CN114724091A - 一种输电线路导线异物识别方法及装置 - Google Patents

一种输电线路导线异物识别方法及装置 Download PDF

Info

Publication number
CN114724091A
CN114724091A CN202210631786.1A CN202210631786A CN114724091A CN 114724091 A CN114724091 A CN 114724091A CN 202210631786 A CN202210631786 A CN 202210631786A CN 114724091 A CN114724091 A CN 114724091A
Authority
CN
China
Prior art keywords
wire
transmission line
foreign matter
power transmission
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.)
Pending
Application number
CN202210631786.1A
Other languages
English (en)
Inventor
徐鹏翱
徐学来
杨栋栋
陈岩
朱言庆
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.)
Zhiyang Innovation Technology Co Ltd
Original Assignee
Zhiyang Innovation Technology 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 Zhiyang Innovation Technology Co Ltd filed Critical Zhiyang Innovation Technology Co Ltd
Priority to CN202210631786.1A priority Critical patent/CN114724091A/zh
Publication of CN114724091A publication Critical patent/CN114724091A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electric Cable Installation (AREA)

Abstract

本发明属于输电线路智能运检领域，具体涉及一种输电线路导线异物识别方法及装置。该方法包括以下步骤：首先，获取输电线路监拍设备拍摄输电线路图像，采用导线区域识别算法对输电线路图像中的导线进行检测，并将导线区域截取出来；然后，将裁剪的导线区域图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中进行导线异物识别；最后，将两个模型的识别结果进行融合，并对重合框进行过滤，得到最终识别结果。本发明能够准确识别输电线路导线异物，可以应用于不同输电线路场景。本发明的准确性和实时性均满足输电线路导线异物识别的实际需求。

Description

一种输电线路导线异物识别方法及装置
技术领域
本发明涉及输电线路智能运检技术领域，具体涉及一种输电线路导线异物识别方法及装置。
背景技术
输电线路作为我国重要的基础设施之一，其正常运行保证了各地区的正常电力供给。随着我国的发展需求，施工场地和大棚场景越来越多。由于时间的变化，施工场地防尘网老化，大棚薄膜松动，在大风天气的影响下，其极易挂在输电线路导线上，引起导线异物隐患事故的发生。例外，风筝、气球、塑料袋等也极易引起异物跳闸事故。导线异物作为输电线路中重要隐患之一，备受运检人员关注。近年来，在输电智能运维领域采用人工智能的方式进行隐患的自动识别。但由于导线异物类型、形态、颜色的多样性，给导线异物的检测带来困难，使得导线异物仍然难以被及时发现，进而导致因导线异物引起的输电线路事故。
中国专利CN106960438A公开了一种基于霍夫直线变换对输电线路的异物识别方法，该方法仅利用阈值分割和边缘检测对输电线路异物进行识别，很难能够准确的识别到异物，特别是涉及到复杂场景下，背景区域复杂，无法有效的提取前景的目标区域。中国专利CN111738307A公开了一种基于Faster RCNN的输电线路环境中异物识别方法、***及计算机可读存储介质，其技术方案存在以下不足：由于导线异物的类型较多，在固定样本量下仅使用Faster RCNN去识别导线异物，尽管进行数据增强，也无法提高对少样本类型的异物检测效果，无法识别到多个类型异物。中国专利CN113076899A公开了一种基于目标跟踪算法的高压输电线路异物检测方法，该方法采取目标检测和目标追踪的方式对视频流进行处理，主要是针对运动目标做识别，但这样会被一些鸟类等小目标误报，且处理视频会比图像的处理速度差异较大。
综上所述，如何提供一种准确、高效的输电线路导线异物识别方法及装置，提高导线异物识别精度，避免导线异物引起的输电线路事故，是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种输电线路导线异物识别方法及装置，该方法及装置能够解决现有技术中的不足，使用导线区域识别方法和结合多模型融合技术识别输电线路中的导线异物，能快速识别出导线异物，满足实时性需求，实现了导线异物的精准识别，有效避免因导线异物隐患引起的输电线路事故。
为实现上述目的，本发明采用了以下技术方案：
一种输电线路导线异物识别方法，该方法包括以下步骤：
S1：通过输电线路监拍装置获取输电线路图像，采用导线区域识别算法对图像进行处理，获得导线区域坐标，并将导线区域坐标存储在设备信息表中。
S2：通过输电线路监拍装置获取带有导线异物的输电线路图像，并进行导线异物标注，构建导线异物数据集。
S3：分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练。
S4：根据设备信息表中存储的导线区域坐标，对输电线路监拍装置实时拍摄的输电线路图像进行裁剪，并将裁剪后的图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，进行导线异物识别。
S5：取CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的识别结果的并集作为最终的识别结果，并使用非极大值抑制算法进行重合框的过滤。
进一步的，步骤S1中所述的导线区域识别算法，其具体包括以下步骤：
S11：对输电线路图像进行高斯滤波处理，消除输电线路图像中的高斯噪声，得到滤波图像。
S12：利用自适应阈值算法对滤波图像进行二值化处理，去除图像中的背景信息，得到二值化图像。
S13：利用膨胀腐蚀算法删除二值化图像中的干扰噪点，得到前景图像。
S14：利用霍夫线变换方法对前景图像中的导线进行检测，获取导线的位置，并根据导线位置确定导线区域坐标。
进一步的，所述步骤S2中所述的“通过输电线路监拍装置获取带有导线异物的输电线路图像，并进行导线异物标注，构建导线异物数据集”，其具体包括以下步骤：
S21：使用Labeling软件，在输电线路图像中的导线区域中，对图像中的导线异物隐患目标进行矩形标注。常见的额导线异物隐患目标有防尘网，塑料棚膜，塑料袋等。
S22：根据设备信息表中的导线区域坐标，对标注后的输电线路图像进行裁剪并保存，将输电线路监控设备拍摄的图像和裁剪出来的图像混合，构成导线异物数据集，按照8：1：1的比例划分训练集、验证集和测试集。
进一步的，步骤S3中所述的“分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练；”，其具体包括以下步骤：
S31：依据概率随机对训练集中的图像进行图像翻转，将翻转后的图像加入到训练集中，对训练集的数据进行增强；本发明采用概率为0.5的竖直反转作为数据增强。
S32：CascadeRCNN导线异物识别模型在训练集中选用图像输入大小为（1216，1621）像素的图像进行模型训练，YOLOV5模型在数据增强后的训练集中选用图像输入大小为（1280，1280）像素的图像进行模型训练。
本发明还涉及一种输电线路导线异物识别装置，包括导线区域坐标获取模块、导线异物识别模型构建模块和导线异物识别模块。
所述导线区域坐标获取模块，用于采用导线区域识别算法对输电线路监拍装置拍摄的输电线路图像进行处理，获得导线区域坐标，并将导线区域坐标存储在设备信息表中。
所述导线异物识别模型构建模块，用于对输电线路监拍装置拍摄的带有导线异物的输电线路图像进行导线异物标注，构建导线异物数据集，还用于分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练。
所述导线异物识别模块，用于根据设备信息表中存储的导线区域坐标，对输电线路监拍装置实时拍摄的输电线路图像进行裁剪，并将裁剪后的图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，进行导线异物识别；取CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的识别结果的并集作为最终的识别结果，并使用非极大值抑制算法进行重合框的过滤。
与现有技术相比，本发明具有以下有益效果：
（1）本发明通过输电线路监拍装置获取输电线路实时图像，采用霍夫线变换识别导线区域，并将导线区域坐标信息存储在设备信息表中。通过设备信息表中的导线区域坐标将导线区域从设备拍摄的原图中截取出来，将截取出来的图像输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中进行导线异物识别。
（2）本发明结合多模型融合策略，使用CascadeRCNN导线异物识别模型和YOLOV５导线异物识别模型对输电线路导线上的异物进行识别，可有效识别导线异物，避免导线异物漏报，将CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的识别结果取并集，能有效保证导线异物的识别率，避免导线异物引发的隐患事故。本发明的准确性和实时性均满足了输电线路上导线异物识别的实际需求。
（3）现有技术中的基于深度学习的导线异物检测方法，对于导线异物这种类型繁多，样本收集困难的小目标，都没有考虑对导线区域做自适应局部检测，且单一模型很难能够识别所有类型的导线异物。本发明针对导线异物这种特殊目标类型，做了针对性策略处理，在检测精度和处理速度上都较好的效果，且两种模型相结合的鲁棒性更强。本发明所采用的目标检测算法能够适应各种复杂场景，通过模型融合的方式更是大大提高了导线异物的识别率。而且本发明利用双模型融合的方式，可以针对不同类型异物进行训练模型，提高识别精度。本发明尽管用了双模型融合检测的方式，但仍然比处理视频流要快速的多，且针对导线区域识别，更是加快了处理速度和识别精度。
附图说明
图1是本发明中输电线路导线异物识别方法的流程图；
图2是本发明中输电线路导线异物识别装置的框图；
图3是本发明中输电线路监拍装置拍摄的图像；
图4是图1截取出来的导线区域图像；
图5是本发明中CascadeRCNN导线异物识别模型识别图4的结果图像；
图6是本发明中YOLOV5导线异物识别模型识别图4的结果图像；
图7是本发明中CascadeRCNN和YOLOV5两个导线异物识别模型识别结果融合后的识别结果图像。
具体实施方式
下面结合实施例对本发明做进一步说明。
图1示出了本发明中输电线路导线异物识别方法的流程图。
步骤101，通过输电线路监拍装置获取输电线路图像。
步骤102，利用导线区域识别算法，对输电线路图像中的导线区域进行识别，获取导线区域的位置坐标，将位置坐标存入设备的信息表中。
步骤103，采用自动阈值分割的方法对输电线路图像进行裁剪，将导线区域裁剪出来。
步骤104和步骤105，分别构建Cascade RCNN模型和YOLOV5模型，并对两个模型进行训练。本发明所采用的基于Resnet101+FPN的CascadeRCNN模型和YOLOV5模型是现有的开源模型。两个模型都采用同一训练集进行模型训练，在训练过程中每一轮在验证集上进行精度测试，找到训练过程中最优的模型，待训练结束后，在测试集上测试泛化性，防止模型进行过拟合。
步骤106和步骤107，利用训练好的Cascade RCNN模型和YOLOV5模型，对监拍设备实时拍摄并经步骤102和步骤103裁剪过后的输电线路图像进行导线异物识别。
步骤108，对两个模型的识别结果进行融合。步骤109，是对融合结果进行重合框的过滤，得到最终的识别结果。两个模型识别的结果都是坐标信息，把坐标信息都放在一起，相当于数组的元素合并。在经过识别结果合并之后，不同算法会对同一个目标都产生识别的坐标信息，相当于同一个目标上有两个框，最后合并输出后，应只有一个框，通过非极大值抑制算法去掉冗余框。
图2示出了本发明中输电线路导线异物识别装置的框图。如图2所示，该输电线路导线异物识别装置200，包括导线区域坐标获取模块201、导线异物识别模型构建模块202和导线异物识别模块203。
所述导线区域坐标获取模块201，用于采用导线区域识别算法对输电线路监拍装置拍摄的输电线路图像进行处理，获得导线区域坐标，并将导线区域坐标存储在设备信息表中。
所述导线异物识别模型构建模块202，用于对输电线路监拍装置拍摄的带有导线异物的输电线路图像进行导线异物标注，构建导线异物数据集，还用于分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练。
所述导线异物识别模块203，用于根据设备信息表中存储的导线区域坐标，对输电线路监拍装置实时拍摄的输电线路图像进行裁剪，并将裁剪后的图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，进行导线异物识别；取CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的识别结果的并集作为最终的识别结果，并使用非极大值抑制算法进行重合框的过滤。
下面以具体实施例介绍下本发明中的输电线路导线异物识别方法。
获取某条输电线路监拍设备拍摄的图像，将图像输入到导线区域识别算法中，获得导线区域的位置坐标，并将其存入设备的信息表中。持续收集该设备后续拍摄的图像，并结合设备信息表中的导线位置坐标将各个输电线路图像中的导线区域截取出来。将监拍设备拍摄的输电线路图像和导线区域分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，获得检测结果。将两个模型的识别结果取并集作为最终的识别结果。
在本实施例中，该输电线路导线异物识别方法包括以下步骤：
S1：通过输电线路监拍装置获取输电线路图像，获取的输电线路图像如图3所示。利用霍夫线变换检测导线位置，获得导线区域坐标信息（xmin,ymin,xmax,ymax）为（1,1,1972,1335），将其存储在设备信息表中。xmin表示导线位置的左下角横坐标，ymin表示导线位置的左下角纵坐标，xmax表示导线位置的右上角横坐标，ymax表示导线位置的右上角纵坐标。
S2：通过输电线路监拍装置获取带有导线异物的输电线路图像共3万张，对各输电线路图像进行导线异物标注，构建导线异物数据集，按照8：1：1的比例，将导线异物数据集划分为训练集、验证集和测试集。
S3：使用训练集分别训练基于Resnet101+FPN搭建的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，每个模型训练50Epoch，得到训练好的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型。
S4：通过设备信息表中的导线区域坐标对设备拍摄的步骤S2中的图像进行裁剪，如图4所示，将裁剪后的的图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，利用两个模型对图像进行导线异物识别。CascadeRCNN导线异物识别模型的识别结果如图5所示，YOLOV5导线异物识别模型的识别结果如图5所示。
S5：取CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的并集作为识别结果，使用非极大值抑制方法对识别结果中的重合框进行过滤，得到最终的识别结果。最终的识别结果如图7示，该图存在导线异物隐患，将该图像推送给输电线路运检人员进行处理。
在本实施例中，将CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型结合使用，采用导线区域识别算法和多模型融合技术识别输电线路中的导线异物，实现了输电线路导线异物的智能识别，提升了输电线路导线异物的识别率，能够有效避免因导线异物隐患引起的输电线路事故。
以上所述实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种输电线路导线异物识别方法，其特征在于：该方法包括以下步骤：
S1：通过输电线路监拍装置获取输电线路图像，采用导线区域识别算法对图像进行处理，获得导线区域坐标，并将导线区域坐标存储在设备信息表中；
S2：通过输电线路监拍装置获取带有导线异物的输电线路图像，并进行导线异物标注，构建导线异物数据集；
S3：分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练；
S4：根据设备信息表中存储的导线区域坐标，对输电线路监拍装置实时拍摄的输电线路图像进行裁剪，并将裁剪后的图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，进行导线异物识别；
S5：取CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的识别结果的并集作为最终的识别结果，并使用非极大值抑制算法进行重合框的过滤。
2.根据权利要求1所述的一种输电线路导线异物识别方法，其特征在于：步骤S1中所述的导线区域识别算法，其具体包括以下步骤：
S11：对输电线路图像进行高斯滤波处理，消除输电线路图像中的高斯噪声，得到滤波图像；
S12：利用自适应阈值算法对滤波图像进行二值化处理，去除图像中的背景信息，得到二值化图像；
S13：利用膨胀腐蚀算法删除二值化图像中的干扰噪点，得到前景图像；
S14：利用霍夫线变换方法对前景图像中的导线进行检测，获取导线的位置，并根据导线位置确定导线区域坐标。
3.根据权利要求1所述的一种输电线路导线异物识别方法，其特征在于：步骤S2中所述的“通过输电线路监拍装置获取带有导线异物的输电线路图像，并进行导线异物标注，构建导线异物数据集”，其具体包括以下步骤：
S21：使用Labeling软件，在输电线路图像中的导线区域中，对图像中的导线异物隐患目标进行矩形标注；
S22：根据设备信息表中的导线区域坐标，对标注后的输电线路图像进行裁剪并保存，将输电线路监控设备拍摄的图像和裁剪出来的图像混合，构成导线异物数据集，按照8：1：1的比例划分训练集、验证集和测试集。
4.根据权利要求3所述的一种输电线路导线异物识别方法，其特征在于：步骤S3中所述的“分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练；”，其具体包括以下步骤：
S31：依据概率随机对训练集中的图像进行图像翻转，将翻转后的图像加入到训练集中，对训练集的数据进行增强；
S32：CascadeRCNN导线异物识别模型在训练集中选用图像输入大小为（1216，1621）像素的图像进行模型训练，YOLOV5模型在数据增强后的训练集中选用图像输入大小为（1280，1280）像素的图像进行模型训练。
5.一种输电线路导线异物识别装置，其特征在于：包括导线区域坐标获取模块、导线异物识别模型构建模块和导线异物识别模块；
所述导线区域坐标获取模块，用于采用导线区域识别算法对输电线路监拍装置拍摄的输电线路图像进行处理，获得导线区域坐标，并将导线区域坐标存储在设备信息表中；
所述导线异物识别模型构建模块，用于对输电线路监拍装置拍摄的带有导线异物的输电线路图像进行导线异物标注，构建导线异物数据集，还用于分别构建基于Resnet101+FPN的CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型，并利用导线异物数据集对两种导线异物识别模型分别进行训练；
所述导线异物识别模块，用于根据设备信息表中存储的导线区域坐标，对输电线路监拍装置实时拍摄的输电线路图像进行裁剪，并将裁剪后的图像分别输入到CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型中，进行导线异物识别；取CascadeRCNN导线异物识别模型和YOLOV5导线异物识别模型的识别结果的并集作为最终的识别结果，并使用非极大值抑制算法进行重合框的过滤。
CN202210631786.1A 2022-06-07 2022-06-07 一种输电线路导线异物识别方法及装置 Pending CN114724091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210631786.1A CN114724091A (zh) 2022-06-07 2022-06-07 一种输电线路导线异物识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210631786.1A CN114724091A (zh) 2022-06-07 2022-06-07 一种输电线路导线异物识别方法及装置

Publications (1)

Publication Number Publication Date
CN114724091A true CN114724091A (zh) 2022-07-08

Family

ID=82232488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210631786.1A Pending CN114724091A (zh) 2022-06-07 2022-06-07 一种输电线路导线异物识别方法及装置

Country Status (1)

Country Link
CN (1) CN114724091A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294740A (zh) * 2022-07-25 2022-11-04 国网河北省电力有限公司雄安新区供电公司 一种架空输电线路通道保护区网格化标定方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960438A (zh) * 2017-03-25 2017-07-18 安徽继远软件有限公司 基于霍夫直线变换对输电线路的异物识别方法
CN108921826A (zh) * 2018-06-13 2018-11-30 山东信通电子股份有限公司 超像素分割与深度学习相结合的输电线路入侵物检测方法
CN109801302A (zh) * 2018-12-14 2019-05-24 华南理工大学 一种基于双目视觉的高压输电线路异物检测方法
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN111353413A (zh) * 2020-02-25 2020-06-30 武汉大学 一种输电设备低漏报率缺陷识别方法
CN112069894A (zh) * 2020-08-03 2020-12-11 许继集团有限公司 一种基于Faster-RCNN模型的导线散股识别方法
CN113076899A (zh) * 2021-04-12 2021-07-06 华南理工大学 一种基于目标跟踪算法的高压输电线路异物检测方法
CN113673514A (zh) * 2021-08-11 2021-11-19 国网山东省电力公司微山县供电公司 一种输电线路异物侵入检测方法和***
CN113744267A (zh) * 2021-11-04 2021-12-03 智洋创新科技股份有限公司 一种基于深度学习的输电导线覆冰检测和厚度估计的方法
CN113903009A (zh) * 2021-12-10 2022-01-07 华东交通大学 一种基于改进YOLOv3网络的铁路异物检测方法与***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960438A (zh) * 2017-03-25 2017-07-18 安徽继远软件有限公司 基于霍夫直线变换对输电线路的异物识别方法
CN108921826A (zh) * 2018-06-13 2018-11-30 山东信通电子股份有限公司 超像素分割与深度学习相结合的输电线路入侵物检测方法
CN109801302A (zh) * 2018-12-14 2019-05-24 华南理工大学 一种基于双目视觉的高压输电线路异物检测方法
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN111353413A (zh) * 2020-02-25 2020-06-30 武汉大学 一种输电设备低漏报率缺陷识别方法
CN112069894A (zh) * 2020-08-03 2020-12-11 许继集团有限公司 一种基于Faster-RCNN模型的导线散股识别方法
CN113076899A (zh) * 2021-04-12 2021-07-06 华南理工大学 一种基于目标跟踪算法的高压输电线路异物检测方法
CN113673514A (zh) * 2021-08-11 2021-11-19 国网山东省电力公司微山县供电公司 一种输电线路异物侵入检测方法和***
CN113744267A (zh) * 2021-11-04 2021-12-03 智洋创新科技股份有限公司 一种基于深度学习的输电导线覆冰检测和厚度估计的方法
CN113903009A (zh) * 2021-12-10 2022-01-07 华东交通大学 一种基于改进YOLOv3网络的铁路异物检测方法与***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金立军等: "基于航拍图像的输电线路异物识别", 《同济大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294740A (zh) * 2022-07-25 2022-11-04 国网河北省电力有限公司雄安新区供电公司 一种架空输电线路通道保护区网格化标定方法
CN115294740B (zh) * 2022-07-25 2023-11-07 国网河北省电力有限公司雄安新区供电公司 一种架空输电线路通道保护区网格化标定方法

Similar Documents

Publication Publication Date Title
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别***
WO2021042682A1 (zh) 变电站异物识别方法、装置、***、电子设备和存储介质
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN106331636A (zh) 基于行为事件触发的输油管道智能视频监控***及方法
CN111161312B (zh) 一种基于计算机视觉的物体轨迹追踪识别装置及***
CN113947731B (zh) 一种基于接触网安全巡检的异物识别方法及***
CN103745224A (zh) 基于图像的铁路接触网鸟窝异常情况检测方法
CN104506819A (zh) 一种多摄像头实时联动的互反馈跟踪***及方法
CN112364778A (zh) 一种基于深度学习的电厂安全性行为信息自动检测方法
CN113052894B (zh) 一种基于图像语义分割的门开关状态检测方法及***
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
CN112084892B (zh) 一种道路异常事件检测管理装置及其方法
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN114724091A (zh) 一种输电线路导线异物识别方法及装置
CN114998815A (zh) 一种基于视频分析的交通车辆识别追踪方法及***
CN114863311A (zh) 一种变电站机器人巡检目标自动跟踪方法及***
CN114332781A (zh) 一种基于深度学习的智能车牌识别方法及***
WO2022121021A1 (zh) 一种身份证号码检测方法、装置、可读存储介质和终端
CN109948618A (zh) 一种远距离车牌识别的终端、***和方法
CN117475353A (zh) 基于视频的异常烟雾识别方法及***
CN112669269A (zh) 一种基于图像识别的管道缺陷分类分级方法及***
CN113221603A (zh) 一种检测监控设备被异物遮挡的方法及装置
Danilescu et al. Road anomalies detection using basic morphological algorithms
CN105654494A (zh) 视频图像中烟雾检测方法

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

Application publication date: 20220708

RJ01 Rejection of invention patent application after publication