CN110516551B - 一种基于视觉的巡线位置偏移识别***、方法及无人机 - Google Patents
一种基于视觉的巡线位置偏移识别***、方法及无人机 Download PDFInfo
- Publication number
- CN110516551B CN110516551B CN201910686677.8A CN201910686677A CN110516551B CN 110516551 B CN110516551 B CN 110516551B CN 201910686677 A CN201910686677 A CN 201910686677A CN 110516551 B CN110516551 B CN 110516551B
- Authority
- CN
- China
- Prior art keywords
- power line
- identification
- unmanned aerial
- aerial vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 239000012212 insulator Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视觉的巡线位置偏移识别***,包括:特征提取网络、电力线识别模块、电力塔架及部件识别模块;各个部分相互配合,在无人机巡线时实时执行当前位置识别,并在无人机偏离巡线目标时发出信号。特征提取网络负责提取图像的各级特征,用于后续的识别工作。电力线识别模块在训练时仅需类别标签,大大降低了样本标注的工作量。电力塔架及部件识别模块基于目标检测算法,在电力线识别模块识别到电力线形状变化时开始识别此处的部件类型,根据识别框的大小及位置确定无人机当前位置是否偏移。同时提供了一种识别方法和无人机。本发明实现了对巡线无人机的位置识别,并在位置偏移时发出信号,可用于辅助操控或无人机自动巡线等工作。
Description
技术领域
本发明涉及的是电力***及无人机技术领域,具体地,是一种用于电力公司无人机巡线的基于视觉的巡线位置偏移识别***、方法及无人机。
背景技术
电力***架空线路规模大、周边环境复杂,气候变化多端。为保证电力***的安全平稳运行,预防事故的发生,需要进行定期巡检。鉴于复杂的气象及地理条件、严酷的巡检环境,仅依靠人工巡检不仅费时费力,而且巡视密度较低,很难满足要求。无人机具有操控简单、反应速度灵敏、飞行灵活、续航时间长、成本低廉等优点,现已成为电力公司重要的巡检工具。采用无人机进行输电线路巡查,不但提高了输电线路运维的效率和质量,还可降低劳动强度和成本,保障巡线作业人员的人身安全。
目前无人机依靠工作人员遥控操作,不但对操作人员的操作水平有较高要求,而且由于电力线路附近的电磁干扰较为严重。可能会出现操作不稳定,甚至操作失灵等故障,造成巡线设备,甚至是输电线路的损害。如果能够赋予无人机一定的自主判断能力,在偏移巡线位置,或是距离输电线路过近时能够自主调节自身位置,将有望提升巡线工作的稳定性和安全性。同时该方案也可作为未来无人机自动巡线技术的一部分。
基于深度学习的识别算法往往需要大量有标注的样本用于模型训练,绝缘子、防震锤等器件面积较大,形状也较为稳定,相对容易标注。而输电线路的标注则不同于绝缘子等器件的标注,根据输电线路形状和尺寸的特点,往往需要像素级的标注才可以满足要求。这对标注人员提出了较高的要求,也极大地增加了标注的工作量。如果能够改进识别算法,降低对样本标注的要求,则可以极大地降低标注成本,也可以促进无人机巡线位置的偏移识别算法的应用。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
针对现有技术中存在的上述不足,本发明的目的是提供一种基于视觉的巡线位置偏移识别***、方法及无人机,该识别***、方法及无人机结合强弱监督学习来确定无人机当前位置,并在无人机发生位置偏移时发出信号,实现无人机巡线位置偏移识别。
本发明是通过以下技术方案实现的。
根据本发明的一个方面,提供了一种基于视觉的巡线位置偏移识别***,包括特征提取网络、电力线识别模块以及电力塔架及部件识别模块;其中:
所述特征提取网络,输入无人机巡线时采集的图像,提取图像的各级特征信息,用于电力线识别模块和电力塔架及部件识别模块的识别工作;
所述电力线识别模块,根据特征提取网络提取的各级特征信息,对输入图像中的电力线进行识别;当电力线不存在或电力线出现中断时,切换至电力塔架及部件识别模块;
所述电力塔架及部件识别模块,根据非电力线部件识别框的大小及位置确定无人机当前位置是否偏移。
优选地,所述特征提取网络采用卷积神经网络。
优选地,所述电力线识别模块采用弱监督学习的方式,通过是否含有电力线这一类别标签对模块进行训练。
