CN113643352A - 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 - Google Patents

一种自然覆冰在线监测运行导线图像覆冰程度评估方法 Download PDF

Info

Publication number
CN113643352A
CN113643352A CN202110910404.4A CN202110910404A CN113643352A CN 113643352 A CN113643352 A CN 113643352A CN 202110910404 A CN202110910404 A CN 202110910404A CN 113643352 A CN113643352 A CN 113643352A
Authority
CN
China
Prior art keywords
image
icing
conductor
images
mask
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.)
Granted
Application number
CN202110910404.4A
Other languages
English (en)
Other versions
CN113643352B (zh
Inventor
吴建蓉
文屹
曾华荣
何锦强
郝艳捧
梁苇
黄增浩
杨涛
范强
卢金科
曾伟
廖永力
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.)
CSG Electric Power Research Institute
Guizhou Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
Guizhou Power Grid Co Ltd
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 CSG Electric Power Research Institute, Guizhou Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202110910404.4A priority Critical patent/CN113643352B/zh
Publication of CN113643352A publication Critical patent/CN113643352A/zh
Application granted granted Critical
Publication of CN113643352B publication Critical patent/CN113643352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T7/10—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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自然覆冰在线监测运行导线图像覆冰程度评估方法，它包括：建立无覆冰导线标准知识库，根据图像自动配准方法将覆冰导线与对应同终端无覆冰导线进行匹配，进行导线分割；计算分割结果中导线Mask的面积差值，结合该终端在覆冰监测系统中的历史预警数据对导线Mask面积差值进行阈值设置，并将阈值设置结果作为覆冰程度预警判据。

Description

一种自然覆冰在线监测运行导线图像覆冰程度评估方法
技术领域
本发明属于电网覆冰监测技术领域，尤其涉及一种自然覆冰在线监测运行导线图像覆冰程度评估方法。
背景技术
覆冰严重威胁输电线路安全，中国南方地区地形、气象复杂，多条远距离特/超高压经过覆冰区域，易受覆冰影响，故而对防冰抗冰提出更高要求。目前，导线分割已经有了大量的研究成果。但是现有的导线分割研究中，大部分是基于力学模型进行分析。但这种覆冰厚度计算模型与实际存在较大偏差，微气象和图像等传感器在低温雨雪等恶劣天气下数据可用率不高且缺乏有效的数据质量评估、提升手段，现有大多数方法都是使用计算机图形学进行传统的边缘检测及基于可见光原始图像的深度学习。而边缘检测算法鲁棒性较差，在实际情况中无法实现算法所预期的效果；现有的基于可见光原始图像的深度学习方法对于导线召回率较低。
发明内容
本发明要解决的技术问题是：提供一种自然覆冰在线监测运行导线图像覆冰程度评估方法，以解决现有技术针对导线覆冰程度评估采用计算机图形学进行传统的边缘检测及基于可见光原始图像的深度学习。而边缘检测算法鲁棒性较差，在实际情况中无法实现算法所预期的效果；现有的基于可见光原始图像的深度学习方法对于导线召回率较低等技术问题。
本发明的技术方案是：
一种自然覆冰在线监测运行导线图像覆冰程度评估方法，它包括：建立无覆冰导线标准知识库，根据图像自动配准方法将覆冰导线与对应同终端无覆冰导线进行匹配，进行导线分割；计算分割结果中导线Mask的面积差值，结合该终端在覆冰监测系统中的历史预警数据对导线Mask面积差值进行阈值设置，并将阈值设置结果作为覆冰程度预警判据。
所述建立无覆冰导线标准知识库的方法包括：对各终端无覆冰导线进行标注，将在线监测系统图像按终端号进行导出，在每个终端下选取一张无覆冰图像进行导线框选标注，并生成导线无覆冰图像RGB直方图，以此建立无覆冰导线图像知识库。
根据图像自动配准方法将覆冰导线与对应同终端无覆冰导线进行匹配，计算分割结果中导线Mask的面积差值的方法包括：
S2-1、图像分辨率排查
生成待检测图片RGB直方图，并放入无覆冰导线图像知识库进行比对；比对方法为：将待检测图像与知识库图像进行分辨率比对，排除分辨率不同的图像；剩余的知识库候选图像分辨率均与待检测图像相同；
S2-2、图像相似度计算
将两张图像所对应的直方图放入统一坐标系中，图像中每一个像素点即代表坐标轴上的一个刻度，在此坐标系中每一横坐标对应两个纵坐标a和b，代表在图像在该亮度下的像素数量；对每个横坐标刻度计算，并计算平均值；
S2-3、同终端图像配准
将待检测图像与知识库中的所有图像进行相似度计算遍历，由于同终端图像相似度最高，因此S最小的一组图像即为同终端图像；
S2-4、导线边缘特征强化
采用边缘特征强化的方式使得识别网络的输入从传统的原始可见光图像转换为边缘特征强化图像；
S2-5、覆冰导线区域分割
将一组经过上述处理的在线监测图像输入到预先训练好的Mask R-CNN导线识别模型中进行导线分割；Mask R-CNN输入为边缘强化后的图像，输出为导线区域bbox(边界框)，导线类别(覆冰或无冰)，以及导线区域mask(掩膜)。
图像相似度计算公式为：
Figure BDA0003203306280000031
1/S为相似度，N为横坐标最大值，a和b分别为待检测图像与知识库图像在同一横坐标下对应的纵坐标值。
导线边缘特征强化的方法为：对待检测图像进行灰度化处理，并使用Canny算子进行图像边缘识别，进行Canny边缘识别后生成二值化图像，通过双阈值设置使得图像含有尽可能多的导线边缘和尽可能少的背景边缘，此二值化图像仅含图像中的边缘信息；将二值化图像与原始图像进行叠加，即得到边缘特征强化图像。
计算分割结果中导线Mask的面积差值的方法包括：在Mask R-CNN网络中输出的mask是以二值图像来表示的；此二值图像的尺寸即为该mask对应的bbox尺寸；通过计算二值图像中RGB值为(255,255,255)的像素个数来得到mask面积；边缘强化后的待检测图像中导线mask面积为S1，对应知识库的比对图像中导线mask面积为S2，计算差值ΔS，即
ΔS＝S2-S1。
覆冰程度预警的方法为：将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度大于导线设计冰厚的终端覆冰图像进行导出，并计算所有导出图像中的面积差值ΔS3，将计算出的各ΔS3最小值作为该终端覆冰程度为“严重”的评估阈值T3；将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度小于导线设计冰厚且大于预警冰厚的的终端覆冰图像进行导出，计算所有导出图像中的面积差值ΔS2，将计算出的各ΔS2最小值作为该终端覆冰程度为“中等”的评估阈值T2；将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度小于预警冰厚的的终端覆冰图像进行导出，计算所有导出图像中的面积差值ΔS1，将计算出的各ΔS1最小值作为该终端覆冰程度为“较轻”的评估阈值T1；根据阈值T1、T2和T3对覆冰程度进行评估。
根据阈值T1、T2和T3对覆冰程度进行评估方法为：
当ΔS<T1时，该评估模型输出为“无覆冰”；
当T1<ΔS<T2时，该评估模型输出为“较轻”；
当T2<ΔS<T3时，该评估模型输出为“中等”；
当ΔS>T3时，该评估模型输出为“严重”。
本发明有益效果：
本发明可以有效地强化图像中导线边缘特征表达，减少背景对导线的干扰。建立无覆冰导线标准知识库，根据图像自动配准方法将覆冰导线与对应同终端无覆冰导线进行匹配，计算分割结果中导线Mask的面积差值，结合该终端在覆冰监测系统中的历史预警数据对导线Mask面积差值进行阈值设置，并将阈值设置结果作为覆冰程度预警判据；解决了现有技术针对导线覆冰程度评估采用计算机图形学进行传统的边缘检测及基于可见光原始图像的深度学习。而边缘检测算法鲁棒性较差，在实际情况中无法实现算法所预期的效果；现有的基于可见光原始图像的深度学习方法对于导线召回率较低等技术问题。
具体实施方式
一种自然覆冰在线监测运行导线图像覆冰程度评估方法，它具体步骤如下：
S1制备无覆冰导线标准知识库
每个终端在杆塔上有相对固定的预置位，因此同终端图像与该无覆冰图像相似度高。但不同图像监测终端厂家不一，分辨率不同，且与拍摄对象的距离和视角也不相同。为准确评估导线覆冰厚度，需要对各终端无覆冰导线进行标注。可以将在线监测系统图像按终端号进行导出，在每个终端下选取一张无覆冰图像进行导线框选标注，并生成导线无覆冰图像RGB直方图，以此建立无覆冰导线图像知识库。
S2覆冰导线区域分割
S2-1图像分辨率排查
生成待检测图片RGB直方图，并放入无覆冰导线图像知识库进行比对，两张图片同为一个终端拍摄，因此具有相同分辨率且拥有最高的相似度。比对方法如下：将待检测图像与知识库图像进行分辨率比对，排除分辨率不同的图像。剩余的知识库候选图像分辨率均与待检测图像相同。
S2-2图像相似度计算
将两张图像所对应的直方图放入统一坐标系中。由于两张图像具有相同分辨率，因此该统一坐标系可使用任一图像的直方图坐标系。图像中每一个像素点即代表坐标轴上的一个刻度，在此坐标系中每一横坐标对应两个纵坐标a和b，代表在图像在该亮度下的像素数量。对每个横坐标刻度计算(a-b)2，并计算平均值。定义1/S为相似度，N为横坐标最大值，a和b分别为待检测图像与知识库图像在同一横坐标下对应的纵坐标值。
Figure BDA0003203306280000061
S2-3同终端图像配准
将待检测图像与知识库中的所有图像进行相似度计算遍历，由于同终端图像相似度最高，因此可认为S最小的一组图像即为同终端图像。以此方式进行同终端的图像配准。
S2-4导线边缘特征强化
导线形状较为细长，因此在导线识别任务中多用导线的边缘作为特征。传统的导线自然覆冰可见光图像中导线边缘信息表达不足，易受相近颜色的背景干扰，影响导线识别准确性，因此可采用边缘特征强化的方式使得识别网络的输入从传统的原始可见光图像转换为边缘特征强化图像。边缘特征强化步骤如下：
对待检测图像进行灰度化处理，并使用Canny算子进行图像边缘识别，进行Canny边缘识别后将生成二值化图像，可通过合理的双阈值设置使得图像含有尽可能多的导线边缘和尽可能少的背景边缘，此二值化图像仅含图像中的边缘信息。将二值化图像与原始图像进行叠加，即得到边缘特征强化图像。
S2-5覆冰导线区域分割
将一组经过S2-4处理的在线监测图像(待检测图像及知识库对应同终端无覆冰图像)输入到预先训练好的Mask R-CNN导线识别模型中进行导线分割。Mask R-CNN输入为边缘强化后的图像，输出为导线区域bbox(边界框)，导线类别(覆冰或无冰)，以及导线区域mask(掩膜)。由于在标注时使用统一标准，且图像来自同一终端，具有相似的背景及拍摄角度。因此Mask R-CNN模型输出的图像bbox识别区域基本相同。将bbox坐标输出，并将bbox区域图像从输入图像中裁剪出来，作为下一步导线覆冰程度评估的依据。
S3导线覆冰程度评估
S3-1导线覆冰量化指标计算
由于覆冰导线的外部附有冰层，因此在S2-5裁剪出来的bbox区域图像中的导线mask区域面积存在差别，而面积差值越大，则代表覆冰越严重。在Mask R-CNN网络中输出的mask是以二值图像来表示的。此二值图像的尺寸即为该mask对应的bbox尺寸。因此可通过计算二值图像中RGB值为(255,255,255)的像素个数来得到mask面积。计算分割结果中导线Mask的面积差值的方法包括：边缘强化后的待检测图像中导线mask面积为S1，对应知识库的比对图像中导线mask面积为S2，计算差值ΔS，即
ΔS＝S2-S1。
S3-2导线覆冰程度判断
将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度大于导线设计冰厚的终端覆冰图像进行导出，并计算所有导出图像中的面积差值ΔS3，将计算出的各ΔS3最小值作为该终端覆冰程度为“严重”的评估阈值T3；将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度小于导线设计冰厚且大于预警冰厚的的终端覆冰图像进行导出，计算所有导出图像中的面积差值ΔS2，将计算出的各ΔS2最小值作为该终端覆冰程度为“中等”的评估阈值T2；将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度小于预警冰厚的的终端覆冰图像进行导出，计算所有导出图像中的面积差值ΔS1，将计算出的各ΔS1最小值作为该终端覆冰程度为“较轻”的评估阈值T1；根据阈值T1、T2和T3对覆冰程度进行评估。
根据阈值T1、T2和T3对覆冰程度进行评估方法为：
当ΔS<T1时，该评估模型输出为“无覆冰”；
当T1<ΔS<T2时，该评估模型输出为“较轻”；
当T2<ΔS<T3时，该评估模型输出为“中等”；
当ΔS>T3时，该评估模型输出为“严重”。

Claims (8)

1.一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于它包括：建立无覆冰导线标准知识库，根据图像自动配准方法将覆冰导线与对应同终端无覆冰导线进行匹配，进行导线分割；计算分割结果中导线Mask的面积差值，结合该终端在覆冰监测系统中的历史预警数据对导线Mask面积差值进行阈值设置，并将阈值设置结果作为覆冰程度预警判据。
2.根据权利要求1所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：所述建立无覆冰导线标准知识库的方法包括：对各终端无覆冰导线进行标注，将在线监测系统图像按终端号进行导出，在每个终端下选取一张无覆冰图像进行导线框选标注，并生成导线无覆冰图像RGB直方图，以此建立无覆冰导线图像知识库。
3.根据权利要求1所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：根据图像自动配准方法将覆冰导线与对应同终端无覆冰导线进行匹配，计算分割结果中导线Mask的面积差值的方法包括：
S2-1、图像分辨率排查
生成待检测图片RGB直方图，并放入无覆冰导线图像知识库进行比对；比对方法为：将待检测图像与知识库图像进行分辨率比对，排除分辨率不同的图像；剩余的知识库候选图像分辨率均与待检测图像相同；
S2-2、图像相似度计算
将两张图像所对应的直方图放入统一坐标系中，图像中每一个像素点即代表坐标轴上的一个刻度，在此坐标系中每一横坐标对应两个纵坐标a和b，代表在图像在该亮度下的像素数量；对每个横坐标刻度计算，并计算平均值；
S2-3、同终端图像配准
将待检测图像与知识库中的所有图像进行相似度计算遍历，由于同终端图像相似度最高，因此S最小的一组图像即为同终端图像；
S2-4、导线边缘特征强化
采用边缘特征强化的方式使得识别网络的输入从传统的原始可见光图像转换为边缘特征强化图像；
S2-5、覆冰导线区域分割
将一组经过上述处理的在线监测图像输入到预先训练好的Mask R-CNN导线识别模型中进行导线分割；Mask R-CNN输入为边缘强化后的图像，输出为导线区域bbox(边界框)，导线类别(覆冰或无冰)，以及导线区域mask(掩膜)。
4.根据权利要求3所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：图像相似度计算公式为：
Figure FDA0003203306270000021
1/S为相似度，N为横坐标最大值，a和b分别为待检测图像与知识库图像在同一横坐标下对应的纵坐标值。
5.根据权利要求3所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：导线边缘特征强化的方法为：对待检测图像进行灰度化处理，并使用Canny算子进行图像边缘识别，进行Canny边缘识别后生成二值化图像，通过双阈值设置使得图像含有尽可能多的导线边缘和尽可能少的背景边缘，此二值化图像仅含图像中的边缘信息；将二值化图像与原始图像进行叠加，即得到边缘特征强化图像。
6.根据权利要求3所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：计算分割结果中导线Mask的面积差值的方法包括：在Mask R-CNN网络中输出的mask是以二值图像来表示的；此二值图像的尺寸即为该mask对应的bbox尺寸；通过计算二值图像中RGB值为(255,255,255)的像素个数来得到mask面积；边缘强化后的待检测图像中导线mask面积为S1，对应知识库的比对图像中导线mask面积为S2，计算差值ΔS，即ΔS＝S2-S1。
7.根据权利要求3所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：覆冰程度预警的方法为：将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度大于导线设计冰厚的终端覆冰图像进行导出，并计算所有导出图像中的面积差值ΔS3，将计算出的各ΔS3最小值作为该终端覆冰程度为“严重”的评估阈值T3；将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度小于导线设计冰厚且大于预警冰厚的的终端覆冰图像进行导出，计算所有导出图像中的面积差值ΔS2，将计算出的各ΔS2最小值作为该终端覆冰程度为“中等”的评估阈值T2；将历史覆冰数据库中根据拉力计算模型评估为覆冰厚度小于预警冰厚的的终端覆冰图像进行导出，计算所有导出图像中的面积差值ΔS1，将计算出的各ΔS1最小值作为该终端覆冰程度为“较轻”的评估阈值T1；根据阈值T1、T2和T3对覆冰程度进行评估。
8.根据权利要求3所述的一种自然覆冰在线监测运行导线图像覆冰程度评估方法，其特征在于：根据阈值T1、T2和T3对覆冰程度进行评估方法为：
当ΔS<T1时，该评估模型输出为“无覆冰”；
当T1<ΔS<T2时，该评估模型输出为“较轻”；
当T2<ΔS<T3时，该评估模型输出为“中等”；
当ΔS>T3时，该评估模型输出为“严重”。
CN202110910404.4A 2021-08-09 2021-08-09 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 Active CN113643352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110910404.4A CN113643352B (zh) 2021-08-09 2021-08-09 一种自然覆冰在线监测运行导线图像覆冰程度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110910404.4A CN113643352B (zh) 2021-08-09 2021-08-09 一种自然覆冰在线监测运行导线图像覆冰程度评估方法

Publications (2)

Publication Number Publication Date
CN113643352A true CN113643352A (zh) 2021-11-12
CN113643352B CN113643352B (zh) 2024-05-24

Family

ID=78420295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110910404.4A Active CN113643352B (zh) 2021-08-09 2021-08-09 一种自然覆冰在线监测运行导线图像覆冰程度评估方法

Country Status (1)

Country Link
CN (1) CN113643352B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882682A (zh) * 2022-06-20 2022-08-09 南方电网科学研究院有限责任公司 一种高压线缆状态监测平台及监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103852018A (zh) * 2012-12-03 2014-06-11 西安元朔科技有限公司 基于图像处理的输电线路覆冰厚度测量算法
CN106407994A (zh) * 2016-09-29 2017-02-15 武汉大学 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法
CN111079852A (zh) * 2019-12-27 2020-04-28 国网福建省电力有限公司宁德供电公司 一种输电线路绝缘子覆冰厚度侦测方法
CN112381751A (zh) * 2020-07-07 2021-02-19 昆山新精度金属科技有限公司 一种基于图像处理算法的在线智能检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103852018A (zh) * 2012-12-03 2014-06-11 西安元朔科技有限公司 基于图像处理的输电线路覆冰厚度测量算法
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
CN106407994A (zh) * 2016-09-29 2017-02-15 武汉大学 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法
CN111079852A (zh) * 2019-12-27 2020-04-28 国网福建省电力有限公司宁德供电公司 一种输电线路绝缘子覆冰厚度侦测方法
CN112381751A (zh) * 2020-07-07 2021-02-19 昆山新精度金属科技有限公司 一种基于图像处理算法的在线智能检测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882682A (zh) * 2022-06-20 2022-08-09 南方电网科学研究院有限责任公司 一种高压线缆状态监测平台及监测方法
CN114882682B (zh) * 2022-06-20 2023-09-19 南方电网科学研究院有限责任公司 一种高压线缆状态监测平台及监测方法

Also Published As

Publication number Publication date
CN113643352B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN109753929B (zh) 一种高铁绝缘子巡检图像识别方法
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN111582294B (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN108734704B (zh) 基于灰度方差归一化的输电导线断股检测方法
CN105445607A (zh) 一种基于等温线绘制的电力设备故障检测方法
CN103440629B (zh) 激光标记自动跟踪的视频引伸计的数字图像处理方法
CN111783773B (zh) 一种面向角度倾斜电线杆标识牌的矫正方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
CN109523543A (zh) 一种基于边缘距离的导线断股检测方法
CN110738218A (zh) 一种输电线路通道烟火隐患识别方法及装置
CN115690012A (zh) 一种电能表接错线的检测方法
CN111127384A (zh) 基于偏振成像的强反射工件视觉测量方法
CN110334581B (zh) 一种多源遥感影像变化检测方法
CN111667473A (zh) 基于改进Canny算法的绝缘子憎水性等级判断方法
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
CN113643352B (zh) 一种自然覆冰在线监测运行导线图像覆冰程度评估方法
CN108734709B (zh) 一种绝缘子凸缘形状参数识别与破坏检测方法
CN112884795A (zh) 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法
CN112232249B (zh) 一种基于深度特征的遥感图像变化检测方法及装置
CN112561989B (zh) 一种建造场景下吊装对象的识别方法
CN114266893A (zh) 烟火隐患识别方法和设备

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
GR01 Patent grant
GR01 Patent grant