CN113160255A - 一种运行线路走廊环境因子变化监控方法 - Google Patents
一种运行线路走廊环境因子变化监控方法 Download PDFInfo
- Publication number
- CN113160255A CN113160255A CN202110205669.4A CN202110205669A CN113160255A CN 113160255 A CN113160255 A CN 113160255A CN 202110205669 A CN202110205669 A CN 202110205669A CN 113160255 A CN113160255 A CN 113160255A
- Authority
- CN
- China
- Prior art keywords
- pixel
- edge
- point
- image
- scanning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Abstract
本发明涉及一种运行线路走廊环境因子变化监控方法,利用Canny分割识别图像中建筑物的边缘曲线,然后在Canny分割得到的边缘曲线上进行标准Hough变换来识别矩形区域,这样能减少Hough变换需要计算的点和运算量,也就是只在检测到的边缘点上进行Hough变换的计算;最后通过改进的ROI算法完成对疑似房屋目标的定位。本发明提高了输变电工程运行线路环境因子识别工作的工作效率,可准确识别房屋厂房等建筑物的边缘信息。
Description
技术领域
本发明涉及电力系统监测技术领域,特别是一种运行线路走廊环境因子变化监控方法。
背景技术
电网建设时期,由于抢建抢修,造成对线路通道走廊里的房屋、厂房等其他建筑设施管控不够细致,引发了后期拆迁难等法律纠纷,给公司造成了不必要的经济损失。现有的输变电工程运行线路走廊环境因子识别技术手段主要包括:1)人工现场巡查,需要从输变电起始位置到结束位置进行核查,核查内容包括以前存在的房屋和厂房等建筑物是否已经拆迁、输变电工程安全距离内是否有新增房屋和厂房等建筑物。因运行中的电网覆盖范围广,与后续电网工程的不断建设,人工现场排查具有数据不准确,时间周期长,经济成本高等缺点,已不再适用于目前的电网环境;2)遥感影像人工解译,遥感影像人工解译方法在房屋厂房等建筑物识别中准确性非常高,但应对十分庞大的输变电线路工程,仅仅依靠人工解译,工作量大,效率较低;3)传统边缘检测技术,传统的边缘检测算法主要依靠提取目标物边缘线与背景环境之间的灰度值差异,将目标物边缘线与背景进行分割,得到亮度明显的边缘线,该方法可完成整条线路的房屋、厂房等建筑设施的识别工作,但由于依靠目标物体与背景的明显差异,若目标物与背景环境差异不明显或极其相似,该方法将会失灵,造成检测不准确,漏检误判等。
由上可知,现有技术主要存在如下缺点:
1、输变电工程线路长、跨度大、运行线路走廊环境因子分布不规律、较散乱,给人工现场巡查带来了不小的困难,存在巡查周期长、效率低、数据不准确、有遗漏、不能掌握整条线路走廊的总体格局。
2、输变电工程线路走廊环境因子变化监测使用遥感影像人工解译方法存在解译工作量大、工作效率低、人为因素造成误判漏判的概率较大。
3、输变电工程呈线型分布,工程施工范围广、往往线路可长达数百公里,地物繁杂,可能包含的地物有道路、建筑物、植被、裸土、河流、岩石、居民点等。传统的边缘检测算法未应用到如此复杂的背景环境中,所以对算法的准确性要求较低。将传统的边缘检测算法应用到输变电工程线路走廊环境因子动态监测中,是无法准确的在遥感影像中识别出房屋和厂房,甚至会漏掉部分较为隐蔽的房屋,检测精度以及抗噪能力不足。
4、在进行房屋分类时,由于房屋与道路空间紧密相连,光谱特征相似,反射特征相似,在遥感影像上显示的灰度值相近,传统边缘检测算法很难将房屋和厂房与道路进行区分。
发明内容
有鉴于此,本发明的目的是提出一种运行线路走廊环境因子变化监控方法,提高了输变电工程运行线路环境因子识别工作的工作效率,可准确识别房屋厂房等建筑物的边缘信息。
本发明采用以下方案实现:一种运行线路走廊环境因子变化监控方法,包括以下步骤:
利用Canny分割识别图像中建筑物的边缘曲线,然后在Canny分割得到的边缘曲线上进行标准Hough变换来识别矩形区域,最后通过改进的ROI算法完成对疑似房屋目标的定位。
进一步的,所述图像为遥感图像。
进一步地,所述利用Canny分割识别图像中建筑物的边缘曲线具体包括以下步骤:
以图像中的杆塔点为中心,在由预设的检测宽度所确定的缓冲区范围内进行后面的处理步骤;
将彩色图像灰度化;
利用高斯滤波器平滑灰度后的图像;
对梯度幅值进行非极大值抑制,得到边缘像素;
设置高、低阈值,利用双阈值法检测和连接边缘。
