CN114037895A - 一种无人机杆塔巡检图像识别方法 - Google Patents

一种无人机杆塔巡检图像识别方法 Download PDF

Info

Publication number
CN114037895A
CN114037895A CN202111316806.8A CN202111316806A CN114037895A CN 114037895 A CN114037895 A CN 114037895A CN 202111316806 A CN202111316806 A CN 202111316806A CN 114037895 A CN114037895 A CN 114037895A
Authority
CN
China
Prior art keywords
tower
aerial vehicle
unmanned aerial
network
image
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
Application number
CN202111316806.8A
Other languages
English (en)
Inventor
曹刚
刘勇
杨琳
梅浩
张绍川
易伟
陈亮
汪俊宇
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 Sichuan Electric Power Co Ltd
Original Assignee
State Grid Sichuan 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 Sichuan Electric Power Co Ltd filed Critical State Grid Sichuan Electric Power Co Ltd
Priority to CN202111316806.8A priority Critical patent/CN114037895A/zh
Publication of CN114037895A publication Critical patent/CN114037895A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (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)

Abstract

本发明提供一种无人机杆塔巡检图像识别方法，包括：采集所述无人机杆塔的图像信息，优化卷积神经网络与分类网络；构建输电线路图像特征提取网络；基于输电线路巡检图像数据库，构建区域提取网络与分类网络，待所述区域提取网络与所述分类网络均匀连接在所述特征提取网络之后，优化所述区域提取网络与所述分类网络；只进行一次所述特征提取，融合所述特征提取网络、所述区域提取网络与所述分类网络，完成输电线路不见检测流程。通过应用RTK差分定位技术对无人机的定位精度进行了修正,确保巡检对象的画面在照片中的位置不会出现明显偏差.在后续每次作业中,无人机只需调用已建立的航线,即可自动精准完成对杆塔的精细巡检,有效减少人工重复劳动。

Description

一种无人机杆塔巡检图像识别方法
技术领域
本发明属于计算机视觉与人工智能处理技术领域，特别是涉及无人机杆塔巡检图像识别方法。
背景技术
随着超高压、特高压线路的快速发展，为日常巡检工作提出了严峻挑战，因此无人机作为一种高效的巡检方式被应用到日常巡检中，但是在无人机巡检的过程中，通常需要工作人员完成巡检任务，这种巡检模式对于操作人员的操作技能要求高并且劳动强度很大，同时存在操控受通讯延迟的影响，而且采集信息效果不佳。
发明内容
本发明的目的在于提供一种基于权值剪枝量化的图像识别方法，因此，可以通过应用RTK差分定位技术对无人机的定位精度进行了修正,确保巡检对象的画面在照片中的位置不会出现明显偏差。在后续每次作业中，无人机只需调用已建立的航线,即可自动精准完成对杆塔的精细巡检,有效减少了人工重复劳动。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明提供一种无人机杆塔巡检图像识别方法，其包括：
精细巡检无人机杆塔，依据拍照指令记录各个数据参数，根据所述各个数据参数设定并建立安全策略；
采集所述无人机杆塔的图像信息，优化卷积神经网络与分类网络，用以识别杆塔上的部件；
构建输电线路图像特征提取网络；
基于输电线路巡检图像数据库，构建区域提取网络与分类网络，待所述区域提取网络与所述分类网络均匀连接在所述特征提取网络之后，优化所述区域提取网络与所述分类网络；
只进行一次所述特征提取，融合所述特征提取网络、所述区域提取网络与所述分类网络，完成输电线路不见检测流程。
在本发明的一个实施例中，所述精细巡检杆塔还包括：采集并记录当前巡检点位的飞行数据及任务设备参数。
在本发明的一个实施例中，所述采集所述无人机杆塔的图像信息，优化卷积神经网络与分类网络，用以识别杆塔上的部件的步骤还包括：
调用预先建立的精准航线，自动完成对杆塔的精细巡检；
当无人机巡检系统沿规划的航迹路线到达悬停点时，对所述杆塔进行粗略定位。
在本发明的一个实施例中，述构建区域提取网络与分类网络还包括：
选择性搜索算法流程；
依据所述选择性搜索算法流程获得各区域之间相似度的计算，利用所述各区域之间相似度的计算对初始区域进行合并操作，使得最后得到的区域数目相对较少，且使得完整的目标被包含于其中的某些区域内。
在本发明的一个实施例中，所述当无人机巡检系统沿规划的航迹路线到达悬停点时，对所述杆塔进行粗略定位的步骤还包括：应用RTK差分定位技术对GNSS定位、导航进行修正。
在本发明的一个实施例中，人工对搭载云台设备的无人机设定航行方向，对无人机前方输电线路进行拍照，得到第一图像，对所述第一图像预处理后使用所构建的卷积神经网络提取电力杆塔的特征，识别出所述第一图像中所有电力杆塔位置并依次编号；
无人机向选取的目标电力杆塔航行并摄录视频，按照一定时间间隔从摄录的视频中提取关键帧图像，通过所述卷积神经网络对所述关键帧图像进行识别，并对识别出的所述目标电力杆塔进行框选标记及比对，判断无人机与所述目标电力杆塔的距离；
所述关键帧图像中的目标电力杆塔高度超过一定比例时，通过所述卷积神经网络对目标电力杆塔上的关键点进行识别以判断无人机相对于所述；目标电力杆塔的角度与距离；
根据上述步骤中所得到的无人机与所述目标电力杆塔的距离及角度数据，无人机移动至与连接电力杆塔的输电线相垂直的方向后，使无人机高于所述目标电力杆塔并对其一侧的关键点拍摄，对所述目标电力杆塔的一侧进行拍摄后，无人机调整位置对所述目标电力杆塔的另一侧关键点进行拍摄，之后，无人机将按照编号依次选取电力杆塔进行巡检。
在本发明的一个实施例中，所述构建输电线路图像特征提取网络包括：
获得第一图像，并对其进行预处理；
所述卷积神经网络对预处理后的第一图像进行图像分割，使用边界框对电力杆塔的特征进行框选，边界框所含参数包括电力杆塔在边界框中的概率以及置信度；
使用所述卷积神经网络输出目标检测结果，通过非极大值抑制筛选出最优选框，得到电力杆塔位置。
在本发明的一个实施例中，当所述关键帧图像中的目标电力杆塔高度超过三分之二时，通过所述卷积神经网络对目标电力杆塔上的关键点进行识别以判断无人机相对于目标电力杆塔的角度与距离。
在本发明的一个实施例中，所述卷积神经网络包括依次连接的第一卷积层、特征提取层、多个卷积层，所述特征提取层包括VBL层、Resn层、池化层，所述VBL层包括 VGG卷积层、Batch Normalization以及Leaky relu。
在本发明的一个实施例中，判断无人机与所述目标电力杆塔的距离通过使用梯度搜索进行轮廓推演方法或通过状态空间模型对目标轮廓的形状及运动状态进行建模方法之中的一种。
本发明通过在无人机首次巡检杆塔的拍照瞬间,通过自动巡检软件记录各巡检点位的无人机飞行数据和任务设备参数,由此建立杆塔自动巡检航线.通过应用RTK差分定位技术对无人机的定位精度进行了修正,确保巡检对象的画面在照片中的位置不会出现明显偏差.在后续每次作业中,无人机只需调用已建立的航线,即可自动精准完成对杆塔的精细巡检,有效减少了人工重复劳动。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为无人机杆塔巡检图像识别方法的步骤流程S1～S5。
图2为无人机杆塔巡检图像识别方法的步骤S1中的步骤S11～S13。
图3为无人机杆塔巡检图像识别方法的步骤S2中的步骤S21～S25。
图4为无人机杆塔巡检图像识别方法的步骤S3中的步骤S31～S34。
图5为无人机杆塔巡检图像识别方法的步骤S4中的步骤S41～S43。
图6为无人机杆塔巡检图像识别方法的步骤S5中的步骤S51～S52。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
