CN111597904B - 用于隧道电缆支架倾斜的识别方法 - Google Patents
用于隧道电缆支架倾斜的识别方法 Download PDFInfo
- Publication number
- CN111597904B CN111597904B CN202010304822.4A CN202010304822A CN111597904B CN 111597904 B CN111597904 B CN 111597904B CN 202010304822 A CN202010304822 A CN 202010304822A CN 111597904 B CN111597904 B CN 111597904B
- Authority
- CN
- China
- Prior art keywords
- straight line
- included angle
- cable support
- cable
- 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
Classifications
-
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于隧道电缆支架倾斜的识别方法,所述识别方法包括:S1:采集巡检隧道中的所述电缆支架的视频信息;S2:识别视频信息中的检测区域的电缆支架;S3:筛选被识别出电缆支架的置信度和完整性,加入候选集;S4:检测候选集中的图像边缘和边缘图像中的直线;S5:通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值进行升序排序;S6:对计算出直线夹角进行聚类,通过聚类后的模型对每一个夹角进行类别预测,根据投票机制判断出是干扰的数据类别;S7:对不是干扰的夹角求算术平均,根据平均夹角判断电缆支架是否倾斜。本方法实时可靠针对电缆支架的故障的判断和识别,从而为整个电网系统的可靠运行提供保障。
Description
技术领域
本发明涉及隧道智能巡检技术,具体涉及一种用于隧道电缆支架的识别方法。
背景技术
随着世界经济增长和科技进步,城市电网也随之快速发展,架空线路逐渐被隧道电缆取代。而电缆支架是承载电缆的载体,目前电缆隧道巡检工作中对于故障异常的判断都由人来完成,实时可靠针对电缆支架的故障的判断和识别没有保障,进而影响整个电网系统的可靠运行,如何实时可靠的识别出电缆隧道支架的故障问题是目前亟待解决的问题。
发明内容
本发明的目的是提供一种用于隧道电缆支架的识别方法,用于自动检测隧道电缆支架是否发生倾斜及对电缆支架发生脱落预警,实时可靠针对电缆支架的故障的判断和识别,从而为整个电网系统的可靠运行提供保障。
为解决上述问题,本发明提供了一种用于隧道电缆支架倾斜的识别方法,其特征在于,所述识别方法包括:S1:采集巡检隧道中的所述电缆支架的视频信息。
S2:识别视频信息中的检测区域的电缆支架。
S3:筛选被识别出电缆支架的置信度和完整性,加入候选集。
S4:检测候选集中的图像边缘和边缘图像中的直线。
S5:通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值进行升序排序。S6:对计算出直线夹角进行聚类,通过聚类后的模型对每一个夹角进行类别预测,根据投票机制判断出是干扰的数据类别。
S7:对不是干扰的的数据类别的夹角求算术平均,根据平均夹角判断电缆支架是否倾斜。
根据本发明的一个实施例,所述S2中识别视频信息中的检测区域的电缆支架,包括:
S201:在电缆隧道中拍摄视频作为改进的目标检测YOLOV3深度神经网络的训练集标签。
S202:对训练集标签进行Kmeans聚类,聚类类别数设定为1。
S203:根据摄像头参数以及电缆支架尺寸,将YOLOV3的特征提取网络Darknet53由原来的1,2,8,8,4个残差块改进为1,2,8,4个残差块组合。
S204:设定第一位置处的识别区域,所述第一位置处的识别区域为图像中两侧的矩形区域;两侧矩形高度为每一帧图像的高度,两侧矩形宽度为每一帧图像宽度的1/3。
根据本发明的一个实施例,所述S3中筛选被识别出电缆支架的置信度和完整性,加入候选集,包括:S301:将被检测出的置信度大于第一阈值的电缆支架加入候选集。
S302:将上述候选集中分辨率小于第二阈值的电缆支架剔除出候选集。根据本发明的一个实施例,所述S4中检测候选集中的图像边缘和边缘图像中的直线,包括:S401:设定极坐标系下,所述直线的表达式为:
ρ=x cosθ+y sinθ;ρ>0,0<θ<π, (1)
其中,所述(x,y)为所述直线上的坐标,所述θ为电缆支架与地面的夹角。
S402:定义一个二维数组A[ρ][θ]作为累加器,ρ的范围是图像矩阵对角线的距离范围,θ是电缆支架与地面的夹角,检测电缆支架边缘,如果A[ρ][θ]的最大值大于第三阈值,则检测到边缘。
根据本发明的一个实施例,所述S5中通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值进行升序排序,包括:
S501:检测到的直线与水平方向的夹角为:
其中,所述(x1,y1)和(x2,y2)分别为所述直线的两个端点在图像中的坐标。
S502:取夹角的绝对值。
S503:对夹角大小按升序排序。
根据本发明的一个实施例,所述S6中对计算出直线夹角进行聚类,通过聚类后的模型对每一个夹角进行类别预测,根据投票机制判断出是干扰的数据类别,包括:S601:随机选择两个夹角为簇中心。
S602:计算其它所有夹角与簇中心的欧式距离。
S603:更新簇中心,依次循环完成聚类得到最终两个簇中心。
S604:计算其它所有夹角与簇中心的距离,判断每个夹角所属类别。
S605:根据投票机制判断干扰数据类别,票数少的一类判定为干扰的数据类别。
本发明的上述技术方案具有如下有益的技术效果:首先通过在线对隧道电缆支架倾斜的判断为电缆支架可能发生脱落提前预警,避免了工作人员在电缆隧道中巡检时身体健康可能受到的威胁。其次,通过针对摄像头参数和电缆支架的尺寸以及电缆隧道环境对YOLOV3进行改进,提高了电缆支架识别的速度和正确率。再次通过对计算得到的直线夹角进行聚类,去除了干扰,实时可靠针对电缆支架的故障的判断和识别,从而为整个电网系统的可靠运行提供保障。
附图说明
图1是根据本发明实施例公开的用于隧道电缆支架倾斜的识别方法流程图;
图2是根据本发明实施例公开的改进的YOLOV3特征提取网络框图;
图3是根据本发明实施例公开的Kmeans聚类除干扰结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提供了一种用于隧道电缆支架倾斜的识别方法,如图1所示,该隧道电缆支架倾斜识别方法包括以下步骤:
S1:通过与地面平行的摄像头实时采集巡检隧道中的视频信息。
S2:通过训练改进的YOLOV3网络对视频在检测区域进行电缆支架识别。
包括以下步骤:
S201:在电缆隧道中拍摄视频作为改进的YOLOV3深度神经网络的训练集标签,如图2所示。
S202:对训练集标签进行Kmeans聚类,由于隧道中电缆支架的大小全部相同,故聚类类别数设定为1。
S203:根据摄像头参数以及电缆支架尺寸,将YOLOV3的特征提取网络Darknet53由原来的1,2,8,8,4个残差块改进为1,2,8,4个残差块组合,由于隧道中电缆支架的大小全部相同,取消原来分别在8倍降采样,16倍降采样,32倍降采样3个输出上的检测,只对融合后的4倍降采样输出进行电缆支架检测。
S204:由于远处的电缆支架会在一段时间后靠近摄像头,所以把识别区域局限在近处,提高效率,根据摄像头参数以及电缆支架尺寸设定识别区域为图像中两侧的矩形区域;两侧矩形高度为每一帧图像的高度,两侧矩形宽度为每一帧图像宽度的1/3。
S3:通过被识别出电缆支架的置信度以及完整性对电缆支架做筛选,加入候选集。包括以下步骤:
S301:将被检测出的置信度大于第一阈值的电缆支架加入候选集。
S301:将上述候选集中分辨率小于第二阈值的电缆支架剔除出候选集。
S4:通过canny算子检测候选集中的图像边缘,再由Hough变换检测边缘图像中的直线。包括以下步骤:
S401:在极坐标系下,直线的表达式为:
ρ=x cosθ+y sinθ;ρ>0,0<θ<π
S402:定义一个二维数组A[ρ][θ]作为累加器,ρ的范围是图像矩阵对角线的距离,θ是电缆支架与地面的夹角(θmin,θmax),利用霍夫变换检测电缆支架边缘,如果A[ρ][θ]的最大值大于阈值,则检测到边缘。
S5:通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值进行升序排序。包括以下步骤:
S501:检测到的直线与水平方向的夹角为:
所述(x1,y1)和(x2,y2)分别为所述直线的两个端点在图像中的坐标。
S502:取夹角的绝对值。
S503:对夹角大小按升序排序。
S6:对计算出的直线夹角进行Kmeans聚类,聚类类别为2,通过聚类后的模型对每一个夹角进行类别预测,根据投票判断出是干扰的数据类别。如图3所示。
包括以下步骤:
S601:随机选择两个夹角为簇中心。
S602:计算其它所有夹角与簇中心的欧式距离:
S603:更新簇中心,依次循环完成聚类得到最终两个簇中心。
S604:计算其它所有夹角与簇中心的距离,判断每个夹角所属类别。
S605:根据投票,票数少的一类判定为干扰。
S7:对不是干扰的夹角求算术平均,根据平均夹角判断电缆支架是否倾斜。
本发明的有益效果为:
1.计算机通过在线对隧道电缆支架倾斜的判断为电缆支架可能发生脱落提前预警,避免了工作人员在电缆隧道中巡检时身体健康可能受到的威胁。
2.通过针对摄像头参数和电缆支架的尺寸以及电缆隧道环境对YOLOV3进行改进,提高了电缆支架识别的速度和正确率。
3.通过对计算得到的直线夹角进行聚类,去除了干扰。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.用于隧道电缆支架倾斜的识别方法,其特征在于,所述识别方法包括:
S1:采集巡检隧道中的所述电缆支架的视频信息;
S2:识别视频信息中的检测区域的电缆支架;
S3:筛选被识别出电缆支架的置信度和完整性,加入候选集;
S4:检测候选集中的图像边缘和边缘图像中的直线;
S5:通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值进行升序排序;
S6:对计算出直线夹角进行聚类,通过聚类后的模型对每一个夹角进行类别预测,根据投票机制判断干扰的数据类别;
S7:对不是干扰的数据类别的夹角求算术平均,根据平均夹角判断电缆支架是否倾斜。
2.根据权利要求1所述的识别方法,其特征在于,所述S2中识别视频信息中的检测区域的电缆支架,包括:
S201:在电缆隧道中拍摄视频作为改进的目标检测YOLOV3深度神经网络的训练集标签;
S202:对训练集标签进行Kmeans聚类,聚类类别数设定为1;
S203:根据摄像头参数以及电缆支架尺寸,将YOLOV3的特征提取网络Darknet53由原来的1,2,8,8,4个残差块改进为1,2,8,4个残差块组合;
S204:设定第一位置处的识别区域,所述第一位置处的识别区域为图像中两侧的矩形区域;两侧矩形高度为每一帧图像的高度,两侧矩形宽度为每一帧图像宽度的1/3。
3.根据权利要求1所述的识别方法,其特征在于,所述S3中筛选被识别出电缆支架的置信度和完整性,加入候选集,包括:
S301:将被检测出的置信度大于第一阈值的电缆支架加入候选集;
S302:将上述候选集中分辨率小于第二阈值的电缆支架剔除出候选集。
4.根据权利要求1所述的识别方法,其特征在于,所述S4中检测候选集中的图像边缘和边缘图像中的直线,包括:
S401:设定极坐标系下,所述直线的表达式为:
ρ=x cosθ+y sinθ;ρ>0,0<θ<π, (1)
其中,所述(x,y)为所述直线上的坐标,所述θ为电缆支架与地面的夹角;
S402:定义一个二维数组A[ρ][θ]作为累加器,ρ的范围是图像矩阵对角线的距离范围,θ是电缆支架与地面的夹角,检测电缆支架边缘,如果A[ρ][θ]的最大值大于第三阈值,则检测到边缘。
5.根据权利要求1所述的识别方法,其特征在于,所述S5中通过检测出的直线的端点坐标计算直线与水平方向的夹角,按夹角的绝对值进行升序排序,包括:
S501:检测到的直线与水平方向的夹角为:
其中,所述(x1,y1)和(x2,y2)分别为所述直线的两个端点在图像中的坐标;
S502:取夹角的绝对值;
S503:对夹角大小按升序排序。
6.根据权利要求1所述的识别方法,其特征在于,所述S6中对计算出直线夹角进行聚类,通过聚类后的模型对每一个夹角进行类别预测,根据投票机制判断干扰的数据类别,包括:
S601:随机选择两个夹角为簇中心;
S602:计算其它所有夹角与簇中心的欧式距离:
S603:更新簇中心,依次循环完成聚类得到最终两个簇中心;
S604:计算其它所有夹角与簇中心的距离,判断每个夹角所属类别;
S605:根据投票机制判断干扰数据类别,票数少的一类判定为干扰数据类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304822.4A CN111597904B (zh) | 2020-04-17 | 2020-04-17 | 用于隧道电缆支架倾斜的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304822.4A CN111597904B (zh) | 2020-04-17 | 2020-04-17 | 用于隧道电缆支架倾斜的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597904A CN111597904A (zh) | 2020-08-28 |
CN111597904B true CN111597904B (zh) | 2023-07-18 |
Family
ID=72190317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010304822.4A Active CN111597904B (zh) | 2020-04-17 | 2020-04-17 | 用于隧道电缆支架倾斜的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597904B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184770A (zh) * | 2020-09-28 | 2021-01-05 | 中国电子科技集团公司第五十四研究所 | 一种基于YOLOv3和改进KCF的目标跟踪方法 |
CN113705524A (zh) * | 2021-09-06 | 2021-11-26 | 上海景吾智能科技有限公司 | 图像中垂直线检测方法及系统 |
CN113763375A (zh) * | 2021-09-17 | 2021-12-07 | 深圳市赛为智能股份有限公司 | 传送带偏移程度检测方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101586982A (zh) * | 2009-04-21 | 2009-11-25 | 常熟理工学院 | 一种物体位置检测装置及其检测方法 |
JP2011186916A (ja) * | 2010-03-10 | 2011-09-22 | Fuji Electric Co Ltd | 画像認識装置、画像認識方法及び画像認識プログラム |
CN204004796U (zh) * | 2014-08-01 | 2014-12-10 | 山东天盾矿用设备有限公司 | 一种隧道用电缆支架 |
CN108564065A (zh) * | 2018-04-28 | 2018-09-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
CN109583442A (zh) * | 2018-11-07 | 2019-04-05 | 北京智芯原动科技有限公司 | 基于线段检测的虚假车牌检测方法及装置 |
CN110110131A (zh) * | 2019-05-23 | 2019-08-09 | 北京航空航天大学 | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 |
CN110807765A (zh) * | 2019-09-27 | 2020-02-18 | 许昌许继软件技术有限公司 | 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统 |
-
2020
- 2020-04-17 CN CN202010304822.4A patent/CN111597904B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101586982A (zh) * | 2009-04-21 | 2009-11-25 | 常熟理工学院 | 一种物体位置检测装置及其检测方法 |
JP2011186916A (ja) * | 2010-03-10 | 2011-09-22 | Fuji Electric Co Ltd | 画像認識装置、画像認識方法及び画像認識プログラム |
CN204004796U (zh) * | 2014-08-01 | 2014-12-10 | 山东天盾矿用设备有限公司 | 一种隧道用电缆支架 |
CN108564065A (zh) * | 2018-04-28 | 2018-09-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
CN109583442A (zh) * | 2018-11-07 | 2019-04-05 | 北京智芯原动科技有限公司 | 基于线段检测的虚假车牌检测方法及装置 |
CN110110131A (zh) * | 2019-05-23 | 2019-08-09 | 北京航空航天大学 | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 |
CN110807765A (zh) * | 2019-09-27 | 2020-02-18 | 许昌许继软件技术有限公司 | 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统 |
Non-Patent Citations (3)
Title |
---|
High-Voltage Power Transmission Tower Detection Based on Faster R-CNN and YOLO-V3;Hao Wang 等;《IEEE》;20191017;全文 * |
基于类加权YOLO网络的水下目标检测;朱世伟 等;《南京师大学报(自然科学版)》;20200331;第43卷(第1期);全文 * |
高铁接触网异物侵入的机器视觉检测方法;蒋欣兰 等;《计算机工程与应用》;20191008;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111597904A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
CN110210409B (zh) | 表格单据中表格框线检测方法及系统 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN108961235A (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 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
KR100823549B1 (ko) | 조선소 소조립 용접부재 위치 인식 방법 | |
CN110458798B (zh) | 基于关键点检测的防振锤缺陷视觉检测方法、系统及介质 | |
CN107452035B (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN107220969A (zh) | 产品灯位的测试方法及检测系统 | |
CN113379712A (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN113538503A (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
CN115331000A (zh) | 一种基于orb算法的弓网运行状态检测方法 | |
CN113591973B (zh) | 一种轨道板外观状态变化智能比对方法 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
CN116912805B (zh) | 一种基于无人清扫车的井盖异常智能检测识别方法及系统 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN113311507A (zh) | 一种台风路径的识别方法及装置 | |
CN110817674B (zh) | 一种扶梯的缺级检测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |