CN109544497A - 用于输电线路检测的图像融合方法及电子设备 - Google Patents
用于输电线路检测的图像融合方法及电子设备 Download PDFInfo
- Publication number
- CN109544497A CN109544497A CN201811388764.7A CN201811388764A CN109544497A CN 109544497 A CN109544497 A CN 109544497A CN 201811388764 A CN201811388764 A CN 201811388764A CN 109544497 A CN109544497 A CN 109544497A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- visible images
- temperature field
- line faultlocating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000005540 biological transmission Effects 0.000 title claims abstract description 44
- 230000002708 enhancing effect Effects 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 19
- 230000007547 defect Effects 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 4
- 230000005055 memory storage Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 22
- 230000005611 electricity Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 10
- 238000001914 filtration Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 230000004075 alteration Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 201000009310 astigmatism Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
一种用于输电线路检测的图像融合方法及电子设备，其中，方法包括：获取输电线路检测现场的可见光图像及紫外线图像；分别对可见光图像和紫外线图像进行处理以生成对应的增强可见光图像和增强紫外线图像；对增强可见光图像和增强紫外线图像进行融合处理以生成融合图像。本发明实施例提供的用于输电线路检测的图像融合方法及电子设备，同时采集同一视场下输电线路的可见光图像及紫外线图像，并将二者融合，从而在可见光图像上显示出故障设备的放电电晕，进而在检测电力故障的同时能够使用户方便地识别出具体的故障设备信息，实现自动化的电力巡检。
Description
技术领域
本发明涉及电力巡检技术领域，具体涉及一种用于输电线路检测的图像融合方法及电子设备。
背景技术
随着国民经济的发展和人民生活水平的不断提高，电网投资规模不断扩大，网络结构越来越复杂。电网线路和电网设备的可靠运行，直接影响到电力企业的生产安全和社会效益，影响着电网的稳定性。电力部门为保证电力设施正常运行，每月都要制定巡检计划，分派人员对包括杆塔、导线、变压器、电容器等供电设施进行巡视，以便及时发现设备缺陷和安全隐患，并把设备的运行情况以及缺陷信息进行汇总和定期的分析统计。电网巡视与维护的工作量越来越大，传统的输电线路和变电站人工巡视操作方式已经满足不了高效的电网巡检工作要求。为此，国家电网公司大力推广无人机线路巡检、机器人变电站巡视的应用工作，通过应用机器人、无人机等智能装备对电力设施进行实时数据采集与状态监测，及时发现缺陷，切实提升了电力维护和检修的效率，有效提高了电网状态管控能力和精益化管理水平，保障了电网安全稳定。
目前，国网运检部已大规模推广智能巡检业务应用。近两年，国网公司应用小型旋翼无人机共巡检4825基杆塔，应用中型无人直升机共巡检832基杆塔，应用大型无人直升机共巡检562基杆塔，应用固定翼无人机共巡检4221.9公里，已初步建立完成了直升机、无人机和人工协同巡检新模式。随着无人机、机器人等智能设备在电网巡检中的大规模使用，国网公司的生产智能化程度得到了提高，同时也对设备巡检采集数据智能化处理提出了更高的要求。现阶段，无人机、直升机巡检回传数据质量不高、数据量大、归类查询处理效率低，回传数据以视频图像为主，普遍存在的问题是：拍摄图片大量重复、低质量图像无法剔除、数据量大、数据内容复杂，依靠人工或者普通图像处理计算对采集数据进行筛选、分析和处理非常耗时。
发明内容
本申请提供一种用于输电线路检测的图像融合方法及电子设备，以实现对输电线路检测现场设备放电的自动检测，提高输电线路巡检的工作效率。
根据第一方面，本发明实施例提供了一种用于输电线路检测的图像融合方法, 包括：获取输电线路检测现场的可见光图像及紫外线图像；所述可见光图像和所述紫外线图像经同一成像物镜共享同一视场；分别对所述可见光图像和所述紫外线图像进行处理以生成对应的增强可见光图像和增强紫外线图像；对所述增强可见光图像和所述增强紫外线图像进行融合处理以生成融合图像。
结合第一方面，在第一方面第一实施方式中，所述紫外线图像为经过紫外窄带滤光片处理的紫外线图像。
结合第一方面或第一方面第一实施方式，在第一方面第二实施方式中，对所述可见光图像和所述紫外线图像进行处理的方法包括增强、去噪和锐化中的任一方法。
结合第一方面或第一方面第一或第二实施方式，在第一方面第三实施方式中，所述的用于输电线路检测的图像融合方法, 还包括：获取所述输电线路检测现场的红外图像；所述红外图像的视场与所述可见光图像和所述紫外线图像的视场平行。
结合第一方面第三实施方式，在第一方面第四实施方式中，所述的用于输电线路检测的图像融合方法,还包括：对所述红外图像进行预处理，生成预处理后的红外图像；对所述预处理后的红外图像进行温度场分割处理，提取对应的温度场数据；根据所述温度场数据提取对应的温度场特征。
结合第一方面第四实施方式，在第一方面第五实施方式中，所述温度场特征包括缺陷中心点；根据以下公式确定所述缺陷中心点：
其中，表示所述温度场数据中像素的灰度值；ave表示所述温度场数据中像素
的灰度平均值；std表示所述温度场数据中像素灰度的标准偏差；k为比例调节系数。
结合第一方面第四或第五实施方式，在第一方面第六实施方式中，所述对所述预处理后的红外图像进行温度场分割处理，提取对应的温度场数据，包括：对所述预处理后的红外图像进行灰度处理，生成对应的灰度图像；对所述灰度图像进行形态学闭运算和连通域计算，生成对应的温度场数据；所述温度场数据包括所述灰度图像中的等温线和连通域。
结合第一方面或第一方面中的任一实施方式，在第一方面第七实施方式中，所述的用于输电线路检测的红外图像处理方法, 还包括：根据所述可见光图像识别故障设备。
根据第二方面，本发明实施例提供了一种服务器，包括：存储器，用于存储程序；处理器，用于通过执行所述存储器存储的程序以实现如第一方面或第一方面任一实施方式所述的方法。
根据第三方面，本发明实施例提供了一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现如第一方面或第一方面任一实施方式所述的方法。
本发明实施例提供的用于输电线路检测的图像融合方法及电子设备，同时采集同一视场下输电线路的可见光图像及紫外线图像，并将二者融合，从而在可见光图像上显示出故障设备的放电电晕，进而在检测电力故障的同时能够使用户方便地识别出具体的故障设备信息，实现自动化的电力巡检。此外，本发明实施例提供的用于输电线路检测的图像融合方法及电子设备，通过对输电线路的红外图像进行预处理和温度场特征提取，实现了对红外图像的自动检测与识别，有利于提供电力巡检的工作效率。另外，由于设备红外图谱主要体现温度的分布规律，对于设备特征细节呈现的不明显，本发明实施例提供的用于输电线路检测的图像融合方法及电子设备，在对红外图像进行自动处理的同时，还对对应的可见光图像进行识别，从而识别其中的故障设备信息，建立双向设备种类标注模型，通过将可见光标识信息和红外图谱标识信息进行链接比对，从而记录典型故障的特征。
附图说明
图1示出了本发明实施例中的一种用于输电线路检测的图像融合方法的一个具体示例的流程图；
图2示出了本发明实施例中的光路结构示意图；
图3示出了本发明实施例中的双光谱测量结构设计框图；
图4示出了本发明实施例中的一种用于输电线路检测的图像融合装置的一个具体示例的结构示意图；
图5示出了本发明实施例中的一种服务器的一个具体示例的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本发明实施例提供了一种用于输电线路检测的图像融合方法, 如图1所示，该图像融合方法可以包括以下步骤：
步骤S11：获取输电线路检测现场的可见光图像及紫外线图像。具体的，可见光图像和紫外线图像经同一成像物镜共享同一视场。对于高压设备的紫外光图像，成像仅为设备电晕放电图像，无设备背景图像，无法定位电晕放电的部位。因此必须通过一种方式精确指示放电部位。可见光图像指示无疑是最好的选择。在实际的电力自动巡检***中，***设计包括紫外和可见两套光路，通过成像物镜（例如反射镜组）共享同一视场，通过调整反射镜组以及可见光镜头调焦来确保紫外成像探测与可见光成像探测在同一视场、同一光路下观测目标物。由于输电线路检测现场的可见光图像及紫外线图像为在同一视场、同一光路下采集的，二者的坐标相同，这就为后续的图像融合提供了方便。此外，要探测高压设备的放电电晕，需要使最后进入紫外探测器的紫外光波长范围必须在240 nm～280 nm之间，目前单一材料制作的紫外镜头无法满足这个条件，因此必须设计紫外滤光片,通过紫外窄带滤光片消除背景的干扰，设计“全日盲”紫外窄带滤光片，使高压设备紫外线图像首先经过紫外窄带滤光片处理，滤除背景干扰，使仪器在阳光下可用。
对紫外光路，由于希望其能呈现设备本身的紫外图像，因此需要制作合适的紫外镜头以减少非紫外光和背景光的噪声，镜头要求通光在0.2μm～0.4μm（普通紫外波长的范围）的光谱范围。根据***整体、结合实际测量的需要，镜头除了要求一定的视场，对轴上点校正象差之外，还必须校正轴外点象差。妨碍其视场扩大的主要象差之一是场曲。因此，在设计镜头时，首先要考虑场曲的校正，即采用正、负光焦度分离的薄透镜结构或者弯月形厚透镜。为此，可以选择用双高斯物镜的结构形式来设计此紫外镜头。它的初始结构参数一般可先查阅国内外技术条件相同或接近的结构参数，缩放到实际检测所要求的值。用初级象差理论确定它的初始结构，再考虑高级象差，解初始结构参数方法。双高斯物镜是一种对称型结构，只需要考虑校正半部***的球差、象散、场曲、位置色差这四类轴向象差，全对称合成后，其垂轴象差自动取消。在半部***中，用厚透镜校正象面弯曲系数，用加无光焦度双薄透镜校正球差系数，用选取孔径光阑位置校正象散系数，再在厚透镜中加消色差***透镜的办法，校正位置色差系数。紫外镜头的结构设计包括两个透镜组、一个可调光阑和一个日盲滤光片。设计可调光阑是为了控制进入紫外探测器的光通量，防止在测量强辐射目标时导致信号过饱和。
步骤S12：分别对可见光图像和紫外线图像进行处理以生成对应的增强可见光图像和增强紫外线图像。在一具体实时方式中，光路结构设计采用双光路设计，如图2所示，即一路探测紫外光图像，且要对紫外光图像进行增强放大；另一路探测背景图像，即可见光图像，可见光图像是直接探测。两路图像分开处理，包括增强、去噪、锐化等，这样便可以缩小两种光线之间的能量差别，使两种图像都可以被探测到。
步骤S13：对增强可见光图像和增强紫外线图像进行融合处理以生成融合图像。通过两路图像的叠加，便可在一幅图像上既看到可见光图像又看到紫外光图像，即满足探测和定位的要求。在一具体实时方式中，可以将紫外光路图像在上，可见光路图像在下，从而实现两路图像的叠加。在这种光路结构中，可见光路可以经过两次镜头成像和两次反射镜反射，从而使其刚好不会出现左右颠倒的镜像和上下颠倒的倒像，紫外光路也可以经过两次镜头成像，亦不会出现倒像。如图3所示，为一具体的双光谱测量结构设计框图。这种设计在简化了结构、提高了信号耦合效率的同时，并为最后的图像融合提供了方便，减少了图像处理的工作量，也为设备的小型化奠定了基础。紫外图像通过日盲窄带紫外虑光镜，进入紫外镜头在紫外CCD上呈现紫外图像（电晕图像）；可见光图像通过两次反射镜射入可见光镜头在可见光CCD上成像；两路图像的视场完全相同，将两路图像采样融合处理就可直接在可见光图像上精确定位放电电晕了。
可选地，还可以在步骤S11之后增设以下步骤，以同时实现对输电线路的红外检测：
步骤S14：获取输电线路检测现场的红外图像。为了使用户能够同时观测的输电线路上同一位置的紫外图像、可见光图像及红外图像，红外图像的视场应当与可见光图像和紫外线图像的视场平行。
步骤S15：对红外图像进行预处理，生成预处理后的红外图像。红外热图谱具有以下的特点：
a.由于景物热平衡、光波波长、传输距离远、大气衰减等原因，造成红外图像空间相关性强、对比度低、视觉效果模糊；
b.红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影，故对人眼而言，分辨率低、分辨潜力差；
c.热成像***的探测能力和空间分辨率低于可见光 CCD 阵列，使得红外图像的清晰度低于可见光图像；
d.外界环境的随机干扰和热成像***的不完善，给红外图像带来多种多样的噪声，比如热噪声、散粒噪声、光子电子涨落噪声等等。这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低；
e.由于红外探测器各探测单元的响应特性不一致、光机扫描***缺陷等原因，造成红外图像的非均匀性，体现为图像的固定图案噪声、串扰、畸变等。
从上面的分析中可知，红外图像一般较暗，目标图像与背景对比度低，边缘比较模糊，噪声大等。根据红外图谱的这些特征，首先需要采取均值滤波和中值滤波算法达到平滑去除噪声的红外图谱预处理目的。
均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素点和其本身像素点。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其邻近的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度值g（x，y），即g（x，y）=1/m ∑f（x，y）， m为该模板中包含当前像素在内的像素总个数。均值滤波能够有效滤除图像中的加性噪声，但均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊。均值滤波主要有算术均值滤波，几何均值滤波，谐波均值滤波以及逆谐波均值滤波，本项目拟验证算术均值滤波，几何均值滤波和逆谐波均值滤波的降噪效果。
中值滤波是一种常用的非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值来替换，其主要功能是让周围像素灰度值差别比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。常规中值滤波器对长拖尾概率分布的噪声能起到良好的平滑效果。不仅如此，它在消除噪声的同时还具有保护边界信息的优点，对图像中的某些细节起到保护作用，因而在图像去噪处理中得到了比较广泛的应用。但是常规中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大，而且它在抑制图像噪声和保护细节两方面存在一定的矛盾:取的滤波窗口越小，就可较好地保护图像中某些细节，但滤除噪声的能力会受到限制；反之，取的滤波窗口越大就可加强噪声抑制能力，但对细节的保护能力会减弱。这种矛盾在图像中噪声干扰较大时表现得尤为明显。根据经验：在脉冲噪声强度大于0.2时常规中值滤波的效果就显得不令人满意了。因此，单单采用常规中值滤波的方法在图像去噪应用中是远远不够的，这就需要寻求新的改进算法来解决这一矛盾。 自适应中值滤波器的滤波方式和常规的中值滤波器一样，都使用一个矩形区域的窗口Sxy，不同的是在滤波过程中，自适应滤波器会根据一定的设定条件改变(即增加)滤波窗的大小，同时当判断滤波窗中心的像素是噪声时，该值用中值代替，否则不改变其当前像素值。这样用滤波器的输出来替代像素(x,y)处(即目前滤波窗中心的坐标)的值。经过优化的中值滤波算法可以处理噪声概率更大的脉冲噪声，同时能够更好地保持图像细节。
步骤S16：对预处理后的红外图像进行温度场分割处理，提取对应的温度场数据。红外图像特征是指红外图像中温度场的梯度、等温线的形状、温度等级等参数，它们与电力设备热故障的类型和故障位置有着非常密切的关系，研究通过图像处理的方法找出温度场的形状参数以及提取标识区域。红外图像特征信息提取的目的是为了进行图像匹配,进而通过图像匹配找出待诊断热图像与以前的故障形态的相似性，而图像温度场分割的目的是为了建立电力设备热故障红外图像样本数据库。红外图谱都具有按规律渐变的丰富色彩，而渐变色的区域就是划分等温线的主要标识，为了进行等温线的识别进而完成温度场的分割，需要对红外图像首先进行灰度化处理，将温度场的形态特征更明确的表示出来。然后进行形态学的闭运算，根据需要凸显等温线。最后进行连通域计算，对相近的温度场进行分割标识。过程中用到的算法原理可简述如下：
a.图像灰度化处理
由于照片都是彩色图像，都是采用RGB颜色模式，处理图像的时候，要分别对RGB三种分量进行处理，实际上RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配。
现在有很多其他的颜色模式，例如HSI模式，HSI是由色调，饱和度，亮度三个分量来表示颜色。HSI比RGB更符合人的视觉特性。
彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其中一个像素点的变化范围为255种，所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。
b.形态学闭运算
形态学闭运算用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。形态学腐蚀运算是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体，具体的，可以用3x3的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为1，结果图像的该像素为1。否则为0；可将二值图像减小一圈。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞，具体的，可以用3x3的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为0，结果图像的该像素为0。否则为1；可将二值图像扩大一圈。将图像先进行膨胀算法再进行腐蚀算法即完成形态学闭运算。
c.连通域计算
所谓连通域是指由若干像素组成的集合，该集合中的像素具有以下特性：①所有像素的灰度级别均小于或等于连通域的级别； ②同一个连通域中的像素两两相通，即在任意两个像素之间存在一条完全由这个集合的元素构成的通路。连通域标记是指将图像中符合某种连通规则的像素标识为同一目标，设计合适的数据结构保存每个像素点所属的目标的标号，和保存相关的目标的属性。
通过对红外图像灰度化处理，然后进行形态学闭运算，再进行连通域计算，就可以获得不同温度的温度场数据，包括红外图像中温度场的梯度、等温线的形状、温度等级等参数。
步骤S17：根据温度场数据提取对应的温度场特征。一般故障红外图谱都有一个很小的区域是温度最高的区域，从这个区域开始温度向周边辐射形成一个有温度等级的温度场,而最高温度是一个点或者一小块区域，将这个点称为最高温度点或者缺陷中心点。红外热像仪是用颜色来表示温度的高低，颜色越黑的地方温度越低，颜色越白的地方温度越高。将原图灰度化后彩色热图像变成灰度图像，在红外故障诊断中，一般可以用缺陷中心 来确定故障位罝，而根据红外图像的特点,缺陷中心往往对应着图像像素对比度最髙或最低的点，红外图像灰度化后，缺陷中心就是灰度值最大的区域或点,因此搜索公式可以表示为：
其中，表示所述温度场数据中像素的灰度值；ave表示所述温度场数据中像素
的灰度平均值；std表示所述温度场数据中像素灰度的标准偏差；k为比例调节系数，例如其
取值可以为1 。从红外图谱可以看出，大部分区域的灰度都是一样的，为了快速定位缺陷中
心，在实际应用中应先求得图像的平均灰度值，然后根据缺陷中心的灰度值是最大的条件
来对灰度值大于平均灰度值的像素点进 行搜索比较，进而快速找出缺陷中心。通过算法的
处理，可以很轻松地找出温度最高的区域点的坐标,然后再在原图上标定出来并作提取特
征处理，从而得到红外图谱故障中心点的标识。
由于设备红外图谱主要体现温度的分布规律，对于设备特征细节呈现的不明显。因此，电力设备红外图谱的识别，需通过可见光对设备进行识别标注，建立双向设备种类标注模型。为此，可以在步骤S17之后，增设以下步骤，以识别故障设备：
步骤S18：根据可见光图像识别故障设备。对于图像区域内有文字标牌的图像，可以首先对可见光图像进行预处理，包括图像去噪、边缘增强、边缘检测等，数字图像通过图像处理算法定位并截出感兴趣区域，在感兴趣区域基础上，根据具体任务要求，继续分割提取出相关结构。其次，对图像进行特征提取，将离散化的字符数字图像进行特征向量提取，关键是提取出字符间区别度高的特征向量。再次，对特征向量进行模式识别，输入提取到的特征向量，通过模式匹配算法识别与描述，正确区分出字符，完成图像处理任务。最后，根据识别结果对图像进行标注，从而确定故障设备。
对于图像区域内无文字标牌的图像，首先利用图像处理技术提取设备图像的底层视觉特征，包括颜色、纹理、形状和空间信息等，作为图像的元数据。对一幅电力设备图像标注时，将标注问题视为图像分类问题，主要分为两个阶段：
i）标注模型训练阶段（用大量的已分类图像训练分类器）：提交代表项目具体视觉要求的图像，利用己标注的图像集，构建从图像底层视觉特征到高级语义特征逐层进行迭代、逐层抽象的深度网络映射模型；
ii）图像标注阶段：计算与训练库中所有图像的相似度，将与之最相似的图像返回，根据测试图像的视觉信息把它分类到预先定义的类别中，每个关键词视为一个独立的类别名称，并对应一个分类器，从而更精准的标注未知样本的电力设备图像。
将根据可见光图像识别出的故障设备信息与根据红外图像识别出的缺陷中心相关联，能够方便快捷地发现故障设备及其故障点，为设备抢修提供方便。
本发明实施例还提供了一种用于输电线路检测的图像融合装置, 如图4所示，该图像融合装置可以包括：图像获取单元41、图像处理单元42和图像融合单元43。
其中，图像获取单元41，用于获取输电线路检测现场的可见光图像及紫外线图像，可见光图像和紫外线图像经同一成像物镜共享同一视场；其详细工作过程可参见上述方法实施例中步骤S11所述。
图像处理单元42，用于分别对可见光图像和紫外线图像进行处理以生成对应的增强可见光图像和增强紫外线图像；其详细工作过程可参见上述方法实施例中步骤S12所述。
图像融合单元43，用于对增强可见光图像和增强紫外线图像进行融合处理以生成融合图像，其详细工作过程可参见上述方法实施例中步骤S13所述。
本发明实施例还提供了一种服务器，如图5所示，该服务器可以包括处理器501和存储器502，其中处理器501和存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。
处理器501可以为中央处理器（Central Processing Unit，CPU）。处理器501还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器502作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的用于输电线路检测的图像融合方法对应的程序指令/模块（例如，图4所示的图像获取单元41、图像处理单元42和图像融合单元43）。处理器501通过运行存储在存储器502中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于运检业务的管控方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器501所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至处理器501。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器502中，当被所述处理器501执行时，执行如图1所示实施例中的用于输电线路检测的图像融合方法。
上述服务器具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random AccessMemory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种用于输电线路检测的图像融合方法, 其特征在于，包括：
获取输电线路检测现场的可见光图像及紫外线图像；所述可见光图像和所述紫外线图像经同一成像物镜共享同一视场；
分别对所述可见光图像和所述紫外线图像进行处理以生成对应的增强可见光图像和增强紫外线图像；
对所述增强可见光图像和所述增强紫外线图像进行融合处理以生成融合图像。
2.根据权利要求1所述的用于输电线路检测的图像融合方法, 其特征在于，所述紫外线图像为经过紫外窄带滤光片处理的紫外线图像。
3.根据权利要求1或2所述的用于输电线路检测的图像融合方法, 其特征在于，对所述可见光图像和所述紫外线图像进行处理的方法包括增强、去噪和锐化中的任一方法。
4.根据权利要求1至3中任一项所述的用于输电线路检测的图像融合方法, 其特征在于，还包括：获取所述输电线路检测现场的红外图像；所述红外图像的视场与所述可见光图像和所述紫外线图像的视场平行。
5.根据权利要求4所述的用于输电线路检测的图像融合方法, 其特征在于，还包括：
对所述红外图像进行预处理，生成预处理后的红外图像；
对所述预处理后的红外图像进行温度场分割处理，提取对应的温度场数据；
根据所述温度场数据提取对应的温度场特征。
6.根据权利要求5所述的用于输电线路检测的红外图像处理方法, 其特征在于，所述温度场特征包括缺陷中心点；
根据以下公式确定所述缺陷中心点：
其中，表示所述温度场数据中像素的灰度值；ave表示所述温度场数据中像素的灰度平均值；std表示所述温度场数据中像素灰度的标准偏差；k为比例调节系数。
7.根据权利要求5或6所述的用于输电线路检测的红外图像处理方法, 其特征在于，所述对所述预处理后的红外图像进行温度场分割处理，提取对应的温度场数据，包括：
对所述预处理后的红外图像进行灰度处理，生成对应的灰度图像；
对所述灰度图像进行形态学闭运算和连通域计算，生成对应的温度场数据；所述温度场数据包括所述灰度图像中的等温线和连通域。
8.根据权利要求1至7中任一项所述的用于输电线路检测的红外图像处理方法, 其特征在于，还包括：根据所述可见光图像识别故障设备。
9.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于通过执行所述存储器存储的程序以实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811388764.7A CN109544497A (zh) | 2018-11-21 | 2018-11-21 | 用于输电线路检测的图像融合方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811388764.7A CN109544497A (zh) | 2018-11-21 | 2018-11-21 | 用于输电线路检测的图像融合方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109544497A true CN109544497A (zh) | 2019-03-29 |
Family
ID=65848879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811388764.7A Pending CN109544497A (zh) | 2018-11-21 | 2018-11-21 | 用于输电线路检测的图像融合方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544497A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412547A (zh) * | 2019-07-24 | 2019-11-05 | 中国电子科技集团公司第三十六研究所 | 基于旋翼无人机载设备和地面设备的目标信号识别*** |
| CN110634115A (zh) * | 2019-08-30 | 2019-12-31 | 国网河南省电力公司平顶山供电公司 | 一种基于双光融合的配电设备监控方法及*** |
| CN111127445A (zh) * | 2019-12-26 | 2020-05-08 | 智洋创新科技股份有限公司 | 基于深度学习的配网线路高温区域检测方法与*** |
| CN111289860A (zh) * | 2020-03-23 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种电气设备局部放电位置的检测方法 |
| CN111553194A (zh) * | 2020-04-01 | 2020-08-18 | 国网宁夏电力有限公司电力科学研究院 | 基于双光源的gis设备内部的异物的检测方法及*** |
| CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测*** |
| CN112809705A (zh) * | 2021-02-22 | 2021-05-18 | 国网陕西省电力公司榆林供电公司 | 一种驻塔式智能多光谱视觉巡检机器人 |
| CN113609901A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种输变电设备故障监测方法及*** |
| CN113744197A (zh) * | 2021-08-09 | 2021-12-03 | 福建工程学院 | 一种基于红紫外复合成像的电缆故障检测方法 |
| CN114663672A (zh) * | 2022-03-11 | 2022-06-24 | 四川大学 | 一种输电线路塔钢构件腐蚀检测方法及*** |
| CN115018784A (zh) * | 2022-05-31 | 2022-09-06 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| CN115855961A (zh) * | 2023-02-16 | 2023-03-28 | 广东靖邦电器有限公司 | 一种用于运行中的配电箱故障检测方法 |
| CN116342433A (zh) * | 2023-05-25 | 2023-06-27 | 山东省青东智能科技有限公司 | 用于3d工业相机的图像智能去噪方法 |
| CN116977184A (zh) * | 2023-08-01 | 2023-10-31 | 南方电网数字电网研究院有限公司 | 输电线路图像获取方法、装置、计算机设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551435A (zh) * | 2009-05-15 | 2009-10-07 | 湖北省电力试验研究院 | 电晕放电检测方法及装置 |
| CN103634565A (zh) * | 2013-09-24 | 2014-03-12 | 北京环境特性研究所 | 基于omap的紫外可见光双通道图像采集、处理与显示*** |
| US20150356341A1 (en) * | 2013-01-07 | 2015-12-10 | Bae Systems Plc | Fusion of multi-spectral and range image data |
| CN105301542A (zh) * | 2015-11-13 | 2016-02-03 | 广东电网有限责任公司电力科学研究院 | 基于光子计数技术的全日盲紫外成像定量化检测方法 |
| CN105738779A (zh) * | 2016-01-26 | 2016-07-06 | 国网上海市电力公司 | 一种基于多源图像融合的局部放电检测方法 |
| CN106932692A (zh) * | 2017-03-07 | 2017-07-07 | 北京瑞盈智拓科技发展有限公司 | 基于红外紫外可见光图像融合的检测装置以及检测方法 |
| CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
| CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警*** |
-
2018
- 2018-11-21 CN CN201811388764.7A patent/CN109544497A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551435A (zh) * | 2009-05-15 | 2009-10-07 | 湖北省电力试验研究院 | 电晕放电检测方法及装置 |
| US20150356341A1 (en) * | 2013-01-07 | 2015-12-10 | Bae Systems Plc | Fusion of multi-spectral and range image data |
| CN103634565A (zh) * | 2013-09-24 | 2014-03-12 | 北京环境特性研究所 | 基于omap的紫外可见光双通道图像采集、处理与显示*** |
| CN105301542A (zh) * | 2015-11-13 | 2016-02-03 | 广东电网有限责任公司电力科学研究院 | 基于光子计数技术的全日盲紫外成像定量化检测方法 |
| CN105738779A (zh) * | 2016-01-26 | 2016-07-06 | 国网上海市电力公司 | 一种基于多源图像融合的局部放电检测方法 |
| CN106932692A (zh) * | 2017-03-07 | 2017-07-07 | 北京瑞盈智拓科技发展有限公司 | 基于红外紫外可见光图像融合的检测装置以及检测方法 |
| CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
| CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警*** |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412547B (zh) * | 2019-07-24 | 2021-02-26 | 中国电子科技集团公司第三十六研究所 | 基于旋翼无人机载设备和地面设备的目标信号识别*** |
| CN110412547A (zh) * | 2019-07-24 | 2019-11-05 | 中国电子科技集团公司第三十六研究所 | 基于旋翼无人机载设备和地面设备的目标信号识别*** |
| CN110634115A (zh) * | 2019-08-30 | 2019-12-31 | 国网河南省电力公司平顶山供电公司 | 一种基于双光融合的配电设备监控方法及*** |
| CN110634115B (zh) * | 2019-08-30 | 2022-04-01 | 国网河南省电力公司平顶山供电公司 | 一种基于双光融合的配电设备监控方法及*** |
| CN111127445A (zh) * | 2019-12-26 | 2020-05-08 | 智洋创新科技股份有限公司 | 基于深度学习的配网线路高温区域检测方法与*** |
| CN111289860A (zh) * | 2020-03-23 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种电气设备局部放电位置的检测方法 |
| CN111553194B (zh) * | 2020-04-01 | 2023-04-18 | 国网宁夏电力有限公司电力科学研究院 | 基于双光源的gis设备内部的异物的检测方法及*** |
| CN111553194A (zh) * | 2020-04-01 | 2020-08-18 | 国网宁夏电力有限公司电力科学研究院 | 基于双光源的gis设备内部的异物的检测方法及*** |
| CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测*** |
| CN112381784B (zh) * | 2020-11-12 | 2024-06-25 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测*** |
| CN112809705A (zh) * | 2021-02-22 | 2021-05-18 | 国网陕西省电力公司榆林供电公司 | 一种驻塔式智能多光谱视觉巡检机器人 |
| CN113609901A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种输变电设备故障监测方法及*** |
| CN113744197B (zh) * | 2021-08-09 | 2024-01-02 | 福建工程学院 | 一种基于红紫外复合成像的电缆故障检测方法 |
| CN113744197A (zh) * | 2021-08-09 | 2021-12-03 | 福建工程学院 | 一种基于红紫外复合成像的电缆故障检测方法 |
| CN114663672A (zh) * | 2022-03-11 | 2022-06-24 | 四川大学 | 一种输电线路塔钢构件腐蚀检测方法及*** |
| CN114663672B (zh) * | 2022-03-11 | 2023-04-07 | 四川大学 | 一种输电线路塔钢构件腐蚀检测方法及*** |
| CN115018784A (zh) * | 2022-05-31 | 2022-09-06 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| CN115018784B (zh) * | 2022-05-31 | 2024-03-12 | 广东电网有限责任公司 | 一种导线散股缺陷的检测方法、装置、设备及介质 |
| CN115855961A (zh) * | 2023-02-16 | 2023-03-28 | 广东靖邦电器有限公司 | 一种用于运行中的配电箱故障检测方法 |
| CN116342433A (zh) * | 2023-05-25 | 2023-06-27 | 山东省青东智能科技有限公司 | 用于3d工业相机的图像智能去噪方法 |
| CN116977184A (zh) * | 2023-08-01 | 2023-10-31 | 南方电网数字电网研究院有限公司 | 输电线路图像获取方法、装置、计算机设备和存储介质 |
| CN116977184B (zh) * | 2023-08-01 | 2024-03-19 | 南方电网数字电网研究院股份有限公司 | 输电线路图像获取方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544497A (zh) | 用于输电线路检测的图像融合方法及电子设备 | |
| CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
| CN108389137A (zh) | 基于红外图谱技术的电力故障诊断预警*** | |
| Fu et al. | Hyperspectral image super-resolution with optimized RGB guidance | |
| Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
| CN109961003A (zh) | 一种基于fpga的嵌入式输电线路机载辅助巡视装置 | |
| CN103164695A (zh) | 一种基于多源图像信息融合的果实识别方法 | |
| CN109711466A (zh) | 一种基于边缘保留滤波的cnn高光谱图像分类方法 | |
| Liu et al. | Soft prototyping camera designs for car detection based on a convolutional neural network | |
| CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
| CN115830585A (zh) | 一种基于图像增强的港口集装箱号识别方法 | |
| Gupta et al. | Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient | |
| CN108416357A (zh) | 一种彩绘类文物隐含信息的提取方法 | |
| Liu et al. | Multi-focus image fusion dataset and algorithm test in real environment | |
| Zhe et al. | Authentication of splicing manipulation by exposing inconsistency in color shift | |
| CN116152741A (zh) | 一种基于深度学习算法的矿下人员检测方法 | |
| CN107403192A (zh) | 一种基于多分类器的快速目标检测方法及*** | |
| Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
| Tao et al. | Utilization of both machine vision and robotics technologies in assisting quality inspection and testing | |
| Yang et al. | Improved single-illumination estimation accuracy via redefining the illuminant-invariant descriptor and the grey pixels | |
| Shengze et al. | Research based on the HSV humanoid robot soccer image processing | |
| CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及*** | |
| Granados-López et al. | Pixel‐Based Image Processing for CIE Standard Sky Classification through ANN |
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: 20190329 |
|
| RJ01 | Rejection of invention patent application after publication |