CN109284739B - 一种基于深度学习的输电线路防外力破坏预警方法及*** - Google Patents
一种基于深度学习的输电线路防外力破坏预警方法及*** Download PDFInfo
- Publication number
- CN109284739B CN109284739B CN201811254489.XA CN201811254489A CN109284739B CN 109284739 B CN109284739 B CN 109284739B CN 201811254489 A CN201811254489 A CN 201811254489A CN 109284739 B CN109284739 B CN 109284739B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- unmanned aerial
- aerial vehicle
- deep learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于深度学习的输电线路防外力破坏预警方法及***,首先在一架以上的无人机上搭载摄像头与无线通信模块,每架无人机按照预设的路线、高度与拍摄角度对输电线路进行巡查,并将在目标地区拍摄的图像数据传输至对应巡查站的服务器;接着巡查站的服务器对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;最后中心控制台接收各个巡查站发出的预警坐标位置,用以警示工作人员。本发明市面上普及的无人机以及深度学习算法,实现较大范围的输电线路防外力破坏预警。
Description
技术领域
本发明涉及输电线路保护领域,特别是一种基于深度学习的输电线路防外力破坏预警方法及***。
背景技术
我国输电线路承担着输送区域电能的重担,因此保障输电线路的稳定运行显得尤为重要。而现代化建设速度的不断加快,工程施工频繁已严重威胁到输电线路安全,外力破坏已成为影响输电线路安全的主要因素,对外力破坏的预防迫在眉睫。而目前的防外力破坏方法大都靠人工巡查,以及防外力破坏***检测,但人工巡查不及时、效率低下,不能很好地预防外力破坏,减轻损失;防外力破坏***结构复杂,不便操作,且防范范围小。
伴随着无人机应用的逐渐普及,电力巡线无人机因其具有野外作业风险低、成本低以及作业灵活的特点受到各大电网公司的广泛关注以及应用。但巡检所得的海量图像数据仍需多名经验丰富的专业人员耗费数日进行枯燥的图片检索与分析任务,过程中还易出现漏检、误判的情况,增加了巡线成本,降低了巡线效率。近几年深度学习凭借着自身良好的学习能力,被广泛应用在电力无人机巡检图像的故障识别上,并取得了良好的成果。
发明内容
有鉴于此,本发明的目的是提出一种基于深度学习的航拍图像输电线路防外力破坏预警方法及***,利用市面上普及的无人机以及深度学习算法,实现较大范围的输电线路防外力破坏预警。
本发明采用以下方案实现:一种基于深度学习的输电线路防外力破坏预警方法,具体包括以下步骤:
步骤S1:在一架以上的无人机上搭载摄像头与无线通信模块,每架无人机按照预设的路线、高度与拍摄角度对输电线路进行巡查,并将在目标地区拍摄的图像数据传输至对应巡查站的服务器;
步骤S2:巡查站的服务器对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;
步骤S3:中心控制台接收各个巡查站发出的预警坐标位置,用以警示工作人员。
进一步地,步骤S2中,所述深度神经网络采用Mask R-CNN神经网络搭建,通过MaskR-CNN神经网络得到输电线路和危险目标的边缘像素点,适当选取输电线路与危险目标的个别边缘像素点,用以算出危险目标与输电线路的距离,当这些距离的最小值小于设定的阈值时,说明存在外力破坏危险,此时通过服务器向中心控制台发送警报。
进一步地,所述步骤S2具体包括以下步骤:
步骤S11:不断地采集无人机拍摄的图片作为训练样本集;
步骤S12:构建Mask R-CNN神经网络模型;
步骤S13:将训练样本集转换数据格式后输入步骤S12的神经网络模型中进行训练,且每隔一定训练周期,保存训练模型,利用测试集数据测试当前模型性能,计算平均准确率、漏检率、误报率;当模型各项参数达到期望值且趋于平稳时,保存模型然后固化,只保留包括前向传播的神经元权重与偏置在内的常量;
步骤S14:将无人机实时传回的图像数据输入训练好的Mask R-CNN神经网络模型中,得到输电线路和危险目标的边缘像素点,适当选取输电线路与危险目标的个别边缘像素点;
步骤S15:由于此时是像素坐标系,即以图像左上角为原点建立以像素为单位的直接坐标系u-v,像素的横坐标u与纵坐标v分别是在其图像数组中所在的列数与所在行数;因此当无人机实在输电线路右侧进行巡查时,危险目标像素点只需选取u最小和v最小的两点坐标(u1,v1)和(u2,v2),而输电线路的像素点选取最靠近危险目标的点;
步骤S16:将像素坐标转换为能够表示该像素点实际三维坐标的世界坐标;
步骤S17:根据世界坐标以及空间距离公式,求得输电导线与危险目标的实际空间距离;
步骤S18:将步骤S17求得的实际空间距离与预先设定好的阈值进行比较,当小于设定阈值时,证明危险目标进入输电线路的安全保护区域,存在对其造成破坏的危险,服务器向中心控制台发送警报。
进一步地,步骤S16中,所述世界坐标与像素坐标之间的转换采用下式:
式中,u、v分别是像素的横、纵坐标,等号右边的第一、第二个矩阵为相机的内参、外参,Xw、Yw、Zw是该点的世界坐标,Zc是摄像机坐标;
经过逆运算,求得像素坐标对应的世界坐标。
本发明还提供了一种基于上文所述的基于深度学习的输电线路防外力破坏预警方法的***,包括中心控制台、一个以上的巡查站,一架以上的无人机;一个巡查站根据具体对应一定数目的无人机;
所述无人机上搭载有高清摄像头以及无线传输模块,用以采集输电线路图像,并将其传输至对应的巡查站;
所述巡查站内设置有服务器,所述服务器用以对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;
所述中心控制台能够接收各个巡查站发出的警报,并获取此时警报处的位置坐标。
进一步地,所述中心控制台能实时查询各个巡查站的巡查进度以及存储在巡查站服务器上的图像数据。
与现有技术相比,本发明有以下有益效果:本发明利用无人机巡查的方式代替人工巡查以及摄像头探查的方法,减轻了人力成本,提高了效率,同时巡查范围大大提高。本发明同时利用Mask R-CNN神经网络对图像数据进行智能检测,并设定了阈值判断是否存在外力破坏隐患,在提高效率保障实时性要求的同时,又减轻了误报率。
附图说明
图1为本发明实施例的***原理示意图。
图2为本发明实施例的神经网络模型训练流程示意图。
图3为本发明实施例的判断是否存在危险目标流程示意图。
图4为本发明实施例的像素点坐标与世界坐标的转换流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于深度学习的输电线路防外力破坏预警方法,具体包括以下步骤:
步骤S1:在一架以上的无人机上搭载摄像头与无线通信模块,每架无人机按照预设的路线、高度与拍摄角度对输电线路进行巡查,并将在目标地区拍摄的图像数据传输至对应巡查站的服务器;
步骤S2:巡查站的服务器对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;
步骤S3:中心控制台接收各个巡查站发出的预警坐标位置,用以警示工作人员。
在本实施例中,步骤S2中,所述深度神经网络采用Mask R-CNN神经网络搭建,通过Mask R-CNN神经网络得到输电线路和危险目标的边缘像素点,适当选取输电线路与危险目标的个别边缘像素点,用以算出危险目标与输电线路的距离,当这些距离的最小值小于设定的阈值时,说明存在外力破坏危险,此时通过服务器向中心控制台发送警报。
在本实施例中,述步骤S2具体包括以下步骤:
如图2所示,步骤S11:不断地采集无人机拍摄的图片作为训练样本集;
步骤S12:构建Mask R-CNN神经网络模型;Mask R-CNN神经网络是一个实例分割(Instance segmentation)算法,可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”,与其他R-CNN神经网络对比,Mask R-CNN最关键的是在像素级别进行特征点定位达到了将各个对象的边缘确定的效果;
步骤S13:将训练样本集转换数据格式后输入步骤S12的神经网络模型中进行训练,且每隔一定训练周期,保存训练模型,利用测试集数据测试当前模型性能,计算平均准确率、漏检率、误报率;当模型各项参数达到期望值且趋于平稳时,保存模型然后固化,只保留包括前向传播的神经元权重与偏置在内的常量;
如图3所示,步骤S14:将无人机实时传回的图像数据输入训练好的Mask R-CNN神经网络模型中,得到输电线路和危险目标的边缘像素点,适当选取输电线路与危险目标的个别边缘像素点;
步骤S15:由于此时是像素坐标系,即以图像左上角为原点建立以像素为单位的直接坐标系u-v,像素的横坐标u与纵坐标v分别是在其图像数组中所在的列数与所在行数;因此当无人机实在输电线路右侧进行巡查时,危险目标像素点只需选取u最小和v最小的两点坐标(u1,v1)和(u2,v2),而输电线路的像素点选取最靠近危险目标的点;
步骤S16:由于像素坐标无法表示该点在现实三维空间的实际坐标,无法准确计算输电线路与危险目标的实际距离,因此需要先将像素坐标转换为能够表示该像素点实际三维坐标的世界坐标;
步骤S17:根据世界坐标以及空间距离公式,求得输电导线与危险目标的实际空间距离;
步骤S18:将步骤S17求得的实际空间距离与预先设定好的阈值进行比较,当小于设定阈值时,证明危险目标进入输电线路的安全保护区域,存在对其造成破坏的危险,服务器向中心控制台发送警报。
如图4所示,在本实施例中,步骤S16中,所述世界坐标与像素坐标之间的转换采用下式:
式中,u、v分别是像素的横、纵坐标,等号右边的第一、第二个矩阵为相机的内参、外参,Xw、Yw、Zw是该点的世界坐标,Zc是摄像机坐标;
经过逆运算,求得像素坐标对应的世界坐标。
如图1所示,本实施例还提供了一种基于上文所述的基于深度学习的输电线路防外力破坏预警方法的***,包括中心控制台、一个以上的巡查站,一架以上的无人机;一个巡查站根据具体对应一定数目的无人机;
所述无人机上搭载有高清摄像头以及无线传输模块,用以采集输电线路图像,并将其传输至对应的巡查站;
所述巡查站内设置有服务器,所述服务器用以对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;
所述中心控制台能够接收各个巡查站发出的警报,并获取此时警报处的位置坐标。
在本实施例中,所述中心控制台能实时查询各个巡查站的巡查进度以及存储在巡查站服务器上的图像数据。
较佳的,无人机上搭载的高清摄像头,分辨率为1080P,此外所述的无人机能够根据预先规划好的巡查路径,一键自动起飞按照既定高度和既定拍摄角度进行巡查。所述的巡查路径由专业飞手提前规划好,并导入至无人机配置中。在目标地区拍摄的图像数据通过无人机无线传输模块(或自身的图传模块)上传至巡查站中。
较佳的,所述巡查站由一台服务器以及以该服务器为圆心,3公里为半径的区域内至少一台上述无人机组成。上述无人机在该区域按预定轨线巡查,并将图像数据实时上传至服务器。进一步的,在巡查站中备有一个3*3m2的无人机启停区,以及一名工作人员,以便回收无人机以及更换电池。
较佳的,所述服务器包括图像存储、图像识别以及预警信息上报三个模块。所述的图像存储模块能够将无人机实时图传回来的图像数据保存在设定的存储空间当中,所述的图像识别模块采用深度学习的方法,搭建深度神经网络对目标进行智能识别,所述的预警信息上报模块能够将图像识别模块识别出的有外力破坏风险的位置坐标上传至中心控制台。
其中,图像识别模块是整个方法的核心所在,包括外力破坏目标检测模块以及输电线路与危险目标距离判断模块两部分组成。所述的外力破坏目标检测模块需先提前训练固化后加载至巡查站服务器当中,且可通过巡查站不断收集的图像数据继续提升模型性能,以达到更高的准确率。当采集的图片经过目标检测模块检测出输电线路以及危险目标时,可通过距离判断模块判断此危险目标是否存在外力破坏隐患。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (4)
1.一种基于深度学习的输电线路防外力破坏预警方法,其特征在于:包括以下步骤:
步骤S1:在一架以上的无人机上搭载摄像头与无线通信模块,每架无人机按照预设的路线、高度与拍摄角度对输电线路进行巡查,并将在目标地区拍摄的图像数据传输至对应巡查站的服务器;
步骤S2:巡查站的服务器对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;
步骤S3:中心控制台接收各个巡查站发出的预警坐标位置,用以警示工作人员;
其中,步骤S2中,所述深度神经网络采用Mask R-CNN神经网络搭建,通过Mask R-CNN神经网络得到输电线路和危险目标的边缘像素点,适当选取输电线路与危险目标的个别边缘像素点,用以算出危险目标与输电线路的距离,当这些距离的最小值小于设定的阈值时,说明存在外力破坏危险,此时通过服务器向中心控制台发送警报;
其中,所述步骤S2具体包括以下步骤:
步骤S11:不断地采集无人机拍摄的图片作为训练样本集;
步骤S12:构建Mask R-CNN神经网络模型;
步骤S13:将训练样本集转换数据格式后输入步骤S12的神经网络模型中进行训练,且每隔一定训练周期,保存训练模型,利用测试集数据测试当前模型性能,计算平均准确率、漏检率、误报率;当模型各项参数达到期望值且趋于平稳时,保存模型然后固化,只保留包括前向传播的神经元权重与偏置在内的常量;
步骤S14:将无人机实时传回的图像数据输入训练好的Mask R-CNN神经网络模型中,得到输电线路和危险目标的边缘像素点,适当选取输电线路与危险目标的个别边缘像素点;
步骤S15:由于此时是像素坐标系,即以图像左上角为原点建立以像素为单位的直接坐标系u-v,像素的横坐标u与纵坐标v分别是在其图像数组中所在的列数与所在行数;因此当无人机实在输电线路右侧进行巡查时,危险目标像素点只需选取u最小和v最小的两点坐标(u1,v1)和(u2,v2),而输电线路的像素点选取最靠近危险目标的点;
步骤S16:将像素坐标转换为能够表示该像素点实际三维坐标的世界坐标;
步骤S17:根据世界坐标以及空间距离公式,求得输电导线与危险目标的实际空间距离;
步骤S18:将步骤S17求得的实际空间距离与预先设定好的阈值进行比较,当小于设定阈值时,证明危险目标进入输电线路的安全保护区域,存在对其造成破坏的危险,服务器向中心控制台发送警报。
3.一种基于权利要求1-2任一条所述的基于深度学习的输电线路防外力破坏预警方法的***,其特征在于:包括中心控制台、一个以上的巡查站,一架以上的无人机;一个巡查站根据具体对应一定数目的无人机;
所述无人机上搭载有高清摄像头以及无线传输模块,用以采集输电线路图像,并将其传输至对应的巡查站;
所述巡查站内设置有服务器,所述服务器用以对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络,对目标进行智能识别,判断存在外力破坏风险的位置坐标,并将其上传至中心控制台;
所述中心控制台能够接收各个巡查站发出的警报,并获取此时警报处的位置坐标。
4.根据权利要求3所述的一种基于深度学习的输电线路防外力破坏预警***,其特征在于:所述中心控制台能实时查询各个巡查站的巡查进度以及存储在巡查站服务器上的图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254489.XA CN109284739B (zh) | 2018-10-26 | 2018-10-26 | 一种基于深度学习的输电线路防外力破坏预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254489.XA CN109284739B (zh) | 2018-10-26 | 2018-10-26 | 一种基于深度学习的输电线路防外力破坏预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109284739A CN109284739A (zh) | 2019-01-29 |
CN109284739B true CN109284739B (zh) | 2021-09-28 |
Family
ID=65178516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811254489.XA Active CN109284739B (zh) | 2018-10-26 | 2018-10-26 | 一种基于深度学习的输电线路防外力破坏预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284739B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321770B (zh) * | 2019-03-25 | 2022-05-31 | 西安长城数字软件有限公司 | 管线监控方法、装置、设备和存储介质 |
CN110008901A (zh) * | 2019-04-04 | 2019-07-12 | 天津工业大学 | 一种基于Mask R-CNN的绝缘子故障识别与定位方法 |
CN110730327A (zh) * | 2019-09-03 | 2020-01-24 | 华为技术有限公司 | 一种对输电线路监控的方法及采集前端 |
CN110766281B (zh) * | 2019-09-20 | 2022-04-26 | 国网宁夏电力有限公司电力科学研究院 | 一种基于深度学习的输电导线风害预警方法及终端 |
CN110599538B (zh) * | 2019-09-30 | 2020-09-22 | 山东信通电子股份有限公司 | 一种输电线路导线覆冰厚度的识别方法和装置 |
CN110852320B (zh) * | 2019-11-08 | 2022-06-24 | 积成电子股份有限公司 | 基于深度学习的输电通道异物入侵检测方法 |
CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
CN111402247B (zh) * | 2020-03-23 | 2023-04-18 | 华南理工大学 | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 |
CN111582192A (zh) * | 2020-05-11 | 2020-08-25 | 智洋创新科技股份有限公司 | 一种基于输电线路通道图像连续告警的可疑样本识别方法 |
CN111862506A (zh) * | 2020-07-29 | 2020-10-30 | 杭州巨骐信息科技股份有限公司 | 一种全息感知外力破坏监测方法 |
CN111862505A (zh) * | 2020-07-29 | 2020-10-30 | 杭州巨骐信息科技股份有限公司 | 一种全息感知外力破坏监测*** |
CN114093051B (zh) * | 2020-08-05 | 2023-10-31 | 中国联合网络通信集团有限公司 | 通信线路巡检方法、设备与***、计算机可读存储介质 |
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446390A (zh) * | 2011-03-16 | 2012-05-09 | 上海市电力公司 | 一种对输电线路附近监控区域进行安全检测、预警的方法和*** |
CN107909585A (zh) * | 2017-11-14 | 2018-04-13 | 华南理工大学 | 一种血管内超声影像的血管中内膜分割方法 |
CN108037770A (zh) * | 2017-11-22 | 2018-05-15 | 国网山东省电力公司济宁供电公司 | 基于人工智能的无人机输电线路巡检***和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10078790B2 (en) * | 2017-02-16 | 2018-09-18 | Honda Motor Co., Ltd. | Systems for generating parking maps and methods thereof |
-
2018
- 2018-10-26 CN CN201811254489.XA patent/CN109284739B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446390A (zh) * | 2011-03-16 | 2012-05-09 | 上海市电力公司 | 一种对输电线路附近监控区域进行安全检测、预警的方法和*** |
CN107909585A (zh) * | 2017-11-14 | 2018-04-13 | 华南理工大学 | 一种血管内超声影像的血管中内膜分割方法 |
CN108037770A (zh) * | 2017-11-22 | 2018-05-15 | 国网山东省电力公司济宁供电公司 | 基于人工智能的无人机输电线路巡检***和方法 |
Non-Patent Citations (2)
Title |
---|
"Transmission line extraction and recognition from natural complex background";Wei-Guo Tong.et al;《IEEE》;20090825;全文 * |
"基于高压输电线的防外力破坏预警技术研究";李忠魁等;《设计研究与应用》;20170430;第38卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109284739A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284739B (zh) | 一种基于深度学习的输电线路防外力破坏预警方法及*** | |
CN114035614B (zh) | 基于先验信息的无人机自主巡检方法、***及存储介质 | |
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别***与方法 | |
CN108445767B (zh) | 一种基于无人机的可视化现场安全监督管理*** | |
CN115603466B (zh) | 一种基于人工智能视觉识别的船舶岸电*** | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及*** | |
CN112327906A (zh) | 一种基于无人机的智能自动巡检*** | |
CN113313006B (zh) | 基于无人机的城市违建监管方法、***和存储介质 | |
CN104994347A (zh) | 一种智能安防视频监控***及其检测处理方法 | |
CN115797873B (zh) | 一种人群密度检测方法、***、设备、存储介质及机器人 | |
CN110703760B (zh) | 一种用于安防巡检机器人的新增可疑物体检测方法 | |
CN109977840A (zh) | 一种基于深度学习的机场场面监视方法 | |
CN109978847A (zh) | 基于迁移学习与拉索机器人的拉索外套病害自动识别方法 | |
CN114723271A (zh) | 一种基于图像识别的输电工程质量检测方法及*** | |
CN116736891B (zh) | 一种多机协同巡检电网线路的自主航迹规划***和方法 | |
CN111402436A (zh) | 城市道路停车无人机巡检***及方法 | |
CN115909240A (zh) | 一种基于车道线和车辆识别的道路拥堵检测方法 | |
CN112233270A (zh) | 一种无人机自主智能绕塔巡检*** | |
CN116301046A (zh) | 一种基于电力杆塔识别的无人机航拍安全距离自动定位方法 | |
CN115880231A (zh) | 一种基于深度学习的输电线路隐患检测方法和*** | |
CN110517251B (zh) | 一种景区区域过载检测与预警***及方法 | |
CN115617080B (zh) | 一种变电站无人机巡检***及方法 | |
CN116758465A (zh) | 一种基于动态ai视觉的燃气管线车载巡检*** | |
CN117197978A (zh) | 一种基于深度学习的林火监测预警*** | |
CN218214363U (zh) | 一种智慧多用途的智慧桩终端设备 |
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 |