CN113221805B - 一种电力设备图像位置获取方法及装置 - Google Patents
一种电力设备图像位置获取方法及装置 Download PDFInfo
- Publication number
- CN113221805B CN113221805B CN202110572343.5A CN202110572343A CN113221805B CN 113221805 B CN113221805 B CN 113221805B CN 202110572343 A CN202110572343 A CN 202110572343A CN 113221805 B CN113221805 B CN 113221805B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- reference image
- determining
- feature vector
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及变电站巡检影像采集技术领域,公开了一种电力设备图像位置获取方法及装置。在该方法中,首先获取第一目标图像,确定第一目标图像特征向量以及确定参考图像特征向量,进而根据两个特征向量,得到匹配相似度热力图。然后根据匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取得到第二目标图像。分别提取第二目标图像和参考图像的特征点并进行匹配,获取匹配点对,进一步确定第二目标图像与参考图像之间的单映关系。根据单映关系将参考图像的角点对应到第二目标图像上,确定所述第一目标图像中所述电力设备的位置。本方法对电力设备图像位置检测准确度高,省去大量人力资源,节约时间。
Description
技术领域
本申请涉及变电站巡检影像采集技术领域,尤其涉及一种电力设备图像位置获取方法及装置。
背景技术
为了更精确和全面地检测电力设备的运行状态,在电力设备的在线监测中,需要针对电力设备的外观图像来进行故障识别。而电力设备图像故障识别首先便需要获取电力设备外观图像中电力设备的位置信息,以便对目标设备进行在线状态检测以及设备故障诊断等后续操作。
目前主要通过变电站巡检机器人,对电力设备进行视觉定位并拍摄,获得电力设备的外观图像。然后专业测试人员根据外观图像并结合自己的操作技能和主观认知,直接判断电力设备在外观图像中的位置。但是通过人为获取电力设备外观图像的位置,准确度得不到保障,速度较慢,同时也耗费了大量的人力资源。
发明内容
本申请公开的一种电力设备图像位置获取方法及装置,用于解决现有技术中通过人为获取电力设备外观图像的位置,准确度低,速度较慢,同时也耗费了大量的人力资源的技术问题。
本申请第一方面公开了一种电力设备图像位置获取方法,包括:
获取第一目标图像,所述第一目标图像中包括待检测的电力设备;
根据所述第一目标图像,确定第一目标图像特征向量;
根据预设的参考图像,确定所述参考图像特征向量;所述参考图像为实际场景下工作状态良好的所述电力设备的图像;
根据所述第一目标图像特征向量和所述参考图像特征向量,确定匹配相似度热力图;
确定所述匹配相似度热力图中相似度最大极值;
根据所述匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取,确定第二目标图像;
分别对所述第二目标图像和所述参考图像进行特征点提取,确定所述第二目标图像和所述参考图像之间一一对应的多组匹配点对;
根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系;
获取所述参考图像的中心点和所述参考图像的四个角点;
根据所述单映关系,将所述参考图像的中心点映射到所述第二目标图像上的所述电力设备,确定参考中心点;
根据所述单映关系、所述参考图像的四个角点和所述参考中心点,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置;
根据所述参考图像的四个角点对应到所述第二目标图像上四个位置,确定所述第一目标图像中所述电力设备的位置。
可选的,所述根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系包括:
利用RANSAC算法,对所述多组匹配点对进行筛选,确定多组筛选匹配点对;
根据所述多组筛选匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
可选的,所述根据所述第一目标图像,确定第一目标图像特征向量,包括:
将所述第一目标图像通过卷积神经网络,确定所述第一目标图像特征向量。
可选的,所述根据预设的参考图像,确定所述参考图像特征向量,包括:
将所述参考图像通过所述卷积神经网络,确定所述参考图像特征向量。
可选的,所述分别对所述第二目标图像和所述参考图像进行特征点提取,包括:
