CN113705387B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113705387B
CN113705387B CN202110929656.1A CN202110929656A CN113705387B CN 113705387 B CN113705387 B CN 113705387B CN 202110929656 A CN202110929656 A CN 202110929656A CN 113705387 B CN113705387 B CN 113705387B
Authority
CN
China
Prior art keywords
frame
positive
region
mask
frames
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
CN202110929656.1A
Other languages
English (en)
Other versions
CN113705387A (zh
Inventor
陈杰
刘洋
李鸿泽
高超
谭笑
邱刚
高嵩
张廼龙
刘建军
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.)
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110929656.1A priority Critical patent/CN113705387B/zh
Publication of CN113705387A publication Critical patent/CN113705387A/zh
Application granted granted Critical
Publication of CN113705387B publication Critical patent/CN113705387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了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，S1：生成基于特征金字塔的多层特征图区域建议框；S2：筛选得到正负样本；S3：提取出正样本区域建议框，生成对于正样本区域建议框的掩膜；S4：分别计算正负样本的损失，并更新实例分割算法Mask RCNN网络参数；S5：生成区域候选框；S6：通过非极大值抑制去除多余区域候选框，最终留下的区域候选框作为待识别目标；S7：绘制灼烧参考线，获得灼烧的起止点；S8：开始灼烧后，重复S1‑S7直至异物清除，灼烧结束。本发明采用轻量级深度学习神经网络，从图像中充分提取不同尺度特征，并生成区域候选框，经过非极大值抑制提取出最终的结果，能够提高检测精度，减少处理时间，提高处理效率。

Description

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
技术领域
本发明属于电力领域与计算机视觉领域，具体涉及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。
背景技术
架空输电线路电压等级高，输送距离远，易受到恶劣天气及人为因素影响缠挂风筝、广告条幅、遮阳网等漂浮性异物。多数挂线异物绝缘性能差，在受到雨、雪、露浸湿后极易造成相间短路、单相接地，导致线路跳闸非计划停运，严重影响供电可靠性。因此，安全、及时、高效清除输电线路挂线异物对于保障输电线路稳定运行具有重要意义。
目前，在视频监控领域，一般采用传统算法实现对特定目标的检测，即先对前景和背景进行建模，再针对性的提取具有区分度的目标与背景特征，最后通过分类器对提取的特征进行分类，传统方法通常有以下缺点：鲁棒性较差，变换使用场景时，如将使用场景由变电站换为其他场景时会导致方法检测精度的急剧下降，当摄像头采集的图片由近景换为远景时会导致识别精度降低的问题。
发明内容
为解决现有的技术问题，本发明提供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，采用轻量级深度学习神经网络，从图像中充分提取不同尺度特征，并生成区域候选框，经过非极大值抑制提取出最终的结果，输出异物、架空线路导地线的分类、像素区域信息，能够提高检测精度，减少处理时间，提高处理效率。
本发明中主要采用的技术方案为：
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，采用实例分割算法Mask RCNN对异物类别、异物区域、架空线路导地线区域进行检测，并结合图像阈值信息实现对灼烧点检测与跟踪，其具体步骤如下：
S1：卷积神经网络对输入的待测图像进行网络训练处理，生成基于特征金字塔的多层特征图区域建议框；
S2：根据区域建议框和GroundTruth值的重合度对S1得到的多层特征图区域建议框进行筛选得到正负样本；
S3：提取出正样本区域建议框，生成对于正样本区域建议框的掩膜，从而在网络训练过程中，将真实的掩膜缩小为m*m来计算损失函数，其中，m*m表示掩模分辨率；
S4：根据损失函数分别计算正负样本的损失，并根据计算结果采用反向传播更新实例分割算法Mask RCNN网络参数得到新的实例分割算法Mask RCNN；
S5：将待测图像输入至S4得到的新的实例分割算法Mask RCNN，对区域候选框的类别和位置进行预测，生成区域候选框；
S6：通过非极大值抑制去除多余区域候选框，最终留下的区域候选框作为待识别目标，输出异物类别、异物区域和架空线路导地线区域信息；
S7：根据S6输出的结果，在区域候选框对应的图像上绘制与架空线路导地线平行且经过异物区域的灼烧参考线得到对应的像素值曲线，并采用灼烧参考线与异物边界的两个交点作为灼烧的起止点，沿像素值曲线进行灼烧；
S8：开始灼烧后，重复S1-S7得到更新的异物区域及灼烧点，直至异物清除，灼烧结束。
优选地，所述S1中区域建议框的具体生成步骤如下：
S1-1: 采用实例分割算法Mask RCNN中的卷积神经网络对输入的图像进行多层卷积处理，生成一系列深度不同的特征图，包括P2、P3、P4、P5和P6；
S1-2:在S1-1中生产的5个特征图上，利用ROI Align技术生成一系列大小相同、深度不同的区域建议框，并通过非极大值抑制算法得到最终的1000个区域建议框。
优选地，所述S2中正负样本的具体筛选步骤如下：
S2-1: 采用交并比来计算区域建议框和GroundTruth值的重合度，即若存在A框与B框，交并比就是A框与B框相交叉的范围与A框与B框的并集的比值，如公式（1）所示：
（1）；
其中，表示交并比；
S2-2：设置重合度筛选阈值为0.5，在所有区域建议框中，当区域建议框与GroundTruth值重合度大于0.5时，则为正样本，当区域建议框与GroundTruth值重合度≤0.5时，则为负样本。
优选地，当在进行网络训练时，所有正样本都参与训练，且随机取负样本与正样本数量为3:1。
优选地，所述S3中正样本区域建议框的掩膜具体生成步骤如下：
提取出正样本中的区域建议框，依次通过ROI Align技术和一次反卷积处理后生成特征图；并对特征图的每个类别进行 sigmoid函数处理，最终生成正样本区域建议框的掩膜结果。
优选地，所述S4的具体步骤如下：
S4-1：完成正负样本的筛选以及正样本区域建议框的掩模处理后，将正负样本分别输入到损失函数中进行计算， 采用SSD将正负样本中区域建议框的位置信息、类别信息和掩膜信息代入同一个损失函数中，所述损失函数如公式（2）所示：
(2)；
其中，表示损失函数；
Lcls是一个Softmax损失函数，用于对算法的分类精度的计算；
Lbox是位置损失函数Smooth L1 Loss，负责回归位置的损失；
Lmask是掩模的损失函数，对于每一个正样本的建议框，Mask分支有Km*m维度的输出，其对K个大小为m*m的掩模进行编码，即K个分辨率为m*m的二值的掩膜；
S4-2：所有正负样本完成损失函数的计算后，开始反向传播更新实例分割算法Mask RCNN的网络算法参数。
优选地，所述S5的具体步骤如下：
S5-1: 将待测的图像输入至S4得到的新的实例分割算法Mask RCNN，卷积网络获得初值；
S5-2:在固定位置上生成的不同大小和宽高比的默认框；
S5-3:采用实例分割算法Mask RCNN预测默认框到预测位置的偏移量，生成区域候选框，该预测位置的偏移量包括4个值，分别对应区域候选框的左上角的横纵坐标以及区域候选框的宽和高，
优选地，所述S6的具体步骤如下：通过非极大值抑制算法识别同一目标的多余候选框并将其去除，最终留下的候选框作为待识别目标，输出异物类别、异物区域和架空线路导地线区域信息。
优选地，在采用非极大值抑制算法对区域候选框的检测中，若区域候选框内异物可能性达到30%，即判断为异物区域。
优选地，所述S8中，在开始灼烧后，在本次提取的区域候选框内截取图像作为下次实例分割算法Mask RCNN中的输入图像，减少后续校正阶段的处理时间。
有益效果：本发明提供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，具有如下优点：
（1）卷积神经网络的深度卷积层结构从图像中提取不同尺度的特征响应图用于目标的检测，并且在检测结果后进行了一次分割操作，由于每个特征图的尺度大小和感受都不尽相同，因此对每个特征图的处理和分析能够将检测出不同大小的目标，并且提取出更加精准的物体区域信息。
（2）相对照传统的方法，本方法能够不断加强样本量的学习强化训练强化，提升方法效率和性能。
附图说明
图1为本发明的算法流程图；
图2为本发明的工作流程图；
图3为本发明的算法检测效果。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
如图1所示，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，其特征在于，采用实例分割算法Mask RCNN对异物类别、异物区域、架空线路导地线区域进行检测，并结合图像阈值信息实现对灼烧点检测与跟踪，其具体步骤如下：
S1：卷积神经网络对输入的待测图像进行网络训练处理，生成基于特征金字塔的多层特征图区域建议框；
S2：根据区域建议框和GroundTruth值的重合度对S1得到的多层特征图区域建议框进行筛选得到正负样本；
S3：提取出正样本区域建议框，生成对于正样本区域建议框的掩膜，从而在网络训练过程中，将真实的掩膜缩小为m*m来计算损失函数，其中，m*m表示掩模分辨率；
S4：根据损失函数分别计算正负样本的损失，并根据计算结果采用反向传播更新实例分割算法Mask RCNN网络参数得到新的实例分割算法Mask RCNN；
S5：将待测图像输入至S4得到的新的实例分割算法Mask RCNN，对区域候选框的类别和位置进行预测，生成区域候选框；
S6：通过非极大值抑制去除多余区域候选框，最终留下的区域候选框作为待识别目标，输出异物类别、异物区域和架空线路导地线区域信息；
S7：根据S6输出的结果，在区域候选框对应的图像上绘制与架空线路导地线平行且经过异物区域的灼烧参考线得到对应的像素值曲线，并采用灼烧参考线与异物边界的两个交点作为灼烧的起止点，沿像素值曲线进行灼烧；
S8：开始灼烧后，重复S1-S7得到更新的异物区域及灼烧点，直至异物清除，灼烧结束。
优选地，所述S1中区域建议框的具体生成步骤如下：
S1-1: 采用实例分割算法Mask RCNN中的卷积神经网络对输入的图像进行多层卷积处理，生成一系列深度不同的特征图，包括P2、P3、P4、P5和P6；
S1-2:在S1-1中生产的5个特征图上，利用ROI Align技术生成一系列大小相同、深度不同的区域建议框，并通过非极大值抑制算法得到最终的1000个区域建议框。
优选地，所述S2中正负样本的具体筛选步骤如下：
S2-1: 采用交并比来计算区域建议框和GroundTruth值的重合度，即若存在A框与B框，交并比就是A框与B框相交叉的范围与A框与B框的并集的比值，如公式（1）所示：
（1）；
其中，表示交并比；
S2-2：设置重合度筛选阈值为0.5，在所有区域建议框中，当区域建议框与GroundTruth值重合度大于0.5时，则为正样本，当区域建议框与GroundTruth值重合度≤0.5时，则为负样本。
优选地，当在进行网络训练时，所有正样本都参与训练，且随机取负样本与正样本数量为3:1。
优选地，所述S3中正样本区域建议框的掩膜具体生成步骤如下：
提取出正样本中的区域建议框，依次通过ROI Align技术和一次反卷积处理后生成特征图；并对特征图的每个类别进行 sigmoid函数处理，最终生成正样本区域建议框的掩膜结果。
优选地，所述S4的具体步骤如下：
S4-1：完成正负样本的筛选以及正样本区域建议框的掩模处理后，将正负样本分别输入到损失函数中进行计算， 采用SSD将正负样本中区域建议框的位置信息、类别信息和掩膜信息代入同一个损失函数中，所述损失函数如公式（2）所示：
(2)；
其中，表示损失函数；
Lcls是一个Softmax损失函数，用于对算法的分类精度的计算；
Lbox是位置损失函数Smooth L1 Loss，负责回归位置的损失；
Lmask是掩模的损失函数，对于每一个正样本的建议框，Mask分支有Km*m维度的输出，其对K个大小为m*m的掩模进行编码，即K个分辨率为m*m的二值的掩膜；
S4-2：所有正负样本完成损失函数的计算后，开始反向传播更新实例分割算法Mask RCNN的网络算法参数。
优选地，所述S5的具体步骤如下：
S5-1: 将待测的图像输入至S4得到的新的实例分割算法Mask RCNN，卷积网络获得初值；
S5-2:在固定位置上生成的不同大小和宽高比的默认框；
S5-3:采用实例分割算法Mask RCNN预测默认框到预测位置的偏移量，生成区域候选框，该预测位置的偏移量包括4个值，分别对应区域候选框的左上角的横纵坐标以及区域候选框的宽和高，
优选地，所述S6的具体步骤如下：通过非极大值抑制算法识别同一目标的多余候选框并将其去除，最终留下的候选框作为待识别目标，输出异物类别、异物区域和架空线路导地线区域信息。
优选地，在采用非极大值抑制算法对区域候选框的检测中，若区域候选框内异物可能性达到30%，即判断为异物区域。
优选地，所述S8中，在开始灼烧后，在本次提取的区域候选框内截取图像作为下次实例分割算法Mask RCNN中的输入图像，减少后续校正阶段的处理时间。
本发明算法采用轻量级深度学习神经网络，从图像中充分提取不同尺度特征，并生成区域候选框，经过非极大值抑制提取出最终的结果，输出异物类别、异物的区域和架空线路导地线的区域信息。
本发明的工作流程如图2所示：
Step1：将图像输入至实例分割算法Mask RCNN进行更新和检测，实例分割得到异物类别、异物区域和架空线路导地线区域；
Step2：绘制参考线并得到对应的像素值曲线；
Step3：采用灼烧参考线与异物边界的两个交点作为灼烧的起止点，输出结果进行激光灼烧；
Step4：根据Step1的异物区域作为参考框选输入图像范围；
Step5：根据Step4输入的图像进行实例分割算法Mask RCNN的更新，并实例分割得到新的异物区域；
Step6：重复Step2-3输出结果进行激光灼烧；
Step1：重复Step4-6直至异物掉落。
实施例1：本实施例中数据集的制作通过实地采集共687张图片，包括常见的横幅、风筝、遮阳网等目标。
训练时，以COCO数据集产生的模型为训练起点，通过异物数据集进行网络的微调，通过此方法来降低数据集中样本过少的影响。训练平台采用GTX1080Ti，训练时学习率取0.0025，Warm up学习率为0.0005，迭代最大步数为1000。
该算法的检测精度较高，在测试数据集上对横幅的检测精度为97.7%，架空线路导地线的精度为88.7%，风筝的精度为100%。检测效果如图3所示。
可以看出，在不同光照和背景下，算法均能够对异物目标进行较精确的检测。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，采用实例分割算法Mask RCNN对异物类别、异物区域、架空线路导地线区域进行检测，并结合图像阈值信息实现对灼烧点检测与跟踪，其具体步骤如下：
S1：卷积神经网络对输入的待测图像进行网络训练处理，生成基于特征金字塔的多层特征图区域建议框；
S2：根据区域建议框和GroundTruth值的重合度对S1得到的多层特征图区域建议框进行筛选得到正负样本；其中，正负样本的具体筛选步骤如下：
S2-1: 采用交并比来计算区域建议框和GroundTruth值的重合度，即若存在A框与B框，交并比就是A框与B框相交叉的范围与A框与B框的并集的比值，如公式（1）所示：
（1）；
其中，表示交并比；
S2-2：设置重合度筛选阈值为0.5，在所有区域建议框中，当区域建议框与GroundTruth值重合度大于0.5时，则为正样本，当区域建议框与GroundTruth值重合度≤0.5时，则为负样本；
S3：提取出正样本区域建议框，生成对于正样本区域建议框的掩膜，从而在网络训练过程中，将真实的掩膜缩小为m*m来计算损失函数，其中，m*m表示掩模分辨率；
S4：根据损失函数分别计算正负样本的损失，并根据计算结果采用反向传播更新实例分割算法Mask RCNN网络参数得到新的实例分割算法Mask RCNN，其具体步骤如下：
S4-1：完成正负样本的筛选以及正样本区域建议框的掩模处理后，将正负样本分别输入到损失函数中进行计算， 采用SSD将正负样本中区域建议框的位置信息、类别信息和掩膜信息代入同一个损失函数中，所述损失函数/>如公式（2）所示：
(2)；
其中，表示损失函数；
Lcls是一个Softmax损失函数，用于对算法的分类精度的计算；
Lbox是位置损失函数Smooth L1 Loss，负责回归位置的损失；
Lmask是掩模的损失函数，对于每一个正样本的建议框，Mask分支有Km*m维度的输出，其对K个大小为m*m的掩模进行编码，即K个分辨率为m*m的二值的掩膜；
S4-2：所有正负样本完成损失函数的计算后，开始反向传播更新实例分割算法MaskRCNN的网络算法参数；
S5：将待测图像输入至S4得到的新的实例分割算法Mask RCNN，对区域候选框的类别和位置进行预测，生成区域候选框；
S6：通过非极大值抑制去除多余区域候选框，最终留下的区域候选框作为待识别目标，输出异物类别、异物区域和架空线路导地线区域信息；
S7：根据S6输出的结果，在区域候选框对应的图像上绘制与架空线路导地线平行且经过异物区域的灼烧参考线得到对应的像素值曲线，并采用灼烧参考线与异物边界的两个交点作为灼烧的起止点，沿像素值曲线进行灼烧；
S8：开始灼烧后，重复S1-S7得到更新的异物区域及灼烧点，直至异物清除，灼烧结束。
2.根据权利要求1所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，所述S1中区域建议框的具体生成步骤如下：
S1-1: 采用实例分割算法Mask RCNN中的卷积神经网络对输入的图像进行多层卷积处理，生成一系列深度不同的特征图，包括P2、P3、P4、P5和P6；
S1-2:在S1-1中生产的5个特征图上，利用ROI Align技术生成一系列大小相同、深度不同的区域建议框，并通过非极大值抑制算法得到最终的1000个区域建议框。
3.根据权利要求1所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，当在进行网络训练时，所有正样本都参与训练，且随机取负样本与正样本数量为3:1。
4.根据权利要求1所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，所述S3中正样本区域建议框的掩膜具体生成步骤如下：
提取出正样本中的区域建议框，依次通过ROI Align技术和一次反卷积处理后生成特征图；并对特征图的每个类别进行 sigmoid函数处理，最终生成正样本区域建议框的掩膜结果。
5.根据权利要求1所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，所述S5的具体步骤如下：
S5-1: 将待测的图像输入至S4得到的新的实例分割算法Mask RCNN，卷积网络获得初值；
S5-2:在固定位置上生成的不同大小和宽高比的默认框；
S5-3:采用实例分割算法Mask RCNN预测默认框到预测位置的偏移量，生成区域候选框，该预测位置的偏移量包括4个值，分别对应区域候选框的左上角的横纵坐标以及区域候选框的宽和高。
6.根据权利要求1所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，所述S6的具体步骤如下：通过非极大值抑制算法识别同一目标的多余候选框并将其去除，最终留下的候选框作为待识别目标，输出异物类别、异物区域和架空线路导地线区域信息。
7.根据权利要求6所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，在采用非极大值抑制算法对区域候选框的检测中，若区域候选框内异物可能性达到30%，即判断为异物区域。
8.根据权利要求1所述的用于激光清除架空线路异物的干扰物检测和跟踪方法，其特征在于，所述S8中，在开始灼烧后，在本次提取的区域候选框内截取图像作为下次实例分割算法Mask RCNN中的输入图像，减少后续校正阶段的处理时间。
CN202110929656.1A 2021-08-13 2021-08-13 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 Active CN113705387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110929656.1A CN113705387B (zh) 2021-08-13 2021-08-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110929656.1A CN113705387B (zh) 2021-08-13 2021-08-13 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

Publications (2)

Publication Number Publication Date
CN113705387A CN113705387A (zh) 2021-11-26
CN113705387B true CN113705387B (zh) 2023-11-17

Family

ID=78652830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110929656.1A Active CN113705387B (zh) 2021-08-13 2021-08-13 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

Country Status (1)

Country Link
CN (1) CN113705387B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120132888A (ko) * 2011-05-30 2012-12-10 대우조선해양 주식회사 레이저 비전 시스템의 영상 처리 방법
CN108767744A (zh) * 2018-08-23 2018-11-06 国网江苏省电力有限公司电力科学研究院 一种自动跟踪电网异物激光远程清除装置及清除方法
CN110399816A (zh) * 2019-07-15 2019-11-01 广西大学 一种基于Faster R-CNN的高速列车车底异物检测方法
WO2020020472A1 (en) * 2018-07-24 2020-01-30 Fundación Centro Tecnoloxico De Telecomunicacións De Galicia A computer-implemented method and system for detecting small objects on an image using convolutional neural networks
CN111461110A (zh) * 2020-03-02 2020-07-28 华南理工大学 一种基于多尺度图像和加权融合损失的小目标检测方法
CN112614136A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种红外小目标实时实例分割方法及装置
KR20210049655A (ko) * 2019-10-25 2021-05-06 네이버 주식회사 특징맵 생성방법 및 특징맵 생성장치
CN113096075A (zh) * 2021-03-25 2021-07-09 南京理工大学 输电线路缠绕异物清除器的入侵物检测方法及系统
CN113111722A (zh) * 2021-03-17 2021-07-13 天津理工大学 基于改进Mask R-CNN的自动驾驶目标识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3151164A3 (en) * 2016-12-26 2017-04-12 Argosai Teknoloji Anonim Sirketi A method for foreign object debris detection
WO2019028725A1 (en) * 2017-08-10 2019-02-14 Intel Corporation CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT
US11100352B2 (en) * 2018-10-16 2021-08-24 Samsung Electronics Co., Ltd. Convolutional neural network for object detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120132888A (ko) * 2011-05-30 2012-12-10 대우조선해양 주식회사 레이저 비전 시스템의 영상 처리 방법
WO2020020472A1 (en) * 2018-07-24 2020-01-30 Fundación Centro Tecnoloxico De Telecomunicacións De Galicia A computer-implemented method and system for detecting small objects on an image using convolutional neural networks
CN108767744A (zh) * 2018-08-23 2018-11-06 国网江苏省电力有限公司电力科学研究院 一种自动跟踪电网异物激光远程清除装置及清除方法
CN110399816A (zh) * 2019-07-15 2019-11-01 广西大学 一种基于Faster R-CNN的高速列车车底异物检测方法
KR20210049655A (ko) * 2019-10-25 2021-05-06 네이버 주식회사 특징맵 생성방법 및 특징맵 생성장치
CN111461110A (zh) * 2020-03-02 2020-07-28 华南理工大学 一种基于多尺度图像和加权融合损失的小目标检测方法
CN112614136A (zh) * 2020-12-31 2021-04-06 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） 一种红外小目标实时实例分割方法及装置
CN113111722A (zh) * 2021-03-17 2021-07-13 天津理工大学 基于改进Mask R-CNN的自动驾驶目标识别方法
CN113096075A (zh) * 2021-03-25 2021-07-09 南京理工大学 输电线路缠绕异物清除器的入侵物检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进Faster RCNN的输电线路航拍绝缘子检测;易继禹等;《计算机工程》;第47卷(第6期);第292-298页 *
激光异物清除器装置研究;周维维等;《计算机测量与控制》;第26卷(第7期);第123-127页 *

Also Published As

Publication number Publication date
CN113705387A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN110909690B (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN111563893B (zh) 基于航拍图像的均压环缺陷检测方法、装置、介质和设备
CN113239830B (zh) 一种基于全尺度特征融合的遥感图像云检测方法
Zhao et al. An attention encoder-decoder network based on generative adversarial network for remote sensing image dehazing
CN111626200A (zh) 一种基于Libra R-CNN的多尺度目标检测网络和交通标识检测方法
CN107944354A (zh) 一种基于深度学习的车辆检测方法
CN113409267A (zh) 一种基于深度学习的路面裂缝检测与分割方法
CN111680759B (zh) 一种电网巡检绝缘子检测分类方法
CN116843636A (zh) 基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法
CN115294483A (zh) 输电线路复杂场景的小目标识别方法及系统
CN115240069A (zh) 一种全雾天场景下的实时性障碍物检测方法
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
Wang et al. A PM2. 5 concentration estimation method based on multi-feature combination of image patches
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN113705387B (zh) 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
CN117372733A (zh) 一种基于改进Faster R-CNN的电网基建工程故障识别方法及装置
Hong-Bin et al. Target tracking method of transmission line insulator based on multi feature fusion and adaptive scale filter
CN111209886A (zh) 一种基于深度神经网络的快速行人再识别方法
CN114943888B (zh) 基于多尺度信息融合的海面小目标检测方法
CN116189136A (zh) 一种基于深度学习的雨雪天气下交通信号灯检测方法
CN115170528A (zh) 一种路面缺陷检测方法、系统、设备及存储介质
CN114359255A (zh) 一种基于改进Yolov5s的公路路面修补检测方法
CN114359167A (zh) 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法
CN113095181A (zh) 基于Defense-GAN的交通标志识别方法

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