CN113052260A - 基于图像配准和目标检测的变电站异物识别方法及*** - Google Patents
基于图像配准和目标检测的变电站异物识别方法及*** Download PDFInfo
- Publication number
- CN113052260A CN113052260A CN202110430795.XA CN202110430795A CN113052260A CN 113052260 A CN113052260 A CN 113052260A CN 202110430795 A CN202110430795 A CN 202110430795A CN 113052260 A CN113052260 A CN 113052260A
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- target detection
- picture
- foreign matter
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图像配准和目标检测的变电站异物识别方法及***，属于目标检测技术领域，包括以下步骤：S1：输入图像；S2：图像配准；S3：寻找不一致区域；S4：非异物目标检测；S5：得到异物区域。本发明先把出现的区域找出来，在区域内判断哪些不是异物，剩下的都是异物，不是异物的种类不多，样本也多，训练的非异物的目标检测模型效果较好；此外，对于检测出的非异物，经过人为再判断，过滤的非异物类别能迅速补充样本，来训练非异物的目标检测模型，整体方案也易于优化，值得被推广使用。
Description
技术领域
本发明涉及目标检测技术领域，具体涉及基于图像配准和目标检测的变电站异物识别方法及***。
背景技术
在变电站正常运行时，会出现一些不属于变电站固有的一些物体，这些物体的存在对变电站的正常运行是一种威胁，如塑料袋挂在了输电线上、各种小动物撕咬电线，在变电站建巢导致短路故障等。
目前异物检测大都直接使用目标检测算法，对变电站的可能存在的异物进行检测。由于变电站内的异物是一个宽泛的概念，如塑料袋、鸟、鸟巢、动物等等，类别不能穷举。同一种异物如风筝，塑料袋等姿态，形状***。目标检测算法要事先已知目标的类别，并采集足够的样本才能使用。这明显与实际需求有差异，导致很多异物无法检测到。因此，提出基于图像配准和目标检测的变电站异物识别方法及***。
发明内容
本发明所要解决的技术问题在于：如何解决现有目标异物检测算法异物检出率不高等问题，提供了基于图像配准和目标检测的变电站异物识别方法，该方法将不属于变电站异物的物体全部标出来，然后采用目标检测算法将不是异物的目标过滤，剩下的就是当做异物处理，对变电站内的异物进行检测定位，对于变电站事前预警和事后故障追溯都有巨大的意义。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：输入图像
输入待检测图像，同时输入与待检测图像对应的匹配模板图片；
S2：图像配准
对步骤S1中的待检测图像与模板图片进行图像配准处理；
S3：寻找不一致区域
采用SSIM图像比对法，计算待检图片与变换后的模板图片的相似性，找到两张图片的不一致区域；
S4：非异物目标检测
采用目标检测网络对待检测图片中的不一致区域进行检测；
S5：得到异物区域
根据步骤S4的检测结果，去除可识别区域，剩余不一致区域判断为异物区域。
作为优选的，在所述步骤S1中，所述匹配模板图片为变电站正常运行时的图片，所述待检测图片是拍摄区域与匹配模板图片相同的图片。
作为优选的，所述步骤S2中的具体过程如下：
S21：提取两幅图的关键点，然后提取关键点描述子；
S22：从两幅图中提取两组关键点后，将两个图像中对应的关键点进行关联或匹配；
S23：根据步骤S22得到的一组匹配点集，计算两个点集之间的最优变换矩阵；
S24：使用最优变换矩阵，将匹配模板图片进行相似变换，变换后的匹配模板图片的关键点坐标与待检测图片中对应关键点坐标相同。
作为优选的，在所述步骤S21中，关键点描述子为关键点的特征向量，表示了关键点周围图像的信息，所述关键点是一类点的集合，表示图像中的点、线，边缘特征信息。
作为优选的，在所述步骤S22中，具体计算过程如下：
S221：计算待检测图片中的某个点的特征向量与模板图片中所有点的特征向量计算相似性，选择距离最近的点，初步得到两幅图片对应的匹配点集；
S222：然后使用检测匹配点集中的异常值，并去除，得到最终的匹配点集。
作为优选的，在所述步骤S4中，目标检测网络采用YOLO-V3网络或Cascade-Rcnn网络，通过训练的目标检测网络可识别多种非异物目标。
作为优选的，经过所述步骤S4的检测后，通过目标检测网络能够在不一致区域中找到可识别目标判定为非异物，在不一致区域内时检测不到任何目标时，则整个不一致区域判定为异物区域。
本发明还提供了基于图像配准和目标检测的变电站异物识别***，采用上述的识别方法对变电站内的异物进行检测定位，包括：
输入模块，用于输入待检测图像，同时输入与待检测图像对应的匹配模板图片；
