CN113610039B - 基于云台相机的风漂异物识别方法 - Google Patents
基于云台相机的风漂异物识别方法 Download PDFInfo
- Publication number
- CN113610039B CN113610039B CN202110945144.4A CN202110945144A CN113610039B CN 113610039 B CN113610039 B CN 113610039B CN 202110945144 A CN202110945144 A CN 202110945144A CN 113610039 B CN113610039 B CN 113610039B
- Authority
- CN
- China
- Prior art keywords
- image
- foreign matter
- wind drift
- wind
- index value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于云台相机的风漂异物识别方法,步骤包括:S1,云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄,得到每次环扫拍摄的图像集;S2,对相同拍摄角度下前后两次环扫拍摄的图像图像作基于ORB特征点的图像对准预处理;S3,通过图像比对标记算法比较图像和图像的差异,并将差异区域判定为图像上的风漂异物区域并标记然后报警。本发明克服了传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端,且解决了神经网络算法识别风漂异物所需的训练样本难以获取,实现难度较大的问题。
Description
技术领域
本发明涉及变电站无人巡检技术领域,具体涉及一种基于云台相机的风漂异物识别方法。
背景技术
变电站往往建设在郊区或农村的开阔地带,大量设备、线路密集裸露在外,在受到大棚塑料薄膜、塑料袋、气球、风筝、鸟巢等风漂异物侵袭时,极可能对变电站的安全运行造成严重威胁。由于侵入事件的偶发性,单靠人工巡检的方式很难及时消除隐患。
电力系统的无人巡检主要采取摄像机巡检、无人机巡检、机器人巡检等方式,由于风漂异物的主要威胁在于高空电力设备,且变电站内部电塔林立、输电线密布,并不适合无人机巡检或机器人巡检,因此当前一般采用摄像机巡检方式,采取在变电站内架设多台摄像机实现实时检测,这种方式需要额外布设多台对高空区域监视的专用摄像机、成本较高。同时,在识别方式上,被讨论最多的是采取深度学习的方法,比如Faster R-CNN、YOLO等神经网络算法,然而由于风漂异物种类、材质、形态多变,在真是变电站环境下样本稀少,很难收集到足够的训练数据集,因此此类方法的实现难度很大。
发明内容
本发明以克服传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端,且解决神经网络算法识别风漂异物所需的训练样本难以获取,实现难度较大的问题为目的,提供了一种基于云台相机的风漂异物识别方法。
为达此目的,本发明采用以下技术方案:
提供一种基于云台相机的风漂异物识别方法,包括:
步骤S1,云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄,得到每次环扫拍摄的图像集;
步骤S2,对相同拍摄角度下前后两次环扫拍摄的图像图像/>作基于ORB特征点的图像对准预处理;
步骤S3,通过图像比对标记算法比较所述图像和所述图像/>的差异,并将差异区域判定为所述图像/>上的风漂异物区域并标记然后报警。
优选地,所述云台相机为全方位云台相机,所述云台相机在同一次环扫拍摄中按照固定的垂直俯仰角定速旋转拍摄。
优选地,所述步骤S2中,对所述图像和所述图像/>作基于ORB特征点的图像对准预处理包括:
步骤S21,通过BF暴力匹配算法对所述图像和所述图像/>进行ORB特征点匹配;
步骤S22,利用所述图像和所述图像/>中的ORB特征点间的映射关系,并对所述图像/>进行透视变换以与所述图像/>对准,使得所述图像/>和所述图像/>的错位偏差控制在5个像素范围内。
优选地,所述步骤S3中,所述图像比对标记算法在所述图像上比对并标记出所述风漂异物区域的方法包括:
步骤S31,设定风漂异物的最小分辨率,并以风漂异物的最小分辨率为依据对所述图像和所述图像/>进行网格划分,所述图像/>中的每个网格对应的第一子图与所述图像/>中的多个网格分别对应的第二子图具有一对多的位置对应关系;
步骤S32,计算每张所述第二子图与具有位置对应关系的所述第一子图间的图像亮度差异指标值对比度差异指标值/>以及结构差异指标值
步骤S33,根据所述亮度差异指标值所述对比度差异指标值和所述结构差异指标值/>计算每张所述第二子图与具有位置对应关系的所述第一子图间的结构相似性加权指标值SSIM(A,B);
步骤S34,判断所述结构相似性加权指标值SSIM(A,B)是否小于预设的阈值thres,
若是,则将所述图像上与所述图像/>的相似性小于所述阈值thres的第二子图标记为风漂异物所在区域;
若否,则判定所述图像上与所述图像/>上的相似性大于或等于所述阈值thres的第二子图为非风漂异物所在区域;
步骤S35,重复所述步骤S32-S34,在所述图像上标记出所有风漂异物所在区域,然后对相邻的风漂异物所在区域进行拼接得到位置完整的风漂异物所在区域图像。
优选地,所述步骤S31中,对所述图像和所述图像/>进行网格划分的方法包括:
步骤S311,设与所述图像对准后的所述图像/>为图像/>所述图像/>和所述图像/>为维度为[Row,Col,Channel]三维矩阵,Row、Col分别表示所述图像/>或所述图像/>中的像素行数和列数,Ch={R,G,B}为颜色通道;设风漂异物的图像分辨率为P×P,可记所述图像/>所述图像/>pk,l,c、p′k,l,c为RGB图像在c通道的第k行第j列的像素值,k=1,2,…,Row,j=1,2,…,Col;
步骤S312,对每一颜色通道下的所述图像按大小P×P进行分块,可将所述图像表示为分块矩阵/>Ar×s×c为c通道下的[P,P,Channel]三维子阵,Ar×s×c代表在所述图像/>中划分的一个网格,/>r=1,2,…,R,s=1,2,…,S,c∈Channel;
步骤S313,将所述图像上与所述图像/>上的分块Ar×s×c位置对准的分块按上下左右四个方向逐行或逐列最大位移sup(diff)行或列,得到与所述分块Ar×s×c具有位置对应关系的[2×sup(diff)+1]2个分块矩阵,记为/>(i,j)表示所述分块矩阵相对于所述分块Ar×s×c的偏移量;i<0、i>0时分别表示所述分块/>上移和下移,j<0、j>0时分别表示所述分块/>左移和右移,所述分块/>代表在所述图像/>上划分的与所述分块Ar×s×c具有位置对应关系的网格。
优选地,sup(diff)=5,i,j=(-sup(diff),-4,-3,-2,-1,0,1,2,3,4,sup(diff))。
优选地,所述步骤S32中,所述亮度差值指标值通过以下公式(1)计算而得:
公式(1)中,分别为所述分块Ar×s×c和所述分块/>在c∈Ch上的均值;
C1为一正常数;
通过以下公式(2)计算而得:
通过以下公式(3)计算而得:
优选地,所述对比度差异指标值通过以下公式(4)计算而得:
公式(4)中,分别为所述分块Ar×s×c和所述分块/>在c∈Channel上的标准差;
C2为一正常数;
通过以下公式(5)计算而得:
通过以下公式(6)计算而得:
优选地,所述结构差异指标值通过以下公式(7)计算而得:
公式(7)中,为所述分块Ar×s×c和所述分块/>在c∈Channel上的协方差;
C3为一正常数;
通过以下公式(8)计算而得:
优选地,所述步骤S33中,所述结构相似性加权指标SSIM(A,B)通过以下公式(9)计算而得:
SSIM(A,B)=I(A,B)αC(A,B)βS(A,B)γ 公式(9)
α、β、γ为权重系数,α+β+γ=1。
优选地,所述阈值thres=0.75。
本发明依托云台相机并通过创新提出的图像比对标记算法实现了对整个变电站环境的风漂异物的监控和识别,克服了传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端,同时在识别方法上,无需采集变电站环境风漂异物的实例作为训练集,解决现有的神经网络算法识别风漂异物所需的训练样本难以获取实现难度较大的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明一实施例提供的基于云台相机的风漂异物识别方法的实现流程图;
图2是对相同拍摄角度下前后两次环扫拍摄的两张图像作图像对准预处理的方法步骤图;
图3是在当前环扫拍摄的图像上比对并标记出风漂异物区域的方法步骤图;
图4是对相同拍摄角度下前后两次环扫拍摄的两张图像进行网格划分的方法步骤图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例以使用单台云台相机为例,对提供的风漂异物识别方法的过程原理进行阐述。如图1所示,本发明实施例提供的基于云台相机的风漂异物识别方法,包括:
步骤S1,单台云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄,得到每次环扫拍摄的图像集Scene;云台相机单次环扫遍历序列比如可记为(<α1,β1>,<α2,β2>,…,<αm,βm>,…,<αN,βN>,拍摄的图像序列可记为(I1,I2,…,Im,…,IN),αm表示云台相机的水平方位角,βm表示云台相机的垂直俯仰角,Im表示云台相机指向<αm,βm>位置时所拍摄的图像,m=1,2,…,N,
步骤S2,对相同拍摄角度下前后两次环扫拍摄的图像图像/>作基于ORB特征点的图像对准预处理;图像/>图像/>分别为云台相机在<αm,βm>拍摄位置的第cur+1次、第cur次环扫所拍摄的图像。本发明将已判定不存在风漂异物的图像/>作为对图像进行对准的依据。将图像/>与图像/>对准可以有效消除由云台位置、相机焦距飘逸等因素引起的图像偏差。
图2示出了对相同拍摄角度下前后两次环扫拍摄的图像和图像/>作图像对准预处理的方法步骤图,如图2所示,对图像/>和图像/>作基于ORB特征点的图像对准预处理包括:
步骤S21,通过BF暴力匹配对图像和图像/>进行ORB特征点匹配;
步骤S22,利用图像和图像/>中的ORB特征点间的映射关系,并对图像/>进行透视变换以与图像/>对准,使得图像/>和图像/>的错位偏差控制在5个像素范围内。
步骤S3,通过图像比对标记算法比较图像和图像/>的差异,并将差异区域判定为图像/>上的风漂异物区域并标记然后报警。标记出风漂异物区域后,云台相机停止遍历环扫,保持在当前位置<αm,βm>,同时启动报警模块。如果判定图像/>上不存在风漂异物,则云台继续环扫遍历,以图像/>替换更新作为图像对准和图像特征匹配依据的图像/>
图3示出了在当前环扫拍摄的图像上比对并标记出风漂异物区域的方法步骤图。如图3所示,比对并标记风漂异物区域的方法包括:
步骤S31,设定风漂异物的最小分辨率,并以风漂异物的最小分辨率为依据对图像和图像/>进行网格划分,图像/>中的每个网格对应的第一子图与图像/>中的多个网格分别对应的第二子图具有一对多的位置对应关系;
网格划分方法如图4所示,具体为:
步骤S311,设与图像对准后的图像/>为图像/>尺寸相同的RGB图像和图像/>为维度为[Row,Col,Channel]三维矩阵,Row、Col分别表示图像/>或图像中的像素行数和列数,Channel={R,G,B}为颜色通道;设风漂异物的图像分辨率为P×P,可记图像/>图像/>pk,l,c、p′k,l,c为RGB图像在c通道的第k行第j列的像素值,0≤pk,l,c≤255,0≤p′k,l,c≤255,k=1,2,…,Row,j=1,2,…,Col;
步骤S312,对每一颜色通道下的图像按大小P×P进行分块,可将图像/>表示为分块矩阵/>Ar×s×c为c通道下的[P,P,Channel]三维子阵,Ar×s×c即代表在图像/>中划分的一个网格,/>r=1,2,…,R,s=1,2,…,S,c∈Channel;
步骤S313,将图像上与图像/>上的分块Ar×s×c位置对准的分块/>按上下左右四个方向逐行或逐列最大位移sup(diff)行或列,得到与分块Ar×s×c具有位置对应关系的[2×sup(diff)+1]2个分块矩阵,记为/>(i,j)表示分块矩阵/>相对于分块Ar×s×c的偏移量,i<0、i>0时分别表示分块/>上移和下移,j<0、j>0时分别表示分块左移和右移,分块/>代表在图像/>上划分的与图像/>上的分块Ar×s×c具有位置对应关系的网格。
我们在具体应用中发现,当sup(diff)=5,即i,j=(-5,-4,-3,-2,-1,0,1,2,3,4,5),与一个分块Ar×s×c具有位置对应关系的分块矩阵的数量为121时,能够确保风漂异物是否存在的判定误差控制在理想范围内,且判断速度也达到了实际需求,所以我们将sup(diff)的值设定为5。
请继续参照图3,比对并标记风漂异物区域的方法还包括:
步骤S32,计算每张第二子图与具有位置对应关系的第一子图间的图像亮度差异指标值对比度差异指标值/>以及结构差异指标值/>
其中,亮度差值指标值通过以下公式(1)计算而得:
公式(1)中,分别为分块Ar×s×c和分块/>在c∈Channel(相同通道,或R通道或G通道或B通道)上的均值;
C1为一正常数;
通过以下公式(2)计算而得:
通过以下公式(3)计算而得:
对比度差异指标值通过以下公式(4)计算而得:
公式(4)中,分别为分块Ar×s×c和分块/>在相同通道c∈Channel上的标准差;
C2为一正常数;
通过以下公式(5)计算而得:
通过以下公式(6)计算而得:
结构差异指标值通过以下公式(7)计算而得:
公式(7)中,为所述分块Ar×s×c和所述分块/>在c∈Ch上的协方差;
C3为一正常数;
通过以下公式(8)计算而得:
步骤S33,根据亮度差异指标值对比度差异指标值/>和结构差异指标值/>计算每张第二子图与具有位置对应关系的第一子图间的结构相似性加权指标值SSIM(A,B);
该结构相似性加权指标SSIM(A,B)通过以下公式(9)计算而得:
SSIM(A,B)=I(A,B)αC(A,B)βS(A,B)γ 公式(9)
α、β、γ为权重系数,α+β+γ=1。
步骤S34,判断结构相似性加权指标值SSIM(A,B)是否小于预设的阈值thres(本实施例中,阈值thres取值为0.750),
若是,则将图像上与所述图像/>的相似性小于所述阈值thres的第二子图标记为风漂异物所在区域;
若否,则判定图像上与图像/>上的相似性大于或等于阈值thres的第二子图为非风漂异物所在区域;
步骤S35,重复步骤S32-S34,在图像上标记出所有风漂异物所在区域,然后对相邻的风漂异物所在区域进行拼接得到位置完整的风漂异物所在区域图像。
综上,本发明依托云台相机并通过创新提出的图像比对标记算法实现了对整个变电站环境的风漂异物的监控和识别,克服了传统解决方案需要多台专用相机进行监控的高成本、高复杂度的弊端,同时在识别方法上,无需采集变电站环境风漂异物的实例作为训练集,解决了现有的神经网络算法识别风漂异物所需的训练样本难以获取实现难度较大的问题。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (9)
1.一种基于云台相机的风漂异物识别方法,其特征在于,包括:
步骤S1,云台相机以不同角度对风漂异物监控区域进行周期性环扫拍摄,得到每次环扫拍摄的图像集;
步骤S2,对相同拍摄角度下前后两次环扫拍摄的图像图像/>作基于ORB特征点的图像对准预处理;
步骤S3,通过图像比对标记算法比较所述图像和所述图像/>的差异,并将差异区域判定为所述图像/>上的风漂异物区域并标记然后报警;
所述步骤S3中,所述图像比对标记算法在所述图像上比对并标记出所述风漂异物区域的方法包括:
步骤S31,设定风漂异物的最小分辨率,并以风漂异物的最小分辨率为依据对所述图像和所述图像/>进行网格划分,所述图像/>中的每个网格对应的第一子图与所述图像/>中的多个网格分别对应的第二子图具有一对多的位置对应关系;
所述步骤S31中,对所述图像和所述图像/>进行网格划分的方法包括:
步骤S311,设与所述图像对准后的所述图像/>为图像/>所述图像/>和所述图像/>为维度为[Row,Col,Channel]三维矩阵,Row、Col分别表示所述图像/>或所述图像/>中的像素行数和列数,Channel={Red,Green,Blue}为颜色通道;设风漂异物的图像分辨率为P×P,记所述图像/>所述图像/> pk,l,c、p′k,l,c为RGB图像在c通道的第k行第j列的像素值,k=1,2,…,Row,j=1,2,…,Col;
步骤S312,对每一颜色通道下的所述图像按大小P×P进行分块,将所述图像/>表示为分块矩阵/>Ar×s×c为c通道下的[P,P,Channel]三维子阵,Ar×s×c代表在所述图像/>中划分的一个网格,/>r=1,2,…,R;s=1,2,…,S;c∈Channel;
步骤S313,将所述图像上与所述图像/>上的分块Ar×s×c位置对准的分块/>按上下左右四个方向逐行或逐列最大位移sup(diff)行或列,得到与所述分块Ar×s×c具有位置对应关系的[2×sup(diff)+1]2个分块矩阵,记为/>(i,j)表示分块/>相对于所述分块Ar×s×c的偏移量;i<0、i>0时分别表示所述分块/>上移和下移,j<0、j>0时分别表示所述分块/>左移和右移,所述分块/>代表在所述图像/>上划分的与所述分块Ar×s×c具有位置对应关系的网格;
步骤S32,计算每张所述第二子图与具有位置对应关系的所述第一子图间的图像亮度差异指标值对比度差异指标值/>以及结构差异指标值
步骤S33,根据所述亮度差异指标值所述对比度差异指标值和所述结构差异指标值/>计算每张所述第二子图与具有位置对应关系的所述第一子图间的结构相似性加权指标值SSIM(A,B);
步骤S34,判断所述结构相似性加权指标值SSIM(A,B)是否小于预设的阈值thres,
若是,则将图像上与所述图像/>的相似性小于所述阈值thres的第二子图标记为风漂异物所在区域;
若否,则判定所述图像上与所述图像/>上的相似性大于或等于所述阈值thres的第二子图为非风漂异物所在区域;
步骤S35,重复所述步骤S32-S34,在所述图像上标记出所有风漂异物所在区域,然后对相邻的风漂异物所在区域进行拼接得到位置完整的风漂异物所在区域图像。
2.根据权利要求1所述的基于云台相机的风漂异物识别方法,其特征在于,所述云台相机为全方位云台相机,所述云台相机在同一次环扫拍摄中按照固定的垂直俯仰角定速旋转拍摄。
3.根据权利要求1所述的基于云台相机的风漂异物识别方法,其特征在于,所述步骤S2中,对所述图像和所述图像/>作基于ORB特征点的图像对准预处理包括:
步骤S21,通过BF暴力匹配算法对所述图像和所述图像/>进行ORB特征点匹配;
步骤S22,利用所述图像和所述图像/>中的ORB特征点间的映射关系,并对所述图像/>进行透视变换以与所述图像/>对准,使得所述图像/>和所述图像/>的错位偏差控制在5个像素范围内。
4.根据权利要求1所述的基于云台相机的风漂异物识别方法,其特征在于,i,j=[-5,5],i,j为自然数,sup(diff)=5。
5.根据权利要求1所述的基于云台相机的风漂异物识别方法,其特征在于,所述步骤S32中,所述亮度差异指标值通过以下公式(1)计算而得:
公式(1)中,分别为所述分块Ar×s×c和所述分块/>在c∈Channel上的均值;
C1为一正常数;
通过以下公式(2)计算而得:
通过以下公式(3)计算而得:
6.根据权利要求1所述的基于云台相机的风漂异物识别方法,其特征在于,所述对比度差异指标值通过以下公式(4)计算而得:
公式(4)中,分别为所述分块Ar×s×c和所述分块/>在c∈Channel上的标准差;
C2为一正常数;
通过以下公式(5)计算而得:
通过以下公式(6)计算而得:
7.根据权利要求1所述的基于云台相机的风漂异物识别方法,其特征在于,所述结构差异指标值通过以下公式(7)计算而得:
公式(7)中,为所述分块Ar×s×c和所述分块/>在c∈Channel上的协方差;
C3为一正常数;
通过以下公式(8)计算而得:
8.根据权利要求1或7所述的基于云台相机的风漂异物识别方法,其特征在于,所述步骤S33中,所述结构相似性加权指标值SSIM(A,B)通过以下公式(9)计算而得:
SSIM(A,B)=I(A,B)αC(A,B)βS(A,B)γ 公式(9)
α、β、γ为权重系数,α+β+γ=1。
9.根据权利要求8所述的基于云台相机的风漂异物识别方法,其特征在于,所述阈值thres=0.75。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945144.4A CN113610039B (zh) | 2021-08-17 | 2021-08-17 | 基于云台相机的风漂异物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945144.4A CN113610039B (zh) | 2021-08-17 | 2021-08-17 | 基于云台相机的风漂异物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610039A CN113610039A (zh) | 2021-11-05 |
CN113610039B true CN113610039B (zh) | 2024-03-15 |
Family
ID=78341030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110945144.4A Active CN113610039B (zh) | 2021-08-17 | 2021-08-17 | 基于云台相机的风漂异物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610039B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105799740A (zh) * | 2016-03-08 | 2016-07-27 | 浙江大学 | 一种基于物联网技术的轨道异物入侵自动检测与预警方法 |
CN109034185A (zh) * | 2018-06-08 | 2018-12-18 | 汪俊 | 一种街景图像差异对比方法及装置 |
CN110246175A (zh) * | 2019-05-24 | 2019-09-17 | 国网安徽省电力有限公司检修分公司 | 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法 |
CN111562576A (zh) * | 2020-05-20 | 2020-08-21 | 北京望远四象科技有限公司 | 一种机场跑道异物检测系统及方法 |
CN111783700A (zh) * | 2020-07-06 | 2020-10-16 | 中国交通通信信息中心 | 一种路面异物自动识别预警方法和系统 |
CN112949478A (zh) * | 2021-03-01 | 2021-06-11 | 浙江国自机器人技术股份有限公司 | 基于云台相机的目标检测方法 |
GB202108377D0 (en) * | 2020-02-18 | 2021-07-28 | 28Th Research Institute Of China Electronics Tech Group Corporation | No Title |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592136B (zh) * | 2011-12-21 | 2013-10-16 | 东南大学 | 基于几何图像中中频信息的三维人脸识别方法 |
-
2021
- 2021-08-17 CN CN202110945144.4A patent/CN113610039B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105799740A (zh) * | 2016-03-08 | 2016-07-27 | 浙江大学 | 一种基于物联网技术的轨道异物入侵自动检测与预警方法 |
CN109034185A (zh) * | 2018-06-08 | 2018-12-18 | 汪俊 | 一种街景图像差异对比方法及装置 |
CN110246175A (zh) * | 2019-05-24 | 2019-09-17 | 国网安徽省电力有限公司检修分公司 | 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法 |
GB202108377D0 (en) * | 2020-02-18 | 2021-07-28 | 28Th Research Institute Of China Electronics Tech Group Corporation | No Title |
CN111562576A (zh) * | 2020-05-20 | 2020-08-21 | 北京望远四象科技有限公司 | 一种机场跑道异物检测系统及方法 |
CN111783700A (zh) * | 2020-07-06 | 2020-10-16 | 中国交通通信信息中心 | 一种路面异物自动识别预警方法和系统 |
CN112949478A (zh) * | 2021-03-01 | 2021-06-11 | 浙江国自机器人技术股份有限公司 | 基于云台相机的目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113610039A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210073573A1 (en) | Ship identity recognition method based on fusion of ais data and video data | |
CN106657910B (zh) | 一种电力变电站的全景视频监控方法 | |
CN107659774A (zh) | 一种基于多尺度相机阵列的视频成像系统及视频处理方法 | |
CN111583116A (zh) | 基于多摄像机交叉摄影的视频全景拼接融合方法及系统 | |
CN110660023A (zh) | 一种基于图像语义分割的视频拼接方法 | |
CN112560619B (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
CN111765974B (zh) | 一种基于微型制冷红外热像仪的野生动物观测系统及方法 | |
CN110719444A (zh) | 多传感器融合的全方位监控与智能摄像方法与系统 | |
CN113486697B (zh) | 基于空基多模态图像融合的森林烟火监测方法 | |
CN109712177A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN104200457A (zh) | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 | |
CN115239820A (zh) | 一种分体式飞行车辆鸟瞰图实时拼接及车位检测方法 | |
CN108734655A (zh) | 空中多节点实时侦查的方法及系统 | |
CN112132900A (zh) | 一种视觉重定位方法及系统 | |
CN113610039B (zh) | 基于云台相机的风漂异物识别方法 | |
CN101561316B (zh) | 一种基于感兴趣区域(roi)的在线检测视觉数据处理系统 | |
CN110533728A (zh) | 基于张正友标定的双目立体视觉相机的标定方法、装置及介质 | |
CN110430400B (zh) | 一种双目可运动摄像机的地平面区域检测方法 | |
CN116721019B (zh) | 基于深度学习的多摄像头视频图像拼接方法 | |
CN111738148B (zh) | 一种利用红外巡检拍摄的故障识别方法 | |
CN109104591B (zh) | 一种用于电力设备的图像采集装置 | |
CN113837929B (zh) | 一种图形拼接装置及其方法 | |
CN114693807A (zh) | 一种输电线路图像与点云的映射数据重构方法及系统 | |
CN112396585A (zh) | 一种搜索输电线路异物方法及系统 | |
CN112113506A (zh) | 一种基于深度学习的水下移动物体测量装置及测量方法 |
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 |