CN108109385A - 一种输电线防外破的车辆识别与危险行为判别***与方法 - Google Patents
一种输电线防外破的车辆识别与危险行为判别***与方法 Download PDFInfo
- Publication number
- CN108109385A CN108109385A CN201810049610.9A CN201810049610A CN108109385A CN 108109385 A CN108109385 A CN 108109385A CN 201810049610 A CN201810049610 A CN 201810049610A CN 108109385 A CN108109385 A CN 108109385A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- transmission line
- external force
- damage prevention
- vehicle
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种输电线防外破的车辆识别与危险行为判别***与方法。该***包括前端输电线路智能防外破预警装置、后端中心管理平台和移动客户端,***的前端和后端分别装有深度学***台确定深度学习网络的层数和卷积核大小,并对深度学习网络进行训练。本发明还提供了上述判别***的判别方法。本发明既避免了前端深度学习网络的训练代价,降低了前端***的复杂性,又解决了后端智能分析中视频传输费用高和实时性低问题。
Description
技术领域
本发明属于电力供应技术及其智能化领域,具体涉及一种输电线防外破的车辆识别与危险行为判别***与方法。
背景技术
高压输电线路具有覆盖范围大、分布区域广、传输距离长、自然和地理条件复杂多变、破坏源头多等特点,它们给线路的日常运行、维护和检修带来极大挑战,特别是杆塔或线路附近的泵车、工程车等大型车辆经过、附近吊车施工等潜在的外破行为给输电线路的正常运行造成威胁。
近来年,各种新的技术和装备不断引入用于对电力设施的外破行为进行自动检测和预警,基于机器视觉的模式识别方法是一种重要的方法。
目前,主流的应用于输电线路防外破预警***的模式识别的方法是SIFT特征提取、SVM分类为主,用于识别大型施工车辆,该方法使用SIFT方法提取前景区域的颜色和角点,再使用预先训练好的SVM分类器进行车型判断。但该方法的缺陷是特征向量的维数过高,容易产生“维数灾难”,另SIFT提取的特征由人工设计,很难描述复杂场景下的车辆特征,适应性差、泛化能力较差、识别精度较低、预警可靠性不足。
发明内容
本发明的目的是提出一种基于联合前后端的深度学习方法,针对输电线环境的大型施工车辆识别与危险行为分析方法,该方法结合前端智能和后端分析,深度学习中后端实现模型训练,前端实现分类判别。本发明既降低了前端训练模型的复杂度,又解决后端智能分析中海量视频数据传输问题、实时性问题、准确率问题,可实时实现各种对线路构成潜在危害的车辆和行为进行预警、阻止作用。
为实现上述目的,本发明采用的技术方案为一种输电线防外破的车辆识别与危险行为判别***,该***包括输电线路前端的智能防外破预警装置、后端的中心管理平台和移动客户端,中心管理平台通过3/4G网络与输电线路智能防外破预警装置通信,移动客户端通过3/4G网络与输电线路智能防外破预警装置和中心管理平台通信,前端的智能防外破预警装置和后端的中心管理平台分别装有深度学习模块,该前、后端的深度学习模块协作运行,完成传输线防外破的车辆识别与车辆危险行为预警判别。
进一步,上述前端输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。
上述3/4G智能摄像机由视频成像模块、深度学习模块、预警模块、PTZ模块、压缩模块、存储模块及通信模块部件组成,视频成像模块实现图像采集与预处理;预警模块实现预警信息管理与信息上报;PTZ模块实现摄像机上下左右转动和镜头拉近或拉远,调整摄像机视野;压缩模块实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频;存储模块实现对压缩后的图片和视频在SD存储介质上进行存储和基于预警事件和时间戳的索引。
进一步,深度学***台实现深度学***台。
前端智能摄像机中的深度学***台发来的数据及参数进行模型及参数更新。
前端的深度学习网络实现图像前景区域中自动检测车辆、自动提取特征、分类处理、行为分析,完成对输电线路监测点的过往大型施工车辆识别与危险行为的判别预警。
后端的中心管理平台确定深度学习网络的层数和卷积核大小,根据不同天气条件及车型训练深度学习网络,获得相关参数;深度学习网络采用经过压缩降维的亚采样像素特征、颜色分布特征、纹理特征、结构特征、运动特征,可识别各类工程车辆及其危险行为。
后端中心管理平台基于深度学习的工程车辆识别方法实现包括背景建模、目标检测、车型分类、车辆行为分析在内的训练和识别。
在前端的深度学***台,由后端的深度学习网络完成车辆检测与识别,确保不漏检。
本发明还进一步提供一种实现上述输电线防外破的车辆识别与危险行为判别***的判别方法,具体包含以下步骤:
步骤1,后端中心服务器确定深度卷积神经网络层数和卷积核大小,使其能识别输电线塔架周围的工程车车辆以及经过、逗留与危险行为;
步骤2,训练深度卷积神经网络,具体的步骤如下:
步骤21,采集在不同天气、时段下的不同车型图片作为训练的样本,并进行标注、参数化;
步骤22,对样本图像进行预处理;
步骤23,训练深度卷积神经网络;
步骤24,得到深度卷积神经网络的参数;
步骤25,将参数传递给前端深度卷积神经网络;
步骤26,智能摄像机获得经过训练的深度卷积分神经网络模型和分类器;
步骤3,前端的智能摄像机进行目标获取和识别,具体的步骤如下:
步骤31,获取实时图像;
步骤32,对获取到的图像进行预处理;
步骤33,采用混合神经网络进行背景建模和前景识别;
步骤34,训练好的深度卷积神经网络对识别出的前景进行特征提取;
步骤35,深度卷积神经网络提取的特征由训练好的分类器进行分类;
步骤36,输出前景是否为工程车和车辆危险行为判别结果。
与现有技术相比,本发明具有以下有益技术效果:
1,本发明中,前端的深度学***台确定深度学习网络的层数和卷积核大小,并对深度学习网络进行训练,这样可以避免前端深度学习网络的训练代价,降低了前端***复杂。
2,本发明可以解决后端智能分析中海量视频数据传输问题、实时性问题、准确率问题,可实时实现各种对线路构成潜在危害的车辆和行为进行预警、阻止作用。
附图说明
图1为输电线路智能防外破预警***的***图。
图2为3/4G智能摄像机功能模块图。
图3为大型施工车辆的训练流程图。
图4为大型施工车辆的识别流程图。
图5为深度卷积神经网络结构示意图。
图6为深度学习降维建模流程图。
具体实施方式
现结合附图对本发明作进一步详细的说明。
本发明提供一种用于输电线路防外破预警的大型车辆检测与行为判别***,图1是***组成示意图。该***由前端的输电线路智能防外破预警装置、后端的中心管理平台和移动客户端组成;中心管理平台通过3/4G网络与输电线路智能防外破预警前端装置通信,前端的输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。
其中,3/4G智能摄像机由视频成像、深度学***衡、曝光、噪声处理;预警模块实现预警信息管理与信息上报;PTZ实现摄像机上下左右转动和镜头拉近或拉远,调整摄像机视野,压缩实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频,存储实现对压缩后的图片和视频在SD存储介质上进行管理存储。中心管理平台中包括深度学习功能模块和信息管理模块等部件。
***采用深度学习网络实现大型施工车辆的监测及危险行为的判别,深度学习网络采用经过压缩降维的亚采样像素特征、颜色分布特征、纹理特征、结构特征、运动特征,实现背景建模、目标检测、车型分类、车辆行为分析的训练,可识别挖掘车、泵车、吊车、工程车等车辆及其危险行为;
在***的前后端建立深度学习模块,前端智能摄像机中的深度学习网络模型及参数配置是动态可调整的,前端深度学习网络实现图像前景区域中自动检测车辆、自动提取特征、分类处理、行为分析,完成对传输线路监测点的过往大型施工车辆进行识别与危险行为的判别预警。
后端中心管理平台确定深度学***台深度学习网络同样检测车辆、提取特征、分类处理、行为分析,对传输线路监测点视频的过往大型施工车辆进行识别与危险行为的判别预警。
本发明还进一步提供一种用于输电线路防外破预警的大型车辆检测与行为判别方法,后端中心管理平台接收前端传输来的预警车辆图像和短视频和前端更新期间的视频,进行标注,训练,根据实际情况调整前后端深度学***台完成车辆检测与识别,确保不漏检。
前端的输电线路智能防外破预警装置中的摄像机抓拍监测点过往车辆的图像、对采集的图像采用深度学***台,同时将发生预警的车辆过往时前后短视频进行时间戳标注、压缩、存储并发往后端中心管理平台。所述的前后端协作的深度学习网络实现输电线路防外破预警的大型车辆检测与行为判别方法的主要步骤:
步骤1,确定深度卷积神经网络层数和卷积核大小,使其能识别输电线塔架周围的挖掘车、泵车、吊车、工程登高车等车辆经过、逗留与危险行为;
步骤2,训练深度卷积神经网络,其示意图如图3,步骤如下:
步骤21,采集在不同天气(晴天,雨、雪、雾霾等恶劣天气)下的不同车型图片,作为训练的样本,并进行标注、参数化;
步骤22,对样本图像进行预处理;
步骤23,训练深度卷积神经网络;
步骤24,得到深度卷积神经网络的参数;
步骤25,将参数传递给前端深度卷积神经网络;
步骤26,获得经过训练的深度卷积分神经网络和分类器。
步骤3,前端智能摄像机进行目标获取和识别,其示意图如图4,步骤如下:
步骤31,获取实时图像;
步骤32,对获取到的图像进行预处理;
步骤33,采用混合神经网络进行背景建模和前景识别;
步骤34,训练好的深度卷积神经网络对识别出的前景进行特征提取;
步骤35,深度卷积神经网络提取的特征由训练好的分类器进行分类;
步骤36,获取前景是否为挖掘车、泵车、吊车的结果。
所述的深度卷积神经网络(DCNN)其结构示意图如图5所示,包括输入层、卷积层、次抽样层、全连接层、输出层。输入层为车型图片和实际自然场景;卷积层包含多个特征图,特征图中的每个神经元与前一层的局域感受野连接,并与具有学习能力的卷积核进行卷积获取局部特征,由激活函数输出得到该层的特征图,卷积层的计算公式和激活函数分别为:
其中l为网络层数,k为卷积核,Mj为输入层的感受野,b为每个输出图的一个偏置值,e为自然指数,约取2.71828。
次抽样层是对输入层进行采样,降低输入特征图的分辨率,减小特征维数,次抽样层的公式为:
其中down(.)为池化函数,β为权重系数。