配准模块，用于对步骤S1中的待检测图像与模板图片进行图像配准处理；
寻找模块，用于采用SSIM图像比对法，计算待检图片与变换后的模板图片的相似性，找到两张图片的不一致区域；
非异物检测模块，用于采用目标检测网络对待检测图片中的不一致区域进行检测；
异物区域判别模块，用于根据步骤S4的检测结果，去除可识别区域，剩余不一致区域判断为异物区域；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述输入模块、配准模块、寻找模块、非异物检测模块、异物区域判别模块均与所述中央处理模块电连接。
本发明相比现有技术具有以下优点：该基于图像配准和目标检测的变电站异物识别方法，先把出现的区域找出来，在区域内判断哪些不是异物，剩下的都是异物，不是异物的种类不多，样本也多，训练的非异物的目标检测模型效果较好；此外，对于检测出的非异物，经过人为再判断，过滤的非异物类别能迅速补充样本，来训练非异物的目标检测模型，整体方案也易于优化，值得被推广使用。
附图说明
图1是本发明实施例二中的整体流程示意图；
图2是本发明实施例二中存在平移的两幅图像配准效果示意图；
图3a是本发明实施例二中拍摄区域与匹配模板相同的正常图片；
图3b是本发明实施例二中的待检测图片；
图3c是本发明实施例二中找到的图3a与图3b中的不一致区域。
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，但本发明的保护范围不限于下述的实施例。
实施例一
本实施例提供一种技术方案：基于图像配准和目标检测的变电站异物识别方法，包括以下步骤：
S1：输入图像
输入待检测图像，同时输入与待检测图像对应的匹配模板图片；
S2：图像配准
对步骤S1中的待检测图像与模板图片进行图像配准处理；
S3：寻找不一致区域
采用SSIM图像比对法，计算待检图片与变换后的模板图片的相似性，找到两张图片的不一致区域；
S4：非异物目标检测
采用目标检测网络对待检测图片中的不一致区域进行检测；
S5：得到异物区域
根据步骤S4的检测结果，去除可识别区域，剩余不一致区域判断为异物区域。
在本实施例中，在所述步骤S1中，所述匹配模板图片为变电站正常运行时的图片，所述待检测图片是拍摄区域与匹配模板图片相同的图片。
在本实施例中，所述步骤S2中的具体过程如下：
S21：提取两幅图的关键点，然后提取关键点描述子；
S22：从两幅图中提取两组关键点后，将两个图像中对应的关键点进行关联或匹配；
S23：根据步骤S22得到的一组匹配点集，计算两个点集之间的最优变换矩阵；
S24：使用最优变换矩阵，将匹配模板图片进行相似变换，变换后的匹配模板图片的关键点坐标与待检测图片中对应关键点坐标相同。
在本实施例中，在所述步骤S21中，关键点描述子为关键点的特征向量，表示了关键点周围图像的信息，所述关键点是一类点的集合，表示图像中的点、线，边缘特征信息。
在本实施例中，在所述步骤S22中，具体计算过程如下：
S221：计算待检测图片中的某个点的特征向量与模板图片中所有点的特征向量计算相似性，选择距离最近的点，初步得到两幅图片对应的匹配点集。
S222：然后使用检测匹配点集中的异常值，并去除，得到最终的匹配点集。
在本实施例中，在所述步骤S4中，目标检测网络采用YOLO-V3网络或Cascade-Rcnn网络，通过训练的目标检测网络可识别多种非异物目标。
在本实施例中，经过所述步骤S4的检测后，通过目标检测网络能够在不一致区域中找到可识别目标判定为非异物，在不一致区域内时检测不到任何目标时，则整个不一致区域判定为异物区域。
本实施例还提供了基于图像配准和目标检测的变电站异物识别***，采用上述的识别方法对变电站内的异物进行检测定位，包括：
输入模块，用于输入待检测图像，同时输入与待检测图像对应的匹配模板图片；
配准模块，用于对步骤S1中的待检测图像与模板图片进行图像配准处理；
寻找模块，用于采用SSIM图像比对法，计算待检图片与变换后的模板图片的相似性，找到两张图片的不一致区域；
非异物检测模块，用于采用目标检测网络对待检测图片中的不一致区域进行检测；
异物区域判别模块，用于根据步骤S4的检测结果，去除可识别区域，剩余不一致区域判断为异物区域；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述输入模块、配准模块、寻找模块、非异物检测模块、异物区域判别模块均与所述中央处理模块电连接。
实施例二
如图1所示，本实施例中提供了一种基于图像配准和目标检测的变电站异物识别方法，包括以下步骤：
步骤1：输入图像
输入待检测图像，同时输入与待检测图像对应的匹配模板，所述匹配模板为变电站正常运行时的图片，所述待检测图片是拍摄区域与匹配模板相同的图片；
步骤2：图像配准
将步骤1中的两个图片用图像配准算法进行处理；
所述步骤S2中的具体过程如下：
S21：关键点提取：它是一类点的集合，这类点一般代表了图像中的点、线，边缘等特征信息。这些点在不同图像的相同区域可被找到，如图2中的圆点所示。然后提取关键点描述子，描述子是此关键点的特征向量(SIFT等关键点提取完成时，会自动输出关键点的坐标和对应的特征向量)，表示了关键点周围图像的信息，并且在光照、视角发生少量变化时，特征向量仍能保持一致性；常见的特征点有SIFT、SURF、ORB、BRIEF；
S22：特征匹配：从两幅图中提取两组关键点后，需要将两个图像中对应的关键点进行关联或匹配。如图2所示，直线连接的两点为对应的匹配点。具体计算过程为，首先计算待检测图片中的某个点的特征向量与模板图片中所有点的特征向量计算相似性，选择距离最近(最相似)的点，初步得到两幅图片对应的匹配点集。然后使用RANSAC算法检测匹配点集中的异常值，并去除，得到最终的匹配点集；
相似性计算:采用S21步骤中提取的一对特征向量X,Y，计算两者的余弦距离,如果两个特征向量越相似，则距离越大。余弦距离计算公式为：
其中，A为两幅图中一幅图的一个特征向量，B为两幅图中另一幅图的一个特征向量，A与B相匹配。
S23：计算相似变换矩阵：根据特征匹配得到的一组匹配点集，使用最小均方误差或者RANSAC方法计算两个点集之间的最优变换矩阵M；
RANSAC方法过程如下：
1)：首先随机选择数据中的一个子集，假设此子集为局内点，并用此局内点拟合一个模型。
2)：使用步骤1)计算出的模型对数据中其他数据进行测试，满足此模型的点称为局内点，扩充局内点集，不满足的称为局外点。
3)：如果有足够多的点被归类为局内点，则估计的模型就是合理的，停止迭代。
4)：然后，用扩充的局内点集冲更新估计模型，转步骤2)。
S24：图像变换：使用最优变换矩阵，将模板图片进行相似变换，变换后的模板图片其关键点坐标与待检测图片中对应关键点坐标相同。
步骤3：采用SSIM(结构相似性)图像比对算法，计算待检图片与变换后的模板图片的相似性，找到两张图片不一致区域。
SSIM算法：全称为structural similarity index，即结构相似性度量技术，公式为：
其中，μ为图像块内像素的均值，σ为图像块内像素的标准差。C1和C2为常数，防止分母为0。
步骤4：采用目标检测网络(目标检测模型)对待检测图片中的不一致区域进行检测。
目标检测网络一般采用YOLO-V3，Cascade-Rcnn等网络。不能采用其他类型的深度学习网络，只能在目标检测网络中选择。通过训练的目标检测网络可以识别人、车、安全帽等多种目标。这里只需要采用公开的目标检测网络训练即可，不用特殊改进。
步骤5：根据步骤4识别结果，去除可识别区域，剩余不一致区域判断为异物区域。
在本实施例中，可识别区域是只能被目标检测网络检测到的区域，这部分区域可直接从待检测区域中通过对图像对应像素置0进行去除。
经过步骤4，通过目标检测网络能够在不一致区域中找到可识别目标判定为非异物，如车和人，如果是异物，如风筝，在不一致区域内时检测不到任何目标的，则整个不一致区域判为异物区域。
如图3所示，图3a为拍摄区域与匹配模板相同的正常图片，图3b为待检测图片，图3c是利用结构相似性图像比对算法找到的图3a与图3b中的不一致区域。
综上所述，上述实施例的基于图像配准和目标检测的变电站异物识别方法，与现有技术比较，现有的方案中先知道哪些是异物，然后采集大量的异物数据进行模型训练才能使用，但异物的种类不能穷举、异物也不常出现(样本也少)，这对目标检测模型的训练都很不利，影响最后的效果；而本发明先把出现的区域找出来，在区域内判断哪些不是异物，剩下的都是异物，不是异物的种类不多，样本也多，训练的非异物的目标检测模型效果较好；此外，对于检测出的非异物，经过人为再判断，过滤的非异物类别能迅速补充样本，来训练非异物的目标检测模型，整体方案也易于优化，值得被推广使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.基于图像配准和目标检测的变电站异物识别方法，其特征在于，包括以下步骤：
S1：输入图像
输入待检测图像，同时输入与待检测图像对应的匹配模板图片；
S2：图像配准
对步骤S1中的待检测图像与匹配模板图片进行图像配准处理；
S3：寻找不一致区域
采用图像比对法，计算待检图片与变换后的模板图片的相似性，找到两张图片的不一致区域；
S4：非异物目标检测
采用目标检测网络对待检测图片中的不一致区域进行检测；
S5：得到异物区域
根据步骤S4的检测结果，去除可识别区域，剩余不一致区域判断为异物区域。
2.根据权利要求1所述的基于图像配准和目标检测的变电站异物识别方法，其特征在于：在所述步骤S1中，所述匹配模板图片为变电站正常运行时的图片，所述待检测图片是拍摄区域与匹配模板图片相同的图片。
3.根据权利要求1所述的基于图像配准和目标检测的变电站异物识别方法，其特征在于：所述步骤S2中的具体过程如下：
S21：提取两幅图的关键点，然后提取关键点描述子；
S22：从两幅图中提取两组关键点后，将两个图像中对应的关键点进行关联或匹配；
S23：根据步骤S22得到的一组匹配点集，计算两个点集之间的最优变换矩阵；
S24：使用最优变换矩阵，将匹配模板图片进行相似变换，变换后的匹配模板图片的关键点坐标与待检测图片中对应关键点坐标相同。
4.根据权利要求3所述的基于图像配准和目标检测的变电站异物识别方法，其特征在于：在所述步骤S21中，关键点描述子为关键点的特征向量，表示关键点周围图像的信息，所述关键点是一类点的集合，表示图像中的点、线，边缘特征信息。
5.根据权利要求3所述的基于图像配准和目标检测的变电站异物识别方法，其特征在于：在所述步骤S22中，具体计算过程如下：
S221：计算待检测图片中的某个点的特征向量与模板图片中所有点的特征向量计算相似性，选择距离最近的点，初步得到两幅图片对应的匹配点集；
S222：然后使用检测匹配点集中的异常值，并去除，得到最终的匹配点集。
6.根据权利要求1所述的基于图像配准和目标检测的变电站异物识别方法，其特征在于：在所述步骤S4中，目标检测网络采用YOLO-V3网络或Cascade-Rcnn网络，通过训练的目标检测网络识别多种非异物目标。
7.根据权利要求6所述的基于图像配准和目标检测的变电站异物识别方法，其特征在于：经过所述步骤S4的检测后，通过目标检测网络能够在不一致区域中找到可识别目标判定为非异物，在不一致区域内时检测不到任何目标时，则整个不一致区域判定为异物区域。
8.基于图像配准和目标检测的变电站异物识别***，其特征在于，采用如权利要求1～7任一项所述的识别方法对变电站内的异物进行检测定位，包括：
输入模块，用于输入待检测图像，同时输入与待检测图像对应的匹配模板图片；
配准模块，用于对步骤S1中的待检测图像与模板图片进行图像配准处理；
寻找模块，用于采用图像比对法，计算待检图片与变换后的模板图片的相似性，找到两张图片的不一致区域；
非异物检测模块，用于采用目标检测网络对待检测图片中的不一致区域进行检测；
异物区域判别模块，用于根据步骤S4的检测结果，去除可识别区域，剩余不一致区域判断为异物区域；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述输入模块、配准模块、寻找模块、非异物检测模块、异物区域判别模块均与所述中央处理模块电连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110430795.XA CN113052260A (zh) | 2021-04-21 | 2021-04-21 | 基于图像配准和目标检测的变电站异物识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110430795.XA CN113052260A (zh) | 2021-04-21 | 2021-04-21 | 基于图像配准和目标检测的变电站异物识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052260A true CN113052260A (zh) | 2021-06-29 |
Family
ID=76519971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110430795.XA Pending CN113052260A (zh) | 2021-04-21 | 2021-04-21 | 基于图像配准和目标检测的变电站异物识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052260A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092478A (zh) * | 2022-01-21 | 2022-02-25 | 合肥中科类脑智能技术有限公司 | 一种异常检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080144972A1 (en) * | 2006-11-09 | 2008-06-19 | University Of Delaware | Geometric registration of images by similarity transformation using two reference points |
| WO2010053109A1 (ja) * | 2008-11-10 | 2010-05-14 | 日本電気株式会社 | 画像照合装置、画像照合方法および画像照合用プログラム |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
| CN108154496A (zh) * | 2017-11-21 | 2018-06-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
| CN109636848A (zh) * | 2018-12-17 | 2019-04-16 | 武汉天乾科技有限责任公司 | 一种基于无人机的油气管道巡检方法 |
| CN111680609A (zh) * | 2020-06-03 | 2020-09-18 | 合肥中科类脑智能技术有限公司 | 基于图像配准和目标检测的异物识别***及其方法 |
| CN112308887A (zh) * | 2020-09-30 | 2021-02-02 | 西北工业大学 | 一种多源图像序列实时配准方法 |
-
2021
- 2021-04-21 CN CN202110430795.XA patent/CN113052260A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080144972A1 (en) * | 2006-11-09 | 2008-06-19 | University Of Delaware | Geometric registration of images by similarity transformation using two reference points |
| WO2010053109A1 (ja) * | 2008-11-10 | 2010-05-14 | 日本電気株式会社 | 画像照合装置、画像照合方法および画像照合用プログラム |
| CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
| CN108154496A (zh) * | 2017-11-21 | 2018-06-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
| CN109636848A (zh) * | 2018-12-17 | 2019-04-16 | 武汉天乾科技有限责任公司 | 一种基于无人机的油气管道巡检方法 |
| CN111680609A (zh) * | 2020-06-03 | 2020-09-18 | 合肥中科类脑智能技术有限公司 | 基于图像配准和目标检测的异物识别***及其方法 |
| CN112308887A (zh) * | 2020-09-30 | 2021-02-02 | 西北工业大学 | 一种多源图像序列实时配准方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092478A (zh) * | 2022-01-21 | 2022-02-25 | 合肥中科类脑智能技术有限公司 | 一种异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
| CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
| CN111680609B (zh) | 基于图像配准和目标检测的异物识别***及其方法 | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
| CN112733914B (zh) | 一种基于支持向量机的水下目标视觉识别分类方法 | |
| CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
| CN111259707B (zh) | 一种特殊线型车道线检测模型的训练方法 | |
| Chaki et al. | Recognition of whole and deformed plant leaves using statistical shape features and neuro-fuzzy classifier | |
| CN114529839A (zh) | 一种面向无人机巡检的输电线金具异常检测方法及*** | |
| CN108133211B (zh) | 一种基于移动终端视觉图像的检测配电柜的方法 | |
| CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及*** | |
| CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
| CN109993107B (zh) | 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法 | |
| CN111462310A (zh) | 一种基于多视几何的螺栓缺陷空间定位方法 | |
| CN113052260A (zh) | 基于图像配准和目标检测的变电站异物识别方法及*** | |
| CN114429649A (zh) | 目标图像识别方法及装置 | |
| CN117036342B (zh) | 一种芯片缺陷识别方法及*** | |
| CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其*** | |
| CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
| CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| CN112418262A (zh) | 车辆再识别的方法、客户端及*** | |
| CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |