CN112991252A - 一种输电线路上的防震锤缺失检测方法 - Google Patents
一种输电线路上的防震锤缺失检测方法 Download PDFInfo
- Publication number
- CN112991252A CN112991252A CN201911210191.3A CN201911210191A CN112991252A CN 112991252 A CN112991252 A CN 112991252A CN 201911210191 A CN201911210191 A CN 201911210191A CN 112991252 A CN112991252 A CN 112991252A
- Authority
- CN
- China
- Prior art keywords
- image
- sum
- dis
- vertical projection
- hammer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005540 biological transmission Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000010191 image analysis Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种输电线路上的防震锤缺失检测方法,该算法首先使用无人机巡检采集包含防震锤的航拍图像,然后采用基于类Haar特征与AdaBoost分类器识别出无人机航拍图像中的防震锤区域并分割,再对防震锤区域进行直线检测,通过检测的直线平均角度对防震锤图像进行水平校正,接着对校正图像进行二值化与垂直投影,根据垂直投影图中两端重锤位置到线夹位置的距离关系对防震锤进行缺失判定。本发明将复杂的二维图像分析转换为简单的一维数据分析,可准确、快速完成防震锤的缺失检测,具有较高的工程应用价值。
Description
技术领域
本发明涉及一种输电线路上的防震锤缺失检测方法。属于计算机视觉与输电线路巡检领域。
技术背景
随着国家综合国力的不断发展提升,社会的快速发展对电网建设提出了更高的要求。输电线路作为电网中的重要组成部分,其稳定运行是国民安全用电的重要保障。高压输电线上的防震锤是为了减少导线因风力扯起振动而设的,防震锤安装后能产生与导线振动相位相反的运动,从而使导线振动消除或减弱。输电线路长期在露天环境下运行,防震锤经受风霜雨雪、雷电等各种恶劣的自然条件的影响,防震锤重锤部位容易损坏缺失,这些影响都会危及输电线路的安全运行。为保证输电线路的安全运行,有必要对输电线路的防震锤进行缺失检测。
传统的输电线路防震锤检测通常是人工到位肉眼查看,在电力线处于高空位置,覆盖面积大的情况下,人工肉眼检测无法准确识别且检测效率低,实时性差,危险性大,对工作人员状态和经验要求高,往往不能满足电力线巡检的覆盖面与即时性要求,智能化手段代替人工检测已成为必然趋势,但目前有效、简单易行的智能化输电线路防震锤检测方法并不多,因此,采用图像处理技术对防震锤进行缺失检测对输电线路巡检具有重要意义。
发明内容
本发明所要解决的技术问题是:提出一种输电线路上的防震锤缺失检测方法,实现对防震锤的准确检测,降低巡检人员的工作强度与危险系数,提高工作效率。
为解决上述技术问题,本发明提供一种输电线路上的防震锤缺失检测方法,包括以下步骤:
1、使用无人机巡检采集包含防震锤的航拍图像。
2、采用类Haar特征与AdaBoost分类器检测并定位出航拍图像中的防震锤,得到航拍图像中的防震锤区域。
3、对图像中的防震锤区域进行霍夫直线检测,检测图像中所有的直线,并计算所有直线与横坐标轴的夹角平均值,根据直线的夹角平均值对防震锤区域进行水平校正。
4、对校正后的图像二值化,得到防震锤的二值图像。
5、对二值图像进行垂直方向上的投影。
6、根据防震锤的垂直投影图像中两端重锤部分到线夹之间的距离差距,判断防震锤是否缺失。
与现有技术相比,本发明的有益效果是:
1)本发明提出的一种输电线路上的防震锤缺失检测方法,根据垂直投影图像的像素分布特征检测防震锤是否缺失,极大的降低了拍摄颜色、光照等环境因素对防震锤缺失检测效果的影响,对于防震锤重锤部位存在反光情况的图像也能准确的识别。
2)本发明提出的一种输电线路上的防震锤缺失检测方法,根据两端重锤位置到线夹位置之间的差距判断防震锤是否缺失,无需严格控制防震锤的拍摄视角,也不需要对防震锤图像进行归一化,仍能保证检测准确率。
3)本发明提出的一种输电线路上的防震锤缺失检测方法,将复杂的二维图像分析转换为简单的一维数据分析,在保证检测准确率的同时,简化了分析问题的难度,加快了处理速度,具有较高的工程应用价值。
附图说明
图1为算法流程图;
图2为高压线路防震锤检测识别示意图;
图3为防震锤水平校正示意图;
图4为防震锤缺失检测方法原理示意图;
图5为实际防震锤缺失检测方法示意图;
图6为防震锤缺失检测情况示意图。
具体实施方式
如图1所示,本发明提出的一种输电线路上的防震锤缺失检测方法包括以下步骤:
1、使用无人机巡检采集包含防震锤的航拍图像,当搭载相机的无人机至输电线路周围时,以镜头与防震锤间无遮挡的角度拍摄防震锤,实时捕获巡检图像。
2、防震锤区域定位:防震锤区域定位主要包括三个过程:训练过程、识别过程和分割过程。训练过程在巨大的类Haar特征集中选择少量关键的具有较强分类特性的特征,产生一系列弱分类器构成强分类器,然后通过级联的方式,得到最终的AdaBoost分类器。识别过程首先对测试样本提取关键类Haar特征,然后输入到级联AdaBoost分类器中进行防震锤的识别。分割过程是将已经识别出防震锤的图像利用灰度阈值分割法处理,得到防震锤区域分割图,具体步骤如下:
11)训练过程:利用防震锤训练正样本与负样本计算积分图,其中防震锤训练正样本中包含部分缺失的防震锤,以免缺失的防震锤在检测中直接被漏检,基于积分图提取防震锤的扩展类Haar特征,然后利用AdaBoost算法选取关键的具有较强分类特性的特征,产生一系列弱分类器以构成强分类器,最后通过级联的方式将强分类器组成级联AdaBoost分类器。
12)识别与分割过程:识别与分割过程是提取测试样本的类Haar特征,利用训练过程中得到的级联AdaBoost分类器进行防震锤的分类识别,并在原图中标记出识别出的防震锤所在位置,并利用灰度阈值分割法将检测到的防震锤分割出来。分割出来的防震锤图片用src_cut表示,方便后文对其进行缺失分析。
3、对分割出来的防震锤图片src_cut进行校正。
无人机航拍图像中高压线上的防震锤通常处于倾斜的状态,且倾斜角度不唯一,影响防震锤的缺失检测,需要先对防震锤图片src_cut作校正处理。
21)直线检测:使用canny算法对防震锤图像进行边缘检测,得到边缘图像,再将边缘图像灰度化获取灰度图src_gray,由于防震锤悬挂在高压线上,所以直线检测能检测出航拍图像中的高压线,根据高压线的角度对整个图片进行旋转可达到校正的效果。因此使用霍夫直线检测的方法检测出图像中的所有直线并标注,并统计所有直线的角度θ1,θ2,θ3…θn,求出所有直线与横坐标轴的夹角平均值avg_angle,avg_angle的计算公式为:
22)水平校正:水平校正的主要任务就是根据防震锤的倾斜角度,利用仿射变换矩阵将倾斜的防震锤投影到新的平面上,使得防震锤在新的平面上是水平分布的,即防震锤上的导线是水平分布的,具体操作步骤如下:
a.以原图像的中点为旋转中心,并根据平均倾斜角度avg_angle计算图像二维旋转的仿射变换矩阵,仿射变换矩阵公式如下:
其中α=scale*cos(angle),β=scale*sin(angle),angle表示图像的旋转角度,(center.x,center.y)表示旋转中心,scale为缩放因子,取angle=avg_angle。
b.图像旋转矫正,可以用如下公式描述图像旋转矫正过程:
由于图像旋转之后在新的画布下填充其他颜色,会对图像的二值化产生影响,因此使用图像边界色填充画布,得到水平校正图像src_recified,src_recified的背景与原图背景一致。校正前后的效果图如图2所示。
4、对校正后的图片进行缺失分析。
31)二值化:采用ostu算法对矫正后的图像src_recified进行二值化处理,得到背景为白色,防震锤区域为黑色的二值图像src_binary。
32)垂直投影:将二值化后的图像src_binary看作是由{x1,x2,x3,x4,...}列向量组成的矩阵。统计每列黑色像素个数的总和sum[i],i∈[0,width-1],width为图像的宽,同时寻找sum[i]的最大值sum_max,再将二值图像按列向x轴方向投影,得到垂直投影图。
33)缺失判定:防震锤由一定质量的重锤,具有高弹性、高强度的镀锌钢纹线及线夹组成,线夹固定在高压线上。其中两侧重锤以线夹为中心对称分布。由防震锤结构特征的先验知识,可以预测到防震锤二值图像的垂直投影图像像素分布特征突出,中间线夹位置处黑色像素点最多,两侧重锤位置黑色像素点数量次之,因此完整的防震锤在没有其他外界干扰的情况下,垂直投影图应该具有五个波峰,四个波谷,并且由于防震锤和导线的依附关系,投影直方图总不为0,而缺失重锤部分的防震锤波峰数少于五个。利用二值图像做垂直投影分析判断防震锤是否缺失的主要任务就是从获取的垂直投影图上来分析两侧重锤的横坐标与防震锤线夹处横坐标之间的距离,根据两侧距离的差异来判断是否存在缺失与缺失的方位。
防震锤缺失判定原理如图4所示,由于防震锤并不总是处于整张图片的中心位置,因此无法直接获取防震锤线夹部分的中心轴的位置,所以要有一个合理的阈值,以此来确定两侧重锤到线夹之间的距离,再根据两端相对距离是否存在异常来判定防震锤是否缺失。根据图4所示判定原理,在防震锤的垂直投影图中,由于噪点的影响,很难确定防震锤线夹部分的中心轴,于是取线夹两侧分别作为两侧重锤的参考位置来对防震锤进行缺失判定,如图5所示,缺失判定的具体步骤如下:
1)确定垂直投影图中两侧重锤所在位置。
由于防震锤与输电线的依附关系,防震锤区域分割图像中在防震锤左右两侧均存在输电线,因此二值图像每列黑色像素点的总和包含了输电线二值化后的黑色像素值,即
sum[i]=sumline[i]+sumhammer[i]
其中sumline[i]表示输电线二值化后在第i列的黑色像素总和,sumhammer[i]表示防震锤二值化后在第i列的黑色像素总和。因此取垂直投影图前五列黑色像素点总和的平均值avg作为输电线二值化后在每列像素中的值,avg的计算公式为:
以sum[i]>n*avg为两侧重锤所在位置的判定依据确定垂直投影图中两侧重锤所在位置具体步骤如下:
处理垂直投影图像左侧:对垂直投影图从左向右按列遍历像素点,在左侧标记列黑色像素点总和初次满足sum[i]>2*avg时对应的横坐标left;
处理垂直投影图像右侧:对垂直投影图从右向左按列遍历像素点,在右侧标记列黑色像素点总和初次满足sum[i]>2.5*avg时对应的横坐标right。
2)确定垂直投影图中线夹两侧所在位置。
a.在步骤缺失判定步骤1的a)步骤中对垂直投影图从左向右按列遍历像素点时,当找到满足条件的横坐标left时,继续从左向右遍历像素点,在线夹的中心轴左侧寻找第一次列黑色像素点总和满足sum[i]=sum_max时对应的横坐标left_max,此时left_max即为线夹左侧的位置;
b.在步骤缺失判定步骤1的b)步骤中对垂直投影图从右向左按列遍历像素点时,当找到满足条件的横坐标right时,继续从右向左遍历像素点,在线夹的中心轴右侧寻找第一次列黑色像素点总和满足sum[i]=sum_max时对应的横坐标right_max,此时right_max即为线夹右侧的位置。
3)计算左右两侧重锤与线夹的距离
a.计算left和left_max的绝对差值Dis_left=|left-left_max|;
b.计算right和right_max的绝对差值Dis_right=|right-right_max|。
4)检测是否存在横坐标的异常间隔值
检测Dis_left和n*Dis_right的大小关系以及Dis_right和n*Dis_left的大小关系,当n取3时,检测效果最为准确,即检测Dis_left>3*Dis_right,以及Dis_right>3*Dis_left,若不存在这两种情况,则证明防震锤没有缺失;若Dis_left>3*Dis_right,则证明防震锤右侧缺失;若Dis_right>3*Dis_left,则证明防震锤左侧缺失,防震锤检测结果示意图如图6所示。
Claims (6)
1.一种输电线路上的防震锤缺失检测方法,其特征在于,包括以下步骤:
1)使用无人机巡检采集包含防震锤的航拍图像;
2)采用类Haar特征与AdaBoost分类器检测并定位出航拍图像中的防震锤,得到航拍图像中的防震锤区域;
3)对图像中的防震锤区域进行霍夫直线检测,检测图像中所有的直线,并计算所有直线与横坐标轴的夹角平均值,根据直线的夹角平均值对防震锤区域进行水平校正;
4)对校正后的图像二值化,得到防震锤的二值图像;
5)对二值图像进行垂直方向上的投影;
6)根据防震锤的垂直投影图像中两端重锤部分到线夹之间的距离差距,判断防震锤是否缺失。
2.根据权利要求1所述的一种输电线路上的防震锤缺失检测方法,其特征在于,在所述步骤2)中,采用类Haar特征与AdaBoost分类器检测并定位出航拍图像中的防震锤,得到航拍图像中的防震锤区域,具体步骤为:
训练过程:利用防震锤训练正样本与负样本计算积分图,其中防震锤训练正样本中包含部分缺失的防震锤,以免缺失的防震锤在检测中直接被漏检,基于积分图提取防震锤的扩展类Haar特征,然后利用AdaBoost算法选取关键的具有较强分类特性的特征,产生一系列弱分类器以构成强分类器,最后通过级联的方式将强分类器组成级联AdaBoost分类器;
识别与分割过程:识别与分割过程是提取测试样本的类Haar特征,利用训练过程中得到的级联AdaBoost分类器进行防震锤的分类识别,并在原图中标记出识别出的防震锤所在位置,并利用灰度阈值分割法将检测到的防震锤分割出,分割出来的防震锤图片用src_cut表示,方便后文对其进行缺失分析。
3.根据权利要求1所述的一种输电线路上的防震锤缺失检测方法,其特征在于,在所述步骤3)中,对图像中的防震锤区域进行霍夫直线检测,检测图像中所有的直线,并计算所有直线与横坐标轴的夹角平均值,根据直线的夹角平均值对防震锤区域进行水平校正,具体步骤为:
直线检测:使用canny算法对防震锤图像进行边缘检测,得到边缘图像,再将边缘图像灰度化获取灰度图src_gray,由于防震锤悬挂在高压线上,所以直线检测能检测出航拍图像中的高压线,根据高压线的角度对整个图片进行旋转可达到校正的效果,因此使用霍夫直线检测的方法检测出图像中的所有直线并标注,并统计所有直线的角度θ1,θ2,θ3…θn,求出所有直线与横坐标轴的夹角平均值avg_angle,avg_angle的计算公式为:
水平校正:水平校正的主要任务就是根据防震锤的倾斜角度,利用仿射变换矩阵将倾斜的防震锤投影到新的平面上,使得防震锤在新的平面上是水平分布的,即防震锤上的导线是水平分布的,具体操作步骤如下:
a.以原图像的中点为旋转中心,并根据平均倾斜角度avg_angle计算图像二维旋转的仿射变换矩阵,仿射变换矩阵公式如下:
其中α=scale*cos(angle),β=scale*sin(angle),angle表示图像的旋转角度,(center.x,center.y)表示旋转中心,scale为缩放因子,取angle=avg_angle;
b.图像旋转矫正,可以用如下公式描述图像旋转矫正过程:
由于图像旋转之后在新的画布下填充其他颜色,会对图像的二值化产生影响,因此使用图像边界色填充画布,得到水平校正图像src_recified,src_recified的背景与原图背景一致。
4.根据权利要求1所述的一种输电线路上的防震锤缺失检测方法,其特征在于,在所述步骤4)中,对校正后的图像二值化,得到防震锤的二值图像,具体步骤为:
采用ostu算法对矫正后的图像src_recified进行二值化处理,得到背景为白色,防震锤区域为黑色的二值图像src_binary。
5.根据权利要求1所述的一种输电线路上的防震锤缺失检测方法,其特征在于,在所述步骤5)中,对二值图像进行垂直方向上的投影,具体步骤为:
将二值化后的图像src_binary看作是由{x1,x2,x3,x4,...}列向量组成的矩阵,统计每列黑色像素个数的总和sum[i],i∈[0,width-1],width为图像的宽,同时寻找sum[i]的最大值sum_max,再将二值图像按列向x轴方向投影,得到垂直投影图。
6.根据权利要求1所述的一种输电线路上的防震锤缺失检测方法,其特征在于,在所述步骤6)中,根据防震锤的垂直投影图像中两端重锤部分到线夹之间的距离差距,判断防震锤是否缺失,具体步骤为:
61)确定垂直投影图中两侧重锤所在位置;
由于防震锤与输电线的依附关系,防震锤区域分割图像中在防震锤左右两侧均存在输电线,因此二值图像每列黑色像素点的总和包含了输电线二值化后的黑色像素值,即
sum[i]=sumline[i]+sumhammer[i]
其中sumline[i]表示输电线二值化后在第i列的黑色像素总和,sumhammer[i]表示防震锤二值化后在第i列的黑色像素总和,因此取垂直投影图前五列黑色像素点总和的平均值avg作为输电线二值化后在每列像素中的值,avg的计算公式为:
以sum[i]>n*avg为两侧重锤所在位置的判定依据确定垂直投影图中两侧重锤所在位置具体步骤如下:
处理垂直投影图像左侧:对垂直投影图从左向右按列遍历像素点,在左侧标记列黑色像素点总和初次满足sum[i]>2*avg时对应的横坐标left;
处理垂直投影图像右侧:对垂直投影图从右向左按列遍历像素点,在右侧标记列黑色像素点总和初次满足sum[i]>2.5*avg时对应的横坐标right;
62)确定垂直投影图中线夹两侧所在位置
a.在步骤缺失判定步骤1的a)步骤中对垂直投影图从左向右按列遍历像素点时,当找到满足条件的横坐标left时,继续从左向右遍历像素点,在线夹的中心轴左侧寻找第一次列黑色像素点总和满足sum[i]=sum_max时对应的横坐标left_max,此时left_max即为线夹左侧的位置;
b.在步骤缺失判定步骤1的b)步骤中对垂直投影图从右向左按列遍历像素点时,当找到满足条件的横坐标right时,继续从右向左遍历像素点,在线夹的中心轴右侧寻找第一次列黑色像素点总和满足sum[i]=sum_max时对应的横坐标right_max,此时right_max即为线夹右侧的位置;
63)计算左右两侧重锤与线夹的距离
a.计算left和left_max的绝对差值Dis_left=|left-left_max|;
b.计算right和right_max的绝对差值Dis_right=|right_right_max|;
64)检测是否存在横坐标的异常间隔值
检测Dis_left和n*Dis_right的大小关系以及Dis_right和n*Dis_left的大小关系,当n取3时,检测效果最为准确,即检测Dis_left>3*Dis_right,以及Dis_right>3*Dis_left,若不存在这两种情况,则证明防震锤没有缺失;若Dis_left>3*Dis_right,则证明防震锤右侧缺失;若Dis_right>3*Dis_left,则证明防震锤左侧缺失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911210191.3A CN112991252A (zh) | 2019-11-29 | 2019-11-29 | 一种输电线路上的防震锤缺失检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911210191.3A CN112991252A (zh) | 2019-11-29 | 2019-11-29 | 一种输电线路上的防震锤缺失检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991252A true CN112991252A (zh) | 2021-06-18 |
Family
ID=76330948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911210191.3A Pending CN112991252A (zh) | 2019-11-29 | 2019-11-29 | 一种输电线路上的防震锤缺失检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744211B (zh) * | 2021-08-19 | 2023-11-03 | 衢州光明电力投资集团有限公司赋腾科技分公司 | 一种图像中基于方位组合的目标部件缺失检测方法 |
-
2019
- 2019-11-29 CN CN201911210191.3A patent/CN112991252A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744211B (zh) * | 2021-08-19 | 2023-11-03 | 衢州光明电力投资集团有限公司赋腾科技分公司 | 一种图像中基于方位组合的目标部件缺失检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
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 | |
US11958197B2 (en) | Visual navigation inspection and obstacle avoidance method for line inspection robot | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN110543837A (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
Wang et al. | Recognition and drop-off detection of insulator based on aerial image | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN104764748A (zh) | 定位绝缘子的方法、系统以及故障检测的方法和系统 | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN106960178B (zh) | 绝缘子识别模型的训练方法以及绝缘子的识别与定位方法 | |
CN110334750A (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN105976368A (zh) | 一种绝缘子定位方法 | |
CN105354589A (zh) | 一种在接触网图像中智能识别绝缘子裂损的方法及系统 | |
Wang et al. | Pointer meter recognition in UAV inspection of overhead transmission lines | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN114973116A (zh) | 一种自注意力特征嵌入夜间机场跑道异物检测方法与系统 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210618 |
|
WD01 | Invention patent application deemed withdrawn after publication |