CN114998758A - 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 - Google Patents
一种基于多源遥感卫星影像的输电线路绝缘子检测方法 Download PDFInfo
- Publication number
- CN114998758A CN114998758A CN202210588430.4A CN202210588430A CN114998758A CN 114998758 A CN114998758 A CN 114998758A CN 202210588430 A CN202210588430 A CN 202210588430A CN 114998758 A CN114998758 A CN 114998758A
- Authority
- CN
- China
- Prior art keywords
- convolution
- module
- insulator
- feature map
- remote sensing
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 2
- 238000013434 data augmentation Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 12
- 238000005065 mining Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
该发明公开了一种基于多源遥感卫星影像的输电线路绝缘子检测方法,属遥感卫星影像目标检测领域。本发明对遥感影像输电线路绝缘子特征进行精细化学习,使得模型能够很好的对弱特征的绝缘子进行检测,绝缘子检测结果的可解释性更强。为了提高绝缘子检测和定位的准确率;进一步的,采用了先对多源遥感卫星影像进行4倍超分,再识别输电线路的杆塔,最终检测绝缘子的方法,缩小绝缘子检测的范围,很大程度上减少了绝缘子的错误检测情况。为了提高绝缘子检测的精度;进一步的,在绝缘子检测模型中使用了在线困难样本挖掘和类别权重均衡计算方式,训练效果更收敛,从而更加精确的学习绝缘子的强弱特征,具有更高精度的绝缘子检测能力。整体流程通过集成模块自动化实现,可进一步应用于输电线路运维等用途。
Description
技术领域
本发明图像识别领域,特别是基于卫星影像的图像识别。
背景技术
目前绝缘子的巡视和检查过程中,受制于分辨率的问题,基本上都是采用无人机巡检数据进行绝缘子的检视和故障检测,没有使用高分辨率的遥感卫星影像数据。现有输电线路绝缘子检测技术中通常采用人工巡检或无人机巡检,人工巡检不仅耗时耗力,而且针对目前的超高压、大容量输电线路,人工巡检也存在大量安全风险,已经不适用于目前的绝缘子串巡检的实际形势。而基于无人机的方法在工作效率以及人员安全性方面相较于人工巡检都得到了极大的提升。但是,由于无人机成本高昂,一次拍摄的区域有限,所以从长期的成本考虑,如果能利用拍摄区域更广的高分辨率遥感卫星影像进行大面积的绝缘子串识别,可以大大降低人力和经济成本。同时也可以为其它电路设施的自动化识别研究提供参考依据,为实现空天地一体的自动化的输电线路电力巡检打下基础。
发明内容
本发明目的在于提供一种基于多源遥感卫星影像的输电线路绝缘子检测方法,用于解决目前绝缘子检测方法范围小、风险高的问题,依靠构建的高精度输电线路绝缘子检测模型可以很快的得到输电线路绝缘子串检测结果。本发明解决了传统绝缘子串巡检的高风险、范围小和成本高的问题,解决了遥感卫星影像输电线路绝缘子检测分辨率不够的问题。
为实现上述目的,本发明的技术方案是:一种基于多源遥感卫星影像的输电线路绝缘子检测方法,该方法包括:
步骤1:获取包含输电线路的两类以上高分辨率卫星遥感影像;
步骤2:对高分辨率遥感卫星影像进行预处理;
步骤2.1:进行多光谱影像和全色波段影像的正射校正和采用Gram-Schmidt正交化方法对所有遥感卫星影像进行融合;
步骤2.2:对融合后的影像进行像素的归一化;
步骤3:采用扩展性深层超分辨率网络对遥感影像进行超分,
步骤4:对步骤3得到的超分辨率遥感卫星影像进行假彩色处理和灰度拉伸处理;
步骤5:对步骤4处理后的超分辨率遥感卫星影像进行输电线路杆塔目标数据增广处理;
步骤6:搭建杆塔目标识别网络,然后训练好杆塔目标识别网络;
步骤7:搭建绝缘子语义分割识别网络,将增广后的杆塔数据人工标注绝缘子后作为输入,对绝缘子语义分割识别网络进行训练;
步骤7.1:将步骤6识别到的3通道杆塔图像连续进行4次卷积,每次卷积后得到一个特征图,共4个特征图,组成模块1;
步骤7.2:将模块1中最后一次卷积得到的特征图连续进行4次卷积,每次卷积后得到一个特征图,共4个特征图,组成模块2.1,将模块1中最后一次卷积得到的特征图进行1次跨步卷积后,再连续进行3次卷积得到的4个特征图,组成模块2.2;
步骤7.3:将模块2.1中最后一次卷积得到的特征图进行1次卷积,将模块2.2最后一次卷积得到的特征图进行1次卷积上采样,两者相加得到一个特征图,再连续进行3次卷积又得到3个特征图,共4个特征图组成模块3.1;
将模块2.1中最后一次卷积得到的特征图进行1次跨步卷积,将模块2.2中最后一次卷积得到的特征图进行1次卷积,两者相加得到1个特征图,再连续进行3次卷积又得到3个特征图,共4个特征图组成模块3.2;
将模块2.1中最后一次卷积得到的特征图连续进行2次跨步卷积,将模块2.2中最后一次卷积得到的特征图进行1次跨步卷积,两者相加,再连续进行3次卷积得到共4个特征图,组成模块3.3;
步骤7.4:将模块3.1最后一次卷积得到的特征图进行1次卷积,将模块3.2最后一次卷积得到的特征图进行1次卷积上采样,两者相加,再连续进行3次卷积得到共4个特征图,组成模块4.1;
将模块3.1最后一次卷积得到的特征图进行1次跨步卷积,将模块3.2最后一次卷积得到的特征图进行1次卷积,将模块3.3最后一次卷积得到的特征图进行1次卷积上采样,三者相加,再连续进行3次卷积得到共4个特征图,组成模块4.2;
将模块3.1最后一次卷积得到的特征图连续进行2次跨步卷积,将模块3.2最后一次卷积得到的特征图进行1次跨步卷积,将模块3.3最后一次卷积得到的特征图进行1次卷积,三者相加,再连续进行3次卷积得到共4个特征图,组成模块4.3;
将模块3.2最后一次卷积得到的特征图连续进行2次跨步卷积,将模块3.3最后一次卷积得到的特征图进行1次跨步卷积,两者相加,再连续进行3次卷积得到共4个特征图,组成模块4.4;
步骤7.5:将模块4.1最后一次卷积得到的特征图分别进行1次卷积,将模块4.2、4.3、4.4最后一次卷积得到的特征图分别进行1次卷积上采样,四者相加,再连续进行3次卷积得到共4个特征图,组成整合模块,整合模块的最后一个特征图为整个绝缘子语义分割识别网络的输出;
步骤8:最后将带识别的遥感影像采用步骤2的方法进行预处理,然后采用步骤3的网络进行超分,然后依次进行步骤4和步骤5的处理,然后采用杆塔目标识别网络进行杆塔识别,最后采用绝缘子语义分割识别网络分割出杆塔上的绝缘子。
进一步的,所述步骤6的杆塔目标识别网络如下;
步骤6.1:输入为3通道影像,首先进行1次卷积和池化操作,其中,卷积的卷积核大小为7×7;
步骤6.2:将步骤6.1得到的特征进一步输入到特征提取模块中,所述特征提取模块首先由批归一化层、线性整流层、第一卷积层、批归一化层、线性整流层和第二卷积层串联,随后批归一化层和第二卷积层结果相加,再经过卷积层和池化层,组成1个特征提取模块,共串联6个特征提取模块。其中第一卷积层卷积核大小为1×1,第二卷积层卷积核大小为3×3;
步骤6.3:将步骤6.2得到的特征图输入到区域建议网络中,获得杆塔目标锚框;
步骤6.4:将步骤6.3中得到的杆塔目标锚框输入到感兴趣区域池化层,降低特征维度;
步骤6.5:将步骤6.4中的结果输入到两个分支,其中一个分支为全连接层和分类层,进行杆塔目标的识别,另一个分支为全连接层和分类层,进行杆塔目标框的调整。
进一步的,所述步骤4中,假彩色处理包括为红波段,近红外波段,蓝波段三通道,灰度拉伸为1%的线性拉伸。
进一步的,所述步骤7中,使用对抗生成网络对数据进行增广,每一个杆塔进行50个增广图像的生成。卷积的卷积核大小为3×3,跨步卷积的卷积核大小为3×3,卷积上采样的卷积核大小为1×1。
进一步的,所述步骤8中,加入地理信息进行识别匹配,每个绝缘子对应一个地理坐标,分割出绝缘子后,输出绝缘子的同时并输出绝缘子的地理坐标。
本发明采用深度学习中语义分割网络的高分辨率网络对多源遥感卫星影像输电线路绝缘子进行检测,是首个采用遥感卫星影像进行输电线路绝缘子检测的发明,具有精度高,速度快的优点;本发明还采用了在线困难样本挖掘和类别权重计算的方式,使得绝缘子小目标特征可以更好地提取,绝缘子分类结果的可解释性更强。为了提高多源遥感卫星分辨率,进一步的,采用了现有的超分辨率算法,对融合后的多源遥感卫星影像进行4倍超分处理,使得输电线路绝缘子特征更加明显;为了提高输电线路绝缘子检测精度,更好减少错误检测的情况,进一步的,采用首先检测输电线路的杆塔的方法,缩短绝缘子检测范围,更有利于绝缘子精确定位及检测;本发明提出了一种新的基于深度学习的多源遥感卫星影像输电线路绝缘子检测方法。该方法从多源遥感卫星影像绝缘子精细化特征提取入手,研究制定了一套多源遥感卫星影像绝缘子的自动化检测流程,构建了一个稳定且高精度的绝缘子检测模型,现已应用于电网输电线路绝缘子检测系统中,可进一步应用于输电线路运维等用途。
附图说明
图1是本发明基于深度学习的多源遥感卫星影像输电线路绝缘子检测方法流程图;
图2是本发明的特征金字塔杆塔检测网络结构图;
图3是本发明的高分辨率绝缘子检测网络结构图;
图4是本发明的输电线路绝缘子部分检测图;
图5是本发明的输电线路绝缘子部分检测图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明的技术方案如图1所示,以云南省昆明市某输电线路为例进行说明,包括以下步骤:
步骤1:数据预处理
在遥感影像处理软件ENVI中,首先对SuperView-1和WorldView-3的多光谱影像和全色波段影像进行正射校正,选用的是90m×90m的高程(DEM)数据。之后对校正后的影像进行Gram-Schmidt融合,最后对融合后的影像进行像素值范围为0-255的数据压缩。
步骤2:多源遥感卫星影像超分辨率处理
首先搭建扩展性深层超分辨率网络,对超分辨率深度学习模型进行训练,参数设置如下:初始学习速率为0.0002,按在第25000,50000,75000个单次循环分别按0.5的比例对学习率进行衰减,批尺寸Batch Size=16,优化算法采用Adam算法,损失函数采用L1范数损失,训练总循环次数为100。获得超分辨率网络模型参数后,将后续的训练集和测试集影像输入后得到4倍超分影像。
步骤3:多源遥感卫星影像后处理
对超分辨率过后的影像,将近红外波段替代绿波段,使得超分后的影像以红波段、近红外波段、蓝波段进行输出,提高杆塔辨识度。灰度拉伸采用1%的线性灰度拉伸,提高影像亮度。
步骤4:多源遥感卫星影像杆塔检测
杆塔检测网络如图2,训练参数设置如下:迭代次数为10000,初始学习速率为0.001,在迭代次数为5000和7000进行衰减,衰减因子为0.1,0.001,使用亚当优化算法进行优化,并采用平滑L1损失函数。训练完成后获得模型参数,再将测试地区影像输入获得测试结果。
步骤5:绝缘子目标增广处理
人为筛选出杆塔数据集,进行基于对抗生成网络的数据增广处理,将能看清绝缘子串的杆塔数量扩充到2500张。
步骤6:多源遥感卫星绝缘子检测
绝缘子语义分割识别网络如图3,训练参数设置如下:迭代轮次100轮,使用SGD优化器,初始学习率为0.001,学习率衰减因子为0.0001每个轮次,使用Cityscapes类别权重均衡方式(C2),计算方法如公式1,其中frequency为绝缘子目标在整个图像中所占的像素频率。且在训练过程中使用在线困难样本挖掘训练方式,在线困难样本挖掘阈值为0.9。训练完成后获得模型参数,再将测试地区影像输入获得测试结果,其中测试结果为检测到绝缘子的分割图,后续通过最小矩阵构建函数获得绝缘子检测框,并进行Precision、Recall和F1-Score评价指标的计算,评价指标如表1。
class weight 2(c2)=1/ln(1.02+frequency) 公式(1)
表1绝缘子检测评价指标表
步骤7:模型分析和结果验证
整体步骤通过模块集成自动化实现,以图4至图5的云南省昆明市某输电线路绝缘子检测结果来看,大多数绝缘子都可以被本发明构建的高分辨率绝缘子检测模型分类并定位框选,与真实结果相符合。同时可以看出,一些特征较弱的绝缘子也可以被本发明构建的模型检测出来,同时通过先检测杆塔的方法,可以有效的避免绝缘子检测的错误检测,最终绝缘子检测精度可以达到0.7952。
本发明的有益效果是能够快速且准确的根据输电线路绝缘子特征定位并检测到绝缘子。由本发明训练得到的高分辨率绝缘子检测模型,对于绝缘子检测的精度可以达到0.7952,在多源遥感卫星上都获得了一定的应用成效,说明结果具有较高的可信度。可以作为电网输电线路运维的依据和参考。
Claims (5)
1.一种基于多源遥感卫星影像的输电线路绝缘子检测方法,该方法包括:
步骤1:获取包含输电线路的两类以上高分辨率卫星遥感影像;
步骤2:对高分辨率遥感卫星影像进行预处理;
步骤2.1:进行多光谱影像和全色波段影像的正射校正和采用Gram-Schmidt正交化方法对所有遥感卫星影像进行融合;
步骤2.2:对融合后的影像进行像素的归一化;
步骤3:采用扩展性深层超分辨率网络对遥感影像进行超分,
步骤4:对步骤3得到的超分辨率遥感卫星影像进行假彩色处理和灰度拉伸处理;
步骤5:对步骤4处理后的超分辨率遥感卫星影像进行输电线路杆塔目标数据增广处理;
步骤6:搭建杆塔目标识别网络,然后训练好杆塔目标识别网络;
步骤7:搭建绝缘子语义分割识别网络,将增广后的杆塔数据人工标注绝缘子后作为输入,对绝缘子语义分割识别网络进行训练;
步骤7.1:将步骤6识别到的3通道杆塔图像连续进行4次卷积,每次卷积后得到一个特征图,共4个特征图,组成模块1;
步骤7.2:将模块1中最后一次卷积得到的特征图连续进行4次卷积,每次卷积后得到一个特征图,共4个特征图,组成模块2.1,将模块1中最后一次卷积得到的特征图进行1次跨步卷积后,再连续进行3次卷积得到的4个特征图,组成模块2.2;
步骤7.3:将模块2.1中最后一次卷积得到的特征图进行1次卷积,将模块2.2最后一次卷积得到的特征图进行1次卷积上采样,两者相加得到一个特征图,再连续进行3次卷积又得到3个特征图,共4个特征图组成模块3.1;
将模块2.1中最后一次卷积得到的特征图进行1次跨步卷积,将模块2.2中最后一次卷积得到的特征图进行1次卷积,两者相加得到1个特征图,再连续进行3次卷积又得到3个特征图,共4个特征图组成模块3.2;
将模块2.1中最后一次卷积得到的特征图连续进行2次跨步卷积,将模块2.2中最后一次卷积得到的特征图进行1次跨步卷积,两者相加,再连续进行3次卷积得到共4个特征图,组成模块3.3;
步骤7.4:将模块3.1最后一次卷积得到的特征图进行1次卷积,将模块3.2最后一次卷积得到的特征图进行1次卷积上采样,两者相加,再连续进行3次卷积得到共4个特征图,组成模块4.1;
将模块3.1最后一次卷积得到的特征图进行1次跨步卷积,将模块3.2最后一次卷积得到的特征图进行1次卷积,将模块3.3最后一次卷积得到的特征图进行1次卷积上采样,三者相加,再连续进行3次卷积得到共4个特征图,组成模块4.2;
将模块3.1最后一次卷积得到的特征图连续进行2次跨步卷积,将模块3.2最后一次卷积得到的特征图进行1次跨步卷积,将模块3.3最后一次卷积得到的特征图进行1次卷积,三者相加,再连续进行3次卷积得到共4个特征图,组成模块4.3;
将模块3.2最后一次卷积得到的特征图连续进行2次跨步卷积,将模块3.3最后一次卷积得到的特征图进行1次跨步卷积,两者相加,再连续进行3次卷积得到共4个特征图,组成模块4.4;
步骤7.5:将模块4.1最后一次卷积得到的特征图分别进行1次卷积,将模块4.2、4.3、4.4最后一次卷积得到的特征图分别进行1次卷积上采样,四者相加,再连续进行3次卷积得到共4个特征图,组成整合模块,整合模块的最后一个特征图为整个绝缘子语义分割识别网络的输出;
步骤8:最后将带识别的遥感影像采用步骤2的方法进行预处理,然后采用步骤3的网络进行超分,然后依次进行步骤4和步骤5的处理,然后采用杆塔目标识别网络进行杆塔识别,最后采用绝缘子语义分割识别网络分割出杆塔上的绝缘子。
2.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法,其特征在于,所述步骤6的杆塔目标识别网络如下;
步骤6.1:输入为3通道影像,首先进行1次卷积和池化操作,其中,卷积的卷积核大小为7×7;
步骤6.2:将步骤6.1得到的特征进一步输入到特征提取模块中,所述特征提取模块首先由批归一化层、线性整流层、第一卷积层、批归一化层、线性整流层和第二卷积层串联,随后批归一化层和第二卷积层结果相加,再经过卷积层和池化层,组成1个特征提取模块,共串联6个特征提取模块。其中第一卷积层卷积核大小为1×1,第二卷积层卷积核大小为3×3;
步骤6.3:将步骤6.2得到的特征图输入到区域建议网络中,获得杆塔目标锚框;
步骤6.4:将步骤6.3中得到的杆塔目标锚框输入到感兴趣区域池化层,降低特征维度;
步骤6.5:将步骤6.4中的结果输入到两个分支,其中一个分支为全连接层和分类层,进行杆塔目标的识别,另一个分支为全连接层和分类层,进行杆塔目标框的调整。
3.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法,其特征在于,所述步骤4中,假彩色处理包括为红波段,近红外波段,蓝波段三通道,灰度拉伸为1%的线性拉伸。
4.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法,其特征在于,所述步骤7中,使用对抗生成网络对数据进行增广,每一个杆塔进行50个增广图像的生成。卷积的卷积核大小为3×3,跨步卷积的卷积核大小为3×3,卷积上采样的卷积核大小为1×1。
5.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法,其特征在于,所述步骤8中,加入地理信息进行识别匹配,每个绝缘子对应一个地理坐标,分割出绝缘子后,输出绝缘子的同时并输出绝缘子的地理坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588430.4A CN114998758B (zh) | 2022-05-26 | 2022-05-26 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588430.4A CN114998758B (zh) | 2022-05-26 | 2022-05-26 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998758A true CN114998758A (zh) | 2022-09-02 |
CN114998758B CN114998758B (zh) | 2024-05-03 |
Family
ID=83029879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588430.4A Active CN114998758B (zh) | 2022-05-26 | 2022-05-26 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998758B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765462A (zh) * | 2019-03-05 | 2019-05-17 | 国家电网有限公司 | 输电线路的故障检测方法、装置和终端设备 |
CN111784584A (zh) * | 2020-07-14 | 2020-10-16 | 云南电网有限责任公司昆明供电局 | 一种基于深度学习的绝缘子遥感影像超分辨率方法 |
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN113313703A (zh) * | 2021-06-17 | 2021-08-27 | 上海红檀智能科技有限公司 | 基于深度学习图像识别的无人机输电线巡检方法 |
CN113378744A (zh) * | 2021-06-21 | 2021-09-10 | 广东电网有限责任公司 | 一种输电线路巡检目标识别方法及装置 |
CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN114022764A (zh) * | 2021-11-02 | 2022-02-08 | 湘潭大学 | 一种基于特征增强卷积网络的遥感影像输电杆塔检测方法 |
CN114240878A (zh) * | 2021-12-16 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 |
-
2022
- 2022-05-26 CN CN202210588430.4A patent/CN114998758B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN109765462A (zh) * | 2019-03-05 | 2019-05-17 | 国家电网有限公司 | 输电线路的故障检测方法、装置和终端设备 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
CN111784584A (zh) * | 2020-07-14 | 2020-10-16 | 云南电网有限责任公司昆明供电局 | 一种基于深度学习的绝缘子遥感影像超分辨率方法 |
CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
CN113313703A (zh) * | 2021-06-17 | 2021-08-27 | 上海红檀智能科技有限公司 | 基于深度学习图像识别的无人机输电线巡检方法 |
CN113378744A (zh) * | 2021-06-21 | 2021-09-10 | 广东电网有限责任公司 | 一种输电线路巡检目标识别方法及装置 |
CN114022764A (zh) * | 2021-11-02 | 2022-02-08 | 湘潭大学 | 一种基于特征增强卷积网络的遥感影像输电杆塔检测方法 |
CN114240878A (zh) * | 2021-12-16 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 |
Non-Patent Citations (4)
Title |
---|
FANGRONG ZHOU等: "Insulators Detection with High Resolution Images", 《 IGARSS 2022 - 2022 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, 28 September 2022 (2022-09-28) * |
XUEFENG LI等: "Insulator defect recognition based on global detection and local segmentation", 《IEEE ACCESS 》, 20 March 2020 (2020-03-20) * |
吴锡;王梓屹;宋柯;王宏鑫;薛志成;李志轩;: "基于Faster RCNN检测器的输电线路无人机自主巡检系统", 电力信息与通信技术, no. 09, 25 September 2020 (2020-09-25) * |
罗建华;李明奇;郑泽忠;李江;: "基于深度卷积神经网络的高光谱遥感图像分类", 西华大学学报(自然科学版), no. 04, 6 July 2017 (2017-07-06) * |
Also Published As
Publication number | Publication date |
---|---|
CN114998758B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (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 | |
CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测系统 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN108460391B (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN111985543A (zh) | 一种高光谱图像分类模型的构建方法、分类方法及系统 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN111539302B (zh) | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 | |
CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
CN115953408A (zh) | 一种基于YOLOv7的避雷器表面缺陷检测方法 | |
CN113657472B (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN116229272B (zh) | 一种基于代表点表示的高精度遥感图像检测方法及系统 | |
CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN116630700A (zh) | 基于引入通道-空间注意力机制的遥感图像分类方法 | |
CN116703932A (zh) | 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法 | |
CN114998758B (zh) | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |