CN111985497B - 架空输电线路下吊车作业识别方法及*** - Google Patents

架空输电线路下吊车作业识别方法及*** Download PDF

Info

Publication number
CN111985497B
CN111985497B CN202010704002.4A CN202010704002A CN111985497B CN 111985497 B CN111985497 B CN 111985497B CN 202010704002 A CN202010704002 A CN 202010704002A CN 111985497 B CN111985497 B CN 111985497B
Authority
CN
China
Prior art keywords
transmission line
overhead transmission
crane operation
image
type image
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
Application number
CN202010704002.4A
Other languages
English (en)
Other versions
CN111985497A (zh
Inventor
白德盟
辜超
朱振华
杨祎
李程启
马艳
林颖
耿玉杰
秦佳峰
郑文杰
刘萌
王建
任敬国
李�杰
朱庆东
张振军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010704002.4A priority Critical patent/CN111985497B/zh
Publication of CN111985497A publication Critical patent/CN111985497A/zh
Application granted granted Critical
Publication of CN111985497B publication Critical patent/CN111985497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

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)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了架空输电线路下吊车作业识别方法及***，包括：将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；对空旷型图像和复杂型图像，均进行边缘特征提取；对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。

Description

架空输电线路下吊车作业识别方法及***
技术领域
本申请涉及输电线路技术领域，特别是涉及架空输电线路下吊车作业识别方法及***。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
由于输电线路绵延几十甚至上百公里，所处的环境具有不确定性,受所处地理环境和外部因素影响很大，室外环境中的杆塔及导线极易受外力破坏影响，造成线路跳闸、人身伤亡等事故。特别是近年来,各地建筑物的建设和改造频繁，由此产生的线路事故逐年增加，尤其是输电线路线下吊车作业，会存在安全隐患，这样不仅会影响供电可靠，造成线路断线、杆塔倾斜，还可能造成更大的安全事故，由于架空输电线路一直处在户外环境，如何在架空输电线路遭受外部吊车作业隐患的同时，输电运维班组可以即时发现隐患，及时赶赴现场，采取相应措施，及时抢修，避免更大的停电事故出现，是目前急需解决的问题。传统的巡视方法无法满足现有的安全需求。
当前输电线路杆塔可视化监拍装置的推广应用，与传统视频拍摄方式不同，监拍装置每间隔固定时间拍摄图片并传回服务器，然后由工作人员查看图片确定有无隐患，输电通道巡检的次数和频度明显增高，隐患发现及时率提高。现存在的主要问题是尚未有较为准确的图像识别隐患自检测方法，观察评判主要由人工识别完成。在安裝的拍照设备数量上万后，工作人员每天需要观察近十万张图片，工作量巨大，耗费了大量的人力物力。
在实现本申请的过程中，发明人发现现有技术中存在以下技术问题：
1、人工处理效率低，不能满足工作要求；
2、图像全部统一处理，对检测***压力较大；
3、特征提取后直接对图像进行检测，没有针对特定场景进行优化。
发明内容
为了解决现有技术的不足，本申请提供了架空输电线路下吊车作业识别方法及***；
第一方面，本申请提供了架空输电线路下吊车作业识别方法；
架空输电线路下吊车作业识别方法，包括：
将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；
对空旷型图像和复杂型图像，均进行边缘特征提取；
对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。
第二方面，本申请提供了架空输电线路下吊车作业识别***；
架空输电线路下吊车作业识别***，包括：
分类模块，其被配置为：将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；
特征提取模块，其被配置为：对空旷型图像和复杂型图像，均进行边缘特征提取；
吊车作业识别模块，其被配置为：对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本申请的有益效果是：
本申请是对特定场景中架空输电线路下吊车隐患进行识别，针对性强，对特定的隐患吊车等机械进行识别，能够尽早发现对输电线路的危害，保障电力***安全。与传统识别方法相比，在前端装置安装时就根据地理位置对图像进行分类，对检测***压力小；根据不同图像复杂程度分类，形成不同的特征向量，用于差异化检测；针对吊车特点优化检测特征，提高识别准确率。
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为第一个实施例的方法流程图；
图2为第一个实施例的深度学习模型架构图；
图3为第二个实施例的***功能框架示意图。
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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了架空输电线路下吊车作业识别方法；
如图1所示，架空输电线路下吊车作业识别方法，包括：
S101：将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；
S102：对空旷型图像和复杂型图像，均进行边缘特征提取；
S103：对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。
作为一个或多个实施例，所述S101步骤之前，还包括：
获取架空输电线路图像。
进一步地，所述获取架空输电线路图像，通过预先安装的拍摄装置进行获取。
进一步地，预先安装的拍摄装置所安装的环境，包括空旷地区和复杂地区。
所述空旷地区，是指在野外空旷的环境下，拍摄的图像内容简单。
所述复杂地区，是指非空旷地区，建筑物密集，环境复杂，拍摄图像中组成内容多，分析难度大。
作为一个或多个实施例，所述将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；具体步骤包括：
将获取的架空输电线路图像，根据拍摄装置自身的编号和编号所对应的环境信息，分为空旷型图像和复杂型图像。
应理解的，所述编号所对应的环境信息，包括：空旷环境和复杂环境。这是本领域技术人员根据实际环境情况预先设置好的。
对架空输电线路所处环境分类，将所处环境分为空旷型环境和复杂型环境。在监测装置安装在杆塔上时，就做好空旷型和复杂型的标记分类，后续在图像进入***时，根据前期分类情况存储图像，从源头上进行分类。
空旷型图像是指线路所处环境在野外，环境空旷，拍摄的内容像素较为简单，识别边缘较为清晰，容易判断；复杂型一般为建筑物密集，环境复杂，装置拍摄的图像组成内容多，分析难度大。
作为一个或多个实施例，所述S102中，对空旷型图像和复杂型图像，均进行边缘特征提取；具体步骤包括：
对空旷型图像和复杂型图像，均通过预先训练好的深度学习模型进行边缘特征提取。
进一步地，所述深度学习模型，是指卷积神经网络模型、循环神经网络模型或长短期记忆网络模型LSTM(Long Short-Term Memory)或自定义模型。
如图2所示，所述自定义模型，包括依次连接的输入层、卷积层、池化层、归一化层和输出层。
卷积层操作实现维数的扩展，学习到有较高鲁棒性的特征，得到特征响应图。
池化层能够通过采样操作提取统计信息，降低输入到下一层时的特征空间维度。
归一化层在得到了多通道的特征响应图之后，对特征响应图上某一位置及其邻近通道的值做归一化，提高网络的泛化能力。
进一步地，所述预先训练好的深度学习模型的训练步骤包括：
构建深度学习模型；
构建训练集，所述训练集为已知边缘特征的空旷型图像和复杂型图像；
将训练集输入到深度学习模型中，对深度学习模型进行训练，当深度学习模型损失函数达到最小值时，停止训练，得到训练好的深度学习模型。
作为一个或多个实施例，所述S103中，对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；具体步骤包括：
将提取的边缘特征与已知有吊车作业图像的多种型号吊车的边缘特征进行欧式距离计算，当欧式距离小于设定阈值时，表示存在吊车作业现象；否则，表示不存在吊车作业现象。
作为一个或多个实施例，所述S103中，对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象；具体步骤包括：
对复杂型图像，对提取的边缘特征先采用低通滤波的形式对边缘特征进行平滑处理；将平滑后的边缘特征与已知有吊车作业图像的多种型号吊车的边缘特征进行欧式距离计算，当欧式距离小于设定阈值时，表示存在吊车作业现象；否则，表示不存在吊车作业现象。
特征优化阶段，针对吊车在行进或工作的特点，在图像上体现在车辆长宽高比例相差较大，对特征提取的池化层参数进行微调。
实施例二
本实施例提供了架空输电线路下吊车作业识别***；
如图3所示，架空输电线路下吊车作业识别***，包括：
分类模块，其被配置为：将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；
特征提取模块，其被配置为：对空旷型图像和复杂型图像，均进行边缘特征提取；
吊车作业识别模块，其被配置为：对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。
此处需要说明的是，上述分类模块、特征提取模块和吊车作业识别模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***，可以通过其他的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个***，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
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 (10)

1.架空输电线路下吊车作业识别方法，其特征是，包括：
将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；
对空旷型图像和复杂型图像，均进行边缘特征提取；
对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。
2.如权利要求1所述的方法，其特征是，所述将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像步骤之前，还包括：获取架空输电线路图像；所述获取架空输电线路图像，通过预先安装的拍摄装置进行获取；预先安装的拍摄装置所安装的环境，包括空旷地区和复杂地区。
3.如权利要求1所述的方法，其特征是，所述将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；具体步骤包括：
将获取的架空输电线路图像，根据拍摄装置自身的编号和编号所对应的环境信息，分为空旷型图像和复杂型图像。
4.如权利要求1所述的方法，其特征是，对空旷型图像和复杂型图像，均进行边缘特征提取；具体步骤包括：
对空旷型图像和复杂型图像，均通过预先训练好的深度学习模型进行边缘特征提取。
5.如权利要求4所述的方法，其特征是，所述预先训练好的深度学习模型的训练步骤包括：
构建深度学习模型；
构建训练集，所述训练集为已知边缘特征的空旷型图像和复杂型图像；
将训练集输入到深度学习模型中，对深度学习模型进行训练，当深度学习模型损失函数达到最小值时，停止训练，得到训练好的深度学习模型。
6.如权利要求1所述的方法，其特征是，对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；具体步骤包括：
将提取的边缘特征与已知有吊车作业图像的多种型号吊车的边缘特征进行欧式距离计算，当欧式距离小于设定阈值时，表示存在吊车作业现象；否则，表示不存在吊车作业现象。
7.如权利要求1所述的方法，其特征是，对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象；具体步骤包括：
对复杂型图像，对提取的边缘特征先采用低通滤波的形式对边缘特征进行平滑处理；将平滑后的边缘特征与已知有吊车作业图像的多种型号吊车的边缘特征进行欧式距离计算，当欧式距离小于设定阈值时，表示存在吊车作业现象；否则，表示不存在吊车作业现象。
8.架空输电线路下吊车作业识别***，其特征是，包括：
分类模块，其被配置为：将获取的架空输电线路图像，根据在线监测装置所处环境进行分类，分为空旷型图像和复杂型图像；
特征提取模块，其被配置为：对空旷型图像和复杂型图像，均进行边缘特征提取；
吊车作业识别模块，其被配置为：对空旷型图像，根据提取的边缘特征，直接判断架空输电线路下是否有吊车作业现象；对复杂型图像，对提取的边缘特征先进行去噪处理，根据去噪后的边缘特征判断架空输电线路下是否有吊车作业现象。
9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，其特征是，以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202010704002.4A 2020-07-21 2020-07-21 架空输电线路下吊车作业识别方法及*** Active CN111985497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010704002.4A CN111985497B (zh) 2020-07-21 2020-07-21 架空输电线路下吊车作业识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010704002.4A CN111985497B (zh) 2020-07-21 2020-07-21 架空输电线路下吊车作业识别方法及***

Publications (2)

Publication Number Publication Date
CN111985497A CN111985497A (zh) 2020-11-24
CN111985497B true CN111985497B (zh) 2023-09-26

Family

ID=73439357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010704002.4A Active CN111985497B (zh) 2020-07-21 2020-07-21 架空输电线路下吊车作业识别方法及***

Country Status (1)

Country Link
CN (1) CN111985497B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768731A (zh) * 2012-06-29 2012-11-07 陕西省交通规划设计研究院 基于高清视频图像目标自动定位识别***及方法
CN105069459A (zh) * 2015-08-18 2015-11-18 电子科技大学 一种针对高分辨率sar图像地物类型提取方法
CN106446921A (zh) * 2016-09-05 2017-02-22 国网重庆市电力公司电力科学研究院 一种高压输电线障碍物识别方法及装置
CN106846313A (zh) * 2017-01-23 2017-06-13 广东工业大学 工件表面缺陷检测方法和装置
WO2018212494A1 (ko) * 2017-05-17 2018-11-22 삼성전자 주식회사 객체를 식별하는 방법 및 디바이스
WO2019096181A1 (zh) * 2017-11-14 2019-05-23 深圳码隆科技有限公司 安检检测方法、装置、***及电子设备
CN110555400A (zh) * 2019-08-23 2019-12-10 国网山东省电力公司泗水县供电公司 基于无人机巡检架空输电线路的覆冰检测方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7953268B2 (en) * 2008-01-18 2011-05-31 Mitek Systems, Inc. Methods for mobile image capture and processing of documents
EP3408848A4 (en) * 2016-01-29 2019-08-28 Pointivo Inc. SYSTEMS AND METHOD FOR EXTRACTING INFORMATION ON OBJECTS FROM SCENE INFORMATION

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768731A (zh) * 2012-06-29 2012-11-07 陕西省交通规划设计研究院 基于高清视频图像目标自动定位识别***及方法
CN105069459A (zh) * 2015-08-18 2015-11-18 电子科技大学 一种针对高分辨率sar图像地物类型提取方法
CN106446921A (zh) * 2016-09-05 2017-02-22 国网重庆市电力公司电力科学研究院 一种高压输电线障碍物识别方法及装置
CN106846313A (zh) * 2017-01-23 2017-06-13 广东工业大学 工件表面缺陷检测方法和装置
WO2018212494A1 (ko) * 2017-05-17 2018-11-22 삼성전자 주식회사 객체를 식별하는 방법 및 디바이스
WO2019096181A1 (zh) * 2017-11-14 2019-05-23 深圳码隆科技有限公司 安检检测方法、装置、***及电子设备
CN110555400A (zh) * 2019-08-23 2019-12-10 国网山东省电力公司泗水县供电公司 基于无人机巡检架空输电线路的覆冰检测方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘中涛 ; 胡凡 ; 王淦 ; 李钊 ; 王磊 ; 葛平高 ; 王建娟 ; .基于特征融合的深度学习场景识别与应用.计算机应用研究.2020,(第S1期),全文. *
周封 ; 任贵新 ; .基于颜色空间变量的输电线图像分类及特征提取.电力***保护与控制.2018,(第05期),全文. *
曹文明 ; 王耀南 ; 印峰 ; 伍锡如 ; 缪思怡 ; .高压输电线路除冰机器人障碍物识别方法研究.仪器仪表学报.2011,(第09期),全文. *

Also Published As

Publication number Publication date
CN111985497A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
KR101854554B1 (ko) 건축물 높이 산출 방법, 장치 및 저장 매체
CN112800915B (zh) 建筑物变化检测方法、装置、电子设备以及存储介质
CN106851229B (zh) 一种基于图像识别的安防智能决策的方法与***
CN112949507A (zh) 人脸检测方法、装置、计算机设备及存储介质
CN112364843A (zh) 插拔式航拍图像目标定位检测方法、***、设备
CN113420810B (zh) 一种基于红外和可见光的电缆沟智能巡检***及巡检方法
CN111121797B (zh) 道路筛选方法、装置、服务器及存储介质
CN113284144B (zh) 一种基于无人机的隧道检测方法及装置
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN113537070A (zh) 一种检测方法、装置、电子设备及存储介质
US20240203128A1 (en) Systems and methods for determining target event
CN115082813A (zh) 检测方法、无人机、检测***及介质
CN111767826A (zh) 一种定时定点场景异常检测方法
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN111626104B (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
CN112967224A (zh) 一种基于人工智能的电子电路板检测***、方法及介质
CN113313110A (zh) 一种车牌类型识别模型构建及车牌类型识别方法
CN111985497B (zh) 架空输电线路下吊车作业识别方法及***
CN112633114A (zh) 面向建筑物变化事件的无人机巡查智能预警方法和装置
CN117152617A (zh) 一种城市洪涝识别方法及***
CN112669302A (zh) 吊弦缺陷检测方法、装置、电子设备及存储介质
CN106651803A (zh) 户型数据的识别方法及装置
CN115761613B (zh) 一种基于卷积网络的隧道裂缝自动检测方法
CN116843946A (zh) 一种基于图像识别的隧道岩体主要结构面判识方法及装置

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