CN108734704B - 基于灰度方差归一化的输电导线断股检测方法 - Google Patents
基于灰度方差归一化的输电导线断股检测方法 Download PDFInfo
- Publication number
- CN108734704B CN108734704B CN201810428081.3A CN201810428081A CN108734704B CN 108734704 B CN108734704 B CN 108734704B CN 201810428081 A CN201810428081 A CN 201810428081A CN 108734704 B CN108734704 B CN 108734704B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- conductor
- strand
- value
- 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
- 239000004020 conductor Substances 0.000 title claims abstract description 119
- 230000005540 biological transmission Effects 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000010606 normalization Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000004804 winding Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000000737 periodic effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明是一种基于灰度方差归一化的输电导线断股检测技术,步骤包括:1)获取输电线路导线的俯拍视频图像I1,进行灰度化、中值滤波与直方图均衡化处理,得到灰度图像I2;2)对灰度图像I2灰度方差归一化处理;3)采用自适应阈值分割方法对图像I3进行分割处理及形态学处理,拟合输电导线区域中心轴、1/4和3/4厚度轴线;4)根据拟合的轴线方程从预处理后的灰度图像I2中获取中轴线、1/4和3/4厚度轴线上的灰度值方波图;5)对导线各轴线方波的完整Z字波形宽度进行统计分析,得到导线单股导线宽度图;若出现断股,所有连续非完好单股导线波形表征的导线断股根数的最大值,即为输电导线的实际断股根数的检测结果。
Description
技术领域
本发明属于电力输电线路监测技术领域,涉及一种基于灰度方差归一化的输电导线断股检测技术。
背景技术
输电线路是电力***的动脉,输电导线是输电线路的重要组成部件,由于外力破坏、气象灾害、线路老化等因素造成的输电导线断股严重威胁输电线路稳定运行,造成严重后果。随着电网容量不断扩大,设备大量增加,现有的人工输电线路巡检方式对输电线路运行状态的检测也越来越困难。在这种情况下,输电线路的运行状态和故障隐患的不可知性与大电网安全稳定运行的矛盾日趋突出。
随着直升机与无人机输电线路巡检作业的普及,为通过图像处理与识别技术实现输电线路故障的自动检测提供了发展机遇。通过对输电导线的无人机巡线航拍视频/图像进行图像处理,能够实现输电导线运行状态的实时检测,有效保障电网的安全运行。因此,研究基于灰度方差归一化的输电导线断股在线检测技术,具有非常重要的现实意义。
发明内容
本发明的目的是提供一种基于灰度方差归一化的输电导线断股检测技术,解决了现有技术采用人工输电线路巡检方式,费时费力,检测误差率大的问题。
本发明所采用的技术方案是,一种基于灰度方差归一化的输电导线断股检测技术,按照以下步骤具体实施:
步骤1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1;对获取的输电导线俯拍视频图像I1进行灰度化处理;由于灰度化图像对比度低且受各类噪声干扰,再对灰度化图像进行中值滤波与直方图均衡化处理,得到去噪增强后的灰度图像I2,获取图像灰度分散度分布特征;
步骤2,针对获取的输电导线图像中导线区域清晰度高,背景区域清晰度低的图像特点,对灰度图像I2进行灰度方差归一化处理,突出输电导线图像中的导线区域;
