CN111968078A - 一种变电设备的外观检测方法、装置、设备和存储介质 - Google Patents
一种变电设备的外观检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111968078A CN111968078A CN202010736197.0A CN202010736197A CN111968078A CN 111968078 A CN111968078 A CN 111968078A CN 202010736197 A CN202010736197 A CN 202010736197A CN 111968078 A CN111968078 A CN 111968078A
- Authority
- CN
- China
- Prior art keywords
- power transformation
- suspected
- appearance
- detection
- stain
- 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
Links
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种变电设备的外观检测方法,包括获取变电设备的图像数据;根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域;根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果。本发明实现了提升判定变电设备的外观是否存在污渍的效率,同时还提升了对变电设备的污渍类型和区域检测的准确度。本发明还涉及一种变电设备的外观检测装置、设备和存储介质。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种变电设备的外观检测方法、装置、设备和存储介质。
背景技术
变电设备是指电力系统中对电压和电流进行变换,接受电能及分配电能的电力设备。智能变电设备是采用先进、可靠、集成和环保的智能设备,以全站信息数字化、通信平台网络化、信息共享标准化为基本要求,自动完成信息采集、测量、控制、保护、计量和检测等基本功能。
目前,通常是通过值守人员对变电设备的外观进行巡检,存在效率低下,易受环境影响,对污渍的识别准确率低等问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种变电设备的外观检测方法、装置、设备和存储介质。
本发明解决上述技术问题的技术方案如下:
一种变电设备的外观检测方法,包括:
获取变电设备的图像数据;
根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域;
根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果。
本发明的有益效果是:提供一种变电设备的外观检测方法,通过获取采集到的变电设备的图像数据和颜色空间模型,得到图像数据中的疑似污渍区域,根据疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到变电设备的外观检测结果,实现提升判定变电设备的外观是否存在污渍的效率,同时还提升了对变电设备的污渍类型和区域检测的准确度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域,具体包括:
将所述图像数据划分为多个检测区域,并将每一个所述检测区域输入至颜色空间模型中,得到所述检测区域的色彩信息;
将满足预设条件的色彩信息所对应的所述检测区域,确定为疑似污渍区域。
采用上述进一步方案的有益效果是:将图像数据划分多个检测区域,并将每一个检测区域输入至颜色空间模型中,得到检测区域的色彩信息,根据色彩信息确定检测区域是否为疑似污渍区域,提升了判定变电设备的外观是否存在污渍的效率。
进一步地,所述根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果,具体包括:
提取所述疑似污渍区域的图像特征;
采用所述卷积神经网络对所述图像特征进行分类,得到分类结果和所述分类结果的置信度;
判断所述分类结果的置信度是否高于预设阈值;
若是,将所述分类结果作为所述疑似污渍区域的检测结果;
否则,将所述图像特征输入所述K近邻法,得到所述疑似污渍区域的检测结果;
根据所有所述疑似污渍区域的检测结果,得到所述变电设备的外观检测结果。
采用上述进一步方案的有益效果是:采用卷积神经网络对所述图像特征进行分类,得到分类结果和分类结果的置信度,当分类结果的置信度低于预设阈值时,将图像特征输入K近邻法,得到疑似污渍区域的检测结果,否则,分类结果是疑似污渍区域的检测结果,根据所有疑似污渍区域的检测结果,得到变电设备的外观检测结果,提升了对变电设备的污渍类型和区域检测的准确度。
进一步地,所述提取所述疑似污渍区域的图像特征之前,还包括:
对所述疑似污渍区域进行中值滤波处理和直方图均衡化处理。
进一步地,还包括:对所述卷积神经网络和所述K近邻法进行训练的步骤:
采集所述变电设备的图像数据作为样本图像;
对所述样本图像进行图像预处理,并将预处理后的所述样本图像作为训练样本集;
根据所述训练样本集的图像特征对所述卷积神经网络进行训练;
采用所述训练样本集的图像特征对所述K近邻法进行训练。
本发明解决上述技术问题的另一种技术方案如下:
一种变电设备的外观检测装置,包括:
采集模块,用于获取变电设备的图像数据;
预判模块,用于根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域;
确认模块,用于根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果。
