CN111967335A - 一种基于图像处理的输电线路上异物识别的方法 - Google Patents

一种基于图像处理的输电线路上异物识别的方法 Download PDF

Info

Publication number
CN111967335A
CN111967335A CN202010706085.0A CN202010706085A CN111967335A CN 111967335 A CN111967335 A CN 111967335A CN 202010706085 A CN202010706085 A CN 202010706085A CN 111967335 A CN111967335 A CN 111967335A
Authority
CN
China
Prior art keywords
transmission line
power transmission
image
space
line
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.)
Withdrawn
Application number
CN202010706085.0A
Other languages
English (en)
Inventor
吴锦峰
麦达明
孟伟
刁逸风
陈增胜
曾维湘
蔡倩倩
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 University of Technology
Original Assignee
Guangdong University of Technology
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 University of Technology filed Critical Guangdong University of Technology
Priority to CN202010706085.0A priority Critical patent/CN111967335A/zh
Publication of CN111967335A publication Critical patent/CN111967335A/zh
Withdrawn legal-status Critical Current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
    • G06V20/13—Satellite images
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理的输电线路上异物识别的方法，包括以下步骤：对航拍的输电线路图像进行背景分割，并进行中值滤波和高斯滤波处理；对输电线路的图像进行二值化处理，将输电线路图像中的参数从图像空间转化到参数空间，根据设定的阈值截取包含输电线路所在区域的空间范围，并对空间参数进行离散化，离散化所对应的点存储累加器，选择局部峰值点对应的线段为检测出的对应线段；记录局部极大值的个数，并记录线段的个数；将线段个数和局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物。本发明方法能够将含有异物的输电线图像准确识别出来，为输电线路故障诊断提供了新的手段。

Description

一种基于图像处理的输电线路上异物识别的方法
技术领域
本申请涉及图像处理领域，具体涉及一种基于图像处理的输电线路上异物识别的方法。
背景技术
近年来，各地因为塑料袋、风筝、气球等漂浮性异物缠绕在输电线路上，造成不少跳闸事件。而且输电线路悬挂诸如此类的异物不仅使高压电的极限放电距离缩短，危及电力线下的行人与车辆安全，严重时甚至造成片区大面积停电.因此，及时发现异物，以便采取相应措施，具有十分重要的意义。
现有排查异物的方法主要是人工巡线法，然而随着高电压、大功率、长距离输电线路的发展，输电网络穿越的地理环境日趋复杂，依靠人工巡线排查异物变得越来越艰难.为了降低工作强度，提高工作效率，近几年，出现了借助飞行器作为运载工具，通过搭载光学设备的无人机获取输电线路的图像，并应用计算机智能处理巡检带回的大量图像数据来判断线路上是否存在异物。
目前，传统的图像处理算法在判断输电线上的异物时，存在识别误差率高的问题。
发明内容
本发明的目的是提供一种基于图像处理的输电线路上异物识别的方法，用以克服传统方法针对输电线路悬挂异物的潜在故障存在的识别误差率高的问题。
为了实现上述任务，本发明采用以下技术方案：
一种基于图像处理的输电线路上异物识别的方法，包括以下步骤：
对航拍的输电线路图像进行背景分割，并进行中值滤波和高斯滤波处理；
对于高斯滤波后的输电线路图像，计算输电线路图像的梯度并对其设置门限，得到二值图像；将输电线路图像中的参数从图像空间转化到参数空间，通过参数空间中的空间参数来表示图像空间中的像素；
在所述参数空间中，根据设定的阈值截取包含输电线路所在区域的空间范围，并对所述空间参数进行离散化，离散化所对应的点存储累加器，选择局部峰值点对应的线段为检测出的对应线段；
根据输电线路图像的大小，动态地设定累加器，通过创建局部极大值滤波器找到累加器中的局部极大值，记录局部极大值的个数；
记录所述线段断电的坐标，并记录线段的个数；将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物。
进一步地，所述将输电线路图像中的参数从图像空间转化到参数空间，表示为：
Figure BDA0002594791860000021
其中，(x,y)为图像空间中的像素点，ρ,θ为参数空间中参数。
进一步地，所述选择局部峰值点的方法为：
对所述空间范围内的空间参数ρ,θ进行离散化，离散化所对应点存入累加器；如果存在这个点，则累加器加1；如果累加器超过阈值，则超出阈值时的空间参数ρ,θ即为局部峰值点。
进一步地，所述根据输电线路图像的大小，动态地设定累加器，包括：
对于输电线路图像G(x,y)，设其大小为[M，N]，则累加器Accum[ρ,θ]的大小[m,n]由下式决定：
Figure BDA0002594791860000022
进一步地，所述将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物，包括：
将线段个数记为Nseg num，局部极大值的个数记为Nmax num，则特征向量I为[Nmaxnum,Nsegnum]；
含有异物的输电线路图像应满足Nmax num＜Nsegnum/2；不满足则输电线路图像中的输电线路上不存在异物。
一种基于图像处理的输电线路上异物识别的装置，包括：
分割与滤波模块，用于对航拍的输电线路图像进行背景分割，并进行中值滤波和高斯滤波处理；
空间转换模块，用于对于高斯滤波后的输电线路图像，计算输电线路图像的梯度并对其设置门限，得到二值图像；将输电线路图像中的参数从图像空间转化到参数空间，通过参数空间中的空间参数来表示图像空间中的像素；
线段筛选模块，用于在所述参数空间中，根据设定的阈值截取包含输电线路所在区域的空间范围，并对所述空间参数进行离散化，离散化所对应的点存储累加器，选择局部峰值点对应的线段为检测出的对应线段；
累加记录模块，用于根据输电线路图像的大小，动态地设定累加器，通过创建局部极大值滤波器找到累加器中的局部极大值，记录局部极大值的个数；
识别模块，用于记录所述线段断电的坐标，并记录线段的个数；将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物。
一种终端设备，包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现前述基于图像处理的输电线路上异物识别的方法的步骤。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现前述基于图像处理的输电线路上异物识别的方法的步骤。
本发明具有以下技术特点：
本发明提出的方法能准确识别输电线路，在航拍图像中检测电力线位置并识别异物故障，能够将含有异物的输电线图像准确识别出来，为输电线路故障诊断提供了新的手段。
附图说明
图1为本发明一个实施例中基于图像处理的输电线路上异物识别的方法的流程示意图；
图2为本发明一个实施例中基于图像处理的输电线路上异物识别的装置的结构示意图；
图3为本发明一个实施例中终端设备的结构示意图。
具体实施方式
本发明针对输电线路悬挂异物的潜在故障，提供一种可从航拍输电线路图像中筛选出有异物的图像的方法。该方法通过对图像背景分割，提出了一种输电线路检测算法，通过边缘检测、选取累加器中局部极大值个数与最终检测到的线路数量作为异物特征向量来识别异物。参见图1，本发明提出的一种基于图像处理的输电线路上异物识别的方法，包括以下步骤：
步骤1，对航拍的输电线路图像进行背景分割。
在一个实施例中，背景分割的方法如下：
首先将输电线路图像从RGB图像转化为灰度图像，公式为：
IGray(x,y)＝0.299IR(x,y)+0.587IG(x,y)+0.114IB(x,y)
其中IGray(x,y)为各像素点(x,y)的灰度值；IR(x,y),IG(x,y),IB(x,y)分别为红色、绿色和蓝色分量值。
采用下面的方法对图像进行分割：
设所述图像是一幅具有L级灰度级的图像，其中第i级像素为Ni个，其中i的值在0～L-1之间，图像总像素点个数为：
Figure BDA0002594791860000041
第i级出现的概率为：
Figure BDA0002594791860000042
以阈值k将所有的像素分为目标C0和背景C1两类，其中C0类的像素灰度级为0～k-1，C1类的像素灰度级为k～L-1，则有：
图像的总平均灰度级为：
Figure BDA0002594791860000043
C0类像素所占面积的比例为：
Figure BDA0002594791860000044
C1类像素所占面积的比例为：ω1＝1-ω0，C0类像素的平均灰度为μ0(k)＝μ0(k)/ω0，C1类像素的平均灰度为：μ1(k)＝μ1(k)/ω1；其中
Figure BDA0002594791860000045
μ1(k)＝1-μ0(k)，则类间方差公式为：
δ2(k)＝ω0(μ-μ0)2+ω1(μ-μ0)2
令k从0～L-1变化，计算在不同k值下的类间方差δ2(k)，使得δ2(k)最大时的那个k值就是所要求的最优阈值；利用该阈值将航拍图像分割为背景和输电线路两部分。
步骤2，对步骤1分割后的输电线路图像进一步地中值滤波处理。
该实施例中利用模板进行滤波，公式如下：
Figure BDA0002594791860000051
SM为中值滤波的窗口，像素点(i,j)的邻域为SM(i,j)，其中M为像邻域中含有的像素个数，k,l∈W，W表示[3*3]区域的滤波模板，
Figure BDA0002594791860000052
为模板中的像素点，
Figure BDA0002594791860000053
为像素点(i,j)经过滤波后的输出。
步骤3，对步骤2滤波处理后的输电线路图像进行高斯滤波，选用3×3的高斯核，并对高斯滤波后的输电线路图像进行Canny边缘检测。
步骤4，计算输电线路图像的梯度并对其设置门限，得到一幅二值图像。通过公式
Figure BDA0002594791860000054
实现图像空间中的像素点(x,y)到参数空间中参数ρ,θ的转化；根据设定的阈值(Tmin,Tmax)截取有用的空间范围，该空间范围包含输电线路所在区域；阈值的大小可根据实际拍摄的图像来进行确定。
对所述空间范围内的空间参数ρ,θ进行离散化，离散化所对应点存入累加器；如果存在这个点，则累加器加1；如果累加器超过阈值，即选出局部峰值点，则局部峰值点(ρ,θ)为检测出的对应线段的斜率、截距。
步骤5，根据输电线路图像的大小，动态地设定累加器：
对于输电线路图像G(x,y)，设其大小为[M，N]，则累加器Accum[ρ,θ]的大小[m,n]由下式决定：
Figure BDA0002594791860000055
其中空间参数θ的取值范围为[-Π/2，Π/2]。
步骤6，通过创建局部极大值滤波器找到累加器中的局部极大值Nloc max[ρi,θj]](1≤i≤m,1≤j≤n)，其中ρi,θj为局部极大值对应的空间参数，i,j表示像素点的横纵坐标；并将局部极大值的个数，即不同的斜率截距数记为Nmax num；
步骤7，根据局部极大值Nlocmax[ρi,θj]在输电线路图像中搜索线段
传统算法未考虑点的相邻性，本方案假定一条有意义的线段其共线点数至少是T2，并认为当间隔点数>T3时为两条斜率和截距相同的线段，T2和T3为基于大量实验的经验值，可通过实验确定。
记录线段的端点坐标Nseg end[xi1,yj1,xi2,yj2]，并将线段个数记为Nseg num；若输电线图像中存在异物，则一条线路会被分为两条线段；故选取特征向量I为I＝[Nmaxnum,Nsegnum]。
步骤8，考虑到实际情况输电线路存在一定的宽度，在图像上与背景的交界边缘数为2，而检测到的线段数为线段边缘数，因此含有异物的输电线路图像应满足Nmax num＜Nsegnum/2，即当不同的斜率截距数小于线段数一半时，可认为当前检测的输电线路图像中输电线路上含有异物，反之则不含异物。
参见图2，根据本申请的另一方面，提供了一种基于图像处理的输电线路上异物识别的装置1，包括：
分割与滤波模块11，用于对航拍的输电线路图像进行背景分割，并进行中值滤波和高斯滤波处理；
空间转换模块12，用于对于高斯滤波后的输电线路图像，计算输电线路图像的梯度并对其设置门限，得到二值图像；将输电线路图像中的参数从图像空间转化到参数空间，通过参数空间中的空间参数来表示图像空间中的像素；
线段筛选模块13，用于在所述参数空间中，根据设定的阈值截取包含输电线路所在区域的空间范围，并对所述空间参数进行离散化，离散化所对应的点存储累加器，选择局部峰值点对应的线段为检测出的对应线段；
累加记录模块14，用于根据输电线路图像的大小，动态地设定累加器，通过创建局部极大值滤波器找到累加器中的局部极大值，记录局部极大值的个数；
识别模块15，用于记录所述线段断电的坐标，并记录线段的个数；将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物。
需要说明的是，上述各个模块的具体功能和相关解释参见前述方法权利要求中对应的步骤，在此不赘述。
请参阅图3，本申请实施例进一步提供一种终端设备2，该终端设备2可以为计算机、服务器；包括存储器22、处理器21以及存储在存储器22中并可在处理器上运行的计算机程序23，处理器21执行计算机程序23时实现上述基于图像处理的输电线路上异物识别的方法的步骤。
计算机程序23也可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器22中，并由处理器21执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序23在终端设备2中的执行过程，例如，计算机程序23可以被分割为分割与滤波模块、空间转换模块、线段筛选模块、累加记录模块和识别模块，各模块的功能参见前述装置中的描述，不再赘述。
本申请的实施提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于图像处理的输电线路上异物识别的方法的步骤。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于图像处理的输电线路上异物识别的方法，其特征在于，包括以下步骤：
对航拍的输电线路图像进行背景分割，并进行中值滤波和高斯滤波处理；
对于高斯滤波后的输电线路图像，计算输电线路图像的梯度并对其设置门限，得到二值图像；将输电线路图像中的参数从图像空间转化到参数空间，通过参数空间中的空间参数来表示图像空间中的像素；
在所述参数空间中，根据设定的阈值截取包含输电线路所在区域的空间范围，并对所述空间参数进行离散化，离散化所对应的点存储累加器，选择局部峰值点对应的线段为检测出的对应线段；
根据输电线路图像的大小，动态地设定累加器，通过创建局部极大值滤波器找到累加器中的局部极大值，记录局部极大值的个数；
记录所述线段断电的坐标，并记录线段的个数；将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物。
2.根据权利要求1所述的基于图像处理的输电线路上异物识别的方法，其特征在于，所述将输电线路图像中的参数从图像空间转化到参数空间，表示为：
Figure FDA0002594791850000011
其中，(x,y)为图像空间中的像素点，ρ,θ为参数空间中参数。
3.根据权利要求1所述的基于图像处理的输电线路上异物识别的方法，其特征在于，所述选择局部峰值点的方法为：
对所述空间范围内的空间参数ρ,θ进行离散化，离散化所对应点存入累加器；如果存在这个点，则累加器加1；如果累加器超过阈值，则超出阈值时的空间参数ρ,θ即为局部峰值点。
4.根据权利要求1所述的基于图像处理的输电线路上异物识别的方法，其特征在于，所述根据输电线路图像的大小，动态地设定累加器，包括：
对于输电线路图像G(x,y)，设其大小为[M，N]，则累加器Accum[ρ,θ]的大小[m,n]由下式决定：
Figure FDA0002594791850000021
5.根据权利要求1所述的基于图像处理的输电线路上异物识别的方法，其特征在于，所述将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物，包括：
将线段个数记为Nseg num，局部极大值的个数记为Nmax num，则特征向量I为[Nmaxnum,Nsegnum]；
含有异物的输电线路图像应满足Nmax num＜Nsegnum/2；不满足则输电线路图像中的输电线路上不存在异物。
6.一种基于图像处理的输电线路上异物识别的装置，其特征在于，包括：
分割与滤波模块，用于对航拍的输电线路图像进行背景分割，并进行中值滤波和高斯滤波处理；
空间转换模块，用于对于高斯滤波后的输电线路图像，计算输电线路图像的梯度并对其设置门限，得到二值图像；将输电线路图像中的参数从图像空间转化到参数空间，通过参数空间中的空间参数来表示图像空间中的像素；
线段筛选模块，用于在所述参数空间中，根据设定的阈值截取包含输电线路所在区域的空间范围，并对所述空间参数进行离散化，离散化所对应的点存储累加器，选择局部峰值点对应的线段为检测出的对应线段；
累加记录模块，用于根据输电线路图像的大小，动态地设定累加器，通过创建局部极大值滤波器找到累加器中的局部极大值，记录局部极大值的个数；
识别模块，用于记录所述线段断电的坐标，并记录线段的个数；将线段个数和所述局部极大值的个数作为特征向量，基于特征向量判断输电线路图像中的输电线路上是否存在异物。
7.一种终端设备，包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现基于图像处理的输电线路上异物识别的方法的步骤。
8.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现基于图像处理的输电线路上异物识别的方法的步骤。
CN202010706085.0A 2020-07-21 2020-07-21 一种基于图像处理的输电线路上异物识别的方法 Withdrawn CN111967335A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010706085.0A CN111967335A (zh) 2020-07-21 2020-07-21 一种基于图像处理的输电线路上异物识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010706085.0A CN111967335A (zh) 2020-07-21 2020-07-21 一种基于图像处理的输电线路上异物识别的方法

Publications (1)

Publication Number Publication Date
CN111967335A true CN111967335A (zh) 2020-11-20

Family

ID=73363011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010706085.0A Withdrawn CN111967335A (zh) 2020-07-21 2020-07-21 一种基于图像处理的输电线路上异物识别的方法

Country Status (1)

Country Link
CN (1) CN111967335A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627299A (zh) * 2021-07-30 2021-11-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680095A (zh) * 2017-10-25 2018-02-09 哈尔滨理工大学 基于模板匹配与光流法的无人机图像的输电线路异物检测

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680095A (zh) * 2017-10-25 2018-02-09 哈尔滨理工大学 基于模板匹配与光流法的无人机图像的输电线路异物检测

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金立军;姚春羽;闫书佳;张文豪;: "基于航拍图像的输电线路异物识别", 同济大学学报(自然科学版) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627299A (zh) * 2021-07-30 2021-11-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置
CN113627299B (zh) * 2021-07-30 2024-04-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置

Similar Documents

Publication Publication Date Title
CN109241985B (zh) 一种图像识别方法及装置
EP3036730B1 (en) Traffic light detection
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
US20190266706A1 (en) Removal of shadows from document images while preserving fidelity of image contents
CN110223305B (zh) 细胞分割方法、装置及可读存储介质
US20150287168A1 (en) Duplicate check image resolution
CN109447117B (zh) 双层车牌识别方法、装置、计算机设备及存储介质
CN113436212A (zh) 一种断路器静触头齿合状态图像检测内轮廓的提取方法
CN109850518B (zh) 一种基于红外图像的实时矿用胶带预警撕裂检测方法
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN104680109A (zh) 一种基于图像识别的条码区域定位方法
CN113834816A (zh) 基于机器视觉的光伏电池缺陷在线检测方法及系统
CN106022268A (zh) 一种限速标识的识别方法和装置
CN109716355B (zh) 微粒边界识别
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN111967335A (zh) 一种基于图像处理的输电线路上异物识别的方法
JP2018142828A (ja) 付着物検出装置および付着物検出方法
CN104715250A (zh) 十字激光检测方法和装置
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN116228757B (zh) 一种基于图像处理算法的深海网箱网衣检测方法
US8693769B2 (en) Image classification methods and systems
CN116758423A (zh) 一种基于白点率法的输电线路异物检测方法
CN116665080A (zh) 基于目标识别的无人机劣化绝缘子检测方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201120