[go: up one dir, main page]

CN116843909B - 电力线提取方法及装置、存储介质、计算机设备 - Google Patents

电力线提取方法及装置、存储介质、计算机设备 Download PDF

Info

Publication number
CN116843909B
CN116843909B CN202310540202.4A CN202310540202A CN116843909B CN 116843909 B CN116843909 B CN 116843909B CN 202310540202 A CN202310540202 A CN 202310540202A CN 116843909 B CN116843909 B CN 116843909B
Authority
CN
China
Prior art keywords
image
tower
power line
transmission line
electric tower
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
CN202310540202.4A
Other languages
English (en)
Other versions
CN116843909A (zh
Inventor
施绮
廖尚卿
顾春杰
李珂
方兴其
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.)
East China Branch Of State Grid Corp ltd
Shanghai Jiao Tong University
Original Assignee
East China Branch Of State Grid Corp ltd
Shanghai Jiao Tong University
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 East China Branch Of State Grid Corp ltd, Shanghai Jiao Tong University filed Critical East China Branch Of State Grid Corp ltd
Priority to CN202310540202.4A priority Critical patent/CN116843909B/zh
Publication of CN116843909A publication Critical patent/CN116843909A/zh
Application granted granted Critical
Publication of CN116843909B publication Critical patent/CN116843909B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种电力线提取方法及装置、存储介质、计算机设备，该方法包括：根据坐标预测模型对待检测输电线路对应的输电线路标准化图像进行电塔坐标预测，得到电塔预测坐标；对输电线路标准化图像进行边缘检测，获得边缘检测结果图像并计算电塔偏移角度；根据电塔预测坐标在输电线路标准化图像中确定电塔定位框，并根据电塔定位框及电塔偏移角度确定有效电力线提取区域；对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。通过结合无监督算法及有监督算法，提高了电力线提取的准确性。