在本发明中,所述弱监督方式是指:在标记样本时不需要非常详细得标注,进一步地,若标记图片中电力线的详细位置,则为强监督,若只标注该图中是否含有电力线,则为弱监督,若不标注,则为无监督。
优选地,所述训练的方法为:对训练集中的每张图片给予一个标签,标签为含有电力线或不含有电力线,然后将图片和标签一起输入卷积神经网络进行训练,训练所得的卷积神经网络即具有将图像分类为含有电力线或不含电力线的能力。
优选地,所述电力线识别模块进行电力线识别的过程为:
S1,采用滑动窗口的方式对输入图像的每一个子区域进行分类,若分类为无电力线区域,该区域置零,若分类为存在电力线区域,则执行S2计算该区域特征图;
S2,综合特征提取网络提取的各级特征信息,将综合后的结果与固定尺寸的高斯核相乘得到最终的特征图;
按照S1和S2的过程遍历整张输入图像,即可识别出输入图像中电力线的位置;
其中:
所述滑动窗口、高斯核以及特征图尺寸均相同。
优选地,所述S2具体为:
设F1至F5为特征提取网络提取的各级特征信息,将F5做双线性插值升采样后与F4结合,得到中间值M4;将M4与F3结合,得到中间值M3;将M3与F2结合,得到中间值M2;将M2与F1结合,得到中间值M1;将M1与高斯核相乘,得到最终的特征图M0;
其中,所述结合是指两图作矩阵乘法。
优选地,所述电力塔架及部件识别模块基于深度学习,采用目标检测算法,在检测到非电力线部件之后,识别该部件种类及位置,得到识别框的大小及位置,对比事先设定的阈值,确定无人机当前位置是否合理,并在位置偏移时发出信号。
根据本发明的第二个方面,提供了一种基于视觉的巡线位置偏移识别方法,包括如下步骤:
特征提取:根据无人机巡线时采集的图像,提取图像的各级特征信息,用于电力线识别和电力塔架及部件识别;
电力线识别:根据提取的各级特征信息,对输入图像中的电力线进行识别;当电力线不存在或电力线出现中断时,切换至电力塔架及部件识别;
电力塔架及部件识别:根据非电力线部件识别框的大小及位置确定无人机当前位置是否偏移。
优选地,所述电力线识别的过程为:
S1,采用滑动窗口的方式对输入图像的每一个子区域进行分类,若分类为无电力线区域,该区域置零,若分类为存在电力线区域,则执行S2计算该区域特征图;
S2,综合特征提取网络提取的各级特征信息,将综合后的结果与固定尺寸的高斯核相乘得到最终的特征图:设F1至F5为特征提取网络提取的各级特征信息,将F5做双线性插值升采样后与F4结合,得到中间值M4;将M4与F3结合,得到中间值M3;将M3与F2结合,得到中间值M2;将M2与F1结合,得到中间值M1;将M1与高斯核相乘,得到最终的特征图M0;所述结合是指两图作矩阵乘法;
按照S1和S2的过程遍历整张输入图像,即可识别出输入图像中电力线的位置;
其中:
所述滑动窗口、高斯核以及特征图尺寸均相同。
优选地,所述电力塔架及部件识别的过程为:在检测到非电力线部件之后,识别该部件种类及位置,得到识别框的大小及位置,对比事先设定的阈值,确定无人机当前位置是否合理,并在位置偏移时发出信号。
根据本发明的第三个方面,提供了一种无人机,所述无人机安装有上述任一项所述的基于视觉的巡线位置偏移识别***。
与现有技术相比,本发明具有如下有益效果:
本发明提供的基于视觉的巡线位置偏移识别***、方法及无人机,降低了对训练样本的标注要求,有助于提升巡线工作的稳定性和安全性,同时也可作为未来无人机自动巡线技术的一部分。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例中所提供的特征提取网络的结构示意图;
图2为本发明实施例中所提供的电力线识别模块提取特征图的过程简图;
图3为本发明所提供的基于视觉的无人机巡线位置偏移识别方法流程图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
本发明实施例提供了一种基于视觉的巡线位置偏移识别***,包括:特征提取网络、电力线识别模块以及电力塔架及部件识别模块。其中:
所述特征提取网络主要由一个卷积神经网络构成,所述卷积神经网络提取图像的各级特征,用于后续的识别工作。特征提取网络的结构如图1所示。
所述电力线识别模块,采用弱监督学习方法对模块进行训练,并使用前述特征提取网络所提取的各级特征对图像中的电力线进行识别。在CNN(卷积神经网络)体系结构中,高层次特征图包含与预测相关的更多信息,但分辨率较低。虽然低层次特征图具有较高分辨率,但它包含的与预测相关的信息较少。该模块结合中间卷积层的特征图,得到与预测相关的高分辨率信息,并将这些信息用于电力线的定位。对输入图像使用滑动窗口对每一个子区域进行分类,滑动步长为窗口大小的一半。若分类为无电力线的区域,则该区域置零,以减少背景的干扰。若分类为存在电力线的区域,则计算其特征图M0。图2为模块提取特征图M0的过程。其中的F1至F5为各级输出,由于池化层的关系,因此需要将F5做双线性插值升采样之后才可以和F4结合,结合的过程为两图作矩阵乘法,得到中间值M4。后续同理,直至得到M1。为强调中心部分响应,抑制边缘区域的响应,将M1与尺寸为滑动窗口大小的高斯核相乘,得到最后与滑动窗口大小一致的特征图M0。按照此过程遍历整张图像,即可识别出图像中电力线的位置。若图像中不存在电力线路,或电力线路出现中断,则切换至电力塔架及部件识别模块进行识别。
所述电力塔架及部件识别模块,采用目标检测算法,识别输电线路上的各类器件,识别的输出结果为图像中包含的部件的种类及大小。该模块会事先设定阈值,大于上限或小于下限均会发出异常信号。器件类型及阈值大小均可根据实际需要做相应调整。
本发明实施例同时提供了一种上述基于视觉的无人机巡线位置偏移识别***的识别方法,包括如下步骤:
特征提取:根据无人机巡线时采集的图像,提取图像的各级特征信息,用于电力线识别和电力塔架及部件识别;
电力线识别:根据提取的各级特征信息,对输入图像中的电力线进行识别;当电力线不存在或电力线出现中断时,切换至电力塔架及部件识别;
电力塔架及部件识别:根据非电力线部件识别框的大小及位置确定无人机当前位置是否偏移。
所述电力线识别的过程为:
S1,采用滑动窗口的方式对输入图像的每一个子区域进行分类,若分类为无电力线区域,该区域置零,若分类为存在电力线区域,则执行S2计算该区域特征图;
S2,综合特征提取网络提取的各级特征信息,将综合后的结果与固定尺寸的高斯核相乘得到最终的特征图。
所述S2具体为:设F1至F5为特征提取网络提取的各级特征信息,将F5做双线性插值升采样后与F4结合,得到中间值M4;将M4与F3结合,得到中间值M3;将M3与F2结合,得到中间值M2;将M2与F1结合,得到中间值M1;将M1与高斯核相乘,得到最终的特征图M0;所述结合是指两图作矩阵乘法。
按照S1和S2的过程遍历整张输入图像,即可识别出输入图像中电力线的位置。
其中:
所述滑动窗口、高斯核以及特征图尺寸均相同。
所述电力塔架及部件识别的过程为:在检测到非电力线部件之后,识别该部件种类及位置,得到识别框的大小及位置,对比事先设定的阈值,确定无人机当前位置是否合理,并在位置偏移时发出信号。
基于以上基于视觉的无人机巡线位置偏移识别***及识别方法,本发明实施例同时提供了一种无人机,所述无人机安装有上述任一项所述的基于视觉的巡线位置偏移识别***和/或执行上述任一项所述的基于视觉的巡线位置偏移识别方法。
下面结合一具体应用实例,对本发明上述实施例中的技术方案进一步详细描述。
使用带有类别标签的电力线数据集,包含电力线和未包含电力线的各1000张,用于训练电力线识别模块。使用带有位置及类别标签的输电线路器件数据集,绝缘子类及塔架类各300张作为训练集,训练电力塔架及部件识别模块。
电力线识别模块使用1024×1024固定大小输入,若输入图像非该尺寸则对输入进行尺寸变换。滑动窗口设置为128×128,步长横竖均为64像素,M1与尺寸为128×128的高斯核相乘得到用于识别的特征图M0。巡线照片尺寸为4000×3000像素,电力塔架及部件识别模块设定其中绝缘子的识别框大小阈值上、下限分别为3200×800、1200×300。塔架的识别框大小阈值上、下限分别为2000×3000、1200×2000。
在使用无人机巡线时,在无人机到达指定位置后开始识别。沿线飞行时电力线识别模块实时进行检测,在检测到电力线不存在或电力线出现中断时,切换至电力塔架及部件识别模块,根据识别结果判定无人机当前位置是否合理。若不合理,返回当前位置过近或过远的信号。
本发明上述实施例提供的基于视觉的巡线位置偏移识别***、方法及无人机,其中识别***包括:特征提取网络、电力线识别模块、电力塔架及部件识别模块;各个部分相互配合,在无人机巡线时实时执行当前位置识别的工作,并在无人机偏离巡线目标时发出信号。特征提取网络由一个卷积神经网络构成,负责提取图像的各级特征,用于后续的识别工作。电力线识别模块在训练时仅需类别标签,无需位置标签,大大降低了样本标注的工作量。电力塔架及部件识别模块基于目标检测算法,在电力线识别模块识别到电力线形状变化时开始检测,识别此处的部件类型,根据识别框的大小及位置确定无人机当前位置是否合理。本发明上述实施例提供的基于视觉的巡线位置偏移识别***、方法及无人机,实现了对巡线无人机的位置识别,并在位置偏移时发出信号,可用于辅助操控或无人机自动巡线等工作。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (7)
1.一种基于视觉的巡线位置偏移识别***,其特征在于,包括特征提取网络、电力线识别模块以及电力塔架及部件识别模块;其中:
所述特征提取网络,输入无人机巡线时采集的图像,提取图像的各级特征信息,用于电力线识别模块和电力塔架及部件识别模块的识别工作;
所述电力线识别模块,根据特征提取网络提取的各级特征信息,对输入图像中的电力线进行识别;当电力线不存在或电力线出现中断时,切换至电力塔架及部件识别模块;
所述电力塔架及部件识别模块,根据非电力线部件识别框的大小及位置确定无人机当前位置是否偏移;
所述电力线识别模块进行电力线识别的过程为:
S1,采用滑动窗口的方式对输入图像的每一个子区域进行分类,若分类为无电力线区域,该区域置零,若分类为存在电力线区域,则执行S2计算该区域特征图;
S2,综合特征提取网络提取的各级特征信息,将综合后的结果与固定尺寸的高斯核相乘得到最终的特征图;
所述S2具体为:
设F1至F5为特征提取网络提取的各级特征信息,将F5做双线性插值升采样后与F4结合,得到中间值M4;将M4与F3结合,得到中间值M3;将M3与F2结合,得到中间值M2;将M2与F1结合,得到中间值M1;将M1与高斯核相乘,得到最终的特征图M0;
其中,所述结合是指两图作矩阵乘法;
按照S1和S2的过程遍历整张输入图像,即可识别出输入图像中电力线的位置;
其中:
所述滑动窗口、高斯核以及特征图尺寸均相同。
2.根据权利要求1所述的基于视觉的巡线位置偏移识别***,其特征在于,所述特征提取网络采用卷积神经网络。
3.根据权利要求1所述的基于视觉的巡线位置偏移识别***,其特征在于,所述电力线识别模块采用弱监督学习的方式,通过是否含有电力线这一类别标签对模块进行训练。
4.根据权利要求1所述的基于视觉的巡线位置偏移识别***,其特征在于,所述电力塔架及部件识别模块基于深度学习,采用目标检测算法,在检测到非电力线部件之后,识别该部件种类及位置,得到识别框的大小及位置,对比事先设定的阈值,确定无人机当前位置是否合理,并在位置偏移时发出信号。
5.一种基于视觉的巡线位置偏移识别方法,其特征在于,包括如下步骤:
特征提取:根据无人机巡线时采集的图像,提取图像的各级特征信息,用于电力线识别和电力塔架及部件识别;
电力线识别:根据提取的各级特征信息,对输入图像中的电力线进行识别;当电力线不存在或电力线出现中断时,切换至电力塔架及部件识别;
电力塔架及部件识别:根据非电力线部件识别框的大小及位置确定无人机当前位置是否偏移;
电力线识别的过程为:
S1,采用滑动窗口的方式对输入图像的每一个子区域进行分类,若分类为无电力线区域,该区域置零,若分类为存在电力线区域,则执行S2计算该区域特征图;
S2,综合特征提取网络提取的各级特征信息,将综合后的结果与固定尺寸的高斯核相乘得到最终的特征图;
所述S2具体为:
设F1至F5为特征提取网络提取的各级特征信息,将F5做双线性插值升采样后与F4结合,得到中间值M4;将M4与F3结合,得到中间值M3;将M3与F2结合,得到中间值M2;将M2与F1结合,得到中间值M1;将M1与高斯核相乘,得到最终的特征图M0;
其中,所述结合是指两图作矩阵乘法;
按照S1和S2的过程遍历整张输入图像,即可识别出输入图像中电力线的位置;
其中:
所述滑动窗口、高斯核以及特征图尺寸均相同。
6.根据权利要求5所述的基于视觉的巡线位置偏移识别方法,其特征在于,所述电力塔架及部件识别的过程为:在检测到非电力线部件之后,识别该部件种类及位置,得到识别框的大小及位置,对比事先设定的阈值,确定无人机当前位置是否合理,并在位置偏移时发出信号。
7.一种无人机,其特征在于,所述无人机安装有权利要求1至4中任一项所述的基于视觉的巡线位置偏移识别***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686677.8A CN110516551B (zh) | 2019-07-29 | 2019-07-29 | 一种基于视觉的巡线位置偏移识别***、方法及无人机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686677.8A CN110516551B (zh) | 2019-07-29 | 2019-07-29 | 一种基于视觉的巡线位置偏移识别***、方法及无人机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516551A CN110516551A (zh) | 2019-11-29 |
CN110516551B true CN110516551B (zh) | 2023-04-07 |
Family
ID=68623650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910686677.8A Active CN110516551B (zh) | 2019-07-29 | 2019-07-29 | 一种基于视觉的巡线位置偏移识别***、方法及无人机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516551B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673332A (zh) * | 2021-07-15 | 2021-11-19 | 浙江大华技术股份有限公司 | 对象识别方法、装置以及计算机可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959625A (zh) * | 2016-05-04 | 2016-09-21 | 北京博瑞爱飞科技发展有限公司 | 控制无人机追踪拍摄的方法及装置 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
CN107544541A (zh) * | 2017-09-18 | 2018-01-05 | 南方科技大学 | 一种无人机控制方法及*** |
CN107729808A (zh) * | 2017-09-08 | 2018-02-23 | 国网山东省电力公司电力科学研究院 | 一种用于输电线路无人机巡检的图像智能采集***及方法 |
CN107833213A (zh) * | 2017-11-02 | 2018-03-23 | 哈尔滨工业大学 | 一种基于伪真值自适应法的弱监督物体检测方法 |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108229587A (zh) * | 2018-02-06 | 2018-06-29 | 贵州电网有限责任公司 | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 |
CN108334844A (zh) * | 2018-02-06 | 2018-07-27 | 贵州电网有限责任公司 | 一种输电线路巡检的沿线自动跟踪方法 |
CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
CN109471447A (zh) * | 2018-12-14 | 2019-03-15 | 国网冀北电力有限公司检修分公司 | 无人机导航方法、装置、无人机和数据可读存储装置 |
CN109949361A (zh) * | 2018-12-16 | 2019-06-28 | 内蒙古工业大学 | 一种基于单目视觉定位的旋翼无人机姿态估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9037314B2 (en) * | 2010-06-21 | 2015-05-19 | Optimal Ranging, Inc. | UAV power line position and load parameter estimation |
US9977434B2 (en) * | 2016-06-23 | 2018-05-22 | Qualcomm Incorporated | Automatic tracking mode for controlling an unmanned aerial vehicle |
-
2019
- 2019-07-29 CN CN201910686677.8A patent/CN110516551B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959625A (zh) * | 2016-05-04 | 2016-09-21 | 北京博瑞爱飞科技发展有限公司 | 控制无人机追踪拍摄的方法及装置 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
CN107729808A (zh) * | 2017-09-08 | 2018-02-23 | 国网山东省电力公司电力科学研究院 | 一种用于输电线路无人机巡检的图像智能采集***及方法 |
CN107544541A (zh) * | 2017-09-18 | 2018-01-05 | 南方科技大学 | 一种无人机控制方法及*** |
CN107833213A (zh) * | 2017-11-02 | 2018-03-23 | 哈尔滨工业大学 | 一种基于伪真值自适应法的弱监督物体检测方法 |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108229587A (zh) * | 2018-02-06 | 2018-06-29 | 贵州电网有限责任公司 | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 |
CN108334844A (zh) * | 2018-02-06 | 2018-07-27 | 贵州电网有限责任公司 | 一种输电线路巡检的沿线自动跟踪方法 |
CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
CN109471447A (zh) * | 2018-12-14 | 2019-03-15 | 国网冀北电力有限公司检修分公司 | 无人机导航方法、装置、无人机和数据可读存储装置 |
CN109949361A (zh) * | 2018-12-16 | 2019-06-28 | 内蒙古工业大学 | 一种基于单目视觉定位的旋翼无人机姿态估计方法 |
Non-Patent Citations (2)
Title |
---|
基于样本扩充的 Faster R-CNN 电网异物监测技术;史晋涛 等;《电网技术》;20190610;第1-8页 * |
基于视觉的无人机定点飞行控制技术研究;陈崟松 等;《电子设计工程》;20180331;第26卷(第5期);第38-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110516551A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532889B (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
CN110703800A (zh) | 基于无人机的电力设施智能识别方法及*** | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN102622895B (zh) | 一种基于视频的车辆速度检测方法 | |
CN108334844B (zh) | 一种输电线路巡检的沿线自动跟踪方法 | |
Zormpas et al. | Power transmission lines inspection using properly equipped unmanned aerial vehicle (UAV) | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
Lebedev et al. | Accurate autonomous uav landing using vision-based detection of aruco-marker | |
CN106741008B (zh) | 铁路线路异物识别方法及*** | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及*** | |
Prasad et al. | Review on Machine Vision based Insulator Inspection Systems for Power Distribution System. | |
CN103152558B (zh) | 基于场景识别的入侵检测方法 | |
CN113011252A (zh) | 轨道异物侵限检测***及方法 | |
CN110516551B (zh) | 一种基于视觉的巡线位置偏移识别***、方法及无人机 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN112926415A (zh) | 一种行人避让***和行人监测方法 | |
CN113160202A (zh) | 一种裂缝检测方法及*** | |
CN117593689A (zh) | 一种基于计算机视觉的矿山人员危险行为识别方法及*** | |
CN116740833A (zh) | 基于无人机的线路巡线打卡方法 | |
CN103198326B (zh) | 一种输电线路直升机巡检的图像分类方法 | |
CN116243725A (zh) | 基于视觉导航的变电站无人机巡检方法及*** | |
CN114067106B (zh) | 基于帧间对比的受电弓形变检测方法、设备及存储介质 | |
CN115937765A (zh) | 图像识别方法、agv物料分拣方法及*** | |
CN103208009B (zh) | 一种输电线路车载巡检的图像分类方法 | |
Lu et al. | Design and implement of control system for power substation equipment inspection robot |
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 |