进一步地,所述对梯度幅值进行非极大值抑制具体为:遍历图像中每个像素,并判断像素的梯度大小在该像素梯度方向上是否是其邻域内的局部最大值,所是,则将该像素判为以边缘像素并进行下一步,否则,判定该像素不是边缘,并将其值抑制为0。
进一步地,所述利用双阈值法检测和连接边缘具体为:
若当前像素的梯度幅值大于高阈值,则认为该像素是强边缘点,将其保留为边缘像素;
若当前像素的梯度幅值介于高、低阈值之间,则判定该像素是弱边缘点;
若当前像素的梯度幅值小于低阈值,则该像素被排除;
将强边缘点与弱边缘点相连,得到边缘曲线。
进一步地,所述通过改进的ROI算法完成对疑似房屋目标的定位具体为:设(x,y)为矩形区域中的一点,其灰度值为G(X,Y);用矩形的左上顶点和右下顶点的坐标来表示该矩形,定义L4和L1分别是矩形的左上顶点与(x,y)点的水平距离和垂直距离,L2和L3分别是矩形的右下顶点与(x,y)点的水平距离和垂直距离;从原点开始,逐点进行如下运算:
步骤S1:从原点开始,扫描顺序为先沿x正向,再沿y正向,扫描到第一个目标点,并记录下该目标点的坐标(m,n);所述目标点为灰度为255的点;
步骤S2:沿x正向扫描,扫描第m+L1列,若有目标点,则令L1=L1+1,并重复步骤S2;否则进入步骤S3;
步骤S3:沿y正向扫描,扫描第n+L2行,若有目标点,则令L2=L2+1,并重复步骤S3;否则进入步骤S4;
步骤S4:沿y负向扫描,扫描第n+L3行,若有目标点,则令L3=L3+1,并重复步骤S3;否则终止扫描;
当终止扫描后,(x,y-L3),(x+L1,y-L3), (x+L1,y+L2),(x,y+L2)即为所求矩形框的四个顶点的坐标。
本发明还提供了一种运行线路走廊环境因子变化监控系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:
1、与人工现场巡查相比,本发明提案提高了输变电工程运行线路环境因子识别工作的工作效率,降低了经济成本,对整条线路工程有了全局的把握。
2、本发明与遥感影像人工解译相比,提高了工作效率。
3、与传统的边缘检测方法相比,本发明是将检测区域缩小,将检测范围设定在符合输变电工程线路走廊环境敏感点检测范围要求的基础上,在利用Canny算法的基础上使用了Hough变换来识别矩形区域,这样能减少Hough变换需要计算的点和运算量,也就是只在检测到的边缘点上进行Hough变换的计算。在此基础上对生成的疑似房屋区域通过ROI(region of interesting感兴趣区域)的算法实现对疑似目标的最小外接矩形的定位。本发明提案缩小了识别范围,可准确识别房屋厂房等建筑物的边缘信息,且因结合了ROI算法,不会出现误判漏判的问题。
附图说明
图1为本发明实施例的图像遍历过程示意图。
图2为本发明实施例的Canny算子提取地物边缘示意图。
图3为本发明实施例的hough变换原理示意图。
图4为本发明实施例的改进ROI定位算子检测过程示意图。
图5为本发明实施例的待拆迁房屋检测结果示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
遥感影像一般背景复杂,房屋目标在遥感图像中属于较小的目标,在目标识别处理的过程中很容易受到背景其它地物的影响,造成目标的误识别,归纳起来,房屋目标具有如下特征:
(1)几何特征:房屋目标一般呈矩形,具有一定的大小。
(2)辐射特征:房屋目标内部灰度值都比较均匀,与其相邻区域灰度值反差较大,但房屋目标与其他的人造目标,不透水面等用于高度相似的辐射特征,因此造成对房屋目标检测巨大的困难。
(3)空间关系特征:待识别的房屋目标通常不是孤立存在的,一定范围内存在的房屋目标一般聚集出现,而且相互不交叠。
由于遥感影像中房屋目标一般具有矩形特征,并且各个房屋目标不互相重合,在实际工程运用中本实施例先对图像进行Canny分割,然后在Canny分割得到的曲线上进行标准Hough变换来识别矩形区域,这样能减少Hough变换需要计算的点和运算量,也就是只在检测到的边缘点上进行Hough变换的计算。在生成的疑似房屋区域通过ROI的算法实现对疑似目标的最小外接矩形的定位。
本实施例提供的一种运行线路走廊环境因子变化监控方法,具体包括以下步骤:
利用Canny分割识别图像中建筑物的边缘曲线,然后在Canny分割得到的边缘曲线上进行标准Hough变换来识别矩形区域,这样能减少Hough变换需要计算的点和运算量,也就是只在检测到的边缘点上进行Hough变换的计算;最后通过改进的ROI算法完成对疑似房屋目标的定位。
在本实施例中,所述图像为遥感图像。
在本实施例中,所述利用Canny分割识别图像中建筑物的边缘曲线具体为:对于一个独立的矩形区域,其边缘是图像局部区域亮度发生显著变化的部分,对于灰度图像而言,即灰度值有明显变化的区域。简单来说,在一个很小的缓冲区内,从灰度值急剧变化到另一个相差较大的灰度值。Canny算子利用一阶偏导来表征灰度值之间的变化率,数字图像为离散像素,因此使用一阶偏导有限差分来计算梯度幅值和方向。真实图像存在大量噪声,噪声将会影响梯度计算,因此第一步就需要对原始图像进行滤波。理论上图像梯度幅值的灰度值越大,则图像中该点的梯度值越大,但在房屋检测中不能说明该点就是房屋的边缘,需要寻找像素点局部最大值,沿着梯度方向,比较该点前后的梯度幅值,设定两个阈值,在高阈值和低阈值之间的点,或该点梯度幅值大于高阈值,可以认为是边缘点。Canny算子边缘检测的步骤如下:
以图像中的杆塔点为中心,在由预设的检测宽度所确定的缓冲区范围内进行后面的处理步骤;
将彩色图像灰度化;
利用高斯滤波器平滑灰度后的图像;使用一阶偏导有限差分对平滑后的图像计算水平方向和垂直方向梯度幅值和方向,可以计算出每个像素的梯度大小和梯度方向,梯度方向通常垂直于边缘方向;
对梯度幅值进行非极大值抑制,得到边缘像素;
设置高、低阈值,利用双阈值法检测和连接边缘。
在本实施例中,所述对梯度幅值进行非极大值抑制具体为:遍历图像中每个像素,并判断像素的梯度大小在该像素梯度方向上是否是其邻域内的局部最大值,所是,则将该像素判为以边缘像素并进行下一步,否则,判定该像素不是边缘,并将其值抑制为0。如图1所示,A、B、C均在同一梯度方向上,遍历这三个像素的过程中,比较三个像素中哪一个为局部最大值,如果判断出A点的梯度为局部最大值,则A点进行下一步,否则判定A点不是边缘,那么A则被抑制为0。
在本实施例中,所述利用双阈值法检测和连接边缘具体为:
若当前像素的梯度幅值大于高阈值,则认为该像素是强边缘点,将其保留为边缘像素;
若当前像素的梯度幅值介于高、低阈值之间,则判定该像素是弱边缘点;
若当前像素的梯度幅值小于低阈值,则该像素被排除;
将强边缘点与弱边缘点相连,得到边缘曲线。图2为本实施例采用Canny算子所提取的地物边缘示意图。
经过Canny算子房屋检测后,得到图像的边缘二值图,房屋一般为矩形区域,因此对Canny算子检测到的边缘二值图进行Hough直线检测。Hough直线检测利用点与线的对偶性,将图像空间(x-y空间)的线条变换为参数空间(k-c空间)的聚焦点,找到参数空间中多条直线相交的点就可以找出图像空间中的直线。具体实现步骤如下(图3为hough变换的原理示意图):
A)执行hough变换,得到hough变换矩阵;
B)在hough变换矩阵里找到峰值点(聚焦点),当峰值点的个数超过一定的阈值,则认为该峰值点事图像空间中的一条直线;
C)提取直线段。
如图4所示,在本实施例中,所述通过改进的ROI算法完成对疑似房屋目标的定位具体为:设(x,y)为矩形区域中的一点,其灰度值为G(X,Y);用矩形的左上顶点和右下顶点的坐标来表示该矩形,定义L4和L1分别是矩形的左上顶点与(x,y)点的水平距离和垂直距离,L2和L3分别是矩形的右下顶点与(x,y)点的水平距离和垂直距离;从原点开始,逐点进行如下运算:
步骤S1:从原点开始,扫描顺序为先沿x正向,再沿y正向,扫描到第一个目标点,并记录下该目标点的坐标(m,n);所述目标点为灰度为255的点;
步骤S2:沿x正向扫描,扫描第m+L1列,若有目标点,则令L1=L1+1,并重复步骤S2;否则进入步骤S3;
步骤S3:沿y正向扫描,扫描第n+L2行,若有目标点,则令L2=L2+1,并重复步骤S3;否则进入步骤S4;
步骤S4:沿y负向扫描,扫描第n+L3行,若有目标点,则令L3=L3+1,并重复步骤S3;否则终止扫描;
当终止扫描后,(x,y-L3),(x+L1,y-L3), (x+L1,y+L2),(x,y+L2)即为所求矩形框的四个顶点的坐标。通过改进的ROI算法完成对疑似房屋目标的定位,为后续逐一人工检测提供基础。
图5为采用本发明方法所识别出的运行线路走廊的待拆迁房屋检测示意图,其中的小框所表示的即为识别出的房屋框。
本实施例还提供了一种运行线路走廊环境因子变化监控系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种运行线路走廊环境因子变化监控方法,其特征在于,包括以下步骤:
利用Canny分割识别图像中建筑物的边缘曲线,然后在Canny分割得到的边缘曲线上进行标准Hough变换来识别矩形区域,最后通过改进的ROI算法完成对疑似房屋目标的定位。
2.根据权利要求1所述的一种运行线路走廊环境因子变化监控方法,其特征在于,所述图像为遥感图像。
3.根据权利要求1所述的一种运行线路走廊环境因子变化监控方法,其特征在于,所述利用Canny分割识别图像中建筑物的边缘曲线具体包括以下步骤:
以图像中的杆塔点为中心,在由预设的检测宽度所确定的缓冲区范围内进行后面的处理步骤;
将彩色图像灰度化;
利用高斯滤波器平滑灰度后的图像;
对梯度幅值进行非极大值抑制,得到边缘像素;
设置高、低阈值,利用双阈值法检测和连接边缘。
4.根据权利要求3所述的一种运行线路走廊环境因子变化监控方法,其特征在于,所述对梯度幅值进行非极大值抑制具体为:遍历图像中每个像素,并判断像素的梯度大小在该像素梯度方向上是否是其邻域内的局部最大值,所是,则将该像素判为以边缘像素并进行下一步,否则,判定该像素不是边缘,并将其值抑制为0。
5.根据权利要求3所述的一种运行线路走廊环境因子变化监控方法,其特征在于,所述利用双阈值法检测和连接边缘具体为:
若当前像素的梯度幅值大于高阈值,则认为该像素是强边缘点,将其保留为边缘像素;
若当前像素的梯度幅值介于高、低阈值之间,则判定该像素是弱边缘点;
若当前像素的梯度幅值小于低阈值,则该像素被排除;
将强边缘点与弱边缘点相连,得到边缘曲线。
6.根据权利要求1所述的一种运行线路走廊环境因子变化监控方法,其特征在于,所述通过改进的ROI算法完成对疑似房屋目标的定位具体为:设(x,y)为矩形区域中的一点,其灰度值为G(X,Y);用矩形的左上顶点和右下顶点的坐标来表示该矩形,定义L4和L1分别是矩形的左上顶点与(x,y)点的水平距离和垂直距离,L2和L3分别是矩形的右下顶点与(x,y)点的水平距离和垂直距离;从原点开始,逐点进行如下运算:
步骤S1:从原点开始,扫描顺序为先沿x正向,再沿y正向,扫描到第一个目标点,并记录下该目标点的坐标(m,n);所述目标点为灰度为255的点;
步骤S2:沿x正向扫描,扫描第m+L1列,若有目标点,则令L1=L1+1,并重复步骤S2;否则进入步骤S3;
步骤S3:沿y正向扫描,扫描第n+L2行,若有目标点,则令L2=L2+1,并重复步骤S3;否则进入步骤S4;
步骤S4:沿y负向扫描,扫描第n+L3行,若有目标点,则令L3=L3+1,并重复步骤S3;否则终止扫描;
当终止扫描后,(x,y-L3),(x+L1,y-L3), (x+L1,y+L2),(x,y+L2)即为所求矩形框的四个顶点的坐标。
7.一种运行线路走廊环境因子变化监控系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如权利要求1-6任一项所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110205669.4A CN113160255A (zh) | 2021-02-24 | 2021-02-24 | 一种运行线路走廊环境因子变化监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110205669.4A CN113160255A (zh) | 2021-02-24 | 2021-02-24 | 一种运行线路走廊环境因子变化监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160255A true CN113160255A (zh) | 2021-07-23 |
Family
ID=76883320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110205669.4A Pending CN113160255A (zh) | 2021-02-24 | 2021-02-24 | 一种运行线路走廊环境因子变化监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160255A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727666A (zh) * | 2008-11-03 | 2010-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断及胸片前后区分方法 |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
CN103400141A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN103761524A (zh) * | 2014-01-17 | 2014-04-30 | 电子科技大学 | 一种基于图像的线性目标识别与提取方法 |
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN107492094A (zh) * | 2017-07-21 | 2017-12-19 | 长安大学 | 一种高压电线绝缘子的无人机视觉检测方法 |
US20180047150A1 (en) * | 2015-02-18 | 2018-02-15 | Siemens Healthcare Diagnostics Inc. | Image-based tube slot circle detection for a vision system |
CN108229354A (zh) * | 2017-12-22 | 2018-06-29 | 温州大学激光与光电智能制造研究院 | 车道线检测的方法 |
CN108229244A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的检测方法 |
CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
CN109658428A (zh) * | 2018-12-14 | 2019-04-19 | 南京工程学院 | 基于Hough变换实现圆的快速检测方法 |
CN110852173A (zh) * | 2019-10-15 | 2020-02-28 | 山东大学 | 一种针对模糊焊缝的视觉定位方法及系统 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN111951520A (zh) * | 2020-07-31 | 2020-11-17 | 国网福建省电力有限公司宁德供电公司 | 一种输电线路导线覆冰厚度侦测系统及方法 |
WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于图像识别的违章建筑识别方法、装置 |
-
2021
- 2021-02-24 CN CN202110205669.4A patent/CN113160255A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727666A (zh) * | 2008-11-03 | 2010-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断及胸片前后区分方法 |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
CN103400141A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN103761524A (zh) * | 2014-01-17 | 2014-04-30 | 电子科技大学 | 一种基于图像的线性目标识别与提取方法 |
US20180047150A1 (en) * | 2015-02-18 | 2018-02-15 | Siemens Healthcare Diagnostics Inc. | Image-based tube slot circle detection for a vision system |
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN108229244A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的检测方法 |
CN107492094A (zh) * | 2017-07-21 | 2017-12-19 | 长安大学 | 一种高压电线绝缘子的无人机视觉检测方法 |
CN108229354A (zh) * | 2017-12-22 | 2018-06-29 | 温州大学激光与光电智能制造研究院 | 车道线检测的方法 |
CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
CN109658428A (zh) * | 2018-12-14 | 2019-04-19 | 南京工程学院 | 基于Hough变换实现圆的快速检测方法 |
WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于图像识别的违章建筑识别方法、装置 |
CN110852173A (zh) * | 2019-10-15 | 2020-02-28 | 山东大学 | 一种针对模糊焊缝的视觉定位方法及系统 |
CN111260616A (zh) * | 2020-01-13 | 2020-06-09 | 三峡大学 | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN111951520A (zh) * | 2020-07-31 | 2020-11-17 | 国网福建省电力有限公司宁德供电公司 | 一种输电线路导线覆冰厚度侦测系统及方法 |
Non-Patent Citations (2)
Title |
---|
侯蕾;尹东;尤晓建;: "一种遥感图像中建筑物的自动提取方法", 计算机仿真, no. 04, pages 184 - 187 * |
陈旭光;林卉;: "遥感图像中机场目标的识别方法", 计算机工程与应用, no. 25, pages 194 - 197 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hoang | Detection of surface crack in building structures using image processing technique with an improved Otsu method for image thresholding | |
Kim et al. | Comparative analysis of image binarization methods for crack identification in concrete structures | |
Weidner et al. | Classification methods for point clouds in rock slope monitoring: A novel machine learning approach and comparative analysis | |
Kumar et al. | Automated road markings extraction from mobile laser scanning data | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
CN110008207B (zh) | 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法 | |
Li et al. | Road detection from airborne LiDAR point clouds adaptive for variability of intensity data | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN110210428A (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 | |
Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
CN114266960A (zh) | 一种点云信息与深度学习相结合的障碍物检测方法 | |
Chen et al. | A feasibility study on use of generic mobile laser scanning system for detecting asphalt pavement cracks | |
CN115139303A (zh) | 一种栅格井盖检测方法、装置、设备及存储介质 | |
CN107835998B (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
CN113408519B (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及系统 | |
CN111144340A (zh) | 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统 | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
Tarsha Kurdi et al. | Efficiency of terrestrial laser scanning in survey works: Assessment, modelling, and monitoring | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN113160255A (zh) | 一种运行线路走廊环境因子变化监控方法 | |
CN112132135B (zh) | 一种基于图像处理的电网传输线检测方法、存储介质 | |
CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
Sajadian et al. | A data driven method for building reconstruction from LiDAR point clouds | |
Marmol et al. | Detection of line objects by means of Gabor wavelets and Hough transform | |
CN112070740A (zh) | 一种基于bim的港口堆场积水成像方法、系统及控制设备 |
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 |