CN112883840B - 基于关键点检测的输电线路提取方法 - Google Patents
基于关键点检测的输电线路提取方法 Download PDFInfo
- Publication number
- CN112883840B CN112883840B CN202110140906.3A CN202110140906A CN112883840B CN 112883840 B CN112883840 B CN 112883840B CN 202110140906 A CN202110140906 A CN 202110140906A CN 112883840 B CN112883840 B CN 112883840B
- Authority
- CN
- China
- Prior art keywords
- key point
- point detection
- detection model
- transmission line
- target
- 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
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于关键点检测的输电线路提取方法,包括:S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本,用该训练样本对关键点检测模型进行训练,获得源域中的关键点检测模型;S2、利用S1获得的关键点检测模型的模型参数对目标域中的关键点检测模型进行参数初始化;S3、用目标域数据对目标域中的关键点检测模型进行微调,得到训练好的关键点检测模型;S4、用S3得到的关键点检测模型进行测试,获得高压线塔的关键点位置;S5、对S4的测试结果进行空间关系分析,挖掘高压线塔之间的拓扑关系,实现输电线路的提取。本发明检测速度快;本发明实现了小样本学习,通过手工制作少量样本,就完成了高压线塔关键点检测的训练。
Description
技术领域
本发明涉及遥感影像处理技术领域,尤其涉及基于关键点检测的输电线路提取方法。
背景技术
输电线路作为电网的动脉,为国民经济社会和人民生活提供电力支持保障。位于无人区的线路海拔高,周边交通条件差,人力难以到达。洪涝和滑坡等地质灾害发生后,导致地面道路损坏、高压线塔倒塌,人员巡查困难,电网企业难以第一时间掌握现场情况。
遥感数据具有广域普查效率高、低成本、无需人员到达现场的特点。近年来,随着遥感技术飞速发展,遥感影像的空间分辨率有了大幅度的提高,高分辨率遥感影像逐渐成为面向输电线路广域检测的一个重要技术手段。基于高分辨率遥感影像的输电线路提取对于电网的精益化运维具有重要意义。
传统的输电线路提取方法都是基于人工特征展开的,如局部二值模式(LBP)、梯度方向直方图(HOG)、Gabor等特征,然后将这些特征以特征向量的形式输入到一个传统的分类器例如SVM、AdaBoost、决策树等进行分类,其不足在于鲁棒性差、受限于位移旋转等影响、特征提取精度不足。而基于深度学习的关键点检测无需人工设计特征便可获得较高的检测精度,与基于深度学习的目标检测相比,其具有检测速度快、后处理简单的优点。
由于深度学习的特性,要使得训练出来的模型能有较好的泛化能力,需要大量的训练样本,而基于关键点检测的高压线塔提取几乎没有训练样本。如果全部采用人工标注将会十分费时费力,导致无法将基于深度学习的关键点检测技术方法直接用于高压线塔的提取。
发明内容
本发明为了解决上述技术问题提供基于关键点检测的输电线路提取方法。
本发明通过下述技术方案实现:
基于关键点检测的输电线路提取方法,包括以下步骤:
S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本,获得源域中的图像;用源域中的图像对关键点检测模型进行训练,获得训练好的源域中的关键点检测模型;
S2、将训练好的源域中的关键点检测模型的模型参数前移到目标域中的关键点检测模型中,对目标域中的关键点检测模型进行参数初始化;
S3、用目标域中的图像对参数初始化后的目标域中的关键点检测模型进行微调,得到训练好的目标域中的关键点检测模型;
所述目标域中的图像中均包含有高压线塔,且高压线塔上标记了关键点;
S4、用S3得到的目标域中的关键点检测模型对作业区域进行测试,获得作业区域高压线塔的关键点位置;
S5、对S4的测试结果进行空间关系分析,计算所有关键点之间的空间距离,在满足一定空间距离限制下,每个关键点都与其周围的关键点建立拓扑关系。
进一步的,所述S3中,每个关键点都与最近的关键点以及次最近的关键点建立拓扑关系。
进一步的,所述目标域的构建方法为:
用遥感影像生成一定数量的影像切片,每个影像切片内都包含高压线塔;
在影像切片中,找出每个高压线塔的几何中心,在该几何中心以点矢量的形式进行标记,所得样本集按照一定的比例划分成训练集、验证集和测试集。
进一步的,所述S1中将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本的方法为:
通过目标检测的检测框的两个角点坐标,计算出检测框的中心点坐标,将该中心点作为源域图像中的高压线塔的关键点。
进一步的,关键点检测模型包括特征提取模块、特征金字塔模块以及网络输出端模块;
网络输出端模块包括分类模块和回归模块,分类模块用于获取关键点位置,回归模块用于获取关键点偏移量。
进一步的,将Efficientnet-b5的全连接层剔除,剩余部分构成所述特征提取模块。
优选地,特征金字塔模块为BiFPN。
进一步的,所述S4中,拓扑关系以线矢量的方式输出。
与现有技术相比,本发明具有以下有益效果:
1,本发明通过基于深度学习的关键点检测技术对遥感影像进行处理,获取高压线塔的地理信息;然后通过空间关系分析,挖掘高压线塔之间的拓扑关系,实现了输电线路的提取;本发明检测速度快、后处理简单;
2,本发明利用技术手段实现了目标检测数据集向关键点检测数据集的转换,再结合迁移学习技术,实现小样本学习;通过手工制作少量样本,完成了高压线塔关键点检测的训练;
3.本发明结合空间分析技术,实现了输电线路的自动提取,将提取结果转换成矢量图层,大大增强了实用性能。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。
图1是本发明的流程图;
图2是本发明中迁移学习的训练过程示意图;
图3是目标检测样本示例图;
图4是关键点检测样本示例图;
图5是本发明中关键点检测模型结构图;
图6是场景一中关键点检测结果图;
图7是场景二中关键点检测结果图;
图8是场景一的空间分析结果图;
图9是场景二的空间分析结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
如图1所示,本发明公开的基于关键点检测的输电线路提取方法,包括以下步骤:
S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本,获得源域中的图像;用源域中的图像对关键点检测模型进行训练,获得训练好的源域中的关键点检测模型;
S2、将训练好的源域中的关键点检测模型的模型参数前移到目标域中的关键点检测模型中,对目标域中的关键点检测模型进行参数初始化;
S3、用目标域中的图像对参数初始化后的目标域中的关键点检测模型进行微调,得到训练好的目标域中的关键点检测模型;
所述目标域中的图像中均包含有高压线塔,且高压线塔上标记了关键点;
S4、用S3得到的目标域中的关键点检测模型对作业区域进行测试,获得作业区域高压线塔的关键点位置;
S5、对S4的测试结果进行空间关系分析,计算所有关键点之间的空间距离,在满足一定空间距离限制下,每个关键点都与其周围的关键点建立拓扑关系。
本发明在确保精度的情况下,检测速度比现有方法更高。
基于上述输电线路提取方法,本发明公开两个实施例。
实施例1
本实施例中,遥感影像以RGB波段组合的真彩色模式,训练样本集中的遥感影像大小为640pixel*640pixel。如图1所示,本实施例中输电线路提取方法的步骤如下:
A1、样本制作:
用ArcGIS软件打开0.8m分辨率的遥感影像,首先生成一定数量的影像切片,确保每个影像切片内都包含高压线塔;
然后,在影像切片中,找出每个高压线塔的几何中心,几何中心作为关键点位置,将几何中心以点矢量的形式进行标记,并将其以XML的格式存储,所得样本集按照一定的比例划分成训练集、验证集和测试集;
A2、样本扩增:
将A1获得的训练集进行旋转、水平垂直翻转、镜像、高斯噪声、cutmix、mixup、随机擦除等数据增强操作来扩充训练样本;
A3、模型构建:
本实施例所使用的关键点检测模型是基于CenterNet思想构成的,本实施例所使用的关键点检测模型主要有三个模块,分别是特征提取模块、特征金字塔模块以及网络输出端模块。
如图4所示。将Efficientnet-b5的全连接层剔除,剩余部分构成特征提取模块;特征金字塔选用BiFPN。
网络输出端模块包括两个子网络构成,分别是分类模块和回归模块,其中分类网络输出类别和中心点位置,回归模块用于对中心点偏移量进行估计。
A4、网络参数初始化:
将在源域中得到的模型迁移到当前的训练任务中,作为初始化参数,对A3所构建的关键点检测模型进行参数初始化。
A5、模型训练:
在参数初始化基础上,调整网络训练参数,利用A1、A2得到的数据集不断地进行迭代训练,最终得到目标域上的关键点检测模型。
本实施例中训练阶段的超参数设置:初始学习率设置为0.001;batch size为8;训练次数为300;学习率计划为余弦退火学习率;优化器为AdamW;损失函数由分类损失和回归损失组成,其中分类损失为focal loss,回归损失为smooth l1 loss。在训练过程中,当模型在验证集精度指标最高时,保存模型参数。
A6、模型预测:
使用A5得到的最优的关键点检测模型,在作业区域进行测试,所得结果可视化后如图6、7所示,其中还包含该关键点的类别信息以及置信度;随后,对结果进行非极大值抑制。
非极大值抑制处理的具体步骤为:在每个关键点建立一定范围的圆形缓冲区,对在缓冲区内的所有关键点进行置信度大小排序,只保留置信度最大的关键点。最终结果以点矢量的形式保存。
A7、空间关系分析:
将A6得到的点矢量进行空间关系分析,在每个关键点上建立一定范围的圆形缓冲区,计算每个关键点之间的空间距离,并进行排序,取出离圆心P0最近的点P1和次最近的点P2,若P1和P2都在缓冲区内,则新建线矢量,否则丢弃。最终结果可视化如图8、9所示。
实施例2
如图2所示,本实施例公开一迁移学习方法,步骤如下:
步骤a、将现有的高压线塔目标检测数据集(样本标注如图3所示),经一定方式转化为关键点检测数据集(样本标注如图4所示)。具体操作为通过检测框的两个角点坐标,计算出检测框的中心点坐标,中心点即为高压线塔的几何中心,满足高压线塔的关键点检测模型的训练要求。
步骤b、将步骤a得到的数据集作为源域数据,用于训练本发明的关键点检测模型。具体训练过程如下:
对模型参数进行随机初始化,利用步骤a得到的数据集不断地进行迭代训练,最终得到源域关键点检测模型。
本实施例中训练阶段的超参数设置:初始学习率设置为0.001;batch size为8;训练次数为300;学习率计划为余弦退火学习率;优化器为AdamW;损失函数由分类损失和回归损失组成,其中分类损失为focal loss,回归损失为smooth l1 loss。在训练过程中,当模型在验证集精度指标最高时,保存模型参数。步骤c、在步骤b得到的源域关键点检测模型的基础上,调整网络训练超参数,利用目标域数据进行微调,最终得到目标域上的检测模型。
具体微调过程为:将源域数据替换为目标域数据,模型参数初始化为步骤b得到的源域关键点检测模型,具体训练过程如下:
利用目标域数据,即实施例1中获得的数据集不断地进行迭代训练,最终得到目标域上的检测模型。
本实施例中训练阶段的超参数设置:初始学习率设置为0.0001;batch size为8;训练次数为300;学习率计划为余弦退火学习率;优化器为AdamW;损失函数由分类损失和回归损失组成,其中分类损失为focal loss,回归损失为smooth l1 loss。在训练过程中,当模型在验证集精度指标最高时,保存模型参数。本发明使用关键点检测技术,结合遥感影像自身的空间特性和光谱特性,成功实现高压线塔位置信息的提取。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于关键点检测的输电线路提取方法,其特征在于:包括以下步骤:
S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本,获得源域中的图像;用源域中的图像对关键点检测模型进行训练,获得训练好的源域中的关键点检测模型;
S2、将训练好的源域中的关键点检测模型的模型参数前移到目标域中的关键点检测模型中,对目标域中的关键点检测模型进行参数初始化;
S3、用目标域中的图像对参数初始化后的目标域中的关键点检测模型进行微调,得到训练好的目标域中的关键点检测模型;
所述目标域中的图像中均包含有高压线塔,且高压线塔上标记了关键点;
S4、用S3得到的目标域中的关键点检测模型对作业区域进行测试,获得作业区域高压线塔的关键点位置;
S5、对S4的测试结果进行空间关系分析,计算所有关键点之间的空间距离,在满足一定空间距离限制下,每个关键点都与其周围的关键点建立拓扑关系;
所述S1中将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本的方法为:
通过目标检测的检测框的两个角点坐标,计算出检测框的中心点坐标,将该中心点作为源域图像中的高压线塔的关键点。
2.根据权利要求1所述的基于关键点检测的输电线路提取方法,其特征在于:所述S3中,每个关键点都与最近的关键点以及次最近的关键点建立拓扑关系。
3.根据权利要求1所述的基于关键点检测的输电线路提取方法,其特征在于:所述目标域的构建方法为:
用遥感影像生成一定数量的影像切片,每个影像切片内都包含高压线塔;
在影像切片中,找出每个高压线塔的几何中心,在该几何中心以点矢量的形式进行标记,所得样本集按照一定的比例划分成训练集、验证集和测试集。
4.根据权利要求1所述的基于关键点检测的输电线路提取方法,其特征在于:关键点检测模型包括特征提取模块、特征金字塔模块以及网络输出端模块;
网络输出端模块包括分类模块和回归模块,分类模块用于获取关键点位置,回归模块用于获取关键点偏移量。
5.根据权利要求4所述的基于关键点检测的输电线路提取方法,其特征在于:将Efficientnet-b5的全连接层剔除,剩余部分构成所述特征提取模块。
6.根据权利要求4或5所述的基于关键点检测的输电线路提取方法,其特征在于:特征金字塔模块为BiFPN。
7.根据权利要求1或2所述的基于关键点检测的输电线路提取方法,其特征在于:所述S4中,拓扑关系以线矢量的方式输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110140906.3A CN112883840B (zh) | 2021-02-02 | 2021-02-02 | 基于关键点检测的输电线路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110140906.3A CN112883840B (zh) | 2021-02-02 | 2021-02-02 | 基于关键点检测的输电线路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883840A CN112883840A (zh) | 2021-06-01 |
CN112883840B true CN112883840B (zh) | 2023-07-07 |
Family
ID=76052524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110140906.3A Active CN112883840B (zh) | 2021-02-02 | 2021-02-02 | 基于关键点检测的输电线路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883840B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985143A (zh) * | 2018-05-10 | 2018-12-11 | 国电南瑞科技股份有限公司 | 一种基于无人机图像识别架空输电线路铁塔结构的方法 |
CN109254287A (zh) * | 2018-10-08 | 2019-01-22 | 国网经济技术研究院有限公司 | 基于合成孔径雷达影像检测输电导线的方法 |
CN109325539A (zh) * | 2018-09-30 | 2019-02-12 | 云南电网有限责任公司普洱供电局 | 绝缘子掉串检测方法及装置 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110910440A (zh) * | 2019-09-30 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
CN111145159A (zh) * | 2019-12-27 | 2020-05-12 | 北京数字绿土科技有限公司 | 提取巡检关键部件点的方法及装置 |
CN111404075A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种无人机巡检的输电线路自动测量方法 |
CN111444809A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于改进YOLOv3的输电线路异常目标检测方法 |
CN111461006A (zh) * | 2020-03-31 | 2020-07-28 | 哈尔滨航耀光韬科技有限公司 | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 |
CN111553204A (zh) * | 2020-04-10 | 2020-08-18 | 国网内蒙古东部电力有限公司 | 一种基于遥感影像的输电杆塔检测方法 |
CN111797697A (zh) * | 2020-06-10 | 2020-10-20 | 河海大学 | 基于改进CenterNet的有角度高分遥感图像目标检测方法 |
CN112163545A (zh) * | 2020-10-12 | 2021-01-01 | 北京易华录信息技术股份有限公司 | 一种头部特征提取方法、装置、电子设备及存储介质 |
CN112288019A (zh) * | 2020-10-30 | 2021-01-29 | 天津天地伟业智能安全防范科技有限公司 | 一种基于关键点定位的厨师帽检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11361423B2 (en) * | 2019-06-17 | 2022-06-14 | RecognAIse Technologies Inc. | Artificial intelligence-based process and system for visual inspection of infrastructure |
-
2021
- 2021-02-02 CN CN202110140906.3A patent/CN112883840B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985143A (zh) * | 2018-05-10 | 2018-12-11 | 国电南瑞科技股份有限公司 | 一种基于无人机图像识别架空输电线路铁塔结构的方法 |
CN109325539A (zh) * | 2018-09-30 | 2019-02-12 | 云南电网有限责任公司普洱供电局 | 绝缘子掉串检测方法及装置 |
CN109254287A (zh) * | 2018-10-08 | 2019-01-22 | 国网经济技术研究院有限公司 | 基于合成孔径雷达影像检测输电导线的方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110910440A (zh) * | 2019-09-30 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
CN111145159A (zh) * | 2019-12-27 | 2020-05-12 | 北京数字绿土科技有限公司 | 提取巡检关键部件点的方法及装置 |
CN111404075A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种无人机巡检的输电线路自动测量方法 |
CN111444809A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于改进YOLOv3的输电线路异常目标检测方法 |
