CN114723678A - 基于视频图像的高压电线异物检测方法及检测*** - Google Patents
基于视频图像的高压电线异物检测方法及检测*** Download PDFInfo
- Publication number
- CN114723678A CN114723678A CN202210276445.7A CN202210276445A CN114723678A CN 114723678 A CN114723678 A CN 114723678A CN 202210276445 A CN202210276445 A CN 202210276445A CN 114723678 A CN114723678 A CN 114723678A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- foreign matter
- images
- voltage wire
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000002407 reforming Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 239000004744 fabric Substances 0.000 claims description 5
- 229920003023 plastic Polymers 0.000 claims description 5
- 239000004033 plastic Substances 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 206010070245 Foreign body Diseases 0.000 claims 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种基于视频图像的高压电线异物检测方法，其包括：获取需进行高压电线异物检测的视频图像并且获取该视频图像的时间间隔m分钟的相邻两帧图像，并基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测；间隔m分钟获取下一帧图像，该下一帧图像与上述相邻两帧图像中的后一帧图像重新形成时间间隔m分钟的相邻两帧图像，继续基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测。基于相邻两帧图像进行高压电线异物检测的步骤包括：检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物；判断每一帧图像中的检测出的每一异物是否位于高压电线上；对相邻两帧图像之间的进行异物复检。本申请还提供一种高压电线异物检测***。
Description
技术领域
本申请涉及图像处理领域，更具体地说，涉及一种基于视频图像的高压电线异物检测方法及检测***。
背景技术
电力是国民经济的重要基础产业，安全、稳定的电力供应是保障国民经济快速稳定发展的前提。在国家电网中，高压输电线路所处的环境非常复杂、并且易受到损害，因此确保高压线运行安全就显得尤为重要。
近年来，各地因为风筝、气球、织物和塑料袋等悬挂异物危及电网安全的事件屡见不鲜，输电线路悬挂诸如此类的异物会使高压电的极限放电距离缩短,甚至会造成大面积停电的严重后果。因此,及时识别出输电线路上的异物具有十分重要的意义。现有的输电线路异物排查主要为人工巡线或无人机巡检；但是人工巡线存在安全隐患大，人工巡检增加人员工作强度且影响检测效率，无人机方式的缺点是无人机操控有难度、电池续航短，不能长期无间断工作。
然而，智能视频处理技术借助计算机强大的数据处理功能，对视频监控画面中的海量数据进行高速分析，过滤掉监控人员不关注的信息，仅为监控人员提供有用的关键信息，能够大大减轻视频监控人员的工作强度，同时可以减少误报、漏报，提高报警处理的及时性。因此，当前迫切需要设计一种基于视频图像数据的高压线异物入侵目标检测方法。
发明内容
针对现有技术，本申请解决的技术问题是提供一种能有效降低人工参与、提高检测效率且及时进行报警的基于视频图像的高压电线异物检测方法及检测***，
为解决上述技术问题，本申请提供一种基于视频图像的高压电线异物检测方法，包括：
获取需进行高压电线异物检测的视频图像并且获取该视频图像的时间间隔m分钟的相邻两帧图像，并基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测，其包括：
检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物；
判断每一帧图像中的检测出的每一异物是否位于高压电线上；
对相邻两帧图像之间的进行异物复检：判断前一帧图像的每一位于高压电线上的异物是否重复出现在后一帧图像上，若是，则报警，否者删除前一帧中该位于高压电线上的异物；以及，
间隔m分钟获取下一帧图像，该下一帧图像与上述相邻两帧图像中的后一帧图像重新形成时间间隔m分钟的相邻两帧图像，继续基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测。
在一种可能的实现方式中，检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物的步骤包括：
对相邻两帧图像中每一帧图像进行切片处理：将每一帧图像进行均等切片获得n个宫格图像并记录每一宫格图像在该帧图像中的位置；
将每一帧图像对应所有的宫格图像进行批量异物检测，获得该帧图像的所有宫格图像内的由坐标框框选的异物；
将检测出的每一宫格图像的异物和该异物对应的坐标框复原至该宫格图像对应的帧图像中，将每一帧图像中的每一坐标框扩大至原来的k倍。
在一种可能的实现方式中，将每一帧图像对应所有的宫格图像输入至异物检测模型进行批量异物检测，获得该帧图像的所有宫格图像内的由坐标框框选的异物的步骤包括：
将该帧图像的每一宫格图像进行放大至原来的4/3倍；
并将与放大处理后的n个宫格图像依次沿X轴和Y轴顺序叠加形成一批图像组；
将每一帧图像对应的图像组输入至异物检测模型进行批量异物检测获得该帧图像的所有宫格图像内的由坐标框框选的异物。
在一种可能的实现方式中，判断每一帧图像中的检测出的每一异物是否位于高压电线上为判断每一帧图像中的扩大后的每一坐标框内的异物是否位于高压电线上，其包括：
获取训练的异物停留在高压电线的正样本和异物未停留在高压电线上的负样本；将正样本和负样本输入至efficientnet-b1深度学习网络模型中进行训练获得二分类结果的识别模型，其中二分类结果为位于高压电线上的异物和非高压电线上的异物；
将每一帧图像中的扩大后的坐标框框起区域的图像输入至所述识别模型中。
在一种可能的实现方式中，获取的每一帧图像大小为1920*1080，将每一帧图像进行均等切片获得16个大小为480*270的宫格图像，每一宫格图像进行放大为640*360大小的图像。
在一种可能的实现方式中，其特征在于，所述异物检测模型基于深度学习模型训练获得，其包括：获取包括塑料袋、风筝、树枝、气球、织物和鸟的训练图像数据，将训练图像数据输入yolov5学习模型中训练获得所述异物检测模型。
在一种可能的实现方式中，判断前一帧图像的每一位于高压电线上的异物是否重复出现在后一帧图像上的步骤包括：
计算前一帧图像中每一位于高压电线上的异物的坐标框A与后一帧图像的任一异物的坐标框B的IOU交并比，若IOU交并比大于等于0.5，则前一帧图像的该位于高压电线上的异物重复出现在后一帧图像上；
其中，IOU交并比为：(A∩B)/(A∪B)。
在一种可能的实现方式中，所述m分钟为1分钟或2分钟。
在一种可能的实现方式中，所述k的值为1.2或1.5。
在基于视频图像的高压电线异物检测方法中，在基于视频图像的高压电线异物检测方法中，利用基于视频图像的处理方法进行高压电线上的异物检测，可有效降低人工参与、提高检测效率且及时进行报警；同时通过不断获取帧图像以持续进行异物检测，如此达到长期检测的效果；再有相邻帧之间的复检有利于提高检测准确性，可有效避免误检误报现象。
本申请还提供一种高压电线异物检测***，其包括采集装置、存储器、处理器和报警器，所述处理器连接所述存储器、所述采集装置和所述报警器；所述存储器用于存储可执行代码，所述处理器用于执行所述存储器中存储的可执行代码，以执行所述基于视频图像的高压电线异物检测方法，所述采集装置用于采集需进行高压电线异物检测的视频图像，所述报警器用于当所述处理器执行检测出位于高压电线上的异物时进行报警。
在高压电线异物检测***中，利用基于视频图像的处理方法进行高压电线上的异物检测，可有效降低人工参与、提高检测效率且及时进行报警；同时通过不断获取帧图像以持续进行异物检测，如此达到长期检测的效果；再有相邻帧之间的复检有利于提高检测准确性，可有效避免误检误报现象。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的基于视频图像的高压电线异物检测方法的流程图；
图2为本申请实施例的检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物的步骤流程图；
图3为本申请实施例的判断检测出的异物是否位于高压电线上的示意图；
图4为本申请实施例的高压电线异物检测***的结构框图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
现结合附图对本申请的基于视频图像的高压电线异物检测方法及检测***的进行具体说明。
请参照图1，本申请实施例提供的基于视频图像的高压电线异物检测方法包括如下步骤：
步骤S1：获取需进行高压电线异物检测的视频图像并且获取该视频图像的时间间隔m分钟的相邻两帧图像；
步骤S2：基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测，步骤S2包括：
步骤S21：检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物；
步骤S22：判断每一帧图像中的检测出的每一异物是否位于高压电线上；
步骤S23：对相邻两帧图像之间的进行异物匹配复检：判断前一帧图像的每一位于高压电线上的异物是否重复出现在后一帧图像上，若是，则报警，否者删除前一帧中该位于高压电线上的异物
步骤S3：间隔m分钟获取下一帧图像，该下一帧图像与上述相邻两帧图像中的后一帧图像重新形成时间间隔m分钟的相邻两帧图像，至此继续基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测，及继续执行步骤S2的步骤S21、步骤S22和步骤S23。
值得说明的是，所述异物可能挂在高压电线上以造成安全隐患的风筝、气球、塑料、织物和鸟等物体。
在所述步骤S1中，进行间隔m分钟的抽帧操作可以降低计算量，从而节省资源，同时进行抽帧操作一定程度上有助于将正在飞行或移动的目标提前过滤掉，因为飞行或移动的物体不停留在高压电线上，一般不会对高压电线产生影响。在一实施例中，所述m分钟为1分钟或2分钟。
进一步参照图2，在所述步骤S21中，检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物的步骤包括：
步骤S211：对相邻两帧图像中每一帧图像进行切片处理：将每一帧图像进行均等切片获得n个宫格图像并记录每一宫格图像在该帧图像中的位置；
步骤S212：将每一帧图像对应所有的宫格图像进行批量异物检测，获得该帧图像的所有宫格图像内的由坐标框框选的异物；
步骤S213：将检测出的每一宫格图像的异物和该异物对应的坐标框复原至该宫格图像对应的帧图像中，将每一帧图像中的每一坐标框扩大至原来的k倍。
进一步地，在所述步骤S212中，每一帧图像对应所有的宫格图像输入至异物检测模型进行批量异物检测，获得该帧图像的所有宫格图像内的由坐标框框选的异物的步骤包括：
步骤S2121：将该帧图像的每一宫格图像进行放大至原来的4/3倍；
步骤S2122：并将与放大处理后的n个宫格图像依次沿X轴和Y轴顺序叠加形成一批图像组；
步骤S2123：将每一帧图像对应的图像组输入至异物检测模型进行批量异物检测获得该帧图像的所有宫格图像内的由坐标框框选的异物。
在所述步骤S21中，一方面，由于需要检测的停留在高压电线上的异物，这些异物一般处理上空区域，如此针对拍摄的上空区域的视频中，每一帧图像中异物相对与上空区域而言是比较小的目标，在大的区域内检测小目标会增加目标检测的难度；故将每一帧图像进行切片出来，将切片后的宫格图像进行放大处理，如此有利于提高小目标的检测效率。另一方面，将每一帧图像中的每一坐标框扩大至原来的k倍，从而将异物的坐标框周围的一部分背景包含在内，再此基础上进行判断每一帧图像中的检测出的每一异物是否位于高压电线上，如此可有效保证高压电线的检测以致才能准确的判断检测出的异物是否位于高压电线上，因为在未将每一帧图像中的每一坐标框扩大至原来的k倍是，有可能存在宫格图像中的异物将高压电线完全覆盖的现象，此时可能无法检测出实际存在的高压电线，从而出现误判情况，将本该出现在高线电线的异物判定为未处于高压电线上。在一实施例中所述k的值为1.2或1.5。
在一实施例中，获取的每一帧图像大小为1920*1080，n为16，即将每一帧图像进行均等切片获得16个大小为480*270的宫格图像，每一宫格图像进行放大为640*360大小的图像。在其他实施例中，n可取值25，但不限于此。
在一实施例中，所述异物检测模型基于深度学习模型训练获得，其包括：获取包括塑料袋、风筝、树枝、气球、织物和鸟的训练图像数据，将训练图像数据输入yolov5学习模型中训练获得所述异物检测模型；所述yolov5学习模型。在其他实施例中，YOLO(You OnlyLook Once:Unified,Real-Time Object Detection)，是Joseph Redmon和Ali Farhadi等人于2015年提出的目标检测模型，yolov5为YOLO的第五代学习模型。
进一步参照图3，在步骤S22中，判断每一帧图像中的检测出的每一异物是否位于高压电线上为判断每一帧图像中的扩大后的每一坐标框内的异物是否位于高压电线上，其包括：获取训练的异物停留在高压电线的正样本和异物未停留在高压电线上的负样本；将正样本和负样本输入至efficientnet-b1深度学习网络模型中进行训练获得二分类结果的识别模型，其中二分类结果为位于高压电线上的异物和非高压电线上的异物；将每一帧图像中的扩大后的坐标框框起区域的图像输入至所述识别模型中。
进一步地，在步骤S23中，判断前一帧图像的每一位于高压电线上的异物是否重复出现在后一帧图像上的步骤包括：
计算前一帧图像中每一位于高压电线上的异物的坐标框A与后一帧图像的任一异物的坐标框B的IOU(Intersection over Union，IOU)交并比，若IOU交并比大于等于0.5，则前一帧图像的该位于高压电线上的异物重复出现在后一帧图像上；
其中，IOU交并比为：(A∩B)/(A∪B)。
在所述步骤S23中，若在前一帧图像中检测出的某个异物其实是正在移动或者飞行的目的，该异物在前一帧图像中可能是位于高压电线上的异物，但在该异物移动后使得在后一帧中已经远离高压电线，故进行相邻两帧图像之间的进行异物匹配复检有利于提高检测的准确性，可有效避免误检误报现象。
综上所述，在基于视频图像的高压电线异物检测方法中，利用基于视频图像的处理方法进行高压电线上的异物检测，可有效降低人工参与、提高检测效率且及时进行报警；同时通过不断获取帧图像以持续进行异物检测，如此达到长期检测的效果；再有相邻帧之间的复检有利于提高检测准确性，可有效避免误检误报现象。
参照图4，本申请实施例提供的高压电线异物检测***100包括采集装置20、存储器30、处理器10和报警器40，所述处理器10连接所述存储器30、所述采集装置20和所述报警器40；所述存储器30用于存储可执行代码，所述处理器10用于执行所述存储器30中存储的可执行代码，以执行上述基于视频图像的高压电线异物检测方法，所述采集装置20用于采集需进行高压电线异物检测的视频图像，所述报警器40用于当所述处理器10执行检测出位于高压电线上的异物时进行报警。
在本实施例中，所述采集装置20为采集视频图像的摄像头，所述存储器30可以为但不限于电、磁、光或半导体的***、装置或器件，具体为但不限于磁盘、硬盘、只读存储器30、随机存取存储器30或可擦式可编程只读存储器30。所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。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，所述处理器10是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于视频图像的高压电线异物检测方法，其特征在于，包括：
获取需进行高压电线异物检测的视频图像并且获取该视频图像的时间间隔m分钟的相邻两帧图像，并基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测，其包括：
检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物；
判断每一帧图像中的检测出的每一异物是否位于高压电线上；
对相邻两帧图像之间的进行异物匹配复检：判断前一帧图像的每一位于高压电线上的异物是否重复出现在后一帧图像上，若是，则报警，否者删除前一帧中该位于高压电线上的异物；以及
间隔m分钟获取下一帧图像，该下一帧图像与上述相邻两帧图像中的后一帧图像重新形成时间间隔m分钟的相邻两帧图像，继续基于时间间隔m分钟的相邻两帧图像进行高压电线异物检测。
2.如权利要求1所述的基于视频图像的高压电线异物检测方法，其特征在于，检测时间间隔m分钟的相邻两帧图像中每一帧图像中的所有异物的步骤包括：
对相邻两帧图像中每一帧图像进行切片处理：将每一帧图像进行均等切片获得n个宫格图像并记录每一宫格图像在该帧图像中的位置；
将每一帧图像对应所有的宫格图像进行批量异物检测，获得该帧图像的所有宫格图像内的由坐标框框选的异物；
将检测出的每一宫格图像的异物和该异物对应的坐标框复原至该宫格图像对应的帧图像中，将每一帧图像中的每一坐标框扩大至原来的k倍。
3.如权利要求2所述的基于视频图像的高压电线异物检测方法，其特征在于，将每一帧图像对应所有的宫格图像输入至异物检测模型进行批量异物检测，获得该帧图像的所有宫格图像内的由坐标框框选的异物的步骤包括：
将该帧图像的每一宫格图像进行放大至原来的4/3倍；
并将与放大处理后的n个宫格图像依次沿X轴和Y轴顺序叠加形成一批图像组；将每一帧图像对应的图像组输入至异物检测模型进行批量异物检测获得该帧图像的所有宫格图像内的由坐标框框选的异物。
4.如权利要求2所述的基于视频图像的高压电线异物检测方法，其特征在于，判断每一帧图像中的检测出的每一异物是否位于高压电线上为判断每一帧图像中的扩大后的每一坐标框内的异物是否位于高压电线上，其包括：
获取训练的异物停留在高压电线的正样本和异物未停留在高压电线上的负样本；将正样本和负样本输入至efficientnet-b1深度学习网络模型中进行训练获得二分类结果的识别模型，其中二分类结果为位于高压电线上的异物和非高压电线上的异物；
将每一帧图像中的扩大后的坐标框框起区域的图像输入至所述识别模型中。
5.如权利要求3所述的基于视频图像的高压电线异物检测方法，其特征在于，获取的每一帧图像大小为1920*1080，将每一帧图像进行均等切片获得16个大小为480*270的宫格图像，每一宫格图像进行放大为640*360大小的图像。
6.如权利要求3所述的基于视频图像的高压电线异物检测方法，其特征在于，所述异物检测模型基于深度学习模型训练获得，其包括：获取包括塑料袋、风筝、树枝、气球、织物和鸟的训练图像数据，将训练图像数据输入yolov5学习模型中训练获得所述异物检测模型。
7.如权利要求1所述的基于视频图像的高压电线异物检测方法，其特征在于，判断前一帧图像的每一位于高压电线上的异物是否重复出现在后一帧图像上的步骤包括：
计算前一帧图像中每一位于高压电线上的异物的坐标框A与后一帧图像的任一异物的坐标框B的IOU交并比，若IOU交并比大于等于0.5，则前一帧图像的该位于高压电线上的异物重复出现在后一帧图像上；
其中，IOU交并比为：(A∩B)/(A∪B)。
8.如权利要求1所述的基于视频图像的高压电线异物检测方法，其特征在于，所述m分钟为1分钟或2分钟。
9.如权利要求2所述的基于视频图像的高压电线异物检测方法，其特征在于，所述k的值为1.2或1.5。
10.一种高压电线异物检测***，其特征在于，包括采集装置、存储器、处理器和报警器，所述处理器连接所述存储器、所述采集装置和所述报警器；所述存储器用于存储可执行代码，所述处理器用于执行所述存储器中存储的可执行代码，以执行如权利要求1至9任意一项所述的基于视频图像的高压电线异物检测方法，所述采集装置用于采集需进行高压电线异物检测的视频图像，所述报警器用于当所述处理器执行检测出位于高压电线上的异物时进行报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210276445.7A CN114723678B (zh) | 2022-03-21 | 基于视频图像的高压电线异物检测方法及检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210276445.7A CN114723678B (zh) | 2022-03-21 | 基于视频图像的高压电线异物检测方法及检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114723678A true CN114723678A (zh) | 2022-07-08 |
| CN114723678B CN114723678B (zh) | 2024-08-02 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07288802A (ja) * | 1994-04-18 | 1995-10-31 | Nippon Telegr & Teleph Corp <Ntt> | 侵入物体監視装置 |
| CN104463904A (zh) * | 2014-09-22 | 2015-03-25 | 国家电网公司 | 一种高压线异物入侵目标检测方法 |
| CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
| CN110445051A (zh) * | 2019-07-10 | 2019-11-12 | 深圳供电局有限公司 | 输电线路异物清除装置 |
| CN111784954A (zh) * | 2020-07-09 | 2020-10-16 | 国网江苏省电力有限公司无锡供电分公司 | 一种架空输电线路防外破报警装置及方法 |
| CN112016413A (zh) * | 2020-08-13 | 2020-12-01 | 南京领行科技股份有限公司 | 对象间异常行为的检测方法及装置 |
| CN113449769A (zh) * | 2021-05-18 | 2021-09-28 | 内蒙古工业大学 | 输电线路覆冰识别模型训练方法、识别方法及存储介质 |
| CN113670929A (zh) * | 2021-07-05 | 2021-11-19 | 国网宁夏电力有限公司电力科学研究院 | 输电线异物检测方法与装置、存储介质、终端设备 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07288802A (ja) * | 1994-04-18 | 1995-10-31 | Nippon Telegr & Teleph Corp <Ntt> | 侵入物体監視装置 |
| CN104463904A (zh) * | 2014-09-22 | 2015-03-25 | 国家电网公司 | 一种高压线异物入侵目标检测方法 |
| CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
| CN110445051A (zh) * | 2019-07-10 | 2019-11-12 | 深圳供电局有限公司 | 输电线路异物清除装置 |
| CN111784954A (zh) * | 2020-07-09 | 2020-10-16 | 国网江苏省电力有限公司无锡供电分公司 | 一种架空输电线路防外破报警装置及方法 |
| CN112016413A (zh) * | 2020-08-13 | 2020-12-01 | 南京领行科技股份有限公司 | 对象间异常行为的检测方法及装置 |
| CN113449769A (zh) * | 2021-05-18 | 2021-09-28 | 内蒙古工业大学 | 输电线路覆冰识别模型训练方法、识别方法及存储介质 |
| CN113670929A (zh) * | 2021-07-05 | 2021-11-19 | 国网宁夏电力有限公司电力科学研究院 | 输电线异物检测方法与装置、存储介质、终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 刘高等: "嵌入式视频和图像识别技术在架空输电线路智能监控中的应用研究", 计算机***应用, vol. 22, no. 11, 15 November 2013 (2013-11-15), pages 58 - 61 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | An effective data augmentation strategy for CNN-based pest localization and recognition in the field | |
| Lyu et al. | A generic anomaly detection of catenary support components based on generative adversarial networks | |
| CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
| Luo et al. | An ultrasmall bolt defect detection method for transmission line inspection | |
| CN102915638A (zh) | 基于监控视频的智能停车场管理*** | |
| US8675917B2 (en) | Abandoned object recognition using pedestrian detection | |
| CN111695493B (zh) | 一种输电线路隐患的检测方法及*** | |
| CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
| CN104657706A (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
| CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
| CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及*** | |
| CN113095225A (zh) | 一种红外周视的人工智能检测抽油机运行状态***、方法、设备及存储介质 | |
| CN114723678A (zh) | 基于视频图像的高压电线异物检测方法及检测*** | |
| CN114723678B (zh) | 基于视频图像的高压电线异物检测方法及检测*** | |
| Ge et al. | An automatic detection approach for wearing safety helmets on construction site based on YOLOv5 | |
| CN114243925B (zh) | 基于智能融合终端的台区配***势感知方法及*** | |
| CN113916899B (zh) | 基于视觉识别的大输液软袋产品的检测方法、***及装置 | |
| Zhang et al. | Fault detection of overhead contact systems based on multi-view Faster R-CNN | |
| US11954955B2 (en) | Method and system for collecting and monitoring vehicle status information | |
| CN116030412A (zh) | 一种扶梯监控视频异常检测方法与*** | |
| CN114724091A (zh) | 一种输电线路导线异物识别方法及装置 | |
| CN111368726B (zh) | 建筑工地作业面人数统计方法、***、存储介质及装置 | |
| Li et al. | Application of thermal infrared imagery in human action recognition | |
| CN110781758A (zh) | 一种受电弓结构异常动态视频监测方法及装置 | |
| CN110738692A (zh) | 一种基于spark集群的智能视频识别方法 |
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 |