CN113762276A - 一种电力作业梯子角度检测方法 - Google Patents
一种电力作业梯子角度检测方法 Download PDFInfo
- Publication number
- CN113762276A CN113762276A CN202110940852.9A CN202110940852A CN113762276A CN 113762276 A CN113762276 A CN 113762276A CN 202110940852 A CN202110940852 A CN 202110940852A CN 113762276 A CN113762276 A CN 113762276A
- Authority
- CN
- China
- Prior art keywords
- image
- ladder
- power operation
- straight line
- angle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 230000002146 bilateral effect Effects 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Abstract
一种电力作业梯子角度检测方法,涉及智能检测技术领域,该电力作业梯子角度检测方法,包括步骤S1,获取施工现场电力作业梯子的图像;步骤S2,从步骤S1中得到的图像截取目标区域,对所述目标区域进行灰度化处理;步骤S3,将步骤S2中得到的图像进行双边滤波和边缘检测;步骤S4,从步骤S3中得到的图像提取候选直线;步骤S5,对步骤S4中得到的图像进行斜率和截距的聚类;步骤S6,根据步骤S5中得到的直线斜率计算电力作业梯子的角度。本发明在结合图像处理技术的基础上,充分挖掘了电力作业现场获取的梯子图像特征,有效规避了因光线强度、背景物等因素对电力作业梯子角度判断的干扰,快速准确的定位电力作业梯子的轮廓,从而实现电力作业梯子的角度检测。
Description
技术领域
本发明涉及智能检测技术领域,尤其指一种电子作业梯子角度检测方法。
背景技术
我们知道,生活中电力技术人员在进行电力施工、电力检修等作业时,通常需要一个电力作业梯子以便登高使用,为保证登梯作业人员的人身安全,电力作业梯子需要事先架设好。目前,电力作业梯子的角度大多是电力施工人员根据经验而定,此种方法虽简单易行,但通过主观经验来判断电力作业梯子的角度容易发生主观失误的情况,尤其是在地形较为复杂的施工现场中,由于电力施工人员的经验有限,凭借其主观经验来判断梯子角度往往不够精确。一旦电力施工人员判断梯子角度不准确,进而导致后续梯子的架设角度出现较大偏差,不能满足相应的风险管控要求,极有可能会诱发电力安全事故,造成极其严重的后果,这使得电力人员在进行高空作业时存在较为严重的安全隐患。
因此,考虑到电力安全作业的重要性以及在电力梯子作业过程中潜在的安全风险,亟需一种更为准确的电力作业梯子角度检测方法,用于监测梯子的作业状态,保障电力施工作业安全,有效避免施工现场的登高事故隐患。
发明内容
本发明所要解决的技术问题是提供一种电力作业梯子角度检测方法,该方法通过图像采集与处理的方式来实现电力作业梯子角度的自动检测,可以有效提高梯子角度检测的精度。
为了解决上述技术问题,本发明采用如下技术方法:一种电力作业梯子角度检测方法,包括:
步骤S1:获取施工现场电力作业梯子的图像;
步骤S2:从步骤S1中得到的图像截取目标区域,对所述目标区域进行灰度化处理;
步骤S3:将步骤S2中得到的图像进行双边滤波和边缘检测;
步骤S4:从步骤S3中得到的图像提取候选直线;
步骤S5:对步骤S4中得到的图像进行斜率和截距的聚类;
步骤S6:根据步骤S5中得到的直线斜率计算电力作业梯子的角度。
进一步地,在步骤S1中,所述图像为电力作业梯子两条斜边的正面拍摄图像;在步骤S2中,以步骤S1中得到的图像的中心为原点截取0.5倍高度和0.5倍宽度的局部区域为目标区域。
进一步地,在步骤S2中,对所述目标区域进行灰度化处理时,采用如下计算公式:
Gray=0.299×R+0.587×G+0.144×B (1)
其中,Gray为图像灰度值,R、G、B分别为红、绿、蓝三色通道的值,取值范围为[0,255]。
再进一步地,在步骤S3中,采用双边滤波的方式对步骤S2中得到的图像进行滤波处理,去除图像中的噪声点,得到保留电力作业梯子特征信息的滤波图像,所述双边滤波的滤波公式以及相应的模板权值w(i,j,k,l)的计算公式如下:
其中,(i,j)为目标像素邻域像素的位置坐标,f(i,j)为目标像素邻域像素的像素值,(k,l)为目标像素的位置坐标,f(k,l)为目标像素的像素值,g(k,l)为滤波后目标像素的像素值。wd(i,j,k,l)是由像素位置欧式距离决定的模板权值,wr(i,j,k,l)是由像素值的差值决定的模板权值,δd、δr为上述两个高斯函数的距离标准差和灰度标准差。
再进一步地,在步骤S3中,对步骤S2中得到的图像进行滤波处理后,采用Sobel算子对图像进行边缘检测并进行非极大值抑制,得到电力作业梯子的初始边缘图像。
优选地,在步骤S3中,采用Sobel算子对图像进行边缘检测并进行非极大值抑制时:
先采用Sobel算子进行边缘检测,在检测的过程中采用如下公式计算图像的灰度梯度:
其中,x和y分别是图像像素点的横坐标和纵坐标,G(x,y)为图像的灰色梯度,Gx为水平方向梯度,Gy为竖直方向梯度。
然后,保留相同梯度方向具有最大梯度幅值的像素点的梯度幅值,将相同梯度方向的其它像素点的梯度幅值置0,得到初始边缘图像。
最后,对所述初始边缘图像进行非极大值抑制以及双阈值检测,得到梯子区域边缘图像。
再优选地,在步骤S3中,在对所述初始边缘图像进行非极大值抑制以及双阈值检测时:
先通过预设的高阈值Th和低阈值Tl对非极大值抑制后的边缘图像进行检索,将灰度值大于高阈值Th的点均设置为1,记为“高阈值图像”;将灰度值大于低阈值Tl的点均设置为1,记为“低阈值图像”。
然后,获取高阈值图像上线条端点位置,在低阈值图像上检索同一位置及其邻域位置,从中筛选出将高阈值图像上的线条连成轮廓的边缘点Ei。
最后,将筛选出的所有边缘点Ei填补至高阈值图像中,输出边缘检测后的梯子图像。
更进一步地,在步骤S4中从所述图像中提取候选直线时:
先建立二维笛卡尔坐标系,将步骤S3输出图像中的每一个像素点(x,y)变换到极坐标空间,得到一个关于参数ρ和θ的二维数组,其中,ρ是直线到原点的垂直距离,θ是x轴到直线垂线的角度。
然后,寻找二维数组中具有相同值的(ρ,θ),并记录二维数组中每个相同(ρ,θ)及其对应的重复次数n。
接着,设定直线峰值判断阈值hp,保留当前参数空间中n>hp时对应的(ρ,θ)。
最后,根据二维数组中保留的(ρ,θ),分别采用如下公式计算其对应的拟合直线段的斜率k和截距b:
其中,ρ是直线到原点的垂直距离,θ是x轴与直线垂线的夹角,k是直线的斜率,b是直线在y轴上的截距。
更进一步地,在步骤S5中对所述图像进行斜率和截距的聚类时:
先设置约束条件,对步骤S4中得到的多条拟合直线段进行筛选,输出筛选后的各条拟合直线段的斜率和截距。
然后,根据筛选后的直线段集合,将直线段按照其斜率是否为正值进行分类,得到梯子每条边的直线段集合。
最后,根据输出的梯子每条边的直线段集合,采用k-means方法分别对各直线段的斜率和截距进行聚类,输出聚类后电力作业梯子两条边的斜率和截距。
优选地,在步骤S6中根据得到的直线斜率计算电力作业梯子的角度时:
先将步骤S5中得到的聚类后梯子两条边的斜率和截距设为(k1,b1),(k2,b2),然后根据下述公式(6)计算两条直线的夹角θ,最后,根据计算得到的直线夹角评估梯子作业的安全等级并进行电力作业的风险预警,按照梯子实际倾斜角与规定倾斜角的偏离程度,将梯子作业安全等级分为低风险、中风险、高风险,当梯子的倾斜角偏离设定的安全值时,发出作业预警信号,提醒作业人员及时调整,否则电力作业梯子角度处于安全状态。
本发明所涉电力作业梯子角度检测方法,在结合图像处理技术的基础上,充分挖掘了电力作业现场获取的梯子图像特征,有效规避了因光线强度、背景物等因素对电力作业梯子角度判断的干扰,能够快速准确的定位电力作业梯子的轮廓,从而实现电力作业梯子的角度检测,相比于传统的采用主观判断的方式来确定梯子的角度,本发明可以有效提高电力作业梯子角度检测的有效性及准确性,降低在电力作业过程中因梯子角度判断不准确而导致的梯子放置不合理给作业人员带来潜在安全风险的概率。另外,本发明所涉电力作业梯子角度检测方法成本投入低,对计算资源要求低,在监测电力梯子作业状态、及早发现施工现场安全事故隐患以及保障电力高空作业安全方面具有很强的操作性和实用性。
附图说明
图1是本发明所涉电力作业梯子角度检测方法的流程图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
一种电力作业梯子角度检测方法,包括以下步骤:
步骤S1:获取施工现场电力作业梯子的图像;
步骤S2:从步骤S1中得到的图像截取目标区域,对所述目标区域进行灰度化处理;
步骤S3:将步骤S2中得到的图像进行双边滤波和边缘检测;
步骤S4:从步骤S3中得到的图像提取候选直线;
步骤S5:对步骤S4中得到的图像进行斜率和截距的聚类;
步骤S6:根据步骤S5中得到的直线斜率计算电力作业梯子的角度。
为了便于本领域技术人员理解,下面对本实施例的具体流程作更详细的说明。
步骤S1:电力作业梯子图像的获取
在施工现场安装拍摄电力作业梯子的摄像头,根据电力作业梯子的位置调整好摄像头的角度,采集获取施工现场电力作业梯子两条斜边的正面拍摄的图像。
步骤S2:截取目标区域,对目标区域进行灰度化处理
将步骤S1中得到的图像发送至计算机或其他图像处理设备中进行接下来的步骤S2-S6的图像处理。在本实施例中,由于梯子前面包含墙面砖块的线条痕迹,会对梯子轮廓识别造成干扰,而梯子上面的墙壁又包含墙面裂痕等干扰信息,因此计算机或其他图像处理设备先将对得到的电力作业梯子图像设定目标区域,具体来说,设定的目标区域为以原始图像中心为原点截取的0.5倍高度和0.5倍宽度的局部区域。接着,采用如下计算公式对目标区域进行灰度化处理时:
Gray=0.299×R+0.587×G+0.144×B (1)
其中,Gray为图像灰度值,R、G、B分别为红、绿、蓝三色通道的值,取值范围为[0,255]。
在本实施例中,由于采集到的图像会受到环境光照、拍摄清晰度、设备老旧程度等影响,本步骤S2中对图像进行预处理将有利于更好地进行梯子轮廓识别和倾斜角度检测。
步骤S3:图像去噪及边缘细化
先采用双边滤波的方式对步骤S2中得到的图像进行滤波处理,去除图像中的噪声点,得到保留电力作业梯子特征信息的滤波图像,双边滤波的滤波公式以及相应的模板权值w(i,j,k,l)的计算公式如下:
其中,(i,j)为目标像素邻域像素的位置坐标,f(i,j)为目标像素邻域像素的像素值,(k,l)为目标像素的位置坐标,f(k,l)为目标像素的像素值,g(k,l)为滤波后目标像素的像素值。wd(i,j,k,l)是由像素位置欧式距离决定的模板权值,wr(i,j,k,l)是由像素值的差值决定的模板权值,δd、δr为上述两个高斯函数的距离标准差和灰度标准差。
在本实施例中,双边滤波中采用3*3的窗口,高斯函数距离标准差和灰度标准差均取5。为了避免由于拍摄的原始图片对比度不足,并且其中伴随大量随机噪声,后续特征提取不足,本步骤S3对图像进行双边滤波,通过考虑距离因素和像素值差异的影响,使其在去噪的同时,能很好的保留图像的特征信息。
接着,采用Sobel算子对滤波后的电力作业梯子图像进行边缘检测,在检测的过程中通过卷积模板计算图像的灰度梯度,灰色梯度的计算公式为:
其中,x和y分别是图像像素点的横坐标和纵坐标,G(x,y)为图像的灰色梯度,Gx为水平方向梯度,Gy为竖直方向梯度。
在本实施例中,对像素点f(x,y)3×3邻域灰度值标记为如表1所示,采用的卷积模板如表2、3所示。
表1灰度值标记
a<sub>1</sub> | a<sub>2</sub> | a<sub>3</sub> |
a<sub>4</sub> | f(x,y) | a<sub>5</sub> |
a<sub>6</sub> | a<sub>7</sub> | a<sub>8</sub> |
表2水平卷积模板
-1 | 0 | 1 |
-2 | 0 | 2 |
-1 | 0 | 1 |
表3竖直卷积模板
-1 | -2 | -1 |
0 | 0 | 0 |
1 | 2 | 1 |
然后,保留相同梯度方向具有最大梯度幅值的像素点的梯度幅值,将相同梯度方向的其它像素点的梯度幅值置0,得到初始边缘图像。
最后,对初始边缘图像进行非极大值抑制以及双阈值检测,具体来说,分为三个步骤:
1、通过预设的高阈值Th和低阈值Tl对非极大值抑制后的边缘图像进行检索,将灰度值大于高阈值Th的点均设置为1,记为“高阈值图像”;将灰度值大于低阈值Tl的点均设置为1,记为“低阈值图像”。
2、获取高阈值图像上线条端点位置,在低阈值图像上检索同一位置及其邻域位置,从中筛选出将高阈值图像上的线条连成轮廓的边缘点Ei。
3、将筛选出的所有边缘点Ei填补至高阈值图像中,输出边缘检测后的梯子图像。
在本实施例中,在采样率为0.3时,高、低阈值分别预设为0.9和0.5。通过对像素采取基于边缘梯度方向的非极大值抑制,能够保留局部梯度最大的点,以得到细化的边缘。基于双阈值对边缘进行检测和筛选,使得边缘尽可能闭合。步骤S3中的边缘检测具有良好的抑制噪声和精确定位边缘的能力,易于后续处理。
步骤S4:从图像中提取候选直线
先建立二维笛卡尔坐标系,将步骤S3输出图像中的每一个像素点(x,y)变换到极坐标空间,得到一个关于参数ρ和θ的二维数组,其中,ρ是直线到原点的垂直距离,θ是x轴到直线垂线的角度。
然后,寻找二维数组中具有相同值的(ρ,θ),并记录二维数组中每个相同(ρ,θ)及其对应的重复次数n。
接着,设定直线峰值判断阈值hp,保留当前参数空间中n>hp时对应的(ρ,θ)。
最后,根据二维数组中保留的(ρ,θ),分别采用如下公式计算其对应的拟合直线段的斜率k和截距b:
其中,ρ是直线到原点的垂直距离,θ是x轴与直线垂线的夹角,k是直线的斜率,b是直线在y轴上的截距。
步骤S5:对图像进行斜率和截距的聚类
先设置约束条件,对步骤S4中得到的多条拟合直线段进行筛选,输出筛选后的各条拟合直线段的斜率和截距。
在本实施例中,梯子轮廓线不是水平的或垂直的,其斜率对应的绝对值会约束于一个范围(kmin≤|k|≤kmax),因此将梯子两边斜率的绝对值限定为0.5≤|k|≤10。除此之外,设定直线段最小长度为80个单位长度,两条直线段之间最大距离不超过10个单位长度。
然后,根据筛选后的直线段集合,将直线段按照其斜率是否为正值进行分类,得到梯子每条边的直线段集合。
最后,根据输出的梯子每条边的直线段集合,采用k-means方法分别对各直线段的斜率和截距进行聚类,输出聚类后电力作业梯子两条边的斜率和截距。
在本实施例中,根据图像中梯子两条边的方向,梯子一条边斜率为正值,另一条边斜率为负值。按照斜率正负将直线段划分,分别得到每条边对应的直线段集合。针对每条边的直线段集合,采用k-means算法对斜率和截距进行聚类,得到聚类后梯子两条边的斜率和截距,便于后续的角度计算。
步骤S6:计算电力作业梯子的角度
先将步骤S5中得到的聚类后梯子两条边的斜率和截距设为(k1,b1),(k2,b2)。
然后计算两条直线的夹角θ,所述夹角θ的计算公式如下:
最后,根据计算得到的直线夹角评估梯子作业的安全等级并进行电力作业的风险预警,按照梯子实际倾斜角与规定倾斜角的偏离程度,将梯子作业安全等级分为低风险、中风险、高风险,当梯子作业等级处在中高风险时,作业人员将收到预警信号,提醒作业人员及时对梯子摆放位置进行调整,否则认为电力作业梯子角度处于安全状态。
本发明提供的一种电力作业梯子角度智能检测与风险预警方法,结合了图像处理与机器学习等先进技术,充分挖掘了电力作业现场获取的梯子图像的特征,能快速准确的定位电力作业梯子的轮廓,提高了电力作业梯子角度检测的有效性与准确性,有效降低了在电力作业过程中梯子放置不合理给作业人员带来的潜在安全风险。
上述实施例为本发明较佳的实现方案,除此之外,本发明还可以其它方式现实,在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处,本发明的一些附图和描述已经被简化,并且为了清楚起见,本申请文件还省略了一些其他元素,本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。
Claims (10)
1.一种电力作业梯子角度检测方法,其特征在于,包括:
步骤S1:获取施工现场电力作业梯子的图像;
步骤S2:从步骤S1中得到的图像截取目标区域,对所述目标区域进行灰度化处理;
步骤S3:将步骤S2中得到的图像进行双边滤波和边缘检测;
步骤S4:从步骤S3中得到的图像提取候选直线;
步骤S5:对步骤S4中得到的图像进行斜率和截距的聚类;
步骤S6:根据步骤S5中得到的直线斜率计算电力作业梯子的角度。
2.根据权利要求1所述的电力作业梯子角度检测方法,其特征在于:在步骤S1中,所述图像为电力作业梯子两条斜边的正面拍摄图像;在步骤S2中,以步骤S1中得到的图像的中心为原点截取0.5倍高度和0.5倍宽度的局部区域为目标区域。
3.根据权利要求2所述的电力作业梯子角度检测方法,其特征在于:在步骤S2中,对所述目标区域进行灰度化处理时,采用如下计算公式:
Gray=0.299×R+0.587×G+0.144×B (1)
其中,Gray为图像灰度值,R、G、B分别为红、绿、蓝三色通道的值,取值范围为[0,255]。
4.根据权利要求3所述的电力作业梯子角度检测方法,其特征在于:在步骤S3中,采用双边滤波的方式对步骤S2中得到的图像进行滤波处理,去除图像中的噪声点,得到保留电力作业梯子特征信息的滤波图像,所述双边滤波的滤波公式以及相应的模板权值w(i,j,k,l)的计算公式如下:
其中,(i,j)为目标像素邻域像素的位置坐标,f(i,j)为目标像素邻域像素的像素值,(k,l)为目标像素的位置坐标,f(k,l)为目标像素的像素值,g(k,l)为滤波后目标像素的像素值。wd(i,j,k,l)是由像素位置欧式距离决定的模板权值,wr(i,j,k,l)是由像素值的差值决定的模板权值,δd、δr为上述两个高斯函数的距离标准差和灰度标准差。
5.根据权利要求4所述的电力作业梯子角度检测方法,其特征在于:在步骤S3中,对步骤S2中得到的图像进行滤波处理后,采用Sobel算子对图像进行边缘检测并进行非极大值抑制,得到电力作业梯子的初始边缘图像。
7.根据权利要求6所述的电力作业梯子角度检测方法,其特征在于:在步骤S3中,在对所述初始边缘图像进行非极大值抑制以及双阈值检测时:
先通过预设的高阈值Th和低阈值Tl对非极大值抑制后的边缘图像进行检索,将灰度值大于高阈值Th的点均设置为1,记为“高阈值图像”;将灰度值大于低阈值Tl的点均设置为1,记为“低阈值图像”。
然后,获取高阈值图像上线条端点位置,在低阈值图像上检索同一位置及其邻域位置,从中筛选出将高阈值图像上的线条连成轮廓的边缘点Ei。
最后,将筛选出的所有边缘点Ei填补至高阈值图像中,输出边缘检测后的梯子图像。
8.根据权利要求7所述的电力作业梯子角度检测方法,其特征在于:在步骤S4中从所述图像中提取候选直线时:
先建立二维笛卡尔坐标系,将步骤S3输出图像中的每一个像素点(x,y)变换到极坐标空间,得到一个关于参数ρ和θ的二维数组,其中,ρ是直线到原点的垂直距离,θ是x轴到直线垂线的角度。
然后,寻找二维数组中具有相同值的(ρ,θ),并记录二维数组中每个相同(ρ,θ)及其对应的重复次数n。
接着,设定直线峰值判断阈值hp,保留当前参数空间中n>hp时对应的(ρ,θ)。
最后,根据二维数组中保留的(ρ,θ),分别采用如下公式计算其对应的拟合直线段的斜率k和截距b:
其中,ρ是直线到原点的垂直距离,θ是x轴与直线垂线的夹角,k是直线的斜率,b是直线在y轴上的截距。
9.根据权利要求8所述的电力作业梯子角度检测方法,其特征在于:在步骤S5中对所述图像进行斜率和截距的聚类时:
先设置约束条件,对步骤S4中得到的多条拟合直线段进行筛选,输出筛选后的各条拟合直线段的斜率和截距。
然后,根据筛选后的直线段集合,将直线段按照其斜率是否为正值进行分类,得到梯子每条边的直线段集合。
最后,根据输出的梯子每条边的直线段集合,采用k-means方法分别对各直线段的斜率和截距进行聚类,输出聚类后电力作业梯子两条边的斜率和截距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940852.9A CN113762276A (zh) | 2021-08-17 | 2021-08-17 | 一种电力作业梯子角度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940852.9A CN113762276A (zh) | 2021-08-17 | 2021-08-17 | 一种电力作业梯子角度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762276A true CN113762276A (zh) | 2021-12-07 |
Family
ID=78789638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940852.9A Pending CN113762276A (zh) | 2021-08-17 | 2021-08-17 | 一种电力作业梯子角度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762276A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843909A (zh) * | 2023-05-12 | 2023-10-03 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206724948U (zh) * | 2017-06-01 | 2017-12-08 | 华北电力大学(保定) | 电力作业梯子安全监测装置 |
CN109190473A (zh) * | 2018-07-29 | 2019-01-11 | 国网上海市电力公司 | 一种“机器视觉理解”在电力远程监控中的应用 |
US20200026930A1 (en) * | 2018-07-20 | 2020-01-23 | Boe Technology Group Co., Ltd. | Lane line detection method and apparatus |
CN111476804A (zh) * | 2020-05-15 | 2020-07-31 | 天地(常州)自动化股份有限公司 | 托辊图像高效分割方法、装置、设备及存储介质 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
CN112131951A (zh) * | 2020-08-26 | 2020-12-25 | 中通服咨询设计研究院有限公司 | 一种自动化识别施工中违规使用梯子行为的系统 |
-
2021
- 2021-08-17 CN CN202110940852.9A patent/CN113762276A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206724948U (zh) * | 2017-06-01 | 2017-12-08 | 华北电力大学(保定) | 电力作业梯子安全监测装置 |
US20200026930A1 (en) * | 2018-07-20 | 2020-01-23 | Boe Technology Group Co., Ltd. | Lane line detection method and apparatus |
CN109190473A (zh) * | 2018-07-29 | 2019-01-11 | 国网上海市电力公司 | 一种“机器视觉理解”在电力远程监控中的应用 |
CN111476804A (zh) * | 2020-05-15 | 2020-07-31 | 天地(常州)自动化股份有限公司 | 托辊图像高效分割方法、装置、设备及存储介质 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
CN112131951A (zh) * | 2020-08-26 | 2020-12-25 | 中通服咨询设计研究院有限公司 | 一种自动化识别施工中违规使用梯子行为的系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843909A (zh) * | 2023-05-12 | 2023-10-03 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
CN116843909B (zh) * | 2023-05-12 | 2024-03-08 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3196853A1 (en) | Machine vision-based method and system for aircraft docking guidance and aircraft type identification | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN104506857A (zh) | 一种摄像头位置偏离检测方法及设备 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN111047624A (zh) | 图像弱小目标检测方法、装置、设备及存储介质 | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN113762276A (zh) | 一种电力作业梯子角度检测方法 | |
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 | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN109446896B (zh) | 基于图像处理的无人机信号识别检测算法 | |
CN117115196B (zh) | 一种切割机刀具磨损视觉检测方法及系统 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN116862881A (zh) | 基于图像处理的多目标实时偏移检测方法 | |
CN110516725A (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
AU2021106502A4 (en) | A Blasting Pile Measurement And Statistics Method For Open-pit Mines Based On UAV Technology | |
CN114140417A (zh) | 一种基于机器视觉的香烟滤棒识别方法及系统 | |
CN109377482A (zh) | 一种基于点云数据的轮胎胎角性质检测方法 | |
CN110322508B (zh) | 一种基于计算机视觉的辅助定位方法 |
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 |