CN113744267B - 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 - Google Patents

一种基于深度学习的输电导线覆冰检测和厚度估计的方法 Download PDF

Info

Publication number
CN113744267B
CN113744267B CN202111299308.7A CN202111299308A CN113744267B CN 113744267 B CN113744267 B CN 113744267B CN 202111299308 A CN202111299308 A CN 202111299308A CN 113744267 B CN113744267 B CN 113744267B
Authority
CN
China
Prior art keywords
power transmission
transmission conductor
image
icing
conductor
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
CN202111299308.7A
Other languages
English (en)
Other versions
CN113744267A (zh
Inventor
王光平
胡志坤
张悦
周璐
王飞
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.)
Zhiyang Innovation Technology Co Ltd
Original Assignee
Zhiyang Innovation Technology 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 Zhiyang Innovation Technology Co Ltd filed Critical Zhiyang Innovation Technology Co Ltd
Priority to CN202111299308.7A priority Critical patent/CN113744267B/zh
Publication of CN113744267A publication Critical patent/CN113744267A/zh
Application granted granted Critical
Publication of CN113744267B publication Critical patent/CN113744267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的输电导线覆冰检测和厚度估计的方法，属于输电智能运检领域。该方法包括以下步骤：利用安装在输电线路上的监拍设备拍摄图像，构建输电导线覆冰图像样本库；标注未覆冰图像中的导线区域，得到不同导线区域的像素宽度；利用MaskR‑CNN实例分割算法，完成对输电线路覆冰的检测并提取覆冰区域；通过输电导线的实际宽度和标定的像素值，计算出覆冰区域的实际厚度。本发明基于图像检测输电导线的覆冰厚度估计，能够应对复杂场景的导线检测效果差的问题，具有准确性高、成本低的优点，满足了输电场景覆冰隐患检测的要求。

Description

一种基于深度学习的输电导线覆冰检测和厚度估计的方法
技术领域
本发明涉及输电智能运检技术领域，具体涉及一种基于深度学习的输电导线覆冰检测和厚度估计的方法。
背景技术
我国幅员辽阔，输电线路所处的环境复杂，北方地区雨雪和高原地区复杂的天气状况，对输电线路造成了极大的隐患。近年来，覆冰引起输电导线的故障频频发生，威胁着电力系统的安全稳定运行，给国民经济带来了巨大的损失。传统的覆冰检测基本上基于传感器检测，限制条件较多，设备昂贵，不具备大面积推广的条件。目前提出的基于图像的覆冰检测，基于传统机器学习处理，只能检测设定好的特征信息，鲁棒性较差。随着人工智能技术的不断进步，使得基于深度学习的覆冰图像分析技术变成可能。现有的技术方法在检测覆冰时需要使用相机的内参标定图像，计算公式复杂，或者是使用数字图像处理技术对覆冰图像的特定特征进行检测，在特定环境下抗干扰能力较好，技术的普适性较差。
综上所述，如何提供一种可靠、廉价的覆冰检测和厚度估计方法，能够应对复杂的环境变化，进行大面积推广，是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种基于深度学习的输电导线覆冰检测和厚度估计的方法，该方法使用深度学习中的实例分割技术来实现对输电导线覆冰的检测，结合标注的先验信息计算覆冰的厚度，能够应对复杂变化的场景，且本发明的准确性、实时性均满足了输电线路覆冰检测的实际需求。
为实现上述目的，本发明采用了以下技术方案：
一种基于深度学习的输电导线覆冰检测和厚度估计的方法，该方法包括以下步骤：
S1、构建MaskR-CNN模型，通过安装在输电线路上的监拍设备，收集输电导线覆冰图像，建立输电导线覆冰图像样本库，利用输电导线覆冰图像样本库训练MaskR-CNN模型。
S2、获取输电导线未覆冰时的图像，对输电导线未覆冰时的图像中的输电导线进行分段标注，得到输电导线的像素宽度和输电导线标定区域数据。
S3、利用训练好的MaskR-CNN模型对监控设备拍摄到的待检测图像进行分析，进行覆冰导线检测，根据输出类型判断输电导线是否覆冰，若覆冰，则输出输电导线覆冰区域的Mask值和bbox检测框，并结合输电导线标定区域数据，定位出分段标注时用到的矩形框与bbox检测框的相交边界框并截取保存，得到二值化Mask图像；待检测图像可根据实际需求定时拍摄，如30分钟一拍；输出的bbox检测框是Mask区域的外接矩形。MaskR-CNN模型是神经网络的一种。将待检测图像输入到MaskR-CNN模型中后，MaskR-CNN模型先对待检测图像进行处理，从待检测图像中提取特征，得到特征图，然后对特征图进行分类和回归操作，提取目标的类别和目标的位置，最终根据目标的类别和目标的位置输出检测结果。
S4、计算二值化Mask图像的像素宽度，结合标注数据转换为实际厚度值，得到待检测图像的覆冰厚度。
进一步的，所述监控设备安装在输电线路中的铁架塔上，所述输电导线未覆冰时的图像通过监控设备获取。监控设备的镜头固定，保证输电导线在图像中的位置基本不变。通过监控设备的历史拍摄数据收集输电导线覆冰图像数据，图像分辨率不低于1920×1080，要求数量不低于5000张，构建输电线路覆冰图像样本库。输电导线未覆冰时的图像数据也是通过监控设备获取的。
进一步的，所述MaskR-CNN模型的主干网络采用ResNet50。MaskR-CNN模型输出三个结果：目标类型、目标位置、目标mask值。本发明使用MaskR-CNN模型对输电导线是否覆冰进行检测，利用MaskR-CNN模型的输出结果的目标类型对拍摄的输电导线图像是否有覆冰进行判断，如果有覆冰，则继续进行后续的厚度估计。
进一步的，所述“获取输电导线未覆冰时的图像，对输电导线未覆冰时的图像中的输电导线进行分段标注，得到输电导线的像素宽度和输电导线标定区域数据；”，其具体包括以下步骤：
S21、采用labelme标注工具对输电导线未覆冰时的图像中的一条输电导线进行分段标注。图像中会拍摄到很多条导线，选取导线目标较大的区域，即选择一条完整的、距离镜头近的、清晰的输电导线，在该输电导线上进行分段标注。由于输电导线在图像中不同位置的像素宽度不同，需要在同一根导线上多选取几个位置进行标注。在一条输电导线上选取a个位置进行矩形框标注，每个矩形框所在位置处的导线要保证没有巨大弧度，且其像素宽度要满足一定要求。设定弧度阈值范围和宽度阈值范围，每个矩形框所在位置处的输电导线的弧度要在弧度阈值范围内，宽度要在宽度阈值范围内。a的取值范围为2~3。优选的，在输电导线未覆冰时的图像中，在每条输电导线上选取3个直线位置，分别采用标注工具的矩形框对各输电导线的3个位置进行标注，得到输电导线标定区域数据；输电导线标定区域数据为使用labelme标注工具标注的矩形框位置的数据。对导线进行标注的矩形框所在的位置为标定区域，对导线进行标注的矩形框的坐标值（即矩形框四个顶点的坐标值）为输电导线标定区域数据。
S22、在上述标注用矩形框内，利用b个分界点将输电导线平均分成b+1段，采用labelme标注工具中的线段对b个分界点处的导线线宽进行标注，求取b个导线线宽求平均值，将该平均值作为该段导线的像素宽度M 0 。优选的，b的取值范围为4~7。
获取了输电导线未覆冰时的图像后，不需要对该图像进行任何处理，直接对输电导线进行标注。每台监拍设备取一张图像标注即可。未覆冰时的输电导线的像素宽度，用来计算像素与实际尺寸的比例关系，根据这个比例关系以及覆冰导线的像素宽度，计算覆冰导线的实际厚度。
进一步的，所述“结合输电导线标定区域数据，定位出分段标注时用到的矩形框与bbox检测框的相交边界框并截取保存，得到二值化Mask图像；”，其具体包括以下步骤：
设标注用矩形框的左下顶点和右上定点的坐标分别为(x1, y1)和 (x2, y2)，bbox检测框的左下顶点和右上顶点的坐标分别为(x1’, y1’) 和(x2’, y2’)，若max{x1,x1’}<min{x2,x2’}且max{y1,y1’}<min{y2, y2’}，则该标注用矩形框与bbox检测框有交集，取两个矩形框的交集，得到相交边界框，相交边界框的左下顶点和右上顶点分别为：（max（x1,x1’），max（y1,y1’））和(min（x2,x2’），min（y2,y2’））。
覆冰检测区域的Mask值即为MaskR-CNN模型输出的目标Mask值，其为检测出的覆冰导线的每个像素的合集。bbox检测框是各个Mask值的外接矩形框，用于和步骤S21中标注用矩形框做交集计算，找出相交的区域。即求检测的一个矩形框与所有的标注的矩形框的交集，只有一个标注框和检测框存在交集。二值化的Mask值就是目标Mask值，将相交区域裁剪出来，就得到了存在Mask值的图像。
进一步的，所述“计算二值化Mask图像的像素宽度，结合标注数据转换为实际厚度值，得到待检测图像的覆冰厚度”，其具体包括以下步骤：
S41、对二值化Mask图像进行灰度处理，将二值化Mask图像转换为灰度图像。
S42、利用canny算法对经灰度处理后的二值化Mask图像进行边缘检测，并采用opencv的形态学方法对检测到的二值化Mask图像的边缘进行膨胀和腐蚀操作，使边缘特征圆润，减少噪声的影响，从而得到二值化Mask图像的边缘图像。
S43、提取二值化Mask图像的边缘图像的最小外接矩形，根据最小外接矩形的四个顶点坐标（x0，y0），（x1，y1），（x2，y2），（x3，y3），采用以下公式求得最小外接矩形的边长：
Figure 195828DEST_PATH_IMAGE001
根据最小外接矩形短边的长度D=min（C1，C2），求得最小外接矩形的像素宽度D0，其中，D0=D，C1和C2分别为最小外接矩形的两个边长。
S44、根据标注的输电导线的像素宽度M 0 和输电导线实际尺寸L 0 ，计算出比例尺R 0 ，其中，R 0 =L 0 /M 0 ；根据比例尺R 0 ，采用公式M 1 =D 0 *R 0 求得bbox检测框的实际宽度M 1 。bbox检测框的实际宽度M 1 ，即为覆冰输电导线的直径。输电导线实际尺寸L 0 指的是输电导线的宽度，也就是输电导线的直径。
S45、采用公式H=（M 1 -L 0 ）/2计算得到输电导线的覆冰厚度H。
由以上技术方案可知，本发明提出了一种基于深度学习的覆冰检测方法，提出了使用MaskR-CNN实例分割算法来检测覆冰，深度学习使用神经网络技术提取图像特征，对复杂多变的外界环境有很强的抗干扰能力，提升了覆冰检测的准确性和可靠性。在此基础上，本发明还提出了基于标注导线区域来估算覆冰厚度的方法，计算检测框和标注框的交集，将检测结果与图像位置对应，从而得到覆冰厚度。该方法计算成本低，速度快。本发明无需对输电图像做特定的特征提取，采用深度学习技术实现输电覆冰区域的提取，计算简单。
附图说明
图1是本发明的方法流程图；
图2是本发明实施例中的标注示例图；
图3是本发明实施例中MaskR-CNN模型检测的图像；
图4是本发明实施例中截取的相交的图像；
图5是本发明实施例中二值化后的图像；
图6是本发明实施例中计算最小外接矩形的图像。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示的一种基于深度学习的输电导线覆冰检测和厚度估计的方法，该方法包括以下步骤：利用安装在输电线路上的监拍设备拍摄图像，构建输电导线覆冰图像样本库；标注未覆冰图像中的导线区域，得到不同导线区域的像素宽度；利用MaskR-CNN实例分割算法，完成对输电线路覆冰的检测并提取覆冰区域；通过输电导线的实际宽度和标定的像素值，计算出覆冰区域的实际厚度。本发明基于图像检测输电导线的覆冰厚度估计，能够应对复杂场景的导线检测效果差的问题，具有准确性高、成本低的优点，满足了输电场景覆冰隐患检测的要求。
以下为应用本发明所述的方法的实施例：
某地输电线路架设一台监拍设备，拍照间隔15分钟，基于覆冰样本库训练MaskR-CNN模型对待检测图像进行覆冰检测，如果存在覆冰，则计算覆冰厚度，具体步骤如下：
S1、构建MaskR-CNN模型，通过安装在输电线路上的监拍设备，收集输电导线覆冰图像，建立输电导线覆冰图像样本库，利用输电导线覆冰图像样本库训练MaskR-CNN模型。
S2、获取输电导线未覆冰时的图像，对输电导线未覆冰时的图像中的输电导线进行分段标注，得到输电导线的像素宽度和输电导线标定区域数据。具体地说，采用labelme标注工具对一条输电导线进行分段标注，并在每个标注矩形框内部，标注输电导线的宽度，标注结果示例如图2所示。每条导线选取直线段标注，图2中的rec1_1，rec1_2即为标注的导线区域框，框内的线段即为标注的导线宽度。
S3、采用步骤S1训练好的MaskR-CNN模型分析现场实时图像，输出的结果如图3所示，其中A指出的区域为未覆冰的导线区域，B指出的区域为覆冰导线区域，根据标注的矩形框和检测出的目标框，求两个矩形框的交集区域，输出交集区域的图像，取其中一块区域展示如图4所示。
S4、根据S3的输出图像，结合标注信息，计算实际覆冰厚度：
S41、将图像转换为灰度图，并进行二值化操作。
S42、提取二值化Mask图像的Mask边缘，并利用canny算法对图像进行边缘检测，再使用opencv的形态学方法处理膨胀、腐蚀操作，使边缘特征圆润，减少噪声的影响，结果如图5所示。
S43、提取二值化Mask图像的边缘图像的最小外接矩形，根据矩形的四个顶点坐标，计算矩形检测框的宽度，此例中得出的宽度为D 0 =6.4个像素值：提取后的结果如图6所示。
S44、根据图片标注的像素宽和导线实际尺寸L 0 计算出的比例尺R 0 ，得出矩形检测框的实际宽度M 1 =D 0 *R 0 ，即为覆冰导线的直径，计算得出覆冰厚度H=（M 1 -L 0 ）/2：
（1）步骤S2标注的导线像素线段数据如下，线段格式：[point1,point2]：
线段1:[(1320.1,214.2),(1326.4,214.3)],
线段2:[(1319.5,252.1),(1325.4,252.1)];
线段3:[(1319.2,296.5),(1324.0,296.4)],
线段4:[(1318.1,348.4),(1323.3,348.4)]；
线段5:[(1318.5,407.4),(1323.8,407.4)],
线段6:[(1317.4,466.0),(1321.9,466.0)]；
线段7:[(1316.6,509.5),(1320.2,509.4)]；
根据标注的线段像素，求的平均像素宽度为：P 0 =5.09,实际导线宽度为L 0 =3.0cm；则
Figure 980506DEST_PATH_IMAGE002
（2）根据步骤S53输出的最小外接矩形的宽度6.4像素值，得出覆冰导线的实际宽度
Figure 271810DEST_PATH_IMAGE003
（3）计算得出覆冰厚度：
Figure 7685DEST_PATH_IMAGE004
综上所述，本发明通过深度学习算法模型检测导线是否存在覆冰，并利用标注的先验信息来计算覆冰的厚度，能够应对复杂场景的变化，不依赖任何传感器设备，准确性、实时性大大提高，抗干扰能力强。本发明中的深度学习模型直接输出覆冰区域的二值化值，无需进行过多的数字图像处理方法，简单方便。本发明使用深度学习检测技术，能够提取覆冰图像的多种特征，鲁棒性强。本发明创新性地使用对图像的标注方法，将检测的覆冰区域确定好位置，再来估算覆冰厚度，方法简单实用。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (3)

1.一种基于深度学习的输电导线覆冰检测和厚度估计的方法，其特征在于：该方法包括以下步骤：
S1、构建Mask R-CNN模型，通过安装在输电线路上的监拍设备，收集输电导线覆冰图像，建立输电导线覆冰图像样本库，利用输电导线覆冰图像样本库训练Mask R-CNN模型；
S2、获取输电导线未覆冰时的图像，对输电导线未覆冰时的图像中的输电导线进行分段标注，得到输电导线的像素宽度和输电导线标定区域数据；
S21、采用labelme标注工具对输电导线未覆冰时的图像中的一条输电导线进行分段标注，由于输电导线在图像中不同位置的像素宽度不同，在输电导线上选取a个直线位置，分别采用标注工具的矩形框对a个直线位置进行标注，得到输电导线标定区域数据；a的取值范围为2~3；
S22、在上述标注用矩形框内，利用b个分界点将输电导线平均分成b+1段，采用labelme标注工具中的线段对b个分界点处的导线线宽进行标注，求取b个导线线宽的平均值，将该平均值作为该段导线的像素宽度M 0 ；b的取值范围为4~7；
S3、利用训练好的Mask R-CNN模型对监控设备拍摄到的待检测图像进行分析，进行覆冰导线检测，根据输出类型判断输电导线是否覆冰，若覆冰，则输出输电导线覆冰区域的Mask值和bbox检测框，并结合输电导线标定区域数据，定位出分段标注时用到的矩形框与bbox检测框的相交边界框并截取保存，得到二值化Mask图像；
设标注用矩形框的左下顶点和右上定点的坐标分别为(x1,y1) 和 (x2,y2)，bbox检测框的左下顶点和右上顶点的坐标分别为(x1’,y1’) 和(x2’,y2’)，若max{x1,x1’} < min{x2,x2’}且max{y1,y1’}<min{y2, y2’}，则该标注用矩形框与bbox检测框有交集，取两个矩形框的交集，得到相交边界框，相交边界框的左下顶点和右上顶点分别为：（max（x1,x1’），max（y1,y1’））和(min（x2,x2’），min（y2,y2’））；
S4、计算二值化Mask图像的像素宽度，结合标注数据转换为实际厚度值，得到待检测图像的覆冰厚度；
S41、对二值化Mask图像进行灰度处理，将二值化Mask图像转换为灰度图像；
S42、利用canny算法对经灰度处理后的二值化Mask图像进行边缘检测，并采用opencv的形态学方法对检测到的二值化Mask图像的边缘进行膨胀和腐蚀操作，得到二值化Mask图像的边缘图像；
S43、提取二值化Mask图像的边缘图像的最小外接矩形，根据最小外接矩形的四个顶点坐标（x0，y0），（x1，y1），（x2，y2），（x3，y3），采用以下公式求得最小外接矩形的边长：
Figure 471798DEST_PATH_IMAGE001
根据最小外接矩形短边的长度D=min（C1，C2），求得最小外接矩形的像素宽度D0，其中，D0=D，C1和C2分别为最小外接矩形的两个边长；
S44、根据标注的输电导线的像素宽度M 0 和输电导线实际尺寸L 0 ,计算出比例尺R 0 ，其中，R 0 =L 0 /M 0 ；根据比例尺R 0 ，采用公式M 1 =D 0 *R 0 求得bbox检测框的实际宽度M 1 ；
S45、采用公式H=（M 1 -L 0 ）/2计算得到输电导线的覆冰厚度H。
2.根据权利要求1所述的一种基于深度学习的输电导线覆冰检测和厚度估计的方法，其特征在于：所述监控设备安装在输电线路中的铁架塔上，所述输电导线未覆冰时的图像通过监控设备获取。
3.根据权利要求1所述的一种基于深度学习的输电导线覆冰检测和厚度估计的方法，其特征在于：所述Mask R-CNN模型的主干网络采用ResNet50。
CN202111299308.7A 2021-11-04 2021-11-04 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 Active CN113744267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111299308.7A CN113744267B (zh) 2021-11-04 2021-11-04 一种基于深度学习的输电导线覆冰检测和厚度估计的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111299308.7A CN113744267B (zh) 2021-11-04 2021-11-04 一种基于深度学习的输电导线覆冰检测和厚度估计的方法

Publications (2)

Publication Number Publication Date
CN113744267A CN113744267A (zh) 2021-12-03
CN113744267B true CN113744267B (zh) 2022-02-15

Family

ID=78727393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111299308.7A Active CN113744267B (zh) 2021-11-04 2021-11-04 一种基于深度学习的输电导线覆冰检测和厚度估计的方法

Country Status (1)

Country Link
CN (1) CN113744267B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114261713A (zh) * 2022-01-29 2022-04-01 马鞍山钢铁股份有限公司 一种基于视觉感知的皮带偏移预警系统及方法
CN114724091A (zh) * 2022-06-07 2022-07-08 智洋创新科技股份有限公司 一种输电线路导线异物识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3102600A1 (fr) * 2019-10-24 2021-04-30 Idemia Identity & Security France Procédé de segmentation d’une image d’entrée représentant au moins une empreinte biométrique au moyen d’un réseau de neurones à convolution

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400379B (zh) * 2013-07-25 2016-08-31 国家电网公司 一种基于图像的覆冰检测和厚度估计方法
CN107704844B (zh) * 2017-10-25 2021-04-30 哈尔滨理工大学 基于无人机双目视差图像的输电线路覆冰厚度辨识方法
CN109378052B (zh) * 2018-08-31 2019-07-30 透彻影像(北京)科技有限公司 图像标注的预处理方法及系统
CN110599538B (zh) * 2019-09-30 2020-09-22 山东信通电子股份有限公司 一种输电线路导线覆冰厚度的识别方法和装置
CN111402224B (zh) * 2020-03-12 2023-12-05 广东电网有限责任公司广州供电局 一种用于电力设备的目标识别方法
CN111047611A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶体积测量方法和装置
CN111402248B (zh) * 2020-03-23 2023-05-09 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法
CN112070717B (zh) * 2020-08-05 2024-06-04 煜邦数字科技(广东)有限公司 基于图像处理的输电线路覆冰厚度检测方法
CN112733592A (zh) * 2020-11-26 2021-04-30 中国南方电网有限责任公司超高压输电公司检修试验中心 一种输电线路图像识别方法
CN112595276B (zh) * 2020-11-27 2022-07-05 哈尔滨工程大学 一种基于深度学习的输电线路覆冰厚度检测方法
CN113449769A (zh) * 2021-05-18 2021-09-28 内蒙古工业大学 输电线路覆冰识别模型训练方法、识别方法及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3102600A1 (fr) * 2019-10-24 2021-04-30 Idemia Identity & Security France Procédé de segmentation d’une image d’entrée représentant au moins une empreinte biométrique au moyen d’un réseau de neurones à convolution

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AslıNur Ömeroğlu 等.Mask R-CNN Algoritmasıile Hangar Tespiti Hangar Detection with Mask R-CNN Algorithm.《2019 27th Signal Processing and Communications Applications Conference (SIU)》.2019,第1-4页. *

Also Published As

Publication number Publication date
CN113744267A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN113744267B (zh) 一种基于深度学习的输电导线覆冰检测和厚度估计的方法
CN109325935B (zh) 一种基于无人机图像的输电线路检测方法
CN108961235A (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
CN109712112B (zh) 基于局部特征的航拍绝缘子图像的定位方法
CN109543676B (zh) 一种基于图像处理的字轮型水表数字字符识别方法
CN113469178B (zh) 一种基于深度学习的电力表计识别方法
CN112149543A (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN118015472B (zh) 基于遥感影像的多类型海岸线提取方法及系统
CN114283126B (zh) 一种输电线路监控设备偏移检测方法
CN116824726A (zh) 一种校园环境智能巡检方法及系统
WO2024125434A1 (zh) 基于区域一致性的建筑物主角度修正方法
CN107274382A (zh) 一种硬压板的状态辨识方法、装置及电子设备
CN116958841B (zh) 基于图像识别的配电线路无人机巡检系统
CN114252075A (zh) 一种电缆沟巡检机器人的路径跟踪方法及系统
CN111080562B (zh) 一种基于增强图像对比的变电场所悬挂物识别方法
CN113420670A (zh) 基于高分遥感输变电线路迁改环水保监管方法
CN112016641A (zh) 一种异物导致线路短路故障告警方法及装置
CN115841557A (zh) 基于数字孪生技术的智能起重机操作环境构建方法
CN115880339A (zh) 基于点云及关键点追踪技术的输电线路导线舞动监测方法
CN113496159B (zh) 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法
CN118366108B (zh) 一种路空协同交通场景智能识别方法
CN115376073B (zh) 一种基于特征点的异物检测方法和系统
CN112837348A (zh) 一种基于图像显著性的相对静止目标检测方法
CN118644521A (zh) 一种基于孪生网络目标检测的海面多目标跟踪方法及其设备和可读存储介质

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