Description

电力线提取方法及装置、存储介质、计算机设备
技术领域
本申请涉及电力线巡检技术领域，尤其是涉及到一种电力线提取方法及装置、存储介质、计算机设备。
背景技术
随着国家高压输电线路规模的不断扩大，输电网络覆盖的环境范围越来越复杂，保障输电线路的安全稳定运行愈加困难。传统输电线路巡检主要依靠人工地面巡检和载人直升机巡检，然而高压输电线路多分布在人烟稀少的山区，其环境各异且交通不便，通过人工巡检的方式，时效性和准确性不高，且存在安全风险，而通过直升机巡检的方式则经济性较差。与传统输电线路巡检方法相比，采用无人机等可以无人驾驶的机器进行巡检，具有成本低、操作方便等优点。无人机等无人驾驶机器可以用来搭载高分辨率的航空相机或其他拍摄机器，用于拍摄航空图像，通过航空图像对高压输电线路进行巡检的方式，成本低且安全风险系数小。
基于航拍图像的相关特征，国内外研究人员针对航拍图像的电力线检测的方法主要分为两类，无监督方法和有监督方法。无监督方法是基于电力线线性特征，将电力线认定为连续直线，通过经典直线检测方法实现电力线检测，如Radon变换、Hough变换、LSD直线检测、FLD线性判别方法，在复杂背景下，易受到道路和树木等具有线性特征物体干扰，且无人机航拍图像中存在噪声干扰，直接使用无监督方法会导致错检和漏检电力线。
有监督方法使用深度学习模型，通常是卷积神经网络，通过大量手动标记的数据集来训练模型，电力线、绝缘子、输电塔检测都可通过监督学习实现，例如基于目标的MaskR-CNN和Fast R-CNN检测方法，具有检测精度高，但是检测时间成本高等特点，另外一种是基于回归的目标检测方法，如Yolo和SSD算法。上述监督算法需要一定数量标记的数据集，并且算法性能很大程度上取决于数据集质量。
发明内容
有鉴于此，本申请提供了一种电力线提取方法及装置、存储介质、计算机设备，通过结合无监督算法(直线检测)及有监督算法(坐标预测模型)，提高了电力线提取的准确性。
根据本申请的一个方面，提供了一种电力线提取方法，所述方法包括：
获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；
对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度；
根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域；
对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对所述候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
根据本申请的另一方面，提供了一种电力线提取装置，所述装置包括：
电塔坐标预测模块，用于获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；
电塔角度计算模块，用于对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度；
有效区域确定模块，用于根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域；
电力线提取模块，用于对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对所述候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述电力线提取方法。
依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述电力线提取方法。
借由上述技术方案，本申请提供的一种电力线提取方法及装置、存储介质、计算机设备，根据坐标预测模型对待检测输电线路的输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；对输电线路标准化图像进行边缘检测并计算电塔偏移角度；根据电塔预测坐标确定电塔定位框，并根据电塔定位框及电塔偏移角度，确定有效电力线提取区域；对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。基于航拍图像的特征，根据有监督算法(坐标预测模型)获得电塔预测坐标，接着对输电线路标准化图像进行边缘检测，以便检测到准确清晰的边缘，根据边缘检测结果图像计算电塔偏移角度，结合先验知识电力线必须在电力塔范围内，电力线与电力塔垂直，通过直线检测算法在有效电力线提取区域内检测直线(无监督算法)，最后选取与电塔偏移角度近似垂直的直线作为候选电力线，并根据预设电力线模板确定电力线，提高了电力线检测的准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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。在附图中：
图1示出了本申请实施例提供的一种电力线提取方法的流程示意图；
图2示出了本申请实施例提供的另一种电力线提取方法的流程示意图；
图3示出了本申请实施例提供的又一种电力线提取方法的流程示意图；
图4示出了本申请实施例提供的一种电力线提取装置的结构示意图；
图5示出了本申请实施例提供的另一种电力线提取装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种电力线提取方法，如图1所示，该方法包括：
步骤101，获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标。
随着无人驾驶技术的发展，无人机技术应用于各行各业。对于电力线巡检技术领域，采用无人机等可以无人驾驶的机器进行巡检，具有成本低、操作方便等优点。无人机等无人驾驶机器可以用来搭载高分辨率的航空相机或其他拍摄机器，用于拍摄航空图像，通过航空图像对高压输电线路进行巡检的方式，成本低且安全风险系数小。航空图像具有有如下特征：电力线是线性物体，近似平行；电力线背景是自然风光；电力线由特殊材料制成，亮度均匀；电力线在航拍图像中表现为粗线或细线，左侧像素和右侧像素相反且局部平行；电力线宽度和外观颜色各不相同。
在本申请上述实施例中，基于航拍图像的特征对电力线进行提取，以便根据提取到的电力线检测输电线路。具体的，获取待检测输电线路对应的输电线路基础图像(航拍图像)，对电线路基础图像进标准化处理，获得输电线路标准化图像，例如以航拍图像中心为参考点截取预设规格大小(1280×1280或640×640)的图像，并最后统一归一化为640×640大小图像。根据坐标预测模型对输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标。由电塔定位电力线先验知识可知，电力线必定分布在电塔范围内，通过坐标预测模型确定电塔位置后，可以根据电塔位置进行电力线提取，提高了电力线提取的效率。
步骤102，对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度。
步骤103，根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域。
接着，对输电线路标准化图像进行边缘检测，以便检测到准确清晰的边缘，有利于进一步的电力线提取。进行边缘检测后获得边缘检测结果图像，基于边缘检测结果图像计算电塔偏移角度，为后续电力线提取做进一步准备。
再接着，根据电塔预测坐标，在输电线路标准化图像中确定电塔定位框，特别地，根据电塔定位电力线先验知识可知，在确定电塔的位置后，电力线必定分布在电塔范围内，故而根据电塔定位框及电塔偏移角度，可以进一步确定有效电力线提取区域，以消除电力塔范围外直线组对电力线提取过程的干扰。
步骤104，对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对所述候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
再接着，对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。结合先验知识电力线必定在电力塔范围内，电力线与电力塔垂直，基于边缘检测后图像(边缘检测结果图像)获取电塔偏移角度，并通过电塔定位框及电塔偏移角度来得到电力线范围(有效电力线提取区域)，再滤除电力线范围外的环境干扰，之后使用直线检测算法检测直线，选取与电塔偏移角度近似垂直的直线作为候选电力线，最后通过结合预设电力线模板提取电力线，提高了电力线检测的准确性。
通过应用本实施例的技术方案，根据坐标预测模型对待检测输电线路的输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；对输电线路标准化图像进行边缘检测并计算电塔偏移角度；根据电塔预测坐标确定电塔定位框，并根据电塔定位框及电塔偏移角度，确定有效电力线提取区域；对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。基于航拍图像的特征，根据有监督算法(坐标预测模型)获得电塔预测坐标，接着对输电线路标准化图像进行边缘检测，以便检测到准确清晰的边缘，根据边缘检测结果图像计算电塔偏移角度，结合先验知识电力线必须在电力塔范围内，电力线与电力塔垂直，通过直线检测算法在有效电力线提取区域内检测直线(无监督算法)，最后选取与电塔偏移角度近似垂直的直线作为候选电力线，并根据预设电力线模板确定电力线，提高了电力线检测的准确性。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种电力线提取方法，如图2所示，该方法包括：
步骤201，获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标。
在本申请上述实施例中，可以采用无人机对待检测输电线路进行拍摄，获得航拍图像(输电线路基础图像)，对输电线路基础图像进行标准化操作，例如进行裁剪及归一化处理，获得输电线路标准化图像，可以有效提高航拍电力线图像质量，提高电力线提取准确性。根据坐标预测模型对输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标。
步骤202，对所述输电线路标准化图像中的像素进行灰度调整，获得输电线路灰度化图像，直方图均衡化处理所述输电线路灰度化图像，获得输电线路均衡化图像，根据高斯滤波法对所述输电线路均衡化图像进行去噪处理，获得输电线路预处理图像。
接着，对输电线路标准化图像进行图像预处理，具体的，对输电线路标准化图像中的像素进行灰度调整，获得输电线路灰度化图像，以及直方图均衡化处理输电线路灰度化图像，获得输电线路均衡化图像，根据高斯滤波法对输电线路均衡化图像进行去噪处理，获得输电线路预处理图像。其中，使用灰度化、直方图均衡化等图像预处理技术调节图像对比度，并进行归一化操作后获得输电线路预处理图像，减少了后期电力线提取的运算量，同时也为后续进一步进行边缘检测，提供了便利。
可选地，步骤202包括：
步骤202-1，根据像素灰度调整公式调整所述输电线路标准化图像中每个像素的灰度值，获得输电线路灰度化图像，其中，所述像素灰度调整公式为：
Gray(i,j)＝0.29*R+0.578*G+0.114*B
Gray(i,j)表示输电线路标准化图像对应的像素点矩阵中第i行第j列的灰度值，R、G及B分别表示红色通道矩阵、绿色通道矩阵及蓝色通道矩阵。
步骤202-2，根据直方图均衡化公式将所述输电线路灰度化图像中的灰度分布均衡化获得输电线路均衡化图像其中所述直方图均衡化公式为：
n表示输电线路灰度化图像中像素总和，k表示k级灰度级，nk表示灰度级为rk的像素个数，L表示输电线路灰度化图像中灰度级总数，pr(r)表示输电线路灰度化图像的灰度级概率密度。
在本申请上述实施例中，电力塔和电力线通常是银白色的，使用蓝色通道的灰度图像更容易使其与环境区分，因此采用蓝色通道作为灰度图。对于输电线路标准化图像，采用加权平均法进行灰度处理，即根据像素灰度调整公式调整输电线路标准化图像中每个像素的灰度值，获得输电线路灰度化图像，像素灰度调整公式为：
Gray(i,j)＝0.29*R+0.578*G+0.114
式中Gray(i,j)表示输电线路标准化图像对应的像素点矩阵中第i行第j列的灰度值，R、G及B分别表示红色通道矩阵、绿色通道矩阵及蓝色通道矩阵。
由于输电线路标准化图像灰度化后电力线较模糊，使用直方图均衡化调节输电线路灰度化图像的对比度，可以使电力线细节更为明显，具体的，根据直方图均衡化公式将输电线路灰度化图像中的灰度分布均衡化，获得输电线路均衡化图像，其中，直方图均衡化公式为：
式中n表示图像中像素总和，k表示某一灰度级，nk是灰度级为rk的像素个数，L为图像中灰度级总数，pr(r)表示图像的灰度级概率密度。
步骤203，在Canny边缘检测算法包含的水平方向梯度模板及垂直方向梯度模板基础上，增加第一对角方向梯度模板及第二对角方向梯度模板后，根据四个方向梯度模板计算所述输电线路预处理图像的梯度值。
步骤204，根据迭代算法，在所述输电线路预处理图像各像素的灰度值中生成最高阈值及最低阈值，保留处于所述最高阈值及所述最低阈值之间的梯度值所对应的边缘像素，获得边缘检测结果图像。
接着，对滤波后图像(输电线路预处理图像)进行边缘检测，传统的Canny边缘检测算法使用2×2模板来计算梯度幅度和大小，由于噪声干扰大，不能很好地检测图像的边缘细节，故对Canny边缘检测算法进行改进，即在原有的水平方向梯度模板及垂直方向梯度模板基础上，增加第一对角方向梯度模板及第二对角方向梯度模板后，根据四个方向梯度模板计算输电线路预处理图像的梯度值。接着根据迭代算法，在输电线路预处理图像各像素的灰度值中生成最高阈值及最低阈值，保留处于最高阈值及所述最低阈值之间的梯度值所对应的边缘像素，获得边缘检测结果图像。
具体的，对传统Canny边缘检测算法进行改进，增加两个梯度方向模板(第一对角方向梯度模板及第二对角方向梯度模板)后，水平、垂直及对角共计四个梯度模板如下所示：
使用上述四个模板对过滤后图像(输电线路预处理图像)进行卷积，其中，
45°方向梯度计算公式为：
135°方向梯度计算公式为：
水平方向梯度计算为：
垂直方向梯度计算公式为：
将45°和135°的计算梯度投影到水平和垂直方向，然后求和以获得x轴和y轴的新梯度值，公式为：
然后计算当前像素灰度值的梯度大小M和方向D，计算公式为：
增加两个方向的梯度计算方法，使像素周围的8个像素四个方向梯度值得到充分考虑，从而可以获得更多的图像边缘信息，也使边缘定位变得更加准确，从而大大降低了误检率、漏检率。
进一步地，由于Canny边缘检测算法通过人工经验选取高低阈值的局限性，难以获得最优阈值，从而影响电力线检测结果，本申请实施例使用迭代算法获得最佳的高阈值和低阈值。
具体的，首先设定初始阈值，公式为：
T{Tk|K＝0}
其中，T是图像的初始阈值，K是算法的迭代次数，Zmax是最大灰度值，Zmin是最小灰度值，计算获得初始阈值后，将输电线路预处理图像分为高于初始阈值的H0和低于初始阈值H1的两部分，H0及H1公式分别为：
H0＝{f(x,y)|f(x,y)>T}
H1＝{f(x,y)|f(x,y)<T}
分别计算两部分的灰度平均值TH、TL，其中，TH及TL公式分别为：
这里的f(x,y)表示图像中(i,j)点灰度值，其中，N0(i,j)、N1(i,j)取值公式分别为：
再计算新阈值TN，公式为：
当最终迭代阈值等于初始阈值或满足设定的合理误差范围时，迭代停止，否则迭代继续运行，最终获得最佳TH、TL，为此，大大减少了噪声对对阈值选择的干扰。
通过将高斯滤波后图像(输电线路预处理图像)进行边缘检测，得到干扰较少的图像，以及对Canny边缘检测算法进行改进，引入45°、135°梯度模板，使像素周围的8个像素四个方向梯度值得到充分考虑，从而可以获得更多的图像边缘信息，使得边缘定位变得更加准确，大大降低了误检率、漏检率。针对传统Canny边缘检测算法中高低阈值的数值关系，通过迭代方法获取最优双阈值，相比传统Canny边缘检测算法而言，减少了噪声对对阈值选择的干扰，大大提高了检测精度和鲁棒性。
步骤205，根据Hough变换算法计算所述边缘检测结果图像对应的潜在电力线及潜在电力线斜率，根据所述潜在电力线斜率，确定互相平行的潜在电力线组。
步骤206，根据K-means++聚类算法对所述潜在电力线组的斜率进行聚类，确定多个类中包含的斜率数量最多的目标类，获取所述目标类的聚类中心斜率作为角度θ1，根据所述角度θ1及电塔偏移角度计算公式计算电塔偏移角度θ2，其中，所述电塔偏移角度计算公式为：
接着，根据Hough变换算法计算边缘检测结果图像对应的潜在电力线及潜在电力线斜率，根据潜在电力线斜率，确定互相平行的潜在电力线组，根据K-means++聚类算法对潜在电力线组的斜率进行聚类，确定多个类中包含的斜率数量最多的目标类，获取目标类的聚类中心斜率作为角度θ1，根据角度θ1及电塔偏移角度计算公式计算电塔偏移角度θ2。
具体的，Hough变换算法是图像特征提取技术的一种，根据点和线的对偶性，将形状提取问题转换为参数空间峰值计算问题，其中，直线转换到参数空间的方程可表述为：
rθ＝xθcosθ+yθsinθ
式中，rθ表示直角坐标系中从原点到直线的距离，θ表示直线与x轴的夹角，对于每一对(rθ,θ)表示过(xθ,yθ)的直线。
接着，通过参数空间累加器计算的局部最大值与特定形状对应，得到原始图像中的特定形状，具体的，建立参数空间累加器二维数组(r,θ)，将图像中所有待检像素根据直线极坐标得到累加器数组，并将累加器数组加1，求出累加器中局部最大值所对应的(r′,θ′)，提取对应直线段。
由于电力线在航拍图像中贯穿整幅图像，Hough变换算法对长线有准确的检测结果，并且可以增加检测阈值来过滤一些短直线，减少干扰。为获取潜在电力线组，本申请实施例将Hough变换算法应用于改进的Canny边缘检测算法检测后的边缘检测结果图像，得到直线组参数(r,θ)。
对于Hough变换算法检测到的直线，并不是所有的直线都一定是需要的电力线，因此需对获得的直线结果进行滤波。由先验知识可知，在航拍图像中，电力线彼此平行，因此对直线的斜率进行滤波，并将平行对保存。同时，由于电力线贯穿整个图像，增加Hough变换算法检测到的最低线段的长度有利于聚类算法中的分类。
K-Means聚类算法是数据挖掘算法之一，由于K个随机初始聚类中心对聚类结果收敛性影响具有不确定性，为了提高收敛速度，本申请实施例选择K-means++。具体的，从输入数据集X中选取一个随机点作为第一聚类中心，确定数据集X中的每个点x与所选择的聚类中心之间的距离D(x)，接着确定样本点x将被选择为聚类中心的可能性的p值，p值的求取公式为：
选择具有高概率p值的样本点，直到选择必要的k个聚类中心作为新的聚类中心。然后，使用所选择的k个初始聚类中心来执行K-means算法。
本申请实施例使用K-means++算法对平行线组的斜率进行聚类，得到计数结果最多的θ1，通过θ1来计算电塔角度θ2，公式为：
为此，使用K-Means聚类获得了电塔倾斜角度θ2。
步骤207，根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域。
步骤208，对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对所述候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
接着，根据电塔预测坐标，在输电线路标准化图像中确定电塔定位框，并根据电塔定位框及电塔偏移角度，确定有效电力线提取区域，例如根据电塔定位框及电塔偏移角度确定电塔偏移框，并将电塔偏移框的左上角点和右下角点(或右上角和左下脚)平行于电力线θ1延伸，得到有效电力线提取区域，以消除电力塔范围外直线对电力线提取的干扰。对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
目前，无监督电力线检测算法实现途径为将电力线视为直线，通过高斯滤波方法去除噪声，并使用Canny算子进行边缘检测，提取物体边缘，再结合Hough变换算法提取图像中直线，最后通过平行约束和直线分组方法，将电力线连接起来。其中，Canny边缘检测算法具有计算步骤少、易于实现的特点，但由于存在噪声、道路和树木等环境干扰，会出现伪边缘和边缘缺失的问题，且在电力线检测中易出现双边缘，影响边缘定位的准确性。Hough变换算法具有较好抗干扰特性，但是时间和空间复杂度高，只检测直线方向，丢失直线长度信息，并且在复杂背景下，受到树木、田埂干扰，性能受到显著影响，电力线无法完全检测出来，还会检测出无关线段。本申请实施例基于航拍图像的图像特征，对Canny边缘检测算法进行改进，引入45°、135°梯度模板，同时针对传统Canny边缘检测算法中高低阈值的数值关系，通过迭代方法获取最优双阈值，提高了边缘检测的精度和鲁棒性，采用Hough变换算法提取电力线并且使用Kmeans++聚类方法求取电塔偏移角度，提高了电力线提取的准确性。
通过应用本实施例的技术方案，根据坐标预测模型得到电塔预测坐标。对输电线路标准化图像进行图像预处理，获得输电线路预处理图像。对Canny边缘检测算法进行改进，引入第一对角梯度模板及第二对角梯度模板(例如45°、135°梯度模板)，计算输电线路预处理图像的梯度值，并根据迭代算法确定最高阈值及最低阈值，保留处于最高阈值及最低阈值之间的梯度值所对应的边缘像素，获得边缘检测结果图像。根据Hough变换算法确定潜在电力线组，以及根据K-means++聚类算法及潜在电力线组计算电塔偏移角度，根据电塔预测坐标确定有效电力线提取区域。对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，最终投票确定待检测输电线路的电力线。基于航拍图像的图像特征，对Canny边缘检测算法进行改进，引入45°、135°梯度模板，使像素周围的8个像素四个方向梯度值得到充分考虑，针对传统Canny边缘检测算法中高低阈值的数值关系，通过迭代方法获取最优双阈值，提高了边缘检测的精度和鲁棒性，提高了电力线提取的准确性。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种电力线提取方法，如图3所示，该方法包括：
步骤301，获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔及绝缘子坐标预测，得到电塔预测坐标、绝缘子预测坐标及绝缘子预测中心点。
步骤302，对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度。
在本申请上述实施例中，获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔及绝缘子坐标预测，以便获得电塔预测坐标、绝缘子预测坐标及绝缘子预测中心点。对输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于边缘检测结果图像计算电塔偏移角度，为后续电力线提取做准备。
步骤303，根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据电塔方向和所述电塔偏移角度θ2对所述电塔定位框进行旋转，并以旋转后的电塔定位框的中心点为中心，按预设放大系数对所述旋转后的电塔定位框进行放大，获得电塔偏移框，其中，所述电塔定位框为矩形。
步骤304，根据所述电塔偏移框的对角，确定第一延伸点及第二延伸点，根据所述第一延伸点及所述第二延伸点确定有效电力线提取区域。
具体的，根据电塔预测坐标在输电线路标准化图像中确定电塔定位框，并通过旋转电塔定位框并增加一定的偏移量来得到电力线范围(有效电力线提取区域)，具体的，将电塔定位框根据电塔偏移角度θ2进行旋转，特别地，在进行旋转时需要区分电塔在图像中的朝向，以在旋转后的电塔定位框内能够显示电塔整体，以免漏检。对电塔定位框矩形的四个点增加预设偏移量，或者以旋转后的电塔定位框的中心点为中心，按预设放大系数对所述旋转后的电塔定位框进行放大，获得电塔偏移框，前述预设偏移量根据检测线路的不同具体设置，根据所述电塔偏移框的对角，确定第一延伸点及第二延伸点，(左上角点和右下角点，或右上角和左下脚)，以便根据第一延伸点及第二延伸点确定有效电力线提取区域。
在确定有效电力线提取区域后可以进行验证，具体的，对于空间中的一个点，可以确定它是在直线的左侧还是右侧。假设直线有其上的两个点A(x1,y1)，B(x2,y2)，并且直线方向从A指向B，那么直线可以表示为：
αx+βy+γ＝0
其中，α为y2-y1，β为x2-x1，γ为x2*y1-x1*y2。
C＝αxd+βyp+γ
检测人员可以通过计算C确定空间中某点D(xd,yd)在直线的哪一侧。
步骤305，根据LSD直线检测算法对所述有效电力线提取区域进行直线检测，获得待拟合候选电力线段，将所述待拟合候选电力线段放入线段池中。
步骤306，根据所述线段池中各待拟合候选电力线段之间的距离，将小于预设距离阈值的待拟合候选电力线段放入待拟合候选电力线段组。
步骤307，根据最小二乘法拟合所述待拟合候选电力线段组中的全部待拟合候选电力线段，获得拟合直线，将所述拟合直线中与所述电塔偏移角度垂直的拟合直线，确定为候选电力线。
在有效电力线提取区域中，使用LSD直线检测算法进行线检测，LSD是一种用于直线的局部提取算法，其优点是比Hough变换算法更快，并且被设计为在数字图像上为无参数的。但缺点是，由于局部检测算法的自增长性质、遮挡和局部模糊等原因，长线段经常被切割成多条直线，而这在Hough变换算法中是不存在的。选择LSD直线检测算法是因为它可以适应各种复杂的环境，而无需参数调整，并且直线检测优于Hough变换算法。
根据LSD直线检测算法对所述有效电力线提取区域进行直线检测，获得待拟合候选电力线段，并对待拟合候选电力线段进行滤波和合并，具体的，将所述待拟合候选电力线段放入线段池中。在线段池中，通过设置预设距离阈值合并一些接近的线段，并且将距离小于距离阈值的线段分成一组(根据所述线段池中各待拟合候选电力线段之间的距离，将小于预设距离阈值的待拟合候选电力线段放入待拟合候选电力线段组)，预设距离阈值例如可以设置为7个像素值，各待拟合候选电力线段之间的距离可以用如下公式计算：
式中k为当前线段的斜率，I是截距，进而得到每条线的线段组，然后通过最小二乘法拟合直线，并选取与Kmeans++聚类得到的电塔角度近似垂直的直线作为候选电力线。
步骤308，根据绝缘子预测坐标，在待检测输电线路对应的电塔标准模板库中，获取电塔标准图像，根据预设电力线模板，将所述电塔标准图像映射到输电线路标准化图像后，根据绝缘子预测中心点与候选电力线的距离对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线，其中，所述预设电力线模板通过计算输电线路标准化图像映射到电塔标准图像的单应矩阵获得。
在计算机视觉中，单应性本质上是一种存在于图像变换之间的性质，根据变换性质的不同可以分为刚性变换、仿射变换和投影变换。其中，刚性变换是指只包含平移和旋转的变换形式，只改变原图的位置和方向，而不改变形状，仿射变换相比于刚性变换进一步改变了图像的形状，但在变换的过程中保持原图形的平行关系。
平面之间的变换性质实质是点的位置变化，可以通过矩阵表示，假设原平面中的点Q通过投影变换后成为另外一个平面中的Q′，通过单应性约束，该点在两个平面之间的对应关系可以表示为：
Q′＝AQ
其中，A称为单应矩阵，一般为3*3的大小，展开后两点之间的变换可以表示为：
根据具体变换过程不同，单应矩阵中各个参数的取值也不同，通常情形中，需要关注如何求取矩阵A，这样对于原平面中任意一点，都可以通过单应矩阵计算出该点在另外一个平面上的位置。
将Q′＝AQ展开得到三个等式如下：
x′＝a11x+a12y+a13
y′＝a21x+a22y+a23
1＝a31x+a32y+1
相乘后，获得：
xa11+ya12+a13-xx′a31-yx′a32＝x′
xa21+ya22+a23-xy′a31-yy′a32＝y′
最终统一表示为矩阵形式Ba＝b，即：
式中有8个未知量，由一对匹配点对可以得到两个等式，根据多项式理论，至少需要四对匹配点对才能对单应矩阵进行求解，将两边同时乘以BT，再利用逆矩阵性质进行移项，得到a的求解公式为：
BTBa＝BTb
a＝(BTB)-1BTb
对于多张同一地点的多视角航拍图像，单应性的前提是不同视角下的两个平面空间在实际空间中属于同一平面，对单应矩阵的求解首先需要在不同视角下找到一个公共平面。而对于航拍电力线图像(输电线路标准化图像)来说，电塔和绝缘子所在部分的平面满足这一条件，因此本申请实施例根据标定的绝缘子检测框中心的位置(待检测输电线路对应的电塔标准模板库中获取的电塔标准图像)和坐标预测模型预测出的绝缘子预测坐标中心点位置计算不同视角下的单应矩阵，分别在两幅电力线图像(同一个电塔对应的电塔标准图像及输电线路标准化图像)中进行匹配点对选择，为了使单应矩阵计算更加精确和充分使用检测信息，选择六对匹配点进行单应矩阵计算。
为了验证所求取单应矩阵的准确性，本申请实施例在两个视角间，通过单应矩阵将标准模板中实际框(电塔标准图像)的中心点映射到输电线路标准化图像中，对比绝缘子预测坐标中心点坐标与映射的标准的绝缘子中心点坐标进行对比，显示映射后的标准绝缘子中心点坐标与绝缘子预测坐标中心点坐标之间的误差较小。因此，将标准模板中绝缘子坐标通过单应变换映射到待检测电力线图像中，对电力线候选组按绝缘子中心点与电力线距离进行投票，获取对应的电力线。
通过应用本实施例的技术方案，首先，进行图像标准化操作，对获取的无人机航拍图像进行裁剪、归一化。其次，对图像进行预处理，使用坐标预测模型，得到电力塔位置(电塔预测坐标)，对输电线路标准化图像进行灰度化、直方图均衡化的图像预处理，得到干扰较少的图像，结合电塔位置信息，使用高斯滤波去除电力塔范围外背景信息(输电线路预处理图像)。再次，对输电线路预处理图像进行边缘检测，使用改进后的Canny边缘检测算法获得准确、清晰的图像边缘。最后，结合先验知识对电力线进行提取，边缘检测后图像使用K-means聚类获取电力塔角度(电塔偏移角度)，并通过旋转电塔定位框并增加一定的偏移量来得到电力线范围(有效电力线提取区域)，再滤除电力线范围外的环境干扰，之后使用LSD直线检测算法检测电力线，最后，进行直线合并，选取与电塔偏移角度近似垂直的直线，即为航拍图像中的候选电力线，并结合电力线模板和单应矩阵，投票确定电力线所在直线，提高了电力线提取的准确性。
在本申请实施例中，可选地，所述坐标预测模型为对YOLOv7模型的改进模型，所述坐标预测模型通过将YOLOv7模型中的SiLU激活函数替换为Mish激活函数，以及将YOLOv7模型中的CIou损失函数替换为SIoU损失函数获得。
在本申请实施例中，可选地，坐标预测模型的训练方法为获取包含电塔的多个数据集基础图像，对所述数据集基础图像进行标准化处理后，获得数据集标准化图像，通过预设数据标注工具对所述数据集标准化图像中的电塔及电塔包含的绝缘子进行标注，生成电塔定位数据集；对所述电塔定位数据集通过均匀随机抽样的方式，将所述电塔定位数据集无交集地划分为预设第一比例的电塔定位训练数据集、预设第二比例的电塔定位测试数据集及预设第三比例的电塔定位验证数据集；将所述电塔定位训练数据集、所述电塔定位测试数据集及所述电塔定位验证数据集输入坐标预测模型进行训练，获得训练后的坐标预测模型。
监督学习电力线检测方法实现途径为建立卷积神经网络模型，构建人工标注电力线数据集，将预处理好的航拍电力线数据集图像进行特征提取和分类，通过结构化信息对特征图进行过滤，获取电力线信息。
监督学习方法中，Mask R-CNN和Fast R-CNN分为两个步骤，产生候选框、CNN提取特征、生成分类、边框回归，R-CNN系列可通过对网络进行优化来不断提高精度，但是两个检测步骤降低了检测速度，计算负荷高。YOLO系列将输入图片分为S*S网格，设定网格的K个预测边界框和C个目标分类得分，之后根据K个预测框置信度和C个目标边界框按最终得分高低排序，将得分最高网格作为最终预测结果，实验结果显示，YOLO网络比Fast R-CNN网络运行时间快了42倍，时间比Faster R-CNN领先两倍，但是由于每一个网格只输出一个结果，在网格划分过大或者航拍图像中电力线目标过小时，会出现误判和漏检。监督学习方法进行电力线检测时，对数据集质量要求较高，大多数电力线数据集为非公开数据集，且公开数据集中对于电力线断股、异物悬挂、烟火警情等图像过少，这种情况导致使用监督学习方法进行训练难以达到符合电力系统安全稳定运行的检测要求。
本申请上述实施例中，针对航拍所得高压输电线图像制作数据集，将航拍图像(包含电塔的多个数据集基础图像)中心为参考点截取1280×1280、640×640大小图像，统一归一化为640×640，并采用labelme对图像中电力塔进行标注，生成数据集标准化图像(数据集)，由于航拍图像包含多种背景，所有航拍图像均来自无人机沿线航拍，具体的数据集，例如可以包括：草地背景(400张)、森林背景(500张)、农田背景(350张)、水域背景(50张)、城市背景(100张)。
对数据集进行数据增强，采用间隔45°旋转图像的方式将数据集扩充为16倍原始大小，在之后训练中，使用图像权重系数，在训练过程中根据标签盒的数量来选择图像，如果标签盒的数目越多，权重就越大，被采样的概率也会相应增加。对于标签分配，与YOLOv7模型一致，采用SimOTA策略，并在训练过程中自适应地动态地将k个正样本分配给每个标签盒，相比OTA，显著减少了训练时间。
其次，将所述电塔定位数据集无交集地划分为预设第一比例的电塔定位训练数据集、预设第二比例的电塔定位测试数据集及预设第三比例的电塔定位验证数据集，例如可以将训练集(电塔定位训练数据集)、测试集(电塔定位测试数据集)、验证集(电塔定位验证数据集)的比例设定为6:2:2，最后将处理好的数据集中640×640×3图像输入YOLOv7网络。
YOLOv7网络分为Backbone和Head两部分，Backbone由Conv卷积模块、ELAN模块、MP-1模块，YOLOv7中Conv并非普通卷积层，它是由普通二维卷积、BN层、SiLU激活函数组成，Head由Conv卷积模块、SPPCSPC模块、MP-2模块、Detect模块组成。
SiLU激活函数是一种机器学习中常用的Sigmoid加权线性组合函数
SiLU(x)＝x*Sigmoid(x)
通过输入x与Sigmoid函数线性组合来得到，它具有无上界、有下界、平滑、不单调的优秀特性，无上界避免了由上限引起的饱和，并有效减少梯度的消失，有下界可以减少过拟合，并有一定正则化效果，非单调保证了负输入产生的负输出，提高网络表达能力。
大量实验表明，Mish激活函数
Mish(x)＝x*tanh(ln(1+ex))
具有和SiLU函数几乎相同的特性，并且有更好的准确性，本发明基于YOLOv7模型，将Conv中的SiLU激活函数替换为Mish激活函数，本申请事实来中的数据集通过更换激活函数，提高了1％的mAP值。
目标检测损失函数主要由两部分组成：分类损失和回归定位损失。回归定位损失作为目标检测损失函数中不可或缺的一部分，YOLOv7使用的损失函数是CIoU，它考虑了三个几何参数：重叠面积、中心点距离和纵横比，在DIoU函数基础上增加了长度和宽度的损失，CIoU损失函数公式为：
其中，α是权重参数，ρ是两点之间的欧几里得距离，v是预测框和目标框的高宽比一致性，v的计算方法公式为：
其中wgt、hgt、w、h分别表示真实框和预测框的宽和高。
CIou函数并未考虑角度问题，使得收敛速度慢且效率低，因此，引入SIoU函数，将预测框和真实框的匹配方向引入，加快模型收敛，SIoU函数由四个代价函数构成，角度代价函数定义为公式如下：
其中，分别代表真实框和预测框的中心坐标，
由于引入角度损耗，所以对距离代价函数进行修改，公式如下：
这里的ρx和ρy和γ分别为：
γ＝2-Λ
其中，cw和ch分别为真实框预测框的最小边界矩形的宽和高，形状代价函数定义公式为：
这里的ww、wh分别为:
最后定义IOU代价函数为公式为：
其中，B和BGT分别表示候选框和标准框，最终得到SiOU损失函数公式为：
为此，将改进后的YOLOv7模型对数据集进行训练，获取电力塔、绝缘子的预测框中心点、宽、高。通过对获取的无人机航拍图像进行裁剪、归一化(进行图像标准化操作)，再进行图像预处理，使用改进的YOLOv7网络对数据集进行训练，使用Mish激活函数替代了SiLU激活函数，有效减少梯度的消失，减少过拟合现象，并且有一定的正则化效果的同时允许负输出，提高网络的表达能力，加快了模型的收敛和准确性，使用SIoU损失函数替代CIou损失函数，考虑了角度参数，有效提高了训练速度和推理的准确性，使得电塔检测的Map值得到了2％的提升(YOLOv7 0.864，本申请实施例0.881)。
通过应用本实施例的技术方案，对YOLOv7网络模型、Canny边缘检测算法、Hough变换算法及电力线提取方法进行改进，YOLO模型是经典的单阶段检测网络，具有运行速度快，内存占比小的特点，但是检测精度并不理想，通过结合YOLOv7网络进行改进，用Mish激活函数代替原有激活函数，使用SIoU作为损失函数，将角度项添加到先前的损失函数中，加快模型收敛，提高模型对电力塔的检测性能，同时采用LSD线检测进行直线检测，并进行直线筛选和最小二乘连接得到候选电力线，基于检测的直线特征信息，如长度、宽度、方向信息，通过电力线的结构信息以及YOLOv7电力塔检测结果，采用旋转电塔定位框并增加偏移量方式确定电力线范围(有效电力线提取区域)，过滤掉电力线范围外杂乱直线，最后通过YOLOv7检测的电力塔和绝缘子的预测框中心点、宽、高信息，结合标准模板(预设电力线模板)进行投影变换，对候选电力线与各个绝缘子按距离进行投票，得到最终电力线。
进一步的，作为图1方法的具体实现，本申请实施例提供了一种电力线提取装置，如图4所示，该装置包括：
电塔坐标预测模块401，用于获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；
电塔角度计算模块402，用于对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度；
有效区域确定模块403，用于根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域；
