CN109919917A - 基于图像处理的架空输电线路的异物检测方法 - Google Patents
基于图像处理的架空输电线路的异物检测方法 Download PDFInfo
- Publication number
- CN109919917A CN109919917A CN201910128752.9A CN201910128752A CN109919917A CN 109919917 A CN109919917 A CN 109919917A CN 201910128752 A CN201910128752 A CN 201910128752A CN 109919917 A CN109919917 A CN 109919917A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- resolution
- foreign matter
- transmission line
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于图像处理的架空输电线路的异物检测方法,包括:对每个含有异物的架空输电线路拍摄三种分辨率图像;对每个图像进行预处理;对预处理后的每张图像设置对应的异物标签;构建多尺度卷积神经网络模型;将每种异物标签对应的三种分辨率图像并列作为输入值,输入到多尺度卷积神经网络模型中;对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;对待检测的架空输电线路图像采用同样的方式进行拍摄和预处理,将待检测架空输电线路三种分辨率图像并列输入到训练好的卷积神经网络模型中;输出待检测架空输电线路图像中的异物类型。
Description
技术领域
本公开涉及基于图像处理的架空输电线路的异物检测方法。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
目前,高压电线常年暴露于野外环境,经常会出现异物悬挂在架空输电线路上的情形,这样会对输电线路造成损害,严重情况下,会影响居民和企业的正常工作。
据发明人了解,目前主要是通过人工检测的方式对架空输电线路的异物进行排查,减少异物带来的输电线路的安全隐患,存在的问题是人力成本过高,且检测精度过低。
发明内容
为了解决现有技术的不足,本公开提供了基于图像处理的架空输电线路的异物检测方法,其具有检测精度高和检测效率高的优点;
第一方面,本公开提供了基于图像处理的架空输电线路的异物检测方法;
基于图像处理的架空输电线路的异物检测方法,包括:
对每个含有异物的架空输电线路拍摄三种分辨率图像;对每个图像进行预处理;对预处理后的每张图像设置对应的异物标签;
构建多尺度卷积神经网络模型;
将每种异物标签对应的三种分辨率图像并列作为输入值,输入到多尺度卷积神经网络模型中;对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
对待检测的架空输电线路图像采用同样的方式进行拍摄和预处理,将待检测架空输电线路三种分辨率图像并列输入到训练好的卷积神经网络模型中;输出待检测架空输电线路图像中的异物类型。
作为一种可能的实现方式,三种分辨率分别是第一分辨率、第二分辨率和第三分辨率;其中,第二分辨率高于第一分辨率,第二分辨率低于第三分辨率。
作为一种可能的实现方式,对每个图像进行预处理包括以下方式中的一种或多种组合形式:随机旋转或翻转;随机色调变换、随机模糊或随机光偏移场。
作为一种可能的实现方式,所述多尺度卷积神经网络模型,包括:依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层和输出层;
所述输入层,包括九个通道,其中三个通道用于接收第一分辨率的图像,还有三个通过到用于接收第二分辨率的图像,还有三个通道用于接收第三分辨率的局部图像;每张图像包括RGB三个通道即3个像素矩阵;所述输入层的输入为九个像素矩阵,九个像素矩阵中,有三个像素矩阵来源于拍摄的第一分辨率图像,还有三个像素矩阵的来源于拍摄的第二分辨率图像;还有三个像素矩阵来源于拍摄的第三分辨率图像;
所述第一卷积层,用于与所述输入层的像素矩阵进行卷积操作,提取图像特征;
所述第一池化层,用于对所述第一卷积层提取的图像特征像素矩阵进行降维操作,提取显著特征信息;
所述第二卷积层,用于对所述第一池化层得出的特征图进一步的进行卷积操作,提取图像特征;
所述第二池化层,用于对所述第二卷积层得出的特征图进一步降维,提取显著特征信息;
所述第三卷积层,用于对所述第二池化层得出的特征图进一步卷积操作,提取图像特征;
所述第三池化层,用于对所述第三卷积层得出的特征图进一步降维操作,提取显著特征信息;
所述全连接层,用于对所述第三池化层得出的图像特征进行整合;
所述输出层,用于输出识别分类结果,该结果代表输入样本中对应的异物类别的概率,取最大值所在的类别为分类结果。
与现有技术相比,本公开的有益效果是:
1、本发明的检测方法具有检测精度高和检测效率高的优点;
2、之所以设置三种分辨率,是考虑到无人机在拍摄的过程中如果遇到刮风、下雨、下雪、雾霾天气,拍摄分辨率会降低,这样通过提前训练低分辨率的图像,可以让卷积神经网络模型更具备鲁棒性。
3、如果训练样本不够充分,可以通过预处理的形式对训练样本进行扩充。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为实施例一的方法流程图。
具体实施方式
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。
实施例1,本公开提供了基于图像处理的架空输电线路的异物检测方法;
如图1所示,基于图像处理的架空输电线路的异物检测方法,包括:
S101:对每个含有异物的架空输电线路拍摄三种分辨率图像;对每个图像进行预处理;对预处理后的每张图像设置对应的异物标签;
S102:构建多尺度卷积神经网络模型;
S103:将每种异物标签对应的三种分辨率图像并列作为输入值,输入到多尺度卷积神经网络模型中;对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
S104:对待检测的架空输电线路图像采用同样的方式进行拍摄和预处理,将待检测架空输电线路三种分辨率图像并列输入到训练好的卷积神经网络模型中;输出待检测架空输电线路图像中的异物类型。
作为一种可能的实现方式,三种分辨率分别是第一分辨率、第二分辨率和第三分辨率;其中,第二分辨率高于第一分辨率,第二分辨率低于第三分辨率。