前期由技术娴熟的作业人员操控无人机巡检系统，对杆塔进行一次精细巡检，作业人员每次触发拍照指令，自动巡检软件即刻记录当前巡检点位的飞行数据和任务设备参数，并考虑无人机由起降点飞抵杆塔和拍照完成返航着陆所需的辅助航点，设定安全策略，建立。为了保证每个航点无人机方位的准确性，应用RTK差分定位技术对GNSS定位、导航进行修正。后续在户外作业时，作业人员发出“执行”指令，无人机即可调用预先建立的精准航线，自动完成对杆塔的精细巡检。
当无人机巡检系统沿规划的航迹路线到达悬停点时，对杆塔进行粗定位，然后再将数据采集设备对准杆塔目标，获取杆塔图像信息，再对卷积神经网络与分类网络的损失进行优化改进，利用改进的卷积申请网络算法识别杆塔上的部件。
构建输电线路图像特征提取网络，基于输电线路巡检图像数据库，构建区域提取网络与分类网络，在区域提取网络与分类网络均连接在特征提取网络之后，对区域提取网络和分类网络的损失进行优化。再通过融合特征提取网络、区域提取网络与分类网络，完成输电线路不见检测流程，检测过程中只进行一次特征提取，区域提取网络快速获取到目标可能的位置信息，再利用分类网络对目标类别进行分类。
请参阅图1所示，本发明提供了，其步骤包括：
S1、精细巡检无人机杆塔，依据拍照指令记录各个数据参数，根据所述各个数据参数设定并建立安全策略；
S2、采集所述无人机杆塔的图像信息，优化卷积神经网络与分类网络，用以识别杆塔上的部件；
S3、构建输电线路图像特征提取网络；
S4、基于输电线路巡检图像数据库，构建区域提取网络与分类网络，待所述区域提取网络与所述分类网络均匀连接在所述特征提取网络之后，优化所述区域提取网络与所述分类网络；
S5、只进行一次所述特征提取，融合所述特征提取网络、所述区域提取网络与所述分类网络，完成输电线路不见检测流程。
请参考图2，在步骤S1的过程中，还包括如下步骤，S11、获得第一图像，并对其进行预处理；人工对搭载云台设备的无人机设定航行方向，对无人机前方输电线路进行高分辨率的全景拍照，得到第一图像，对第一图像预处理后使用所构建的卷积神经网络提取电力杆塔的特征，识别并框选出第一图像中所有电力杆塔位置并根据人工设置的航行方向对电力杆塔按照所占像素大小依次编号；使用高分辨率全景拍照，是由于远距离拍摄下，画面之中难免出现树木与丘陵，如果图像信息不够丰富，便会导致特征点提取较少，在分类时导致分类不准确的问题发生。对图像进行预处理时，根据天气光照等参数设定阈值，降低环境噪声；考虑到由于角度不同，输电线路中电力杆塔可能出现叠加情况，因此无人机起飞时的航行方向尽量不要与输电线路方向平行；通过无人机识别后的电力杆塔编号可以人为给定，如果没有给定，无人机将按照默认设置，向航行方向上最近的电力杆塔目标飞近。
S12、所述卷积神经网络对预处理后的第一图像进行图像分割，使用边界框对电力杆塔的特征进行框选，边界框所含参数包括电力杆塔在边界框中的概率以及置信度。无人机向选取的目标电力杆塔航行并摄录视频，通过调整无人机，使目标电力杆塔逐渐移动到画面中心位置；将视频以帧为单位进行切分，按照一定时间间隔从摄录的视频中提取关键帧图像，将关键帧图像转换为灰度图，降低图像数据维度，之后进行边缘点提取，将关键像素保留，最大化降低计算量；通过卷积神经网络对关键帧图像进行识别，并对识别出的目标电力杆塔进行框选标记及比对，通过从上一关键帧图像的电力杆塔轮廓位置与当前关键帧图像中的位置进行比较，对当前关键帧图像和上一关键帧图像的目标轮廓的重叠部分进行计算，以此判断无人机与目标电力杆塔的距离。
S13、使用所述卷积神经网络输出目标检测结果，通过非极大值抑制筛选出最优选框，得到电力杆塔位置。当关键帧图像中的目标电力杆塔高度超过一定比例时，此比例最优设定为四分之三，采用电力杆塔关键部位识别方法，即通过卷积神经网络对目标电力杆塔上的关键点进行识别以判断无人机相对于目标电力杆塔的角度与距离，此方法将目标检测从电力杆塔转移为目标电力杆塔上的关键点进行识别，从单目标识别转为多目标识别，将目标电力杆塔中的关键点进行分割，通过多个分割位置，判断无人机相对于目标电力杆塔的角度与距离，同时启用无人机上搭载的双目测距功能对无人机飞行进行辅助。关键点可以包括：绝缘子、电缆挂点、塔尖、塔翼等。
请参考图3，在步骤S2中包括：S21、输入聚类的个数K和数据样本n；S22、初始化K个聚类中心；S23、分配各个数据对象到距离最近的类中；S24、重新计算各个聚类的中心；S25、判断误差平方和准则函数是否收敛，如果是，则输出聚类结果，如果否，则回溯S22步骤进行重新分配，执行S23～S25步骤，直至输出聚类结果。
请参考图4，在步骤S3中包括：S31、生成若干个初始区域。其中，初始区域的表达式为R＝{r1，r2，r3…，rn}。S32、计算集合R中各个区域与其相邻区域在颜色、纹理、尺寸和交叠关系的相似度，得到一个相似程度集合。相似程度集合表达式为S＝{S(ri， rj)}；S33、找到集合S的最大的值以及其对应的两个区域(rm，rn)，将上述两区域合并得到区域rnew＝rmUrn，再取出相似程度集合S中与rm和rn有关联的元素，并添加rnew与其相邻区域的相似程度参数，同时将rnew添加到区域集合R中；S34、重复步骤S33，到相似度集合中没有元素为止。其中，区域集合R中的子集就是通过算法得到的分割区域的区域，R中区域的外接举行就是我们想得到的候选区域。
请参考图5，在步骤S4中包括：S41、首先构造了标准的训练集和测试集图库。S42、选取其中的部分正样本和部分负样本当做训练集，并对这些训练集利用SITF-BOW模型进行描述，得到相应的K维向量，得到的向量进行标记后送入SVM，完成SVM分类器的训练。S43、将剩余的图像样本作为测试集，用于测试方法的效果。
请参考图6，在步骤S5中包括：S51、将预处理的第一图像输入第一卷积层，得到第一特征图，其功能主要是将分辨率符合预设分辨率的待检测的第一图像输入第一卷积层，得到第一特征图。特征提取层如Conv_layers 1由VBL层、Resn层、池化层组成，其中VBL层主要由VGG卷积成、BatchNormalization以及Leaky relu层组成。Resn层主要为ResNET网络的残差结构，其中n代表层数。在特征提取层之后连接多个卷积，如图4中的CONV_layers2、CONV_layers3等，以此来生成不同尺度的特征图。S52、之后在这些特征图之上构造不同尺度和大小的边界框，分别进行检测和分类，生成多个初步符合件的边界框。边界框包含位置属性，以及对于目标识别正确的概率与置信度。由于在对电力杆塔识别时，只对单一目标进行识别，边界框所含目标可能性与置信度参数维度均设置为1。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种无人机杆塔巡检图像识别方法，其特征在于，其包括：
精细巡检无人机杆塔，依据拍照指令记录各个数据参数，根据所述各个数据参数设定并建立安全策略；
采集所述无人机杆塔的图像信息，优化卷积神经网络与分类网络，用以识别杆塔上的部件；
构建输电线路图像特征提取网络；
基于输电线路巡检图像数据库，构建区域提取网络与分类网络，待所述区域提取网络与所述分类网络均匀连接在所述特征提取网络之后，优化所述区域提取网络与所述分类网络；
只进行一次所述特征提取，融合所述特征提取网络、所述区域提取网络与所述分类网络，完成输电线路不见检测流程。
2.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，所述精细巡检杆塔还包括：采集并记录当前巡检点位的飞行数据及任务设备参数。
3.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，所述采集所述无人机杆塔的图像信息，优化卷积神经网络与分类网络，用以识别杆塔上的部件的步骤还包括：
调用预先建立的精准航线，自动完成对杆塔的精细巡检；
当无人机巡检系统沿规划的航迹路线到达悬停点时，对所述杆塔进行粗略定位。
4.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，所述构建区域提取网络与分类网络还包括：
选择性搜索算法流程；
依据所述选择性搜索算法流程获得各区域之间相似度的计算，利用所述各区域之间相似度的计算对初始区域进行合并操作，使得最后得到的区域数目相对较少，且使得完整的目标被包含于其中的某些区域内。
5.根据权利要求3所述无人机杆塔巡检图像识别方法，其特征在于，所述当无人机巡检系统沿规划的航迹路线到达悬停点时，对所述杆塔进行粗略定位的步骤还包括：应用RTK差分定位技术对GNSS定位、导航进行修正。
6.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，还包括：
人工对搭载云台设备的无人机设定航行方向，对无人机前方输电线路进行拍照，得到第一图像，对所述第一图像预处理后使用所构建的卷积神经网络提取电力杆塔的特征，识别出所述第一图像中所有电力杆塔位置并依次编号；
无人机向选取的目标电力杆塔航行并摄录视频，按照一定时间间隔从摄录的视频中提取关键帧图像，通过所述卷积神经网络对所述关键帧图像进行识别，并对识别出的所述目标电力杆塔进行框选标记及比对，判断无人机与所述目标电力杆塔的距离；
所述关键帧图像中的目标电力杆塔高度超过一定比例时，通过所述卷积神经网络对目标电力杆塔上的关键点进行识别以判断无人机相对于所述；目标电力杆塔的角度与距离；
根据上述步骤中所得到的无人机与所述目标电力杆塔的距离及角度数据，无人机移动至与连接电力杆塔的输电线相垂直的方向后，使无人机高于所述目标电力杆塔并对其一侧的关键点拍摄，对所述目标电力杆塔的一侧进行拍摄后，无人机调整位置对所述目标电力杆塔的另一侧关键点进行拍摄，之后，无人机将按照编号依次选取电力杆塔进行巡检。
7.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，所述构建输电线路图像特征提取网络包括：
获得第一图像，并对其进行预处理；
所述卷积神经网络对预处理后的第一图像进行图像分割，使用边界框对电力杆塔的特征进行框选，边界框所含参数包括电力杆塔在边界框中的概率以及置信度；
使用所述卷积神经网络输出目标检测结果，通过非极大值抑制筛选出最优选框，得到电力杆塔位置。
8.根据权利要求6所述无人机杆塔巡检图像识别方法，其特征在于，当所述关键帧图像中的目标电力杆塔高度超过三分之二时，通过所述卷积神经网络对目标电力杆塔上的关键点进行识别以判断无人机相对于目标电力杆塔的角度与距离。
9.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，所述卷积神经网络包括依次连接的第一卷积层、特征提取层、多个卷积层，所述特征提取层包括VBL层、Resn层、池化层，所述VBL层包括VGG卷积层、Batch Normalization以及Leaky relu。
10.根据权利要求1所述无人机杆塔巡检图像识别方法，其特征在于，判断无人机与所述目标电力杆塔的距离通过使用梯度搜索进行轮廓推演方法或通过状态空间模型对目标轮廓的形状及运动状态进行建模方法之中的一种。
CN202111316806.8A 2021-11-09 2021-11-09 一种无人机杆塔巡检图像识别方法 Pending CN114037895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316806.8A CN114037895A (zh) 2021-11-09 2021-11-09 一种无人机杆塔巡检图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316806.8A CN114037895A (zh) 2021-11-09 2021-11-09 一种无人机杆塔巡检图像识别方法

Publications (1)

Publication Number Publication Date
CN114037895A true CN114037895A (zh) 2022-02-11

Family

ID=80136777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316806.8A Pending CN114037895A (zh) 2021-11-09 2021-11-09 一种无人机杆塔巡检图像识别方法

Country Status (1)

Country Link
CN (1) CN114037895A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677859A (zh) * 2022-03-23 2022-06-28 广州中科云图智能科技有限公司 无人机航线自动校正方法和装置
CN117974658A (zh) * 2024-03-29 2024-05-03 深圳市明谋科技有限公司 基于图像处理的线缆异常识别方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677859A (zh) * 2022-03-23 2022-06-28 广州中科云图智能科技有限公司 无人机航线自动校正方法和装置
CN117974658A (zh) * 2024-03-29 2024-05-03 深圳市明谋科技有限公司 基于图像处理的线缆异常识别方法及系统
CN117974658B (zh) * 2024-03-29 2024-06-11 深圳市明谋科技有限公司 基于图像处理的线缆异常识别方法及系统

Similar Documents

Publication Publication Date Title
CN111353413A (zh) 一种输电设备低漏报率缺陷识别方法
CN111784685A (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN112884931A (zh) 一种用于变电站的无人机巡检方法及系统
CN113298035A (zh) 基于图像识别的无人机电力杆塔检测及自主巡航方法
CN111914642B (zh) 一种行人重识别方法、装置、设备及介质
CN114281093B (zh) 一种基于无人机电力巡检的缺陷检测系统及方法
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
CN108961276B (zh) 基于视觉伺服的配电线路巡检数据自动采集方法及系统
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN114035606A (zh) 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质
CN116012728A (zh) 应用于无人机巡检的轨道线路识别跟踪方法及系统
CN114020039A (zh) 无人机巡检杆塔自动对焦系统及方法
CN111738264A (zh) 一种机房设备显示面板数据的智能采集方法
CN111950524A (zh) 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统
CN115797397B (zh) 一种机器人全天候自主跟随目标人员的方法及系统
CN113034598B (zh) 一种基于深度学习的无人机电力巡线方法
CN115661694A (zh) 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备
CN115297303A (zh) 适用于电网输变电设备的图像数据采集处理方法及装置
CN112257514B (zh) 一种用于设备故障巡检的红外视觉智检的拍摄方法
CN111046861B (zh) 识别红外影像的方法、构建识别模型的方法及应用
CN111738088B (zh) 一种基于单目摄像头的行人距离预测方法
CN113642430A (zh) 基于VGG+NetVLAD的地下停车场高精度视觉定位方法及系统
CN112232132A (zh) 一种融合导航信息的目标识别定位方法
CN111640071A (zh) 基于卷积神经网络修复帧差法获取全景前景目标的方法
CN111062298A (zh) 配电网电力设备目标识别方法和系统

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