无人机图像的输电线异物检测方法研究

目前无人机进行巡线成为热点,但无人机获取的图片是通过人工复检发现是否有异物的存在,效率很低、误检漏检率高.为了使无人机巡检更加高效和实现智能巡检,本文结合图像处理技术设计了一种根据异物轮廓特征进行异物检测的方法:首先对获取的图像进行灰度化,然后采用迭代阈值法对图像进行分割,用数学形态学结合连通区域管理去除分割后背景的影...     

基于特征检测的航拍图像电力线提取方法

在分析输电线路无人机巡检系统航拍图像中电力线特征的基础上,针对单一Ratio算子和Hough变换提取电力线效率低、效果差的不足,提出一种基于特征检测的电力线提取算法.首先,运用Ratio算子检测直线像素点并运用Hough变换的方法提取图像中的直线信息;然后,运用特征检测算法对电力线进行提取;最后,通过实验验证了所提算法能够从复杂的自然背景中完整提取电力线,同时能有效避免漏检、误检等情况,并有较好的噪声抑制能力.该研究为电力线典型故障的检测识别提供了有力支撑,具有较好的工程应用价值.     

一种复杂环境下的电力线检测方法

从具有复杂地物背景的无人机拍摄图像中快速准确地检测到电力线,是树障清理机器人在工作中的一个关键问题。通过分析图像中的电力线的特征,提出一种复杂地物背景下电力线检测的方法。首先对原始图像进行图像均衡处理,增强电力线与背景之间的对比度;采用Hessian算法对电力线边缘进行提取与对比;进一步利用Hough变换实现对电力线的提取,并通过聚类方法对直线进行筛选,最终获得完整的电力线。实验结果表明,本方法在复杂背景下,对电力线提取的准确率较高,且提取出的电力线完整程度较好。     

航拍图像中电力杆号牌的检测与信息识别

电力杆号牌包含了塔杆的标号及其所承载的电力线的电压、线路位置等信息,是输电线路上必须装设的标志牌之一。当输电线路或电力设备发生故障时,通过杆号牌上的信息能够快速定位到电力设备的故障所在位置。无人机航拍技术与图像处理技术已经被广泛用于输电线路巡检中。为快速定位输电线路所在位置,提出了一种航拍图像中电力杆号牌的检测与信息识别方法,该算法先从航拍图像中精确定位并提取出电力杆号牌,然后对杆号牌中的文本信息进行识别与智能分类存储。实验结果表明该算法能精确提取出航拍图像中的电力杆号牌,并对杆号牌上的信息具有较好的文字识别效果,极大地方便了巡检工作人员,提高了巡检效率。     

基于LSD算法的航拍影像电力线提取

针对输电线路提取方法的现有研究,分析了当前主流的电力线提取方法——LSD (Line Segment Detecto)算法,根据算法的基本原理及电力线的布设特征,设计了一种结合图像增强和LSD算法的无人机影像电力线提取方法,首先对图像进行预处理和图像增强,结合Canny算子对图像进行LSD算法提取,将结果中的小线段进一步提取出像素点的坐标,之后根据筛选后的像素点坐标进行线段拟合,得到最终电力线结果。采用无人机航拍的影像进行实验。结果表明,本方法在复杂地物背景下对电力线提取的检测速度较快,稳健性强。对电力巡线具有较大的实际意义。     

基于航拍图像的输电线路异物识别

为提高无人机电网巡线故障点排查的效率,针对输电线路走廊悬挂异物的潜在故障,提出一种可从大量航拍输电线路图像中筛选出挂有异物的图像的方法.基于形态学算法改进Otsu(最大类间方差)自适应阈值分割算法分割图像背景,提出一种新的基于输电线路特征的滤波方法进一步滤除背景;通过梯度法获取电力线的边缘,选取Hough变换累加器中局部极大值个数与最终检测到的线路数量作为异物特征向量来识别异物.最后,开发出批处理系统识别验证.结果表明,该算法能将挂有异物的电力线图像准确识别,为输电线路可靠性提供保障.     

基于齿科CT影像的下齿槽神经管提取

提出一个快速稳定的神经管提取方法,该方法首先通过连通区域的划分和特征分析,检测位于各个剖面图像上的神经管中心点位置;随后通过对检测到的中心点进行样条插值处理,得到神经管中心线;最后通过判断并结合中心线邻近区域内具有相似特征的其他体素点,提取出整个下齿槽神经管.临床获取的齿科CT数据评估结果表明该方法能够成功提取出评估数据中的全部神经管,并且具有很高的精确度.     