步骤3,采用自适应阈值分割方法对图像I3进行分割处理及形态学处理,通过图像映射实现导线区域的准确获取,并拟合输电线路导线区域中心轴、1/4和3/4厚度轴线;
步骤4,根据拟合的轴线方程从预处理后的灰度图像I2中获取中轴线、1/4和3/4厚度轴线上的灰度值方波图;
步骤5,为清晰表示图像p中导线各轴线区域Z字波形宽度的整体分布,对导线各轴线方波的完整Z字波形宽度进行统计分析,得到导线单股导线宽度图;当检测宽度超过摄像机标定标准计算检测精度,标识为非完好单股导线波形;若出现断股,所有连续非完好单股导线波形表征的导线断股根数的最大值,即为输电导线的实际断股根数的检测结果。
本发明的有益效果是,针对目前国内外关于输电线路导线断股检测问题相关报道和研究少这一研究现状,本发明通过灰度方差归一化方法突出导线区域,转换传统仅通过图像像素点灰度值对目标图像进行图像处理的理念,以像素点灰度值的分散程度为研究对象进行下一步图像处理,能够克服航拍输电导线图像背景复杂以及光照的影响,在减少数据量的同时在复杂背景中突出目标,其同样适用于其他采集图像目标与背景距离较远的图像分割。其中,提出的根据导线表面中心轴灰度值分布进行输电导线断股检测的方法,通过拟合导线轴线、二值化处理和完好导线横向轴线灰度值分布固有的似周期循环性分析,将导线的断股检测问题简化为一维数据处理问题,实现导线断股的准确识别,为无人机巡检输电导线断股故障提供了一种新的思路。
附图说明
图1是本发明输电导线断股检测方法的流程图;
图2a是本发明方法中的灰度方差归一化3*3模板示意图;
图2b是本发明方法中的灰度方差归一化5*5模板示意图;
图3a是完好输电导线灰度方差归一化处理结果图;
图3b是断股输电导线灰度方差归一化处理结果图;
图4a是本发明方法中的完好输电线路导线检测结果流程图;
图4b是本发明方法中的输电线路导线断股检测结果流程图。
具体实施方式
由于在太阳光的正面照射下,输电导线图像中各单股导线衔接处灰度值较低,而各单股导线表面灰度值较高,因输电导线结构的循环特征完好导线表面灰度值呈现一种似周期循环特性。输电导线一旦发生断股,就会导致单股导线翘起或脱股。由于输电导线内外层单股导线绕行方向相反且缠绕角度不同,单股导线横向间距发生变化,受断股处内层输电导线部分区域灰度值低的影响,相应区域中心轴对应的单股导线间横向灰度值构成的似周期特性遭到破坏。
据此,本发明通过对输电线路导线图像进行灰度化处理,突出输电线路导线目标域;采用中值滤波和直方图均衡化分别进行图像去噪和图像增强;由灰度方差归一化和Otsu阈值分割算法对输电导线进行分割提取;通过形态学滤波,获取完整的输电线路导线目标域。针对输电线路断股导致的横向周期性改变这一现象,本发明通过对分割获取的输电导线目标域在灰度图像的中心轴的灰度值分布进行特征分析,实现输电线路导线断股根数的识别。为克服输电线路导线中噪声的干扰,增强本发明方法的鲁棒性,对输电线路导线1/4和3/4厚度轴线处进行相同处理,对三者获取的输电线路导线断股结果取最大值作为输电线路最终的检测结果,该方法将输电导线断股检测转换为对导线横向中心轴灰度分布的周期性检测,实现导线断股的准确识别。
参照图1,本发明的方法,按照以下步骤具体实施:
步骤1,通过无人机上安装的图像采集设备顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1并对获取的输电导线俯拍视频图像I1进行灰度化处理。由于灰度化图像对比度低且受各类噪声干扰的特点,对灰度化图像进行中值滤波与直方图均衡化处理,得到去噪增强后的灰度图像I2,获取图像灰度分散度分布特征;
步骤2,针对获取的输电导线图像中导线区域清晰度高,背景区域清晰度低的图像特点,对灰度图像I2进行灰度方差归一化处理,突出输电导线图像中的导线区域。
灰度方差归一化处理的具体步骤如下:
以尺寸为3*3的模板中心点为导向,依次遍历整幅图像各像素点,根据公式(1)计算遍历模板内各像素点的灰度值均值、各遍历点的方差及归一化值:
其中,q5为一个处理单元模板中重阴影像素点的灰度值方差,遍历整幅图像获取原图对应的完整灰度方差图,通过公式(3)计算各坐标归一化后的像素值:
其中,m(x,y)为坐标(x,y)处归一化后的像素值,设图像尺寸为N× M,则x=1,2,3,...,N,y=1,2,3,...,M;qmax为灰度方差图像灰度值的最大值; qmin为灰度方差图像灰度值的最小值;q(x,y)为像素点(x,y)处灰度方差图像的灰度值,得到处理后的图像I3;
该方法将传统仅通过图像像素点灰度值为研究对象转换为以像素点灰度值的分散程度为研究对象分析特征进行下一步图像处理。直接灰度变换、RGB颜色分量、HSI颜色分量中的亮度图及HSV颜色分量中的明度图的处理效果类似,它们均能降低彩色输电导线的维度,但在保留导线目标区域的像素信息的同时,不能同时有效地抑制输电线路导线复杂背景的影响,为下一步输电线路导线目标区域的分割提取带来极大的挑战;导线图像色调分量图部分能有效突出输电线路导线目标区域,但仍会因为部分色调较高的复杂背景的影响,不能有效突出导线的目标区域;由于航拍获取输电导线图像的饱和度普遍偏低,饱和度分量图的处理效果均不够理想。相较之下,本发明提出的灰度值方差归一化方法的灰度处理效果,根据航拍获取的输电导线图像目标区域分辨率高及背景区域分辨率低的图像特征,在突出导线目标区域的同时又能够有效抑制复杂背景的干扰,取得了良好的灰度化处理效果。
步骤3,针对灰度方差归一化后的输电导线图像中背景与导线区域灰度值相差较大的特点,采用自适应阈值分割方法对图像I3进行分割处理及形态学处理,通过图像映射实现导线区域的准确获取,并拟合输电导线区域中心轴、1/4和3/4厚度轴线;
受到输电线路导线断股的影响,输电线路导线区域中心轴区域灰度值分布呈不规则分布,除去输电线路导线散股或断股区域出现不规则形状外,导线其他区域仍呈现似周期循环特性。为此,本步骤通过获取导线区域的中心轴并作拟合处理,获取输电线路导线主轴线所在位置;采用最小二乘法拟合导线区域中心轴同时拟合1/4及3/4厚度轴线直线;
步骤4,根据拟合的轴线方程从预处理后的灰度图像I2中获取中轴线、1/4和3/4厚度轴线上的灰度值方波图。
步骤4.1沿着输电导线的中心轴的方向逐点获得预处理过后的灰度图像I2对应位置的灰度值,得到输电导线中心轴线的灰度值分布图,并同时记录该轴线的对应灰度值最大点和最小点,分别记作nmax和nmin;
步骤4.2由于输电导线各轴线灰度值分布在一定灰度取值范围内存在一定随机性,获取波形具有似周期循环特性,但没有准确的周期;
为实现输电线路完好单股导线的准确识别,采用灰度值的最大值与最小值的均值(nmax+nmin)/2作为二值化的阈值,进行二值化处理,具体如下:
当灰度值大于该阈值时置1;灰度值小于等于该阈值时置0,具体判断方式见公式(4):
其中,图像p表示最终获取的二值化方波处理结果,其中单个Z 字波形(或简称为Z字波)宽度用以表征单股导线的宽度;
步骤4.3对1/4和3/4厚度轴线重复步骤4.1和步骤4.2的操作,得到1/4和3/4厚度轴线处的二值化方波;
步骤5,为清晰表示图像p中导线各轴线区域Z字波形宽度的整体分布,对导线各轴线方波的完整Z字波形宽度进行统计分析,得到导线单股导线宽度图;当检测宽度超过摄像机标定标准计算检测精度,标识为非完好单股导线波形即断股故障;若出现断股,将中心轴、1/4 和3/4厚度轴线中连续非完好单股导线波形检测出的导线断股根数的最大值作为输电导线的实际断股根数的检测结果。
断股输电导线的完整Z字波形宽度除了完好单股导线还有断股异常部分,即除了接近真实输电线路单股导线真实厚度的波形宽度之外,还有远小于或远大于真实输电线路单股导线的真实厚度的Z字波形。
为实现输电线路完好单股导线的Z字波形与断股区域和干扰区域的Z字波形的分离,根据摄像机标定获取单股导线直径长度在图像中占像素点个数w以及输电导线外层单股导线的缠绕特征。
已知构成固定型号输电线路导线的外层单股导线具有一定的缠绕角度α,次外层单股导线固定的缠绕角度为β,其中β<α,表征输电线路导线外层单股导线与次外层单股导线的长度分别表示为 round(w/sinα)与round(w/sinβ),由于架空输电线路两端由悬垂线夹连接,输电线路导线运行时间、导线舞动、环境温度、导线覆冰等因素的影响会导致输电导线拉伸,α与β的大小会同时出现微小的缩减,但由于输电线路导线材质对其影响极小,不予考虑。
本步骤以输电导线完好导线外层单股导线横向长度所占像素点个数round(w/sinα)为参考对象,根据实际需要选取适当的检测精度μ,按照摄像机标定标准计算检测精度在图像中占据像素点个数v,
若Z字波形的宽度|Pi-round(w/sinα)|≤v,则将该Z字波形标识为完好单股导线波形;
若Z字波形的宽度|Pi-round(w/sinα)|>v,则将该Z字波形标识为非完好单股导线波形,其中i为Z字波形个数的标识,假设整个波形中包含的Z字波形有k个;
为清晰表示输电导线的整体断股情况,分别计算所有连续的非完好单股导线波形的波形宽度和Hf,其中f用以表示各导线轴线中连续非完好单股导线波形个数,假设整个波形中包含的连续非完好单股导线波形个数有j个;
断股输电线路导线的Z字波形叠加结果在各相应的导线断股区域出现明显波峰,相应的断股根数越多,其峰值越大,各连续非完好单股导线波形表征的断股导线根数lf,记为下式:
lf=round[Hf/(round(w/sinα))] (5)
则所有连续非完好单股导线波形表征的导线断股根数的最大值 lmax,即为输电导线的实际断股根数的检测结果。
图2a和图2b分别为步骤2)涉及到的尺寸为3*3和5*5的遍历模板示意图,根据获取的图像分辨率大小的不同,结合运算速度以及处理结果选取合适大小的处理模板。
图3a表示的是采用本发明方法对获取的不同复杂背景下的完好输电导线图像进行灰度化处理的原图与结果图对比结果。图3b表示的是采用本发明方法对获取的不同复杂背景下的不完好输电导线图像进行灰度化处理的原图与处理图对比结果。
图4a表示的是完好输电线路导线图像处理过程,图4b表示的是断3股输电导线图像处理过程,采用本发明的输电导线断股检测方法涉及到的各步骤处理流程图。
综上所述,本发明方法根据航拍获取的输电导线图像背景与导线区域的灰度分散特征,提出基于灰度方差归一化的灰度化方法;其次,根据现有导线断股检测方法理论中常涉及的漏检现象,分析获取的输电导线图像表面横向灰度值的似周期循环性,根据输电导线横向表面的周期循环特性对该区域的中心轴灰度值进行处理分析,实现输电导线断股缺陷的识别;最后,为确保检测结果的准确性,对导线中心轴上下对称轴线进行处理,有效提升断股检测结果的鲁棒性。
Claims (1)
1.一种基于灰度方差归一化的输电导线断股检测方法,其特征在于,按照以下步骤具体实施:
步骤1、顺应太阳光照射方向获取输电线路导线的俯拍视频图像I1;对获取的输电导线俯拍视频图像I1进行灰度化处理;再对灰度化图像进行中值滤波与直方图均衡化处理,得到去噪增强后的灰度图像I2,获取图像灰度分散度分布特征;
步骤2、对灰度图像I2进行灰度方差归一化处理,突出输电导线图像中的导线区域,灰度方差归一化处理的具体步骤如下:
以尺寸为3*3的模板中心点为导向,依次遍历整幅图像各像素点,根据公式(1)计算遍历模板内各像素点的灰度值均值、各遍历点的方差及归一化值:
其中,q5为一个处理单元模板中重阴影像素点的灰度值方差,遍历整幅图像获取原图对应的完整灰度方差图,通过公式(3)计算各坐标归一化后的像素值:
其中,m(x,y)为坐标(x,y)处归一化后的像素值,设图像尺寸为N×M,则x=1,2,3,...,N,y=1,2,3,...,M;qmax为灰度方差图像灰度值的最大值;qmin为灰度方差图像灰度值的最小值;q(x,y)为像素点(x,y)处灰度方差图像的灰度值,得到处理后的图像I3;
步骤3、采用自适应阈值分割方法对图像I3进行分割处理及形态学处理,通过图像映射实现导线区域的准确获取,并拟合输电导线区域中轴线、1/4和3/4厚度轴线;
步骤4、根据拟合输电导线区域中心轴、1/4和3/4厚度轴线从灰度图像I2中获取三条轴线的灰度值方波图,具体步骤是:
4.1)沿着输电导线的中轴线的方向逐点获得灰度图像I2对应位置的灰度值,得到输电导线中轴线的灰度值分布图,并同时记录该轴线的对应灰度值最大点和最小点,分别记作nmax和nmin;
4.2)采用灰度值的最大值与最小值的均值(nmax+nmin)/2作为二值化的阈值,进行二值化处理,具体如下:
当灰度值大于该阈值时置1;灰度值小于等于该阈值时置0,具体判断方式见公式(4):
其中,图像p表示最终获取的二值化方波处理结果,其中单个Z字波形宽度用以表征单股导线的宽度;
4.3)对1/4和3/4厚度轴线重复步骤4.1)和步骤4.2)的操作,得到1/4和3/4厚度轴线处的二值化方波;
步骤5,为清晰表示图像p中导线各轴线区域Z字波形宽度的整体分布,对导线各轴线方波的完整Z字波形宽度进行统计分析,得到导线单股导线宽度图;当检测宽度超过摄像机标定标准计算检测精度,标识为非完好单股导线波形;若出现断股,将中轴线、1/4和3/4厚度轴线中连续非完好单股导线波形检测出的导线断股根数的最大值作为输电导线的实际断股根数的检测结果;
具体过程是:
以输电导线完好导线外层单股导线横向长度所占像素点个数round(w/sinα)为参考对象,按照摄像机标定标准计算检测精度在图像中占据像素点个数v,w表示摄像机标定获取单股导线直径长度在图像中占像素点个数;α表示某个确定型号的输电线路导线的外层单股导线具有的缠绕角度;
若Z字波形的宽度|Pi-round(w/sinα)|≤v,则将该Z字波形标识为完好单股导线波形;
若Z字波形的宽度|Pi-round(w/sinα)|>v,则将该Z字波形标识为非完好单股导线波形即断股,其中i为Z字波形个数的标识,假设整个波形中包含的Z字波形有k个;
为清晰表示输电导线的整体断股情况,分别计算所有连续的非完好单股导线波形的波形叠加宽度和Hf,其中f用以表示各导线轴线中连续非完好单股导线波形个数;
断股输电线路导线的Z字波形叠加结果在各相应的导线断股区域出现明显波峰,相应的断股根数越多,其峰值越大,各连续非完好单股导线波形表征的断股导线根数lf,记为:lf=round[Hf/(round(w/sinα))],
得到所有连续非完好单股导线波形表征的导线断股根数的最大值,记三者中的断股根数最大值为导线的实际断股根数lmax,做为输电导线的实际断股根数的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428081.3A CN108734704B (zh) | 2018-05-07 | 2018-05-07 | 基于灰度方差归一化的输电导线断股检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428081.3A CN108734704B (zh) | 2018-05-07 | 2018-05-07 | 基于灰度方差归一化的输电导线断股检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734704A CN108734704A (zh) | 2018-11-02 |
CN108734704B true CN108734704B (zh) | 2021-11-09 |
Family
ID=63937992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810428081.3A Active CN108734704B (zh) | 2018-05-07 | 2018-05-07 | 基于灰度方差归一化的输电导线断股检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734704B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020103826A1 (zh) * | 2018-11-23 | 2020-05-28 | 隆基绿能科技股份有限公司 | 一种熔料状态检测方法、装置及设备 |
CN109567851A (zh) * | 2018-12-08 | 2019-04-05 | 宁波耀通管阀科技有限公司 | 自适应式γ射线CT机 |
CN112381800B (zh) * | 2020-11-16 | 2021-08-31 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
CN112819784A (zh) * | 2021-02-01 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电线路导线断股散股检测方法及*** |
CN117351005B (zh) * | 2023-12-01 | 2024-02-06 | 四川纳拓新材料技术有限公司 | 一种涂炭箔涂布缺陷检测方法和*** |
CN117934417A (zh) * | 2024-01-24 | 2024-04-26 | 北京首发公路养护工程有限公司 | 基于神经网络识别道路表观缺陷方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143354A (zh) * | 2010-12-16 | 2011-08-03 | 华北电力大学 | 基于视频图像处理的输电导线舞动识别计算方法 |
CN105551056A (zh) * | 2016-01-27 | 2016-05-04 | 云南电网有限责任公司电力科学研究院 | 一种线路断股检测方法及*** |
KR101631389B1 (ko) * | 2014-12-29 | 2016-06-16 | 주식회사 엘지씨엔에스 | 송전선 영상 처리 방법 및 장치 |
CN105718842A (zh) * | 2014-12-02 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种输电线断股故障的机器视觉检测方法 |
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
-
2018
- 2018-05-07 CN CN201810428081.3A patent/CN108734704B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143354A (zh) * | 2010-12-16 | 2011-08-03 | 华北电力大学 | 基于视频图像处理的输电导线舞动识别计算方法 |
CN105718842A (zh) * | 2014-12-02 | 2016-06-29 | 中国科学院沈阳自动化研究所 | 一种输电线断股故障的机器视觉检测方法 |
KR101631389B1 (ko) * | 2014-12-29 | 2016-06-16 | 주식회사 엘지씨엔에스 | 송전선 영상 처리 방법 및 장치 |
CN105551056A (zh) * | 2016-01-27 | 2016-05-04 | 云南电网有限责任公司电力科学研究院 | 一种线路断股检测方法及*** |
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Non-Patent Citations (3)
Title |
---|
Detection and Fault Diagnosis of Power Transmission Line in Infrared Image;Siyuan He et al;《The 5th Annual IEEE International Conference》;20151005;第431-435页 * |
基于图像处理技术的飞机巡线导线断股缺陷检测方法;齐国顺等;《黑龙江电力》;20171231;第39卷(第6期);第522-526页 * |
基于无人机图像的输电线断股与异物缺陷检测方法;王万国等;《计算机应用》;20150810;第35卷(第8期);第2404-2408页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108734704A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN107742301B (zh) | 基于图像分类的复杂背景下输电线路图像处理方法 | |
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN111398291B (zh) | 基于深度学***漆包电磁线表面瑕疵检测方法 | |
CN113920122B (zh) | 一种基于人工智能的电缆缺陷检测方法及*** | |
CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN116337879B (zh) | 一种电缆绝缘表皮磨损缺陷快速检测方法 | |
CN107179479A (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN115330790A (zh) | 基于图像的电缆绞线质量检测方法及*** | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN117952960A (zh) | 基于人工智能的电力铁塔部件缺陷检测方法 | |
CN108734709B (zh) | 一种绝缘子凸缘形状参数识别与破坏检测方法 | |
CN113920476A (zh) | 一种基于分割和颜色相结合的图像识别方法及*** | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN113643352B (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 | |
CN116228775A (zh) | 基于机器视觉的接触器完整性检测方法 |
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 |