电力线提取模块404，用于对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对所述候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
可选地，电塔角度计算模块402，还用于：
根据Hough变换算法计算所述边缘检测结果图像对应的潜在电力线及潜在电力线斜率，根据所述潜在电力线斜率，确定互相平行的潜在电力线组；
根据K-means++聚类算法对所述潜在电力线组的斜率进行聚类，确定多个类中包含的斜率数量最多的目标类，获取所述目标类的聚类中心斜率作为角度θ1，根据所述角度θ1及电塔偏移角度计算公式计算电塔偏移角度θ2，其中，所述电塔偏移角度计算公式为：
可选地，所述有效区域确定模块403，还用于：
根据电塔方向和所述电塔偏移角度θ2对所述电塔定位框进行旋转，并以旋转后的电塔定位框的中心点为中心，按预设放大系数对所述旋转后的电塔定位框进行放大，获得电塔偏移框；
根据所述电塔偏移框的对角，确定第一延伸点及第二延伸点，根据所述第一延伸点及所述第二延伸点确定有效电力线提取区域。
可选地，所述电力线提取模块404，还用于：
根据LSD直线检测算法对所述有效电力线提取区域进行直线检测，获得待拟合候选电力线段，将所述待拟合候选电力线段放入线段池中；
根据所述线段池中各待拟合候选电力线段之间的距离，将小于预设距离阈值的待拟合候选电力线段放入待拟合候选电力线段组；
根据最小二乘法拟合所述待拟合候选电力线段组中的全部待拟合候选电力线段，获得拟合直线，将所述拟合直线中与所述电塔偏移角度垂直的拟合直线，确定为候选电力线。
可选地，所述电塔坐标预测模块401，还用于：
根据坐标预测模型对所述输电线路标准化处图像进行绝缘子坐标预测，得到绝缘子预测坐标及绝缘子预测中心点。
可选地，所述电力线提取模块404，还用于：
根据预设电力线模板，将所述电塔标准图像映射到输电线路标准化图像后，根据绝缘子预测中心点与候选电力线的距离对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线，其中，所述预设电力线模板通过计算输电线路标准化图像映射到电塔标准图像的单应矩阵获得。
进一步的，本申请实施例提供了另一种电力线提取装置，如图5所示，该装置包括：
电塔坐标预测模块501，用于获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；
电塔角度计算模块502，用于对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度；
有效区域确定模块503，用于根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框，并根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域；
电力线提取模块504，用于对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对所述候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。
线路图像处理模块505，用于对所述输电线路标准化图像中的像素进行灰度调整，获得输电线路灰度化图像，直方图均衡化处理所述输电线路灰度化图像，获得输电线路均衡化图像，根据高斯滤波法对所述输电线路均衡化图像进行去噪处理，获得输电线路预处理图像；在Canny边缘检测算法包含的水平方向梯度模板及垂直方向梯度模板基础上，增加第一对角方向梯度模板及第二对角方向梯度模板后，根据四个方向梯度模板计算所述输电线路预处理图像的梯度值；根据迭代算法，在所述输电线路预处理图像各像素的灰度值中生成最高阈值及最低阈值，保留处于所述最高阈值及所述最低阈值之间的梯度值所对应的边缘像素，获得边缘检测结果图像。
预测模型改进模块506，用于将YOLOv7模型中的SiLU激活函数替换为Mish激活函数，以及将YOLOv7模型中的CIou损失函数替换为SIoU损失函数，其中，所述坐标预测模型为对YOLOv7模型的改进模型。
预测模型训练模块507，用于获取包含电塔的多个数据集基础图像，对所述数据集基础图像进行标准化处理后，获得数据集标准化图像，通过预设数据标注工具对所述数据集标准化图像中的电塔及电塔包含的绝缘子进行标注，生成电塔定位数据集；对所述电塔定位数据集通过均匀随机抽样的方式，将所述电塔定位数据集无交集地划分为预设第一比例的电塔定位训练数据集、预设第二比例的电塔定位测试数据集及预设第三比例的电塔定位验证数据集；将所述电塔定位训练数据集、所述电塔定位测试数据集及所述电塔定位验证数据集输入坐标预测模型进行训练，获得训练后的坐标预测模型。
可选地，所述线路图像处理模块505，还用于：
根据像素灰度调整公式调整所述输电线路标准化图像中每个像素的灰度值，获得输电线路灰度化图像，其中，所述像素灰度调整公式为：
Gray(i,j)＝0.29*R+0.578*G+0.114*B
Gray(i,j)表示输电线路标准化图像对应的像素点矩阵中第i行第j列的灰度值，R、G及B分别表示红色通道矩阵、绿色通道矩阵及蓝色通道矩阵。
可选地，所述线路图像处理模块505，还用于：
根据直方图均衡化公式将所述输电线路灰度化图像中的灰度分布均衡化，获得输电线路均衡化图像，其中，所述直方图均衡化公式为：
n表示输电线路灰度化图像中像素总和，k表示k级灰度级，nk表示灰度级为rk的像素个数，L表示输电线路灰度化图像中灰度级总数，pr(r)表示输电线路灰度化图像的灰度级概率密度。
可选地，电塔角度计算模块502，还用于：
根据Hough变换算法计算所述边缘检测结果图像对应的潜在电力线及潜在电力线斜率，根据所述潜在电力线斜率，确定互相平行的潜在电力线组；
根据K-means++聚类算法对所述潜在电力线组的斜率进行聚类，确定多个类中包含的斜率数量最多的目标类，获取所述目标类的聚类中心斜率作为角度θ1，根据所述角度θ1及电塔偏移角度计算公式计算电塔偏移角度θ2，其中，所述电塔偏移角度计算公式为：
可选地，所述有效区域确定模块503，还用于：
根据电塔方向和所述电塔偏移角度θ2对所述电塔定位框进行旋转，并以旋转后的电塔定位框的中心点为中心，按预设放大系数对所述旋转后的电塔定位框进行放大，获得电塔偏移框；
根据所述电塔偏移框的对角，确定第一延伸点及第二延伸点，根据所述第一延伸点及所述第二延伸点确定有效电力线提取区域。
可选地，所述电力线提取模块504，还用于：
根据LSD直线检测算法对所述有效电力线提取区域进行直线检测，获得待拟合候选电力线段，将所述待拟合候选电力线段放入线段池中；
根据所述线段池中各待拟合候选电力线段之间的距离，将小于预设距离阈值的待拟合候选电力线段放入待拟合候选电力线段组；
根据最小二乘法拟合所述待拟合候选电力线段组中的全部待拟合候选电力线段，获得拟合直线，将所述拟合直线中与所述电塔偏移角度垂直的拟合直线，确定为候选电力线。
可选地，所述电塔坐标预测模块501，还用于：
根据坐标预测模型对所述输电线路标准化处图像进行绝缘子坐标预测，得到绝缘子预测坐标及绝缘子预测中心点。
可选地，所述电力线提取模块504，还用于：
根据预设电力线模板，将所述电塔标准图像映射到输电线路标准化图像后，根据绝缘子预测中心点与候选电力线的距离对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线，其中，所述预设电力线模板通过计算输电线路标准化图像映射到电塔标准图像的单应矩阵获得。
需要说明的是，本申请实施例提供的一种电力线提取装置所涉及各功能单元的其他相应描述，可以参考图1至图3方法中的对应描述，在此不再赘述。
基于上述如图1至图3所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图2所示的电力线提取方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图3所示的方法，以及图4及图5所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图3所示的电力线提取方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现，根据坐标预测模型对待检测输电线路的输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；对输电线路标准化图像进行边缘检测并计算电塔偏移角度；根据电塔预测坐标确定电塔定位框，并根据电塔定位框及电塔偏移角度，确定有效电力线提取区域；对有效电力线提取区域进行直线检测，并将检测出的直线中与电塔偏移角度垂直的直线确定为候选电力线，根据预设电力线模板对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线。基于航拍图像的特征，根据有监督算法(坐标预测模型)获得电塔预测坐标，接着对输电线路标准化图像进行边缘检测，以便检测到准确清晰的边缘，根据边缘检测结果图像计算电塔偏移角度，结合先验知识电力线必须在电力塔范围内，电力线与电力塔垂直，通过直线检测算法在有效电力线提取区域内检测直线(无监督算法)，最后选取与电塔偏移角度近似垂直的直线作为候选电力线，并根据预设电力线模板确定电力线，提高了电力线检测的准确性。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (11)

1.一种电力线提取方法，其特征在于，所述方法包括：
获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标；
其中，所述坐标预测模型的训练方法，包括：
获取包含电塔的多个数据集基础图像，对所述数据集基础图像进行标准化处理后，获得数据集标准化图像，通过预设数据标注工具对所述数据集标准化图像中的电塔及电塔包含的绝缘子进行标注，生成电塔定位数据集；
对所述电塔定位数据集通过均匀随机抽样的方式，将所述电塔定位数据集无交集地划分为预设第一比例的电塔定位训练数据集、预设第二比例的电塔定位测试数据集及预设第三比例的电塔定位验证数据集；
将所述电塔定位训练数据集、所述电塔定位测试数据集及所述电塔定位验证数据集输入坐标预测模型进行训练，获得训练后的坐标预测模型；
根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框；
对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度；
根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域；
对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线；
在待检测输电线路对应的电塔标准模板库中，根据电塔预测坐标查找电塔标准图像，其中，所述电塔标准图像与所述输电线路标准化图像互为同一电塔的不同视角图像；
将电塔标准图像中的绝缘子通过单应变换映射到输电线路标准化图像中，并根据映射后的绝缘子与候选电力线间的距离，对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线所在直线，其中，所述单应变换利用单应矩阵实现，所述单应矩阵基于六对绝缘子匹配点计算得到，所述六对绝缘子匹配点基于同一电塔对应的互为不同视角的电塔标准图像及输电线路标准化图像中选择。
2.根据权利要求1所述的方法，其特征在于，所述对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，包括：
对所述输电线路标准化图像中的像素进行灰度调整，获得输电线路灰度化图像，直方图均衡化处理所述输电线路灰度化图像，获得输电线路均衡化图像，根据高斯滤波法对所述输电线路均衡化图像进行去噪处理，获得输电线路预处理图像；
在Canny边缘检测算法包含的水平方向梯度模板及垂直方向梯度模板基础上，增加第一对角方向梯度模板及第二对角方向梯度模板后，根据四个方向梯度模板计算所述输电线路预处理图像的梯度值；
根据迭代算法，在所述输电线路预处理图像各像素的灰度值中生成最高阈值及最低阈值，保留处于所述最高阈值及所述最低阈值之间的梯度值所对应的边缘像素，获得边缘检测结果图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述输电线路标准化图像中的像素进行灰度调整，获得输电线路灰度化图像，包括：
根据像素灰度调整公式调整所述输电线路标准化图像中每个像素的灰度值，获得输电线路灰度化图像，其中，所述像素灰度调整公式为：
Gray(i,j)＝0.29*R+0.578*G+0.114*B
Gray(i,j)表示输电线路标准化图像对应的像素点矩阵中第i行第j列的灰度值，R、G及B分别表示红色通道矩阵、绿色通道矩阵及蓝色通道矩阵。
4.根据权利要求2所述的方法，其特征在于，所述直方图均衡化处理所述输电线路灰度化图像，获得输电线路均衡化图像，包括：
根据直方图均衡化公式将所述输电线路灰度化图像中的灰度分布均衡化，获得输电线路均衡化图像，其中，所述直方图均衡化公式为：
n表示输电线路灰度化图像中像素总和，k表示k级灰度级，nk表示灰度级为rk的像素个数，L表示输电线路灰度化图像中灰度级总数，pr(r)表示输电线路灰度化图像的灰度级概率密度。
5.根据权利要求1所述的方法，其特征在于，所述基于所述边缘检测结果图像计算电塔偏移角度，包括：
根据Hough变换算法计算所述边缘检测结果图像对应的潜在电力线及潜在电力线斜率，根据所述潜在电力线斜率，确定互相平行的潜在电力线组；
根据K-means++聚类算法对所述潜在电力线组的斜率进行聚类，确定多个类中包含的斜率数量最多的目标类，获取所述目标类的聚类中心斜率作为角度θ1，根据所述角度θ1及电塔偏移角度计算公式计算电塔偏移角度θ2，其中，所述电塔偏移角度计算公式为：
6.根据权利要求5所述的方法，其特征在于，所述电塔定位框为矩形；所述根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域，包括：
根据电塔方向和所述电塔偏移角度θ2对所述电塔定位框进行旋转，并以旋转后的电塔定位框的中心点为中心，按预设放大系数对所述旋转后的电塔定位框进行放大，获得电塔偏移框；
根据所述电塔偏移框的对角，确定第一延伸点及第二延伸点，根据所述第一延伸点及所述第二延伸点确定有效电力线提取区域。
7.根据权利要求6所述的方法，其特征在于，所述对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线，包括：
根据LSD直线检测算法对所述有效电力线提取区域进行直线检测，获得待拟合候选电力线段，将所述待拟合候选电力线段放入线段池中；
根据所述线段池中各待拟合候选电力线段之间的距离，将小于预设距离阈值的待拟合候选电力线段放入待拟合候选电力线段组；
根据最小二乘法拟合所述待拟合候选电力线段组中的全部待拟合候选电力线段，获得拟合直线，将所述拟合直线中与所述电塔偏移角度垂直的拟合直线，确定为候选电力线。
8.根据权利要求1至7中任一项所述的方法，其特征在于，
所述坐标预测模型为对YOLOv7模型的改进模型，所述坐标预测模型通过将YOLOv7模型中的SiLU激活函数替换为Mish激活函数，以及将YOLO v7模型中的CIou损失函数替换为SIoU损失函数获得。
9.一种电力线提取装置，其特征在于，所述装置包括：
电塔坐标预测模块，用于获取待检测输电线路对应的输电线路标准化图像，根据坐标预测模型对所述输电线路标准化处图像进行电塔坐标预测，得到电塔预测坐标，其中，所述坐标预测模型的训练方法，包括获取包含电塔的多个数据集基础图像，对所述数据集基础图像进行标准化处理后，获得数据集标准化图像，通过预设数据标注工具对所述数据集标准化图像中的电塔及电塔包含的绝缘子进行标注，生成电塔定位数据集，对所述电塔定位数据集通过均匀随机抽样的方式，将所述电塔定位数据集无交集地划分为预设第一比例的电塔定位训练数据集、预设第二比例的电塔定位测试数据集及预设第三比例的电塔定位验证数据集，将所述电塔定位训练数据集、所述电塔定位测试数据集及所述电塔定位验证数据集输入坐标预测模型进行训练，获得训练后的坐标预测模型；
有效区域确定模块，用于根据所述电塔预测坐标，在所述输电线路标准化图像中确定电塔定位框；
电塔角度计算模块，用于对所述输电线路标准化图像进行边缘检测，获得边缘检测结果图像，基于所述边缘检测结果图像计算电塔偏移角度；
所述有效区域确定模块，还用于根据所述电塔定位框及所述电塔偏移角度，确定有效电力线提取区域；
电力线提取模块，用于对所述有效电力线提取区域进行直线检测，并将检测出的直线中与所述电塔偏移角度垂直的直线确定为候选电力线；
所述电力线提取模块，还用于在待检测输电线路对应的电塔标准模板库中，根据电塔预测坐标查找电塔标准图像，其中，所述电塔标准图像与所述输电线路标准化图像互为同一电塔的不同视角图像；
所述电力线提取模块，还用于将电塔标准图像中的绝缘子通过单应变换映射到输电线路标准化图像中，并根据映射后的绝缘子与候选电力线间的距离，对候选电力线进行投票，根据投票结果确定待检测输电线路的电力线所在直线，其中，所述单应变换利用单应矩阵实现，所述单应矩阵基于六对绝缘子匹配点计算得到，所述六对绝缘子匹配点基于同一电塔对应的互为不同视角的电塔标准图像及输电线路标准化图像中选择。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述电力线提取的方法。
11.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述电力线提取的方法。
CN202310540202.4A 2023-05-12 2023-05-12 电力线提取方法及装置、存储介质、计算机设备 Active CN116843909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310540202.4A CN116843909B (zh) 2023-05-12 2023-05-12 电力线提取方法及装置、存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310540202.4A CN116843909B (zh) 2023-05-12 2023-05-12 电力线提取方法及装置、存储介质、计算机设备

Publications (2)

Publication Number Publication Date
CN116843909A CN116843909A (zh) 2023-10-03
CN116843909B true CN116843909B (zh) 2024-03-08

Family

ID=88169440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310540202.4A Active CN116843909B (zh) 2023-05-12 2023-05-12 电力线提取方法及装置、存储介质、计算机设备

Country Status (1)

Country Link
CN (1) CN116843909B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118971914B (zh) * 2024-10-18 2025-01-07 汕头市永捷新能源科技有限公司 一种车载以太网线束传输性能测试方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
KR20210090489A (ko) * 2020-01-10 2021-07-20 한국전력공사 송전 철탑 점검용 카메라 드론 및 철탑 설비 촬영 방법, 전력선 촬영 방법
CN113762276A (zh) * 2021-08-17 2021-12-07 湖南大学 一种电力作业梯子角度检测方法
CN114022761A (zh) * 2021-10-26 2022-02-08 国网辽宁省电力有限公司经济技术研究院 一种卫星遥感影像输电线路杆塔检测定位方法及装置
CN114114314A (zh) * 2021-11-08 2022-03-01 国网福建省电力有限公司漳州供电公司 基于激光点云的输电线路巡检检测系统及检测方法
CN115239667A (zh) * 2022-07-21 2022-10-25 淮阴工学院 一种基于多目摄像机的轮胎合格检测方法
CN115564725A (zh) * 2022-09-29 2023-01-03 四川省公路规划勘察设计研究院有限公司 基于图像智能识别的边坡监测方法及装置
CN115731164A (zh) * 2022-09-14 2023-03-03 常州大学 基于改进YOLOv7的绝缘子缺陷检测方法
CN115761404A (zh) * 2022-11-18 2023-03-07 云南电网有限责任公司电力科学研究院 一种YOLOv5s模型的训练方法、使用方法及训练装置
CN115841633A (zh) * 2022-12-05 2023-03-24 深圳市优智创芯科技有限公司 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
CN115841669A (zh) * 2022-09-30 2023-03-24 国网山西省电力公司大同供电公司 一种基于深度学习技术的指针式仪表检测与示数识别方法
CN115861186A (zh) * 2022-11-15 2023-03-28 佳源科技股份有限公司 基于深度学习的电力杆塔检测方法、装置、无人机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107835997B (zh) * 2015-08-06 2021-07-30 埃森哲环球服务有限公司 使用计算机视觉的用于电力线走廊监测的植被管理
CN106356757B (zh) * 2016-08-11 2018-03-20 河海大学常州校区 一种基于人眼视觉特性的电力线路无人机巡检方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法
KR20210090489A (ko) * 2020-01-10 2021-07-20 한국전력공사 송전 철탑 점검용 카메라 드론 및 철탑 설비 촬영 방법, 전력선 촬영 방법
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN113762276A (zh) * 2021-08-17 2021-12-07 湖南大学 一种电力作业梯子角度检测方法
CN114022761A (zh) * 2021-10-26 2022-02-08 国网辽宁省电力有限公司经济技术研究院 一种卫星遥感影像输电线路杆塔检测定位方法及装置
CN114114314A (zh) * 2021-11-08 2022-03-01 国网福建省电力有限公司漳州供电公司 基于激光点云的输电线路巡检检测系统及检测方法
CN115239667A (zh) * 2022-07-21 2022-10-25 淮阴工学院 一种基于多目摄像机的轮胎合格检测方法
CN115731164A (zh) * 2022-09-14 2023-03-03 常州大学 基于改进YOLOv7的绝缘子缺陷检测方法
CN115564725A (zh) * 2022-09-29 2023-01-03 四川省公路规划勘察设计研究院有限公司 基于图像智能识别的边坡监测方法及装置
CN115841669A (zh) * 2022-09-30 2023-03-24 国网山西省电力公司大同供电公司 一种基于深度学习技术的指针式仪表检测与示数识别方法
CN115861186A (zh) * 2022-11-15 2023-03-28 佳源科技股份有限公司 基于深度学习的电力杆塔检测方法、装置、无人机设备
CN115761404A (zh) * 2022-11-18 2023-03-07 云南电网有限责任公司电力科学研究院 一种YOLOv5s模型的训练方法、使用方法及训练装置
CN115841633A (zh) * 2022-12-05 2023-03-24 深圳市优智创芯科技有限公司 一种电力塔和电力线关联矫正的电力塔和电力线检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Development of power transmission line detection technology based on unmanned aerial vehicle image vision;Baoyu Xu 等;《SN Applied Sciences》;1-15 *
UAV Transmission Line Inspection Object Recognition based on Mask R-CNN;Yi Liu 等;《CISAT 2019》;1-9 *
基于Hough变换的目标数据处理算法研究;陈镜 等;《无线电工程》;第50卷(第5期);357-361 *
基于图像处理的无人机电力巡线航向偏差检测;杨坚 等;《浙江电力》;第40卷(第9期);105-110 *
改进的Canny算法在工业机器人视觉系统中的应用;刘亮亮 等;《河南科技》;第42卷(第3期);第31-34页，第2-3.2节 *
无人机影像中直线类电力线检测算法研究;李朋月 等;《电子测量技术》;第42卷(第19期);148-153 *

Also Published As

Publication number Publication date
CN116843909A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
US9530045B2 (en) Method, system and non-transitory computer storage medium for face detection
CN107103320B (zh) 嵌入式医疗数据图像识别及集成方法
CN110222787A (zh) 多尺度目标检测方法、装置、计算机设备及存储介质
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
WO2017181892A1 (zh) 前景分割方法及装置
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN110930411B (zh) 一种基于深度相机的人体分割方法及系统
CN112989995B (zh) 文本检测方法、装置及电子设备
CN106485651A (zh) 快速鲁棒性尺度不变的图像匹配方法
CN114463503B (zh) 三维模型和地理信息系统的融合方法及装置
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN112883959B (zh) 身份证照完整性检测方法、装置、设备及存储介质
CN118172334A (zh) 一种基于Transformer和残差卷积的电网接线图电气元件级联检测方法
CN116843909B (zh) 电力线提取方法及装置、存储介质、计算机设备
CN107392211B (zh) 基于视觉稀疏认知的显著目标检测方法
CN111881803A (zh) 一种基于改进YOLOv3的畜脸识别方法
CN114820987A (zh) 一种基于多视角图像序列的三维重建方法及系统
CN113743378A (zh) 一种基于视频的火情监测方法和装置
CN106469432A (zh) 对象提取方法和对象提取设备
CN118097664A (zh) 一种细胞密集型生物医学影像相似性判断方法、装置、设备及介质
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN114494712A (zh) 对象提取方法及装置
WO2025025465A1 (zh) 一种红外人脸图像质量评价的方法及装置
CN111325209A (zh) 一种车牌识别方法和系统
CN115995017A (zh) 一种果实识别与定位方法、装置及介质

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