CN107679495B - 一种输电线路周边活动工程车辆的检测方法 - Google Patents
一种输电线路周边活动工程车辆的检测方法 Download PDFInfo
- Publication number
- CN107679495B CN107679495B CN201710929504.5A CN201710929504A CN107679495B CN 107679495 B CN107679495 B CN 107679495B CN 201710929504 A CN201710929504 A CN 201710929504A CN 107679495 B CN107679495 B CN 107679495B
- Authority
- CN
- China
- Prior art keywords
- image
- engineering vehicle
- candidate
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 6
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research 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
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种输电线路周边活动工程车辆的检测方法,主要解决输电线路周边活动工程车辆检测的问题,它首先训练一个用于识别工程车辆的卷积神经网络模型,其次在检测图片中的工程车辆时通过图像差分得到候选检测区域,然后在超像素分割的基础上对候选检测区域进行合并生长,得到最终的候选检测区域,最后将候选区域输入训练好的神经网络进行分类,并将分类为工程车辆的区域进行标记示警。本发明主要用于自动检测输电线路场景图片中发生运动的工程车辆,通过将卷积神经网络用于工程车辆的识别中,能够较好地检测出图片中的工程车辆,提醒人们关注周围是否有违章施工,为预防输电线路断电事故提供了科学依据,具备较大的实用价值。
Description
技术领域
本发明涉及一种输电线路周边活动工程车辆的检测方法,属于计算机视觉技术领域。
背景技术
随着国民经济的发展,各行各业对电力的需求不断扩大,各种人为和自然事故导致的断电造成的损失也越来越大。如何提早发现、处理和预防危害输电线路的自然灾害及意外事故,时刻保障电力正常供应,成为人们关注的焦点。
2009年我国国家电网公司提出“坚强智能电网”发展规划,输电线路智能化巡检开始受到人们的重视。目前在我国许多地方已开始通过安装摄像头来监控输电线路情况,代替传统的人工巡线。最初时,摄像头拍摄图像或视频传回服务器,再由人工观察来排查隐患,工作量非常大。随着智能信息处理技术的发展,人们开始探索自动检测场景中隐患的方法,也取得了一定的进展。
例如,2012年何川在《高压输电线路视频监控技术研究》一文中提出了自适应阈值目标提取算法、基于减法运算及纹理特性的识别算法、改进的模版匹配算法和基于特征值点的插值算法,降低了环境对识别的干扰,在输电线路覆冰、断线、施工机械入侵和线路弧垂越限等异常的视频监控中有一定作用;2015年张烨在《输电线路防外力破坏智能预警***研究》中提出利用高斯混合模型、背景差分和最小外界矩形等算法实现对云台摄像机捕捉的运动目标进行检测和识别的方法,在输电线路防外力破坏方面起到了积极的作用。
事实上,拍摄视频进行监控的方式还存在一些不足,如大量信息冗余、传输流量消耗、不间断电力供应难等问题。针对这些不足,部分人开始改变思路,尝试间隔性拍摄图片来进行监控,该方式以牺牲部分实时性为代价减少了大量的冗余信息及流量、能源消耗,比视频监控模式具备更好的前景和应用价值。但是由于间隔拍摄的图片之间缺少连续性,缺少动态信息,原来基于视频的隐患检测算法就不再适用,需要设计新的基于间隔拍摄的图像相应检测算法,在这一方面,人们尚处于起步阶段,还没有成熟健全的检测方法。
输电线路场景中的隐患多种多样,主要包括施工工地、堆积物、工程车辆、大型机械、线下植物、火灾等等。其相应的检测方法也很难统一,应该具体问题具体分析,对不同隐患设计不同的检测算法。这里,我们仅讨论工程车辆检测的相关内容。
工程车辆主要包括吊车、铲车和挖掘机等,当其出现在场景中时,通常意味着场景中出现了施工工地,应该引起工作人员的注意。而且其本身对输电线路具备较大的威胁,所以工程车辆是一种相对危险的安全隐患。
由于输电线路场景非常复杂,地面上的目标数量及种类繁多,阴影、光照等各种干扰因素也对识别带来困难,所以使用传统模式识别的方法人工提取特征并设计分类器来识别工程车辆非常困难。
近年来,得益于计算性能的显著提高,卷积神经网络在模式识别领域表现出强大的性能。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,而且其避免了对图像的复杂前期预处理,可以直接输入原始图像,因而得到了更为广泛的应用。
发明内容
针对上述不足,本发明提供了一种输电线路周边活动工程车辆的检测方法,其通过将卷积神经网络用于工程车辆的识别中,能够得到较好的检测效果,为预防输电线路断电事故提供了科学依据,具备较大的实用价值。
本发明解决其技术问题采取的技术方案是:一种输电线路周边活动工程车辆的检测方法,其特征是,首先训练一个用于识别工程车辆的卷积神经网络模型,其次在检测图片中的工程车辆时通过图像差分得到候选检测区域,然后在超像素分割的基础上对候选检测区域进行合并生长,得到最终的候选检测区域,最后将候选区域输入训练好的神经网络进行分类,并将分类为工程车辆的区域进行标记示警。
进一步地,所述的的检测方法包括以下步骤:
步骤1:对训练样本进行预处理,将其输入设计好的卷积神经网络进行训练,得到训练好的网络模型及参数;
步骤2:选择当前待检测图像的前一张图像作为对比图像,对当前待检测图像与对比图像进行差分处理,并根据差分结果确定候选区域;
步骤3:对当前待检测图像进行超像素分割,以候选区域内的超像素块为种子进行区域合并及划分,得到最终的候选区域;
步骤4:将每个候选区域图像输入步骤1训练好的网络模型,得到对应的分类结果及置信度,据此确定该区域是否是工程车辆来完成工程车辆的检测。
进一步地,所述步骤1的具体步骤如下:
步骤11,寻找工程车和非工程车图像样本,等比例地选择其中80%的图片作为训练集,剩余20%的图片作为验证集;
步骤12,对训练样本图片进行规定化,统一为64*64像素的三通道彩色图像;
步骤13,计算训练样本图像红绿蓝3个颜色通道的均值,将训练样本每个通道的值减去对应均值以实现0均值归一化处理;
步骤14,对处理后的训练样本图像进行训练,得到训练好的卷积神经网络网络模型及参数。
进一步地,所述工程车包括但不限于铲车、吊车和挖掘机中的一种或多种。
进一步地,所述的卷积神经网络模型具有一个输入层、四个卷积层、四个池化层,一个全连接层和一个softmax分类输出层,其中4个卷积层的训练特征数依次为32、32、64和64,卷积核大小均为5*5像素;4个池化层依次为Max Pooling、Avg Pooling、Avg Pooling和Avg Pooling,Pooling核大小均为3*3像素,步长为2;全连接层的神经元个数为128;softmax分类输出层输出工程车和非工程车两个分类结果。
进一步地,所述步骤2的具体步骤如下:
步骤21,将图像缩放至800*600像素的尺寸;
步骤22,将图像转化到HSV和YUV颜色空间;
步骤23,在色调H、色差U和色差V三个分量上进行差分处理,使用大津法对差分结果进行二值化,将二值化后的图像作或运算进行合并得到最终的差分结果;
步骤24,遍历差分结果图像中的所有区域,去除面积小于阈值T的无效区域,剩余区域作为有效的候选区域。
进一步地,所述步骤3的具体步骤如下:
步骤31,利用SLIC方法对图像进行超像素分割;
步骤32,利用颜色直方图表示每个超像素块的颜色特征,使用SIFT特征提取算法计算每个超像素块的纹理特征,并计算相邻超像素的颜色特征及纹理特征的相似性;
步骤33,以每个候选区域内的超像素块为种子,根据步骤32求得的颜色特征及纹理特征的相似性进行区域合并;
步骤34,将每个合并后的超像素提取出来,以其外接矩形作为新的候选区域,得到最终的候选区域。
优选地,在对图像进行超像素分割时,将800*600的图像分割成2000个超像素。
进一步地,所述步骤4的具体步骤如下:
步骤41,将每个候选区域映射回原始尺寸图像中,再将原始图像中的这些候选区域规定化至64*64像素,并进行0均值归一化处理;
步骤42,将处理后的候选区域输入训练好的网络模型进行分类,得到每个候选区域的分类结果及置信度;
步骤43,将分类结果为工程车且置信度大于0.6的候选区域认为是工程车,在结果图像中对这些区域进行标记示警。
本发明的有益效果是:
本发明首先训练一个用于识别工程车辆的卷积神经网络模型,其次在检测图片中的工程车辆时通过图像差分得到候选检测区域,然后在超像素分割的基础上对候选检测区域进行合并生长,得到最终的候选检测区域,最后将候选区域输入训练好的神经网络进行分类,并将分类为工程车辆的区域进行标记示警。本发明主要用于自动检测输电线路场景图片中发生运动的工程车辆,通过将卷积神经网络用于工程车辆的识别中,能够较好地检测出图片中的工程车辆,提醒人们关注周围是否有违章施工,为预防输电线路断电事故提供了科学依据,具备较大的实用价值。
附图说明
图1为本发明的方法流程图;
图2为本发明所述卷积神经网络模型的示意图;
图3为本发明对图像进行超像素分割的结果示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
本发明的一种输电线路周边活动工程车辆的检测方法,首先训练一个用于识别工程车辆的卷积神经网络模型,其次在检测图片中的工程车辆时通过图像差分得到候选检测区域,然后在超像素分割的基础上对候选检测区域进行合并生长,得到最终的候选检测区域,最后将候选区域输入训练好的神经网络进行分类,并将分类为工程车辆的区域进行标记示警。本发明通过将卷积神经网络用于工程车辆的识别中,能够较好地检测出图片中的工程车辆,提醒人们关注周围是否有违章施工,为预防输电线路断电事故提供了科学依据,具备较大的实用价值。
如图1所示,本发明的一种输电线路周边活动工程车辆的检测方法具体包括以下步骤:
步骤1:对训练样本进行预处理,将其输入设计好的卷积神经网络进行训练,得到训练好的网络模型及参数。
所述步骤1的具体步骤如下:
步骤11,寻找工程车和非工程车图像样本,等比例地选择其中80%的图片作为训练集,剩余20%的图片作为验证集;所述工程车包括但不限于铲车、吊车和挖掘机中的一种或多种;在训练阶段,本申请共找出9370个非工程车样本及6142个工程车样本;
步骤12,对训练样本图片进行规定化,统一为64*64像素的三通道彩色图像;
步骤13,计算训练样本图像红绿蓝3个颜色通道的均值,将训练样本每个通道的值减去对应均值以实现0均值归一化处理;
步骤14,对处理后的训练样本图像进行训练,得到训练好的卷积神经网络网络模型及参数。
如图2所示,本发明所述的卷积神经网络模型具有一个输入层、四个卷积层、四个池化层,一个全连接层和一个softmax分类输出层,其中4个卷积层的训练特征数依次为32、32、64和64,卷积核大小均为5*5像素,使用ReLu(Rectified Linear Units)作为激活函数;4个池化层依次为Max Pooling、Avg Pooling、Avg Pooling和Avg Pooling,Pooling核大小均为3*3像素,步长为2;全连接层的神经元个数为128;输出层使用softmax作为损失函数,softmax分类输出层输出工程车和非工程车两个分类结果。
步骤2:选择当前待检测图像的前一张图像作为对比图像,对当前待检测图像与对比图像进行差分处理,并根据差分结果确定候选区域。
所述步骤2的具体步骤如下:
步骤21,将图像缩放至800*600像素的尺寸;
步骤22,将图像转化到HSV和YUV颜色空间;
步骤23,在色调H、色差U和色差V三个分量上进行差分处理,使用大津法对差分结果进行二值化,将二值化后的图像作或运算进行合并得到最终的差分结果;
步骤24,遍历差分结果图像中的所有区域,去除面积小于阈值T的无效区域,剩余区域作为有效的候选区域。这里的阈值T由人工确定,本申请采用的经验阈值为200。
步骤3:对当前待检测图像进行超像素分割,以候选区域内的超像素块为种子进行区域合并及划分,得到最终的候选区域。
所述步骤3的具体步骤如下:
步骤31,利用SLIC(simple linear iterative clustering,简单线性迭代聚类)方法对图像进行超像素分割,对图像进行超像素分割的结果如图3所示;本申请对于800*600的图像优选将其分割成2000个超像素;
步骤32,利用颜色直方图表示每个超像素块的颜色特征,使用SIFT特征提取算法计算每个超像素块的纹理特征,并计算相邻超像素的颜色特征及纹理特征的相似性;
步骤33,以每个候选区域内的超像素块为种子,根据步骤32求得的颜色特征及纹理特征的相似性进行区域合并;本申请将颜色特征的相似性大于阈值T(T=0.6)的区域进行合并,同样,将纹理特征的相似性均大于阈值T(T=0.6)的区域也进行合并;
步骤34,将每个合并后的超像素提取出来,以其外接矩形作为新的候选区域,得到最终的候选区域。
步骤4:将每个候选区域图像输入步骤1中训练好的网络模型,得到对应的分类结果及置信度,据此确定该区域是否是工程车辆来完成工程车辆的检测。
所述步骤4的具体步骤如下:
步骤41,将每个候选区域映射回原始尺寸图像中,再将原始图像中的这些候选区域规定化至64*64像素,并按照步骤13进行0均值归一化处理;
步骤42,将处理后的候选区域输入训练好的网络模型进行分类,得到每个候选区域的分类结果及置信度;
步骤43,将分类结果为工程车且置信度大于0.6的候选区域认为是工程车,在结果图像中对这些区域进行标记示警。
此外,本发明的应用范围不局限于说明书中描述的特定实施例的工艺、机构、制造、物质组成、手段、方法及步骤。从本发明的公开内容,作为本领域的普通技术人员将容易地理解,对于目前已存在或者以后即将开发出的工艺、机构、制造、物质组成、手段、方法或步骤,其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果,依照本发明可以对它们进行应用。因此,本发明所附权利要求旨在将这些工艺、机构、制造、物质组成、手段、方法或步骤包含在其保护范围内。
Claims (6)
1.一种输电线路周边活动工程车辆的检测方法,其特征是,首先训练一个用于识别工程车辆的卷积神经网络模型,其次在检测图片中的工程车辆时通过图像差分得到候选检测区域,然后在超像素分割的基础上对候选检测区域进行合并生长,得到最终的候选检测区域,最后将候选区域输入训练好的神经网络进行分类,并将分类为工程车辆的区域进行标记示警;所述的检测方法包括以下步骤:
步骤1:对训练样本进行预处理,将其输入设计好的卷积神经网络进行训练,得到训练好的网络模型及参数;
步骤2:选择当前待检测图像的前一张图像作为对比图像,对当前待检测图像与对比图像进行差分处理,并根据差分结果确定候选区域;
步骤3:对当前待检测图像进行超像素分割,以候选区域内的超像素块为种子进行区域合并及划分,得到最终的候选区域;
步骤4:将每个候选区域图像输入步骤1训练好的网络模型,得到对应的分类结果及置信度,据此确定该区域是否是工程车辆来完成工程车辆的检测;
所述步骤1的具体步骤如下:
步骤11,寻找工程车和非工程车图像样本,等比例地选择其中80%的图片作为训练集,剩余20%的图片作为验证集;
步骤12,对训练样本图片进行规定化,统一为64*64像素的三通道彩色图像;
步骤13,计算训练样本图像红绿蓝3个颜色通道的均值,将训练样本每个通道的值减去对应均值以实现0均值归一化处理;
步骤14,对处理后的训练样本图像进行训练,得到训练好的卷积神经网络网络模型及参数;
所述步骤4的具体步骤如下:
步骤41,将每个候选区域映射回原始尺寸图像中,再将原始图像中的这些候选区域规定化至64*64像素,并进行0均值归一化处理;
步骤42,将处理后的候选区域输入训练好的网络模型进行分类,得到每个候选区域的分类结果及置信度;
步骤43,将分类结果为工程车且置信度大于0.6的候选区域认为是工程车,在结果图像中对这些区域进行标记示警。
2.根据权利要求1所述的一种输电线路周边活动工程车辆的检测方法,其特征是,所述工程车包括但不限于铲车、吊车和挖掘机中的一种或多种。
3.根据权利要求1所述的一种输电线路周边活动工程车辆的检测方法,其特征是,所述的卷积神经网络模型具有一个输入层、四个卷积层、四个池化层,一个全连接层和一个softmax分类输出层,其中4个卷积层的训练特征数依次为32、32、64和64,卷积核大小均为5*5像素;4个池化层依次为Max Pooling、Avg Pooling、Avg Pooling和Avg Pooling,Pooling核大小均为3*3像素,步长为2;全连接层的神经元个数为128;softmax分类输出层输出工程车和非工程车两个分类结果。
4.根据权利要求1所述的一种输电线路周边活动工程车辆的检测方法,其特征是,所述步骤2的具体步骤如下:
步骤21,将图像缩放至800*600像素的尺寸;
步骤22,将图像转化到HSV和YUV颜色空间;
步骤23,在色调H、色差U和色差V三个分量上进行差分处理,使用大津法对差分结果进行二值化,将二值化后的图像作或运算进行合并得到最终的差分结果;
步骤24,遍历差分结果图像中的所有区域,去除面积小于阈值T的无效区域,剩余区域作为有效的候选区域。
5.根据权利要求1所述的一种输电线路周边活动工程车辆的检测方法,其特征是,所述步骤3的具体步骤如下:
步骤31,利用SLIC方法对图像进行超像素分割;
步骤32,利用颜色直方图表示每个超像素块的颜色特征,使用SIFT特征提取算法计算每个超像素块的纹理特征,并计算相邻超像素的颜色特征及纹理特征的相似性;
步骤33,以每个候选区域内的超像素块为种子,根据步骤32求得的颜色特征及纹理特征的相似性进行区域合并;
步骤34,将每个合并后的超像素提取出来,以其外接矩形作为新的候选区域,得到最终的候选区域。
6.根据权利要求5所述的一种输电线路周边活动工程车辆的检测方法,其特征是,在对图像进行超像素分割时,将800*600的图像分割成2000个超像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710929504.5A CN107679495B (zh) | 2017-10-09 | 2017-10-09 | 一种输电线路周边活动工程车辆的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710929504.5A CN107679495B (zh) | 2017-10-09 | 2017-10-09 | 一种输电线路周边活动工程车辆的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679495A CN107679495A (zh) | 2018-02-09 |
CN107679495B true CN107679495B (zh) | 2020-08-07 |
Family
ID=61139890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710929504.5A Active CN107679495B (zh) | 2017-10-09 | 2017-10-09 | 一种输电线路周边活动工程车辆的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679495B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495784A (zh) * | 2018-11-29 | 2019-03-19 | 北京微播视界科技有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及*** |
CN110458090A (zh) * | 2019-08-08 | 2019-11-15 | 成都睿云物联科技有限公司 | 挖掘机工作状态检测方法、装置、设备和存储介质 |
CN110598757A (zh) * | 2019-08-23 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路的施工机械隐患检测方法 |
CN110769195B (zh) * | 2019-10-14 | 2021-09-07 | 国网河北省电力有限公司衡水供电分公司 | 输电线路施工现场违章智能监控识别*** |
CN111079642B (zh) * | 2019-12-13 | 2023-11-14 | 国网浙江余姚市供电有限公司 | 线路可移动监控方法及装置及计算机可读介质 |
CN112613437B (zh) * | 2020-12-28 | 2022-07-12 | 国网浙江省电力有限公司电力科学研究院 | 一种违章建筑识别方法 |
CN112613453A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种用于电力基建施工现场违章排查方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105744232A (zh) * | 2016-03-25 | 2016-07-06 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
CN105844228A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
CN106651855A (zh) * | 2016-12-30 | 2017-05-10 | 国网山东省电力公司济宁供电公司 | 输电线路通道隐患自动识别与告警的图像监拍方法 |
CN106228124B (zh) * | 2016-07-17 | 2019-03-08 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374431B2 (en) * | 2010-07-27 | 2013-02-12 | Aerotec, Llc | Method and apparatus for direct detection, location, analysis, identification, and reporting of vegetation clearance violations |
-
2017
- 2017-10-09 CN CN201710929504.5A patent/CN107679495B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844228A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
CN105744232A (zh) * | 2016-03-25 | 2016-07-06 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
CN106228124B (zh) * | 2016-07-17 | 2019-03-08 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN106651855A (zh) * | 2016-12-30 | 2017-05-10 | 国网山东省电力公司济宁供电公司 | 输电线路通道隐患自动识别与告警的图像监拍方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107679495A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN110232380B (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
Li et al. | Automatic safety helmet wearing detection | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
Wang et al. | Recognition and drop-off detection of insulator based on aerial image | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN112308826B (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其***、设备、介质 | |
CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
Tiwari et al. | A survey on shadow detection and removal in images and video sequences | |
CN104392461A (zh) | 一种基于纹理特征的视频跟踪方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN111798435A (zh) | 图像处理方法、工程车辆侵入输电线路监测方法及*** | |
CN107609556B (zh) | 一种输电线路环境中高空作业机械的检测方法 | |
Niu et al. | Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network | |
CN117392565A (zh) | 一种无人机电力巡检缺陷自动识别方法 | |
CN114998792B (zh) | 一种具有ai网络摄像头的安全监控方法 | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
Zhang et al. | Research on multiple features extraction technology of insulator images |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240108 Address after: No.336, nanxinzhuang West Road, Shizhong District, Jinan City, Shandong Province Patentee after: Jinan University Industrial Technology Research Institute Co.,Ltd. Address before: 250022 No. 336, South Xin Zhuang West Road, Shizhong District, Ji'nan, Shandong Patentee before: University of Jinan |