CN116524196A - 一种基于图像识别技术的输电线智能检测系统 - Google Patents

一种基于图像识别技术的输电线智能检测系统 Download PDF

Info

Publication number
CN116524196A
CN116524196A CN202310735437.9A CN202310735437A CN116524196A CN 116524196 A CN116524196 A CN 116524196A CN 202310735437 A CN202310735437 A CN 202310735437A CN 116524196 A CN116524196 A CN 116524196A
Authority
CN
China
Prior art keywords
image
segmentation
unit
power transmission
line detection
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
Application number
CN202310735437.9A
Other languages
English (en)
Other versions
CN116524196B (zh
Inventor
陈焕彬
周海
田松林
刘兆平
黄杰
赵铭
林镇锋
张国昌
尹巧玲
李锐
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.)
China Southern Power Grid Digital Platform Technology Guangdong Co ltd
Original Assignee
China Southern Power Grid Digital Platform Technology Guangdong 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 China Southern Power Grid Digital Platform Technology Guangdong Co ltd filed Critical China Southern Power Grid Digital Platform Technology Guangdong Co ltd
Priority to CN202310735437.9A priority Critical patent/CN116524196B/zh
Publication of CN116524196A publication Critical patent/CN116524196A/zh
Application granted granted Critical
Publication of CN116524196B publication Critical patent/CN116524196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于检测领域，公开了一种基于图像识别技术的输电线智能检测系统，图像分割模块，图像分割模块包括获取单元、计算单元、筛选单元和分割单元；获取单元用于获取输电线检测图像所对应的筛选图像集合；计算单元用于计算中各个元素的图像综合系数；筛选单元用于获取中图像综合系数最大的元素；分割单元用于基于对输电线检测图像进行图像分割，获得前分割图像。本发明在进行图像分割时能够选出噪声信息尽可能少的图像来进行图像分割，从而提高分割结果的准确率。

Description

一种基于图像识别技术的输电线智能检测系统
技术领域
本发明涉及检测领域，尤其涉及一种基于图像识别技术的输电线智能检测系统。
背景技术
传统的输电线检测一般是依靠人工的方式进行。这种检测方式不仅效率低，而且检测工人在崎岖的山路上带着大量的装备行走，还存在滑坡事件影响人身安全。随着无人机技术的逐渐成熟，现有技术中也开始大量地使用无人机来进行输电线的检测，具体的检测方式为先通过无人机来获取输电线的图像，然后进行图像分割来将背景的像素点去掉，留下输电线所在的前景区域作为检测区域，接着将分割得到的图像输入到检测算法中进行检测，判断输电线是否出现问题。
但是现有的基于图像识别的输电线检测系统，在进行图像分割的过程中，一般都是仅在获得灰度图像后便进行图像分割，但是灰度图像中包含了比较多的噪声信息，因此，仅依靠灰度图像来进行图像分割，容易获得不够准确的分割结果。
发明内容
本发明的目的在于公开一种基于图像识别技术的输电线智能检测系统，解决如何提高基于图像识别的输电线检测系统在图像分割的过程中的分割结果的准确率的问题。
为了达到上述目的，本发明采用如下技术方案：
一种基于图像识别技术的输电线智能检测系统，包括图像分割模块，图像分割模块包括获取单元、计算单元、筛选单元和分割单元；
获取单元用于获取输电线检测图像所对应的筛选图像集合；
计算单元用于计算中各个元素的图像综合系数；
筛选单元用于获取中图像综合系数最大的元素/>；
分割单元用于基于对输电线检测图像进行图像分割，获得前分割图像。
可选的，基于图像识别技术的输电线智能检测系统还包括无人机模块；
无人机模块用于获取待检测的输电线的输电线检测图像。
可选的，基于图像识别技术的输电线智能检测系统还包括图像识别模块；
图像识别模块包括降噪单元、提高单元、复分割单元和识别单元；
降噪单元用于对前分割图像进行降噪处理，获得待提高图像；
提高单元用于对待提高图像进行细节提高处理，获得待分割图像；
复分割单元用于对待分割图像进行复分割处理，获得待识别图像；
识别单元用于对待识别图像进行图像识别，判断待识别图像中是否出现预设类型的缺陷。
可选的，获取输电线检测图像所对应的筛选图像集合，包括：
获取输电线检测图像在Lab颜色模型中的亮度图像；
获取输电线检测图像的灰度图像；
获得输电线检测图像在RGB颜色模型中的红色基本色的图像、蓝色基本色的图像和绿色基本色的图像；
将亮度图像、灰度图像、红色基本色的图像、蓝色基本色的图像和绿色基本色的图像作为筛选图像集合中的元素。
可选的，计算中各个元素的图像综合系数，包括：
对于中的第i个元素/>，采用以下函数计算/>的图像综合系数：
其中，表示/>的图像综合系数，/>和/>表示设定的权重系数，，/>表示/>的噪声估计方差，/>表示设定的噪声估计方差的标准值，/>表示/>的像素值的理论最大值，/>表示像素值为j的像素点的数量，/>表示中的像素点的数量，/>表示设定的信息量标准值。
可选的，基于对输电线检测图像进行图像分割，获得前分割图像，包括：
使用图像分割算法对进行图像分割，获得图像前景区域的像素点的集合；
将中的像素点在输电线检测图像中对应的像素点作为前分割图像中的像素点。
可选的，预设类型的缺陷包括输电线上有杂物覆盖、输电线有裂痕和输电线断开。
可选的，图像分割算法包括基于区域的图像分割算法和基于边缘的图像分割算法。
与现有的基于图像识别的输电线检测系统在进行图像分割时不同，本发明是先在进行图像降噪之前进行了一次的图像分割，而在图像分割的过程中，本发明不是直接对灰度图像进行分割，而是先获取筛选图像集合，然后再从根据图像综合系数从选出用于进行分割的图像，接着基于选出的图像进行图像分割。由于进行图像分割的图像的选择范围变大了，因此，本发明在进行图像分割时能够选出噪声信息尽可能少的图像来进行图像分割，从而提高分割结果的准确率。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明一种基于图像识别技术的输电线智能检测系统的第一种实施例图。
图2为本发明一种基于图像识别技术的输电线智能检测系统的第二种实施例图。
图3为本发明一种基于图像识别技术的输电线智能检测系统的第三种实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示的一种实施例，本发明提供了一种基于图像识别技术的输电线智能检测系统，包括图像分割模块，图像分割模块包括获取单元、计算单元、筛选单元和分割单元。
在一种实施方式中，获取单元用于获取输电线检测图像所对应的筛选图像集合。
具体的，获取输电线检测图像所对应的筛选图像集合，包括：
获取输电线检测图像在Lab颜色模型中的亮度图像；
获取输电线检测图像的灰度图像；
获得输电线检测图像在RGB颜色模型中的红色基本色的图像、蓝色基本色的图像和绿色基本色的图像；
将亮度图像、灰度图像、红色基本色的图像、蓝色基本色的图像和绿色基本色的图像作为筛选图像集合中的元素。
本发明是在不同的颜色模型中获取不同的图像来作为备选的用于分割的图像，然后选取满足要求的图像进行图像分割，可选范围比现有的只能使用灰度图像的方式相比，得到了显著的扩大，从而提高了能够提升图像分割的准确率的概率。
需要注意的是，除了上面列举到的图像之外，还可以包括其它的能够用于进行图像分割的图像。
在一种实施方式中，计算单元用于计算中各个元素的图像综合系数。
具体的，计算中各个元素的图像综合系数，包括：
对于中的第i个元素/>，采用以下函数计算/>的图像综合系数：
其中，表示/>的图像综合系数，/>和/>表示设定的权重系数，，/>表示/>的噪声估计方差，/>表示设定的噪声估计方差的标准值，/>表示/>的像素值的理论最大值，/>表示像素值为j的像素点的数量，/>表示中的像素点的数量，/>表示设定的信息量标准值。/>，/>表示/>中的元素的数量。
具体的，理论最大值指的是在自身所处的颜色模型中的取值范围，例如，灰度图像的像素值的理论最大值为255。
在综合系数的计算上，本发明主要是从噪声估计方差以及信息量两个方面来进行考虑，噪声估计方差越小，信息量越大，则综合系数越大；噪声估计方差越大，信息量越小，则综合系数越小。本发明的设置方式能够选出噪声含量少而信息含量大的图像来作为分割图像，从而提高分割结果的准确率。
在一种实施方式中，筛选单元用于获取中图像综合系数最大的元素。
在一种实施方式中，分割单元用于基于对输电线检测图像进行图像分割，获得前分割图像。
具体的，基于对输电线检测图像进行图像分割，获得前分割图像，包括：
使用图像分割算法对进行图像分割，获得图像前景区域的像素点的集合；
将中的像素点在输电线检测图像中对应的像素点作为前分割图像中的像素点。
前景区域即输电线所在的区域，在中，除了前景图像之外还包括背景区域，背景区域中的像素点对后续的图像识别不起作用，因此，去掉背景区域中的像素点后，图像识别所要处理的像素点变少，能够提高后续的图像识别的效率。
具体的，图像分割算法包括基于区域的图像分割算法和基于边缘的图像分割算法。
基于区域的图像分割算法包括直方图分割算法、区域生长算法、随机场模型分割算法和标记法等。而基于边缘的图像分割算法则包括基于图像局部函数的分割算法、基于图像滤波的分割算法、基于边界曲线拟合的分割算法和基于活动轮廓的分割算法等。
在进行图像分割的过程中，可以根据实际的需求自行选择合适的分割算法。
在一种实施方式中，如图2所示，基于图像识别技术的输电线智能检测系统还包括无人机模块；
无人机模块用于获取待检测的输电线的输电线检测图像。
在一种实施方式中，如图3所示，基于图像识别技术的输电线智能检测系统还包括图像识别模块，图像识别模块包括降噪单元、提高单元、复分割单元和识别单元。
在一种实施方式中，降噪单元用于对前分割图像进行降噪处理，获得待提高图像。
具体的，对前分割图像进行降噪处理，获得待提高图像，包括：
使用如下函数对前分割图像进行降噪处理：
其中，和/>分别表示第d次和第d+1次降噪处理获得的图像，/>表示预设的控制系数，/>表示降噪角度的集合，/>，/>表示坐标为的像素点在降噪角度h上的传递系数，/>表示坐标为/>的像素点在降噪角度h上的层次系数；
对前分割图像进行D次降噪处理后，获得待提高图像。
本发明在降噪的过程中采用的是多次降噪的方式，后一次的降噪是在前一次降噪的结果上进行的，有效地提高了降噪结果的准确性。而在降噪的时候，本发明设置了不同的降噪角度，并基于不同降噪角度的降噪结果得到降噪处理的结果，能够避免将边缘区域的像素点错误地识别为噪声点，造成对边缘细节的削弱。因为边缘像素点与噪声像素点类似，在局部区域内一般都是像素值最大的像素点，但是，边缘像素点在边缘方向上的像素值的差异比较小，因而，本发明在对应的降噪角度上能够检测出来，对其进行了保留。
具体的，传递系数的计算函数为：
，
其中，表示指数参数，/>，z表示降噪参数。
传递系数由层次系数和降噪系数综合计算得到，能够反映图像中的像素值的变化。
具体的，降噪参数z的计算方式为：
若，则使用以下函数计算z：
若，则使用以下函数计算z：
若，则使用以下函数计算z：
其中，表示常数系数，/>表示对坐标为/>的像素点进行微分的结果，/>表示比例参数，/>，/>表示预设的参数门槛值，/>表示大于0的范围系数。
在本发明中，通过设置参数门槛值和范围系数自适应地为不同情况下的层次系数生产了对应的降噪参数，能够提高传递系数计算结果的准确性。使得前一次的降噪结果能够平缓地地传递到后一次的降噪计算过程中，避免了边缘处像素值的突变。
具体的，层次系数的计算方式为：
当时，/>
其中，表示在前分割图像对应的灰度图像/>中，坐标为/>的像素点的左侧的像素点的像素值，/>表示/>中坐标为/>的像素点的像素值；
当时，/>
其中，表示/>中，坐标为/>的像素点的右侧的像素点的像素值，
当时，/>
其中，表示/>中，坐标为/>的像素点的正上方的像素点的像素值，
当时，/>
其中，表示/>中，坐标为/>的像素点的正下方的像素点的像素值。
具体的，层次系数主要是计算当前的像素点与其在降噪角度上对应的像素点的之间的像素差，差值越大，则表示层次划分越明显。
在一种实施方式中，提高单元用于对待提高图像进行细节提高处理，获得待分割图像。
具体的，细节提高处理可以采用如下函数进行：
其中，表示像素点/>在待提高图像中的像素值，/>表示像素点/>在前分割图像中对应的像素点的像素值，/>表示像素点/>在前分割图像中对应的像素点的像素值，像素点/>表示待提高图像中的图像边缘区域的像素点，/>表示像素点/>在待分割图像中的像素值，/>表示待提高图像中的像素值中值所对应的像素点。
在细节提高的过程中，本发明仅对待提高图像中的边缘区域的像素点进行提高处理，从而在保留了细节提高处理的精度的同时，提高了处理的效率。在获得的待分割图像中，由于将前分割图像中像素点之间的像素值比例关系传递到了细节提高图像中，因此在边缘区域得到了有效的增强，同时又有效地保留了降噪的效果。
在一种实施方式中，复分割单元用于对待分割图像进行复分割处理，获得待识别图像。
具体的，采用图像分割算法对待分割图像进行复分割处理，能够进一步提高分割结果的准确性，在分割单元进行的是初步的分割，由于噪声的存在，分割的结果可能不够准确，因此，本发明在降噪后再次进行了分割处理，从而提高了分割的精度，进一步减少需要进行图像识别的像素点的数量，提高本发明的对输电线进行检测的效率。
在一种实施方式中，识别单元用于对待识别图像进行图像识别，判断待识别图像中是否出现预设类型的缺陷。
具体的，预设类型的缺陷包括输电线上有杂物覆盖、输电线有裂痕和输电线断开。
这里的预设类型的缺陷为输电线在工作过程中可能会出现的缺陷。例如，输电线可能会被雪覆盖，被塑料袋覆盖等。
与现有的基于图像识别的输电线检测系统在进行图像分割时不同，本发明是先在进行图像降噪之前进行了一次的图像分割，而在图像分割的过程中，本发明不是直接对灰度图像进行分割，而是先获取筛选图像集合，然后再从根据图像综合系数从选出用于进行分割的图像，接着基于选出的图像进行图像分割。由于进行图像分割的图像的选择范围变大了，因此，本发明在进行图像分割时能够选出噪声信息尽可能少的图像来进行图像分割，从而提高分割结果的准确率。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (8)

1.一种基于图像识别技术的输电线智能检测系统，其特征在于，包括图像分割模块，图像分割模块包括获取单元、计算单元、筛选单元和分割单元；
获取单元用于获取输电线检测图像所对应的筛选图像集合；
计算单元用于计算中各个元素的图像综合系数；
筛选单元用于获取中图像综合系数最大的元素/>；
分割单元用于基于对输电线检测图像进行图像分割，获得前分割图像。
2.根据权利要求1所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，还包括无人机模块；
无人机模块用于获取待检测的输电线的输电线检测图像。
3.根据权利要求1所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，还包括图像识别模块；
图像识别模块包括降噪单元、提高单元、复分割单元和识别单元；
降噪单元用于对前分割图像进行降噪处理，获得待提高图像；
提高单元用于对待提高图像进行细节提高处理，获得待分割图像；
复分割单元用于对待分割图像进行复分割处理，获得待识别图像；
识别单元用于对待识别图像进行图像识别，判断待识别图像中是否出现预设类型的缺陷。
4.根据权利要求1所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，获取输电线检测图像所对应的筛选图像集合，包括：
获取输电线检测图像在Lab颜色模型中的亮度图像；
获取输电线检测图像的灰度图像；
获得输电线检测图像在RGB颜色模型中的红色基本色的图像、蓝色基本色的图像和绿色基本色的图像；
将亮度图像、灰度图像、红色基本色的图像、蓝色基本色的图像和绿色基本色的图像作为筛选图像集合中的元素。
5.根据权利要求1所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，计算中各个元素的图像综合系数，包括：
对于中的第i个元素/>，采用以下函数计算/>的图像综合系数：
；
其中，表示/>的图像综合系数，/>和/>表示设定的权重系数，，/>表示/>的噪声估计方差，/>表示设定的噪声估计方差的标准值，/>表示/>的像素值的理论最大值，/>表示像素值为j的像素点的数量，/>表示中的像素点的数量，/>表示设定的信息量标准值。
6.根据权利要求1所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，基于对输电线检测图像进行图像分割，获得前分割图像，包括：
使用图像分割算法对进行图像分割，获得图像前景区域的像素点的集合；
将中的像素点在输电线检测图像中对应的像素点作为前分割图像中的像素点。
7.根据权利要求3所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，预设类型的缺陷包括输电线上有杂物覆盖、输电线有裂痕和输电线断开。
8.根据权利要求6所述的一种基于图像识别技术的输电线智能检测系统，其特征在于，图像分割算法包括基于区域的图像分割算法和基于边缘的图像分割算法。
CN202310735437.9A 2023-06-21 2023-06-21 一种基于图像识别技术的输电线智能检测系统 Active CN116524196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735437.9A CN116524196B (zh) 2023-06-21 2023-06-21 一种基于图像识别技术的输电线智能检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735437.9A CN116524196B (zh) 2023-06-21 2023-06-21 一种基于图像识别技术的输电线智能检测系统

Publications (2)

Publication Number Publication Date
CN116524196A true CN116524196A (zh) 2023-08-01
CN116524196B CN116524196B (zh) 2023-09-01

Family

ID=87406589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735437.9A Active CN116524196B (zh) 2023-06-21 2023-06-21 一种基于图像识别技术的输电线智能检测系统

Country Status (1)

Country Link
CN (1) CN116524196B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117152687A (zh) * 2023-10-31 2023-12-01 中国通信建设第三工程局有限公司 一种通信线路状态监测系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122953A (zh) * 2007-09-21 2008-02-13 北京大学 一种图片文字分割的方法
CN106097308A (zh) * 2016-05-31 2016-11-09 长沙理工大学 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法
KR101778605B1 (ko) * 2017-02-21 2017-09-14 주식회사 엑시냅스 차량 번호판 인식 방법 및 장치
CN110415251A (zh) * 2019-07-02 2019-11-05 广州大学 一种背景检测的图像分割方法与装置
CN114993298A (zh) * 2022-04-29 2022-09-02 南京航空航天大学 基于ekf的模板匹配vo与轮式里程计融合定位方法
US20220414830A1 (en) * 2019-12-16 2022-12-29 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for improved object detection
CN116152270A (zh) * 2022-11-14 2023-05-23 上海耐欣科技有限公司 图像处理方法、装置、设备和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122953A (zh) * 2007-09-21 2008-02-13 北京大学 一种图片文字分割的方法
CN106097308A (zh) * 2016-05-31 2016-11-09 长沙理工大学 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法
KR101778605B1 (ko) * 2017-02-21 2017-09-14 주식회사 엑시냅스 차량 번호판 인식 방법 및 장치
CN110415251A (zh) * 2019-07-02 2019-11-05 广州大学 一种背景检测的图像分割方法与装置
US20220414830A1 (en) * 2019-12-16 2022-12-29 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for improved object detection
CN114993298A (zh) * 2022-04-29 2022-09-02 南京航空航天大学 基于ekf的模板匹配vo与轮式里程计融合定位方法
CN116152270A (zh) * 2022-11-14 2023-05-23 上海耐欣科技有限公司 图像处理方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢振泰 等: "基于霍特林变换的三维医学图像快速配准算法", 计算机工程与应用, vol. 43, no. 05, pages 15 - 17 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN116846789B (zh) * 2023-09-01 2023-11-14 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117152687A (zh) * 2023-10-31 2023-12-01 中国通信建设第三工程局有限公司 一种通信线路状态监测系统
CN117152687B (zh) * 2023-10-31 2024-01-26 中国通信建设第三工程局有限公司 一种通信线路状态监测系统

Also Published As

Publication number Publication date
CN116524196B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116524196B (zh) 一种基于图像识别技术的输电线智能检测系统
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN107301623B (zh) 一种基于暗通道和图像分割的交通图像去雾方法及系统
CN110008932B (zh) 一种基于计算机视觉的车辆违章压线检测方法
CN109035195B (zh) 一种织物疵点检测方法
TW201120814A (en) Method for determining if an input image is a foggy image, method for determining a foggy level of an input image and cleaning method for foggy images
CN109584253B (zh) 油液磨粒图像分割方法
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN109584258B (zh) 草地边界识别方法及应用其的智能割草装置
CN115331119B (zh) 一种固体废弃物识别方法
CN115937216A (zh) 一种新能源汽车用磁转子外观质量检测方法
CN116310845B (zh) 一种用于污水处理的智能监测系统
CN110726725A (zh) 一种输电线路金具锈蚀检测方法及装置
CN115631116B (zh) 基于双目视觉的飞行器电力巡检系统
CN107507140B (zh) 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法
Mubashshira et al. An unsupervised approach for road surface crack detection
CN115511869A (zh) 基于视觉分析的智能检测方法、装置、设备及介质
CN110807406A (zh) 一种雾天检测方法及装置
CN116630321B (zh) 基于人工智能的桥梁健康智能监测系统
CN102313740B (zh) 太阳能电池板裂痕检测方法
CN110223253B (zh) 一种基于图像增强的去雾方法
CN112052768A (zh) 基于无人机的城市违章停车检测方法、装置及存储介质
CN112598674A (zh) 用于车辆的图像处理方法、装置及车辆

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