CN111626104B - 一种基于无人机红外热像的电缆隐患点检测方法和装置 - Google Patents
一种基于无人机红外热像的电缆隐患点检测方法和装置 Download PDFInfo
- Publication number
- CN111626104B CN111626104B CN202010287083.2A CN202010287083A CN111626104B CN 111626104 B CN111626104 B CN 111626104B CN 202010287083 A CN202010287083 A CN 202010287083A CN 111626104 B CN111626104 B CN 111626104B
- Authority
- CN
- China
- Prior art keywords
- cable
- image
- infrared
- aerial vehicle
- unmanned aerial
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001931 thermography Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于无人机红外热像的电缆隐患点检测方法和装置，所述方法包括以下步骤：图像采集步骤：获取待检测的红外电缆图像；预处理步骤：对获取的红外电缆图像进行预处理；二值化处理步骤：对预处理后的红外电缆图像进行二值化处理；电缆主体提取步骤：根据二值化处理后的红外电缆图像，采用投影法，从预处理后的红外电缆图像中提取电缆主体图像；隐患点检测步骤：从电缆主体图像中获取颜色高亮区域，并与预设的高亮阈值和预设的面积阈值比较，获取高亮区域，确定隐患点区域。与现有技术相比，本发明能节省大量的人力和时间，且具有检测正确率高、速度快等优点。
Description
技术领域
本发明涉及电缆隐患点检测领域，尤其是涉及一种基于无人机红外热像的电缆隐患点检测方法和装置。
背景技术
城市输电电缆是城市电力供应的生命线，保障其安全可靠运行是电网企业日常工作的重中之重。在运维保障工作也发现了诸多难题：一、输电线路和电缆结合部的电缆终端平台高度约为7-10米，运行人员难以登塔检查；二、日常运维过程中现场采集的大量红外图谱数据，采用传统的人工检查手段难以快速有效地发现缺陷和故障。因此，通过目标检测与识别的方式对隐患点进行检测可以很大程度上克服这些难题，减少人工和时间成本，提高检测效率。
目前，目标检测与识别主要分为基于传统方法和深度学习方法。深度学习方法虽然在识别率上具有一定的优势，但是需要大量的数据进行网络训练，而对于电缆红外图像来说，制作训练数据集是工作量非常巨大的。另外，电缆缺陷和故障的已有数据量少，很难采取深度学习等已有人工智能技术进行快速准确识别。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种降低人力和时间，且检测准确率高的基于无人机红外热像的电缆隐患点检测方法和装置。
本发明的目的可以通过以下技术方案来实现：
一种基于无人机红外热像的电缆隐患点检测方法，能够对无人机航拍获取到的电缆终端红外精测图像进行隐患点智能检测，检测正确率高且速度快，解决了对电缆隐患点检测所需要的大量人力和时间问题，该方法包括以下步骤：
图像采集步骤：获取待检测的红外电缆图像；
预处理步骤：对获取的红外电缆图像进行预处理；
二值化处理步骤：对预处理后的红外电缆图像进行二值化处理；
电缆主体提取步骤：根据二值化处理后的红外电缆图像，采用投影法，从预处理后的红外电缆图像中提取电缆主体图像；
隐患点检测步骤：从电缆主体图像中获取颜色高亮区域，并与预设的高亮阈值和预设的面积阈值比较，获取高亮区域，确定隐患点区域。
传统方法无需大量数据也能够进行检测与识别。红外热成像技术可以无损检测电力部件红外热成像技术有效地监测和分析设备的温度、缺损，具有非接触、快速、能对运动目标和微小目标测温、能直观地显示物体表面的温度场、温度分辨率高、可采用多种显示方式、可进行数据存储和计算机处理等优点。
进一步地，预处理步骤中，所述预处理包括去除红外电缆图像中的强度色谱以及成像信息，避免对后续检测产生影响。
进一步地，二值化处理步骤中，采用自适应阈值法进行二值化处理。
进一步地，所述自适应阈值法具体包括以下步骤：
S101：计算预处理后的红外电缆图像的归一化直方图；
S102：计算归一化直方图中每个点前所有点的灰度值之和；
S103：基于归一化直方图中每个点前所有点的灰度值之和，根据预设的第一变量，对预处理后的红外电缆图像进行二值化。
进一步地，步骤S103中，所述二值化的表达式为：
式中，T(n)为预处理后的红外电缆图像中第n个点二值化后的灰度值，pn为归一化直方图中第n个点的灰度值，s为归一化直方图中第n个点前点的个数，t为预设的第一变量，otherwise为其它情况。
进一步地，电缆主体提取步骤中，所述投影法具体包括以下步骤：
行投影步骤：对二值化处理后的红外电缆图像进行水平方向投影，确定主体电缆的行位置；
列投影步骤：对二值化处理后的红外电缆图像进行垂直方向投影，确定主体电缆的列位置；
提取步骤：基于体电缆的行位置和列位置，对预处理后的红外电缆图像进行切割，提取出电缆主体图像。
进一步地，由于红外成像的一大特点是温度越高，色谱对应的强度也越大，因此可以根据强度色谱确定颜色高亮的区域为异常区域，所述确定隐患点区域具体为，根据形态学方法，连接相邻的高亮区域，并去除高亮区域的内部销孔，确定隐患点区域。
进一步地，所述形态学方法包括腐蚀、膨胀和/或开闭运算。
进一步地，所述高亮阈值和所述面积阈值通过小样本学习法获取。
本发明还提供一种基于无人机红外热像的电缆隐患点检测装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比，本发明具有以下优点：
(1)本发明根据红外成像的一大特点：温度越高，色谱对应的强度也越大，通过直接对红外电缆图像的强度色谱进行检测，识别出具有高温特性的电缆隐患点，相较于需要大量数据训练的深度学习方法以及人工检测方法，本发明能节省大量的人力和时间，且具有检测正确率高、速度快等优点。
(2)本发明对红外电缆图像依次进行了预处理：去除了红外电缆图像中的强度色谱以及成像信息，以及电缆主体图像的提取，使得用于进行隐患点检测的电缆主体图像中的干扰信息更少，从而提高了隐患点的检测速度以及精确定位。
(3)本发明考虑到经过预处理后的红外电缆图像中只有电缆图像为亮点，采用投影法，根据二值化处理后的红外电缆图像，从预处理后的红外电缆图像中提取电缆主体图像，该方法具有提取准确率高的优点。
(4)本发明采用自适应阈值法进行二值化处理，具有很好的抗干扰性能和鲁棒性。
附图说明
图1为本发明电缆隐患点检测方法的流程示意图；
图2为本发明实施例中原始的无人机拍摄到的待检测的红外电缆图像；
图3为本发明实施例中对图2预处理后的红外电缆图像；
图4为本发明实施例中对图3进行自适应阈值二值化处理后的红外电缆图像；
图5为本发明实施例中对图4进行投影法后提取的电缆主体图像；
图6为强度光谱的示意图；
图7为本发明实施例中隐患点检测的结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种基于无人机红外热像的电缆隐患点检测方法，以无人机拍摄得到的红外输电电缆图像为例，判定红外输电电缆图像中是否存在隐患点并给出隐患点所在区域。
电缆隐患点检测方法包括以下步骤：
S1：输入待检测的红外输电电缆图像；在本实施例中，无人机拍摄得到的红外图像上存在着与检测目标无关的信息，如：强度色谱和成像信息，这些信息会影响后续的检测和识别，产生误检，降低识别率。因此，在检测之前，先自动去除强度色谱和成像信息，避免对后续检测产生影响。原始的红外输电电缆图像如图2所示，自动去除强度色谱和成像信息后的红外输电电缆图像如图3所示。
S2：通过自适应阈值算法对图像进行二值化处理，具体包括以下步骤：
S201：计算输入的红外输电电缆图像的归一化直方图；
S202：计算归一化直方图中第n个点之前s个点的灰度值之和，灰度值之和的计算表达式如下：
式中，fs(n)为第n个点之前s个点的灰度值之和，pn为第n个点的灰度值。
S203：基于步骤S202获取的灰度值之和，对红外输电电缆图像进行二值化，二值化的表达式如下：
式中，T(n)为二值化后的红外输电电缆图像。
本实施例中，从实际情况来看，s的最佳取值为图像宽度的八分之一，而t的最佳取值为15，此时二值化效果最好。图4是图3经过自适应阈值二值化后的图像。
S3：利用投影法分割前景与背景，提取红外图像中待检测的主体电缆位置，具体包括以下步骤：
S301：对于处理后的二值化图像，采用投影法分割前景(值为1)与背景(值为0)，提取图像中主体电缆部分；
S302：对二值化图像水平方向投影，循环各行，依次判断每一列的像素值是否为1，统计该行所有像素值为1的像素个数，以获取主体电缆的水平投影。根据水平投影值确定主体电缆行的位置；
S303：对二值化图像垂直方向投影，循环各列，依次判断每一行的像素值是否为1，统计该列所有像素值为1的像素个数，以获取主题电缆的垂直投影。根据垂直投影值确定主体电缆列的位置；
S304：根据水平方向和垂直方向投影结果对图像进行切割，提取出主体电缆。
综上，投影是一种函数，它将图像分别简化成两个一维函数，计算这两个一维函数上的像素分布，按照以下规则进行，公式如下：
式中，M和N表示图像的行数和列数，g(x,y)为二值化后的图像。图5是最终的分割结果，即提取出的图像中的主体电缆部分。提取的电缆主体图像如图5所示。
S4：根据强度色谱确定主体电缆颜色高亮的异常区域为可疑的隐患点，具体包括以下步骤：
S401：由于红外成像的一大特点是温度越高，色谱对应的强度也越大，因此可以根据强度色谱确定颜色高亮的区域为异常区域。利用强度色谱与主体电缆图像的整体颜色分布确定高亮阈值L，得到主体电缆图像中所有高亮区域；强度色谱见图6所示；
S402：设置一个合适的面积阈值S，将面积过小的高亮区域移除；
S403：利用数字图像处理中的形态学方法(如：腐蚀、膨胀和开闭运算)，连接相邻的高亮区域，将保留后的距离较近的多个高亮区域结合为一个，同时去除高亮区域的内部小孔。将剩下的高亮区域是为可疑的发热区域进行下一步检测。
S5：对异常区域进行检测输出隐患点位置，具体包括以下步骤：
S501：判定异常区域的高亮值与设定的高亮阈值L的大小；
S502：根据比较规则输出结果，大于高亮阈值L以及面积阈值S，则输出该异常区域为隐患点，否则为正常点。
经过本实施例处理后所检测的图像的隐患点区域如图7中黑色矩形框区域所示。
本实施例还提供一种基于无人机红外热像的电缆隐患点检测装置，包括存储器和处理器，存储器存储有计算机程序，处理器调用计算机程序执行上述基于无人机红外热像的电缆隐患点检测方法的步骤。
本实施例电缆隐患点检测方法的优势在于无需大量电缆红外图像数据也能够进行检测与识别，并且相比于人工检测节省了大量的人力与时间，提高了检测效率。处理难点在于取到合适的高亮阈值L和面积阈值S，通过引入小样本学习算法可以解决该问题。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，该方法包括以下步骤：
图像采集步骤：获取待检测的红外电缆图像；
预处理步骤：对获取的红外电缆图像进行预处理；
二值化处理步骤：对预处理后的红外电缆图像进行二值化处理；
电缆主体提取步骤：根据二值化处理后的红外电缆图像，采用投影法，从预处理后的红外电缆图像中提取电缆主体图像；
电缆主体提取步骤中，所述投影法具体包括以下步骤：
行投影步骤：对二值化处理后的红外电缆图像进行水平方向投影，确定主体电缆的行位置；
列投影步骤：对二值化处理后的红外电缆图像进行垂直方向投影，确定主体电缆的列位置；
提取步骤：基于体电缆的行位置和列位置，对预处理后的红外电缆图像进行切割，提取出电缆主体图像；
隐患点检测步骤：从电缆主体图像中获取颜色高亮区域，并与预设的高亮阈值和预设的面积阈值比较，获取高亮区域，确定隐患点区域。
2.根据权利要求1所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，预处理步骤中，所述预处理包括去除红外电缆图像中的强度色谱以及成像信息。
3.根据权利要求1所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，二值化处理步骤中，采用自适应阈值法进行二值化处理。
4.根据权利要求1所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，所述自适应阈值法具体包括以下步骤：
S101：计算预处理后的红外电缆图像的归一化直方图；
S102：计算归一化直方图中每个点前所有点的灰度值之和；
S103：基于归一化直方图中每个点前所有点的灰度值之和，根据预设的第一变量，对预处理后的红外电缆图像进行二值化。
5.根据权利要求4所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，步骤S103中，所述二值化的表达式为：
式中，T(n)为预处理后的红外电缆图像中第n个点二值化后的灰度值，pn为归一化直方图中第n个点的灰度值，s为归一化直方图中第n个点前点的个数，t为预设的第一变量，otherwise为其它情况。
6.根据权利要求1所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，所述确定隐患点区域具体为，根据形态学方法，连接相邻的高亮区域，并去除高亮区域的内部销孔，确定隐患点区域。
7.根据权利要求6所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，所述形态学方法包括腐蚀、膨胀和/或开闭运算。
8.根据权利要求1所述的一种基于无人机红外热像的电缆隐患点检测方法，其特征在于，所述高亮阈值和所述面积阈值通过小样本学习法获取。
9.一种基于无人机红外热像的电缆隐患点检测装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1～8任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010287083.2A CN111626104B (zh) | 2020-04-13 | 2020-04-13 | 一种基于无人机红外热像的电缆隐患点检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010287083.2A CN111626104B (zh) | 2020-04-13 | 2020-04-13 | 一种基于无人机红外热像的电缆隐患点检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626104A CN111626104A (zh) | 2020-09-04 |
| CN111626104B true CN111626104B (zh) | 2023-09-08 |
Family
ID=72273020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010287083.2A Active CN111626104B (zh) | 2020-04-13 | 2020-04-13 | 一种基于无人机红外热像的电缆隐患点检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626104B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489018B (zh) * | 2020-11-30 | 2024-05-28 | 深圳供电局有限公司 | 一种电力线智能巡线方法及巡线 |
| CN113343841B (zh) * | 2021-06-03 | 2024-06-14 | 国网北京市电力公司 | 电力隧道异常情况的确定方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
-
2020
- 2020-04-13 CN CN202010287083.2A patent/CN111626104B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 梁英宏 ; .红外视频图像中的人体目标检测方法.红外与激光工程.2009,(05),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626104A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
| 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 | |
| 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 | |
| CN110619623B (zh) | 一种变电设备接头发热的自动识别方法 | |
| CN111598889B (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
| CN117635590B (zh) | 一种笔记本电脑外壳的缺陷检测方法及装置 | |
| Murray et al. | Automated in-core image generation from video to aid visual inspection of nuclear power plant cores | |
| CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 | |
| Parrany et al. | A new image processing strategy for surface crack identification in building structures under non‐uniform illumination | |
| CN117252840A (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN115761613B (zh) | 一种基于卷积网络的隧道裂缝自动检测方法 | |
| CN104820818A (zh) | 一种移动物体的快速识别方法 | |
| CN111583341B (zh) | 云台像机移位检测方法 | |
| CN114693776A (zh) | 一种电缆位置信息确定方法、装置、设备和存储介质 | |
| CN113837206A (zh) | 一种基于机器学习svm的图像角点检测方法 | |
| CN113724247A (zh) | 一种基于图像判别技术的变电站智能巡检方法 | |
| CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
| CN112801963A (zh) | 一种视频图像遮挡检测方法及系统 | |
| CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
| CN118038026B (zh) | 基于旋转目标检测的变电站二次接线可信质检方法 | |
| CN107578042B (zh) | 一种基于r通道水平邻域方差计算的车牌定位方法 |
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 |