CN107944453A - 基于Hu不变矩和支持向量机SVM的高压套管检测方法 - Google Patents
基于Hu不变矩和支持向量机SVM的高压套管检测方法 Download PDFInfo
- Publication number
- CN107944453A CN107944453A CN201711268762.XA CN201711268762A CN107944453A CN 107944453 A CN107944453 A CN 107944453A CN 201711268762 A CN201711268762 A CN 201711268762A CN 107944453 A CN107944453 A CN 107944453A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- measured
- svm
- carried out
- 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
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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Hu不变矩和支持向量机SVM的高压套管检测方法,该方法包括:首先将巡检机器人获取的图片进行预处理;在将图片转成灰度图之后,使用Niblack方法对图片进行二值化阈值分割,去除掉复杂背景的干扰;随后根据套管和干扰对象的形状特征,利用形态学方法,对图像进行腐蚀和膨胀,得到对套管可能存在的区域位置;在预处理完成之后,使用Hu不变矩对图像中套管可能存在的区域进行计算;最后使用计算得到的特征对SVM进行训练并调整参数,最后使用SVM对套管进行识别和定位。在变电站背景复杂的情况下,该方法检测性能良好,解决了复杂环境下的高压套管检测的准确性问题。
Description
技术领域
本发明属于电力设备关键电力设备目标检测方法,尤其涉及一种基于Hu不变矩和SVM(Support Vector Machine,即支持向量机)的高压套管检测方法。
技术背景
近几年,随着变电站数量的增加以及对电力供给稳定性需求的增加以及智能电站建设概念的提出,通过智能检测方法对变电站进行检测尤为重要。高压套管作为变压器的重要组成器件,起到支撑和绝缘的作用,在运行过程中会承受电压。由于高压套管暴露在空气中,受到雨水、污秽的影响,容易产生裂纹、破损等问题,这些问题会对其绝缘性能产生影响。一旦高压套管出现故障,将严重影响变压器的正常工作和供电的稳定性。因此对高压套管进行实时检测并进行诊断尤为重要。
在变电站的智能自动巡检中,使用自动巡检机器人进行巡检是主要方式。巡检机器人作为巡检平台,具有在变电站内自主移动的能力,并搭载了摄像头,红外传感器等设备并实时将获取的图像发送至主控端。由于巡检机器人在变电站中的运行轨迹具有随机性,因此需要通过智能检测方法对获取的图像中的待测目标进行准确的定位和识别。然而,由于变电站环境与其他场景相比背景更为复杂(例如,包含高压套管、变压器、支架及围栏等众多物体),因此大大增加了对高压套管进行特征提取和模式识别的难度。例如,由于变电站环境复杂,传统的图像分割方法无法准确分割高压套管,而且相似设备之间的干扰使得现有的SIFT算法难以对高压套管进行精确的配准。
发明内容
发明目的:为了解决自动巡检中高压套管的精确识别和定位问题,提高在复杂背景和光照变化情况下高压套管的检测准确性,本发明提出了一种基于Hu不变矩和SVM的高压套管检测方法和一种基于Hu不变矩和支持向量机SVM的高压套管的检测装置。
技术方案:本发明所述的基于Hu不变矩和SVM的高压套管的检测方法包括如下步骤:(1)对所捕获的图像进行二值化阈值分割;(2)对经二值化的图像进行形态学处理以提取待测区域,对所述待测区域进行标定,并从所述待测区域中提取出训练集;(3)对所述训练集进行Hu不变矩特征提取;(4)将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型;(5)使用所述最佳模型对新的待测区域进行分类,以此为依据判断新的待测区域的类别。
进一步地,在步骤(1)中,对所捕获的图像进行二值化阈值分割进一步包括:(11)对所捕获的图像进行灰度转换得到灰度图像;及(12)使用Niblack算法对所述灰度图像进行阈值分割,得到仅有黑白两色的图像。
进一步地,在步骤(2)中,对经二值化的图像进行形态学处理得到待测区域包括:(21)对经二值化的图像进行闭运算处理;及(22)将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存,作为所述待测区域。
进一步地,在步骤(2)中,对所述待测区域进行标定包括:如果所述待测区域包含高压套管则标定为正样本,否则标定为负样本。
进一步地,在步骤(4)中,对所述SVM进行训练获得最佳模型包括:(41)构造SVM分类器,包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类;(42)训练所述SVM分类器以获得所述最佳模型,包括通过网格搜索算法获取最佳参数,并以所述参数进行训练以获得最佳SVM模型。