卷积层和次抽样层用于提取输入图像的特征,并将其全部反馈到全连接层进行特征分类,由输出层输出最终结果。
为了提高运行效率和减低运算复杂度,深度学习神经网络需要进行降维建模,其流程如图6所示:
步骤1:采集原始图像像素作为输入数据;
步骤2:设置初始节点数,比如2000;
步骤3:根据色彩分布于纹理特征设置第二层神经网络初始节点,比如1000;
步骤4:根据运动信息设置第三层神经网络初始节点,比如500;
步骤5:输出降维后的特征空间数据;
步骤6:卷积运算输出特征图;
步骤7:通过非线性处理输出矫正特征图;
步骤8:最大池化输出池化特征数据;
步骤9:进入车辆分类器,输出车辆类型识别结果。
需要说明的是,虽然本发明已以较佳实施例公开如上,但上述实施例内容并不是用来限定本发明的。在不脱离本发明之精神和范围内,所做的任何等效变化或润饰同样属于本发明之保护范围。
Claims (10)
1.一种输电线防外破的车辆识别与危险行为判别***,其特征在于,该***包括输电线路前端的智能防外破预警装置、后端的中心管理平台和移动客户端,中心管理平台通过3/4G网络与输电线路智能防外破预警装置通信,移动客户端通过3/4G网络与输电线路智能防外破预警装置和中心管理平台通信,前端的智能防外破预警装置和后端的中心管理平台分别装有深度学习模块,该前、后端的深度学习模块协作运行,完成传输线防外破的车辆识别与车辆危险行为预警判别。
2.根据权利要求1所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,所述的前端输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。
3.根据权利要求2所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,所述3/4G智能摄像机由视频成像模块、深度学习模块、预警模块、PTZ模块、压缩模块、存储模块及通信模块部件组成,视频成像模块实现图像采集与预处理;预警模块实现预警信息管理与信息上报;PTZ模块实现摄像机上下左右转动和镜头拉近或拉远,调整摄像机视野;压缩模块实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频;存储模块实现对压缩后的图片和视频在SD存储介质上进行存储和基于预警事件和时间戳的索引。
4.根据权利要求1所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,深度学***台实现深度学***台。
5.根据权利要求4所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,前端智能摄像机中的深度学***台发来的数据及参数进行模型及参数更新。
6.根据权利要求4所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,前端的深度学习网络实现图像前景区域中自动检测车辆、自动提取特征、分类处理、行为分析,完成对输电线路监测点的过往大型施工车辆识别与危险行为的判别预警。
7.根据权利要求4所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,后端的中心管理平台确定深度学习网络的层数和卷积核大小,根据不同天气条件及车型训练深度学习网络,获得相关参数;深度学习网络采用经过压缩降维的亚采样像素特征、颜色分布特征、纹理特征、结构特征、运动特征,可识别各类工程车辆及其危险行为。
8.根据权利要求4所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,所述的后端中心管理平台基于深度学习的工程车辆识别方法实现包括背景建模、目标检测、车型分类、车辆行为分析在内的训练和识别。
9.根据权利要求4所述的输电线防外破的车辆识别与危险行为判别***,其特征在于,在前端的深度学***台,由后端的深度学习网络完成车辆检测与识别,确保不漏检。
10.一种实现如权利要求1所述的输电线防外破的车辆识别与危险行为判别***的判别方法,其特征在于包含以下步骤:
步骤1,后端中心服务器确定深度卷积神经网络层数和卷积核大小,使其能识别输电线塔架周围的工程车车辆以及经过、逗留与危险行为;
步骤2,训练深度卷积神经网络,具体的步骤如下:
步骤21,采集在不同天气、时段下的不同车型图片作为训练的样本,并进行标注、参数化;
步骤22,对样本图像进行预处理;
步骤23,训练深度卷积神经网络;
步骤24,得到深度卷积神经网络的参数;
步骤25,将参数传递给前端深度卷积神经网络;
步骤26,智能摄像机获得经过训练的深度卷积分神经网络模型和分类器;
步骤3,前端的智能摄像机进行目标获取和识别,具体的步骤如下:
步骤31,获取实时图像;
步骤32,对获取到的图像进行预处理;
步骤33,采用混合神经网络进行背景建模和前景识别;
步骤34,训练好的深度卷积神经网络对识别出的前景进行特征提取;
步骤35,深度卷积神经网络提取的特征由训练好的分类器进行分类;
步骤36,输出前景是否为工程车和车辆危险行为判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810049610.9A CN108109385B (zh) | 2018-01-18 | 2018-01-18 | 一种输电线防外破的车辆识别与危险行为判别***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810049610.9A CN108109385B (zh) | 2018-01-18 | 2018-01-18 | 一种输电线防外破的车辆识别与危险行为判别***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109385A true CN108109385A (zh) | 2018-06-01 |
CN108109385B CN108109385B (zh) | 2022-06-14 |
Family
ID=62220117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810049610.9A Active CN108109385B (zh) | 2018-01-18 | 2018-01-18 | 一种输电线防外破的车辆识别与危险行为判别***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109385B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805207A (zh) * | 2018-06-13 | 2018-11-13 | 江苏电力信息技术有限公司 | 一种大型施工车辆扬臂检测算法 |
CN109873990A (zh) * | 2019-03-13 | 2019-06-11 | 武汉大学 | 一种基于计算机视觉的矿山非法开采预警方法 |
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*** |
CN110428583A (zh) * | 2019-07-18 | 2019-11-08 | 华东师范大学 | 一种基于嵌入式开发和深度学习的叉车实时监控预警***及方法 |
CN110689706A (zh) * | 2019-10-11 | 2020-01-14 | 广东电网有限责任公司 | 一种架空线路下大型施工车辆的监测的方法、装置及*** |
CN110795976A (zh) * | 2018-08-03 | 2020-02-14 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
CN110855932A (zh) * | 2018-08-21 | 2020-02-28 | 杭州海康威视数字技术股份有限公司 | 基于视频数据的报警方法、装置、电子设备及存储介质 |
CN111881760A (zh) * | 2020-06-30 | 2020-11-03 | 深圳金三立视频科技股份有限公司 | 输电线路防外破识别方法及终端 |
CN112349056A (zh) * | 2020-11-06 | 2021-02-09 | 暨南大学 | 一种电缆通道防外破智能前端监控及预警*** |
CN112347947A (zh) * | 2020-11-10 | 2021-02-09 | 厦门长江电子科技有限公司 | 融合智能检测与自动化测试的图像数据处理***与方法 |
CN113179389A (zh) * | 2021-04-15 | 2021-07-27 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别***及识别方法 |
CN113255519A (zh) * | 2021-05-25 | 2021-08-13 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别***及多目标跟踪方法 |
CN113780237A (zh) * | 2021-09-27 | 2021-12-10 | 深圳供电局有限公司 | 一种地下管线的防外力破坏预警方法、装置及*** |
WO2022016573A1 (zh) * | 2020-07-21 | 2022-01-27 | 南京智金科技创新服务中心 | 一种视频监控分析***和方法 |
CN115099729A (zh) * | 2022-08-25 | 2022-09-23 | 国网浙江慈溪市供电有限公司 | 基于导航***的输电线防外破监管方法和*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537788A (zh) * | 2015-01-16 | 2015-04-22 | 南京理工大学 | 一种高压输电线路防外破智能图像预警***及方法 |
CN105025263A (zh) * | 2015-07-10 | 2015-11-04 | 国家电网公司 | 输配电线路通道大型车辆定位方法 |
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 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
KR20170031895A (ko) * | 2015-09-14 | 2017-03-22 | 대우조선해양 주식회사 | 가상 선교 시스템 및 그의 제어방법 |
CN106874840A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
CN107038448A (zh) * | 2017-03-01 | 2017-08-11 | 中国科学院自动化研究所 | 目标检测模型构建方法 |
CN107152966A (zh) * | 2017-03-22 | 2017-09-12 | 广东工业大学 | 一种基于深度学习的高压输电线舞动预警*** |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107369291A (zh) * | 2017-07-13 | 2017-11-21 | 南京理工大学 | 基于深度学习的高压线路防外力破坏预警***及方法 |
-
2018
- 2018-01-18 CN CN201810049610.9A patent/CN108109385B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537788A (zh) * | 2015-01-16 | 2015-04-22 | 南京理工大学 | 一种高压输电线路防外破智能图像预警***及方法 |
CN105025263A (zh) * | 2015-07-10 | 2015-11-04 | 国家电网公司 | 输配电线路通道大型车辆定位方法 |
KR20170031895A (ko) * | 2015-09-14 | 2017-03-22 | 대우조선해양 주식회사 | 가상 선교 시스템 및 그의 제어방법 |
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 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN106874840A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 车辆信息识别方法及装置 |
CN107038448A (zh) * | 2017-03-01 | 2017-08-11 | 中国科学院自动化研究所 | 目标检测模型构建方法 |
CN107152966A (zh) * | 2017-03-22 | 2017-09-12 | 广东工业大学 | 一种基于深度学习的高压输电线舞动预警*** |
CN107369291A (zh) * | 2017-07-13 | 2017-11-21 | 南京理工大学 | 基于深度学习的高压线路防外力破坏预警***及方法 |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
Non-Patent Citations (4)
Title |
---|
宋彪: "输电线路防施工外破的管控措施", 《宿州学院学报》 * |
宋彪: "输电线路防施工外破的管控措施", 《宿州学院学报》, 15 July 2013 (2013-07-15) * |
徐毅: "蚁群算法在电力巡检路线规划中的应用", 《计算机***应用》 * |
徐毅: "蚁群算法在电力巡检路线规划中的应用", 《计算机***应用》, 31 May 2015 (2015-05-31) * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805207A (zh) * | 2018-06-13 | 2018-11-13 | 江苏电力信息技术有限公司 | 一种大型施工车辆扬臂检测算法 |
CN108805207B (zh) * | 2018-06-13 | 2020-08-04 | 江苏电力信息技术有限公司 | 一种大型施工车辆扬臂检测方法 |
US11423634B2 (en) | 2018-08-03 | 2022-08-23 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method, apparatus, and device |
US11605211B2 (en) | 2018-08-03 | 2023-03-14 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method and apparatus, and device |
CN110795976A (zh) * | 2018-08-03 | 2020-02-14 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
EP3624007A4 (en) * | 2018-08-03 | 2020-07-01 | Huawei Technologies Co., Ltd. | OBJECT DETECTION MODEL DRIVE METHOD AND APPARATUS, AND DEVICE |
CN110855932A (zh) * | 2018-08-21 | 2020-02-28 | 杭州海康威视数字技术股份有限公司 | 基于视频数据的报警方法、装置、电子设备及存储介质 |
CN109873990A (zh) * | 2019-03-13 | 2019-06-11 | 武汉大学 | 一种基于计算机视觉的矿山非法开采预警方法 |
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*** |
CN110428583A (zh) * | 2019-07-18 | 2019-11-08 | 华东师范大学 | 一种基于嵌入式开发和深度学习的叉车实时监控预警***及方法 |
CN110428583B (zh) * | 2019-07-18 | 2023-08-18 | 华东师范大学 | 一种基于嵌入式开发和深度学习的叉车实时监控预警***及方法 |
CN110689706A (zh) * | 2019-10-11 | 2020-01-14 | 广东电网有限责任公司 | 一种架空线路下大型施工车辆的监测的方法、装置及*** |
CN111881760A (zh) * | 2020-06-30 | 2020-11-03 | 深圳金三立视频科技股份有限公司 | 输电线路防外破识别方法及终端 |
CN111881760B (zh) * | 2020-06-30 | 2021-10-08 | 深圳金三立视频科技股份有限公司 | 输电线路防外破识别方法及终端 |
WO2022016573A1 (zh) * | 2020-07-21 | 2022-01-27 | 南京智金科技创新服务中心 | 一种视频监控分析***和方法 |
CN112349056A (zh) * | 2020-11-06 | 2021-02-09 | 暨南大学 | 一种电缆通道防外破智能前端监控及预警*** |
CN112347947A (zh) * | 2020-11-10 | 2021-02-09 | 厦门长江电子科技有限公司 | 融合智能检测与自动化测试的图像数据处理***与方法 |
CN113179389A (zh) * | 2021-04-15 | 2021-07-27 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别***及识别方法 |
CN113255519A (zh) * | 2021-05-25 | 2021-08-13 | 江苏濠汉信息技术有限公司 | 一种输电线路危险车辆吊车扬臂识别***及多目标跟踪方法 |
CN113780237A (zh) * | 2021-09-27 | 2021-12-10 | 深圳供电局有限公司 | 一种地下管线的防外力破坏预警方法、装置及*** |
CN115099729A (zh) * | 2022-08-25 | 2022-09-23 | 国网浙江慈溪市供电有限公司 | 基于导航***的输电线防外破监管方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN108109385B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109385A (zh) | 一种输电线防外破的车辆识别与危险行为判别***与方法 | |
CN112381784B (zh) | 一种基于多光谱图像的设备检测*** | |
CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
WO2020199538A1 (zh) | 基于图像监控数据的桥梁关键构件病害预警***及方法 | |
CN102867417B (zh) | 一种出租车防伪***及方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN110728236B (zh) | 车辆定损方法及其专用设备 | |
CN108918532A (zh) | 一种快速道路交通标志破损检测***及其检测方法 | |
CN104601956A (zh) | 基于固定翼无人机的输电线路在线监测***及监测方法 | |
CN115311241B (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
CN110691224A (zh) | 一种变电站周界视频智能检测*** | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉***及方法 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测*** | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN114708532A (zh) | 一种监控视频质量评估方法、***及存储介质 | |
WO2022104798A1 (zh) | 基于5g的无人驾驶电子交警执勤*** | |
CN112258402A (zh) | 一种快速去雨的密集残差生成对抗网络 | |
CN117274967A (zh) | 一种基于卷积神经网络多模态融合车牌识别算法 | |
CN107895365B (zh) | 一种输电通道外破防护的图像匹配方法及监测*** | |
CN202887450U (zh) | 一种出租车防伪*** | |
CN115641431A (zh) | 一种基于改进深度学习的输电线工程车辆检测方法 | |
CN202650248U (zh) | 基于图像处理的智能交通管控装置 | |
CN116452943A (zh) | 一种基于卷积神经网络进行图像识别的水位识别方法 | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别***及方法 |
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 |