作为一种可能的实现方式,对每个图像进行预处理包括以下方式中的一种或多种组合形式:随机旋转或翻转;随机色调变换、随机模糊或随机光偏移场。
作为一种可能的实现方式,所述多尺度卷积神经网络模型,包括:依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层和输出层;
所述输入层,包括九个通道,其中三个通道用于接收第一分辨率的图像,还有三个通过到用于接收第二分辨率的图像,还有三个通道用于接收第三分辨率的局部图像;每张图像包括RGB三个通道即3个像素矩阵;所述输入层的输入为九个像素矩阵,九个像素矩阵中,有三个像素矩阵来源于拍摄的第一分辨率图像,还有三个像素矩阵的来源于拍摄的第二分辨率图像;还有三个像素矩阵来源于拍摄的第三分辨率图像;
所述第一卷积层,用于与所述输入层的像素矩阵进行卷积操作,提取图像特征;
所述第一池化层,用于对所述第一卷积层提取的图像特征像素矩阵进行降维操作,提取显著特征信息;
所述第二卷积层,用于对所述第一池化层得出的特征图进一步的进行卷积操作,提取图像特征;
所述第二池化层,用于对所述第二卷积层得出的特征图进一步降维,提取显著特征信息;
所述第三卷积层,用于对所述第二池化层得出的特征图进一步卷积操作,提取图像特征;
所述第三池化层,用于对所述第三卷积层得出的特征图进一步降维操作,提取显著特征信息;
所述全连接层,用于对所述第三池化层得出的图像特征进行整合;
所述输出层,用于输出识别分类结果,该结果代表输入样本中对应的异物类别的概率,取最大值所在的类别为分类结果。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.基于图像处理的架空输电线路的异物检测方法,其特征是,包括:
对每个含有异物的架空输电线路拍摄三种分辨率图像;对每个图像进行预处理;对预处理后的每张图像设置对应的异物标签;
构建多尺度卷积神经网络模型;
将每种异物标签对应的三种分辨率图像并列作为输入值,输入到多尺度卷积神经网络模型中;对卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
对待检测的架空输电线路图像采用同样的方式进行拍摄和预处理,将待检测架空输电线路三种分辨率图像并列输入到训练好的卷积神经网络模型中;输出待检测架空输电线路图像中的异物类型。
2.如权利要求1所述的方法,其特征是,三种分辨率分别是第一分辨率、第二分辨率和第三分辨率;其中,第二分辨率高于第一分辨率,第二分辨率低于第三分辨率。
3.如权利要求1所述的方法,其特征是,对每个图像进行预处理包括以下方式中的一种或多种组合形式:随机旋转或翻转;随机色调变换、随机模糊或随机光偏移场。
4.如权利要求1所述的方法,其特征是,所述多尺度卷积神经网络模型,包括:依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层和输出层;
所述输入层,包括九个通道,其中三个通道用于接收第一分辨率的图像,还有三个通过到用于接收第二分辨率的图像,还有三个通道用于接收第三分辨率的局部图像;每张图像包括RGB三个通道即3个像素矩阵;所述输入层的输入为九个像素矩阵,九个像素矩阵中,有三个像素矩阵来源于拍摄的第一分辨率图像,还有三个像素矩阵的来源于拍摄的第二分辨率图像;还有三个像素矩阵来源于拍摄的第三分辨率图像;
所述第一卷积层,用于与所述输入层的像素矩阵进行卷积操作,提取图像特征;
所述第一池化层,用于对所述第一卷积层提取的图像特征像素矩阵进行降维操作,提取显著特征信息;
所述第二卷积层,用于对所述第一池化层得出的特征图进一步的进行卷积操作,提取图像特征;
所述第二池化层,用于对所述第二卷积层得出的特征图进一步降维,提取显著特征信息;
所述第三卷积层,用于对所述第二池化层得出的特征图进一步卷积操作,提取图像特征;
所述第三池化层,用于对所述第三卷积层得出的特征图进一步降维操作,提取显著特征信息;
所述全连接层,用于对所述第三池化层得出的图像特征进行整合;
所述输出层,用于输出识别分类结果,该结果代表输入样本中对应的异物类别的概率,取最大值所在的类别为分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128752.9A CN109919917B (zh) | 2019-02-21 | 2019-02-21 | 基于图像处理的架空输电线路的异物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128752.9A CN109919917B (zh) | 2019-02-21 | 2019-02-21 | 基于图像处理的架空输电线路的异物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919917A true CN109919917A (zh) | 2019-06-21 |
CN109919917B CN109919917B (zh) | 2020-10-20 |
Family
ID=66961975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910128752.9A Active CN109919917B (zh) | 2019-02-21 | 2019-02-21 | 基于图像处理的架空输电线路的异物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919917B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599538A (zh) * | 2019-09-30 | 2019-12-20 | 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 |
CN112909824A (zh) * | 2021-03-24 | 2021-06-04 | 南方电网电力科技股份有限公司 | 一种输电线路悬挂异物的识别方法及装置 |
CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
CN115294451A (zh) * | 2022-01-14 | 2022-11-04 | 中国铁路兰州局集团有限公司 | 高压线上异物检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956532A (zh) * | 2016-04-25 | 2016-09-21 | 大连理工大学 | 一种基于多尺度卷积神经网络的交通场景分类方法 |
CN107392224A (zh) * | 2017-06-12 | 2017-11-24 | 天津科技大学 | 一种基于三通道卷积神经网络的作物病害识别算法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别***及方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
CN108090472A (zh) * | 2018-01-12 | 2018-05-29 | 浙江大学 | 基于多通道一致性特征的行人重识别方法及其*** |
CN108573228A (zh) * | 2018-04-09 | 2018-09-25 | 杭州华雁云态信息技术有限公司 | 一种输电线路异物入侵监测方法及装置 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电***的侵入目标实时检测*** |
-
2019
- 2019-02-21 CN CN201910128752.9A patent/CN109919917B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956532A (zh) * | 2016-04-25 | 2016-09-21 | 大连理工大学 | 一种基于多尺度卷积神经网络的交通场景分类方法 |
CN107392224A (zh) * | 2017-06-12 | 2017-11-24 | 天津科技大学 | 一种基于三通道卷积神经网络的作物病害识别算法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别***及方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
CN108090472A (zh) * | 2018-01-12 | 2018-05-29 | 浙江大学 | 基于多通道一致性特征的行人重识别方法及其*** |
CN108573228A (zh) * | 2018-04-09 | 2018-09-25 | 杭州华雁云态信息技术有限公司 | 一种输电线路异物入侵监测方法及装置 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电***的侵入目标实时检测*** |
Non-Patent Citations (2)
Title |
---|
PEILIANG WU ET AL.: "RGB-D Salient Object Detection via Feature Fusion and Multi-scale Enhancement", 《CCCV 2015》 * |
骆健 等: "多尺度卷积递归神经网络的RGB-D物体识别", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599538A (zh) * | 2019-09-30 | 2019-12-20 | 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 |
CN112909824A (zh) * | 2021-03-24 | 2021-06-04 | 南方电网电力科技股份有限公司 | 一种输电线路悬挂异物的识别方法及装置 |
CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
CN115294451A (zh) * | 2022-01-14 | 2022-11-04 | 中国铁路兰州局集团有限公司 | 高压线上异物检测方法及装置 |
CN115294451B (zh) * | 2022-01-14 | 2023-04-28 | 中国铁路兰州局集团有限公司 | 高压线上异物检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109919917B (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919917A (zh) | 基于图像处理的架空输电线路的异物检测方法 | |
CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
CN103578119B (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
CN103208126B (zh) | 一种自然环境下运动物体监测方法 | |
CN114240878A (zh) | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN110287969A (zh) | 基于图残差注意力网络的摩尔文本图像二值化*** | |
CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN109977921A (zh) | 一种输电线路隐患检测方法 | |
CN109631848A (zh) | 输电线路异物入侵检测***和检测方法 | |
CN105719247A (zh) | 基于特征学习的单幅图像去雾方法 | |
CN104166999B (zh) | 一种基于地基云图强度分层的云团提取方法 | |
CN108960404A (zh) | 一种基于图像的人群计数方法及设备 | |
CN103729863B (zh) | 基于自主学习的交通信号灯全自动定位识别的方法 | |
CN109241902A (zh) | 一种基于多尺度特征融合的山体滑坡检测方法 | |
CN112070715A (zh) | 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法 | |
CN110348383A (zh) | 一种基于卷积神经网络回归的道路中心线和双线提取方法 | |
CN112784779A (zh) | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 | |
CN109993806A (zh) | 一种颜色识别方法、装置及电子设备 | |
CN109389056A (zh) | 一种空基多视角协同的轨道周边环境检测方法 | |
CN110059076A (zh) | 一种输变电线路设备的故障数据库半自动化建立方法 |
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 |