CN110992307A - 基于yolo的绝缘子定位识别方法及装置 - Google Patents
基于yolo的绝缘子定位识别方法及装置 Download PDFInfo
- Publication number
- CN110992307A CN110992307A CN201911066983.8A CN201911066983A CN110992307A CN 110992307 A CN110992307 A CN 110992307A CN 201911066983 A CN201911066983 A CN 201911066983A CN 110992307 A CN110992307 A CN 110992307A
- Authority
- CN
- China
- Prior art keywords
- insulator
- yolo
- image
- rectangular
- grid
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLO的绝缘子定位识别方法及装置,包括:依据工业应用的不同将绝缘子进行分类;对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;输入绝缘子图像,采用YOLO‑V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。本发明的技术方案能够实现自动识别绝缘子,有效减少人工工作量,提高电力巡检作业的准确度。
Description
技术领域
本发明涉及电测试领域,特别是一种基于YOLO的绝缘子定位识别方法及装置。
背景技术
现阶段,无人机、机器人等电力巡检手段的更新迭代,实现了图像和视频信息与电力系统的云间对接,将现场与调度中心机动联结,有效解决传统电力巡检效率低、实时性差、危险系数高等问题,推动电力设备检测朝着智能化、自动化的方向发展,是一种巨大的技术进步。然而,现有的图像视频监控系统仅仅是将大量多媒体数据传输到调度段,运维人员仍需逐帧观察图像,依照经验评估,效率极低。此外,海量的图像数据在低效筛选处理下极易积压,反倒降低了设备运维的实时性,难以适应智能化的电力系统的发展。
目前,国内外专家在电力设备定位识别的相关研究主要集中在理论分析和可行性探究阶段,针对电力系统定位识别的研究仍停留在输电线路、杆塔等宏观方面的提取,缺乏对电力设备进行有效的检测手段和现场应用验证。
发明内容
为解决上述问题,本发明的目的在于提供一种基于YOLO的绝缘子定位识别方法及装置,能够实现自动识别绝缘子,有效减少人工工作量,提高电力巡检作业的准确度。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,提供了一种基于YOLO的绝缘子定位识别方法,包括以下步骤:
依据工业应用的不同将绝缘子进行分类;
对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;
输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。
进一步地,所述依据工业应用的不同将绝缘子进行分类,将所述绝缘子分为悬式绝缘子、支柱绝缘子和绝缘套管三类。
进一步地,所述输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测,包括:
采用YOLO-V3算法将所述绝缘子图像分成S×S的网格;
每个所述网格预测B个矩形框以及所述矩形框对应的置信度;
其中,S表示划分网格数;B表示每个网格负责的边框个数。
进一步地,所述矩形框包含5个预测量:x,y,w,h,s,s=Pr×IoU,其中,x,y坐标表示矩形框的中心相对于其所在网格左上角的偏移量;w,h表示矩形框的宽度和高度,相对于整张图片的宽高的比例;s表示置信度,即预测的矩形框和实际矩形框之间的IoU;IoU表示矩形框和真实目标框的交叠度;Pr表示条件类别概率,表征的是网格负责预测的矩形框的目标属于各个类别的概率,当网格包含目标时,Pr=1,否则Pr=0。
进一步地,所述矩形框预测C个条件概率分布,所述概率分布为以当前所述预测的矩形框内存在目标为前提的条件概率;其中,C表示类别个数。
进一步地,所述绝缘子定位识别模型,是基于darknet-53为底层网络结构的YOLO-V3模型。
本发明的第二方面,提供了一种基于YOLO的绝缘子定位识别装置,包括以下单元:
绝缘子分类单元,用于依据工业应用的不同将绝缘子进行分类;还用于将所述绝缘子分为悬式绝缘子、支柱绝缘子和绝缘套管三类;
数据库构建单元,用于对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;
绝缘子定位识别单元,用于输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。
进一步地,所述绝缘子定位识别单元还包括:
图像划分单元,用于采用YOLO-V3算法将所述绝缘子图像分成S×S的网格;