基于LSD与统计分析的航拍图像电力线提取方法

针对现有电力线提取算法在复杂场景环境下准确率低、稳定性差的问题,提出了一种基于直线段检测(LSD)与统计分析的航拍图像电力线提取方法。首先利用LSD算法提取图像线段基元,统计分析确定电力线主方向,剔除非主方向的干扰线段,构建电力线线段基元池;然后根据侧向距离对线段基元进行分组与二次筛选,确定电力线基元组;最后通过拟合线段基元实现电力线的提取。实验结果表明,该算法可以有效抑制航拍图像背景的干扰,实现直线型电力线检测与悬链型电力线的检测,具有准确率高、稳定性好等优点。     

基于近红外波长成像的异物检测新方法

为有效检测出与背景形态、颜色极其相似的异物,根据异物与背景近红外吸收特性的差别,提出近红外光谱成像检测异物的方法.该方法分析近红外波段中异物与背景吸收特性差异随波长变化的规律,确定了区分背景与多种异物的最佳检测波段范围,建立近红外光谱成像系统,将近红外吸收特性差别转化为近红外图像中异物与背景的图像特征差别,利用自适应图像增强和二值化图像处理从背景中提取异物.实验结果表明,该方法获取的异物图像特征明显,检测结果与实际相符,此方法可有效检测与背景特征相似的异物.     

飞行机器人电塔巡检视频关键帧提取预处理

针对架空输电线路飞行机器人巡检视频的关键帧提取问题,提出了一种地理信息、导航数据、航拍数据和相机参数相结合的关键帧提取预处理方法.首先通过将地理坐标系中的坐标转化到空间直角坐标系中,对地理信息进行处理;其次通过空间直角坐标系中的坐标转化成图像坐标系中的坐标,确定巡检目标在图像中的位置;最后通过判断巡检目标在图像坐标系下的位置以确定图像是否可以作为关键帧的候选帧.实验结果表明:提出的预处理方法在不降低从视频中提取出来的关键帧准确度前提下,减少了图像层面上的计算量,缩短了关键帧提取时间.     

聚类分析提取PCA变换后的火焰图像颜色特征

炉口火焰颜色特征是判断炼钢终点碳及终点温度的重要特征.为实现实时控制,通常利用PCA变换缩短图像特征提取时间,由于PCA变换存在误差,难以在变换后的图像中提取独立颜色,文中首先在原始火焰图像中选取各类颜色样本,计算颜色变换前后的类内距和类间距,发现图像变换前后颜色的聚类性能具有一致性,然后利用聚类方法确定变换后的颜色窗口大小,通过颜色窗口提取序列图像颜色像元数量随时间变换特征,采用A,B两炉冶炼同一型号钢种图像数据进行实验,实验结果表明:通过聚类分析的方法所提取的颜色特征能较好地反映转炉炼钢物理化学过程.     

基于边缘特征点筛选的被遮挡盲道检测算法

针对传统盲道检测算法在实际应用场景中准确率低,鲁棒性不强等问题,提出一种基于边缘特征点筛选的被遮挡盲道检测算法。首先提取盲道区域,主要包括基于颜色筛选与单通道二值化结合的粗提取和基于GrabCut算法的精确提取;然后对盲道图像进行预处理、边缘检测和直线检测,提取出若干盲道边界候选线;通过计算候选线在各个方向角度的边缘特征点数目,判断该候选线是否为真正的盲道边界。实验结果表明,无论是否有落叶遮挡,该算法都能够精确提取盲道区域,准确检测出盲道边界,且有较好的实时性与抗干扰性。     

基于Faster R-CNN的多尺度高压塔鸟巢检测

为了解决复杂图像背景条件下高压塔上鸟巢检测的问题,提出一种基于Faster R-CNN的多尺度高压塔鸟巢检测方法.在特征提取方面,通过改进基于卷积神经网络的ResNet-50特征提取网络分别完成图像中高压塔和鸟巢的特征提取;在建议区域提取方面,提出在两种不同深度的卷积特征图上采用合理尺度的不同大小滑动窗口方式完成建议区域的提取,增强了对鸟巢的检测能力;在目标检测方面,提出在高分辨卷积特征图上进行上采样操作,并额外增加SENet特征增强模块,有效提高了目标检测效果.最后利用同时检测出的高压塔区域条件剔除了此区域之外的鸟巢检测结果,进一步提升了最终的鸟巢检测精度.该方法在2 000幅无人机实际巡检航拍的含有鸟巢的图像数据集上进行了测试.实验结果表明:本文方法的平均检测精度达到了84.55%.对比已有的基于HOG+SVM的检测方法和基于经典的Faster R-CNN ResNet-50检测方法,本文所提出的方法平均检测精度分别提高了43.5%和15.2%,并加快了检测速度.该方法为无人机电力智能巡检提供了一种新的解决办法.     

基于VDRCNN的电力巡检图像超分辨率重建算法

针对无人机巡检图像模糊、分辨率低等问题,利用深度残差卷积神经网络(VDRCNN:Very Deep Residual Convolutional Neural Network)理论,提出了一种无人机巡检图像的超分辨率重构方法。该算法模型由超分辨率加深网络(VDSR:Very Deep Network for Super-Resolution)和残差结构组成,同时结合批量组归一化和Adam优化器以获得更好的重建效果。在此基础上,构建电力部件检测数据集,通过恰当设置网络参数,实现针对模糊电力部件图像的高分辨率重构。实验结果表明,基于VDRCNN的超分辨率方法重建出的图像纹理更丰富、视觉效果更逼真,在峰值信噪比和结构相似度上分别有2.95 dB和3.79%的提升,明显优于传统检测方法。所提出的基于VDRCNN的电力巡检图像超分辨率重构方法对解决电力巡检实际问题具有一定的应用价值。     

电力巡检图像中防振锤的区域全卷积网络识别方法

针对目前电力巡检图像中传统的防振锤检测方法仍存在效率低、精度差、计算成本高等问题，提出了一种基于区域全卷积网络（region-based fully convolutional networks，R-FCN）的电力巡检图像防振锤智能识别方法。该方法通过特征提取网络自动提取防振锤特征，省却了传统检测方法特征提取的过程，提高了效率。此外，在R-FCN网络当中采用位置敏感池化来引入平移变换，抵消全卷积网络造成的平移不变性问题，在检测精度和效率上均有较大提高。实验结果表明，该方法能准确检测出复杂背景下不同形态的防振锤，且平均准确率高达88%，具有较强的鲁棒性     

一种汽车保险盒熔断器插接位置检测方法

针对汽车保险盒熔断器插接位置检测,提出了一种以颜色识别为基础,结合边缘检测与特征匹配理论的检测方法.此方法通过比较样板图像和待检测图像中关注区域的颜色信息差异,判断熔断器插接位置正确与否;通过对样板的大量实验,解决了现场光线干扰造成的检测失准问题;采用对图像进行均衡化处理和边缘提取的方法,解决了颜色经常变化的非熔断器位置检测的难题.工业现场实际测试表明,该方法稳定可靠.     

面向像元-对象双尺度的不透水面遥感检测

为了改善像元级遥感不透水面提取时存在的椒盐现象，提出了一种面向像元-对象双尺度的不透水面遥感检测方法.首先基于建筑、植被、水体等多种光谱指数，在像元尺度上提取不透水面的分布范围，然后对遥感图像进行多尺度分割，并通过设置高阈值和低阈值来处理图中的碎斑和空洞.利用双尺度不透水面检测方法对天津市精武镇多年的遥感图像进行不透水面检测，结果表明，该方法检测的正确率为80%左右，漏检率低于10%，检测精度高于光谱指数方法.     

基于目标检测结果的轮廓及颜色识别研究

基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法.首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证.实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度.     

基于轻量级深度卷积神经网络的绝缘子检测

在无人机巡检图像中,检测出绝缘子是实现输电线路状态分析的关键.本研究采用轻量级卷积神经网络代替传统的人工特征提取器,获取输入图像的深层特征;利用深度学习目标检测网络对所提取特征进行处理和训练学习,实现多尺度、多种类的绝缘子目标检测.实验结果表明:该方法可以准确快速地识别出以山林背景为主的瓷质和复合两类绝缘子,其检测精度...     

造影图像中的心血管边缘提取

提出一种新的造影图像心血管边缘提取方法——最大成本法．通过微分法建立边缘成本空间，利用中心线对血管边缘进行区域划分，采用动态规划理论提取边缘区域内最大成本曲线作为血管边缘．结果表明，该方法具有适用性强，提取边缘连续等特点，有助于造影图像血管直径测量和心血管狭窄病变部位检测．