CN111461006A (zh) * | 2020-03-31 | 2020-07-28 | 哈尔滨航耀光韬科技有限公司 | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 |
CN111553204A (zh) * | 2020-04-10 | 2020-08-18 | 国网内蒙古东部电力有限公司 | 一种基于遥感影像的输电杆塔检测方法 |
CN111797697A (zh) * | 2020-06-10 | 2020-10-20 | 河海大学 | 基于改进CenterNet的有角度高分遥感图像目标检测方法 |
CN112163545A (zh) * | 2020-10-12 | 2021-01-01 | 北京易华录信息技术股份有限公司 | 一种头部特征提取方法、装置、电子设备及存储介质 |
CN112288019A (zh) * | 2020-10-30 | 2021-01-29 | 天津天地伟业智能安全防范科技有限公司 | 一种基于关键点定位的厨师帽检测方法 |
Non-Patent Citations (7)
Title |
---|
Deep Learning Based Electric Pylon Detection in Remote Sensing Images;Sijia Qiao 等;《remote sensing》;第12卷(第11期);1-29 * |
EfficientDet: Scalable and Efficient Object Detection;Mingxing Tan 等;《arXiv》;1-10 * |
Power Line Recognition From Aerial Images With Deep Learning;¨ OMER EMRE YETGIN 等;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;第55卷(第5期);2241-2252 * |
Towards the Automatic Visual Monitoring of Electricity Pylons from Aerial Images;Anicetus Odo 等;《In Proceedings of the 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications 》;第5卷;566-573 * |
一种基于深度学习网络的输电杆塔智能检测算法;韦汶妍 等;《广东电力》;第33卷(第9期);166-173 * |
基于 EfficientDet 和双目摄像头的绝缘子缺陷检测;刘逸凡 等;《中国电力》;第54卷(第2期);156-163、196 * |
基于迁移学习的小样本输电线路巡检图像处理方法;陆继翔 等;《全球能源互联网》;第2卷(第4期);409-415 * |
Also Published As
Publication number | Publication date |
---|---|
CN112883840A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN110889449A (zh) | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 | |
CN109949316A (zh) | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 | |
CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN108647682A (zh) | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 | |
CN112836614B (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN114359702A (zh) | 一种基于Transformer的宅基地遥感图像违建识别方法及系统 | |
CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
CN113902830B (zh) | 轨迹路网生成方法 | |
Liu et al. | Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network | |
CN112329830A (zh) | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 | |
CN112883840B (zh) | 基于关键点检测的输电线路提取方法 | |
CN116740528A (zh) | 一种基于阴影特征的侧扫声呐图像目标检测方法及系统 | |
CN108399413B (zh) | 一种图片拍摄区域识别及地理定位方法及装置 |
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 |