CN113033386B - 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 - Google Patents
一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 Download PDFInfo
- Publication number
- CN113033386B CN113033386B CN202110309209.6A CN202110309209A CN113033386B CN 113033386 B CN113033386 B CN 113033386B CN 202110309209 A CN202110309209 A CN 202110309209A CN 113033386 B CN113033386 B CN 113033386B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- hidden danger
- sensing image
- transmission line
- line channel
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012892 rational function Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000013145 classification model Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统，通过一定数量的遥感图片的标注，对通道环境隐患分类模型进行训练，以使通道环境隐患分类模型后续能独立对遥感图片进行处理，输入输电线路通道内待检测的遥感影像，将每一个检测样本放入训练好的模型进行分类识别，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图，实现了基于高分辨率遥感影像的输电线路通道隐患快速识别，提高了系统的实时性。
Description
技术领域
本发明涉及遥感影像分析，以及人工智能应用等技术领域，尤其是指一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统。
背景技术
高时效、高精度的矢量地图不仅在城市规划、变化检测和灾害管理等应用中发挥重要作用，同时也是众多基于位置的商业服务的重要基础数据产品之一。高分辨率遥感影像是高精度矢量地图生产的主要数据源之一，而在矢量地图生产过程中，建筑物是地理数据库中最容易增加和发生变化的因素，也是最需要更新的部分。由于建筑物对于城市建设、GIS系统更新、数字化城市以及军事侦察等方面的重要性，快速提取的建筑物信息技术和进行建筑物变化的检测有着良好的应用前景。然而，建筑物目标由于分布广泛且体量庞大，其识别和标注往往成为一项过程繁琐而又成本高昂的工作。目前以卷积神经网络和全卷积网络为代表的深度学习技术已经大幅度提高了遥感影像建筑物自动检测的精度，但是一方面由于现有建筑物检测方法在某些场景中的有限识别能力和有限的迁移应用能力，另一方面即使对于大部分成功识别的建筑物，其轮廓边缘处仍可能无法避免发生微小的漏检和错检，在这种情况下应用多边形简化算法对建筑物轮廓进行处理，很容易导致生成不精确和不规则的矢量结果。
利用高分辨率遥感影像的输电通道环境巡视本质是基于高分辨率遥感影像的环境地物分类。实现高精度的环境地物分类，目前，已经发展了许多特征提取方法，比如：波段运算提取植被指数、灰度共生矩阵提取纹理特征。然而，在环境地物非常复杂或分类体系细化的情况下(比如：城市场景下区分道路、建筑物、绿化带、阴影和水体)，现有的属性剖面仅仅考虑面积、大小、标准差等地物空间尺度相关的特征，无法有效地对地物的复杂特征进行提取。
发明内容
针对上述背景技术中的问题，提供一种全新的基于高分辨率遥感影像的输电线路通道隐患识别方法。以方形邻域为识别单元，能够从更大的范围综合考察，更好地识别输电线路通道隐患，减少干扰。用以深度学习为主的人工智能方法，能够处理更大的数据量，更加智能化，不需要人为设置阈值，完全是自适应的，可以更好地识别待检测遥感影像，确保提取的数据更加真实、准确。
本发明所述的一种基于高分辨率遥感影像的输电线路通道隐患识别方法，包括：
S1获取输电线路通道区域的高分辨率遥感影像；
S2对所述高分辨率遥感影像进行正射校正处理和波段组合归一化处理；
S3选取输电线路通道障碍样本点和非障碍样本点作为训练样本点，记录输电线路通道障碍点基于线路基站的横纵坐标；
S4在所述高分辨率遥感影像上，以通道障碍点为中心，4*4行的方形邻域作为一个训练样本；
S5判定每个训练样本的识别结果为有隐患或无隐患，若所述遥感影像中对应实景地图100m*100m范围内存在大于5个通道障碍点即识别为有隐患，将有隐患的训练样本记为1，无隐患的训练样本记为0；
S6建立深度学习模型，将训练样本输入深度学习模型进行分类训练，得到训练好的深度学习模型；
S7获取输电线路通道内待检测的遥感影像，通过网格分割为4*4行的检测样本，将每一个检测样本放入训练好的模型进行分类识别，得到是否有隐患，记作1或0；
S8将4*4行方形区域的检测样本按原始位置组合，对应到输电线路通道实景地图上，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图。
本发明与普通的遥感影像相比，高分辨率遥感影像具有更高的分辨率，再结合深度学习方法，能够识别更细小的输电线路通道环境，提高了系统的实时性，为机器视觉及人工智能的并行处理提供了可能。本发明通过一定数量的遥感图片的标注，对通道环境隐患分类模型进行训练，以使通道环境隐患分类模型后续能独立对遥感图片进行处理，输入输电线路通道内待检测的遥感影像，将每一个检测样本放入训练好的模型进行分类识别，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图，实现了基于高分辨率遥感影像的输电线路通道隐患快速识别。
具体地，将遥感影像输入向量机分类器中，得到通道环境的隐患类型，所述隐患类型包括：树障、杆塔倾斜、山火、导线损坏。
进一步地，通过预处理获得波段范围为0.52μm-0.59μm的和0.77μm-0.89μm的影像；在所述高分辨率遥感影像上采用上述两个波段的影像，获取训练样本。
进一步地，所述正射校正处理是采用有理函数模型对遥感影像中明显几何畸变进行纠正。
进一步地，所述归一化处理将前后两个时相的遥感影像按照波段进行展开，对每个波段下遥感影像的亮度值做归一化处理。
进一步地，获得线路通道隐患检测实景地图后，采用形态学图像方法对检测结果进行形态学滤波处理。
进一步地，本发明还提供一种可读储存介质，其上储存有控制程序，其特征在于：该控制程序被处理器执行时实现如上述任意一项所述的基于高分辨率遥感影像的输电线路通道隐患识别方法。
进一步地，本发明还提供一种计算机控制系统，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序，其特征在于：所述处理器执行所述控制程序时实现如上述任意一项所述的基于高分辨率遥感影像的输电线路通道隐患识别方法。
为了能更清晰的理解本发明，以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明实施例的基于高分辨率遥感影像的输电线路通道隐患识别方法流程图。
具体实施方式
请参阅图1，为本发明实施例的基于高分辨率遥感影像的输电线路通道隐患识别方法流程图。
获取输电线路通道区域的高分辨率遥感影像；
对所述高分辨率遥感影像进行正射校正处理和波段组合归一化处理；
所述正射校正处理是采用有理函数模型对遥感影像中明显几何畸变进行纠正。
所述归一化处理将前后两个时相的遥感影像按照波段进行展开，对每个波段下遥感影像的亮度值做归一化处理。
选取输电线路通道障碍样本点和非障碍样本点作为训练样本点，记录输电线路通道障碍点基于线路基站的横纵坐标；
通过预处理获得波段范围为0.52μm-0.59μm的和0.77μm-0.89μm的影像；在所述高分辨率遥感影像上采用上述两个波段的影像，获取训练样本。
在所述高分辨率遥感影像上，以通道障碍点为中心，4*4行的方形邻域作为一个训练样本；由于采用了两个波段，因此每个训练样本为4*4*2张量，此为一个训练样本的输入数据。
判定每个训练样本的识别结果为有隐患或无隐患，若所述遥感影像中对应实景地图100m*100m范围内存在大于5个通道障碍点即识别为有隐患，将有隐患的训练样本记为1，无隐患的训练样本记为0；
建立深度学习模型，将训练样本输入深度学习模型进行分类训练，得到训练好的深度学习模型；深度学习模型的结构为1个输入层、1个卷积层、1个池化层、1个全连接层、1个输出层。
获取输电线路通道内待检测的遥感影像，通过网格分割法将遥感影像分割为4*4*2张量，作为检测样本的输入数据，将每一个检测样本放入训练好的模型进行分类识别，按照向量机分类器中获得的通道环境隐患类型，识别待检测的遥感图像上的通道障碍点，隐患类型包括：树障、杆塔倾斜、山火、导线损坏，以遥感影像中对应实景地图100m*100m范围内存在大于5个通道障碍点即识别为有隐患，记作1或0；
将4*4行方形区域的检测样本按原始位置组合，对应到输电线路通道实景地图上，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图。
在本发明的实施例中，获得线路通道隐患检测实景地图后，采用形态学图像方法对检测结果进行形态学滤波处理。
在本发明的实施例中，本发明设计的深度学习网络，可以有效改善地物分类的精度，同时提高网络参数训练效率。利用四波段(红、绿、蓝、近红外)高分辨率城市遥感影像进行波段计算，首先通过一定数量的遥感图片的标注，对通道环境隐患分类模型进行训练，以使通道环境隐患分类模型后续能独立对遥感图片进行处理。选取输电线路通道障碍样本点和非障碍样本点作为训练样本点，本步骤中障碍样本点为手动选取标注，可以采用现有的标注工具进行人工标注，将训练遥感图片中两种不同类型的样本点进行标注，然后以标注好的大比例尺遥感图片，利用resnet卷积神经网络训练通道环境隐患分类模型，以使所述通道环境隐患分类模型后续能独立分辨大比例尺的遥感图片中是否存在障碍隐患；以小比例尺的遥感图片，利用Unet卷积神经网络训练通道环境隐患分类模型，以使所述通道环境隐患分类模型后续能独立识别和分割小比例尺的遥感图片中的障碍隐患。
在完成上述模型训练后，即可输入输电线路通道内待检测的遥感影像，通过网格分割法将遥感影像分割为4*4*2张量，作为检测样本的输入数据，将每一个检测样本放入训练好的模型进行分类识别，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图。
在使用上述方法进行遥感图片输电线路通道隐患的像素灰度值替换，能极大地减少后续对输电线路通道隐患识别分析处理的时间，有效提高遥感图片的处理速度。大大减少了信息的处理量以及无用信息的存储传输，节省了数据在传输过程中对网络带宽的占用和存储开销，具有很好地实时性。除此之外，本发明可以在样本数据非常少的情况下进行训练，以少量的测量次数即可得到精准的重构结果。这样大大减少了数据集采集过程中对资金、时间和人力的消耗，在医疗、军事、遥感、导航等特定领域拥有重要而深远的应用前景。
在复杂场景下，能够快速且精确的实现目标检测，具有精度高，实时性好，鲁棒性强的优点。在视频监控、虚拟现实、人机交互、自主导航等领域，具有重要的理论研究意义和实际应用价值。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也一同包含这些改动和变形。
Claims (7)
1.一种基于高分辨率遥感影像的输电线路通道隐患识别方法，包括：
获取输电线路通道区域的高分辨率遥感影像；
对所述高分辨率遥感影像进行正射校正处理和波段组合归一化处理；
选取输电线路通道障碍样本点和非障碍样本点作为训练样本点，记录输电线路通道障碍点基于线路基站的横纵坐标；
在所述高分辨率遥感影像上，以通道障碍点为中心，4*4行的方形邻域作为一个训练样本；
判定每个训练样本的识别结果为有隐患或无隐患，若所述遥感影像中对应实景地图100m*100m范围内存在大于5个通道障碍点即识别为有隐患，将有隐患的训练样本记为1，无隐患的训练样本记为0；
建立深度学习模型，将训练样本输入深度学习模型进行分类训练，得到训练好的深度学习模型；
获取输电线路通道内待检测的遥感影像，通过网格分割为4*4行的检测样本，将每一个检测样本放入训练好的模型进行分类识别，得到是否有隐患，记作1或0；
将4*4行方形区域的检测样本按原始位置组合，对应到输电线路通道实景地图上，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图，采用形态学图像方法对检测结果进行形态学滤波处理。
2.根据权利要求1所述的一种基于高分辨率遥感影像的输电线路通道隐患识别方法，其特征在于：将遥感影像输入向量机分类器中，得到通道环境的隐患类型，所述隐患类型包括：树障、杆塔倾斜、山火、导线损坏。
3.根据权利要求1所述的一种基于高分辨率遥感影像的输电线路通道隐患识别方法，其特征在于，通过预处理获得波段范围为0.52μm-0.59μm的和0.77μm-0.89μm的影像；在所述高分辨率遥感影像上采用上述两个波段的影像，获取训练样本。
4.根据权利要求1所述的一种基于高分辨率遥感影像的输电线路通道隐患识别方法，其特征在于：所述正射校正处理是采用有理函数模型对遥感影像中明显几何畸变进行纠正。
5.根据权利要求1所述的一种基于高分辨率遥感影像的输电线路通道隐患识别方法，其特征在于：所述归一化处理将前后两个时相的遥感影像按照波段进行展开，对每个波段下遥感影像的亮度值做归一化处理。
6.一种可读储存介质，其上储存有控制程序，其特征在于：该控制程序被处理器执行时实现如权利要求1至5任意一项所述的基于高分辨率遥感影像的输电线路通道隐患识别方法。
7.一种计算机控制系统，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的控制程序，其特征在于：所述处理器执行所述控制程序时实现如权利要求1至5任意一项所述的基于高分辨率遥感影像的输电线路通道隐患识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110309209.6A CN113033386B (zh) | 2021-03-23 | 2021-03-23 | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110309209.6A CN113033386B (zh) | 2021-03-23 | 2021-03-23 | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033386A CN113033386A (zh) | 2021-06-25 |
| CN113033386B true CN113033386B (zh) | 2022-12-16 |
Family
ID=76472921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110309209.6A Active CN113033386B (zh) | 2021-03-23 | 2021-03-23 | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033386B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067245A (zh) * | 2021-11-16 | 2022-02-18 | 中国铁路兰州局集团有限公司 | 一种铁路外部环境隐患识别方法及系统 |
| CN115100544A (zh) * | 2022-08-24 | 2022-09-23 | 中国电力科学研究院有限公司 | 输电线路星地协同外破监测预警方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
| CN108573276A (zh) * | 2018-03-12 | 2018-09-25 | 浙江大学 | 一种基于高分辨率遥感影像的变化检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550709B (zh) * | 2015-12-14 | 2019-01-29 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
| CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
| CN110298211B (zh) * | 2018-03-21 | 2021-03-23 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
| CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
| CN111681129B (zh) * | 2020-06-05 | 2023-08-22 | 云南电网有限责任公司昆明供电局 | 一种基于卫星数据的输电线路山火风险判定方法及系统 |
| CN112380945B (zh) * | 2020-11-06 | 2021-12-21 | 中国电力科学研究院有限公司 | 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 |
-
2021
- 2021-03-23 CN CN202110309209.6A patent/CN113033386B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
| CN108573276A (zh) * | 2018-03-12 | 2018-09-25 | 浙江大学 | 一种基于高分辨率遥感影像的变化检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033386A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107516077B (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN109598794B (zh) | 三维gis动态模型的构建方法 | |
| CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
| CN112464766A (zh) | 一种农田地头自动识别方法及系统 | |
| WO2020061648A1 (en) | Apparatus and method for three-dimensional object recognition | |
| 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 | |
| CN116258956A (zh) | 无人机树木识别方法、设备、存储介质及装置 | |
| CN109657540B (zh) | 枯死树定位方法及系统 | |
| Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| Gao et al. | IUNet-IF: identification of construction waste using unmanned aerial vehicle remote sensing and multi-layer deep learning methods | |
| CN113723833B (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
| CN110910496B (zh) | 基于大数据和ai的vr自然环境自动构成方法 | |
| CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
| CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
| Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
| Xu et al. | Identification of street trees’ main nonphotosynthetic components from mobile laser scanning data | |
| CN112906627A (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN117152619B (zh) | 基于高分辨率建筑物遥感影像数据的优化训练方法 | |
| CN117437654B (zh) | 一种基于语义识别的栅格地图解析方法、设备和介质 | |
| CN109544556A (zh) | 一种图像特征提取方法 |
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 |