CN113077424A - 一种基于深度学习的输电线路通道环境变化检测方法及系统 - Google Patents
一种基于深度学习的输电线路通道环境变化检测方法及系统 Download PDFInfo
- Publication number
- CN113077424A CN113077424A CN202110307953.2A CN202110307953A CN113077424A CN 113077424 A CN113077424 A CN 113077424A CN 202110307953 A CN202110307953 A CN 202110307953A CN 113077424 A CN113077424 A CN 113077424A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- transmission line
- deep learning
- line channel
- image
- 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
- 230000008859 change Effects 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims description 30
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06T2207/20081—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Quality & Reliability (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的输电线路通道环境变化检测方法及系统，首先在训练阶段，输入训练样本图像，将样本图像库的多期输电线路通道环境遥感影像按时序排列对环境变化部分进行标注，输入深度学习网络进行训练，待网络收敛后，将待检测的遥感图像进行相同的预处理，输入环境变化检测学习模型，输出检测结果图。对同区域下连续两张遥感图像进行分析识别，识别图像中的变化环境物体，进行隐患判断，并推送告警信息。
Description
技术领域
本发明涉及遥感图像建筑物变化检测技术领域，尤其是指一种基于深度学习的输电线路通道环境变化检测方法及系统。
背景技术
标准建筑物作为城市最主要的构成部分，一直是遥感影像解译的重点研究对象，在城市规划与管理领域有着重要的意义，而建筑物的变化检测在数据更新、城市土地用途实施管制、违法建筑监测等方面都至关重要，但是由于其光谱、纹理、几何形状等的复杂性，以及高分辨率遥感影像城市背景的复杂性，城市建筑物变化检测迄今为止仍然无法投入大规模的生产实践中，生产中还是以人工目视判读为主，随着遥感影像的更新频率提升，有普适性和实用性的建筑物与变化的检测方法亟待发展。深度学习的应用已经较为广泛，目前在遥感影像分割与目标识别领域都有一定的研究成果，作为视觉处理的主流深度学习框架，CNN被广泛应用于图像分类，并以此为基础逐渐发展了一系列通用的CNN架构，如AlexNet、VGGNet、GoogleNet、ResNet等。高分辨率城市遥感影像包含地物信息丰富，地物复杂度高，目前主要的自动分类方法有马尔科夫随机场、条件随机场、SVM、决策树等，但是由于这些方法依赖于影像特征的选取，难以推广于大面积的影像分类。深度学习网络有效地解决了特征选取的问题，通过深度网络模型的自动学习，可以获得高层次的语义特征，得到更为精确的语义分割结果。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深度学习的输电线路通道环境变化检测方法。可以有效检测出输电线路通道环境的变化，从而得到建筑物新增与减少的变化区域，告警提示工作人员。
本发明所述的一种基于深度学习的输电线路通道环境变化检测方法，包括：
S1获取多期同分辨率同区域的输电线路通道环境遥感影像，依照时间顺序排序；
S2将所述遥感影像进行预处理，包括校正、配准和拉伸；
S3将预处理后的遥感影像转化为灰度图，计算灰度图中像素点的灰度值；
S4根据所述灰度值标注所述灰度图中通道环境变化更新的部分；
S5叠加两个遥感图像，切割标注图作为环境变化训练样本；
S6构建环境变化检测学习模型；
S7将待检测的遥感图像进行预处理，包括校正、配准和拉伸；
S8将预处理后的待检测遥感图像输入所述环境变化检测学习模型，输出检测结果图。
本发明通过对样本图像做预处理，然后将训练样本输入深度卷积神经网络进行训练，再将待测遥感图像输入训练所得的深度神经网络，在网络的输出层处进行模型融合，获取最佳图像分割模型，并对识别结果进行后端处理，能够较准确的获得遥感图像内环境变化识别图像。
深度学习源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
具体地，对同区域下连续两张遥感图像进行分析识别，识别图像中的变化环境物体，进行隐患判断，并推送告警信息。
进一步地，所述隐患判断的步骤包括：
判断同区域下连续两张遥感图像相同隐患类型的环境物体数量是否相同；
比较前后两张遥感图像的物体在图像中相对像素位置的重叠程度；若重叠程度大于设定阈值，则说明输电线路通道存在环境变化，向基站推送告警信息。
进一步地，所述告警信息的推送原则是，若设定周期内，同一相对像素位置的环境物体变化情况已经提出告警，则不再推送告警信息；若为新的像素位置的环境物体变化，则直接推送告警信息。
进一步地，所述通道环境变化因素包括：塔吊，导线，杆塔，树障，山火等。
进一步地，所述检测结果图与人工标定结果对比，进行结果评定，优化环境变化检测学习模型。
进一步地，所述遥感影像的拉伸是指将前后两期遥感影像按照波段进行展开，统计每个波段下遥感影像每个像素点的亮度值，删除离散的亮度值实现遥感图像拉伸。
深度学习网络即卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。
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深度学习的输电线路通道环境变化检测方法。
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深度学习的输电线路通道环境变化检测方法。
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深度学习的输电线路通道环境变化检测方法的流程框图。
具体实施方式
请参阅图1，为本发明实施例的基于深度学习的输电线路通道环境变化检测方法的流程框图。
获取多期同分辨率同区域的输电线路通道环境遥感影像，依照时间顺序排序；
将所述遥感影像进行预处理，包括校正、配准和拉伸；
所述预处理中的校正是遥感影像的正射校正，可以实现对由地形、相机几何特性以及与传感器相关的误差所造成的遥感图像上的明显的几何畸变进行纠正。所述配准是对前后两幅遥感影像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准。所述遥感影像的拉伸是指将前后两期遥感影像按照波段进行展开，统计每个波段下遥感影像每个像素点的亮度值，删除离散的亮度值实现遥感图像拉伸。
将预处理后的遥感影像转化为灰度图，计算灰度图中像素点的灰度值；
根据所述灰度值标注所述灰度图中通道环境变化更新的部分；
叠加两个遥感图像，切割标注图作为环境变化训练样本；
构建环境变化检测学习模型；
将待检测的遥感图像进行预处理，包括校正、配准和拉伸；
将预处理后的待检测遥感图像输入所述环境变化检测学习模型，输出检测结果图。
首先在训练阶段，输入训练样本图像，将样本图像库的多期输电线路通道环境遥感影像按时序排列对环境变化部分进行标注，输入深度学习网络进行训练，待网络收敛后，将待检测的遥感图像进行相同的预处理，输入环境变化检测学习模型，输出检测结果图。对同区域下连续两张遥感图像进行分析识别，识别图像中的变化环境物体，进行隐患判断，并推送告警信息。
在本发明的实施例中，通道环境变化因素包括：塔吊，导线，杆塔，树障，山火等。隐患判断的步骤包括：
判断同区域下连续两张遥感图像相同隐患类型的环境物体数量是否相同；
比较前后两张遥感图像的物体在图像中相对像素位置的重叠程度；若重叠程度大于设定阈值，则说明输电线路通道存在环境变化，向基站推送告警信息。
在本发明的实施例中，所述告警信息的推送原则是，若设定周期内，同一相对像素位置的环境物体变化情况已经提出告警，则不再推送告警信息；若为新的像素位置的环境物体变化，则直接推送告警信息。
所述检测结果图与人工标定结果对比，进行结果评定，优化环境变化检测学习模型。
所述环境变化检测学习模型的优化过程是，将所述训练样本图像放入深度学习网络的输入端，将人工标定结果图放入深度学习网络的输出端，利用深度学习网络的特征提取技术和端到端训练方法进行训练，迭代优化误差，使检测结果图无限趋近人工标定结果图，待网络收敛后，以深度学习网络第一层的卷积层参数为特征测量矩阵，其他的网络层为目标对象重构子网络。
本发明的核心在于针对传统建筑物变化检测方法所存在的不足，以及遥感图像信息量大但是干扰众多的问题，本发明提供了一种基于深度学习的输电线路通道环境变化检测方法，对环境变化信息进行精准、快速的提取，从而为地理信息更新、城市规划管理等具体业务提供便捷的信息支撑。
本发明通过对样本图像做预处理，然后将训练样本输入深度卷积神经网络进行训练，再将待测遥感图像输入训练所得的深度神经网络，在网络的输出层处进行模型融合，获取最佳图像分割模型，并对识别结果进行后端处理，能够较准确的获得遥感图像内环境变化识别图像。
经过仿真实验表明，本发明能较好的去除图像中的干扰背景，只对特定目标对象成像，且精度高，验证了基于深度学习的输电线路通道环境变化检测方法是切实可行的。
相对于现有技术，如何利用深度学习技术对高分辨率遥感影像上的输电线路通道环境变化信息进行快速、精准的提取，不管对于实际应用还是对于理论研究都有着相当重要的意义。从理论研究角度来看，有效的环境变化信息提取进一步表明了深度学习技术的普适性，也将为其他地物目标信息的提取提供具有普适性的理论和方法；从实际应用角度来看，精准、快速的环境变化信息提取可以为地理信息更新、城市规划管理等业务提供便捷的信息支撑。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。
与输电线路检测方法相比较，本发明通过基于深度学习的卷积计算快速计算得到有效且具有代表性的样本区域，增强了典型样本区域选择的自动化程度和有效性，从而减少了任务所需样本的数量同时也减少了人工标注的工作量。
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 (9)
1.一种基于深度学习的输电线路通道环境变化检测方法，包括：
获取多期同分辨率同区域的输电线路通道环境遥感影像，依照时间顺序排序；
将所述遥感影像进行预处理，包括校正、配准和拉伸；
将预处理后的遥感影像转化为灰度图，计算灰度图中像素点的灰度值；
根据所述灰度值标注所述灰度图中通道环境变化更新的部分；
叠加两个遥感图像，切割标注图作为环境变化训练样本；
构建环境变化检测学习模型；
将待检测的遥感图像进行预处理，包括校正、配准和拉伸；
将预处理后的待检测遥感图像输入所述环境变化检测学习模型，输出检测结果图。
2.根据权利要求1所述的一种基于深度学习的输电线路通道环境变化检测方法，其特征在于：对同区域下连续两张遥感图像进行分析识别，识别图像中的变化环境物体，进行隐患判断，并推送告警信息。
3.根据权利要求2所述的一种基于深度学习的输电线路通道环境变化检测方法，其特征在于，所述隐患判断的步骤包括：
判断同区域下连续两张遥感图像相同隐患类型的环境物体数量是否相同；
比较前后两张遥感图像的物体在图像中相对像素位置的重叠程度；若重叠程度大于设定阈值，则说明输电线路通道存在环境变化，向基站推送告警信息。
4.根据权利要求3所述的一种基于深度学习的输电线路通道环境变化检测方法，其特征在于：所述告警信息的推送原则是，若设定周期内，同一相对像素位置的环境物体变化情况已经提出告警，则不再推送告警信息；若为新的像素位置的环境物体变化，则直接推送告警信息。
5.根据权利要求1所述的一种基于深度学习的输电线路通道环境变化检测方法，其特征在于：所述通道环境变化因素包括：塔吊，导线，杆塔，树障，山火等。
6.根据权利要求1所述的一种基于深度学习的输电线路通道环境变化检测方法，其特征在于：所述检测结果图与人工标定结果对比，进行结果评定，优化环境变化检测学习模型。
7.根据权利要求1所述的一种基于深度学习的输电线路通道环境变化检测方法，其特征在于：所述遥感影像的拉伸是指将前后两期遥感影像按照波段进行展开，统计每个波段下遥感影像每个像素点的亮度值，删除离散的亮度值实现遥感图像拉伸。
8.一种可读储存介质，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7任意一项所述的基于深度学习的输电线路通道环境变化检测方法。
9.一种计算机控制系统，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7任意一项所述的基于深度学习的输电线路通道环境变化检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110307953.2A CN113077424A (zh) | 2021-03-23 | 2021-03-23 | 一种基于深度学习的输电线路通道环境变化检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110307953.2A CN113077424A (zh) | 2021-03-23 | 2021-03-23 | 一种基于深度学习的输电线路通道环境变化检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113077424A true CN113077424A (zh) | 2021-07-06 |
Family
ID=76613440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110307953.2A Pending CN113077424A (zh) | 2021-03-23 | 2021-03-23 | 一种基于深度学习的输电线路通道环境变化检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077424A (zh) |
Cited By (4)
| 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 |
| CN114898204A (zh) * | 2022-03-03 | 2022-08-12 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源检测方法 |
| WO2023019507A1 (zh) * | 2021-08-19 | 2023-02-23 | 浙江吉利控股集团有限公司 | 基于深度学习道路图像生成方法、装置、设备及存储介质 |
| CN114898203B (zh) * | 2022-03-03 | 2023-10-17 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源变化检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012071953A1 (zh) * | 2010-12-01 | 2012-06-07 | 江西省电力公司 | 自适应外部环境的电力系统安全预防控制候选措施集在线自动识别方法 |
| CN107577997A (zh) * | 2017-08-21 | 2018-01-12 | 国家电网公司 | 一种输电线路通道内山火入侵的辨识方法 |
| CN108875561A (zh) * | 2018-04-27 | 2018-11-23 | 山东信通电子股份有限公司 | 一种输电线路监控隐患预警图像的隐患重复判别方法 |
| CN112215085A (zh) * | 2020-09-17 | 2021-01-12 | 云南电网有限责任公司昆明供电局 | 一种基于孪生网络的输电走廊异物检测方法及系统 |
| CN112396594A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
-
2021
- 2021-03-23 CN CN202110307953.2A patent/CN113077424A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012071953A1 (zh) * | 2010-12-01 | 2012-06-07 | 江西省电力公司 | 自适应外部环境的电力系统安全预防控制候选措施集在线自动识别方法 |
| CN107577997A (zh) * | 2017-08-21 | 2018-01-12 | 国家电网公司 | 一种输电线路通道内山火入侵的辨识方法 |
| CN108875561A (zh) * | 2018-04-27 | 2018-11-23 | 山东信通电子股份有限公司 | 一种输电线路监控隐患预警图像的隐患重复判别方法 |
| CN112215085A (zh) * | 2020-09-17 | 2021-01-12 | 云南电网有限责任公司昆明供电局 | 一种基于孪生网络的输电走廊异物检测方法及系统 |
| CN112396594A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 叶俊健等: "基于深度强化学习与图像智能识别的输电线路在线监测系统", 《工业技术创新》 * |
| 聂鼎等: "基于卫星遥感影像的输电线路异物故障特征分析", 《云南电力技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023019507A1 (zh) * | 2021-08-19 | 2023-02-23 | 浙江吉利控股集团有限公司 | 基于深度学习道路图像生成方法、装置、设备及存储介质 |
| 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 |
| CN114898204A (zh) * | 2022-03-03 | 2022-08-12 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源检测方法 |
| CN114898204B (zh) * | 2022-03-03 | 2023-09-05 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源检测方法 |
| CN114898203B (zh) * | 2022-03-03 | 2023-10-17 | 中国铁路设计集团有限公司 | 一种基于深度学习的轨道交通周边危险源变化检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
| CN113077424A (zh) | 一种基于深度学习的输电线路通道环境变化检测方法及系统 | |
| CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
| Li et al. | Road network extraction via deep learning and line integral convolution | |
| CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
| Jianya et al. | A review of multi-temporal remote sensing data change detection algorithms | |
| Chen et al. | Semantic segmentation for partially occluded apple trees based on deep learning | |
| CN111814597A (zh) | 一种耦合多标签分类网络和yolo的城市功能分区方法 | |
| CN114494870A (zh) | 一种双时相遥感图像变化检测方法、模型构建方法和装置 | |
| 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 | |
| Napiorkowska et al. | Three applications of deep learning algorithms for object detection in satellite imagery | |
| CN117079132A (zh) | 基于高斯距离损失的遥感图像目标检测方法 | |
| CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
| CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
| CN114170446A (zh) | 一种基于深层融合神经网络的温度、亮度特征提取方法 | |
| CN106897683B (zh) | 一种遥感图像的地物检测方法及系统 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN116822980A (zh) | 一种基矢量引导的典型地表要素智能监测方法及系统 | |
| CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
| CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
| Zhou et al. | UGRoadUpd: An Unchanged-Guided Historical Road Database Updating Framework Based on Bi-Temporal Remote Sensing Images | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| Nguyen-Khanh et al. | U-net semantic segmentation of digital maps using google satellite images | |
| CN113516055A (zh) | 一种用于物品搜索的机器人问答方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210706 |