CN112257514A - 一种用于设备故障巡检的红外视觉智检的拍摄方法 - Google Patents

一种用于设备故障巡检的红外视觉智检的拍摄方法 Download PDF

Info

Publication number
CN112257514A
CN112257514A CN202011034785.6A CN202011034785A CN112257514A CN 112257514 A CN112257514 A CN 112257514A CN 202011034785 A CN202011034785 A CN 202011034785A CN 112257514 A CN112257514 A CN 112257514A
Authority
CN
China
Prior art keywords
equipment
shooting
image
camera
inspection
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.)
Granted
Application number
CN202011034785.6A
Other languages
English (en)
Other versions
CN112257514B (zh
Inventor
卢文联
任彦豪
李欣嘉
冯建峰
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN202011034785.6A priority Critical patent/CN112257514B/zh
Publication of CN112257514A publication Critical patent/CN112257514A/zh
Application granted granted Critical
Publication of CN112257514B publication Critical patent/CN112257514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于设备故障巡检技术领域，具体为用于设备故障巡检的红外视觉智检的拍摄方法。本发明中，机器人上安装一双镜头相机，可见光镜头安装于云台上；拍摄分为两阶段：第一阶段在某个作业点上以最广角状态拍摄该作业点全景图；并使用计算机视觉中的深度神经网络对图像进行检测和分割，识别其中的设备数量、位置，大体判断哪些设备可能有故障；第二阶段是对全景图中的某一个设备单独进行拍摄，通过云台控制相机拍摄角度、焦距，拍摄完后对该设备图像进行分割，判断故障并通过设备名称编号对应到具体设备上。本发明方法可代替人工拍摄与故障检测识别，大大降低人力消耗和成本，提高效率和准确率，可以有效推进巡检设备的发展，并应用于大量场合。

Description

一种用于设备故障巡检的红外视觉智检的拍摄方法
技术领域
本发明属于设备故障巡检技术领域，具体涉及设备故障巡检的红外视觉智检的拍摄方法。
背景技术
大型设备故障检测，如传统的变电站的故障检测等，主要通过人工检测。由于变电站设备多，因此需要大量专业人员，非常耗费人力和物力。
智能巡检机器人被广泛地应用于设备故障检测中。安装有红外探头的巡检机器人可以测量设备的温度，但它有时无法精确定位到具体设备上，因此只能做参考。
发明内容
本发明的目的在于提供一种成本低、效率高的设备故障巡检的红外视觉智检的拍摄方法。
本发明提供的用于设备故障巡检的红外视觉智检拍摄方法，主要用于变电站的变电设备等大型设备的故障巡检，以识别变电站每个设备是否有故障。机器人上安装有一双镜头相机，两个镜头分别为可见光镜头和红外镜头，并可实现像素级别自动对齐；可见光镜头安装于云台之上，云台可以控制相机拍摄的俯仰角和偏航角，相机可以变焦和执行拍摄命令；
本发明的红外视觉智检拍摄方法，分为两阶段：第一阶段通过最广角状态拍摄，即在某个作业点上，以最广角状态拍摄该作业点全景图；并使用计算机视觉中的深度网络对图像进行检测和分割，识别其中的设备数量、位置，并用红外镜头进行测温，大体判断哪些设备可能有故障；第二阶段是对全景图中的某一个设备单独进行拍摄，具体是通过云台控制相机拍摄的俯仰角、偏航角进行中心构图，并通过对相机调焦，使该设备大小占相机屏幕大小的一定比例，然后执行拍摄，拍摄完后对该设备图像进行分割，以识别设备区域；并进行测温，判断故障并通过设备名称编号对应到具体设备上。整个过程既降低了成本，又提高设备故障检测的准确率。
本发明中，所用的检测和分割的算法分别为计算机视觉中的fasterrcnn [1] 和maskrcnn [2] 算法。同时使用OCR光学字符识别技术识别设备铭牌上的文字，其中包括设别名称与编号等信息。
本发明方法既降低了成本，又提高设备故障检测的准确率。与巡检机器人结合，可在给定作业点，自动完成拍摄任务。
本发明主要解决了如下一些问题：
（1）对于巡检设备中相机拍摄到的图像进行检测和分割。检测和分割是计算机视觉中的重要问题。通过大量事先进行人工标注检测和分割结果的图像，训练深度神经网络。该训练完成的深度神经网络即能在巡检设备拍摄到设备图像时即时地对其进行检测和分割。其中检测所用网络为fasterrcnn网络[1]，包括卷积层、RPN网络、ROI池化层等，损失函数为分类的softmaxloss与回归的smoothL1 loss之和。分割所用网络为maskrcnn网络[2]，包括卷积层、RPN网络、ROIAlign层、FCN层等，损失函数为分类、回归与mask分支的损失之和。两者均用ResNet框架和随机梯度下降法进行训练；
（2）相机与云台的控制。在巡检机器人到达某一作业点后，进入相机拍摄的两个阶段。第一阶段拍摄该作业点的全景图，并进行检测和分割，得到该作业点设备的数量和相对位置。第二阶段依次拍摄全景图中的每一个设备。当需要拍摄某个特定设备时，可以通过云台和相机控制，改变相机的拍摄的俯仰角和偏航角，并对相机进行变焦，使得相机只拍摄该设备，并占到屏幕的一个固定比例。拍摄完一个设备后将相机调整为初始最广角状态，然后再次控制相机拍摄的俯仰角、偏航角、焦距，以实现对全景图中下一个设备的拍摄；
（3）拍摄构图。该方法中对设备的构图为中心构图。即设备在相机屏幕的两个方向上都位于中心位置；
（4）故障识别与判断。通过红外镜头可以计算出图像中设备区域每一个像素点的温度。通过所有设备区域像素点的温度判断该设备是否处于故障中；
（5）地图与铭牌识别。巡检机器人在巡检之前，会内置待检设备区域（如变电站）地图以及作业点。当机器人到达某作业点时，通过拍摄的该作业点的全景图可以进行一次判断，通过地图判断其中的设备的名称与编号。同时在拍摄完每一个设备的图像后，通过对设备上的铭牌进行OCR识别，并将识别结果作为第二次判断。经两次判断后，相机即可将故障检测对应到每一个具体设备，以实现对每一个设备是否故障的精确判断。
本发明方法用红外巡检拍摄故障检测识别代替人工拍摄与故障检测识别，可以大大降低设备故障检测的人力消耗和成本，提高效率和准确率，可以有效推进将来巡检设备的发展，并应用于大量场合。
附图说明
图1为实施例的流程图。
具体实施方式
以变电站的变电设备故障检测为例，进一步说明本发明。
在巡检开始前，将变电站地图、所有设备的名称编号列表、机器人的所有作业点信息预先输入至巡检机器人中。每当机器人到达一个作业点时，将依次执行以下步骤，执行完所有步骤后移动到下一作业点。具体流程参加附图1所示。
步骤一：
将相机设置为最广角状态（俯仰角、偏航角均调整为0度，调整焦距使得相机的视野范围达到最大），并拍摄一张该作业点的全景图。
步骤二：
将拍摄到的全景图用训练好的fasterrcnn, maskrcnn网络进行检测和分割。得到该作业点所有设备的检测框和像素级别的分割图。红外镜头对每一个设备区域像素点进行一次测温，大体判断哪些设备可能有故障。
步骤三：
安排该作业点的拍摄顺序，优先拍摄可能有故障的设备，再拍摄剩余的设备。
步骤四：
控制云台与相机，使其瞄准一个设备进行拍摄。控制过程为依次改变俯仰角、偏航角、焦距。在相机缓慢改变俯仰角时，相机会拍摄一段视频流。拍摄完视频流后会等间隔地截取其中视频流中的一些图片并进行检测。机器人自动选择检测框最接近屏幕垂直方向中心的图片和其对应的俯仰角，控制云台使相机俯仰角旋转至该角度并固定。改变相机偏航角的方式类似，选择检测框最接近屏幕水平方向的图片和其对应的偏航角，控制云台使相机旋转至该偏航角并固定。改变相机焦距时，同样拍摄视频流，并截取设备检测框面积最接近相机屏幕面积80%的图片，将该图片作为该设备最终满足中心构图的图片并进行保存。
步骤五：
对步骤四拍摄到的单个设备图进行一次分割，用红外镜头测量图中设备区域每个像素点的温度，并判断该设备是否确实处于故障状态。通过OCR识别设备铭牌和变电站地图确认该设备的具体名称和编号后，将该设备的状态（是否为故障设备）与其名称编号相对应并报告，并在设备的名称编号列表中删除该设备（表示该设备已经被检查过）。
步骤六：
拍摄完任一设备后，将相机恢复至最广角状态（最大视野，俯仰角、偏航角均为0度）。重复步骤四和步骤五拍摄下一设备，直至该作业点全景图中所有设备都进行过故障检查。
一些特殊情况的处理
（1）通过OCR技术识别设备铭牌的名称编号不在设备列表中。由于OCR识别可能存在误差，因此将识别出的设备名称编号与地图上的设备名称编号进行字符对照，如果大部分相同，则也可以确认设备；
（2）在每一个工作点拍摄全景图时，某些设备只有部分在图像中。出现该情况的判断标准为该设备的检查框是否已经到了图像的边界。出现该情况时，在该作业点就不对该设备进行单独拍摄和故障检查，而是到下一作业点时再进行处理。为了尽量不遗漏设备，需要对作业点进行设计和改进，使得在上一作业点时在图像边界的设备在下一作业点时需完整出现；
（3）在机器人所有作业点都工作完毕后，设备列表中依然留有少数设备（即未被检查到的设备）。对于该情况，则人工对遗漏的设备进行逐一故障检查。
实践表明，使用本发明方法，大大降低了变电站的人力消耗和成本，提高效率和准确率，不存在漏检设备。
参考文献：
[1] Ren S , He K , Girshick R , et al. Faster R-CNN: Towards Real-TimeObject Detection with Region Proposal Networks[J]. 2017.
[2] KaimingH , Georgia G , Piotr D , et al. Mask R-CNN[J]. IEEETransactions on Pattern Analysis & Machine Intelligence, 2017, PP:1-1.。

Claims (6)

1.一种用于设备故障巡检的红外视觉智检的拍摄方法，其特征在于，机器人上安装一双镜头相机，两个镜头分别为可见光镜头和红外镜头，并可实现像素级别自动对齐；可见光镜头安装于云台之上，云台可以控制相机拍摄的俯仰角和偏航角，相机可以变焦和执行拍摄命令；具体步骤分为两阶段：
第一阶段，通过最广角状态拍摄，即在某个作业点上，以最广角状态拍摄该作业点全景图；并使用计算机视觉中的深度神经网络对图像进行检测和分割，识别其中的设备数量、位置，并用红外镜头进行测温，大体判断哪些设备可能有故障；
第二阶段，是对全景图中的某一个设备单独进行拍摄，具体是通过云台控制相机拍摄的俯仰角、偏航角进行中心构图，并通过对相机调焦，使该设备大小占相机屏幕大小的一定比例，然后执行拍摄，拍摄完后对该设备图像进行分割，以识别设备区域；并进行测温，判断故障并通过设备名称编号对应到具体设备上。
2.根据权利要求1所述红外视觉智检的拍摄方法，其特征在于，所用的检测和分割的算法分别为计算机视觉中的fasterrcnn和maskrcnn算法；同时使用OCR光学字符识别技术识别设备铭牌上的文字，其中包括设别名称与编号等信息。
3.根据权利要求2所述红外视觉智检的拍摄方法，其特征在于，所述使用深度神经网络对图像进行检测和分割，是通过大量事先进行人工标注检测和分割结果的图像，训练所述深度神经网络；该训练完成的深度神经网络即可用于在巡检设备拍摄到设备图像即时其进行检测和分割。
4.根据权利要求3所述红外视觉智检的拍摄方法，其特征在于，所述使用深度神经网络对图像进行检测和分割，其中，检测所用网络为fasterrcnn网络，包括卷积层、RPN网络、ROI池化层，损失函数为分类的softmaxloss与回归的smoothL1 loss之和；分割所用网络为maskrcnn网络，包括卷积层、RPN网络、ROIAlign层、FCN层，损失函数为分类、回归与mask分支的损失之和；两者均用ResNet框架和随机梯度下降法进行训练。
5.根据权利要求3所述红外视觉智检的拍摄方法，其特征在于，所述的故障判断，是通过红外镜头计算出图像中设备区域每一个像素点的温度；通过所有设备区域像素点的温度判断该设备是否处于故障中。
6.根据权利要求5所述红外视觉智检的拍摄方法，其特征在于，巡检机器人在巡检之前，内置待检设备区域地地图以及作业点；当机器人到达某作业点时，通过拍摄的该作业点的全景图，进行一次判断，通过地图判断其中的设备的名称与编号；同时在拍摄完每一个设备的图像后，通过对设备上的铭牌进行OCR识别，并将识别结果作为第二次判断；经两次判断后，相机即可将故障检测对应到每一个具体设备，以实现对每一个设备是否故障的精确判断。
CN202011034785.6A 2020-09-27 2020-09-27 一种用于设备故障巡检的红外视觉智检的拍摄方法 Active CN112257514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011034785.6A CN112257514B (zh) 2020-09-27 2020-09-27 一种用于设备故障巡检的红外视觉智检的拍摄方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011034785.6A CN112257514B (zh) 2020-09-27 2020-09-27 一种用于设备故障巡检的红外视觉智检的拍摄方法

Publications (2)

Publication Number Publication Date
CN112257514A true CN112257514A (zh) 2021-01-22
CN112257514B CN112257514B (zh) 2023-04-18

Family

ID=74233896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011034785.6A Active CN112257514B (zh) 2020-09-27 2020-09-27 一种用于设备故障巡检的红外视觉智检的拍摄方法

Country Status (1)

Country Link
CN (1) CN112257514B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893933A (zh) * 2024-03-14 2024-04-16 国网上海市电力公司 一种用于输变电设备的无人巡检故障检测方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105263000A (zh) * 2015-10-16 2016-01-20 广西大学 基于无人机载双相机的大型光伏电站巡检装置
CN105741379A (zh) * 2016-01-28 2016-07-06 江苏省电力试验研究院有限公司 一种变电站全景巡检方法
CN106125744A (zh) * 2016-06-22 2016-11-16 山东鲁能智能技术有限公司 基于视觉伺服的变电站巡检机器人云台控制方法
CN108037770A (zh) * 2017-11-22 2018-05-15 国网山东省电力公司济宁供电公司 基于人工智能的无人机输电线路巡检系统和方法
CN108205678A (zh) * 2017-11-22 2018-06-26 杭州电子科技大学 一种含有亮斑干扰的铭牌文字识别处理方法
CN108416968A (zh) * 2018-01-31 2018-08-17 国家能源投资集团有限责任公司 火灾预警方法和装置
CN108957240A (zh) * 2018-08-09 2018-12-07 炜呈智能电力科技（杭州）有限公司 电网故障远程定位方法及系统
CN109525752A (zh) * 2018-06-13 2019-03-26 幻想动力(上海)文化传播有限公司 拍摄设备及拍摄方法
CN110246175A (zh) * 2019-05-24 2019-09-17 国网安徽省电力有限公司检修分公司 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法
CN110614638A (zh) * 2019-09-19 2019-12-27 国网山东省电力公司电力科学研究院 一种变电站巡检机器人自主采集方法及系统
CN110850723A (zh) * 2019-12-02 2020-02-28 西安科技大学 一种基于变电站巡检机器人系统的故障诊断及定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105263000A (zh) * 2015-10-16 2016-01-20 广西大学 基于无人机载双相机的大型光伏电站巡检装置
CN105741379A (zh) * 2016-01-28 2016-07-06 江苏省电力试验研究院有限公司 一种变电站全景巡检方法
CN106125744A (zh) * 2016-06-22 2016-11-16 山东鲁能智能技术有限公司 基于视觉伺服的变电站巡检机器人云台控制方法
CN108037770A (zh) * 2017-11-22 2018-05-15 国网山东省电力公司济宁供电公司 基于人工智能的无人机输电线路巡检系统和方法
CN108205678A (zh) * 2017-11-22 2018-06-26 杭州电子科技大学 一种含有亮斑干扰的铭牌文字识别处理方法
CN108416968A (zh) * 2018-01-31 2018-08-17 国家能源投资集团有限责任公司 火灾预警方法和装置
CN109525752A (zh) * 2018-06-13 2019-03-26 幻想动力(上海)文化传播有限公司 拍摄设备及拍摄方法
CN108957240A (zh) * 2018-08-09 2018-12-07 炜呈智能电力科技（杭州）有限公司 电网故障远程定位方法及系统
CN110246175A (zh) * 2019-05-24 2019-09-17 国网安徽省电力有限公司检修分公司 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法
CN110614638A (zh) * 2019-09-19 2019-12-27 国网山东省电力公司电力科学研究院 一种变电站巡检机器人自主采集方法及系统
CN110850723A (zh) * 2019-12-02 2020-02-28 西安科技大学 一种基于变电站巡检机器人系统的故障诊断及定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DE SWAN.ET AL: ""Infrared‐triggered cameras for detecting wildlife: an evaluation and review"" *
M KASTEK.ET AL: ""Sniper detection using infrared camera: technical possibilities and limitations"" *
沈茂东等: ""一种新的输电线路异物检测网络结构"", 《计算机与现代化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117893933A (zh) * 2024-03-14 2024-04-16 国网上海市电力公司 一种用于输变电设备的无人巡检故障检测方法和系统
CN117893933B (zh) * 2024-03-14 2024-05-24 国网上海市电力公司 一种用于输变电设备的无人巡检故障检测方法和系统

Also Published As

Publication number Publication date
CN112257514B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN108520114B (zh) 一种纺织布疵点检测模型及其训练方法和应用
CN110703800A (zh) 基于无人机的电力设施智能识别方法及系统
CN109859171A (zh) 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法
CN111738056B (zh) 一种基于改进YOLO v3的重卡盲区目标检测方法
CN112949478A (zh) 基于云台相机的目标检测方法
CN110889827A (zh) 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法
CN110245592A (zh) 一种用于提升监控场景的行人重识别率的方法
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN113902698A (zh) 一种基于智能视觉控制的无人机云台渐进式目标对焦方法
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与系统
CN114581760B (zh) 一种机房巡检的设备故障检测方法及系统
CN114462646B (zh) 一种基于接触网安全巡检的杆号牌识别方法及系统
CN112257514B (zh) 一种用于设备故障巡检的红外视觉智检的拍摄方法
CN111738148B (zh) 一种利用红外巡检拍摄的故障识别方法
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
CN116091506B (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN113962929A (zh) 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线
CN117455917A (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN113160209A (zh) 用于建筑外立面损伤检测的目标标注方法及目标识别方法
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN105354855B (zh) 一种高耸结构外观检测装置及方法
WO2024000372A1 (zh) 一种缺陷检测的方法和装置
CN114355083A (zh) 基于人工智能算法的巡检机器人故障识别方法、系统
CN113727022B (zh) 巡检图像的采集方法及装置、电子设备、存储介质
CN113591548B (zh) 靶环识别方法及系统

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
GR01 Patent grant
GR01 Patent grant