CN117253179B - 配电线路鸟巢检测方法、存储介质和电子设备 - Google Patents
配电线路鸟巢检测方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117253179B CN117253179B CN202311547693.1A CN202311547693A CN117253179B CN 117253179 B CN117253179 B CN 117253179B CN 202311547693 A CN202311547693 A CN 202311547693A CN 117253179 B CN117253179 B CN 117253179B
- Authority
- CN
- China
- Prior art keywords
- tower
- image
- region
- area
- distribution line
- 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.)
- Active
Links
- 235000005770 birds nest Nutrition 0.000 title claims abstract description 101
- 235000005765 wild carrot Nutrition 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 239000012212 insulator Substances 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 9
- 244000000626 Daucus carota Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 240000004282 Grewia occidentalis Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Abstract
本发明公开了一种配电线路鸟巢检测方法、存储介质和电子设备,所述配电线路鸟巢检测方法包括:获得配电线路图像;对所述配电线路图像中的杆塔进行识别,得到杆塔图像区域和杆塔类型;基于所述杆塔类型得到所述杆塔图像区域对应的感兴趣区域;基于所述感兴趣区域对所述配电线路图像进行裁剪,得到裁剪后图像;基于所述裁剪后图像检测所述配电线路上是否存在鸟巢。应用本发明实施例提供的方案能够提高对鸟巢进行检测的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种配电线路鸟巢检测方法、存储介质和电子设备。
背景技术
配电线路上的鸟巢属于一种高危缺陷,对配电线路的安全有较大的影响。然而传统的人工巡检配电线路的方式耗时耗力,效率较低,给电力工作者带来很大的困扰。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出一种配电线路鸟巢检测方法、存储介质和电子设备,以提高对鸟巢进行检测的效率。
根据本发明实施例的第一方面,提供了一种配电线路鸟巢检测方法,所述方法包括:
获得配电线路图像;
对所述配电线路图像中的杆塔进行识别,得到杆塔图像区域和杆塔类型;
基于所述杆塔类型得到所述杆塔图像区域对应的感兴趣区域;
基于所述感兴趣区域对所述配电线路图像进行裁剪,得到裁剪后图像;
基于所述裁剪后图像检测所述配电线路上是否存在鸟巢。
根据本发明实施例的第二方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述配电线路鸟巢检测方法。
根据本发明实施例的第三方面,提供了一种电子设备,包括:存储器、处理器;所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现上述配电线路鸟巢检测方法。
本发明实施例提供的方案中,可以在获得配电线路图像的情况下,对配电线路进行裁剪,并基于裁剪后的图像进行检测,直接通过图像检测确定配电线路上的鸟巢,减少巡检输电线路所需的资源,提高对鸟巢进行检测的效率。
并且,上述过程中,可以通过对配电线路图像中的杆塔进行识别,能够得到杆塔图像区域和杆塔类型,从而针对不同杆塔类型的配电线路图像,得到与杆塔接近的鸟巢可能存在的感兴趣区域,并按照感兴趣区域进行裁剪。这样,通过感兴趣区域快速定位到可能存在鸟巢的位置,有针对性地检测并发现配电线路上的鸟巢,提高了检测的准确性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明实施例提供的第一种配电线路鸟巢检测方法的流程示意图。
图2是本发明实施例提供的第一种配电线路图像的示意图。
图3是本发明实施例提供的一种杆塔的示意图。
图4是本发明实施例提供的第二种配电线路图像的示意图。
图5是本发明实施例提供的第二种配电线路鸟巢检测方法的流程示意图。
图6是本发明实施例提供的一种电子设备的结构示意图。
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,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例提供的配电线路鸟巢检测方法、存储介质和电子设备。
本发明的一个实施例中,参见图1,提供了一种配电线路鸟巢检测方法,该方法包括以下步骤S101-S105。
步骤S101:获得配电线路图像。
配电线路图像可以由无人机等移动工具携带拍摄设备拍摄,也可以由位置固定的拍摄设备拍摄;拍摄设备可以是相机、摄像头等,本发明实施例并不对此进行限定。
步骤S102:对配电线路图像中的杆塔进行识别,得到杆塔图像区域和杆塔类型。
如图2所示,杆塔为图中架设配电线路的杆状结构。
识别杆塔的方式可以是:将杆塔输入预先训练的杆塔检测模型,由杆塔检测模型输出识别结果。
其中,杆塔检测模型可以是杆塔图像作为输入进行训练的图像检测模型,例如YOLO目标检测模型。
另外,也可以从已知存在杆塔的杆塔图像中提取杆塔的图像特征,并与配电线路图像的图像特征进行对比,基于所对比的图像特征的相似度进行识别等。
识别到杆塔在配电线路图像中所在的区域即为杆塔图像区域。杆塔图像区域包含用于描绘杆塔的像素点。
杆塔类型表示配电线路图像中杆塔为近景杆塔或者远景杆塔。在存在近景杆塔或者远景杆塔的情况下,接近杆塔的图像区域不同,相应的,接近杆塔的鸟巢在图像中可能出现的区域也不同,即感兴趣区域ROI(Region of interest)不同。因此,需要根据杆塔类型对配电线路图像进行区分,以采用不同的方式确定不同杆塔类型下的感兴趣区域。
本发明的一个实施例中,可以计算杆塔图像区域的宽高比,并基于计算所得宽高比确定杆塔类型。具体可以参照后续实施例,此处暂不详述。
步骤S103:基于杆塔类型得到杆塔图像区域对应的感兴趣区域。
由于鸟巢会安置于杆塔附近位置,例如,在图2所示的环境中安置于靠近杆塔顶端的位置,因此,本发明的一个实施例中,可以采用目标比例系数调整杆塔图像的边界,得到感兴趣区域的边界,从而得到接近杆塔图像区域的感兴趣区域。其中,目标比例系数用于确定杆塔图像区域、对应的感兴趣区域之间的偏移量。目标比例系数的确定方式详见后续实施例,此处暂不详述。
目标比例系数根据杆塔类型确定。若在远景杆塔的情况下使用和近景杆塔相同的目标比例系数,则由于远景杆塔的杆塔图像区域在配电线路图像中占比较小,若采用和近景相同的目标比例系数调整,如扩展相同宽度、高度,则扩展后的区域可能包括较多与配电线路无关的环境图像,也就是对识别鸟巢来说无效的图像信息,从而影响图像识别。
步骤S104:基于感兴趣区域对配电线路图像进行裁剪,得到裁剪后图像。
本发明的一个实施例中,对配电线路图像进行裁剪的实现方式为:选择配电线路图像中位于感兴趣区域内的子图像,作为裁剪后图像。
感兴趣区域的边界是基于杆塔图像区域的边界调整得到,可能超出配电线路图像的边界,在此情况下,超出配电线路图像的边界可以被对应方向上的配电线路图像的边界替代。例如感兴趣区域的上边界超出原图,则可以被配电线路图像的上边界替代。
步骤S105:基于裁剪后图像检测配电线路上是否存在鸟巢。
以下举例说明两种检测配电线路上是否存在鸟巢的实现方式。
第一种方式中,可以将剪裁后图像输入预先训练的鸟巢检测模型,得到鸟巢检测模型输出的检测结果。其中,鸟巢检测模型可以是:采用预先标注鸟巢位置的样本配电线路图像、以及对样本配电线路图像进行裁剪得到的裁剪后图像训练的网络模型,所训练的网络模型接收上述图像作为输入,输出对应的表示是否检测到鸟巢以及鸟巢位置的检测结果,使得鸟巢检测模型具有在配电线路图像的原图以及裁剪后图像中识别出鸟巢的能力。
所训练的网络模型可以是YOLO-V5模型、Faster R-CNN模型等。
由于所训练的鸟巢检测模型的输入尺寸有限,若直接将配电线路图像输入鸟巢检测模型,则需要对配电线路图像进行缩放,从而丢失图像信息;例如,为考虑鸟巢检测模型的显存占用及推理时间,将鸟巢检测模型输入的尺寸限制为640x640或者1280x1280,而拍摄配电线路图像的分辨率可以达到8000×6000。在此情况下,直接使用配电线路图像的原图进行检测,原图的宽高尺寸较大,在输入鸟巢检测模型时缩放程度较大,会产生较大的信息丢失问题。在步骤S104中对配电线路图像进行了裁剪,并使用裁剪后图像检测配电线路上是否存在鸟巢,可以输入减少鸟巢检测模型的图像的缩放程度,并通过获取感兴趣区域保留了较多有效图像信息,从而提高模型召回率。
第二种实现方式中,可以提取已确认存在鸟巢的图像中鸟巢的图像特征,并将所提取的图像特征与配电线路的图像特征进行对比,基于对比所得的相似度确定配电线路图像中是否存在鸟巢。
本发明实施例提供的方案中,可以在获得配电线路图像的情况下,对配电线路进行裁剪,并基于裁剪后的图像进行检测,直接通过图像检测确定配电线路上的鸟巢,减少巡检输电线路所需的资源,提高对鸟巢进行检测的效率。
并且,上述过程中,可以通过对配电线路图像中的杆塔进行识别,能够得到杆塔图像区域和杆塔类型,从而针对不同杆塔类型的配电线路图像,得到与杆塔接近的鸟巢可能存在的感兴趣区域,并按照感兴趣区域进行裁剪。这样,通过感兴趣区域快速定位到可能存在鸟巢的位置,有针对性地检测并发现配电线路上的鸟巢,提高了检测的准确性。
以下举例说明前述步骤S103中确定目标比例系数、感兴趣区域的具体实现方式。
本发明的一个实施例中,可以根据杆塔类型确定目标比例系数,并根据目标比例系数对杆塔图像区域进行调整,得到杆塔图像区域对应的感兴趣区域;
其中,若杆塔类型为近景杆塔,则根据杆塔图像区域的宽高比得到目标比例系数;若杆塔类型为远景杆塔,则将预设比例系数确定为目标比例系数。
目标比例系数为对杆塔图像区域进行调整的比例系数。具体的,可以预先设置目标比例系数所调整的区域的边界,例如设置目标比例系数用于调整杆塔图像区域的上边界。
采用目标比例系数调整后的边界作为感兴趣区域的边界,从而可以基于调整后的边界可以确定感兴趣区域。
调整边界的具体实现方式可以参见后续实施例。
以下举例说明目标比例系数的确定方式。
在杆塔类型为近景杆塔的情况下,可以计算出杆塔图像区域的宽高比,通过宽高比和比例系数的对应关系,得到杆塔图像区域的宽高比对应的比例系数,即为目标比例系数。
其中,对应关系可以按照以下方式确定。
例如,可以基于包含鸟巢的已标注图像,确定杆塔图像的宽高比、以及鸟巢所在区域边界和杆塔所在区域边界的偏移量,得出偏移量对应的比例系数,据此可以得到宽高比和比例系数的对应关系。
另外,可以按照上述方式,从n个杆塔图像中得到n个对应关系,并采用最小二乘法等曲线拟合方法拟合出一个表示上述对应关系的曲线。这样,在得到配电线路图像中杆塔图像区域的宽高比后,可以按照上述曲线确定对应的目标比例系数。
若杆塔类型为近景杆塔,则可以人为预设比例系数作为目标比例系数,所设置的目标比例系数可以根据包含鸟巢的已标注配电线路图像使用目标比例系数调整后得到的感兴趣区域是否能覆盖大部分的鸟巢目标来确定。
由上,在杆塔类型不同的情况下,可以分别设置适合远景杆塔和近景杆塔的目标比例系数,并采用目标比例系数对杆塔图像区域进行调整,使得所得感兴趣区域能够适配具有不同杆塔类型的配电线路图像。
本发明的一个实施例中,若杆塔类型为远景杆塔,步骤S103中得到的感兴趣区域可以基于配电线路图像中绝缘子的位置进行更新。
由于配电线路上的绝缘子可以为构建鸟巢提供支撑,相应的,鸟巢所在的位置较为可能地接近绝缘子的位置。因此,可以通过配电线路图像中绝缘子的位置对感兴趣区域进行更新。
以下举例说明对感兴趣区域进行更新的实现方式。
对配电线路图像进行绝缘子检测,确定配电线路图像中各绝缘子的第一位置;基于第一位置,确定感兴趣区域中包含的绝缘子的第二位置;确定包括第二位置的最小矩形区域;采用最小矩形区域更新感兴趣区域。
对绝缘子进行检测的实现方式类似前述实施例中检测配电线路上是否存在鸟巢的第一、二种实现方式,即,可以采用训练绝缘子检测模型的方式获得,也可以采用绝缘子的图像特征与配电线路的图像特征进行对比获得。其中,训练绝缘子检测模型的方式类似前述实施例中训练鸟巢检测模型的方式,区别仅在于输入绝缘子检测模型的图像与输入鸟巢检测模型的样本配电线路图像不同。输入绝缘子检测模型的图像可以是预先标注出绝缘子所在位置的样本配电线路图像。
上述实现方式中,检测到绝缘子后,可以确定所检测到的绝缘子在图像中的位置,即第一位置。第一位置以及第二位置具体可以用包含绝缘子图像的矩形框表示。
在上述实现方式中,可以基于第一位置确定感兴趣区域中绝缘子的第二位置,也就是确定位于感兴趣区域中的绝缘子的位置,作为第二位置,这样可以确定包围第二位置的绝缘子的最小矩形区域,并采用所确定的最小矩形区域更新感兴趣区域。
最小矩形区域是使得上述各绝缘子的第二位置位于该最小矩形区域的边界或内部的区域。
具体的,可以根据第二位置的坐标确定最小矩形区域。
例如,若感兴趣区域中包含n个绝缘子,n个绝缘子的第二位置可以用包含绝缘子的矩形框的四角坐标表示,则第二位置的坐标可以形成n行四列的数组。数组中前两列表示左上角坐标,后两列表示右下角坐标/>,j为1-n中任一整数。在此情况下,最小包围矩形的四角坐标为:
其中,表示上述数组。/>、/>为最小包围矩形的左上角的横、纵坐标,分别取/>中第0列,第1列的最小值,也就是前两列的最小值;/>、/>分别为最小包围矩形的右下角的横、纵坐标,分别取/>中第2列,第3列的最大值,也就是后两列的最大值。
以下说明采用最小矩形区域更新感兴趣区域的实现方式。
一种实现方式中,可以对最小矩形区域进行扩展,得到感兴趣区域。
另一种实现方式中,也可以直接将最小矩形区域作为更新后的感兴趣区域。
由于在现实环境中鸟巢可能接近绝缘子,所以感兴趣区域中绝缘子的位置更有可能与鸟巢在图像中的位置接近。在此情况下,用包括第二位置的最小矩形区域更新,也就是参考绝缘子的位置更新ROI,能够更为准确地确定感兴趣区域,排除与鸟巢无关的图像信息,留下更有可能包括鸟巢的区域作为感兴趣区域,进一步提高了配电线路鸟巢检测的准确性。
以下说明对最小矩形区域进行扩展的实现方式。
基于杆塔图像区域的中心位置对最小矩形区域进行分割,得到最小矩形区域的左侧区域和右侧区域;若左侧区域与右侧区域的宽度比例大于预设的第三阈值或小于预设的第四阈值,则基于左侧区域和右侧区域中较大区域对左侧区域和右侧区域中较小区域进行扩展;其中,第三阈值大于第四阈值;
基于扩展后的较小区域及较大区域更新感兴趣区域。
中心位置可以基于杆塔图像区域的左右边界确定,如下公式所示:
其中,为杆塔图像区域的中心位置,/>、/>分别为塔杆图像区域的左右边界,据此得到的中心位置也就相当于水平方向的中心位置。
具体的,可以获取平行四边形的杆塔图像区域的四角坐标,并根据所获取的坐标确定上述左右边界。
如图3,若杆塔图像区域左上角、右上角、右下角、左下角的坐标分别为(),(),(/>),(/>),则/>、/>分别为/>和/>。
在本发明的另一个实施例中,也可以计算杆塔图像区域的重心位置作为中心位置,本发明实施例并不对此进行限定。
这样,以中心位置的垂直线区分左侧区域和右侧区域,可以实现对最小矩形区域进行分割。
上述宽度比例按照以下方式进行计算:
其中,为宽度比例,/>为杆塔图像区域的中心位置,/>、/>为最小矩形区域的左右边界。以下公式A和公式B同样沿用此公式的字母表示。
上述第三阈值、第四阈值可以人为设置。
若较小区域为左侧区域,则较大区域为右侧区域。此种情况下的扩展方式为:通过获取最小矩形区域的右边界的镜像位置来更新最小矩形区域的左边界,如下公式A所示。
公式A:
若较小区域为右侧区域,则较大区域为左侧区域。此种情况下的扩展方式为,通过获取最小矩形区域的左边界的镜像位置来更新最小矩形区域的右边界,如下公式B所示。
公式B:
扩展后的较小区域及较大区域可以合并,得到合并区域,作为新的感兴趣区域,从而实现对感兴趣区域的更新。或者,还可以按照预设的扩展比例对合并区域的宽高再次进行扩展,例如,可以在保持合并区域的中心位置不变的情况下,将扩展比例与原有的合并区域的宽高相乘,得到感兴趣区域。
由于配电线路图像中绝缘子可能会被鸟巢覆盖,导致检测出的绝缘子数量少于预期,得到的最小矩形区域过小且难以覆盖鸟巢。在这种情况下,可以根据杆塔图像区域的中心位置和第三、第四阈值进行检测,若有一侧的区域较小,则认为绝缘子可能被覆盖,这时候用较大区域对较小区域进行扩展,使扩展之后的较小区域和较大区域组成的感兴趣区域更有可能覆盖鸟巢,这样对感兴趣区域进行检测,能够更为准确地检测到可能存在的鸟巢。
以下说明前述步骤S103中采用目标比例系数对杆塔图像区域进行调整的具体实现方式。
本发明的一个实施例中,根据目标比例系数对杆塔图像区域进行调整,得到杆塔图像区域对应的感兴趣区域,包括:
采用目标比例系数和杆塔图像区域的高度计算偏移量;根据偏移量对杆塔图像区域的上边界进行向上偏移调整,确定感兴趣区域的上边界;基于感兴趣区域的上边界、杆塔图像区域的下边界、以及杆塔图像区域的中心位置,确定感兴趣区域的侧边界;基于感兴趣区域的上边界、杆塔图像区域的下边界以及侧边界得到杆塔图像区域对应的感兴趣区域。
其中,将比例系数与杆塔图像区域的高度相乘,可以得到偏移量。
杆塔图像区域的高度按照以下公式确定:
其中,h表示高度,上下边界的端点位置可以用前述实施例中四角坐标表示。上边界的端点位置为(x1,y1),(x2,y2),下边界的端点位置为(x3,y3),(x4,y4),,为上述端点位置的纵坐标。
在此情况下,向上偏移调整使得感兴趣区域的上边界在杆塔图像区域的上边界上方,如下所示。
其中,坐标原点为配电线路图像的左上角。为杆塔图像区域的高度。/>为感兴趣区域的上边界,/>为杆塔图像区域的上边界。由于坐标原点为配电线路图像的左上角,/>小于/>,表示感兴趣区域的上边界在杆塔图像的上边界上方。
另外,鸟巢安置在杆塔上时会沿着杆塔向上堆积,因此杆塔的下边界下下方出现鸟巢的可能性较低,在上述实施例中,可以直接将塔杆图像区域的下边界作为感兴趣区域的下边界。
这样,基于感兴趣区域的上边界、杆塔图像区域的下边界、以及杆塔图像区域的中心位置确定感兴趣区域的侧边界,也就是在得到感兴趣区域的上下边界的情况下,确定对应上下边界的侧边界。
杆塔中心位置的获取方式见前述实施例中公式计算。
确定侧边界的实现方式如下:
其中,为杆塔图像区域的中心位置,/>、/>分别表示感兴趣区域的下边界和上边界。/>、/>分别表示感兴趣区域的侧边界中左、右边界。
由上,由于存在鸟巢高于杆塔上边界的情况,根据目标比例系数计算出偏移量,从而对杆塔图像区域的上边界向上调整,可以使得感兴趣区域包括至杆塔上方,也就能够覆盖住位置较高的鸟巢所在的图像区域,从而使得所确定的感兴趣区域与更加贴合鸟巢所在的图像区域。
以下对杆塔类型的确定方式进行说明。
本发明的一个实施例中,前述步骤S102按照以下方式实现:
对配电线路图像中的杆塔进行识别,得到杆塔图像区域;若杆塔图像区域与配电线路图像的高度比小于预设的第一阈值,且杆塔图像区域的宽高比大于预设的第二阈值,则确定杆塔类型为近景杆塔;否则,确定杆塔类型为远景杆塔。
识别杆塔的方式参见步骤S102,此处不再详述。
上述第一阈值和第二阈值可以预先设置。
例如,获取已知包含远景杆塔的第一样本图像和已知包含近景杆塔的第二样本图像,计算第一样本图像中的杆塔图像区域和配电线路图像的第一高度比、以及第二样本图像中的杆塔图像区域和配电线路图像的第二高度比,并基于计算得到的第一高度比、第二高度比确定第一阈值。
例如,选择第一高度比中的最小值和第二高度比中的最大值计算平均值,作为第一阈值;或者,选择上述最小值和最大值之一作为第一阈值。
另外,可以计算第一样本图像中杆塔图像区域的第一宽高比、以及第二样本图像中杆塔图像区域的第二宽高比,根据第一宽高比、第二宽高比确定第二阈值。确定方式可以类似上述第一阈值,区别仅在于计算最大值和最小值所使用的数据不同。
如图4所示,上方为远景杆塔,下方为近景杆塔。在配电线路图像中存在远景杆塔的情况下,远景杆塔具有更为完整的形状,而近景杆塔在配电线路图像中更可能只出现部分塔身,也就是近景杆塔出现在图像中的高度比远景杆塔的高度减少,且受到拍摄角度的限制,近景杆塔的上部可能会被鸟巢遮挡,进一步减少了能从图像中获取的近景杆塔的高度。这样,近景杆塔与配电线路图像的高度比相对于远景杆塔与配电线路图像的高度比小,并且,在近景杆塔具有完整的宽度和不完整的高度的情况下,近景杆塔的杆塔图像区域宽高比相对于远景杆塔较大。因此,设置针对高度比设置第一阈值、针对宽度比设置第二阈值,能够根据近景杆塔和远景杆塔分别对应的高度比、宽度比的差异,对杆塔类型进行区分。
本发明的一个实施例中,杆塔图像区域的宽高比按照以下方式获得:
根据杆塔图像区域的上下边界的端点位置和基于端点位置形成的竖向边缘的中间位置,确定杆塔图像区域的平均宽度;基于所确定的平均宽度和杆塔图像区域的高度,得到杆塔图像区域的宽高比。
沿用图3所示的实施例,上边界的端点位置为(),(/>),下边界的端点位置为(/>),(/>)。
竖向边缘基于上下边界中位于同一侧的端点位置确定。例如图3中,竖向边缘为()和(/>)之间的边缘/>以及(/>)和(/>)之间的边缘/>。
的直线方程为:
的直线方程为:
平均宽度的计算方式:基于上边界端点、下边界端点分别确定第一宽度、第二宽度,并计算竖向边缘之间的第三宽度,并基于第一宽度、第二宽度、第三宽度计算平均宽度。
其中,平均宽度的计算方式见下述公式。在下述公式中,上边界的端点位置为(),(/>),下边界的端点位置为(/>),(/>)。
其中,为上边界端点位置的纵坐标的平均值、/>为下边界端点位置的纵坐标的平均值。在此情况下,将/>、/>、/>作为下述公式中y的取值分别代入公式,得到第一宽度、第二宽度和第三宽度:
对第一宽度、第二宽度和第三宽度取平均值即为平均宽度。
宽高比相当于为平均宽度除以杆塔图像区域的高度所得比值。
由上,根据杆塔图像区域的上下边界的端点位置和基于端点位置形成的竖向边缘的中间位置,确定杆塔图像区域的平均宽度,从而在图像中杆塔宽度受拍摄角度、物理结构影响不能完全保持一致的情况下,选取有代表性的位置信息,得到平均宽度并计算宽高比。
以下说明步骤S105的实现方式。
本发明的一个实施例中,可以基于裁剪后图像检测得到第一检测结果,另外,还可以检测配电线路图像中是否存在鸟巢,得到第二检测结果;根据第一检测结果和第二检测结果,确定配电线路上是否存在鸟巢。
其中,第二检测结果为基于配电线路图像的原图检测得到的结果。
对配电线路图像进行检测的实现方式类似前述步骤S105中检测配电线路上是否存在鸟巢的实现方式,区别仅在被检测的图像不同,此处不再详述。
这样,可以在第一检测结果或者第二检测结果中任一表示存在鸟巢的情况下,确定配电线路上存在鸟巢。
或者,也可以基于第一检测结果和第二检测结果中包括的鸟巢的位置,确定是否存在鸟巢,例如在第一检测结果和第二检测结果中对于感兴趣区域中同一位置均检测到鸟巢的情况下,确定配电线路上存在鸟巢。
由于感兴趣区域相对于配电线路图像存在图像信息减少的情况,在检测的时候可能遗漏与杆塔图像区域距离较远的鸟巢,所以,在对感兴趣区域进行检测的基础上,再对配电线路图像全局进行检测,减少遗漏,能够进一步地提高检测的准确性。
以下结合图5所示的流程示意图对配电线路鸟巢检测方法的整体流程进行说明。
如图5所示,可以先通过杆塔分割模型获取杆塔角点坐标。杆塔分割模型为识别杆塔所用的杆塔检测模型,并在识别杆塔后,输出对应于杆塔图像区域的角点坐标,即:
通过绝缘子检测模型检测图像中存在的绝缘子目标,即对配电线路图像进行绝缘子检测,可以得到第一位置。
根据杆塔角点坐标通过选取的三个位置计算杆塔在图像中的平均宽度,杆塔角点坐标对应的三个位置可以是前述实施例中计算第一宽度、第二宽度、第三宽度的端点分别对应的位置,相应的,杆塔角点坐标可以是上边界的端点位置和下边界的端点位置。
通过平均宽度与图像中的杆塔高度计算杆塔在图像中的宽高比wh_ratio。/>/wh_ratio即为宽高比。
计算杆塔高度h与原图高度的比例。比例/>为杆塔图像区域与配电线路图像的高度比。
判断</>and wh_ratio>/>这一条件是否成立。其中,/>为第一阈值,/>为第二阈值。若上述判断条件满足,则杆塔类型为近景杆塔;否则,杆塔类型为远景杆塔。
在杆塔类型为近景杆塔的情况下,拟合宽高比与竖向增加比例的关系曲线并据此计算实际增加比例。竖向增加比例/>为目标比例系数,关系曲线为表示宽高比和比例系数的对应关系的曲线。
计算roi区域的上下边界。其中,roi区域为感兴趣区域;上边界的计算方式为:采用和杆塔图像区域的高度计算偏移量;根据偏移量对杆塔图像区域的上边界进行向上偏移调整;roi区域的下边界为杆塔图像区域的下边界。
计算roi区域的左右边界。左右边界的计算方式参见前述实施例中确定感兴趣区域的侧边界的实现方式,此处不再详述。
这样,在杆塔类型为近景杆塔的情况下,可以根据上述上下边界、左右边界确定感兴趣区域。
在杆塔类型为远景杆塔的情况下,计算roi区域的上下左右边界的实现方式与在杆塔类型为远景杆塔的情况下计算上下边界、左右边界的实现方式类似,区别在于,使用的竖向增加比例为:基于预设比例系数确定的目标比例系数。
根据绝缘子更新roi区域,包括对配电线路图像进行绝缘子检测,确定配电线路图像中各绝缘子的第一位置;基于第一位置,确定感兴趣区域中包含的绝缘子的第二位置;确定包括第二位置的最小矩形区域;采用最小矩形区域更新感兴趣区域。
根据杆塔中心位置和roi左右边界判断是否镜像调整左右边界。杆塔中心位置即杆塔图像区域的中心位置,基于杆塔图像区域的中心位置对最小矩形区域进行分割,得到最小矩形区域的左侧区域和右侧区域,再由roi左右边界和杆塔中心位置得到左侧区域与右侧区域的宽度,进而得到左侧区域与右侧区域的宽度比例;若左侧区域与右侧区域的宽度比例大于预设的第三阈值,右侧区域为较小区域,则镜像调整右侧区域,参见公式B;若左侧区域与右侧区域的宽度比例小于预设的第四阈值,左侧区域为较小区域,则镜像调整左侧区域,参见公式A。
根据预设阈值对roi区域进行扩展。预设阈值为前述实施例中的扩展比例的值。
根据roi区域和杆塔两者上边界的最小值更新roi区域上边界。此步骤以坐标原点位于配电线路图像上方为例,值越小的上边界越靠近坐标原点,也就是选择roi区域和杆塔图像区域两者中位于上方的上边界。
由此,在杆塔类型为远景杆塔的情况下,也可以得到上下边界、左右边界,并确定感兴趣区域。
在确定感兴趣区域后,确保roi边界均为整数且均在原图范围内。若roi边界即感兴趣区域的边界不为整数,则可以通过向下取整、向上取整等方式确定表示边界的坐标值,本发明实施例并不对此进行限定;若roi区域不在原图范围内,即roi区域的边界中存在超出配电线路图像的边界,超出配电线路图像的边界可以被对应方向上的配电线路图像的边界替代。
使用鸟巢检测模型推理roi区域,并将结果还原至原图。即按照roi区域裁剪配电线路图像,将剪裁后图像输入预先训练的鸟巢检测模型,得到鸟巢检测模型输出的第一检测结果。
使用鸟巢检测模型推理原图,与roi区域推理结果集成,得到最终鸟巢检测结果。其中,推理原图即采用鸟巢检测模型检测配电线路图像中是否存在鸟巢,得到第二检测结果;相应的,集成过程为:根据第一检测结果和第二检测结果,确定配电线路上是否存在鸟巢,得到最终鸟巢检测结果。
本发明的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述配电线路鸟巢检测方法。
本发明的一个实施例中,提供了一种电子设备,包括:存储器、处理器;所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现上述配电线路鸟巢检测方法。
图6是本发明实施例的控制器的结构框图。
如图6所示,控制器600包括:处理器601和存储器603。其中,处理器601和存储器603相连,如通过总线602相连。可选地,控制器600还可以包括收发器604。需要说明的是,实际应用中收发器604不限于一个,该控制器600的结构并不构成对本发明实施例的限定。
处理器601可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框、模块和电路。处理器601也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线602可包括一通路,在上述组件之间传送信息。总线602可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器603用于存储与本发明上述实施例的配电线路鸟巢检测方法对应的计算机程序,该计算机程序由处理器601来控制执行。处理器601用于执行存储器603中存储的计算机程序,以实现前述方法实施例所示的内容。
其中,控制器600包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的控制器600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种配电线路鸟巢检测方法,其特征在于,所述方法包括:
获得配电线路图像;
对所述配电线路图像中的杆塔进行识别,得到杆塔图像区域和杆塔类型;所述杆塔类型表示配电线路图像中杆塔为近景杆塔或者远景杆塔;
基于所述杆塔类型得到所述杆塔图像区域对应的感兴趣区域;
基于所述感兴趣区域对所述配电线路图像进行裁剪,得到裁剪后图像;
基于所述裁剪后图像检测所述配电线路上是否存在鸟巢;
若所述杆塔类型为远景杆塔,所述方法还包括:
对所述配电线路图像进行绝缘子检测,确定所述配电线路图像中各绝缘子的第一位置;
基于所述第一位置,确定所述感兴趣区域中包含的绝缘子的第二位置;
确定包括所述第二位置的最小矩形区域;所述最小矩形区域是使得各绝缘子的第二位置位于该最小矩形区域的边界或内部的区域;
采用所述最小矩形区域更新所述感兴趣区域;
所述采用所述最小矩形区域更新所述感兴趣区域,包括:
基于所述杆塔图像区域的中心位置对所述最小矩形区域进行分割,得到所述最小矩形区域的左侧区域和右侧区域;
若所述左侧区域与右侧区域的宽度比例大于预设的第三阈值或小于预设的第四阈值,则基于所述左侧区域和右侧区域中较大区域对所述左侧区域和右侧区域中较小区域进行扩展;其中,所述第三阈值大于所述第四阈值;
基于扩展后的较小区域及所述较大区域更新所述感兴趣区域。
2.根据权利要求1所述的方法,其特征在于,所述基于所述杆塔类型得到所述杆塔图像区域对应的感兴趣区域,包括:
根据所述杆塔类型确定目标比例系数,并根据所述目标比例系数对所述杆塔图像区域进行调整,得到所述杆塔图像区域对应的感兴趣区域;
其中,若所述杆塔类型为近景杆塔,则根据所述杆塔图像区域的宽高比得到所述目标比例系数;若所述杆塔类型为远景杆塔,则将预设比例系数确定为所述目标比例系数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标比例系数对所述杆塔图像区域进行调整,得到所述杆塔图像区域对应的感兴趣区域,包括:
采用所述目标比例系数和所述杆塔图像区域的高度计算偏移量;
根据所述偏移量对所述杆塔图像区域的上边界进行向上偏移调整,确定所述感兴趣区域的上边界;
基于所述感兴趣区域的上边界、所述杆塔图像区域的下边界、以及所述杆塔图像区域的中心位置,确定所述感兴趣区域的侧边界;
基于所述感兴趣区域的上边界、所述杆塔图像区域的下边界以及所述侧边界得到所述杆塔图像区域对应的感兴趣区域。
4.根据权利要求1所述的方法,其特征在于,所述对所述配电线路图像中的杆塔进行识别,得到杆塔图像区域和杆塔类型,包括:
对所述配电线路图像中的杆塔进行识别,得到杆塔图像区域;
若所述杆塔图像区域与所述配电线路图像的高度比小于预设的第一阈值,且所述杆塔图像区域的宽高比大于预设的第二阈值,则确定所述杆塔类型为近景杆塔;否则,确定所述杆塔类型为远景杆塔。
5.根据权利要求2所述的方法,其特征在于,所述杆塔图像区域的宽高比按照以下方式获得:
根据所述杆塔图像区域的上下边界的端点位置和基于所述端点位置形成的竖向边缘的中间位置,确定所述杆塔图像区域的平均宽度;
基于所确定的平均宽度和所述杆塔图像区域的高度,得到所述杆塔图像区域的宽高比。
6.根据权利要求1所述的方法,其特征在于,基于所述裁剪后图像检测得到第一检测结果,所述方法还包括:
检测所述配电线路图像中是否存在鸟巢,得到第二检测结果;
根据所述第一检测结果和所述第二检测结果,确定所述配电线路上是否存在鸟巢。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-6中任一项所述的方法。
8.一种电子设备,其特征在于,包括:存储器、处理器;所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311547693.1A CN117253179B (zh) | 2023-11-20 | 2023-11-20 | 配电线路鸟巢检测方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311547693.1A CN117253179B (zh) | 2023-11-20 | 2023-11-20 | 配电线路鸟巢检测方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253179A CN117253179A (zh) | 2023-12-19 |
CN117253179B true CN117253179B (zh) | 2024-02-02 |
Family
ID=89137357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311547693.1A Active CN117253179B (zh) | 2023-11-20 | 2023-11-20 | 配电线路鸟巢检测方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253179B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375726A (zh) * | 2010-08-16 | 2012-03-14 | 北京国科恒通电气自动化科技有限公司 | 一种动态调整变配电站所、杆塔设备图符显示和局部拓扑连接显示的方法 |
JP2015053832A (ja) * | 2013-09-09 | 2015-03-19 | 中国電力株式会社 | 営巣検出システム及び営巣検出方法 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108650442A (zh) * | 2018-05-16 | 2018-10-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN110797792A (zh) * | 2019-11-12 | 2020-02-14 | 西安工程大学 | 一种输电铁塔鸟巢定位与故障预警方法 |
CN111600383A (zh) * | 2020-05-12 | 2020-08-28 | 合肥中科类脑智能技术有限公司 | 输电线路智能一体化巡检装置 |
CN111814545A (zh) * | 2020-06-01 | 2020-10-23 | 北京简巨科技有限公司 | 作物识别方法、装置、电子设备及存储介质 |
CN111860488A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 |
CN113327255A (zh) * | 2021-05-28 | 2021-08-31 | 宁波新胜中压电器有限公司 | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 |
CN113536000A (zh) * | 2021-07-14 | 2021-10-22 | 西安工程大学 | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 |
WO2022036953A1 (zh) * | 2020-08-19 | 2022-02-24 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质、计算机程序产品 |
CN114359282A (zh) * | 2022-03-17 | 2022-04-15 | 南方电网数字电网研究院有限公司 | 融合多视角的输电线路鸟巢缺陷识别方法和装置 |
CN115205285A (zh) * | 2022-09-13 | 2022-10-18 | 合肥中科类脑智能技术有限公司 | 部署有架空线路缺陷识别算法的设备及其缺陷识别方法 |
-
2023
- 2023-11-20 CN CN202311547693.1A patent/CN117253179B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375726A (zh) * | 2010-08-16 | 2012-03-14 | 北京国科恒通电气自动化科技有限公司 | 一种动态调整变配电站所、杆塔设备图符显示和局部拓扑连接显示的方法 |
JP2015053832A (ja) * | 2013-09-09 | 2015-03-19 | 中国電力株式会社 | 営巣検出システム及び営巣検出方法 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108650442A (zh) * | 2018-05-16 | 2018-10-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN110797792A (zh) * | 2019-11-12 | 2020-02-14 | 西安工程大学 | 一种输电铁塔鸟巢定位与故障预警方法 |
CN111600383A (zh) * | 2020-05-12 | 2020-08-28 | 合肥中科类脑智能技术有限公司 | 输电线路智能一体化巡检装置 |
CN111814545A (zh) * | 2020-06-01 | 2020-10-23 | 北京简巨科技有限公司 | 作物识别方法、装置、电子设备及存储介质 |
CN111860488A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 |
WO2022036953A1 (zh) * | 2020-08-19 | 2022-02-24 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质、计算机程序产品 |
CN113327255A (zh) * | 2021-05-28 | 2021-08-31 | 宁波新胜中压电器有限公司 | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 |
CN113536000A (zh) * | 2021-07-14 | 2021-10-22 | 西安工程大学 | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 |
CN114359282A (zh) * | 2022-03-17 | 2022-04-15 | 南方电网数字电网研究院有限公司 | 融合多视角的输电线路鸟巢缺陷识别方法和装置 |
CN115205285A (zh) * | 2022-09-13 | 2022-10-18 | 合肥中科类脑智能技术有限公司 | 部署有架空线路缺陷识别算法的设备及其缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
基于改进Cascade R-CNN的输电线路多目标检测;李鑫等;《电子测量与仪器学报》;第35卷(第10期);第24-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117253179A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
CN112257692B (zh) | 一种行人目标的检测方法、电子设备及存储介质 | |
JP2020533667A (ja) | 車載カメラの姿勢推定方法、装置およびシステムならびに電子機器 | |
CN112257698B (zh) | 环视图车位检测结果的处理方法、装置、设备和存储介质 | |
CN112862890B (zh) | 道路坡度预测方法、装置和存储介质 | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN112348902A (zh) | 路端相机的安装偏差角标定方法、装置及系统 | |
CN115273018A (zh) | 障碍物识别方法、装置及电子设备 | |
JP2021033510A (ja) | 運転支援装置 | |
CN110770741A (zh) | 车道线识别方法和装置、车辆 | |
US8571313B2 (en) | Methods and systems for estimation of document skew in an image | |
CN117253179B (zh) | 配电线路鸟巢检测方法、存储介质和电子设备 | |
CN113536867B (zh) | 物体识别的方法、装置及系统 | |
CN116206094B (zh) | 风机扇叶角度测量方法、装置、系统及电子设备 | |
CN113140002A (zh) | 基于双目立体相机的道路状况检测方法、系统和智能终端 | |
CN111582013A (zh) | 一种基于灰度共生矩阵特征船只检索方法及装置 | |
CN116215520A (zh) | 基于超声波和3d环视的车辆碰撞预警及处理方法、装置 | |
CN112435299B (zh) | 一种机载点云辅助的卫星影像立体匹配点云定向方法 | |
CN111126106B (zh) | 一种车道线识别方法和装置 | |
CN113643359A (zh) | 一种目标对象定位方法、装置、设备及存储介质 | |
CN108615025B (zh) | 家居环境下门识别定位方法、系统以及机器人 | |
CN113345087A (zh) | 基于单目视觉的地表模型拟合方法和装置 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 | |
CN109215136B (zh) | 一种真实数据增强方法、装置以及终端 | |
JP2011095846A (ja) | 車両位置検出装置、車両位置検出方法、及び車両位置検出プログラム |
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 |