CN113762132A - 一种无人机巡检图像自动归类与自动命名系统 - Google Patents
一种无人机巡检图像自动归类与自动命名系统 Download PDFInfo
- Publication number
- CN113762132A CN113762132A CN202111019579.2A CN202111019579A CN113762132A CN 113762132 A CN113762132 A CN 113762132A CN 202111019579 A CN202111019579 A CN 202111019579A CN 113762132 A CN113762132 A CN 113762132A
- Authority
- CN
- China
- Prior art keywords
- tower
- data
- classification
- photos
- photo
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000002452 interceptive effect Effects 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种无人机巡检图像自动归类与自动命名系统，包括：信息聚类模块，用于使用聚类算法分析杆塔照片信息，将每张杆塔照片与杆塔实例建立对应关系；命名分类模块，用于根据杆塔照片对应的杆塔实例及所在的方位对杆塔照片进行命名；质量分类模块，用于筛选出质量不达预期的杆塔照片；其中杆塔照片由无人机在巡检时拍摄。本发明根据照片和位姿信息关联数据，通过聚类分析技术交实现互式照片杆塔关联；基于Transformer网络实现照片的命名分类；基于HrNet18网络的实现低质照片的智能剔除；可以大幅提高照片的处理效率和准确率，实现快速的分类。
Description
技术领域
本发明涉及图像处理领域，特别涉及一种无人机巡检图像自动归类与自动命名系统。
背景技术
输电运检工作对于保护输电线路安全稳定可靠运行来说至关重要。输电运检人员无论是在日常例行巡检中还是在事故抢修时，都可能要攀登高压输电铁塔。
随着全国电网规模持续高速增长，110kV及以上电压等级线路规模增加迅速，人员与电网规模不匹配的矛盾日益突出。无人机巡检对输电线路现场巡视效率提升作用明显，精细化巡检涉及庞大的照片数据获取与归类命名工作。现有的巡检作业中，巡检人员在通过无人机获取巡检图像数据后，仍要通过人工手动的方式把巡检照片关联到其所属的塔及其相对于塔的方位，进而实现大量巡检照片的归类和命名，需要耗费大量的精力和时间(后期整理约是拍摄时间的50倍)，且无法保证作业结果的准确性。如何有效通过人工智能技术释放人力资源迫在眉睫。
发明内容
针对现有技术无法高效处理无人机获取的巡检图像数据的问题，本发明提供了一种无人机巡检图像自动归类与自动命名系统，避免人工出错的可能性，提高了工作效率，也可以起到保证下一步缺陷识别的识别率和准确率的效果。
以下是本发明的技术方案。
一种无人机巡检图像自动归类与自动命名系统，包括：
信息聚类模块，用于使用聚类算法分析杆塔照片信息，将每张杆塔照片与杆塔实例建立对应关系；
命名分类模块，用于根据杆塔照片对应的杆塔实例及所在的方位对杆塔照片进行命名；
质量分类模块，用于筛选出质量不达预期的杆塔照片；
其中杆塔照片由无人机在巡检时拍摄。
作为优选，所述信息聚类模块采用的聚类算法为CFSFDP算法。
作为优选，所述信息聚类模块用于执行以下步骤，包括：
S11：载入全部杆塔照片数据，计算所有数据对象间的欧式距离dij；
S12：对所有欧氏距离dij进行升序排序，取该排列的上第5％的数作为截断距离dc；计算每一个数据对象i的密度ρi，即全部数据对象中与数据i距离小于截断距离dc的数据对象个数，其中该数据对象个数不包含数据对象i本身；
S13：对于每一个数据对象，找到所有比该数据对象i密度大的数据对象j，选取其中最小的欧式距离dij记为Δi；其中，对于拥有最高密度的数据对象i，其Δi为所有数据对象到数据对象i的最大欧氏距离；
S14：遍历全部数据对象，当某个数据对象的密度ρ和Δ分别大于设置阈值ρmin和Δmin时，则该数据对象为中心点；将非中心点按照其最临近且密度ρ比其大的数据对象所述的类进行分配，得到每张杆塔照片的聚类结果。
作为优选，所述命名分类模块通过Transformer网络得到照片数据的特征向量并分类命名。
作为优选，所述命名分类模块用于执行以下步骤，包括：
S21：首先获取到无人机巡检照片的经度、纬度、高度、相机偏航角、相机俯仰角以及塔的朝向，对无人机采集得到的每基杆塔不同位置的照片根据命名规则进行打标；
S22：进行数据预处理，以杆塔高度为单位得到该杆塔所有照片进行数据归一化得到相对高度；经度和纬度以杆塔为单位计算相对经度和纬度；偏航角和俯仰角以整个数据集为基准进行归一化；
S23：将增强的照片数据输入到Transformer网络中，进行特征提取和信息理解，最终得到特征向量；
S24：对特征向量采用全连接层，得到最终分类的维度和分类结果。
作为优选，所述质量分类模块采用HrNet18网络作为其主干网络进行特征提取，以筛选出质量不达预期的杆塔照片。
作为优选，所述质量分类模块用于执行以下步骤，包括：
S31：进行数据预处理，包括数据尺寸变化和图像数据的归一化；
S32：图像数据增强，包括图像旋转及图像翻转；
S33：将增强的图像数据输入到HrNet18网络中，进行特征提取，最终得到特征向量。
S34：对特征向量通过全连接层，得到最终分类的维度；
S35：对照片进行打标，分为正常品质图像和异常品质图像。
本发明的实质性效果包括：根据照片和位姿信息关联数据，通过聚类分析技术交实现互式照片杆塔关联；基于Transformer网络实现照片的命名分类；基于HrNet18网络的实现低质照片的智能剔除；可以大幅提高照片的处理效率和准确率，实现快速的分类。
附图说明
图1是本发明实施例中信息聚类模块执行的任务流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例，对本技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例：
一种无人机巡检图像自动归类与自动命名系统，包括信息聚类模块、命名分类模块和质量分类模块。
其中信息聚类模块，用于使用CFSFDP算法分析杆塔照片信息，将每张杆塔照片与杆塔实例建立对应关系；其执行的步骤如图1所示，包括：
S11：载入全部杆塔照片数据，计算所有数据对象间的欧式距离dij；
S12：对所有欧氏距离dij进行升序排序，取该排列的上第5％的数作为截断距离dc；计算每一个数据对象i的密度ρi，即全部数据对象中与数据i距离小于截断距离dc的数据对象个数，其中该数据对象个数不包含数据对象i本身；
S13：对于每一个数据对象，找到所有比该数据对象i密度大的数据对象j，选取其中最小的欧式距离dij记为Δi；其中，对于拥有最高密度的数据对象i，其Δi为所有数据对象到数据对象i的最大欧氏距离；
S14：遍历全部数据对象，当某个数据对象的密度ρ和Δ分别大于设置阈值ρmin和Δmin时，则该数据对象为中心点；将非中心点按照其最临近且密度ρ比其大的数据对象所述的类进行分配，得到每张杆塔照片的聚类结果。
命名分类模块，用于根据杆塔照片对应的杆塔实例及所在的方位，通过Transformer网络得到照片数据的特征向量并分类命名，执行的步骤包括：
S21：首先获取到无人机巡检照片的经度、纬度、高度、相机偏航角、相机俯仰角以及塔的朝向，对无人机采集得到的每基杆塔不同位置的照片根据命名规则进行打标；
S22：进行数据预处理，以杆塔高度为单位得到该杆塔所有照片进行数据归一化得到相对高度；经度和纬度以杆塔为单位计算相对经度和纬度；偏航角和俯仰角以整个数据集为基准进行归一化；
S23：将增强的照片数据输入到Transformer网络中，进行特征提取和信息理解，最终得到特征向量；
S24：对特征向量采用全连接层，得到最终分类的维度和分类结果。
质量分类模块，采用HrNet18网络作为其主干网络进行特征提取，以筛选出质量不达预期的杆塔照片，执行的步骤包括：
S31：进行数据预处理，包括数据尺寸变化和图像数据的归一化；
S32：图像数据增强，包括图像旋转及图像翻转；
S33：将增强的图像数据输入到HrNet18网络中，进行特征提取，最终得到特征向量。
S34：对特征向量通过全连接层，得到最终分类的维度；
S35：对照片进行打标，分为正常品质图像和异常品质图像。
其中本实施例的杆塔照片由无人机在巡检时拍摄。
本实施例基于人工智能聚类技术的巡检照片杆塔关联，无人机飞控传感器数据提取软件，基于SDK技术自动获取并存储飞控系统内的无人机经纬度数据、海拔高度、航向角、云台的三维姿态等数据信息，对数据信息编码并无线传输至地面处理器，获取输电线路的台账数据，通过数据预处理方法，预处理数据信息并自动匹配对应巡检图像。
基于人工智能的聚类分析技术交互式照片杆塔关联，研究人工智能聚类技术，建立巡检图像与其所述塔的关系模型，实现自动归类特定巡检图像到特定塔。
基于翻译网络的照片分类命名模型，融合GPS(RTK)、云台姿态、飞机姿态以及照片本身等数据进行数据预处理，利用获取的多元信息，建立与巡检图像对应的相机位置和塔之间相对位置关系，通过神经网络机器学习结合命名规则建立照片分类模型，实现巡检图像的自动命名。
基于深度高分辨率表示网络的低质照片智能剔除模型，设计低质量照片的识别去除网络，通过数据预处理、机器学习，对无人机巡检图像进行识别和筛选，在低质照片上打上标签，从而实现对光线不足、过曝、模糊等低质量照片的剔除，并根据命名结果实现重新拍照。
本实施例的实质性效果包括：根据照片和位姿信息关联数据，通过聚类分析技术交实现互式照片杆塔关联；基于Transformer网络实现照片的命名分类；基于HrNet18网络的实现低质照片的智能剔除；可以大幅提高照片的处理效率和准确率，实现快速的分类。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个结构，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种无人机巡检图像自动归类与自动命名系统，其特征在于，包括：
信息聚类模块，用于使用聚类算法分析杆塔照片信息，将每张杆塔照片与杆塔实例建立对应关系；
命名分类模块，用于根据杆塔照片对应的杆塔实例及所在的方位对杆塔照片进行命名；
质量分类模块，用于筛选出质量不达预期的杆塔照片；
其中杆塔照片由无人机在巡检时拍摄。
2.根据权利要求1所述的一种无人机巡检图像自动归类与自动命名系统，其特征在于，所述信息聚类模块采用的聚类算法为CFSFDP算法。
3.根据权利要求2所述的一种无人机巡检图像自动归类与自动命名系统，其特征在于，所述信息聚类模块用于执行以下步骤，包括：
S11：载入全部杆塔照片数据，计算所有数据对象间的欧式距离dij；
S12：对所有欧氏距离dij进行升序排序，取该排列的上第5％的数作为截断距离dc；计算每一个数据对象i的密度ρi，即全部数据对象中与数据i距离小于截断距离dc的数据对象个数，其中该数据对象个数不包含数据对象i本身；
S13：对于每一个数据对象，找到所有比该数据对象i密度大的数据对象j，选取其中最小的欧式距离dij记为Δi；其中，对于拥有最高密度的数据对象i，其Δi为所有数据对象到数据对象i的最大欧氏距离；
S14：遍历全部数据对象，当某个数据对象的密度ρ和Δ分别大于设置阈值ρmin和Δmin时，则该数据对象为中心点；将非中心点按照其最临近且密度ρ比其大的数据对象所述的类进行分配，得到每张杆塔照片的聚类结果。
4.根据权利要求1或2所述的一种无人机巡检图像自动归类与自动命名系统，其特征在于，所述命名分类模块通过Transformer网络得到照片数据的特征向量并分类命名。
5.根据权利要求4所述的一种无人机巡检图像自动归类与自动命名系统，其特征在于，所述命名分类模块用于执行以下步骤，包括：
S21：首先获取到无人机巡检照片的经度、纬度、高度、相机偏航角、相机俯仰角以及塔的朝向，对无人机采集得到的每基杆塔不同位置的照片根据命名规则进行打标；
S22：进行数据预处理，以杆塔高度为单位得到该杆塔所有照片进行数据归一化得到相对高度；经度和纬度以杆塔为单位计算相对经度和纬度；偏航角和俯仰角以整个数据集为基准进行归一化；
S23：将增强的照片数据输入到Transformer网络中，进行特征提取和信息理解，最终得到特征向量；
S24：对特征向量采用全连接层，得到最终分类的维度和分类结果。
6.根据权利要求1所述的一种无人机巡检图像自动归类与自动命名系统，其特征在于，所述质量分类模块采用HrNet18网络作为其主干网络进行特征提取，以筛选出质量不达预期的杆塔照片。
7.根据权利要求6所述的一种无人机巡检图像自动归类与自动命名系统，其特征在于，所述质量分类模块用于执行以下步骤，包括：
S31：进行数据预处理，包括数据尺寸变化和图像数据的归一化；
S32：图像数据增强，包括图像旋转及图像翻转；
S33：将增强的图像数据输入到HrNet18网络中，进行特征提取，最终得到特征向量；
S34：对特征向量通过全连接层，得到最终分类的维度；
S35：对照片进行打标，分为正常品质图像和异常品质图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111019579.2A CN113762132B (zh) | 2021-09-01 | 2021-09-01 | 一种无人机巡检图像自动归类与自动命名系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111019579.2A CN113762132B (zh) | 2021-09-01 | 2021-09-01 | 一种无人机巡检图像自动归类与自动命名系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762132A true CN113762132A (zh) | 2021-12-07 |
| CN113762132B CN113762132B (zh) | 2024-07-16 |
Family
ID=78792295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111019579.2A Active CN113762132B (zh) | 2021-09-01 | 2021-09-01 | 一种无人机巡检图像自动归类与自动命名系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762132B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
| CN106203265A (zh) * | 2016-06-28 | 2016-12-07 | 江苏大学 | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 |
| US20180004741A1 (en) * | 2015-12-17 | 2018-01-04 | Huizhou Tcl Mobile Communication Co., Ltd. | Method for automatically naming photos based on mobile terminal, system, and mobile terminal |
| CN108229674A (zh) * | 2017-02-21 | 2018-06-29 | 北京市商汤科技开发有限公司 | 聚类用神经网络的训练方法和装置、聚类方法和装置 |
| CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
| CN109085850A (zh) * | 2018-09-10 | 2018-12-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电通道三维雷扫数据的无人机自主巡检方法 |
| CN111275015A (zh) * | 2020-02-28 | 2020-06-12 | 广东电网有限责任公司 | 一种基于无人机的电力巡线电塔检测识别方法及系统 |
| CN111291472A (zh) * | 2020-01-17 | 2020-06-16 | 安徽建筑大学 | 一种基于cfsfdp聚类算法的给水管网压力监测点布置方法 |
| CN111339347A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种巡检照片的管理方法及装置 |
| CN111488829A (zh) * | 2020-04-10 | 2020-08-04 | 广东电网有限责任公司江门供电局 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
| CN111914813A (zh) * | 2020-08-31 | 2020-11-10 | 国网湖南省电力有限公司 | 基于图像分类的输电线路巡检图像命名方法及系统 |
| CN112131430A (zh) * | 2020-09-24 | 2020-12-25 | 腾讯科技（深圳）有限公司 | 视频聚类方法、装置、存储介质和电子设备 |
| CN112182812A (zh) * | 2020-09-09 | 2021-01-05 | 四川长园工程勘察设计有限公司 | 一种配电线路设计方法 |
| CN112464881A (zh) * | 2020-12-11 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路无人机光学遥感自主巡检方法 |
| WO2021043085A1 (zh) * | 2019-09-04 | 2021-03-11 | 平安科技（深圳）有限公司 | 命名实体识别方法、装置、计算机设备及存储介质 |
| CN112801230A (zh) * | 2021-04-07 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路无人机智能验收方法 |
| US20210224512A1 (en) * | 2020-01-17 | 2021-07-22 | Wuyi University | Danet-based drone patrol and inspection system for coastline floating garbage |
-
2021
- 2021-09-01 CN CN202111019579.2A patent/CN113762132B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
| US20180004741A1 (en) * | 2015-12-17 | 2018-01-04 | Huizhou Tcl Mobile Communication Co., Ltd. | Method for automatically naming photos based on mobile terminal, system, and mobile terminal |
| CN106203265A (zh) * | 2016-06-28 | 2016-12-07 | 江苏大学 | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 |
| CN108229674A (zh) * | 2017-02-21 | 2018-06-29 | 北京市商汤科技开发有限公司 | 聚类用神经网络的训练方法和装置、聚类方法和装置 |
| CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
| CN109085850A (zh) * | 2018-09-10 | 2018-12-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电通道三维雷扫数据的无人机自主巡检方法 |
| WO2021043085A1 (zh) * | 2019-09-04 | 2021-03-11 | 平安科技（深圳）有限公司 | 命名实体识别方法、装置、计算机设备及存储介质 |
| CN111291472A (zh) * | 2020-01-17 | 2020-06-16 | 安徽建筑大学 | 一种基于cfsfdp聚类算法的给水管网压力监测点布置方法 |
| US20210224512A1 (en) * | 2020-01-17 | 2021-07-22 | Wuyi University | Danet-based drone patrol and inspection system for coastline floating garbage |
| CN111275015A (zh) * | 2020-02-28 | 2020-06-12 | 广东电网有限责任公司 | 一种基于无人机的电力巡线电塔检测识别方法及系统 |
| CN111488829A (zh) * | 2020-04-10 | 2020-08-04 | 广东电网有限责任公司江门供电局 | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 |
| CN111339347A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种巡检照片的管理方法及装置 |
| CN111914813A (zh) * | 2020-08-31 | 2020-11-10 | 国网湖南省电力有限公司 | 基于图像分类的输电线路巡检图像命名方法及系统 |
| CN112182812A (zh) * | 2020-09-09 | 2021-01-05 | 四川长园工程勘察设计有限公司 | 一种配电线路设计方法 |
| CN112131430A (zh) * | 2020-09-24 | 2020-12-25 | 腾讯科技（深圳）有限公司 | 视频聚类方法、装置、存储介质和电子设备 |
| CN112464881A (zh) * | 2020-12-11 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路无人机光学遥感自主巡检方法 |
| CN112801230A (zh) * | 2021-04-07 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路无人机智能验收方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIANYE CUI、KAI ZHU、CHUNJUN TANG、ZHUN ZHANG、QIANG ZHU、AN CHEN: "Research on Technical Parameters of Safe Operation and Maintenance on 110kV Shared Towers", 2021 INTERNATIONAL CONFERENCE ON ELECTRICAL MATERIALS AND POWER EQUIPMENT (ICEMPE) * |
| 刘狄: "输电线路远程智能图像识别巡检技术研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 2019 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762132B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kellenberger et al. | Detecting mammals in UAV images: Best practices to address a substantially imbalanced dataset with deep learning | |
| WO2022100470A1 (en) | Systems and methods for target detection | |
| Branson et al. | From Google Maps to a fine-grained catalog of street trees | |
| Gao et al. | Novel feature fusion module-based detector for small insulator defect detection | |
| US9679226B1 (en) | Hierarchical conditional random field model for labeling and segmenting images | |
| CN105469029A (zh) | 用于对象再识别的系统和方法 | |
| Liu et al. | The method of insulator recognition based on deep learning | |
| Mousavian et al. | Deep convolutional features for image based retrieval and scene categorization | |
| CN103279738B (zh) | 车标自动识别方法及系统 | |
| CN110309865A (zh) | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 | |
| CN113205116A (zh) | 输电线路无人机巡检拍摄目标点自动提取及航迹规划方法 | |
| Yoshihashi et al. | Construction of a bird image dataset for ecological investigations | |
| Liu et al. | Review of data analysis in vision inspection of power lines with an in-depth discussion of deep learning technology | |
| Perera et al. | Human detection and motion analysis from a quadrotor UAV | |
| CN112325785A (zh) | 基于顶部平面拟合的铁塔变形监测方法及系统 | |
| Kumar et al. | A deep learning paradigm for detection of harmful algal blooms | |
| Montoya et al. | TreeTool: A tool for detecting trees and estimating their DBH using forest point clouds | |
| Li et al. | Individual tree segmentation of airborne and UAV LiDAR point clouds based on the watershed and optimized connection center evolution clustering | |
| Huang et al. | Whole-body detection, recognition and identification at altitude and range | |
| Li et al. | Evaluation of spectral and texture features for object-based vegetation species classification using support vector machines | |
| Diez et al. | Comparison of algorithms for Tree-top detection in Drone image mosaics of Japanese Mixed Forests. | |
| CN113762132A (zh) | 一种无人机巡检图像自动归类与自动命名系统 | |
| Zhang et al. | Land use and land cover classification base on image saliency map cooperated coding | |
| Proenca et al. | SHREC’15 Track: Retrieval of Oobjects captured with kinect one camera | |
| Pedersen et al. | Model and feature selection for the classification of dark field pollen images using the classifynder system |
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 |