图像处理技术在无人机电力线路巡检中的应用

目前,巡检高压输电线路过程中,其中一项常见方式是利用无人机进行线路巡线。研究和处理无人机航拍收集的通道图像,能够及时发现线路器件是否存在问题。利用图像处理技术,能够有效解决人工处理效率低下、误差率高等问题,在无人机电力线路巡检领域具有广阔的发展前景。基于此,针对当前国内和国外无人机电力线路巡检中图像处理技术的应用情况,探讨无人机电力线路巡检中影响图像处理技术的因素,研究图像处理技术在无人机电力线路巡检中的应用。     

基于超像素分割和S URF特征点的图像复制粘贴篡改检测

针对图像复制粘贴型篡改,提出一种基于超像素分割与快速鲁棒特征算法结合的方法。对图像进行SLIC(Simple Linear Iterative Clustering)超像素分割,提取图像的SURF(Speeded Up Robust Features)特征点与特征描述子;以块为单位结合k-d树与BBF(Best Bin First)最近邻查询算法进行粗匹配;采用随机采样一致性算法剔除误匹配;用腐蚀膨胀操作显示复制粘贴篡改区域。实验证明该方法有较高的准确率和检测效率。     

无人机航拍图像中裸露地表的识别

电力输电线路下方或附近的无覆盖物的裸露地表,是引起输电线路事故的主要隐患之一;从无人机电力巡检航拍图像中识别裸露地表可以预防类似事故的发生;由于Mask RCNN识别无人机电力巡检航拍图像中裸露地表的精度较低,提出一种图像特征融合的方法,即人工提取HOG和LBP两种不同的图像特征,经过不同权重的融合共同表征图像中裸露地表区域的特征,再对SVM进行训练并用于识别;实验结果表明,采用该方法识别率可以达到80％以上,识别时间少于60 ms;HOG和LBP两种特征在进行融合时,当两种特征的数量级相当时,得到的识别率最高;可见,该方法在具有较高识别率的同时,具有比较好的实时性,适合于无人机机载平台对航拍图像的初筛,且训练时间较少,权重参数规模小,为无人机航拍图像中目标物的识别提供一种新思路.     

基于动态超分辨率的输电线路部件检测方法

在无人机输电线路巡检过程中,由于部分输电线路部件较小,而且无人机搭载的相机像素有一定限制,同时必须与输电线路保持一定的安全距离,导致拍摄的图像的分辨率较低、目标较小.针对这一问题,提出了一种基于动态超分辨率的输电线路部件检测方法,将超分网络引入到输电线路巡检过程中.实验结果表明,该方法对输电线路低分辨率输入图像和小目标...     

EDLine与改进光流法线路异物智能检测

为提高无人机电力故障巡检效率,提出一种结合边缘绘制线(edge drawing line,EDLine)特征提取算法与改进光流法的输电线路异物智能检测方法。鉴于背景纹理对航拍图像的影响,研究一种基于矩阵的线段融合算法以解决EDLine线段检测的断续问题,根据多特征约束提取输电线路区域。为有效识别异物,利用动量因子改进光流算法迭代收敛速度,根据光流信息检测异物故障。对无人机巡检图像的测试结果表明,该方法在复杂背景或异物不明显时均可有效检测出异物。提出检测算法准确度高、鲁棒性强,保证巡检的时效性。     

基于SLIC的自适应多主体图像分割算法

为了解决多主体图像分割的交互分割问题,提出了一种基于SLIC超像素的自适应图像分割算法。首先利用SLIC对图像进行超像素分割处理,把原图像分割为大小相似、形状规则的超像素,以超像素中心点的五维特征值作为原始数据点通过自适应参数的DBSCAN算法聚类,确定多主体数目和分割边界。算法不需要用户交互,自适应确定分割数目。为了验证算法的有效性,在伯克利大学标准数据集BSDS500上与人工标注的分割图像进行比较, 前期的超像素处理使算法在时间上有很好的提升,对于一幅481×321像素的图像,只需要1.5 s就可以获得结果。实验结果表明,该方法可以有效解决多主体图像分割中的人工交互问题,同时在PRI和VOI的指数对比上也优于传统算法,本文算法可以在保证分割效果的基础上自适应确定分割数目,提高分割效率。     

基于GrabCut的半交互式输电线路金具锈蚀图像分割方法

针对当前输电线路金具锈蚀检测的背景干扰问题,本文提出基于GrabCut的半交互式输电线路金具锈蚀图像分割方法。该方法首先对图像进行去噪处理,然后采用半交互式图像分割算法对图像进行自动分割,不仅能够减少背景对输电线路金具锈蚀检测的干扰,还能有效提高锈蚀检测的准确率。     

医学DR图像分割处理过程仿真分析

研究医学DR图像准确分割方法.人体组织的分布特征很难运用准确的数学模型进行描述,由于厚度不均匀,在进行CT图像采集的过程中,图像细节信息会被噪声等不利因素埋没,边缘变得不清晰,对比度降低.传统分割算法主要针对像素的某一个具体特征做出判断,在有噪的环境下,像素提纯受到干扰,很难对非可控信息进行模型控制,导致对医学DR图像的分割效果不好.为了避免上述缺陷,提出了一种人工鱼群算法的医学DR图像分割处理方法.通过对采集的DR图像进行增强处理,提高DR图像的对比度,利用SUSAN算子去除干扰信号,准确计算初始病变区域边界,对边界像素运用人工鱼群方法寻求.实验结果表明,利用改进算法能够有效提高医学DR图像分割的准确性,有利于临床医疗诊断.     

基于超像素的快速MRF红外行人图像分割算法

针对红外图像中行人目标分割时容易受环境干扰的问题,提出一种基于马尔可夫随机场的红外行人分割方法.为了解决计算最优解时优化算法收敛速度慢的问题,采用simple linear iterative clustering算法将红外图像预分割为超像素块.以像素块作为马尔可夫随机场的分割单位.像素块的颜色信息由该像素块内所有像素的平均灰度值表示.根据马尔可夫随机场与图像信息之间的关系计算图像的局部先验空间结构信息,采用ICM计算后验能量函数的最小化解.实验结果表明,改进分割算法较好的抑制了小的噪声点,获得了比较理想的分割结果,对于360 × 240的红外图像,采用超像素对图像进行预分割可以将分割速度提高10倍以上.     

结合SCoW的改进FLICM医学图像分割研究*

为了改善医学图像的分割精度和分割效率,针对模糊局部C-均值 (fuzzy local information C-Means, FLICM)系列算法分割效率低、局部空间信息描述不够准确,提出结合空间约束分水岭 (Spatial-Constrained Watershed, SCoW)的改进FLICM分割算法。首先对图像SCoW预处理分块,压缩预处理数据;然后修正细分割处理,提取各超像素块的均值特征;最后设计一种改进的FLICM算法对各超像素块聚类,完成图像分割。相比较于原FLICM算法的图像分割,本文算法的分割精度更高,分割效率大大提升。经理论分析和实验测试表明,该改进算法更适用于医学临床诊断的需要。     

基于图像识别技术的输电线路智能监控系统应用

针对持续多发的输电线路外力破坏事件,人工巡视以及传统监控设备并不能及时有效发现事故隐患,因此提出基于图像识别技术的输电线路智能监控系统.该系统应用卷积神经网络的深度学习算法训练模型,可以智能识别出输电线路现场的安全隐患.建立起前端采集图像,数据无线传输,后台识别分析,隐患定向推送的智能监控新模式.在佛山地区应用实践中,该系统实现了对输电线路现场的24小时实时监控预警,提高了对外力破坏隐患的监管能力,有效预防了大型施工机械所致的线路跳闸事故.     

面向巡线无人机高压线实时检测与识别算法

以巡线无人机巡航中识别高压输电线为背景,提出一种准确、实时的高压输电线检测与识别算法.首先,针对高压输电线成像是线状结构和低灰度值的特征而且其空间分布近似水平,提出一种基于方向约束的多尺度线状目标强化算法.此方法把近似水平方向的高压输电线目标强化出来的同时,能够很好地抑制竖直方向线状干扰物体和非线状背景及噪声.然后,对强化后的结果进行基于角度约束的Radon变换.由于高压输电线邻近区域的灰度分布近似,在Radon变换中引入用于识别高压输电线的识别因子,以获得高压输电线的识别结果,并抑制近似水平的干扰物体.实际的飞行试验结果表明,该算法对高压输电线识别具有很好的抗噪性、抗干扰性和实时性.     

Automatic Channel Detection Using DNN on 2D Seismic Data

Geologists interpret seismic data to understand subsurface properties and subsequently to locate underground hydrocarbon resources. Channels are among the most important geological features interpreters analyze to locate petroleum reservoirs. However, manual channel picking is both time consuming and tedious. Moreover, similar to any other process dependent on human intervention, manual channel picking is error prone and inconsistent. To address these issues, automatic channel detection is both necessary and important for efficient and accurate seismic interpretation. Modern systems make use of real-time image processing techniques for different tasks. Automatic channel detection is a combination of different mathematical methods in digital image processing that can identify streaks within the images called channels that are important to the oil companies. In this paper, we propose an innovative automatic channel detection algorithm based on machine learning techniques. The new algorithm can identify channels in seismic data/images fully automatically and tremendously increases the efficiency and accuracy of the interpretation process. The algorithm uses deep neural network to train the classifier with both the channel and non-channel patches. We provide a field data example to demonstrate the performance of the new algorithm. The training phase gave a maximum accuracy of 84.6% for the classifier and it performed even better in the testing phase, giving a maximum accuracy of 90%.     

无人机航拍图像中电力线检测方法研究进展

随着各大电力公司对无人机（unmanned aerial vehicle,UAV）巡检的大力推广,“机巡为主,人巡为辅”已成为我国电力巡检的主要运维模式。电力线检测作为电力巡检的关键技术,在无人机自主导航、低空避障飞行以及输电线路安全稳定运行等方面发挥着重要作用。众多研究者将输电线路的无人机航拍图像用于线路设备识别与故障诊断,利用机器视觉的方法在电力线检测技术研究中占据主导地位,也是未来的主要发展方向。本文综述了近10年来无人机航拍图像中电力线检测方法的研究进展。首先简述了电力线特征,阐明了电力线检测的传统处理方法的一般流程及所面临的挑战;然后重点阐述了使用传统图像处理方法及深度学习方法的电力线检测原理,前者包括基于Hough变换的方法、基于Radon变换的方法、基于LSD （line segment detector）的方法、基于扫描标记的方法及其他检测方法,后者根据深度卷积神经网络（deep convolutional neural network,DCNN）的结构不同分为基于DCNN的分类方法及基于DCNN的语义分割方法,评述各类方法的优缺点并进行分析与比较,与传统图像处理方法相比,深度学习方法能更有效地实现航拍图像中的电力线检测,并指出基于DCNN的语义分割方法在电力线目标智能识别与分析中发挥着重要作用;随后介绍了电力线检测的常用数据集及性能评价指标;最后针对电力线检测方法目前存在的问题,对下一步的研究方向进行展望。     

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测。该方法基于深层特征融合网络（DLAnet,Deep Layer Aggregation）、挤压-激励SE（Squeeze-and-Excitation）模块、可形变卷积进行高效深层特征提取网络DLA-SE的设计。在CenterNet架构下通过DLA-SE特征提取网络获取对象的中心点热力图,回归对象的宽高、偏移信息,得到对象边界框。实验结果表明,在Nvidia GTX 1080测试条件下该方法的mAP达到0.917,推理速度达到27.03?frame/s,与CenterNet、SSD与YOLOv3方法相比在检测精度上取得大幅度提升,证明了该方法的有效性。     

基于神经棒的电力变压器离线图像识别研究与应用

为解决智能移动设备在电力变压器等设备的巡检、运维工作的图像识别中难以适用于无网络的离线环境问题,本文综合考虑电力设备巡检、运维工作的实际需求和真实情况,设计一种基于神经棒的电力变压器离线图像识别系统。首先,引入卷积神经网络算法,构建深度学习图像识别模型,并利用真实图片数据集对模型进行训练调优;然后,创新地将模型集成到神经计算加速棒中,搭建电力变压器离线图像识别系统,进一步解决网络对系统的束缚;最后将本文的基于神经棒的电力变压器离线图像识别系统与现有的4G网环境下移动设备识别系统、离线环境下移动设备识别系统在贵州电网贵阳局城北分局提供的真实图片数据集上进行对比验证,结果表明本文提出的基于神经棒的电力变压器离线图像识别系统具有较高的识别准确率和稳定性。     

输电线路部件视觉缺陷检测综述

随着我国电网系统的不断发展，基层巡检作业负担越来越重，运维成本越来越高，如何实现输电线路部件缺陷的智能化检测变得愈发重要。同时，由于国家《新一代人工智能发展规划》的提出和国家电网"数字新基建"的部署，人工智能应用于电力设备运维的相关技术得到了快速发展，对输电线路部件视觉缺陷准确检测成为亟待解决的关键问题之一。早期基于图像处理和特征工程的部件视觉缺陷检测方法对图像质量的要求较高，无法真正应用于现实复杂的输电线路作业环境；随着深度学习的兴起，基于深度学习的检测模型可以有效地将部件目标及其缺陷从复杂的输电线路航拍图像中提取出来，既节省了人工设计特征的时间，又在性能上达到了显著提升，因此逐渐成为主流研究方法。本文首先描述了基于传统算法的输电线路关键部件视觉缺陷检测技术，回顾了深度学习的发展过程并分析了深度学习在缺陷检测领域的优缺点；围绕输电线路上3个重要的部件：绝缘子、金具以及螺栓，介绍了其定位与缺陷检测的研究现状；分析了输电线路部件缺陷检测中研究的样本不平衡问题、小目标检测问题、细粒度检测问题等几个关键问题；分析了符合电网巡检任务复杂场景需求和故障诊断标准的输电线路部件缺陷检测技术的未来发展趋势。     

基于深度学习算法的卫星影像变化监测

遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.     

融合多维注意力机制CNN皮肤肿瘤图像分割提取

针对卷积神经网络(CNN)在医学图像分割时,受皮肤病损图像多样性、分割目标位置、形状及尺度变化等因素影响,提出了一种基于传统卷积神经网络综合注意力模块图像分割算法。首先利用U-Net主干网络的优势,其目的让图像特征提取更完善；其次,由空间、通道、尺度构成的综合注意力机制对目标病灶区域进行检测识别,利用通道级联把来自编码器中低级图像特征和解码器中高级图像特征注意力结合起来进行权值自适应融合,提升了网络对样本病灶区的关注度和辨识力,突出强调最相关的特征通道和多尺度间最显著的特征图。通过对ISIC2018数据集及医院整形外科提供患者不同类型的皮肤肿瘤图像进行分割测试,并将注意力模块随机组合形成的不同算法进行指标评价比对,所提出算法的平均分割精度可达92.89%。实验结果表明,所提出算法是有效可行的,在多维度下分割处理带复杂背景的皮肤病灶图像时有更高的鲁棒性。     

使用超像素分割与图割的网状遮挡物检测算法

针对由于摄影角度受限,一些自然图像被铁丝网、栅栏、外墙玻璃接缝等网状遮挡物所遮挡的问题,提出了一种用于修复此类图像的网状遮挡物检测算法。对于现有算法使用单像素颜色特征和固定形状特征造成对颜色和形状不均的网状遮挡物检测效果不佳的弊端,首先将图像进行超像素分割,引入颜色与纹理直方图的联合特征来描述超像素块,将基于像素分类问题转换成基于超像素的分类问题,抑制了局部颜色变化造成的误分类;然后,使用图割算法将超像素块进行分类,使网状结构能够沿着光滑的边缘进行延伸,不受固定的形状限制,提高了对异形网状结构的检测准确率,并且不依赖Farid等提出的算法（FARID M S,MAHMOOD A,GRANGETTO M.Image de-fencing framework with hybrid inpainting algorithm.Signal,Image and Video Processing,2016,10（7）：1193-1201）所需的人工输入;其次使用新的联合特征训练支持向量机（SVM）分类器并对所有未被分类的超像素块进行分类,得到准确网状遮挡物掩膜;最后,使用SAIST算法对图像进行修复。实验中,获得的网状遮挡物掩膜比Farid等提出的算法所得到的保留了更多的细节,在修复算法不变的同时显著提升了图像修复效果。在使用相同网状遮挡物掩膜的情况下,使用SAIST算法修复得到的图片在峰值信噪比（PSNR）和结构相似性（SSIM）上分别比Farid等提出算法提高了3.06和0.02。新的掩膜检测算法联合SAIST修复算法的总体修复效果对比Farid等提出算法及Liu等提出的算法（LIU Y Y,BELKINA T,HAYS J H,et al.Image de-fencing.Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Washington,DC：IEEE Computer Society,2008：1-8）有了明显提升。实验结果表明,所提算法提升了网状遮挡物的检测准确性,得到了效果更好的去除网状遮挡物的图像。