本发明所述的基于Hu不变矩和支持向量机SVM的高压套管的检测装置,包括:二值化模块,用于对所捕获的图像进行二值化阈值分割;训练集提取模块,用于对经二值化的图像进行形态学处理以提取待测区域并从所述待测区域中提取出训练集;特征提取模块,用于对所述训练集进行Hu不变矩特征提取;训练模块,用于将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型;识别模块,用于使用所述最佳模型对新的待测区域进行分类并以此为依据判断新的待测区域的类别。
进一步地,所述二值化模块用于:对所捕获的图像进行灰度转换得到灰度图像;使用Niblack算法对所述灰度图像进行阈值分割,得到仅有黑白两色的图像。
进一步地,所述训练集提取模块用于:对经二值化的图像进行闭运算处理;将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存,作为所述待测区域;如果所述待测区域包含高压套管则标定为正样本,否则标定为负样本。
进一步地,所述特征提取模块用于计算所述训练集中每一训练样本的7个Hu不变矩,作为待测区域的特征。
进一步地,所述训练模块用于:构造SVM分类器,包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类;训练所述SVM分类器以获得所述最佳模型,包括通过网格搜索算法获取最佳参数,并以所述参数进行训练以获得最佳SVM模型。
有益效果:与现有技术相比,在变电站背景复杂(例如,包含高压套管、变压器、支架及围栏等众多物体)的情况下,本发明所揭示的高压套管的检测方法和装置的检测性能良好,召回率可达96.72%,准确率可达86.76%,从而解决了复杂环境下的高压套管检测的准确性问题。
附图说明
图1为本发明所揭示的检测方法中训练阶段的流程示意图;
图2为灰度化之后的结果图;
图3为经Niblack二值化阈值分割后的结果图;
图4为经形态学闭运算处理后的结果图;
图5为选取的待测区域;
图6为检测结果图。
具体实施方式
下面结合附图对本发明所公开的基于Hu不变矩和支持向量机SVM的高压套管检测方法做进一步的分析。
本发明所揭示的高压套管检测方法大致可以分为训练阶段和检测阶段。其中训练阶段的目的是基于所捕获图像获得最佳训练模型,检测阶段的目的是使用所获得的最佳训练模型进行高压套管的检测。
如图1,本发明公开的高压套管检测方法的训练阶段大致包含如下步骤:
步骤1:图像二值化阈值分割,其具体包含如下步骤:
步骤1.1:对所捕获的图像进行灰度转换得到灰度图像。转换公式为:
f(i,j)=0.31R(i,j)+0.57G(i,j)+0.12B(i,j),
式中,(i,j)是1个像素点在图像中的位置,R(i,j)是(i,j)所表示的像素点颜色的红色分量。同理,G(i,j)和B(i,j)分别表示绿色和蓝色分量,f(i,j)表示该点转换后的灰度级别。
将巡检机器人捕获的与高压套管有关的RGB彩色图像经过上述转换处理后,即可获得如图2中的所示的图像。
步骤1.2:使用Niblack算法对所述灰度图像进行阈值分割,得到仅有黑白两色的图像。Niblack算法原理为:根据每个像素邻域像素的平均值和方差计算像素的阈值。对于像素点(i,j),取以此点为中心,大小为d*d的局部窗口,那么此像素点的阈值T(i,j)的表达式如下:
T(i,j)=m(i,j)+k*s(i,j),
式中,m(i,j)为局部窗口像素的平均值;s(i,j)为局部窗口像素的方差,k为调整系数。
其中:
F(i,j)表示灰度图中像素点(i,j)的灰度值,若f(i,j)≤T(i,j),则F(i,j)=0。若f(i,j)>T(i,j),则F(i,j)=255。
基于上述原理,在将经转换之后的灰度图进行二值化处理的过程中,可以将Niblack算法中的d取值为200,k取值为0.9,从而使得图像中只存在黑色和白色两种颜色,如图3所示。
步骤2:形态学处理,其具体包含如下步骤:
步骤2.1:对经二值化的图像进行闭运算处理。闭运算由膨胀和腐蚀两种运算组成,先进行膨胀运算随后进行腐蚀运算。其中,膨胀和腐蚀运算的定义如下:
膨胀
腐蚀
其中,X表示原始图像,S代表结构元素,x代表原始图像中的点,Φ代表空集。例如,在进行膨胀运算时,可以将S选为圆形,直径为5;在进行腐蚀运算时,可以将S选为圆形,直径为15。经上述膨胀和腐蚀运算后所得的图形如图4所示。
步骤2.2:提取待测区域。该步骤包括:在图像经闭运算处理之后,将图像中具有大于特定数目个像素的联通区域进行框定和储存,作为待测区域。如图5所示,可以将图像中联通区域面积大于300的区域进行标记,并以最边缘像素为基准,向外侧扩展20像素获取矩形区域,并将获取的矩形区域作为待测区域。在提取出待测区域后,随后对待测区域进行数据标定,并从待测区域中提取出训练集和测试集。数据标定是指,如果待测区域中包含高压套管则标定为正样本,若不包含,则标定为负样本。此外,从训练集获取的待测区域为训练样本,从测试集获取的待测区域为测试样本。
步骤3:Hu不变矩特征提取,包括对训练集中进行Hu不变矩特征提取,所涉及的定义和计算公式如下:
一幅图f(x,y)的p+q阶矩mpq为:
其中p,q=0,1,2....。
图像的中心距upq为:
upq=∑x∑y(x-x0)p(y-y0)qf(x,y),p,q=0,1,2,……。
式中:(x0,y0)为图像的中心坐标,且
对μpq归一化,得到平移和缩放不变矩ypq的表达式为:
其中
最终需要针对训练集中的每一训练样本计算的7个Hu不变矩定义为:
I1=y20+y02;
I3=(y30-3y12)2+(y03-3y21)2;
I4=(y30+y12)2+(y21+3y03)2;
I5=(y30-3y12)(y30+y12)[(y30+y12)2-3(y21+y03)2]
+(3y21-y03)(y21+y30)[3(y30+y12)2-(y21+y03)2];
I6=(y20-y02)[(y30+y12)2-(y21+y03)2]+4y11(y30+y12)(y21+y03);
I7=(3y21+y03)(y30+y12)[(y30+y12)2-3(y21+y03)2
+(y30-3y12)(y21+y03)[3(y30+y12)2-(y21+y03)2]。
将计算出的I1到I7进行储存,作为待测区域的特征。
步骤4:训练SVM,其具体包含如下步骤:
步骤4.1:构造SVM分类器。本发明中仅涉及2分类问题,因此使用的SVM也为二分类SVM。由于本任务为非线性可分的任务,因此需要构造核函数将对象映射到高维空间当中。在本发明中,将训练集中所有待测图片计算出的Hu不变矩作为输入SVM。SVM选用径向基核函数作为核函数将输入进行高维映射,随后进行分类。其中径向基核函数为:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0。
步骤4.2:训练SVM分类器。该步骤包括将获取的待测区域的Hu不变矩作为输入数据输入进SVM进行训练。通过网格搜索算法获取最佳参数c和g,并以此为参数训练获取最佳SVM模型。该模型输出结果为正或者负。
通过训练阶段,便可以得到对于高压套管具较好分类的模型,在测试和实际检测过程中,可以直接调用该模型进行分类。
至此,本发明所提供的一种基于Hu不变矩和SVM的检测方法训练阶段完成。下面对高压套管检测阶段做进一步描述。
检测阶段的实验的计算机环境:操作***为Linux 14.04版本,处理器为i7-4790k,显卡为GTX980ti,软件平台:MatlabR2014a。
检测阶段是在含有100张高压套管图像的测试集上进行测试,其中包含高压套管、变压器、支架、围栏等。检测阶段包括将测试集中计算出的Hu不变矩输入训练好的的SVM模型,从而识别和定位出图像中的高压套管。图6中箭头所指的方框内圈定的区域即为通过检测阶段识别到的高压套管的位置。
表1所示的数据是根据本发明所揭示的检测方法获得的测试结果。利用召回率和准确率衡量本发明方法的检测效果。其中:
召回率=正确识别高压套管的数量/所有高压套管数量。
准确率=正确识别高压套管的数量/所有高压套管的目标数量。
根据表1可以看出,本发明的检测方法的召回率为96.72%,准确率为86.76%,具有较高的召回率和准确率,这些数据说明该方法具有较好的适应性。
表1
与本方法相应的基于Hu不变矩和SVM的检测装置包括:二值化模块,用于对所捕获的图像进行二值化阈值分割;训练集提取模块,用于对经二值化的图像进行形态学处理以提取待测区域并从所述待测区域中提取出训练集;特征提取模块,用于对所述训练集进行Hu不变矩特征提取;训练模块,用于将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型;识别模块,用于使用所述最佳模型对新的待测区域进行分类并以此为依据判断新的待测区域的类别。
进一步地,所述二值化模块用于:对所捕获的图像进行灰度转换得到灰度图像;使用Niblack算法对所述灰度图像进行阈值分割,得到仅有黑白两色的图像。
进一步地,所述训练集提取模块用于:对经二值化的图像进行闭运算处理;将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存,作为所述待测区域;如果所述待测区域包含高压套管则标定为正样本,否则标定为负样本。
进一步地,所述特征提取模块用于计算所述训练集中每一训练样本的7个Hu不变矩,作为待测区域的特征。
进一步地,所述训练模块用于:构造SVM分类器,包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类;训练所述SVM分类器以获得所述最佳模型,包括通过网格搜索算法获取最佳参数,并以所述参数进行训练以获得最佳SVM模型。
本发明通过Hu不变矩和SVM实现了在变电站背景复杂的情况下对高压套管的准确检测。本发明的检测性能良好,检测率高,且在节省劳动力方面有重要意义。
Claims (11)
1.一种基于Hu不变矩和支持向量机SVM的高压套管的检测方法,其特征在于,包括如下步骤:
(1)对所捕获的图像进行二值化阈值分割;
(2)对经二值化的图像进行形态学处理以提取待测区域,并从所述待测区域中提取出训练集;
(3)对所述训练集进行Hu不变矩特征提取;
(4)将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型;
(5)使用所述最佳模型对新的待测区域进行分类,以此为依据判断新的待测区域的类别。
2.根据权利要求1所述的检测方法,其特征在于,在步骤(1)中,对所捕获的图像进行二值化阈值分割进一步包括:
(11)对所捕获的图像进行灰度转换得到灰度图像;
(12)使用Niblack算法对所述灰度图像进行阈值分割,得到仅有黑白两色的图像。
3.根据权利要求1所述的检测方法,其特征在于,在步骤(2)中,对经二值化的图像进行形态学处理得到待测区域包括:
(21)对经二值化的图像进行闭运算处理;
(22)将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存,作为所述待测区域。
4.根据权利要求1所述的检测方法,其特征在于,步骤(2)还包括对所述待测区域进行标定,标定过程包括:如果所述待测区域包含高压套管则标定为正样本,否则标定为负样本。
5.根据权利要求1所述的检测方法,其特征在于,在步骤(3)中,对所述训练集进行Hu不变矩特征提取包括:计算所述训练集中每一训练样本的7个Hu不变矩,作为待测区域的特征。
6.根据权利要求1所述的检测方法,其特征在于,在步骤(4)中,对所述SVM进行训练获得最佳模型包括:
(41)构造SVM分类器,包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类;
(42)训练所述SVM分类器以获得所述最佳模型,包括通过网格搜索算法获取最佳参数,并以所述参数进行训练以获得最佳SVM模型。
7.一种基于Hu不变矩和支持向量机SVM的高压套管的检测装置,其特征在于,包括:
二值化模块,用于对所捕获的图像进行二值化阈值分割;
训练集提取模块,用于对经二值化的图像进行形态学处理以提取待测区域并从所述待测区域中提取出训练集;
特征提取模块,用于对所述训练集进行Hu不变矩特征提取;
训练模块,用于将所提取的特征作为数据输入到所述SVM中对所述SVM进行训练获得最佳模型;
识别模块,用于使用所述最佳模型对新的待测区域进行分类并以此为依据判断新的待测区域的类别。
8.根据权利要求7所述的检测装置,其特征在于,所述二值化模块用于:
对所捕获的图像进行灰度转换得到灰度图像;
使用Niblack算法对所述灰度图像进行阈值分割,得到仅有黑白两色的图像。
9.根据权利要求7所述的检测装置,其特征在于,所述训练集提取模块用于:
对经二值化的图像进行闭运算处理;
将所处理的图像中具有大于特定数目个像素的联通区域进行框定和储存,作为所述待测区域;
如果所述待测区域包含高压套管则标定为正样本,否则标定为负样本。
10.根据权利要求7所述的检测装置,其特征在于,所述特征提取模块用于计算所述训练集中每一训练样本的7个Hu不变矩,作为待测区域的特征。
11.根据权利要求7所述的检测装置,其特征在于,所述训练模块用于:
构造SVM分类器,包括选用径向基核函数作为核函数对输入的数据进行高维映射并进行分类;
训练所述SVM分类器以获得所述最佳模型,包括通过网格搜索算法获取最佳参数,并以所述参数进行训练以获得最佳SVM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268762.XA CN107944453A (zh) | 2017-12-05 | 2017-12-05 | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711268762.XA CN107944453A (zh) | 2017-12-05 | 2017-12-05 | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944453A true CN107944453A (zh) | 2018-04-20 |
Family
ID=61944793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711268762.XA Pending CN107944453A (zh) | 2017-12-05 | 2017-12-05 | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944453A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
CN111160305A (zh) * | 2019-12-31 | 2020-05-15 | 武汉工程大学 | 一种变压器套管异常监测方法及计算机可读介质 |
CN112651260A (zh) * | 2020-12-30 | 2021-04-13 | 凌云光技术股份有限公司 | 一种自适应离散码转连续码的方法及*** |
CN115765897A (zh) * | 2022-11-14 | 2023-03-07 | 广西电网有限责任公司电力科学研究院 | 一种电力巡检机器人通信模块的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494737A (zh) * | 2011-12-06 | 2012-06-13 | 余姚市供电局 | 一种油浸式变压器油位监测方法和*** |
CN102798469A (zh) * | 2012-06-29 | 2012-11-28 | 山东鲁能智能技术有限公司 | 基于角点特征的电力设备精确测温方法 |
CN104573713A (zh) * | 2014-12-31 | 2015-04-29 | 天津弘源慧能科技有限公司 | 一种基于图像纹理特征的互感器红外图像识别方法 |
CN105930872A (zh) * | 2016-04-28 | 2016-09-07 | 上海应用技术学院 | 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
-
2017
- 2017-12-05 CN CN201711268762.XA patent/CN107944453A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494737A (zh) * | 2011-12-06 | 2012-06-13 | 余姚市供电局 | 一种油浸式变压器油位监测方法和*** |
CN102798469A (zh) * | 2012-06-29 | 2012-11-28 | 山东鲁能智能技术有限公司 | 基于角点特征的电力设备精确测温方法 |
CN104573713A (zh) * | 2014-12-31 | 2015-04-29 | 天津弘源慧能科技有限公司 | 一种基于图像纹理特征的互感器红外图像识别方法 |
CN105930872A (zh) * | 2016-04-28 | 2016-09-07 | 上海应用技术学院 | 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
CN111160305A (zh) * | 2019-12-31 | 2020-05-15 | 武汉工程大学 | 一种变压器套管异常监测方法及计算机可读介质 |
CN112651260A (zh) * | 2020-12-30 | 2021-04-13 | 凌云光技术股份有限公司 | 一种自适应离散码转连续码的方法及*** |
CN112651260B (zh) * | 2020-12-30 | 2024-01-30 | 凌云光技术股份有限公司 | 一种自适应离散码转连续码的方法及*** |
CN115765897A (zh) * | 2022-11-14 | 2023-03-07 | 广西电网有限责任公司电力科学研究院 | 一种电力巡检机器人通信模块的检测方法 |
CN115765897B (zh) * | 2022-11-14 | 2024-06-04 | 广西电网有限责任公司电力科学研究院 | 一种电力巡检机器人通信模块的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN105976389A (zh) | 一种手机底板连接器缺陷检测方法 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别***和方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN110648307A (zh) | 一种利用图像比对技术核对变电站压板状态的方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN108710909B (zh) | 一种可变形旋转不变装箱物体清点方法 | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位***及其方法 | |
CN111260645B (zh) | 基于分块分类深度学习的篡改图像检测方法及*** | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN111950357A (zh) | 一种基于多特征yolov3的船用水面垃圾快速识别方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN110569716A (zh) | 一种货架图像翻拍检测方法 | |
CN117036342B (zh) | 一种芯片缺陷识别方法及*** | |
CN112418262A (zh) | 车辆再识别的方法、客户端及*** | |
CN115953678A (zh) | 一种基于局部灰度极值点和特征融合的路面破损检测方法 | |
Huang et al. | Mango surface defect detection based on HALCON | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |