CN115937086A - 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 - Google Patents
一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 Download PDFInfo
- Publication number
- CN115937086A CN115937086A CN202211240883.4A CN202211240883A CN115937086A CN 115937086 A CN115937086 A CN 115937086A CN 202211240883 A CN202211240883 A CN 202211240883A CN 115937086 A CN115937086 A CN 115937086A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- ultra
- high voltage
- aerial vehicle
- unmanned aerial
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Locating Faults (AREA)
Abstract
本发明公开了一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,包括以下步骤:步骤S1:输电线路无人机图像识别结构构成;步骤S2:通过无人机巡航进行图像采集和图像预处理;步骤S3:对预处理完成后的图像进行输电线路缺陷检测;步骤S4:进行缺陷特征提取和特征检测;步骤S5:完成缺陷检测过程;采用非同质区域的边缘特征检测方法,得到特高压输电线路无人机图像视觉特征分布值,利用图像法以及对图像进行数据分析,在大场景的融合通道背景下,得到特高压输电线路无人机图像的LBP特征匹配最优解,提取环境参数,自适应修改相关矩阵的阈值,无人机能自适应特高压输电线路的复杂环境,同时提高缺陷巡检效率。
Description
技术领域
本发明涉及无人机点云图像模型技术领域,尤其是涉及一种基于无人机图像识别技术的特高压输电线路缺陷检测方法。
背景技术
特高压输电线路是保障特高压安全稳定运行的重要设施,也是国家的基础建设设施设备,需要对特高压输电线路进行可靠性的维护和电力巡检,通过日常技术监测手段,保障特高压输电线路的运行可靠性。
在进行特高压输电线路的运维管理过程中,由于巡线的劳动强度大,特高压输电线所处的环境比较复杂,导致特高压输电线路的人工巡检难度较高,需要构建优化的特高压输电线路巡检和缺陷检测方法和技术手段。
例如,一种在中国专利文献上公开的“一种特高压输电线路耐张线夹无损检测装置及方法”,其公开号为CN115047061A,通过磁信号分析特高压输电线路的缺陷特征,在检测过程中包括无法在较复杂电路环境进行检测,无人机巡检仅能检测当前被检测线路是否存在断股,检测效率较低。
发明内容
本发明是为了克服现有技术中,特高压输电线路的缺陷检测运行可靠性较低,特高压输电线路巡检环境复杂不方便人工巡检,传统人工特高压巡检效率低的问题,提供一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,通过无人机图像巡检进行识别结构模型构成和缺陷特征提取,实现特高压输电线路的高效率检测。
为了实现上述技术目的,本发明采用以下技术方案:
一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,包括以下步骤:
步骤S1:输电线路无人机图像识别结构构成;
步骤S2:通过无人机巡航进行图像采集和图像预处理;
步骤S3:对预处理完成后的图像进行输电线路缺陷检测;
步骤S4:进行缺陷特征提取和特征检测;
步骤S5:完成缺陷检测过程。
作为优选,步骤S1包括以下步骤:
步骤S1-1-1:构建特高压输电线路的三维点云图像分析模型;
步骤S1-1-2:结合三维可视化、导线量测、导线弧垂测量等技术,建立特高压输电线路的三维空间配置结构分析模型;
步骤S1-1-3:根据电力导线的三维数学模型的差异性分布,进行不同状态下特高压输电线路的缺陷检测。
通过无人机机载激光雷达测量技术,将多传感器设备植入到无人机系统中进行特高压输电线路的图像采集,通过雷达点云设计,采用雷达点云的可视化分析模型,结合图像识别技术,进行电力导线的三维数字模型表结构,实现特高压输电线路的高效率检测。
作为优选,所述步骤S1包括以下步骤:
步骤S1-2-1:利用特高压输电线路轨迹数据捕捉方法,在电力线雷达点中,建立特高压输电线路的XOY坐标平面,获得特高压输电线路缺陷部位对应段的投影点;
步骤S1-2-2:利用特高压输电线路轨迹数据实现对缺陷部位的二维空间捕获,在特高压输电线路分布的三维空间的二维信息;
步骤S1-2-3:根据步骤S1-2得到的特高压输电线路的二维信息,若电塔总数为N,线路总档数为N-1,通过无人机图像识别和测量,实现缺陷检测。
作为优选,所述步骤S2的图像采集和预处理包括以下步骤:
步骤S2-1:提取特高压输电线路的点云数字图像,得到特高压输电线路无人机图像的视觉特征分布值;
步骤S2-2:利用电力线路三维可视化分布空间中N个图像采集点,电力线三维重建的像素值表示为X1(0)、X2(0)、……Xn(0),雷达点的水平坐标分别再X轴方向、Y轴方向的差异度因子i,在t时刻的导线雷达点在XOY平面匹配特征量分布值为Xi(0)=Xi1(t),Xi2(t),……Xid(t);
步骤S2-3:根据步骤S3-2中分裂导线与单导线、避雷线的形态特征分布差异度,得到输电线路无人机采集图像的三维重建型匹表示为Vi(t)=Vi1(t)、Vi2(t)…Vid(t);
步骤S2-4:得到特高压输电线路无人机图像的鲁棒LBP特征匹配最优解表示为Pi=(Pi2,Pi2……Pid)。
采用非同质区域的边缘特征检测方法,得到特高压输电线路无人机图像的视觉特征分布值,利用图像法以及对图像进行数据分析,在大场景的融合通道背景下,得到特高压输电线路无人机图像的LBP特征匹配最优解,提取环境参数,自适应修改相关矩阵的阈值,使得无人机能自适应特高压输电线路的复杂环境,在适用于复杂环境的同时提高无人机对特高压线路的缺陷巡检效率。
作为优选,提取环境参数,根据像素点的雷达点水平坐标和无人机采集图像的三维重建型匹配数据,得到图像降噪重构函数如下所示:
Fm(z)=F(z),Fx(z),Fy(z);
其中,F(z)为特高压输电线路缺陷领域内的极大值,表示已捕获全局对比度信息;Fx(z)和Fy(z)分别为输电线线路机载雷达点云的密度。
作为优选,步骤S3输电线路缺陷检测过程包括以下步骤:
步骤S3-1:结合输电线路的内部几何参数和线路外观几何参数分析的方法,建立特高压输电线路缺陷的三维点云重构模型,根据特高压输电线路缺陷三维点云的参数分布几何,得到输电线路的二维空间分布阈值P(ni)=PKPRKJ=1,K=1,2,...,M;
步骤S3-2:通过步骤S5-1中电塔的粗略位置和顺次连接点的位置参数估计,得到相关电塔点云分布的二维数据;
步骤S3-3:以像素点(x,y)为中心,得到无人机机载激光云点数据的分配特征属性集为:
Flg-m(z)=flg(z),Flg-x(z),Flg-y(z);
其中,Flg(z)=f(z)*f-1(GW)为领域测试度函数。
作为优选,所述步骤S4缺陷特征提取过程包括以下步骤:
步骤S4-1:分析在缺陷状态下的特高压输电线路的变形和异常参数分布情况,根据输电线路无人机图像的点云数据分布投影点;
步骤S4-2:采用簇聚类分析的方法,得到输电线路无人机参数分布的特征点,由此得到输电线路缺陷特征分布在该领域内的极大值;
步骤S4-3:根据输电线路无人机图像的点云数据分布投影点,分析缺陷故障下不连通,簇之间的空间间隔量,在临时坐标系中得到局部坐标值;
步骤S4-4:根据电力线空间配置,采用机载雷达系统获取点云参数,实现特高压输电线路缺陷特征提取并检测。
通过无人机机载雷达系统获取点云参数,得到雷达点云的可视化分析模型,为缺陷定位提供准确的图像参数,并以此图像参数为基础,进行三维重构,得到聚类簇投影点,对上述聚类簇投影点进行数据解析,分析缺陷故障下不连通、簇之间的空间间隔,实现输电线路的缺陷检测,判断当前特高压线路是否存在安全隐患,检测效率高,适用性强。
作为优选,当巡检数据完整性和图像完整性判断完成后,若巡检数据和三维图像不完整时,重新进行无人机机载激光雷达测量,完成测量后再进行电力三维空间配置结构和三维可视化导线测量。
因此,本发明的有益效果如下所示:
采用非同质区域的边缘特征检测方法,得到特高压输电线路无人机图像的视觉特征分布值,利用图像法以及对图像进行数据分析,在大场景的融合通道背景下,得到特高压输电线路无人机图像的LBP特征匹配最优解,提取环境参数,自适应修改相关矩阵的阈值,使得无人机能自适应特高压输电线路的复杂环境,在适用于复杂环境的同时提高无人机对特高压线路的缺陷巡检效率;
分析缺陷故障下不连通、簇之间的空间间隔,实现输电线路的缺陷检测,判断当前特高压线路是否存在安全隐患,检测效率高,适用性强。
附图说明
图1是本发明的整体检测流程示意图;
图2是本发明的技术实现流程图;
图3是本发明的特高压输电线路三维分布结构图;
图4是本发明特高压输电线路的雷达点云数据采集结果示意图;
图5是本发明特高压输电线路的点云数据直线拟合结果示意图;
图6是本发明特高压输电线路的三维重构拟合结果示意图。
其中,1.拟合输电线路点云分布直线;2.输电线路的三维重构拟合。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步具体的描述。
如图1所示为本发明的检测流程示意图,包括以下步骤:
步骤S1:输电线路无人机图像识别结构构成;
步骤S2:通过无人机巡航进行图像采集和图像预处理;
步骤S3:对预处理完成后的图像进行输电线路缺陷检测;
步骤S4:进行缺陷特征提取和特征检测;
步骤S5:完成缺陷检测过程。
通过构建特高压输电线路的三维点云图像分析模型,采用机载激光雷达测量技术,将GNSS/INS多传感器设备植入到无人机系统中进行特高压输电线路的图像采集。
结合三维可视化、导线量测、导线弧垂测量等技术,建立特高压输电线路的三维空间配置结构分析模型。通过LiDAR点云设计,采用LiDAR点云的可视化分析模型,结合图像识别技术,进行电力导线的三维数字模型表结构。
根据电力导线的三维数学模型的差异性分布,进行不同状态下特高压输电线路的缺陷检测。根据上述总体设计思路,得到本发明方法的特高压输电线路缺陷检测方法的技术实现流程,具体流程图如图2所示。
如图2所示的过程中,利用精确的特高压输电线路轨迹数据捕捉的方法,采用GNSS/INS多传感器组合控制的方法,在电力线LiDAR点中,建立特高压输电线路的XOY坐标平面,采用几何状态测量方法,获得特高压输电线路缺陷部位对应段的投影点,如图3所示,利用精确的特高压输电线路轨迹数据实现对缺陷部位的二维空间捕获,在特高压输电线路分布的三维空间的二维位置信息,电塔总数目为N、线路总档数为N-1,基于无人机图像识别和测量,实现缺陷检测。
通过无人机机载激光雷达测量技术,将多传感器设备植入到无人机系统中进行特高压输电线路的图像采集,通过雷达点云设计,采用雷达点云的可视化分析模型,结合图像识别技术,进行电力导线的三维数字模型表结构,实现特高压输电线路的高效率检测。
步骤S2的图像采集和预处理包括以下步骤:
步骤S2-1:提取特高压输电线路的点云数字图像,得到特高压输电线路无人机图像的视觉特征分布值;
步骤S2-2:利用电力线路三维可视化分布空间中N个图像采集点,电力线三维重建的像素值表示为X1(0)、X2(0)、……Xn(0),雷达点的水平坐标分别再X轴方向、Y轴方向的差异度因子i,在t时刻的导线雷达点在XOY平面匹配特征量分布值为Xi(0)=Xi1(t),Xi2(t),……Xid(t);
步骤S2-3:根据步骤S3-2中分裂导线与单导线、避雷线的形态特征分布差异度,得到输电线路无人机采集图像的三维重建型匹表示为Vi(t)=Vi1(t)、Vi2(t)…Vid(t);
步骤S2-4:得到特高压输电线路无人机图像的鲁棒LBP特征匹配最优解表示为Pi=(Pi2,Pi2……Pid)。
采用非同质区域的边缘特征检测方法,得到特高压输电线路无人机图像的视觉特征分布值,利用图像法以及对图像进行数据分析,在大场景的融合通道背景下,得到特高压输电线路无人机图像的LBP特征匹配最优解,提取环境参数,自适应修改相关矩阵的阈值,使得无人机能自适应特高压输电线路的复杂环境,在适用于复杂环境的同时提高无人机对特高压线路的缺陷巡检效率。
提取环境参数,根据像素点的雷达点水平坐标和无人机采集图像的三维重建型匹配数据,得到图像降噪重构函数如下所示:
Fm(z)=F(z),Fx(z),Fy(z);
其中,F(z)为特高压输电线路缺陷领域内的极大值,表示已捕获全局对比度信息;Fx(z)和Fy(z)分别为输电线线路机载雷达点云的密度。
实现对特高压输电线路的三维点云重建,根据特高压输电线路的三维点云重建结构,对无人机采样图像进行特征识别,实现缺陷检测。
步骤S3输电线路缺陷检测过程包括以下步骤:
步骤S3-1:结合输电线路的内部几何参数和线路外观几何参数分析的方法,建立特高压输电线路缺陷的三维点云重构模型,根据特高压输电线路缺陷三维点云的参数分布几何,得到输电线路的二维空间分布阈值P(ni)=PKPRKJ=1,K=1,2,...,M;
步骤S3-2:通过步骤S5-1中电塔的粗略位置和顺次连接点的位置参数估计,得到相关电塔点云分布的二维数据;
步骤S3-3:以像素点(x,y)为中心,得到无人机机载激光云点数据的分配特征属性集为:
Flg-m(z)=flg(z),Flg-x(z),Flg-y(z);
其中,Flg(z)=f(z)*f-1(GW)为领域测试度函数。
步骤S4缺陷特征提取过程包括以下步骤:
步骤S4-1:分析在缺陷状态下的特高压输电线路的变形和异常参数分布情况,根据输电线路无人机图像的点云数据分布投影点;
步骤S4-2:采用簇聚类分析的方法,得到输电线路无人机参数分布的特征点,由此得到输电线路缺陷特征分布在该领域内的极大值;
步骤S4-3:根据输电线路无人机图像的点云数据分布投影点,分析缺陷故障下不连通,簇之间的空间间隔量,在临时坐标系中得到局部坐标值;
步骤S4-4:根据电力线空间配置,采用机载雷达系统获取点云参数,实现特高压输电线路缺陷特征提取并检测。
通过无人机机载雷达系统获取点云参数,得到雷达点云的可视化分析模型,为缺陷定位提供准确的图像参数,并以此图像参数为基础,进行三维重构,得到聚类簇投影点,对上述聚类簇投影点进行数据解析,分析缺陷故障下不连通、簇之间的空间间隔,实现输电线路的缺陷检测,判断当前特高压线路是否存在安全隐患,检测效率高,适用性强。
当巡检数据完整性和图像完整性判断完成后,若巡检数据和三维图像不完整时,重新进行无人机机载激光雷达测量,完成测量后再进行电力三维空间配置结构和三维可视化导线测量。
实施例一:
通过无人机对1000千伏特高压莲都变输电线路实现三维点云重建。采用VisualStudio2022C++集成设计,无人机图像采集采用大疆MATRICE300型号,机载LiDAR系统,机载图像采集平均距离约为10m左右。
根据上述仿真参数设定,进行特高压输电线路缺陷的仿真设计,得到特高压输电线路的雷达点云数据采集结果,具体采集结果如图4高压输电线路的雷达点云数据采集结果示意图所示。
通过对如图4所示的雷达点云数据采集结果进行雷达点云的可视化数据分析模型,进行特高压输电线路点云数据直线拟合,得到拟合输电线路点云分布值直线1,具体效果如图5所示。
分析如图5所示的特高压输电线路的点云数据直线拟合结果示意图,进行雷达点云数据拟合,能为特高压线路缺陷定位提供准确的图像参数,在该拟合直线的基础上进行三维重构,得到如图6所示的特高压输电线路的三维重构拟合结果,并根据该拟合结果,得到聚类族投影点。在此基础上,分析缺陷故障下不连通、簇之间的空间间隔,根据中心化投影点的聚类分布,实现输电线路的缺陷检测,是否存在安全隐患。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (8)
1.一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,包括以下步骤:
步骤S1:输电线路无人机图像识别结构构成;
步骤S2:通过无人机巡航进行图像采集和图像预处理;
步骤S3:对预处理完成后的图像进行输电线路缺陷检测;
步骤S4:进行缺陷特征提取和特征检测;
步骤S5:完成缺陷检测过程。
2.根据权利要求1所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,所述步骤S1包括以下步骤:
步骤S1-1-1:构建特高压输电线路的三维点云图像分析模型;
步骤S1-1-2:结合三维可视化、导线量测、导线弧垂测量等技术,建立特高压输电线路的三维空间配置结构分析模型;
步骤S1-1-3:根据电力导线的三维数学模型的差异性分布,进行不同状态下特高压输电线路的缺陷检测。
3.根据权利要求1或2所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,所述步骤S1包括以下步骤:
步骤S1-2-1:利用特高压输电线路轨迹数据捕捉方法,在电力线雷达点中,建立特高压输电线路的XOY坐标平面,获得特高压输电线路缺陷部位对应段的投影点;
步骤S1-2-2:利用特高压输电线路轨迹数据实现对缺陷部位的二维空间捕获,在特高压输电线路分布的三维空间的二维信息;
步骤S1-2-3:根据步骤S1-2得到的特高压输电线路的二维信息,若电塔总数为N,线路总档数为N-1,通过无人机图像识别和测量,实现缺陷检测。
4.根据权利要求1所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,所述步骤S2的图像采集和预处理包括以下步骤:
步骤S2-1:提取特高压输电线路的点云数字图像,得到特高压输电线路无人机图像的视觉特征分布值;
步骤S2-2:利用电力线路三维可视化分布空间中N个图像采集点,电力线三维重建的像素值表示为X1(0)、X2(0)、……Xn(0),雷达点的水平坐标分别再X轴方向、Y轴方向的差异度因子i,在t时刻的导线雷达点在XOY平面匹配特征量分布值为Xi(0)=Xi1(t),Xi2(t),……Xid(t);
步骤S2-3:根据步骤S3-2中分裂导线与单导线、避雷线的形态特征分布差异度,得到输电线路无人机采集图像的三维重建型匹表示为Vi(t)=Vi1(t)、Vi2(t)…Vid(t);
步骤S2-4:得到特高压输电线路无人机图像的鲁棒LBP特征匹配最优解表示为Pi=(Pi2,Pi2……Pid)。
5.根据权利要求3所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,提取环境参数,根据像素点的雷达点水平坐标和无人机采集图像的三维重建型匹配数据,得到图像降噪重构函数如下所示:
Fm(z)=F(z),Fx(z),Fy(z);
其中,F(z)为特高压输电线路缺陷领域内的极大值,表示已捕获全局对比度信息;Fx(z)和Fy(z)分别为输电线线路机载雷达点云的密度。
6.根据权利要求1所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,步骤S3输电线路缺陷检测过程包括以下步骤:
步骤S3-1:结合输电线路的内部几何参数和线路外观几何参数分析的方法,建立特高压输电线路缺陷的三维点云重构模型,根据特高压输电线路缺陷三维点云的参数分布几何,得到输电线路的二维空间分布阈值P(ni)=PKPRKJ=1,K=1,2,...,M;
步骤S3-2:通过步骤S5-1中电塔的粗略位置和顺次连接点的位置参数估计,得到相关电塔点云分布的二维数据;
步骤S3-3:以像素点(x,y)为中心,得到无人机机载激光云点数据的分配特征属性集为:
Flg-m(z)=flg(z),Flg-x(z),Flg-y(z);
其中,Flg(z)=f(z)*f-1(GW)为领域测试度函数。
7.根据权利要求1所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,所述步骤S4缺陷特征提取过程包括以下步骤:
步骤S4-1:分析在缺陷状态下的特高压输电线路的变形和异常参数分布情况,根据输电线路无人机图像的点云数据分布投影点;
步骤S4-2:采用簇聚类分析的方法,得到输电线路无人机参数分布的特征点,由此得到输电线路缺陷特征分布在该领域内的极大值;
步骤S4-3:根据输电线路无人机图像的点云数据分布投影点,分析缺陷故障下不连通,簇之间的空间间隔量,在临时坐标系中得到局部坐标值;
步骤S4-4:根据电力线空间配置,采用机载雷达系统获取点云参数,实现特高压输电线路缺陷特征提取并检测。
8.根据权利要求1所述的一种基于无人机图像识别技术的特高压输电线路缺陷检测方法,其特征是,当巡检数据完整性和图像完整性判断完成后,若巡检数据和三维图像不完整时,重新进行无人机机载激光雷达测量,完成测量后再进行电力三维空间配置结构和三维可视化导线测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240883.4A CN115937086A (zh) | 2022-10-11 | 2022-10-11 | 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240883.4A CN115937086A (zh) | 2022-10-11 | 2022-10-11 | 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937086A true CN115937086A (zh) | 2023-04-07 |
Family
ID=86553013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211240883.4A Pending CN115937086A (zh) | 2022-10-11 | 2022-10-11 | 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611752A (zh) * | 2024-01-22 | 2024-02-27 | 卓世未来(成都)科技有限公司 | 一种数字人的3d模型生成方法及系统 |
-
2022
- 2022-10-11 CN CN202211240883.4A patent/CN115937086A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611752A (zh) * | 2024-01-22 | 2024-02-27 | 卓世未来(成都)科技有限公司 | 一种数字人的3d模型生成方法及系统 |
CN117611752B (zh) * | 2024-01-22 | 2024-04-02 | 卓世未来(成都)科技有限公司 | 一种数字人的3d模型生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN103487729A (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
CN106570947A (zh) | 电力设施智能巡检系统及方法 | |
CN111080634A (zh) | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 | |
CN104318582A (zh) | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 | |
CN113767409A (zh) | 输配电设备诊断方法、装置、系统、计算设备、介质以及产品 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
Liu et al. | Multi-objective performance evaluation of the detection of catenary support components using DCNNs | |
CN114114314A (zh) | 基于激光点云的输电线路巡检检测系统及检测方法 | |
CN110533642A (zh) | 一种绝缘子损伤的检测方法 | |
CN102519846A (zh) | 基于高光谱的复合绝缘子憎水性检测方法 | |
CN115184726B (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN115937086A (zh) | 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及系统 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
CN115547003A (zh) | 一种输电线路的防外破报警方法和系统 | |
CN109389160A (zh) | 基于深度学习的电力绝缘端子缺陷检测方法 | |
CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN117078587A (zh) | 一种基于三维点云的隧道电缆附件检测方法及系统 | |
CN112288674A (zh) | 车载式接触网部件缺陷在线识别方法 | |
Panigrahy et al. | Research on transmission line insulator defects detection using YOLOv7 | |
Zhang et al. | Research on Fault Detection Method of Catenary Equipment Based on Deep Learning | |
Potnuru et al. | Image processing and machine learning applied for condition monitoring of 11-kV power distribution line insulators using curvelet and LTP features |
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 |