断实地设备是否存在故障及故障类型,将与所述实地设备匹配的标准设备类型的故障类型数据与对应的实地设备的特征数据进行对比;
若所述实地设备的特征数据超出故障类型数据的标准范围,则通报故障;所述实地设备的特征数据超出故障类型数据的标准范围,则显示正常。
本发明提供的无人机巡检数据处理方法,与现有技术相比,本发明无人机巡检数据处理方法通过对无人机拍摄的图像进行处理,提取出拍摄有实地设备的关键区域,将提取出的实地设备的关键区域的数据特征,将这些数据特征与标准设备图像的数据进行对比判断出实地设备的设备类型,然后进一步与设备故障类型的数据特征进行对比,从而确定实地设备是否存在故障,实现了无人机拍摄数据的自动处理,提高了设备巡检的效率。
本实施例中,无人机拍摄的图像可通过无线网络传输等方式传递至数据库中进行图像处理。输变电系统设备主要包括基本电气设备和保护设备。
输变电系统的基本电气设备主要有导线、变压器、开关设备、高压绝缘子等。此类设备外界因素导致故障居多,主要因为雷击、风偏、污闪、覆冰、鸟害等原因造成的皮损、腐蚀。例如杆塔上有鸟窝、输电线路线路变形、绝缘子破损、发热等。
保护设备主要有互感器、继电保护装置、避雷器、高压开关等。电流超过一定值时切断电路的熔断器以及为了确保高压电气设备检修时安全接地的接地开关等都属于高压开关。当通过设备的电流超过极限值时或设备局部存在故障时,断路器、负荷开关、隔离开关等均会出现发热、发出异常声音及温度分布不均等异常现象。
综上所述,对于外部的变形、破损、鸟窝等故障通过将故障类型的特征数据保存在数据库中,确定好设备类型后,将故障类型的数据与提取的设备关键区域的数据特征对比,确定设备故障。其次因为部分设备需要通过温度进行判断是否存在故障,无人机才进行巡检拍摄时同步采集图像对应点的温度,此温度作为设备关键区域的特征数据的一部分,方便后续的故障识别。
同时,无人机拍摄时应保证无人机巡检拍摄的角度每次都统一,从而方便对拍摄的图像进行准确的处理,在每个巡检区域安装几个无人机停靠点,停靠点设有用于定位的传感器,保证无人机每次停靠位置的准确,进而保证拍摄角度的准备性。
作为本发明提供的无人机巡检数据处理方法的一种具体实施方式,通过评价因子两两比较矩阵提取无人机拍摄的图像中拍有实地设备的关键区域,所述评价因子根据所有无人机拍摄图片中实地设备的共同特性确定,对评价因子根据重要程度进行两两比较,形成两两比较矩阵;
设有n个评价因子,每个m个级别,则形成的比较矩阵为
A=[aij]
其中i=1,2,3…n;j=1,2,3…n。
本实施例中,根据无人机拍摄的图像中实地设备区域与环境区域的区分特性,确定纹理、灰度特性等各种评价因子,将评价因子进行两两比较,若两个评价因子同样重要,则取1;若一个评价因子比另一个评价因子稍微重要则取3;若一个评价因子比另一个评价因子明显重要,则取5;若一个评价因子比另一个评价因子强烈重要,则取7;若一个评价因子比另一个评价因子极端重要,则取9。
若遇到相邻情况的中间情况,则可取值2、4、6、8为相邻情况的中间值。若一个评价因子另一个评价因子的重要程度介于同样重要与稍微重要之间,则取2;若一个评价因子另一个评价因子的重要程度介于稍微重要与明显重要之间,则取4;同理递推取6与8的情况。
作为本发明提供的无人机巡检数据处理方法的一种具体实施方式,识别并提取无人机拍摄的图像中拍有实地设备的关键区域包括以下步骤:
(1)对无人机拍摄的图像进行预处理;
(2)根据比较矩阵A求取各评价因子所占有的权重,根据各评价因子的权重对预处理后的图像上相邻点间的差异度进行计算、比较,得到所述实地设备的关键区域轮廓;
(3)利用最大类间方差法对差异化处理后的图像进行分割、提取。
本实施例中,首先对无人机拍摄的图像进行预处理,然后计算每个评价因子的权重,通过将每个像素点的各数据特征与对应的评价因子的权重相乘后相加,求得综合评价数值,将两个相邻点的综合评价数值相比较,去除差异性较大的点,分割出实地设备关键区域的轮廓,方便后续分割和提取。本发明方法赋予输变电关键设备所属评价因子更高的权重,以达到输变电关键设备区域在图像中突出显示的目的,更加便于锁定图像中要识别的输变电线路设备。
最大类间方差法是一种自适合于双峰情况的自动求取阈值的方法。它是按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。通过最大类间方差确定的分割阈值接近于理想阈值,具有更好的分割准确率。
本实施例中,无人机巡检数据处理方法,包括以下步骤:
S01、读取无人机拍摄的图像,对无人机拍摄的图像进行预处理;
然后,根据比较矩阵A求取各评价因子所占有的权重,根据各评价因子的权重对预处理后的图像上相邻点间的差异度进行计算、比较,得到所述实地设备的关键区域轮廓;
最后,利用最大类间方差法对差异化处理后的图像进行分割,提取出实地设备的图像。
S02判断提取的所述实地设备的类型,将实地设备的关键区域的数据特征与标准设备图像的特征数据进行对比;
若实地设备的关键区域的数据特征与标准设备图像的特征数据不相匹配,则判断为无效图片,结束程序;
若所述实地设备的关键区域的数据特征与标准设备图像的特征数据匹配,则进一步判断实地设备是否存在故障;
S03判断实地设备是否存在故障及故障类型,将与所述实地设备匹配的标准设备类型的故障类型数据与对应的实地设备的特征数据进行对比;
若所述实地设备的特征数据超出故障类型数据的标准范围,则通报故障;若所述实地设备的特征数据超出故障类型数据的标准范围,则显示正常。
作为本发明实施例的一种具体实施方式,请参阅图1,对无人机拍摄的图像通过以下方法进行预处理:
(1)对任一像素点(i,j),以像素点(i,j)为中心,取尺寸为d×d的局部窗口,通过计算确定像素点(i,j)的阈值为T(i,j);
(2)将像素点(i,j)的像素值I(i,j)与像素点(i,j)的阈值T(i,j)对比:
若I(i,j)小等于T(i,j),则I(i,j)值为0;若I(i,j)大等T(i,j),则I(i,j)值为255。
作为本发明实施例的一种具体实施方式,参阅图1,像素点(i,j)的阈值为T(i,j)通过下述公式计算:
T(i,j)=m(i,j)+k×σ(i,j)
其中,i和j的取值均为正整数,m(i,j)为局部窗口像素的平均值;σ(i,j)为局部窗口像素的方差,k为调整系数;具体表达公式如下:
作为本发明实施例的一种具体实施方式,请参阅图1,评价因子的权重计算过程如下:
(1)确定评价因子的隶属函数,到隶属函数矩阵B;
(2)由比较矩阵A与隶属函数矩阵B计算评价因子聚类矩阵C;
(3)计算评价因子聚类矩阵C的最大特征值对应的特征向量,所述特征向量即为评价因子的权重向量;
(4)对权重向量进行归一化得到W=(w1,w2,...,wn)T,根据向量W计算每个评价因子的权重θi。
作为本发明实施例的一种具体实施方式,请参阅图1,权重θi通过下述公式计算:
其中,i取1、2…n。
作为本发明实施例的一种具体实施方式,请参阅图1,隶属函数为
其中,Spqmin、Spqmax分别为评价因子p的第q个级别的下限标准值和上限标准值,其中p取1、2…n,q取1、2…m;x为与评价因子p对应的待处理图像的特征数据;
若fpq(x)出现负值,则作为0处理,即隶属函数不能为负值,且在0-1之间。
本实施例中,隶属函数的构造遵循原则为
若与评价因子p对应的待处理图像的特征数据处于评价因子p的第q个级别的下限标准值和上限标准值范围之内时,隶属函数值等于1;
若与评价因子p对应的待处理图像的特征数据处于评价因子p的第q个级别的下限标准值和上限标准值范围之外时,隶属函数值以该级别的下限标准值或上限标准值为起点,分别向右侧与左侧模糊展开。
本实施例中,根据输变电关键设备的特点,确定出不同评价因子的不同级别的数字化范围,得到不同评价因子不同级别的上限标准值和下下限标准值。
作为本发明实施例的一种具体实施方式,请参阅图1,隶属函数矩阵为:
B=[fpq(x)]。
作为本发明实施例的一种具体实施方式,请参阅图1,评价因子聚类矩阵C计算方法为:
如果n与m的值相同的时,则评价因子聚类矩阵C表达式为:
C=A×B
如果n值大于m值的话,则相应添加零元素,使B成为一个n×n矩阵,记为B′,那么C表达式为:
C=A×B’
如果n值小于m值的话,则在m中选择n个相邻级别构造隶属函数。
作为本发明实施例的一种具体实施方式,请参阅图1,标准设备图像、及设备故障图像可在背景单一的环境下拍摄。若标准设备在此种情况下拍摄,则其图像处理与分割较为简单可采用常规的图像处理、分割方法处理图像。比如膨胀、腐蚀等运算手段进行处理。从而处理更加方便、快捷,将处理好的数据信息存储至数据库中,便于与无人机拍摄图像进行对比。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.无人机巡检数据处理方法,其特征在于,包括以下步骤:
S01、读取无人机拍摄的图像、并提取无人机拍摄的图像中拍有实地设备的关键区域,获得关键区域的特征数据;
S02判断提取的所述实地设备的类型,将所述实地设备的关键区域的数据特征与标准设备图像的特征数据进行对比;若不相匹配,则判断为无效图片,结束程序;若匹配,则进一步判断实地设备是否存在故障;
S03判断实地设备是否存在故障及故障类型,将与所述实地设备匹配的标准设备类型的故障类型数据与对应的实地设备的特征数据进行对比:若所述实地设备的特征数据超出故障类型数据的标准范围,则通报故障。
2.如权利要求1所述的无人机巡检数据处理方法,其特征在于,通过评价因子两两比较矩阵提取无人机拍摄的图像中拍有实地设备的关键区域,所述评价因子根据所有无人机拍摄图片中实地设备的共同特性确定,对评价因子根据重要程度进行两两比较,形成两两比较矩阵;
设有n个评价因子,每个m个级别,则形成的比较矩阵为
A=[aij]
其中i=1,2,3…n;j=1,2,3…n。
3.如权利要求2所述的无人机巡检数据处理方法,其特征在于,识别并提取无人机拍摄的图像中拍有实地设备的关键区域包括以下步骤:
(1)对无人机拍摄的图像进行预处理;
(2)根据比较矩阵A求取各评价因子所占有的权重,根据各评价因子的权重对预处理后的图像上相邻点间的差异度进行计算、比较,得到所述实地设备的关键区域轮廓;
(3)利用最大类间方差法对差异化处理后的图像进行分割、提取。
4.如权利要求3所述的无人机巡检数据处理方法,其特征在于,对所述无人机拍摄的图像通过以下方法进行预处理:
(1)对任一像素点(i,j),以像素点(i,j)为中心,取尺寸为d×d的局部窗口,通过计算确定像素点(i,j)的阈值为T(i,j);
(2)将像素点(i,j)的像素值I(i,j)与像素点(i,j)的阈值T(i,j)对比:
若I(i,j)小等于T(i,j),则I(i,j)值为0;若I(i,j)大等T(i,j),则I(i,j)值为255。
6.如权利要求3所述的无人机巡检数据处理方法,其特征在于,所述评价因子的权重计算过程如下:
(1)确定评价因子的隶属函数,到隶属函数矩阵B;
(2)由比较矩阵A与隶属函数矩阵B计算评价因子聚类矩阵C;
(3)计算评价因子聚类矩阵C的最大特征值对应的特征向量,所述特征向量即为评价因子的权重向量;
(4)对权重向量进行归一化得到W=(w1,w2,...,wn)T,根据向量W计算每个评价因子的权重θi。
9.如权利要求7所述的无人机巡检数据处理方法,其特征在于,所述隶属函数矩阵B=[fpq(x)]。
10.如权利要求8所述的无人机巡检数据处理方法,其特征在于,所述评价因子聚类矩阵C计算方法为:
如果n与m的值相同的时,则评价因子聚类矩阵C表达式为:
C=A×B
如果n值大于m值的话,则相应添加零元素,使B成为一个n×n矩阵,记为B′,那么C表达式为:
C=A×B’
如果n值小于m值的话,则在m中选择n个相邻级别构造隶属函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010235606.9A CN111444857B (zh) | 2020-03-30 | 2020-03-30 | 无人机巡检数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010235606.9A CN111444857B (zh) | 2020-03-30 | 2020-03-30 | 无人机巡检数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444857A true CN111444857A (zh) | 2020-07-24 |
CN111444857B CN111444857B (zh) | 2022-11-15 |
Family
ID=71652577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010235606.9A Active CN111444857B (zh) | 2020-03-30 | 2020-03-30 | 无人机巡检数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444857B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801230A (zh) * | 2021-04-07 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路无人机智能验收方法 |
CN113505812A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于双流卷积网络的高压断路器轨迹动作识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630948A (zh) * | 2012-08-28 | 2014-03-12 | 鸿升视通(北京)科技有限公司 | 智能信息融合图像型火灾探测器及探测信息融合方法 |
CN108520567A (zh) * | 2018-03-26 | 2018-09-11 | 云南电网有限责任公司丽江供电局 | 一种依靠拍摄设备运行图像识别的辅助巡检方法 |
CN108769586A (zh) * | 2018-05-30 | 2018-11-06 | 深圳汇通智能化科技有限公司 | 一种监控准确的监控系统 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109767042A (zh) * | 2019-01-17 | 2019-05-17 | 中国人民解放军陆军工程大学 | 基于用地评估的人防专业队工程选址方法 |
CN110602484A (zh) * | 2019-08-29 | 2019-12-20 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
CN110826897A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 地域安全评价方法、装置、设备及存储介质 |
-
2020
- 2020-03-30 CN CN202010235606.9A patent/CN111444857B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630948A (zh) * | 2012-08-28 | 2014-03-12 | 鸿升视通(北京)科技有限公司 | 智能信息融合图像型火灾探测器及探测信息融合方法 |
CN108520567A (zh) * | 2018-03-26 | 2018-09-11 | 云南电网有限责任公司丽江供电局 | 一种依靠拍摄设备运行图像识别的辅助巡检方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN108769586A (zh) * | 2018-05-30 | 2018-11-06 | 深圳汇通智能化科技有限公司 | 一种监控准确的监控系统 |
CN109767042A (zh) * | 2019-01-17 | 2019-05-17 | 中国人民解放军陆军工程大学 | 基于用地评估的人防专业队工程选址方法 |
CN110602484A (zh) * | 2019-08-29 | 2019-12-20 | 海南电网有限责任公司海口供电局 | 一种输电线路设备拍摄质量在线检核方法 |
CN110826897A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 地域安全评价方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
ILIA V. SAFONOVA等: ""Automatic red eye correction and its quality metric"", 《PROC. OF SPIE-IS&T ELECTRONIC IMAGING》 * |
游贞娜: ""基于层次分析的人机交互界面视觉传达方法研究"", 《周口师范学院学报》 * |
胡芹龙,王运生: ""基于GIS的川西地貌过渡带滑坡灾害易发性评价"", 《成都理工大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801230A (zh) * | 2021-04-07 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路无人机智能验收方法 |
CN113505812A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于双流卷积网络的高压断路器轨迹动作识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111444857B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
CN111444857B (zh) | 无人机巡检数据处理方法 | |
Yang et al. | Recognition of natural ice types on in-service glass insulators based on texture feature descriptor | |
CN210119205U (zh) | 一种基于图像识别的输电线路覆冰在线监测装置 | |
CN111754465A (zh) | 一种绝缘子定位与掉串检测方法 | |
CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
CN115588021A (zh) | 一种瓷绝缘子及金具无人机红外巡检图像融合分割方法 | |
CN113051423B (zh) | 一种基于大数据分析的智能电网输电线路状态在线智能监测方法 | |
CN115512252B (zh) | 基于无人机的电网巡检自动化方法及系统 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN112150412A (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测系统 | |
CN115690581A (zh) | 一种输电线通道隐患识别机载智慧终端应用方法及系统 | |
CN114861985A (zh) | 基于开放神经网络交换算法的冰害预警方法、系统和介质 | |
CN112651337A (zh) | 应用于训练线路异物目标检测模型的样本集构建方法 | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 | |
CN115239997A (zh) | 基于5g物联网的高寒地区输电线路杆塔状态监测系统 | |
CN115620239A (zh) | 一种点云和视频结合的输电线路在线监测方法和系统 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
CN114581405A (zh) | 一种基于纹理特征的电力设备外观异常检测方法 | |
CN114792405A (zh) | 一种架空线路防异物入侵监测方法 | |
CN114241292A (zh) | 基于智能网关的输电线路覆冰监测方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |