CN113096075B - 输电线路缠绕异物清除器的入侵物检测方法及系统 - Google Patents

输电线路缠绕异物清除器的入侵物检测方法及系统 Download PDF

Info

Publication number
CN113096075B
CN113096075B CN202110322616.0A CN202110322616A CN113096075B CN 113096075 B CN113096075 B CN 113096075B CN 202110322616 A CN202110322616 A CN 202110322616A CN 113096075 B CN113096075 B CN 113096075B
Authority
CN
China
Prior art keywords
power transmission
transmission line
gaussian
image
winding
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
Application number
CN202110322616.0A
Other languages
English (en)
Other versions
CN113096075A (zh
Inventor
樊卫华
宋腾
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110322616.0A priority Critical patent/CN113096075B/zh
Publication of CN113096075A publication Critical patent/CN113096075A/zh
Application granted granted Critical
Publication of CN113096075B publication Critical patent/CN113096075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于输电线路缠绕异物清除器的入侵物检测方法及系统，利用摄像机采集输电线路上的缠绕异物图像，计算缠绕异物与输电线路的缠绕点坐标；以缠绕点坐标为中心，根据异物的形状特征及其在图像中所占像素进行图像区域提取，在动态图像视频中提取了图像内容相对变化较小，图像内部物体位置相对固定的区域；在提取的图像区域中对晃动的缠绕异物和工作时闯入工作区域的入侵物进行区分，检测出入侵物。本发明实现了在摄像机跟随清除器工作运动时对于工作区域入侵物的检测，以及动态缠绕异物和入侵物的区分，同时加快了对运动目标识别的速度，提升了输电线路缠绕异物清除器工作的安全性。

Description

输电线路缠绕异物清除器的入侵物检测方法及系统
技术领域
本发明涉及输电线路缠绕异物的智能化清除技术，具体涉及一种输电线路缠绕异物清除器的入侵物检测方法及系统。
背景技术
电网的安全和稳定运行至关重要，如果输电线路被风筝、广告布和塑料薄膜等非绝缘物体缠绕，可能会导致相间短路事故的发生。
为了确保电网的安全稳定，一旦发现输电线路被异物缠绕，就需尽快进行异物的清除。人工清除方法安全性低、清除效率低，无人机喷火清除方法操作复杂、会产生明火等缺点，人工瞄准激光清除方法虽然清除速度快，但是瞄准目标困难。在这种背景下，利用机器视觉来实现自动识别跟踪缠绕异物，并利用激光进行清除的方法就变得尤为重要。输电线路缠绕异物清除器可以自动识别跟踪缠绕异物并进行快速清除。但是在进行清除工作时，为了取得较好的清除效果，一般将激光工作的功率设为300w，这种功率的激光如果不慎照射到行人和鸟类等物体，会造成不可估量的伤害，因此需要对激光工作的区域进行检测。
当前主要使用的检测方法有利用神经网络来识别入侵物的种类，但是这种方法没有考虑缠绕异物的外型无规则的特征，误检率较高，而且对硬件设备要求较高。此外利用多帧图像先进行角点检测和匹配，再进行图像差分来实现对入侵物检测，这种方法需要使用多帧图像，对入侵物的检测存在延误，实时性和安全性较低。
发明内容
本发明的目的在于提供一种输电线路缠绕异物清除器的入侵物检测方法及系统，在检测运动目标的同时实现区分晃动的缠绕异物和入侵物。
实现本发明目的的技术解决方案为：一种输电线路缠绕异物清除器的入侵物检测方法，包括：
接收摄像机采集的缠绕异物图像，对图像进行灰度化和高斯滤波；
对灰度化和高斯滤波后的图像进行边缘检测，并对检测到的边缘点进行直线检测，根据边缘点是否存在于检测到的直线来确定缠绕异物和输电线路的交点；
以缠绕异物和输电线路的交点为中心，提取出包含缠绕异物和部分背景的区域；
对提取区域进行混合高斯背景建模检测入侵物。
一种输电线路缠绕异物清除器的入侵物检测系统，包括：
图像预处理模块，用于接收摄像机采集的缠绕异物图像，对图像进行灰度化和高斯滤波；
交点确定模块，对图像进行边缘检测，并对检测到的边缘点进行直线检测，根据边缘点是否存在于检测到的直线来确定缠绕异物和输电线路的交点；
区域提取模块，以缠绕异物和输电线路的交点为中心，提取出包含缠绕异物和部分背景的区域；
入侵物检测模块，对提取区域进行混合高斯背景建模检测入侵物。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的入侵物检测方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的入侵物检测方法。
本发明与现有技术相比，其显著优点在于：1)本发明利用区域提取缩小了背景建模的数据规模，提升了对运动目标识别的速度；2)本发明解决了混合高斯背景建模法无法区分多个运动目标的问题；3)本发明能够在激光工作区域中检测到运动物体，并能够对因风晃动的缠绕异物和入侵物进行区分，如果在检测到行人或者鸟类等入侵物，则停止激光工作，而且本发明检测速度快，极大地提高了清除器工作的安全性。
附图说明
图1是本发明输电线路缠绕异物清除器的入侵物检测方法的流程图。
图2是本发明方法实验结果与混合高斯背景建模结果在正常情况下的对比图，其中(a)为原图，(b)为混合高斯识别结果，(c)为本发明识别结果。
图3是本发明利方法实验结果与混合高斯背景建模结果在摄像机晃动时的对比图，其中(a)为原图，(b)为混合高斯识别结果，(c)为本发明识别结果。
图4是本发明利方法实验结果与混合高斯背景建模结果在缠绕异物轻微晃动时的背景对比图，其中(a)为原图，(b)为混合高斯识别结果，(c)为本发明识别结果。
图5是本发明利方法实验结果与混合高斯背景建模结果在缠绕异物轻微晃动时的前景对比图，其中(a)为原图，(b)为混合高斯识别结果，(c)为本发明识别结果。
图6是本发明利方法实验结果与混合高斯背景建模结果在缠绕异物剧烈飘动时的背景对比图，其中(a)为原图，(b)为混合高斯识别结果，(c)为本发明识别结果。
图7是本发明利方法实验结果与混合高斯背景建模结果在缠绕异物剧烈飘动时的前景对比图，其中(a)为原图，(b)为混合高斯识别结果，(c)为本发明识别结果。
具体实施方式
下面结合附图和具体实施例，进一步说明本发明方案。
如图1所示，输电线路缠绕异物清除器的入侵物检测方法，具体步骤如下：
步骤1，接收摄像机采集的缠绕异物图像，利用加权平均法进行灰度化，然后选用标准差为1.25，高斯核维度为5的高斯滤波器进行滤波；
步骤2，利用Canny算子进行检测，对采集图像中每一列的像素，从上往下遍历，保留Canny检测出的边缘点并进行标记；然后对下一列进行同样的操作，最后每一列都有一个标记点。将每一个标记点的上下相邻像素点都标记为标记点，对这些标记点进行Hough直线检测，如果所有点都在一条直线上，则说明异物没有缠绕在该输电线路上。则利用边缘检测对下一个检测出的边缘点进行标记，然后进行上述操作，最后就可得到一条有异物缠绕的输电线路。在确定有异物缠绕的直线后，对之前Canny检测出点标记点进行遍历，判断每个点是否存在于确定的直线上，当找到不在直线上的标记点后，对其附近前一列或者后一列的点进行同样的判断，因为缠绕部分往往会有多个像素点不在直线上，这样可以避免噪声点对结果产生影响。找到缠绕点后，因为按照列的顺序进行遍历，所以取该点的列值也就是纵坐标带入下式进行计算：
xcosθ+ysinθ＝ρ (1)
其中，x和y对应直角坐标系中的横坐标和纵坐标，θ和ρ对应极坐标系中的极角和极径。
根据计算结果可以确定缠绕异物和输电线路交点的坐标；
步骤3，以交点坐标为中心，向上取大小为640×260的像素区域，向下取大小为640×540像素的区域，共取大小为640×800像素的图像区域，将这个图像区域进行提取；
步骤4，利用混合高斯背景建模法在提取的图像区域中进行运动目标检测，具体为：
步骤4-1，选用5个单高斯背景模型进行叠加，利用5个加权高斯分布的概率密度函数表示各个像素点的像素值，具体如下：
Figure BDA0002993419740000041
其中，xj表示在t时刻像素点j的值，P(xi)表示在t时刻像素点i的概率值，K表示高斯模型的个数，
Figure BDA0002993419740000042
表示t时刻的5个混合高斯分布中第i个高斯分布的权重值，
Figure BDA0002993419740000043
和
Figure BDA0002993419740000044
表示t时刻5个混合高斯分布中第i个高斯分布的像素点j的均值方差和协方差矩阵，
Figure BDA0002993419740000045
和
Figure BDA0002993419740000046
表示t时刻像素点j分别对应RGB三种色彩的均值，
Figure BDA0002993419740000047
和
Figure BDA0002993419740000048
表示t时刻像素点j分别对应RGB三种色彩的协方差矩阵的系数，
Figure BDA0002993419740000049
表示t时刻第i个高斯分布的概率密度函数；
步骤4-2，在获得像素点的值Xt后，计算该值是否满足现在的高斯模型，计算如下：
|Xt-μi,t-1|≤4σs,t-1 (3)
其中，Xt代表像素点在t时刻的像素值，μi,t-1代表在t-1时刻的第i个背景模型的均值，σs,t-1代表在t-1时刻所有背景模型的平均方差。
然后进行参数更新，计算如下：
Figure BDA0002993419740000051
式中，ωi,t表示t时刻当前模型的高斯分布的权重值，α表示学习速率，σ为设置的权值更新率，ρ是参数学习速率，
Figure BDA0002993419740000052
表示t时刻的5个混合高斯分布中第i个高斯分布的权重值，Xt是当前像素的值，μi,t和∑i,t为当前模型的高斯分布的像素点的均值方差和协方差矩阵。如果当前像素的值Xt与当前建立的背景模型相匹配，则Mi,t的值为1，接着按照公式进行更新；否则将Mi,t的值设为0，保留其他值，只更新权值；
步骤4-3，根据步骤4-1计算结果选择在当前序列中比例ωk/|∑k|值较大的前P个高斯分布来作为图像的背景模型，然后进行运动分割，计算如下：
Figure BDA0002993419740000053
其中，Y为给定的阈值，0.5≤Y≤1，ωi,t表示t时刻当前模型的高斯分布的权重值，K表示高斯模型的个数。如果当前像素值Xt不满足公式，即对像素点X进行计算后的P为0，则将其视为前景点并进行显示，否则将该点视为背景点；
步骤5，根据识别入侵物的效果，区分目标物和入侵物的效果，以及识别的速度对步骤3提取区域的大小、步骤4-1的模型个数、步骤4-2的比例系数、学习速率和参数学习速率以及步骤4-3的比例值进行修改，然后重复步骤3、步骤4和步骤5，直至取得满意的结果。
本发明还提供一种输电线路缠绕异物清除器的入侵物检测系统，包括：
图像预处理模块，用于接收摄像机采集的缠绕异物图像，对图像进行灰度化和高斯滤波；
交点确定模块，对图像进行边缘检测，并对检测到的边缘点进行直线检测，根据边缘点是否存在于检测到的直线来确定缠绕异物和输电线路的交点；
区域提取模块，以缠绕异物和输电线路的交点为中心，提取出包含缠绕异物和部分背景的区域；
入侵物检测模块，对提取区域进行混合高斯背景建模检测入侵物。
需要指出的是，上述装置中各模块的实现方法具体详见上述入侵物检测方法部分，本发明不再做累述。
本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的入侵物检测方法。
进一步的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的入侵物检测方法。
下面结合实施例对本发明进行详细说明。
实施例
为了验证本发明方案的有效性，进行如下实验。
一种高压输电线缠绕异物的跟踪预测方法，具体步骤如下：
步骤1，接收摄像机采集的缠绕异物图像，利用加权平均法进行灰度化，然后选用标准差为1.25，高斯核维度为5的高斯滤波器进行滤波；
步骤2，利用Canny算子检测边缘点并进行标记，然后对边缘点进行Hough直线检测，并利用式(1)得到缠绕异物和输电线路的交点坐标；
步骤3，以得到的交点坐标为中心，向上取大小为640×260的像素区域，向下取大小为640×540像素的区域，将这个图像区域进行提取；
步骤4，在提取的图像区域中进行前景检测，具体如下：
步骤4-1，利用式(2)将每个像素点对应的概率密度函数用5个加权高斯分布的概率密度函数进行表示；
步骤4-2，利用式(3)判断当先像素点的值是否满足当前的背景模型，并根据式(4)对模型参数进行修改更新；
步骤4-3，选择在当前序列中比例ωk/|∑k|值较大的前P个高斯分布来作为图像的背景模型，利用式(5)判断当前像素点是否属于背景点，如果不是则显示出来。
步骤5，根据识别入侵物的效果，区分目标物和入侵物的效果，以及识别的速度对步骤3提取区域的大小、步骤4-1的模型个数、步骤4-2的比例系数、学习速率和参数学习速率以及步骤4-3的比例值进行修改，然后重复步骤3、步骤4和步骤5，直至取得满意的结果。对入侵物的识别，以及晃动缠绕异物和入侵物的区分结果如图2-7所示，图中以风筝尾部的布条作为输电线路的缠绕异物，以飞机模型作为工作区域的入侵物。从图中可以看出，本发明的识别结果非常准确。
在本申请所提供的实施例中，应该理解到，所揭露的方法、装置、设备，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种输电线路缠绕异物清除器的入侵物检测方法，其特征在于，包括：
接收摄像机采集的缠绕异物图像，对图像进行灰度化和高斯滤波；
对灰度化和高斯滤波后的图像进行边缘检测，并对检测到的边缘点进行直线检测，根据边缘点是否存在于检测到的直线来确定缠绕异物和输电线路的交点；
以缠绕异物和输电线路的交点为中心，提取出包含缠绕异物和部分背景的区域；
对提取区域进行混合高斯背景建模检测入侵物；
所述对图像进行边缘检测，并对检测到的边缘点进行直线检测，根据边缘点是否存在于检测到的直线来确定缠绕异物和输电线路的交点，具体如下：
利用Canny算子进行检测，对采集图像中每一列的像素，从上往下遍历，保留Canny检测出的边缘点并进行标记；然后对下一列进行同样的操作；对这些标记点进行Hough直线检测，如果所有点都在一条直线上，则利用边缘检测对下一个检测出的边缘点进行标记，然后进行上述操作，可得到一条有异物缠绕的输电线路；在确定有异物缠绕的直线后，对之前Canny检测出点标记点进行遍历，判断每个点是否存在于确定的直线上，当找到不在直线上的标记点后，对其附近前一列或者后一列的点进行同样的判断；找到缠绕点后，因为按照列的顺序进行遍历，所以取该点的列值也就是纵坐标带入下式进行计算：
xcosθ+ysinθ＝ρ (1)
其中，x和y对应直角坐标系中的横坐标和纵坐标，θ和ρ对应极坐标系中的极角和极径；
根据计算结果确定缠绕异物和输电线路交点的坐标；
利用混合高斯背景建模法在提取的图像区域中进行运动目标检测，具体为：
步骤4-1，选用5个单高斯背景模型进行叠加，利用5个加权高斯分布的概率密度函数表示各个像素点的像素值，具体如下：
Figure FDA0003745035760000021
其中，xj表示在t时刻像素点j的值，P(xi)表示在t时刻像素点i的概率值，K表示高斯模型的个数，
Figure FDA0003745035760000022
表示t时刻的5个混合高斯分布中第i个高斯分布的权重值，
Figure FDA0003745035760000023
和
Figure FDA0003745035760000024
表示t时刻5个混合高斯分布中第i个高斯分布的像素点j的均值方差和协方差矩阵，
Figure FDA0003745035760000025
和
Figure FDA0003745035760000026
表示t时刻像素点j分别对应RGB三种色彩的均值，
Figure FDA0003745035760000027
和
Figure FDA0003745035760000028
表示t时刻像素点j分别对应RGB三种色彩的协方差矩阵的系数，
Figure FDA0003745035760000029
表示t时刻第i个高斯分布的概率密度函数；
步骤4-2，在获得像素点的值Xt后，计算该值是否满足现在的高斯模型，计算如下：
|Xt-μi,t-1|≤4σs,t-1 (3)
其中，Xt代表像素点在t时刻的像素值，μi,t-1代表在t-1时刻的第i个背景模型的均值，σs,t-1代表在t-1时刻所有背景模型的平均方差；
然后进行参数更新，计算如下：
Figure FDA00037450357600000210
式中，ωi,t表示t时刻当前模型的高斯分布的权重值，α表示学习速率，σ为设置的权值更新率，ρ是参数学习速率，Xt是当前像素的值，μi,t和∑i,t为当前模型的高斯分布的像素点的均值方差和协方差矩阵；如果当前像素的值Xt与当前建立的背景模型相匹配，则Mi,t的值为1，接着按照公式进行更新；否则将Mi,t的值设为0，保留其他值，只更新权值；
步骤4-3，根据步骤4-1计算结果选择在当前序列中比例ωk/|∑k|值较大的前P个高斯分布来作为图像的背景模型，然后进行运动分割，计算如下：
Figure FDA0003745035760000031
其中，Y为给定阈值；如果当前像素值Xt不满足公式，即对像素点X进行计算后的P为0，则将其视为前景点并进行显示，否则将该点视为背景点。
2.根据权利要求1所述的输电线路缠绕异物清除器的入侵物检测方法，其特征在于，接收摄像机采集的缠绕异物图像，利用加权平均法进行灰度化，通过高斯滤波器进行滤波。
3.根据权利要求2所述的输电线路缠绕异物清除器的入侵物检测方法，其特征在于，选用标准差为1.25，高斯核维度为5的高斯滤波器进行滤波。
4.根据权利要求1所述的输电线路缠绕异物清除器的入侵物检测方法，其特征在于，在图像中以缠绕异物和输电线路的交点为中心，向上取大小为640×260的像素区域，向下取大小为640×540像素的区域，提取出该图像区域。
5.根据权利要求1所述的输电线路缠绕异物清除器的入侵物检测方法，其特征在于，0.5≤Y≤1。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的入侵物检测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的入侵物检测方法。
CN202110322616.0A 2021-03-25 2021-03-25 输电线路缠绕异物清除器的入侵物检测方法及系统 Active CN113096075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110322616.0A CN113096075B (zh) 2021-03-25 2021-03-25 输电线路缠绕异物清除器的入侵物检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110322616.0A CN113096075B (zh) 2021-03-25 2021-03-25 输电线路缠绕异物清除器的入侵物检测方法及系统

Publications (2)

Publication Number Publication Date
CN113096075A CN113096075A (zh) 2021-07-09
CN113096075B true CN113096075B (zh) 2022-09-27

Family

ID=76669725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110322616.0A Active CN113096075B (zh) 2021-03-25 2021-03-25 输电线路缠绕异物清除器的入侵物检测方法及系统

Country Status (1)

Country Link
CN (1) CN113096075B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705387B (zh) * 2021-08-13 2023-11-17 国网江苏省电力有限公司电力科学研究院 一种用于激光清除架空线路异物的干扰物检测和跟踪方法
CN114926723B (zh) * 2022-06-10 2024-05-28 国网江苏省电力有限公司电力科学研究院 一种输电线路周边干扰物识别与报警触发方法、终端及存储介质
CN115318760B (zh) * 2022-07-29 2024-04-16 武汉理工大学 一种输电铁塔的无人机激光清洗方法及系统
CN116883503A (zh) * 2023-09-07 2023-10-13 山东千颐科技有限公司 一种立井提升机尾绳缠绕ai视觉识别检测方法
CN117152421B (zh) * 2023-10-31 2024-03-22 南方电网数字电网研究院股份有限公司 输电线路异物检测方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414308A (zh) * 2019-05-16 2019-11-05 南京理工大学 一种针对输电线路上动态异物的目标识别方法
CN112183337A (zh) * 2020-09-28 2021-01-05 华北电力大学（保定） 一种输电线路防机械入侵的检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10884116B2 (en) * 2016-08-25 2021-01-05 Shenzhen Cct Thz Technology Co., Ltd. Human-body foreign-matter detection method and system based on millimetre-wave image

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414308A (zh) * 2019-05-16 2019-11-05 南京理工大学 一种针对输电线路上动态异物的目标识别方法
CN112183337A (zh) * 2020-09-28 2021-01-05 华北电力大学（保定） 一种输电线路防机械入侵的检测方法及装置

Also Published As

Publication number Publication date
CN113096075A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113096075B (zh) 输电线路缠绕异物清除器的入侵物检测方法及系统
CN111784685B (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN106650640B (zh) 一种基于激光雷达点云局部结构特征的负障碍物检测方法
JP6719457B2 (ja) 画像の主要被写体を抽出する方法とシステム
CN112052797A (zh) 基于MaskRCNN的视频火灾识别方法及系统
US20180033148A1 (en) Method, apparatus and device for detecting lane boundary
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN107220647B (zh) 一种叶片交叉条件下作物中心点定位方法及系统
CN111383244B (zh) 一种目标检测跟踪方法
CN106780560B (zh) 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法
CN110210428B (zh) 一种基于mser的远距离复杂环境下的烟雾根节点检测方法
CN111488808B (zh) 基于交通违法图像数据的车道线检测方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN113706566B (zh) 一种基于边缘检测的加香喷雾性能检测方法
CN112325785A (zh) 基于顶部平面拟合的铁塔变形监测方法及系统
CN114639075A (zh) 一种高空抛物坠物的识别方法、系统及计算机可读介质
Xu et al. Convolutional neural network based traffic sign recognition system
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
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN107368826A (zh) 用于文本检测的方法和装置
CN112528740A (zh) 一种压板状态识别方法
CN111931577A (zh) 一种电网线路特定异物智能巡检方法
CN109389152B (zh) 一种输电线路垂坠物的精细化识别方法
CN114724119B (zh) 车道线提取方法、检测设备及存储介质

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Fan Weihua

Inventor after: Song Teng

Inventor before: Song Teng

Inventor before: Fan Weihua

GR01 Patent grant
GR01 Patent grant