CN114241386A - 一种基于实时视频流的输电线路隐患检测与识别的方法 - Google Patents
一种基于实时视频流的输电线路隐患检测与识别的方法 Download PDFInfo
- Publication number
- CN114241386A CN114241386A CN202111574544.5A CN202111574544A CN114241386A CN 114241386 A CN114241386 A CN 114241386A CN 202111574544 A CN202111574544 A CN 202111574544A CN 114241386 A CN114241386 A CN 114241386A
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- real
- target
- transmission line
- power transmission
- 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 37
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于实时视频流的输电线路隐患检测与识别的方法，包括控制摄像头按预定的巡检计划转动，对目标区域进行采样，获取实时数据流，然后对获取的数据流进行AI分析，设别否存在隐患目标，将识别结果及图片传回控制后台进行web页面展示，其中，通过控制摄像头按预定的巡检计划转动，在摄像头视域范围较大或目标成像区域较小的情况下，实现输电线路隐患目标的实时监测与识别，对输电线路隐患检测有较好的实时识别，以及具有较高的准确率和召回率，并在识别过程中，通过后台管理人员根据其帧来进行摄像头控制角度及焦距设置，并通过边缘网关下发控制指令，确保拍摄的图片是较好的状态时，降低边缘网关功耗。
Description
技术领域
本发明涉及输电线路隐患检测与识别技术领域，具体为一种基于实时视频流的输电线路隐患检测与识别的方法。
背景技术
输电线路巡检近些年来发展非常迅猛，其巡检业务每年都是通过安排人员去爬山涉水进行人工巡检，巡检效率十分低下；因此，要借助最新的人工智能技术对输电线路隐患进行实时检测以代替繁重的人工巡检任务。
近年来，根据应用场合、技术方法等方面的不同，研究员们提出了多种实时目标检测方法，这些方法一方面要适应环境和自身的变化，另一方面要考虑到检测的准确性与实时性，目前，视频领域目标检测有如下基本方法：基于跟踪的方法、光流法和3D卷积，此外还有特征匹配法等等；在一些摄像头检测视域范围较大的场景下，由于目标在画面中成像区域较小且干扰噪声大，导致难以实现对目标的检测，尤其在画面模糊的场景中误检率高，同时特征点数量不够，目标类型的很难识别，因此急需一种基于实时视频流的输电线路隐患检测与识别的方法来解决上述问题。
发明内容
本发明提供一种基于实时视频流的输电线路隐患检测与识别的方法，可配合巡检任务在摄像头视域范围较大或目标成像区域较小的情况下，实现输电线路隐患目标的实时监测与识别，且具有较高的准确性和实时性。
为实现上述目的，本发明提供如下技术方案：一种基于实时视频流的输电线路隐患检测与识别的方法，包括如下步骤：
S1、控制摄像头按预定的巡检计划转动，对目标区域进行采样，获取实时数据流；
S2、对获取的数据流进行AI分析，设别否存在隐患目标：
若存在，则识别出当前隐患类别，输出检测和识别结果保存到本地目录；
若不存在，延时等待，并在等待过程中继续获取视频流检测当前视频帧，在延时等待结束后对下一个目标区域进行采样；
S3、将识别结果及图片传回控制后台进行web页面展示。
进一步优选的，在步骤S1中，采用边缘网关下发指令，通过HTTP协议读取摄像头实时数据流。
进一步优选的，从摄像头获得视频帧序列之后，选择第一帧为背景帧，同时后台管理人员根据其帧来进行摄像头控制角度及焦距设置，并通过边缘网关下发控制指令。
进一步优选的，在步骤S2中，截取当前区域图像后，将截取的图片输入深度神经网络模型来识别隐患目标类别以及隐患位置坐标，其中，所述深度神经网络模型识别目标类别的步骤包括：
1)、对图像进行预处理后输入至深度学习网络模型中，经过多个卷积、池化、上采样、下采样和特征拼接操作，将图像映射到高维特征空间；
2)、采用特征提取网络获得图像中每个目标的特征信息，其中，特征提取网络通过不同的深度卷积以及差残模块提取不同层次的特征；
3)、预测输出，通过分类和回归算法得到每一个隐患类别及位置信息。
进一步优选的，在初始化卷据中依次包括Focus模块、3×3×64的卷积a、Swish激活函数、3×3×128的卷积b、split模块，其中，待处理图像首先经过Focus模块将图片进行切片，通过3×3×64的卷积a进行上采样得到特征图，然后经过激活函数Swish处理再经过3×3×128的卷积b提取特征作为下一级网络输入。
进一步优选的，特征提取网络由10-30个残差卷积模块组成，预设数量的残差卷积之间均连接一个1×1×64的卷积c进行下采样，每个残差卷积模块从输入到输出依次为1*1*64卷积c、激活函数Swish、1×1×128的卷积d、激活函数Swish、图像特征值相加。
进一步优选的，在特征提取网络中，利用深层特征通过空间金字塔池化CSP之后，与浅层特征一起经过路径聚合网络FPN、PAN进行特征融合。
进一步优选的，在预测输出时，采用GIOU_Loss损失函数获得隐患目标的类别、置信度和目标框的坐标，输出的信息为目标框的在图片中的坐标，包括物体四个点的x、y值，隐患目标的的类别及预测概率。
进一步优选的，进行三个尺度的预测，并取三个尺度的特征图，经过FPN和PAN之后，将三个尺度的特征输入到检测模块进行回归和分类得到输出结果，其中，检测模块由3个残差模块加上固定通道数的卷积构成。
进一步优选的，当检测到目标的概率大于设定阈值时，其中阈值设定为0.1～0.25之间，即当前像素点位属于待检测目标的可能性大于设定值，则保留该结果，并对目标框进行非极大值抑制筛选去重，确定该位置处交并比IoU最大的目标框，最后将该目标框及其置信度作为最终结果输出并显示。
与现有技术相比，本发明针对现有技术中目标在画面中成像区域较小且干扰噪声大，导致难以实现对目标的检测，误检率高的问题，通过控制摄像头按预定的巡检计划转动，在摄像头视域范围较大或目标成像区域较小的情况下，实现输电线路隐患目标的实时监测与识别，对输电线路隐患检测有较好的实时识别，以及具有较高的准确率和召回率。
本发明中采用了两阶段，第一阶段通过后台管理人员根据其帧来进行摄像头控制角度及焦距设置，并通过边缘网关下发控制指令，确保拍摄的图片是较好的状态时，再进入第二阶段的深度学习网络检测识别过程，降低边缘网关功耗。
本发明中在小目标检测与识别问题中，利用深层特征通过空间金字塔池化CSP之后，与浅层特征一起经过路径聚合网络FPN、PAN进行特征融合，充分保留了足够丰富的小目标特征信息，并在预测时，使用到GIOU_Loss损失函数，在计算量不变的情况下可以有效的改进边框贴合度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明输电线路隐患检测与识别的方法流程图；
图2是本发明输入深度神经网络识别流程图；
图3是本发明残存卷积模块图；
图4是本发明的FPN和PAN结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图所示，一种基于实时视频流的输电线路隐患检测与识别的方法，包括如下步骤：
S1、首先根据用户需求，制定巡检计划，然后根据所制定的巡检计划控制摄像头进行转动至指定位置，从而对目标区域进行采样，采用边缘网关下发指令，通过HTTP协议读取摄像头实时数据流，从而获取实时数据流；
其中，通过从摄像头获得视频帧序列之后，选择第一帧为背景帧，同时后台管理人员根据其帧来进行摄像头控制角度及焦距设置，并通过边缘网关下发控制指令，确保拍摄的图片是较好的状态时，降低边缘网关功耗；
S2、对获取的数据流进行AI分析，设别否存在隐患目标：
若存在，则识别出当前隐患类别，输出检测和识别结果保存到本地目录；
若不存在，延时等待，并在等待过程中继续获取视频流检测当前视频帧，在延时结束后还未发现目标，则对下一个目标区域进行采样，即控制摄像头转动至下一个预定制位置；
在识别过程中，截取当前区域图像后，将截取的图片输入深度神经网络模型来识别隐患目标类别以及隐患位置坐标，其中，深度神经网络模型识别目标类别的步骤包括：
1)、对图像进行预处理，即将图片缩放至640*640分辨率，并进行归一化处理，将处理后的图像输入至深度学习网络模型中，经过多个卷积、池化、上采样、下采样和特征拼接操作，将图像映射到高维特征空间；
其中，在初始化卷据中依次包括Focus模块、3×3×64的卷积a、Swish激活函数、3×3×128的卷积b、split模块，其中，待处理图像首先经过Focus模块将图片进行切片，通过3×3×64的卷积a进行上采样得到特征图，然后经过激活函数Swish处理再经过3×3×128的卷积b提取特征作为下一级网络输入；
2)、采用特征提取网络获得图像中每个目标的特征信息，其中，特征提取网络通过不同的深度卷积以及差残模块提取不同层次的特征，浅层特征有利于小目标检测，深层特征有利于目标识别；
其中，本实施例中，特征提取网络由10-30个残差卷积模块组成，预设数量的残差卷积之间均连接一个1×1×64的卷积c进行下采样，每个残差卷积模块从输入到输出依次为1*1*64卷积c、激活函数Swish、1×1×128的卷积d、激活函数Swish、图像特征值相加，通过残差卷积的级联，可以提取更高层的图像特征，在特征提取时，利用深层特征通过空间金字塔池化CSP之后，与浅层特征一起经过路径聚合网络FPN、PAN进行特征融合，其主要作用是通过多层次特征学习提升目标检测与识别精度，特别是小目标的检测与识别；
3)、预测输出，通过分类和回归算法得到每一个隐患类别及位置信息；
其中，通过sofmax函数，特别的在边框回归预测时，使用到GIOU_Loss损失函数，得到隐患目标的类别、置信度和目标框的坐标；输出具体信息为目标框的在图片中的坐标，包括物体四个点的x、y值，隐患目标的的类别及预测概率，本实施例中，进行三个尺度的预测，并取最后三个尺度的特征图，经过FPN和PAN之后，将三个尺度的特征输入到检测模块进行回归和分类得到输出结果，其中，检测模块由3个残差模块加上固定通道数的卷积构成，通道数等于(分类类别数+5)*3；
当检测到目标的概率大于设定阈值时，其中阈值设定为0.1～0.25之间，即当前像素点位属于待检测目标的可能性大于设定值，则保留该结果，并对目标框进行非极大值抑制筛选去重，确定该位置处交并比IoU最大的目标框，最后将该目标框及其置信度作为最终结果输出并显示。
S4、通过边缘网关及MQTT协议将识别结果和检测后带标注的图片传回后台服务器，用于Web页面展示。
其中，在一具体实施例中，从图片输入到卷积神经网络开始，经过特征提取网络，再经过特征增强模块，具体如下表所示：
其中，Conv-Swish表示的是卷积、然后经过Swish激活函数过程，Conv定义为：
Swish层是选用了Swish激活函数来作为网络的激活层，其定义为：y＝x*sigmoid(βx)。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：包括如下步骤：
S1、控制摄像头按预定的巡检计划转动，对目标区域进行采样，获取实时数据流；
S2、对获取的数据流进行AI分析，设别否存在隐患目标：
若存在，则识别出当前隐患类别，输出检测和识别结果保存到本地目录；
若不存在，延时等待，并在等待过程中继续获取视频流检测当前视频帧，在延时等待结束后对下一个目标区域进行采样；
S3、将识别结果及图片传回控制后台进行web页面展示。
2.根据权利要求1所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：在步骤S1中，采用边缘网关下发指令，通过HTTP协议读取摄像头实时数据流。
3.根据权利要求2所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：从摄像头获得视频帧序列之后，选择第一帧为背景帧，同时后台管理人员根据其帧来进行摄像头控制角度及焦距设置，并通过边缘网关下发控制指令。
4.根据权利要求2所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：在步骤S2中，截取当前区域图像后，将截取的图片输入深度神经网络模型来识别隐患目标类别以及隐患位置坐标，其中，所述深度神经网络模型识别目标类别的步骤包括：
1)、对图像进行预处理后输入至深度学习网络模型中，经过多个卷积、池化、上采样、下采样和特征拼接操作，将图像映射到高维特征空间；
2)、采用特征提取网络获得图像中每个目标的特征信息，其中，特征提取网络通过不同的深度卷积以及差残模块提取不同层次的特征；
3)、预测输出，通过分类和回归算法得到每一个隐患类别及位置信息。
5.根据权利要求4所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：在初始化卷据中依次包括Focus模块、3×3×64的卷积a、Swish激活函数、3×3×128的卷积b、split模块，其中，待处理图像首先经过Focus模块将图片进行切片，通过3×3×64的卷积a进行上采样得到特征图，然后经过激活函数Swish处理再经过3×3×128的卷积b提取特征作为下一级网络输入。
6.根据权利要求4所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：特征提取网络由10-30个残差卷积模块组成，预设数量的残差卷积之间均连接一个1×1×64的卷积c进行下采样，每个残差卷积模块从输入到输出依次为1*1*64卷积c、激活函数Swish、1×1×128的卷积d、激活函数Swish、图像特征值相加。
7.根据权利要求4所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：在特征提取网络中，利用深层特征通过空间金字塔池化CSP之后，与浅层特征一起经过路径聚合网络FPN、PAN进行特征融合。
8.根据权利要求4所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：在预测输出时，采用GIOU_Loss损失函数获得隐患目标的类别、置信度和目标框的坐标，输出的信息为目标框的在图片中的坐标，包括物体四个点的x、y值，隐患目标的的类别及预测概率。
9.根据权利要求8所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：进行三个尺度的预测，并取三个尺度的特征图，经过FPN和PAN之后，将三个尺度的特征输入到检测模块进行回归和分类得到输出结果，其中，检测模块由3个残差模块加上固定通道数的卷积构成。
10.根据权利要求8所述的一种基于实时视频流的输电线路隐患检测与识别的方法，其特征在于：当检测到目标的概率大于设定阈值时，其中阈值设定为0.1～0.25之间，即当前像素点位属于待检测目标的可能性大于设定值，则保留该结果，并对目标框进行非极大值抑制筛选去重，确定该位置处交并比IoU最大的目标框，最后将该目标框及其置信度作为最终结果输出并显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574544.5A CN114241386A (zh) | 2021-12-21 | 2021-12-21 | 一种基于实时视频流的输电线路隐患检测与识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574544.5A CN114241386A (zh) | 2021-12-21 | 2021-12-21 | 一种基于实时视频流的输电线路隐患检测与识别的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114241386A true CN114241386A (zh) | 2022-03-25 |
Family
ID=80760671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111574544.5A Pending CN114241386A (zh) | 2021-12-21 | 2021-12-21 | 一种基于实时视频流的输电线路隐患检测与识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241386A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578677A (zh) * | 2022-10-28 | 2023-01-06 | 众芯汉创（北京）科技有限公司 | 一种基于视频流的隐患抓拍和识别的智能装置 |
| CN117092631A (zh) * | 2023-10-19 | 2023-11-21 | 江苏翰林正川工程技术有限公司 | 一种输电通道施工机械目标定位与测距方法及系统 |
| CN117294941A (zh) * | 2023-08-18 | 2023-12-26 | 珠海市深瑞智联科技有限公司 | 一种基于ai可视化多传感器融合技术的输电巡检方法 |
| CN117726958A (zh) * | 2024-02-07 | 2024-03-19 | 国网湖北省电力有限公司 | 配电线路无人机巡检图像目标检测及隐患智能识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10645368B1 (en) * | 2017-06-02 | 2020-05-05 | Shanghaitech University | Method and apparatus for estimating depth of field information |
| CN112257569A (zh) * | 2020-10-21 | 2021-01-22 | 青海城市云大数据技术有限公司 | 一种基于实时视频流的目标检测和识别方法 |
| CN112308000A (zh) * | 2020-11-06 | 2021-02-02 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
| CN113449691A (zh) * | 2021-07-21 | 2021-09-28 | 天津理工大学 | 一种基于非局部注意力机制的人形识别系统及方法 |
-
2021
- 2021-12-21 CN CN202111574544.5A patent/CN114241386A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10645368B1 (en) * | 2017-06-02 | 2020-05-05 | Shanghaitech University | Method and apparatus for estimating depth of field information |
| CN112257569A (zh) * | 2020-10-21 | 2021-01-22 | 青海城市云大数据技术有限公司 | 一种基于实时视频流的目标检测和识别方法 |
| CN112308000A (zh) * | 2020-11-06 | 2021-02-02 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
| CN113449691A (zh) * | 2021-07-21 | 2021-09-28 | 天津理工大学 | 一种基于非局部注意力机制的人形识别系统及方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578677A (zh) * | 2022-10-28 | 2023-01-06 | 众芯汉创（北京）科技有限公司 | 一种基于视频流的隐患抓拍和识别的智能装置 |
| CN115578677B (zh) * | 2022-10-28 | 2023-04-18 | 众芯汉创（北京）科技有限公司 | 一种基于视频流的隐患抓拍和识别的智能装置 |
| CN117294941A (zh) * | 2023-08-18 | 2023-12-26 | 珠海市深瑞智联科技有限公司 | 一种基于ai可视化多传感器融合技术的输电巡检方法 |
| CN117092631A (zh) * | 2023-10-19 | 2023-11-21 | 江苏翰林正川工程技术有限公司 | 一种输电通道施工机械目标定位与测距方法及系统 |
| CN117092631B (zh) * | 2023-10-19 | 2024-04-19 | 江苏翰林正川工程技术有限公司 | 一种输电通道施工机械目标定位与测距方法及系统 |
| CN117726958A (zh) * | 2024-02-07 | 2024-03-19 | 国网湖北省电力有限公司 | 配电线路无人机巡检图像目标检测及隐患智能识别方法 |
| CN117726958B (zh) * | 2024-02-07 | 2024-05-10 | 国网湖北省电力有限公司 | 配电线路无人机巡检图像目标检测及隐患智能识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114241386A (zh) | 一种基于实时视频流的输电线路隐患检测与识别的方法 | |
| US10896323B2 (en) | Method and device for image processing, computer readable storage medium, and electronic device | |
| CN109299703B (zh) | 对鼠情进行统计的方法、装置以及图像采集设备 | |
| CN108121931B (zh) | 二维码数据处理方法、装置及移动终端 | |
| GB2607749A (en) | Fine-grained visual recognition in mobile augmented reality | |
| CN108090458A (zh) | 人体跌倒检测方法和装置 | |
| US11526704B2 (en) | Method and system of neural network object recognition for image processing | |
| CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
| CN111401215B (zh) | 一种多类别目标检测的方法及系统 | |
| CN112396053A (zh) | 一种基于级联神经网络的环视鱼眼图像目标检测方法 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| CN116402852A (zh) | 基于事件相机的动态高速目标追踪方法及装置 | |
| CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
| CN111260687A (zh) | 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法 | |
| CN113076889B (zh) | 集装箱铅封识别方法、装置、电子设备和存储介质 | |
| CN116824641B (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
| CN113255549A (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
| CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
| CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
| CN112927139B (zh) | 一种双目热成像系统及超分辨率图像获取方法 | |
| CN116110095A (zh) | 一种人脸过滤模型的训练方法、人脸识别方法及装置 | |
| CN115908886A (zh) | 图像分类方法、图像处理设备及存储装置 | |
| KR20220128192A (ko) | 합성 영상을 활용한 객체 검출장치 및 그 방법 | |
| CN115170456A (zh) | 检测方法及相关设备 | |
| CN112348823A (zh) | 一种面向对象的高分辨率遥感影像分割算法 |
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 |