本发明的有益效果是:提供一种变电设备的外观检测装置,采集模块采集到的变电设备的图像数据,预判模块根据图像数据和颜色空间模型,得到图像数据中的疑似污渍区域,确认模块根据疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到变电设备的外观检测结果,实现提升判定变电设备的外观是否存在污渍的效率,同时还提升了对变电设备的污渍类型和区域检测的准确度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述预判模块,具体用于将所述图像数据划分为多个检测区域,并将每一个所述检测区域输入至颜色空间模型中,得到所述检测区域的色彩信息;
将满足预设条件的色彩信息所对应的所述检测区域,确定为疑似污渍区域。
进一步地,所述确认模块,具体用于提取所述疑似污渍区域的图像特征;
采用所述卷积神经网络对所述图像特征进行分类,得到分类结果和所述分类结果的置信度;
判断所述分类结果的置信度是否高于预设阈值;
若是,将所述分类结果作为所述疑似污渍区域的检测结果;
否则,将所述图像特征输入所述K近邻法,得到所述疑似污渍区域的检测结果;
根据所有所述疑似污渍区域的检测结果,得到所述变电设备的外观检测结果。
本申请还提供一种变电设备的外观检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述技术方案中任一项所述变电设备的外观检测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述技术方案中任一项所述变电设备的外观检测方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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,下面所描述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一种变电设备的外观检测方法的示意性流程图;
图2为本发明另一实施例提供的一种变电设备的外观检测装置的模块结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1本发明实施例提供的一种变电设备的外观检测方法的示意性流程图所示,一种变电设备的外观检测方法包括:
110、获取变电设备的图像数据。
120、根据图像数据和颜色空间模型,得到图像数据中的疑似污渍区域。
130、根据疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到变电设备的外观检测结果。
应理解,变电站机器人系统规划出机器人的巡检路线,机器人即按照规划出的路线对设备进行巡检,在巡检的过程中,变电站机器人通过红外相机实时采集变电站内各变电设备的视频,并将实时采集到的变电设备的视频发送至处理器。
基于本实施例提供的一种变电设备的外观检测方法,通过获取采集到的变电设备的图像数据和颜色空间模型,得到图像数据中的疑似污渍区域,根据疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到变电设备的外观检测结果,实现提升判定变电设备的外观是否存在污渍的效率,同时还提升了对变电设备的污渍类型和区域检测的准确度。
进一步地,步骤120中具体包括:
将图像数据划分为多个检测区域,并将每一个检测区域输入至颜色空间模型中,得到检测区域的色彩信息;
将满足预设条件的色彩信息所对应的所述检测区域,确定为疑似污渍区域。
应理解,颜色空间模型包括HSV颜色空间模型或是RGB颜色空间模型,其中HSV颜色空间模型包括的参数为色调H、饱和度S和明度V,H参数表示色彩信息,即所处的光谱颜色的位置。用HSV颜色空间模型角度量来表示,红、绿和蓝分别相隔120度,互补色分别相差180度,纯度S为一比例值,范围从0到1,它表示成所选颜色的纯度和该颜色最大的纯度之间的比率。V表示色彩的明亮程度,范围从0到1。其中预设条件可以设置色调、饱和度和明度的阈值。此外,颜色空间模型还可以采用其他RGB颜色空间模型或是其他的颜色空间模型,本申请文件中对此不做限制。
基于上述实施例将图像数据划分多个检测区域,并将每一个检测区域输入至颜色空间模型中,得到检测区域的色彩信息,根据色彩信息确定检测区域是否为疑似污渍区域,减少了需要判定污渍情况的图像区域,提升了判定变电设备的外观是否存在污渍的效率。
进一步地,步骤130中具体包括:
提取疑似污渍区域的图像特征;
采用卷积神经网络对图像特征进行分类,得到分类结果和分类结果的置信度,其中分类结果包括疑似污渍区域中的污渍类型、污渍块的位置信息;
判断分类结果的置信度是否高于预设阈值;
若是,将分类结果作为疑似污渍区域的检测结果;
否则,将图像特征输入K近邻法,得到疑似污渍区域的检测结果;
根据所有疑似污渍区域的检测结果,得到变电设备的外观检测结果。
应理解,提取疑似污渍区域的图像特征的方法有很多,包括SIFT或是SURF方法,根据实际情况选用相应的方法。例如采用卷积神经网络对图像特征进行分类,得到分类结果和分类结果的置信度,分类结果包括疑似污渍区域中的污渍类型、污渍块的位置信息,根据分类结果的置信度,将置信度低的分类结果,再重新根据K近邻法,确定疑似污渍区域的检测结果。提升了对变电设备的污渍类型和区域检测的准确度。
进一步地,提取疑似污渍区域的图像特征之前,还包括对疑似污渍区域进行中值滤波处理和直方图均衡化处理。
进一步地,还包括:对卷积神经网络和K近邻法进行训练的步骤:
采集变电设备的图像数据作为样本图像;
对样本图像进行图像预处理,并将预处理后的样本图像作为训练样本集;
根据训练样本集的图像特征对卷积神经网络进行训练;
采用训练样本集的图像特征对K近邻法进行训练。
如图2本发明另一实施例提供的一种变电设备的外观检测装置的模块结构图所示,一种变电设备的外观检测装置包括:
采集模块,用于获取变电设备的图像数据;
预判模块,用于根据图像数据和颜色空间模型,得到图像数据中的疑似污渍区域;
确认模块,用于根据疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到变电设备的外观检测结果。
基于上述实施例提供的一种变电设备的外观检测装置,采集模块采集到的变电设备的图像数据,预判模块根据图像数据和颜色空间模型,得到图像数据中的疑似污渍区域,确认模块根据疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到变电设备的外观检测结果,实现提升判定变电设备的外观是否存在污渍的效率,同时还提升了对变电设备的污渍类型和区域检测的准确度。
进一步地,预判模块,具体用于将图像数据划分为多个检测区域,并将每一个检测区域输入至颜色空间模型中,得到检测区域的色彩信息;
将满足预设条件的色彩信息所对应的检测区域,确定为疑似污渍区域。
进一步地,确认模块,具体用于提取疑似污渍区域的图像特征;
采用卷积神经网络对图像特征进行分类,得到分类结果和分类结果的置信度;
判断分类结果的置信度是否高于预设阈值;
若是,将分类结果作为疑似污渍区域的检测结果;
否则,将图像特征输入所述K近邻法,得到疑似污渍区域的检测结果;
根据所有疑似污渍区域的检测结果,得到变电设备的外观检测结果。
本申请还提供一种变电设备的外观检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述技术方案中任一项所述变电设备的外观检测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述技术方案中任一项所述变电设备的外观检测方法的步骤。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种变电设备的外观检测方法,其特征在于,包括:
获取变电设备的图像数据;
根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域;
根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果。
2.根据权利要求1所述的变电设备的外观检测方法,其特征在于,所述根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域,具体包括:
将所述图像数据划分为多个检测区域,并将每一个所述检测区域输入至颜色空间模型中,得到所述检测区域的色彩信息;
将满足预设条件的色彩信息所对应的所述检测区域,确定为疑似污渍区域。
3.根据权利要求1所述的变电设备的外观检测方法,其特征在于,所述根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果,具体包括:
提取所述疑似污渍区域的图像特征;
采用所述卷积神经网络对所述图像特征进行分类,得到分类结果和所述分类结果的置信度;
判断所述分类结果的置信度是否高于预设阈值;
若是,将所述分类结果作为所述疑似污渍区域的检测结果;
否则,将所述图像特征输入所述K近邻法,得到所述疑似污渍区域的检测结果;
根据所有所述疑似污渍区域的检测结果,得到所述变电设备的外观检测结果。
4.根据权利要求3所述的变电设备的外观检测方法,其特征在于,所述提取所述疑似污渍区域的图像特征之前,还包括:
对所述疑似污渍区域进行中值滤波处理和直方图均衡化处理。
5.根据权利要求1-4中任一项所述的变电设备的外观检测方法,其特征在于,还包括:对所述卷积神经网络和所述K近邻法进行训练的步骤:
采集所述变电设备的图像数据作为样本图像;
对所述样本图像进行图像预处理,并将预处理后的所述样本图像作为训练样本集;
根据所述训练样本集的图像特征对所述卷积神经网络进行训练;
采用所述训练样本集的图像特征对所述K近邻法进行训练。
6.一种变电设备的外观检测装置,其特征在于,包括:
采集模块,用于获取变电设备的图像数据;
预判模块,用于根据所述图像数据和颜色空间模型,得到所述图像数据中的疑似污渍区域;
确认模块,用于根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法,得到所述变电设备的外观检测结果。
7.根据权利要求6所述的变电设备的外观检测装置,其特征在于,
所述预判模块,具体用于将所述图像数据划分为多个检测区域,并将每一个所述检测区域输入至颜色空间模型中,得到所述检测区域的色彩信息;
将满足预设条件的色彩信息所对应的所述检测区域,确定为疑似污渍区域。
8.根据权利要求6所述的变电设备的外观检测装置,其特征在于,
所述确认模块,具体用于提取所述疑似污渍区域的图像特征;
采用所述卷积神经网络对所述图像特征进行分类,得到分类结果和所述分类结果的置信度;
判断所述分类结果的置信度是否高于预设阈值;
若是,将所述分类结果作为所述疑似污渍区域的检测结果;
否则,将所述图像特征输入所述K近邻法,得到所述疑似污渍区域的检测结果;
根据所有所述疑似污渍区域的检测结果,得到所述变电设备的外观检测结果。
9.一种变电设备的外观检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的变电设备的外观检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的变电设备的外观检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010736197.0A CN111968078A (zh) | 2020-07-28 | 2020-07-28 | 一种变电设备的外观检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010736197.0A CN111968078A (zh) | 2020-07-28 | 2020-07-28 | 一种变电设备的外观检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968078A true CN111968078A (zh) | 2020-11-20 |
Family
ID=73363275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010736197.0A Pending CN111968078A (zh) | 2020-07-28 | 2020-07-28 | 一种变电设备的外观检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968078A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294119A (zh) * | 2022-10-08 | 2022-11-04 | 江苏三通科技有限公司 | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 |
CN116645618A (zh) * | 2023-06-05 | 2023-08-25 | 广东省农业科学院设施农业研究所 | 农业数据处理方法、系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091354A (zh) * | 2014-07-30 | 2014-10-08 | 北京华戎京盾科技有限公司 | 一种基于视频图像的火灾检测方法及其火灾检测装置 |
WO2019041406A1 (zh) * | 2017-08-28 | 2019-03-07 | 平安科技(深圳)有限公司 | 不雅图片识别方法、终端、设备及计算机可读存储介质 |
CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
CN110378869A (zh) * | 2019-06-05 | 2019-10-25 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
CN111127507A (zh) * | 2019-12-18 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 一种抛洒物的确定方法和系统 |
-
2020
- 2020-07-28 CN CN202010736197.0A patent/CN111968078A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091354A (zh) * | 2014-07-30 | 2014-10-08 | 北京华戎京盾科技有限公司 | 一种基于视频图像的火灾检测方法及其火灾检测装置 |
WO2019041406A1 (zh) * | 2017-08-28 | 2019-03-07 | 平安科技(深圳)有限公司 | 不雅图片识别方法、终端、设备及计算机可读存储介质 |
CN110378869A (zh) * | 2019-06-05 | 2019-10-25 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
CN110223289A (zh) * | 2019-06-17 | 2019-09-10 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
CN111127507A (zh) * | 2019-12-18 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 一种抛洒物的确定方法和系统 |
Non-Patent Citations (1)
Title |
---|
张健等: "基于MHSW特征融合的火焰检测", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294119A (zh) * | 2022-10-08 | 2022-11-04 | 江苏三通科技有限公司 | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 |
CN116645618A (zh) * | 2023-06-05 | 2023-08-25 | 广东省农业科学院设施农业研究所 | 农业数据处理方法、系统和存储介质 |
CN116645618B (zh) * | 2023-06-05 | 2023-12-08 | 广东省农业科学院设施农业研究所 | 农业数据处理方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN106815560B (zh) | 一种应用于自适应驾座的人脸识别方法 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN106971152A (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
CN105868722A (zh) | 异常电力设备图像的识别方法及系统 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN106934377B (zh) | 一种改进的人脸检测系统 | |
CN108268832A (zh) | 电力作业监测方法、装置、存储介质和计算机设备 | |
CN105844242A (zh) | 图像中的肤色检测方法 | |
CN109753945B (zh) | 目标主体识别方法、装置、存储介质和电子设备 | |
CN111968078A (zh) | 一种变电设备的外观检测方法、装置、设备和存储介质 | |
CN105550710A (zh) | 基于非线性拟合的接触网运行异常状态智能检测方法 | |
CN112489143A (zh) | 一种颜色识别方法、装置、设备及存储介质 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN116503650A (zh) | 一种水体蓝藻监测系统及装置 | |
CN111340772A (zh) | 一种基于移动终端的钢筋混凝土桥梁损伤检测系统及方法 | |
CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN114694050A (zh) | 一种基于红外图像的电力设备运行状态探测方法 | |
CN102542304B (zh) | 识别wap手机色情图像的区域分割肤色算法 | |
JP2020009162A (ja) | 画像処理装置、画像処理方法およびプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |