CN111860409A - 一种通过无人机对电缆线进行巡检的方法及装置 - Google Patents

一种通过无人机对电缆线进行巡检的方法及装置 Download PDF

Info

Publication number
CN111860409A
CN111860409A CN202010744875.8A CN202010744875A CN111860409A CN 111860409 A CN111860409 A CN 111860409A CN 202010744875 A CN202010744875 A CN 202010744875A CN 111860409 A CN111860409 A CN 111860409A
Authority
CN
China
Prior art keywords
image information
cable
aerial vehicle
unmanned aerial
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.)
Pending
Application number
CN202010744875.8A
Other languages
English (en)
Inventor
邓立邦
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.)
Guangdong Intellvision Technology Co ltd
Original Assignee
Guangdong Intellvision 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 Guangdong Intellvision Technology Co ltd filed Critical Guangdong Intellvision Technology Co ltd
Priority to CN202010744875.8A priority Critical patent/CN111860409A/zh
Publication of CN111860409A publication Critical patent/CN111860409A/zh
Pending legal-status Critical Current

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种通过无人机对电缆线进行巡检的方法及装置。本申请实施例提供的技术方案，通过无人机在相应电缆线两侧进行巡检并获取对应的图像信息，通过对两次获取到的图像信息中的树木与电缆线进行位置比对以确定是否存在树木遮挡电缆线的情况，通过两次巡检大大提高了识别树木是否电缆线遮挡的准确性，能够更好的辅助巡检人员进行安全排查。

Description

一种通过无人机对电缆线进行巡检的方法及装置
技术领域
本申请实施例涉及巡检技术领域，尤其涉及一种通过无人机对电缆线进行巡检的方法及装置。
背景技术
目前，在野外的电缆线由于长期暴露会出现一定的损毁；损毁的情况有很多种：第一种是风吹日晒造成的外层绝缘线老旧，从而产生电缆线的损毁；第二种是由于处于户外相对暴露，当出现大风天时，会出现砂石或者其他不明飞行物体对电缆线产生损坏；第三种是有些电缆线架设于野外森林中，虽然其位置设置相对较高，但是也会存在长势较好的树木，当相应的树木超过一定高度时，会对电缆线产生一定的干扰，严重的会造成电缆线断开并产生火花，从而森林产生毁灭性的影响。因此，设计一种能够准确判断树木是否对电缆线产生影响的方案成为本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供一种通过无人机对电缆线进行巡检的方法及装置，能够通过无人机在相应电缆线两侧进行巡检并获取对应的图像信息，通过对两次获取到的图像信息中的对象进行位置比对以确定是否存在树木遮挡电缆线的情况，通过两次巡检大大提高了识别的准确性，能够更好的辅助巡检人员进行安全排查。
在第一方面，本申请实施例提供了一种通过无人机对电缆线进行巡检的方法，包括：
获取在第一巡检路线上通过无人机拍摄到的第一图像信息；
当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树；
根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系；
获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧；
当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树；
根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系；
根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
进一步的，所述第一空间位置关系包括树与电缆线是否重叠，所述第二空间位置关系包括树与电缆电是否重叠；
对应的，所述根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作，包括：
当所述第一空间位置关系和所述第二空间位置关系均为树与电缆线重叠时，则发送预警信息至相应的智能终端。
进一步的，所述根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系，包括：
根据所述第一位置对所述第一对象所在区域进行图像补全，并获取图像补全后第一对象的第一像素点集合；
根据所述第二位置获取第二对象所处区域的第二像素点集合；
根据所述第一像素点集合与所述第二像素点集合确定是否存在重叠区域；
所述根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系，包括：
根据所述第三位置对所述第三对象所在区域进行图像补全，并获取图像补全后第三对象的第三像素点集合；
根据所述第四位置获取第四对象所处区域的第四像素点集合；
根据所述第三像素点集合与所述第四像素点集合确定是否存在重叠区域。
进一步的，所述第一空间位置关系包括第一距离，所述第一距离为通过所述第一图像信息得到的树与电缆线的距离，所述第二空间位置关系包括第二距离，所述第二距离为通过所述第二图像信息得到的树与电缆线的距离；
对应的，所述根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作，包括：
当所述第一距离和所述第二距离均小于预设距离时，则发送预警信息至相应的智能终端。
进一步的，所述采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置，包括：
采用训练后的神经网络模型对所述第一图像信息进行检测得到相应的特征图；
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
对多个所述感兴趣区域进行分类以及位置回归；
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
将所述识别特征图输入至预测器进行检测以得到所述第一对象和第二对象的分类识别结果、与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；
所述采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，包括：
采用训练后的神经网络模型对所述第二图像信息进行检测得到相应的特征图；
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
对多个所述感兴趣区域进行分类以及位置回归；
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
将所述识别特征图输入至预测器进行检测以得到所述第三对象和第四对象的分类识别结果、与第三对象对应的第三位置和与第四对象对应的第四位置。
进一步的，所述第一巡检路线与所述第二巡检路线平行，所述第一巡检路线与电缆线平行。
进一步的，所述第一巡检路线与所述第二巡检路线的方向相反。
在第二方面，本申请实施例提供了一种通过无人机对电缆线进行巡检的装置，包括：
第一获取模块：用于获取在第一巡检路线上通过无人机拍摄到的第一图像信息；
第一识别模块：用于当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树；
第一确定模块：用于根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系；
第二获取模块：用于获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧；
第二识别模块：用于当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树；
第二确定模块：用于根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系；
预警模块：用于根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的通过无人机对电缆线进行巡检的方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的通过无人机对电缆线进行巡检的方法。
本申请实施例通过无人机在相应电缆线两侧进行巡检并获取对应的图像信息，通过对两次获取到的图像信息中的树木与电缆线进行位置比对以确定是否存在树木遮挡电缆线的情况，通过两次巡检大大提高了识别树木是否电缆线遮挡的准确性，能够更好的辅助巡检人员进行安全排查。
附图说明
图1是本申请实施例提供的一种通过无人机对电缆线进行巡检的方法的流程图；
图2是本申请实施例提供的无人机在第一巡检路线上进行巡检的示意图；
图3是本申请实施例提供的采用识别模型对第一图像信息进行检测的流程示意图；
图4是本申请实施例提供的第一对象与第二对象重叠判断的流程图；
图5是本申请实施例提供的无人机在第二巡检路线上进行巡检的示意图；
图6是本申请实施例提供的采用识别模型对第二图像信息进行检测的流程示意图；
图7本申请实施例提供的第三对象与第四对象重叠判断的流程图；
图8是本申请实施例提供的一种通过无人机对电缆线进行巡检的装置的结构示意图；
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
目前即使有采用无人机进行图像巡检的方式，但是由于无人机在巡检过程中无法通过图像排除远端出现树木与电缆线重叠的情况，因此，还需要进行人工核验，并没有无人机自动巡检的功能。基于此，本申请提供的过无人机对电缆线进行巡检的方法，通过无人机在相应电缆线两侧进行巡检并获取对应的图像信息，通过对两次获取到的图像信息中的树木与电缆线进行位置比对以确定是否存在树木遮挡电缆线的情况，通过两次巡检大大提高了识别树木是否电缆线遮挡的准确性，能够更好的辅助巡检人员进行安全排查。
图1给出了本申请实施例提供的一种通过无人机对电缆线进行巡检的方法的流程图，本实施例中提供的通过无人机对电缆线进行巡检的方法可以由通过无人机对电缆线进行巡检的设备执行，该通过无人机对电缆线进行巡检的设备可以通过软件和/或硬件的方式实现，该通过无人机对电缆线进行巡检的设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该通过无人机对电缆线进行巡检的设备可以是电脑，手机，平板或后台服务器等。
下述以后台服务器为执行通过无人机对电缆线进行巡检的方法的设备为例，进行描述。参照图1，该通过无人机对电缆线进行巡检的方法具体包括：
S101：获取在第一巡检路线上通过无人机拍摄到的第一图像信息。
图2是本申请实施例提供的无人机在第一巡检路线上进行巡检的示意图，如图2所示，当采用无人机对电缆线进行巡检时，其需要设定好巡检路线，进行图像获取的方式可以是在无人机飞行的过程中进行或者也可以是设定一个悬停点来进行图像获取，这一步主要是为了获取到最基础的进行识别比对的图像。
当获取到第一图像信息之后，还可以对其进行预处理。在本申请实施例中，图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。
S102：当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树。
由于在巡检过程中会出现两种情况，一种是只能够检测到电缆线，当出现这种情况时，则可以判断不会出现树木遮挡的情况，也即是不需要进一步对其进行分析；另一种是出现电缆线和树木两种对象，当出现电缆线和树木时，则需要进一步分析两者之间的空间位置关系。
在进行图像识别时，会存在有多种方式与模型来进行图像监测。在进行图像检测时可以采用如下两种图像识别方式：图像分类和图像检测。
图像分类也即是对一幅图进行分类判断，比如现在有一副图像，该图像中有一只猫，采用图像分类的方式对其进行识别时，是对整幅图像进行判断，判断该幅图像中是否有猫，最终输出的结果是有猫或者无猫。图像检测是对图像中存在的所有物体来进行检测，通过采用框线来圈出图中出现的物体并对其进行检测标注，判断其实属于哪一种类。通过上述两种方式可以对图中出现的对象进行检测。除了上述两种方式之外，还可以采用图像切割以及姿态识别等方式来进行更为精准的图像识别。
在本实施例中为了更为精准的确定电缆线与树木的空间位置关系，需要对树以及电缆线的边缘进行识别分割。
具体的，图3是本申请实施例提供的采用识别模型对第一图像信息进行检测的流程示意图，如图3所示，所述采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置，包括：
S1021：采用训练后的神经网络模型对所述第一图像信息进行检测得到相应的特征图；
S1022：将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
S1023：对多个所述感兴趣区域进行分类以及位置回归；
S1024：对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
S1025：将所述识别特征图输入至预测器进行检测以得到所述第一对象和第二对象的分类识别结果、与所述第一对象对应的第一位置和与所述第二对象对应的第二位置。
通过上述步骤能够实现对第一图像信息中出现的树木以及电缆线进行检测并检测其具体的位置。本申请实施例提及的掩膜局部神经网络模型指的是Mask R-CNN模型。Mask R-CNN模型包括有Faster-rcnn模型、ROI Align和FCN网络架构。
具体的，Faster-rcnn模型主要包括4个关键步骤：特征提取网络、生成ROI、ROI分类、ROI回归。
特征提取网络：它用来从大量的图片中提取出一些不同目标的重要特征，通常由conv+relu+pool层构成，常用一些预训练好的网络(VGG、Inception、Resnet等)，获得的结果叫做特征图；生成ROI：在获得的特征图的每一个点上做多个候选ROI，然后利用分类器将这些ROI区分为背景和前景，同时利用回归器对这些ROI的位置进行初步的调整；ROI分类：在RPN阶段，用来区分前景(与真实目标重叠并且其重叠区域大于0.5)和背景(不与任何目标重叠或者其重叠区域小于0.1)；在Fast-rcnn阶段，用于区分不同种类的目标(猫、狗、人等)；ROI回归：在RPN阶段，进行初步调整；在Fast-rcnn阶段进行精确调整。通过上述步骤来构建得到相应的目标识别模型。
在本实施例中采用ROI Align技术而不采用ROI Pooling技术，主要是因为ROIPooling技术在具体过程中使用了两次量化操作中，而ROI Align并没有采用量化操作，而是使用了线性差值算法。在进行特征图对应时，ROI Pooling引入的误差会导致图像中的像素和特征中的像素的偏差，即将feature空间的ROI对应到原图上面会出现很大的偏差；并且在这个过程中产生的偏差较大，会对整个检测算法的性能产生严重的影响。因此，在本实施例中采用ROI Align技术而不采用ROI Pooling技术。
本实施例中FCN算法是一个经典的语义分割算法，可以对图片中的目标进行准确的分割。其总体架构是一个端到端的网络，主要的模快包括卷积和去卷积，即先对图像进行卷积和池化，使其feature map的大小不断减小；然后进行反卷积操作，即进行插值操作，不断的增大其feature map，最后对每一个像素值进行分类。从而实现对输入图像的准确分割。
本实施例中提及的Mask R-CNN是可以实现实例分割(Instance segmentation)算法，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。为了得到固定大小的feature map(特征图)，ROI Align技术并没有使用量化操作，即并不想引入量化误差，比如665/32＝20.78，就用20.78，不用什么20来替代它，比如20.78/7＝2.97，就用2.97，而不用2来代替它。这就是采用ROI Align的原因。那么具体操作过程中如何处理这些浮点数呢，具体的解决思路是使用“双线性插值”算法。双线性插值是一种比较好的图像缩放算法，它充分的利用了原图中虚拟点(比如20.56这个浮点数，像素位置都是整数值，没有浮点值)四周的四个真实存在的像素值来共同决定目标图中的一个像素值，即可以将20.56这个虚拟的位置点对应的像素值估计出来。然后进行卷积后获得的feature map，最后需要输出的固定大小是特征图，那么就利用双线性插值来估计这些虚拟坐标点(又称双线性插值的网格点)处所对应的像素值，最后得到相应的输出。得到随机采样的普通点的个数和位置不会对性能产生很大的影响，具体也可以用其它的方法获得。然后再进行max pooling或者averagepooling操作，获得相应的输出结果。在整个过程中没有用到量化操作，没有引入误差，即原图中的像素和feature map中的像素是完全对齐的，没有偏差，这不仅会提高检测的精度，同时也会有利于实例分割。
本实施例中提及的掩膜即是mask，一个mask对一个目标的输入空间布局进行编码，与类别标签和BB偏置不同，它们通常需要通过FC层而导致其以短向量的形式输出。可以通过由卷积提供的像素和像素的对应关系来获得mask的空间结构信息。具体的来说，可以使用FCN从每一个ROI中预测出一个m*m大小的mask，这使得mask分支中的每个层能够明确的保持m×m空间布局，而不将其折叠成缺少空间维度的向量表示。在具体操作时，为每一个类生成一个mask，这样不用和其他类进行竞争，依赖于分类分支所预测的类别标签来选择输出mask，这样能够实现更好的实例分割。
除了生成相应的掩膜之外，还要获取到具体的位置，通过该模型可以获取到其在图像信息中的具体位置。因为进行具体判断时，需要判断图像中出现的两个对象之间的空间位置关系，因此，需要获取图像中出现的树与电缆线的位置信息来对其具体的空间位置关系进行获取。
S103：根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系。
在本实施例中空间位置关系包括是否重叠以及两者距离。也即是可以通过判断两方面的数据来进行预警，当出现树木遮挡电缆线时，肯定是需要进行预警的，同时当树木的顶部与电缆线之间的距离小于预设距离时，也会进行预警，比如当树木的顶部与电缆线之间的距离小于20厘米时，则树木随时可能因为生长而与电缆线之间产生作用，此时也是需要进行预警，防患于未然。
图4是本申请实施例提供的第一对象与第二对象重叠判断的流程图，如图4所示，所述根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系，包括：
S1031：根据所述第一位置对所述第一对象所在区域进行图像补全，并获取图像补全后第一对象的第一像素点集合；
S1032：根据所述第二位置获取第二对象所处区域的第二像素点集合；
S1033：根据所述第一像素点集合与所述第二像素点集合确定是否存在重叠区域；
也即是图像中出现树木对电缆线产生遮挡时，则先对电缆线所在区域进行图像补全，补全之后得到与电缆线对应的像素点集合。由于进行图像补全，可以知晓树木像素点集合和电缆线像素点结合中会存在局部像素点位置重叠的情况，当检测到有像素点位置相同时，即可判断两者重叠。
S104：获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧。
图5是本申请实施例提供的无人机在第二巡检路线上进行巡检的示意图，如图5所示；与步骤S101原理相同，均是为了设置相应的巡检路线进行图像获取。
进一步的，所述第一巡检路线与所述第二巡检路线平行，所述第一巡检路线与电缆线平行，通过平行设置能够使得在整个巡检过程中时时刻刻获取到相应地电缆线，因为主要巡检的对象是电缆线，所以需要保持电缆线一直出现在图中以判断图中电缆线与其他杂物(树)之间的位置关系。
更为优选的，所述第一巡检路线与所述第二巡检路线的方向相反。也即是当沿着电缆线从起点飞向终点之后，从终点飞回起始点；在起点到终点的过程中包括有多跟电缆线，当采用这种方式进行图像获取时，需要对飞行过程中的图像进行标记，这样能够进行更准确的信息对应。
S105：当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树。
步骤S105与步骤S102的具体实现逻辑与原理相同。本实施例中第一对象和第三对象均指的是电缆线，第二对象和第四对象均指的是树。
进一步的，图6是本申请实施例提供的采用识别模型对第二图像信息进行检测的流程示意图，如图6所示，所述采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，包括：
S1051：采用训练后的神经网络模型对所述第二图像信息进行检测得到相应的特征图；
S1052：将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
S1053：对多个所述感兴趣区域进行分类以及位置回归；
S1054：对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
S1055：将所述识别特征图输入至预测器进行检测以得到所述第三对象和第四对象的分类识别结果、与第三对象对应的第三位置和与第四对象对应的第四位置。
通过上述步骤能够实现对第二图像信息中出现的树木以及电缆线进行检测并检测其具体的位置。其中具体的模型构建与步骤S102中的步骤相同，仅仅是两者获取的图像信息的位置有差异。
S106：根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系。
在本实施例中空间位置关系包括是否重叠以及两者距离。图4是本申请实施例提供的第一对象与第二对象重叠判断的流程图，进一步的，图7本申请实施例提供的第三对象与第四对象重叠判断的流程图，如图7所示，所述根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系，包括：
S1061：根据所述第三位置对所述第三对象所在区域进行图像补全，并获取图像补全后第三对象的第三像素点集合；
S1062：根据所述第四位置获取第四对象所处区域的第四像素点集合；
S1063：根据所述第三像素点集合与所述第四像素点集合确定是否存在重叠区域。
也即是图像中出现树木对电缆线产生遮挡时，则先对电缆线所在区域进行图像补全，补全之后得到与电缆线对应的像素点集合。由于进行图像补全，可以知晓树木像素点集合和电缆线像素点结合中会存在局部像素点位置重叠的情况，当检测到有像素点位置相同时，即可判断两者重叠。
S107：根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
如果仅仅执行S101～S103的步骤或者执行S104～S106的步骤，那么会出现一种情况，即使虽然在电缆线附近的树木没有对电缆线产生遮挡，但是由于是通过图像进行识别，图像并无法识别是近端图像还是远端图像，那么进行图像识别时，容易将远端的树木与电缆线产生的遮挡当做是树木对电缆线产生了作用。这种并不是正确的需要判断的内容，因此，需要获取电缆线的两侧的图像，然后进行比对，当时近端树木产生的影响时，那么在第一图像信息和第二图像信息中均会出现相应的遮挡情况，如果是远端树木对电缆线产生的影响，那么只会在第一图像信息或者第二图像信息中出现遮挡，当识别到上述情况时，不应当进行预警。通过本实施例的方案大大提高了电缆线树木遮挡巡检识别的准确性，进一步降低巡检人员的工作量。
进一步的，当所述第一空间位置关系和所述第二空间位置关系均为树与电缆线重叠时，则发送预警信息至相应的智能终端。
进一步的，所述第一空间位置关系包括第一距离，所述第一距离为通过所述第一图像信息得到的树与电缆线的距离，所述第二空间位置关系包括第二距离，所述第二距离为通过所述第二图像信息得到的树与电缆线的距离；
对应的，所述根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作，包括：
当所述第一距离和所述第二距离均小于预设距离时，则发送预警信息至相应的智能终端。
除了上述的实现方式之外，还可以通过对树的姿态进行构建，进而进行距离的获取，进行树的姿态构建时，树冠的顶端会作为构建的一个点，当进行距离判断时，可以获取该树冠最顶端的点到电缆线的最近距离，将其作为树与电缆线两者之间的距离。当上述距离小于预设值，也即是小于20厘米时，则可以判断该树会对电缆线产生影响，然后对该情况进行预警。
本申请实施例通过无人机在相应电缆线两侧进行巡检并获取对应的图像信息，通过对两次获取到的图像信息中的树木与电缆线进行位置比对以确定是否存在树木遮挡电缆线的情况，通过两次巡检大大提高了识别树木是否电缆线遮挡的准确性，能够更好的辅助巡检人员进行安全排查。
在上述实施例的基础上，图8为本申请实施例提供的一种通过无人机对电缆线进行巡检的装置的结构示意图。参考图8，本实施例提供的通过无人机对电缆线进行巡检的装置具体包括：
第一获取模块21：用于获取在第一巡检路线上通过无人机拍摄到的第一图像信息；
第一识别模块22：用于当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树；
第一确定模块23：用于根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系；
第二获取模块24：用于获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧；
第二识别模块25：用于当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树；
第二确定模块26：用于根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系；
预警模块27：用于根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
本申请实施例通过无人机在相应电缆线两侧进行巡检并获取对应的图像信息，通过对两次获取到的图像信息中的树木与电缆线进行位置比对以确定是否存在树木遮挡电缆线的情况，通过两次巡检大大提高了识别树木是否电缆线遮挡的准确性，能够更好的辅助巡检人员进行安全排查。
本申请实施例提供的通过无人机对电缆线进行巡检的装置可以用于执行上述实施例提供的通过无人机对电缆线进行巡检的方法，具备相应的功能和有益效果。
图9是本申请实施例提供的一种电子设备的结构示意图，参照图9，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器31的数量可以是一个或者多个，该电子设备中的存储器32的数量可以是一个或者多个。该电子设备的处理器31、存储器32、通信模块33、输入装置34及输出装置35可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的通过无人机对电缆线进行巡检的方法对应的程序指令/模块(例如，通过无人机对电缆线进行巡检的装置中的第一获取模块21、第一识别模块22、第一确定模块23、第二获取模块24、第二识别模块25、第二确定模块26和预警模块27)。存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的通过无人机对电缆线进行巡检的方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例提供的通过无人机对电缆线进行巡检的方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器31执行时用于执行一种通过无人机对电缆线进行巡检的方法，该通过无人机对电缆线进行巡检的方法包括：
获取在第一巡检路线上通过无人机拍摄到的第一图像信息；
当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树；
根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系；
获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧；
当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树；
根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系；
根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器31执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的通过无人机对电缆线进行巡检的方法，还可以执行本申请任意实施例所提供的通过无人机对电缆线进行巡检的方法中的相关操作。
上述实施例中提供的通过无人机对电缆线进行巡检的装置、存储介质及电子设备可执行本申请任意实施例所提供的通过无人机对电缆线进行巡检的方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的通过无人机对电缆线进行巡检的方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种通过无人机对电缆线进行巡检的方法，其特征在于，包括：
获取在第一巡检路线上通过无人机拍摄到的第一图像信息；
当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树；
根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系；
获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧；
当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树；
根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系；
根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
2.根据权利要求1所述的通过无人机对电缆线进行巡检的方法，其特征在于，所述第一空间位置关系包括树与电缆线是否重叠，所述第二空间位置关系包括树与电缆电是否重叠；
对应的，所述根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作，包括：
当所述第一空间位置关系和所述第二空间位置关系均为树与电缆线重叠时，则发送预警信息至相应的智能终端。
3.根据权利要求2所述的通过无人机对电缆线进行巡检的方法，其特征在于，所述根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系，包括：
根据所述第一位置对所述第一对象所在区域进行图像补全，并获取图像补全后第一对象的第一像素点集合；
根据所述第二位置获取第二对象所处区域的第二像素点集合；
根据所述第一像素点集合与所述第二像素点集合确定是否存在重叠区域；
所述根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系，包括：
根据所述第三位置对所述第三对象所在区域进行图像补全，并获取图像补全后第三对象的第三像素点集合；
根据所述第四位置获取第四对象所处区域的第四像素点集合；
根据所述第三像素点集合与所述第四像素点集合确定是否存在重叠区域。
4.根据权利要求1所述的通过无人机对电缆线进行巡检的方法，其特征在于，所述第一空间位置关系包括第一距离，所述第一距离为通过所述第一图像信息得到的树与电缆线的距离，所述第二空间位置关系包括第二距离，所述第二距离为通过所述第二图像信息得到的树与电缆线的距离；
对应的，所述根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作，包括：
当所述第一距离和所述第二距离均小于预设距离时，则发送预警信息至相应的智能终端。
5.根据权利要求1所述的通过无人机对电缆线进行巡检的方法，其特征在于，所述采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置，包括：
采用训练后的神经网络模型对所述第一图像信息进行检测得到相应的特征图；
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
对多个所述感兴趣区域进行分类以及位置回归；
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
将所述识别特征图输入至预测器进行检测以得到所述第一对象和第二对象的分类识别结果、与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；
所述采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，包括：
采用训练后的神经网络模型对所述第二图像信息进行检测得到相应的特征图；
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
对多个所述感兴趣区域进行分类以及位置回归；
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
将所述识别特征图输入至预测器进行检测以得到所述第三对象和第四对象的分类识别结果、与第三对象对应的第三位置和与第四对象对应的第四位置。
6.根据权利要求1-5中任意一项所述的通过无人机对电缆线进行巡检的方法，其特征在于，所述第一巡检路线与所述第二巡检路线平行，所述第一巡检路线与电缆线平行。
7.根据权利要求6所述的通过无人机对电缆线进行巡检的方法，其特征在于，所述第一巡检路线与所述第二巡检路线的方向相反。
8.一种通过无人机对电缆线进行巡检的装置，其特征在于，包括：
第一获取模块：用于获取在第一巡检路线上通过无人机拍摄到的第一图像信息；
第一识别模块：用于当在所述第一图像信息检测到第一对象和第二对象时，采用训练后的掩膜局部神经网络模型对所述第一图像信息识别得到与所述第一对象对应的第一位置和与所述第二对象对应的第二位置；所述第一对象包括电缆线，所述第二对象包括树；
第一确定模块：用于根据所述第一位置以及所述第二位置确定第一对象和第二对象的第一空间位置关系；
第二获取模块：用于获取在第二巡检路线上通过无人机拍摄到的第二图像信息；所述第一巡检路线与第二巡检路线位于电缆线两侧；
第二识别模块：用于当在所述第二图像信息检测到第三对象和第四对象时，采用训练后的掩膜局部神经网络模型对所述第二图像信息识别得到与所述第三对象对应的第三位置和与所述第四对象对应的第四位置，所述第三对象包括电缆线，所述第四对象包括树；
第二确定模块：用于根据所述第三位置以及所述第四位置确定第三对象和第四对象的第二空间位置关系；
预警模块：用于根据所述第一空间位置关系和所述第二空间位置关系以确定是否进行预警操作。
9.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的通过无人机对电缆线进行巡检的方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的通过无人机对电缆线进行巡检的方法。
CN202010744875.8A 2020-07-29 2020-07-29 一种通过无人机对电缆线进行巡检的方法及装置 Pending CN111860409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010744875.8A CN111860409A (zh) 2020-07-29 2020-07-29 一种通过无人机对电缆线进行巡检的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010744875.8A CN111860409A (zh) 2020-07-29 2020-07-29 一种通过无人机对电缆线进行巡检的方法及装置

Publications (1)

Publication Number Publication Date
CN111860409A true CN111860409A (zh) 2020-10-30

Family

ID=72945557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010744875.8A Pending CN111860409A (zh) 2020-07-29 2020-07-29 一种通过无人机对电缆线进行巡检的方法及装置

Country Status (1)

Country Link
CN (1) CN111860409A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049739A (zh) * 2012-12-10 2013-04-17 上海市电力公司 一种输电线路智能监控中树木检测方法
WO2013157920A1 (en) * 2012-04-20 2013-10-24 Institute Of Technology Petronas Sdn Bhd Method and system for vegetation encroachment monitoring relative to an object of interest
CN104717481A (zh) * 2013-12-13 2015-06-17 松下知识产权经营株式会社 摄像装置、图像处理装置、摄像方法
CN105205781A (zh) * 2015-08-24 2015-12-30 电子科技大学 输电线路航拍图像拼接方法
CN108734143A (zh) * 2018-05-28 2018-11-02 江苏迪伦智能科技有限公司 一种巡检机器人的基于双目视觉的输电线路在线检测方法
US20190072977A1 (en) * 2017-09-04 2019-03-07 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object
CN110751615A (zh) * 2019-08-29 2020-02-04 浙江工业大学 基于环境感知的立体树木图像融合方法
CN110766749A (zh) * 2019-11-05 2020-02-07 国网四川省电力公司内江供电公司 一种高压输电线路两侧树木生长预警及清理系统
CN110991426A (zh) * 2019-12-25 2020-04-10 深圳供电局有限公司 一种线路走廊异物入侵的监测方法及监测装置
CN111340317A (zh) * 2020-05-19 2020-06-26 北京数字绿土科技有限公司 架空输电线路树障隐患的自动预警方法及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013157920A1 (en) * 2012-04-20 2013-10-24 Institute Of Technology Petronas Sdn Bhd Method and system for vegetation encroachment monitoring relative to an object of interest
CN103049739A (zh) * 2012-12-10 2013-04-17 上海市电力公司 一种输电线路智能监控中树木检测方法
CN104717481A (zh) * 2013-12-13 2015-06-17 松下知识产权经营株式会社 摄像装置、图像处理装置、摄像方法
CN105205781A (zh) * 2015-08-24 2015-12-30 电子科技大学 输电线路航拍图像拼接方法
US20190072977A1 (en) * 2017-09-04 2019-03-07 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object
CN108734143A (zh) * 2018-05-28 2018-11-02 江苏迪伦智能科技有限公司 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN110751615A (zh) * 2019-08-29 2020-02-04 浙江工业大学 基于环境感知的立体树木图像融合方法
CN110766749A (zh) * 2019-11-05 2020-02-07 国网四川省电力公司内江供电公司 一种高压输电线路两侧树木生长预警及清理系统
CN110991426A (zh) * 2019-12-25 2020-04-10 深圳供电局有限公司 一种线路走廊异物入侵的监测方法及监测装置
CN111340317A (zh) * 2020-05-19 2020-06-26 北京数字绿土科技有限公司 架空输电线路树障隐患的自动预警方法及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姜红花 等: "基于 Mask Ｒ-CNN 的玉米田间杂草检测方法", 农业机械学报, vol. 51, no. 6, pages 220 - 228 *
孔英会 等: "基于改进 Mask R-CNN 模型的电力场景目标检测方法", 科学技术与工程, vol. 20, no. 8, pages 3134 - 3142 *
申信 等: "多旋翼无人机电力线路巡检及树障分析", 电力讯息, pages 157 - 158 *

Similar Documents

Publication Publication Date Title
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
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
CN108898086B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN109255317B (zh) 一种基于双网络的航拍图像差异检测方法
Liu et al. High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN112668696A (zh) 一种基于嵌入式深度学习的无人机电网巡检方法和系统
CN105447459A (zh) 一种无人机自动检测目标和跟踪方法
CN112257692B (zh) 一种行人目标的检测方法、电子设备及存储介质
Kim et al. Deep traffic light detection for self-driving cars from a large-scale dataset
CN113361354A (zh) 轨道部件巡检方法、装置、计算机设备和存储介质
CN115410100A (zh) 一种基于无人机图像的小目标检测方法及系统
CN114494161A (zh) 基于图像对比的受电弓异物检测方法、设备及存储介质
CN117115784A (zh) 目标数据融合的车辆检测方法及检测装置
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
CN112542800A (zh) 一种输电线路故障识别的方法及其系统
CN111429727B (zh) 一种开放式停车位中车牌识别方法及系统
CN111860409A (zh) 一种通过无人机对电缆线进行巡检的方法及装置
CN116758535A (zh) 基于rgb-d传感器的水果采摘方法、系统及计算机
CN116739963A (zh) 一种基于多层级多尺度特征融合的电网设备缺陷检测方法
CN114663751A (zh) 一种基于增量学习技术的输电线路缺陷识别方法和系统
CN113869163A (zh) 目标跟踪方法、装置、电子设备及存储介质
KR102171597B1 (ko) 풍력 발전기 블레이드 인식/분석 장치 및 방법

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