利用SIFT特征点提取方法,分别对所述第二目标图像和所述参考图像进行特征点提取。
本申请第二方面公开了一种电力设备图像位置获取装置,所述电力设备图像位置获取装置应用于本申请第一方面公开的电力设备图像位置获取方法,所述电力设备图像位置获取装置包括:
第一目标图像获取模块,用于获取第一目标图像,所述第一目标图像中包括待检测的电力设备;
第一目标图像特征向量获取模块,用于根据所述第一目标图像,确定第一目标图像特征向量;
参考图像特征向量获取模块,用于根据预设的参考图像,确定所述参考图像特征向量;所述参考图像为实际场景下工作状态良好的所述电力设备的图像;
图像处理模块,用于根据所述第一目标图像特征向量和所述参考图像特征向量,确定匹配相似度热力图;
相似度最大极值获取模块,用于确定所述匹配相似度热力图中相似度最大极值;
图像截取模块,用于根据所述匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取,确定第二目标图像;
特征点提取模块,用于分别对所述第二目标图像和所述参考图像进行特征点提取,确定所述第二目标图像和所述参考图像之间一一对应的多组匹配点对;
单映关系获取模块,用于根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系;
中心点角点获取模块,用于获取所述参考图像的中心点和所述参考图像的四个角点;
参考中心点获取模块,用于根据所述单映关系,将所述参考图像的中心点映射到所述第二目标图像上的所述电力设备,确定参考中心点;
角点对应模块,用于根据所述单映关系、所述参考图像的四个角点和所述参考中心点,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置;
电力设备位置获取模块,用于根据所述参考图像的四个角点对应到所述第二目标图像上四个位置,确定所述第一目标图像中所述电力设备的位置。
可选的,所述单映关系获取模块包括:
筛选单元,用于利用RANSAC算法,对所述多组匹配点对进行筛选,确定多组筛选匹配点对;
单映关系确定单元,用于根据所述多组筛选匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
可选的,所述第一目标图像特征向量获取模块包括:
第一卷积神经网络单元,用于将所述第一目标图像通过卷积神经网络,确定所述第一目标图像特征向量。
可选的,所述参考图像特征向量获取模块包括:
第二卷积神经网络单元,用于将所述参考图像通过所述卷积神经网络,确定所述参考图像特征向量。
可选的,所述特征点提取模块包括:
SIFT单元,用于利用SIFT特征点提取方法,分别对所述第二目标图像和所述参考图像进行特征点提取。
本申请涉及变电站巡检影像采集技术领域,公开了一种电力设备图像位置获取方法及装置。在该方法中,首先获取第一目标图像,确定第一目标图像特征向量以及确定参考图像特征向量,进而根据两个特征向量,得到匹配相似度热力图。然后根据匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取得到第二目标图像。分别提取第二目标图像和参考图像的特征点并进行匹配,获取匹配点对,进一步确定第二目标图像与参考图像之间的单映关系。根据单映关系将参考图像的角点对应到第二目标图像上,确定所述第一目标图像中所述电力设备的位置。本方法对电力设备图像位置检测准确度高,省去大量人力资源,节约时间。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种电力设备图像位置获取方法的工作流程示意图;
图2为本申请实施例公开的一种电力设备图像位置获取装置的结构示意图。
具体实施方式
为了解决现有技术中,通过人为获取电力设备外观图像的位置,准确度低,速度较慢,同时也耗费了大量的人力资源的技术问题,本申请通过以下两个实施例公开了一种电力设备图像位置获取方法及装置。
本申请第一实施例公开了一种电力设备图像位置获取方法,参见图1所示的工作流程示意图,所述电力设备图像位置获取方法包括:
步骤S101,获取第一目标图像,所述第一目标图像中包括待检测的电力设备。
可以通过变电站巡检机器人对待检测的电力设备进行视觉定位并拍照,获得包含电力设备的图像。
步骤S102,根据所述第一目标图像,确定第一目标图像特征向量。
进一步的,所述根据所述第一目标图像,确定第一目标图像特征向量,包括:
将所述第一目标图像通过卷积神经网络,确定所述第一目标图像特征向量。
卷积神经网络因可以学习获得深层次特征具有强大的目标表示能力,逐渐取代传统的特征提取和度量分析,在图像识别和目标检测等任务中取得突破性进展,可以用于提高本申请的稳健性和准确性。
将所述第一目标图像经过28层的深度残差网络子层,再经由三层全连接网络,得到所述第一目标图像特征向量。
步骤S103,根据预设的参考图像,确定所述参考图像特征向量。所述参考图像为实际场景下工作状态良好的所述电力设备的图像。
进一步的,所述根据预设的参考图像,确定所述参考图像特征向量,包括:
将所述参考图像通过所述卷积神经网络,确定所述参考图像特征向量。
将所述参考图像通过同样结构和网络参数的卷积神经网络,得到所述参考图像特征向量。
步骤S104,根据所述第一目标图像特征向量和所述参考图像特征向量,确定匹配相似度热力图。
在本申请的部分实施例中,对所述第一目标图像特征向量和所述参考图像特征向量,进行二维相关运算,确定匹配相似度热力图。二维相关运算首先对参考图像特征向量进行尺寸扩展后再进行二维互相关并将各通道值相加,确定扩展后参考图像特征向量。扩展后参考图像特征向量相比扩展前,在参考图像特征向量的上下、左右都有增加相同行、列像素,使得扩展后参考图像向量长宽增加到参考图像特征向量长宽加上第一目标图像特征向量长宽。各通道扩展部分的取值设置为参考图像特征向量的当前通道均值。
具体通过如下公式计算:
其中,r(u,v)表示二维相关运算的结果,x,y,z表示特征向量的长,宽,通道参数,f表示扩展后参考图像特征向量,t表示目标图像特征向量,表示目标图像特征向量的均值,表示扩展后参考图像特征向量的局部均值,采样范围由图像大小及中心位置(u,v)决定。
步骤S105,确定所述匹配相似度热力图中相似度最大极值。
检测所述匹配相似度热力图中相似度最大极值作为初步匹配结果,为了后续对待检测电力设备的大致范围进行定位。
步骤S106,根据所述匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取,确定第二目标图像。
通过这一步骤,便可以得到所述待检测电力设备的大致位置信息。
步骤S107,分别对所述第二目标图像和所述参考图像进行特征点提取,确定所述第二目标图像和所述参考图像之间一一对应的多组匹配点对。
进一步的,所述分别对所述第二目标图像和所述参考图像进行特征点提取,包括:
利用SIFT特征点提取方法,分别对所述第二目标图像和所述参考图像进行特征点提取。
采取SIFT特征点提取方法的思想,SIFT特征点提取匹配方法具有对旋转、尺度缩放、亮度变化保持不变性,对视角变化、噪声等也存在一定程度的稳定性可以实现在海量参考影像特征数据中进行快速、准确的匹配,适合于户外条件下电力设备的实际影像状况。
SIFT特征点提取方法对特征描述子邻域划分做出改进,采用特征点16×16的邻域,以特征点为中心,将一定半径的圆域划分为若干个同心圆。以每个环形区域作为1个子环,共分成4个子环,每个子环作为1个种子点,分别计算每个种子点点梯度方向的累加值来实现描述子的旋转不变性,从而降低特征描述子的维数,简化了方法。
步骤S108,根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
进一步的,所述根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系包括:
利用RANSAC算法,对所述多组匹配点对进行筛选,确定多组筛选匹配点对。
根据所述多组筛选匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
在本申请的部分实施例中,引入RANSAC算法来消除误匹配,提高匹配精度。RANSAC是根据1组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。RANSAC算法认为一部分数据点与某一参数模型一致,当某一数据点与参数模型之间的距离小于一定阈值时,这部分数据点称为内点。通过调整参数和模型可以使内点数达到最大值。最后选用RANSAC算法优化后的参数模型得到第二目标图像和参考图像的单映关系。
步骤S109,获取所述参考图像的中心点和所述参考图像的四个角点。
所述参考图像为一个矩形,所述参考图像的中心点即参考图像的几何中心位置,四个角点为矩形四角的位置信息。
步骤S110,根据所述单映关系,将所述参考图像的中心点映射到所述第二目标图像上的所述电力设备,确定参考中心点。
先将所述参考图像的中心点映射到所述第二目标图像上,作为一个标杆,为了接下来对角点进行映射,确定四个角点的位置。
步骤S111,根据所述单映关系、所述参考图像的四个角点和所述参考中心点,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置。
在已经确定所述参考中心点的前提下,根据所述参考图像的中心点与所述参考中心点之间的位置变换关系,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置。
步骤S112,根据所述参考图像的四个角点对应到所述第二目标图像上四个位置,确定所述第一目标图像中所述电力设备的位置。
所述参考图像的四个角点对应到所述第二目标图像上四个位置围成的区域即所述第一目标图像中所述电力设备的位置。
在本申请的部分实施例中,所述第一目标图像中可能同时包括多个电力设备,可以同时对任一电力设备进行检测,确定第一目标图像中多个电力设备的位置信息。
以上主要是利用待检测电力设备兴趣点或区域的局部特征,通过RANSAC算法对这些特征匹配获得匹配点对。然后融合位置信息与初步匹配结果挑选出其中最有可能的匹配对,继而通过对匹配点对对应位置解算得到图像间的投影变换关系,使用第一目标图像中目标位置与投影变换矩阵可以精确得到检测第一目标图像中待检测电力设备的位置。
本申请上述实施例公开的一种电力设备图像位置获取方法,首先获取第一目标图像,确定第一目标图像特征向量以及确定参考图像特征向量,进而根据两个特征向量,得到匹配相似度热力图。然后根据匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取得到第二目标图像。分别提取第二目标图像和参考图像的特征点并进行匹配,获取匹配点对,进一步确定第二目标图像与参考图像之间的单映关系。根据单映关系将参考图像的角点对应到第二目标图像上,确定所述第一目标图像中所述电力设备的位置。本方法对电力设备图像位置检测准确度高,省去大量人力资源,节约时间。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
本申请第二实施例公开了一种电力设备图像位置获取装置,所述电力设备图像位置获取装置应用于本申请第一实施例公开的电力设备图像位置获取方法,参见图2所示的结构示意图,所述电力设备图像位置获取装置包括:
第一目标图像获取模块201,用于获取第一目标图像,所述第一目标图像中包括待检测的电力设备。
第一目标图像特征向量获取模块202,用于根据所述第一目标图像,确定第一目标图像特征向量。
进一步的,所述第一目标图像特征向量获取模块202包括:
第一卷积神经网络单元,用于将所述第一目标图像通过卷积神经网络,确定所述第一目标图像特征向量。
参考图像特征向量获取模块203,用于根据预设的参考图像,确定所述参考图像特征向量。所述参考图像为实际场景下工作状态良好的所述电力设备的图像。
进一步的,所述参考图像特征向量获取模块203包括:
第二卷积神经网络单元,用于将所述参考图像通过所述卷积神经网络,确定所述参考图像特征向量。
第一卷积神经网络单元与第二卷积神经网络单元完全相同。
图像处理模块204,用于根据所述第一目标图像特征向量和所述参考图像特征向量,确定匹配相似度热力图。
相似度最大极值获取模块205,用于确定所述匹配相似度热力图中相似度最大极值。
图像截取模块206,用于根据所述匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取,确定第二目标图像。
特征点提取模块207,用于分别对所述第二目标图像和所述参考图像进行特征点提取,确定所述第二目标图像和所述参考图像之间一一对应的多组匹配点对。
进一步的,所述特征点提取模块207包括:
SIFT单元,用于利用SIFT特征点提取方法,分别对所述第二目标图像和所述参考图像进行特征点提取。
单映关系获取模块208,用于根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
进一步的,所述单映关系获取模块208包括:
筛选单元,用于利用RANSAC算法,对所述多组匹配点对进行筛选,确定多组筛选匹配点对。
单映关系确定单元,用于根据所述多组筛选匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
中心点角点获取模块209,用于获取所述参考图像的中心点和所述参考图像的四个角点。
参考中心点获取模块210,用于根据所述单映关系,将所述参考图像的中心点映射到所述第二目标图像上的所述电力设备,确定参考中心点。
角点对应模块211,用于根据所述单映关系、所述参考图像的四个角点和所述参考中心点,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置。
电力设备位置获取模块212,用于根据所述参考图像的四个角点对应到所述第二目标图像上四个位置,确定所述第一目标图像中所述电力设备的位置。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种电力设备图像位置获取方法,其特征在于,包括:
获取第一目标图像,所述第一目标图像中包括待检测的电力设备;
根据所述第一目标图像,确定第一目标图像特征向量;
根据预设的参考图像,确定所述参考图像特征向量;所述参考图像为实际场景下工作状态良好的所述电力设备的图像;
根据所述第一目标图像特征向量和所述参考图像特征向量,确定匹配相似度热力图;
确定所述匹配相似度热力图中相似度最大极值;
根据所述匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取,确定第二目标图像;
分别对所述第二目标图像和所述参考图像进行特征点提取,确定所述第二目标图像和所述参考图像之间一一对应的多组匹配点对;
根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系;
获取所述参考图像的中心点和所述参考图像的四个角点;
根据所述单映关系,将所述参考图像的中心点映射到所述第二目标图像上的所述电力设备,确定参考中心点;
根据所述单映关系、所述参考图像的四个角点和所述参考中心点,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置;
根据所述参考图像的四个角点对应到所述第二目标图像上四个位置,确定所述第一目标图像中所述电力设备的位置。
2.根据权利要求1所述的一种电力设备图像位置获取方法,其特征在于,所述根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系包括:
利用RANSAC算法,对所述多组匹配点对进行筛选,确定多组筛选匹配点对;
根据所述多组筛选匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
3.根据权利要求1所述的一种电力设备图像位置获取方法,其特征在于,所述根据所述第一目标图像,确定第一目标图像特征向量,包括:
将所述第一目标图像通过卷积神经网络,确定所述第一目标图像特征向量。
4.根据权利要求3所述的一种电力设备图像位置获取方法,其特征在于,所述根据预设的参考图像,确定所述参考图像特征向量,包括:
将所述参考图像通过所述卷积神经网络,确定所述参考图像特征向量。
5.根据权利要求1所述的一种电力设备图像位置获取方法,其特征在于,所述分别对所述第二目标图像和所述参考图像进行特征点提取,包括:
利用SIFT特征点提取方法,分别对所述第二目标图像和所述参考图像进行特征点提取。
6.一种电力设备图像位置获取装置,其特征在于,所述电力设备图像位置获取装置应用于权利要求1-5任一项所述的电力设备图像位置获取方法,所述电力设备图像位置获取装置包括:
第一目标图像获取模块,用于获取第一目标图像,所述第一目标图像中包括待检测的电力设备;
第一目标图像特征向量获取模块,用于根据所述第一目标图像,确定第一目标图像特征向量;
参考图像特征向量获取模块,用于根据预设的参考图像,确定所述参考图像特征向量;所述参考图像为实际场景下工作状态良好的所述电力设备的图像;
图像处理模块,用于根据所述第一目标图像特征向量和所述参考图像特征向量,确定匹配相似度热力图;
相似度最大极值获取模块,用于确定所述匹配相似度热力图中相似度最大极值;
图像截取模块,用于根据所述匹配相似度热力图中相似度最大极值,对所述第一目标图像进行截取,确定第二目标图像;
特征点提取模块,用于分别对所述第二目标图像和所述参考图像进行特征点提取,确定所述第二目标图像和所述参考图像之间一一对应的多组匹配点对;
单映关系获取模块,用于根据所述多组匹配点对,确定所述第二目标图像与所述参考图像的单映关系;
中心点角点获取模块,用于获取所述参考图像的中心点和所述参考图像的四个角点;
参考中心点获取模块,用于根据所述单映关系,将所述参考图像的中心点映射到所述第二目标图像上的所述电力设备,确定参考中心点;
角点对应模块,用于根据所述单映关系、所述参考图像的四个角点和所述参考中心点,确定所述参考图像的四个角点对应到所述第二目标图像上四个位置;
电力设备位置获取模块,用于根据所述参考图像的四个角点对应到所述第二目标图像上四个位置,确定所述第一目标图像中所述电力设备的位置。
7.根据权利要求6所述的一种电力设备图像位置获取装置,其特征在于,所述单映关系获取模块包括:
筛选单元,用于利用RANSAC算法,对所述多组匹配点对进行筛选,确定多组筛选匹配点对;
单映关系确定单元,用于根据所述多组筛选匹配点对,确定所述第二目标图像与所述参考图像的单映关系。
8.根据权利要求6所述的一种电力设备图像位置获取装置,其特征在于,所述第一目标图像特征向量获取模块包括:
第一卷积神经网络单元,用于将所述第一目标图像通过卷积神经网络,确定所述第一目标图像特征向量。
9.根据权利要求8所述的一种电力设备图像位置获取装置,其特征在于,所述参考图像特征向量获取模块包括:
第二卷积神经网络单元,用于将所述参考图像通过所述卷积神经网络,确定所述参考图像特征向量。
10.根据权利要求6所述的一种电力设备图像位置获取装置,其特征在于,所述特征点提取模块包括:SIFT单元,用于利用SIFT特征点提取方法,分别对所述第二目标图像和所述参考图像进行特征点提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572343.5A CN113221805B (zh) | 2021-05-25 | 2021-05-25 | 一种电力设备图像位置获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572343.5A CN113221805B (zh) | 2021-05-25 | 2021-05-25 | 一种电力设备图像位置获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221805A CN113221805A (zh) | 2021-08-06 |
CN113221805B true CN113221805B (zh) | 2022-08-02 |
Family
ID=77098315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572343.5A Active CN113221805B (zh) | 2021-05-25 | 2021-05-25 | 一种电力设备图像位置获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221805B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838120B (zh) * | 2021-09-30 | 2024-01-30 | 重庆大学 | 一种基于数字图像相关的大转角运动位移测量方法 |
CN114202584B (zh) * | 2022-02-15 | 2022-04-22 | 南京天创电子技术有限公司 | 自动视觉扫描生成巡检任务的方法及巡检机器人 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701766A (zh) * | 2016-02-24 | 2016-06-22 | 网易(杭州)网络有限公司 | 图形匹配方法和装置 |
CN107038722A (zh) * | 2016-02-02 | 2017-08-11 | 深圳超多维光电子有限公司 | 一种设备定位方法及装置 |
JP2019028700A (ja) * | 2017-07-28 | 2019-02-21 | 日本電信電話株式会社 | 検証装置、方法、及びプログラム |
CN109784223A (zh) * | 2018-12-28 | 2019-05-21 | 珠海大横琴科技发展有限公司 | 一种基于卷积神经网络的多时相遥感影像匹配方法及系统 |
CN110210342A (zh) * | 2019-05-20 | 2019-09-06 | 深圳供电局有限公司 | 一种人脸图像匹配方法及其系统、可读存储介质 |
CN111339343A (zh) * | 2020-02-12 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、存储介质及设备 |
CN111476251A (zh) * | 2020-03-26 | 2020-07-31 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像匹配方法及装置 |
WO2020211624A1 (zh) * | 2019-04-18 | 2020-10-22 | 腾讯科技(深圳)有限公司 | 对象追踪方法、追踪处理方法、相应的装置、电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10070111B2 (en) * | 2015-12-22 | 2018-09-04 | Adobe Systems Incorporated | Local white balance under mixed illumination using flash photography |
US10929966B2 (en) * | 2018-02-24 | 2021-02-23 | United States Of America As Represented By The Administrator Of Nasa | System and method for imaging underwater environments using fluid lensing |
-
2021
- 2021-05-25 CN CN202110572343.5A patent/CN113221805B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038722A (zh) * | 2016-02-02 | 2017-08-11 | 深圳超多维光电子有限公司 | 一种设备定位方法及装置 |
CN105701766A (zh) * | 2016-02-24 | 2016-06-22 | 网易(杭州)网络有限公司 | 图形匹配方法和装置 |
JP2019028700A (ja) * | 2017-07-28 | 2019-02-21 | 日本電信電話株式会社 | 検証装置、方法、及びプログラム |
CN109784223A (zh) * | 2018-12-28 | 2019-05-21 | 珠海大横琴科技发展有限公司 | 一种基于卷积神经网络的多时相遥感影像匹配方法及系统 |
WO2020211624A1 (zh) * | 2019-04-18 | 2020-10-22 | 腾讯科技(深圳)有限公司 | 对象追踪方法、追踪处理方法、相应的装置、电子设备 |
CN110210342A (zh) * | 2019-05-20 | 2019-09-06 | 深圳供电局有限公司 | 一种人脸图像匹配方法及其系统、可读存储介质 |
CN111339343A (zh) * | 2020-02-12 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 图像检索方法、装置、存储介质及设备 |
CN111476251A (zh) * | 2020-03-26 | 2020-07-31 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像匹配方法及装置 |
Non-Patent Citations (1)
Title |
---|
盛明伟等.基于改进CNN-RANSAC的水下图像特征配准方法.《计算机工程与科学》.2020,第42卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN113221805A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN108230237B (zh) | 一种用于电气设备在线检测的多光谱图像重构方法 | |
CN113221805B (zh) | 一种电力设备图像位置获取方法及装置 | |
CN110400315A (zh) | 一种缺陷检测方法、装置及系统 | |
CN111696072B (zh) | 彩色图像的直线检测方法、装置、电子设备及存储介质 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN106056121A (zh) | 基于sift图像特征匹配的卫星装配工件快速识别方法 | |
Malekabadi et al. | A comparative evaluation of combined feature detectors and descriptors in different color spaces for stereo image matching of tree | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN117314986A (zh) | 基于语义分割的无人机跨模态配电设备巡检图像配准方法 | |
CN113673515A (zh) | 一种计算机视觉目标检测算法 | |
CN113408519A (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及系统 | |
CN113569679A (zh) | 测量断裂伸长率的方法、装置和系统 | |
House et al. | Using deep learning to identify potential roof spaces for solar panels | |
Peng et al. | Automatic recognition of pointer meter reading based on Yolov4 and improved U-net algorithm | |
CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 | |
Sidor et al. | The impact of the implementation of edge detection methods on the accuracy of automatic voltage reading | |
US20230360262A1 (en) | Object pose recognition method based on triangulation and probability weighted ransac algorithm | |
CN115439319A (zh) | 一种电滑线防护装置裸露检测方法 | |
CN114943720A (zh) | 一种电力图像处理方法及装置 | |
CN110910379B (zh) | 一种残缺检测方法及装置 | |
CN112418226A (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
Yuan et al. | Robust instruments position estimation using improved kernelized correlation filter for substation patrol robots |
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 |