预测单元,用于每个所述网格预测B个矩形框以及所述矩形框对应的置信度;其中,S表示划分网格数;B表示每个网格负责的边框个数;还用于所述矩形框包含5个预测量:x,y,w,h,s,s=Pr×IoU,其中,x,y坐标表示矩形框的中心相对于其所在网格左上角的偏移量;w,h表示矩形框的宽度和高度,相对于整张图片的宽高的比例;s表示置信度,即预测的矩形框和实际矩形框之间的IoU;IoU表示矩形框和真实目标框的交叠度;Pr表示条件类别概率,表征的是网格负责预测的矩形框的目标属于各个类别的概率,当网格包含目标时,Pr=1,否则Pr=0;
概率预测单元,用于所述矩形框预测C个条件概率分布,所述概率分布为以当前所述预测的矩形框内存在目标为前提的条件概率;其中,C表示类别个数。
本发明的第三方面,提供了一种基于YOLO的绝缘子定位识别设备,包括:
至少一个控制处理器和用于与至少一个控制处理器所通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上述第一方面的基于YOLO的绝缘子定位识别方法。
本发明的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上述第一方面的基于YOLO的绝缘子定位识别方法。
本发明的第五方面,还提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行如上述第一方面的基于YOLO的绝缘子定位识别方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明采用了一种基于YOLO的绝缘子定位识别方法及装置,将绝缘子依据工业应用的不同进行分类,对所述绝缘子分类构建外绝缘设备的本体特征识别数据库,输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,从而完成检测。相比现有技术的技术方案,本发明的技术方案能够在复杂的环境下通过对可见光图像的分析,自动识别出绝缘子,有效减少人工判别工作量,提高了电力巡检作业的准确度,可用于指导电力系统外绝缘设备运检,减少人力、物力的消耗,提高电网运行的智能化检测水平。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一个实施例所提供的基于YOLO的绝缘子定位识别方法的流程图;
图2是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别方法关于YOLO-V3算法的流程图;
图3是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别方法关于构建绝缘子定位识别模型的流程图;
图4是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别方法关于绝缘子定位识别模型的结构示意图;
图5是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别方法关于绝缘子定位识别模型的多尺度检测原理图;
图6是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别方法关于绝缘子定位识别的效果图;
图7是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别方法关于绝缘子训练过程中的准确率变化曲线图;
图8是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别装置的装置示意图;
图9是本发明另一个实施例所提供的基于YOLO的绝缘子定位识别设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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用以解释本发明,并不用于限定本发明。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
参照图1,本发明实施例的一种基于YOLO的绝缘子定位识别方法,包括以下步骤:
步骤S1,依据工业应用的不同将绝缘子进行分类;
步骤S2,对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;
步骤S3,输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。
其中,所述依据工业应用的不同将绝缘子进行分类,将所述绝缘子分为悬式绝缘子、支柱绝缘子和绝缘套管三类;所述绝缘子定位识别模型,是基于Darknet-53为底层网络结构的YOLO-V3模型;所述的Darknet框架的0~74层中,共有53个卷积层,其余为res层,res层用于解决网络的梯度弥散或者梯度爆炸的现象;Darknet框架中的53个卷积层作为YOLO-V3的特征提取主要网络结构;Darknet框架中的53个卷积层通过各主流网络结构中性能优异的卷积层整合得到;Darknet框架的75~105层为YOLO-V3的特征交互层,所述特征交互层分为三个尺度,每个尺度内,通过卷积核的方式实现局部的特征交互。
其中,所述绝缘子定位识别模型采用端到端训练,对于输入非结构化数据,通过网络进行训练,最后输出预测图像,从而完成检测,具有大幅提升速度的效果;YOLO算法结合了锚点框选和K-means聚类方法来训练矩形框;所述K-means聚类算法,将一组数据划分为多个组,每个组都含有一个中心。例如,训练样本为{x(1),…,x(m)},每个x(i)∈Rn,随机选取k个聚类质心点为μ1,μ2,…,μk∈Rn,重复以下过程直到收敛{
对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
其中,k为事先给定的聚类数,c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个。质心μj表示对属于同一个类的样本中心点的猜测;
之后使用IoU分数作为最终评估标准,基于平均IoU选择9个锚点来预测矩形框,从而实现精度的提升。
参照图2,进一步,在本发明的另一个实施例中,所述输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测,包括以下步骤:
步骤S31,采用YOLO-V3算法将绝缘子图像分成S×S的网格;
步骤S32,每个所述网格预测B个矩形框以及所述矩形框对应的置信度;其中,S表示划分网格数;B表示每个网格负责的边框个数;
步骤S33a,所述矩形框包含5个预测量:x,y,w,h,s,s=Pr×IoU,其中,x,y坐标表示矩形框的中心相对于其所在网格左上角的偏移量;w,h表示矩形框的宽度和高度,相对于整张图片的宽高的比例;s表示置信度,即预测的矩形框和实际矩形框之间的IoU;IoU表示矩形框和真实目标框的交叠度;Pr表示条件类别概率,表征的是网格负责预测的矩形框的目标属于各个类别的概率,当网格包含目标时,Pr=1,否则Pr=0;
步骤S33b,所述矩形框预测C个条件概率分布,所述概率分布为以当前所述预测的矩形框内存在目标为前提的条件概率;其中,C表示类别个数;
具体地,检测绝缘子图像中的绝缘子目标,将图像分成S×S个网格,使绝缘子中心位置坐标落入的格子负责检测该绝缘子,每个格子预测B个矩形框以及所述矩形框对应的置信度以及条件概率分布,所述矩形框的预测采用logistic的方式:
bx=σ(tx)+cx (1) by=σ(ty)+cy (2)
其中,cx、cy是网格的坐标偏移量;pw、ph是预设的锚框的边长;bx,by,bw,bh为最终得到的边框坐标值;tx,ty,tw,th为网络学习目标;x,y坐标表示矩形框的中心相对于其所在网格左上角的偏移量;w,h表示矩形框的宽度和高度,相对于整张图片的宽高的比例;所述x,y,w,h均归一化处理;
其中,所述矩形框预测C个条件概率分布,测试的时候,只需要将矩形框的置信度乘以这一条件概率分布,就可以得到该预测的矩形框内包含各个类别物体的概率;
对于输入的绝缘子图像,网络一方面输出预测的矩形框以及矩形框的置信度,置信度越高的矩形框在图中的线条越粗,置信度反映矩形框内存在绝缘子的可能性,假设没有绝缘子落在网格中,那么这个网格预测的矩形框的置信度应该为零,对于有绝缘子落入的网格,则网格预测的矩形框的置信度应等于该预测的矩形框和真实目标框的交叠度;另一方面预测各个网格对应的条件概率分布,根据二者综合表现来实现绝缘子的分类定位识别。
参照图3-图4,进一步,在本发明的另一个实施例中,输入绝缘子图像时,首先重置大小并从特征提取层中获取特征,然后进入处理输出层,YOLO网络输出结果为一张张量,维度为:S×S×(B×5+C),由于采用多尺度输出,第一次在第82层输出时,输出尺寸为13×13×24;之后通过卷积、上采样和特征融合操作在第94层上第二次执行,输出尺寸为26×26×24;类似地,第106层中输出尺寸是52×52×24;
YOLO-V3在三个尺度下进行准确的预测,分别将输入的图像的维数降采样32、16、8;
具体地,尺度1:在基础网络之后添加一些卷积层再输出,对于前81层,网络对图像进行下采样,使得第81层的步长为32,使用1×1的卷积核进行一次检测,得到一个13×13×24的检测特征图;
尺度2:从尺度1中的倒数第二层的卷积层上采样再与最后一个特征图相加,再次通过多个卷积后输出,相比尺度1变大2倍,即对第79层的特征图进行几层卷积,然后用上采样2倍到26x26,之后这个特征图与第61层的特征图拼接起来,再对组合之后的特征图进行几个1x1卷积层的处理,以融合来自前一层(第61层)的特征,再对第94层进行第二次检测,得到26×26×24的检测特征图;
尺度3:重复以上步骤,在第91层的特征图与第36层的特征图进行深度连接之前,只对少数卷积层进行处理,后面的几个1×1卷积层融合来自前一层(第36层)的信息,在第106层对第3个检测进行最后处理,生成大小为52×52×24的特征图。
参照图5,进一步,在本发明的另一个实施例中,绝缘子分类识别模型的多尺度检测原理图,三个不同尺度的YOLO输出层分别对各自的前一层卷积层输出的特征图进行解析,输出经过YOLO层得到预测框信息和预测对象的置信度,通过比较三个尺度下的IoU值的高低确定相匹配的绝缘子框选尺度,从而实现三种类型绝缘子的定位识别;其中,卷积核的形状为1×1×(B×(5+C)),“5”表示4个矩形框的属性和一个对象的置信度。
参照图6,进一步,在本发明的另一个实施例中,基于YOLO的绝缘子定位识别模型对于绝缘子的定位识别具有较优的表现性能,经过前面的卷积操作提取图像的局部特征之后,最后通过全卷积层得到图像的全局信息,将这些全局信息输入预测层,得到最终的预测结果,识别出的绝缘子用框选标注并将识别度标于标签右侧,可直观判断并检出绝缘子,有效减少人工判别工作量,提高了电力巡检作业的准确度。
参照图7,进一步,在本发明的另一个实施例中,当训练初始速率为0.005时,训练次数为300时达到95%的较优识别度;当训练初始速率为0.001,训练次数为320次时达到95%的较优识别度;当训练初始速率为0.0005,训练次数为330次时达到95%的较优识别度;当选取训练初始速率为0.01时,训练次数为150时达到82%识别度;当选取训练初始速率为0.0001时,训练次数为210时达到60%识别度;随着训练的进行,绝缘子定位识别的训练效果不断优化,且当选取训练初始速率为0.005、0.001或0.0005时,该曲线迅速收敛至稳定,并能够达到95%较优识别度。
参照图8,本发明实施例还提供了一种基于YOLO的绝缘子定位识别装置,在该基于YOLO的绝缘子定位识别装置1000中,包括但不限于以下单元:绝缘子分类单元1100、数据库构建单元1200、绝缘子定位识别单元1300。
其中,绝缘子分类单元1100用于依据工业应用的不同将绝缘子进行分类;还用于将所述绝缘子分为悬式绝缘子、支柱绝缘子和绝缘套管三类;
数据库构建单元1200用于对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;
绝缘子定位识别单元1300用于输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。
进一步,本发明的另一个实施例中,所述绝缘子定位识别单元1300还包括但不限于以下单元:图像划分单元1310、预测单元1320、概率预测单元1330。
其中,图像划分单元1310用于采用YOLO-V3算法将所述绝缘子图像分成S×S的网格;
预测单元1320用于每个所述网格预测B个矩形框以及所述矩形框对应的置信度;其中,S表示划分网格数;B表示每个网格负责的边框个数;还用于所述矩形框包含5个预测量:x,y,w,h,s,s=Pr×IoU,其中,x,y坐标表示矩形框的中心相对于其所在网格左上角的偏移量;w,h表示矩形框的宽度和高度,相对于整张图片的宽高的比例;s表示置信度,即预测的矩形框和实际矩形框之间的IoU;IoU表示矩形框和真实目标框的交叠度;Pr表示条件类别概率,表征的是网格负责预测的矩形框的目标属于各个类别的概率,当网格包含目标时,Pr=1,否则Pr=0;
概率预测单元1330用于所述矩形框预测C个条件概率分布,所述概率分布为以当前所述预测的矩形框内存在目标为前提的条件概率;其中,C表示类别个数。
需要说明的是,由于本实施例中的一种基于YOLO的绝缘子定位识别装置与上述任一实施例中的基于YOLO的绝缘子定位识别方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
参照图9,本发明实施例还提供了一种基于YOLO的绝缘子定位识别设备,该基于YOLO的绝缘子定位识别设备6000可以是任意类型的智能终端,如手机、平板电脑、个人计算机等。
进一步地,该基于YOLO的绝缘子定位识别设备6000包括:一个或多个控制处理器6001和存储器6002,图9中以一个控制处理器6001为例。
控制处理器6001和存储器6002可以通过总线或其他方式连接,图9以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的基于YOLO的绝缘子定位识别设备对应的程序指令/模块,例如,图8中所示的绝缘子分类单元1100、数据库构建单元1200。控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块,从而执行基于YOLO的绝缘子定位识别装置1000的各种功能应用以及数据处理,即实现上述方法实施例的基于YOLO的绝缘子定位识别方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于YOLO的绝缘子定位识别装置1000的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该基于YOLO的绝缘子定位识别设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器6002中,当被所述一个或者多个控制处理器6001执行时,执行上述任意方法实施例中的基于YOLO的绝缘子定位识别方法。例如,执行以上描述的图1中的方法步骤S1至S3,图2中的方法步骤S31至S33b,实现图8中的单元1100-1300的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图9中的一个控制处理器6001执行,可使得上述一个或多个控制处理器6001执行上述方法实施例中的基于YOLO的绝缘子定位识别方法,例如,执行以上描述的图1中的方法步骤S1至S3,图2中的方法步骤S31至S33b,实现图8中的单元1100-1300的功能。
本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行,例如,被图9中的一个控制处理器6001执行,使得计算机执行如上述基于YOLO的绝缘子定位识别方法。例如,执行以上描述的图1中的方法步骤S1至S3,图2中的方法步骤S31至S33b,实现图8中的单元1100-1300的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于YOLO的绝缘子定位识别方法,其特征在于,包括以下步骤:
依据工业应用的不同将绝缘子进行分类;
对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;
输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。
2.根据权利要求1所述的基于YOLO的绝缘子定位识别方法,其特征在于,所述依据工业应用的不同将绝缘子进行分类,将所述绝缘子分为悬式绝缘子、支柱绝缘子和绝缘套管三类。
3.根据权利要求1所述的基于YOLO的绝缘子定位识别方法,其特征在于,所述输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测,包括:
采用YOLO-V3算法将所述绝缘子图像分成S×S的网格;
每个所述网格预测B个矩形框以及所述矩形框对应的置信度;
其中,S表示划分网格数;B表示每个网格负责的边框个数。
4.根据权利要求3所述的基于YOLO的绝缘子定位识别方法,其特征在于,所述矩形框包含5个预测量:x,y,w,h,s,s=Pr×IoU,其中,x,y坐标表示所述矩形框的中心相对于其所在网格左上角的偏移量;w,h表示所述矩形框的宽度和高度,相对于整张图片的宽高的比例;s表示置信度,即预测的矩形框和实际矩形框之间的IoU;IoU表示所述矩形框和真实目标框的交叠度;Pr表示条件类别概率,表征的是所述网格负责所述预测的矩形框的目标属于各个类别的概率,当所述网格包含目标时,Pr=1,否则Pr=0。
5.根据权利要求3所述的基于YOLO的绝缘子定位识别方法,其特征在于,所述矩形框预测C个条件概率分布,所述概率分布为以当前所述预测的矩形框内存在目标为前提的条件概率;其中,C表示类别个数。
6.根据权利要求1所述的基于YOLO的绝缘子定位识别方法,其特征在于,所述绝缘子定位识别模型,是基于darknet-53为底层网络结构的YOLO-V3模型。
7.一种基于YOLO的绝缘子定位识别装置,其特征在于,包括以下单元:
绝缘子分类单元,用于依据工业应用的不同将绝缘子进行分类;还用于将所述绝缘子分为悬式绝缘子、支柱绝缘子和绝缘套管三类;
数据库构建单元,用于对所述绝缘子分类构建外绝缘设备的本体特征识别数据库;
绝缘子定位识别单元,用于输入绝缘子图像,采用YOLO-V3算法对所述图像进行非监督的训练和学习,建立绝缘子定位识别模型,最终输出预测图像,完成检测。
8.根据权利要求7所述的基于YOLO的绝缘子定位识别装置,其特征在于,所述绝缘子定位识别单元还包括:
图像划分单元,用于采用YOLO-V3算法将所述绝缘子图像分成S×S的网格;
预测单元,用于每个所述网格预测B个矩形框以及所述矩形框对应的置信度;其中,S表示划分网格数;B表示每个网格负责的边框个数;还用于所述矩形框包含5个预测量:x,y,w,h,s,s=Pr×IoU,其中,x,y坐标表示所述矩形框的中心相对于其所在网格左上角的偏移量;w,h表示所述矩形框的宽度和高度,相对于整张图片的宽高的比例;s表示置信度,即预测的矩形框和实际矩形框之间的IoU;IoU表示所述矩形框和真实目标框的交叠度;Pr表示条件类别概率,表征的是所述网格负责所述预测的矩形框的目标属于各个类别的概率,当所述网格包含目标时,Pr=1,否则Pr=0;
概率预测单元,用于所述矩形框预测C个条件概率分布,所述概率分布为以当前所述预测的矩形框内存在目标为前提的条件概率;其中,C表示类别个数。
9.一种基于YOLO的绝缘子定位识别设备,其特征在于,包括:
至少一个控制处理器和用于与所述至少一个控制处理器所通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-6任一项所述的基于YOLO的绝缘子定位识别方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的基于YOLO的绝缘子定位识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066983.8A CN110992307A (zh) | 2019-11-04 | 2019-11-04 | 基于yolo的绝缘子定位识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066983.8A CN110992307A (zh) | 2019-11-04 | 2019-11-04 | 基于yolo的绝缘子定位识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992307A true CN110992307A (zh) | 2020-04-10 |
Family
ID=70083169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066983.8A Pending CN110992307A (zh) | 2019-11-04 | 2019-11-04 | 基于yolo的绝缘子定位识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992307A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855501A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法 |
CN113343918A (zh) * | 2021-06-30 | 2021-09-03 | 国网山东省电力公司电力科学研究院 | 一种电力设备识别方法、系统、介质及电子设备 |
CN113487541A (zh) * | 2021-06-15 | 2021-10-08 | 三峡大学 | 绝缘子检测方法及装置 |
CN113538411A (zh) * | 2021-08-06 | 2021-10-22 | 广东电网有限责任公司 | 一种绝缘子缺陷检测方法及装置 |
CN113609891A (zh) * | 2021-06-15 | 2021-11-05 | 北京瞭望神州科技有限公司 | 一种船只识别监测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109376580A (zh) * | 2018-08-30 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度学习的电力塔架部件识别方法 |
CN109614969A (zh) * | 2018-11-22 | 2019-04-12 | 华南理工大学 | 基于深度学习的大规模配电线路灾情抢修图像识别方法 |
CN109784336A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo目标检测算法的红外图像故障点识别方法 |
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断系统 |
CN109961460A (zh) * | 2018-12-26 | 2019-07-02 | 国网浙江省电力有限公司 | 一种基于改进YOLOv3模型的多目标巡检方法 |
US20190213689A1 (en) * | 2017-04-11 | 2019-07-11 | Alibaba Group Holding Limited | Image-based vehicle damage determining method and apparatus, and electronic device |
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110059554A (zh) * | 2019-03-13 | 2019-07-26 | 重庆邮电大学 | 一种基于交通场景的多支路目标检测方法 |
CN110135398A (zh) * | 2019-05-28 | 2019-08-16 | 厦门瑞为信息技术有限公司 | 基于计算机视觉的双手脱离方向盘检测方法 |
CN110175658A (zh) * | 2019-06-26 | 2019-08-27 | 浙江大学 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
-
2019
- 2019-11-04 CN CN201911066983.8A patent/CN110992307A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190213689A1 (en) * | 2017-04-11 | 2019-07-11 | Alibaba Group Holding Limited | Image-based vehicle damage determining method and apparatus, and electronic device |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109376580A (zh) * | 2018-08-30 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度学习的电力塔架部件识别方法 |
CN109614969A (zh) * | 2018-11-22 | 2019-04-12 | 华南理工大学 | 基于深度学习的大规模配电线路灾情抢修图像识别方法 |
CN109961460A (zh) * | 2018-12-26 | 2019-07-02 | 国网浙江省电力有限公司 | 一种基于改进YOLOv3模型的多目标巡检方法 |
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN109784336A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo目标检测算法的红外图像故障点识别方法 |
CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断系统 |
CN110059554A (zh) * | 2019-03-13 | 2019-07-26 | 重庆邮电大学 | 一种基于交通场景的多支路目标检测方法 |
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110135398A (zh) * | 2019-05-28 | 2019-08-16 | 厦门瑞为信息技术有限公司 | 基于计算机视觉的双手脱离方向盘检测方法 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110175658A (zh) * | 2019-06-26 | 2019-08-27 | 浙江大学 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
Non-Patent Citations (7)
Title |
---|
JOSEPH REDMON 等: "YOLOv3: An Incremental Improvement", 《ARXIV:1804.02767V1 [CS.CV]》 * |
RUI HUANG 等: "A Rapid Recognition Method for Electronic Components Based on the Improved YOLO-V3 Network", 《ELECTRONICS 2019》 * |
YOU-WH: "YOLLOV3算法详解", 《HTTPS://WWW.CNBLOGS.COM/YWHEUNJI/P/10809695.HTML》 * |
吴涛 等: "轻量级YOLOV3的绝缘子缺陷检测方法", 《计算机工程》 * |
康行天下: "目标检测网络之 YOLOv3", 《HTTPS://WWW.CNBLOGS.COM/MAKEFILE/P/YOLOV3.HTML》 * |
战争热诚: "深度学习论文翻译解析(一):YOLOv3: An Incremental Improvement", 《HTTPS://WWW.CNBLOGS.COM/WJ-1314/P/9744146.HTML》 * |
郭敬东 等: "基于YOLO的无人机电力线路杆塔巡检图像实时检测", 《中国电力》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855501A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法 |
CN111855501B (zh) * | 2020-07-30 | 2024-02-20 | 华北电力大学(保定) | 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法 |
CN113487541A (zh) * | 2021-06-15 | 2021-10-08 | 三峡大学 | 绝缘子检测方法及装置 |
CN113609891A (zh) * | 2021-06-15 | 2021-11-05 | 北京瞭望神州科技有限公司 | 一种船只识别监测方法及系统 |
CN113343918A (zh) * | 2021-06-30 | 2021-09-03 | 国网山东省电力公司电力科学研究院 | 一种电力设备识别方法、系统、介质及电子设备 |
CN113538411A (zh) * | 2021-08-06 | 2021-10-22 | 广东电网有限责任公司 | 一种绝缘子缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
CN111914813A (zh) | 基于图像分类的输电线路巡检图像命名方法及系统 | |
CN111178206A (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
CN112541508A (zh) | 果实分割识别方法及系统、果实采摘机器人 | |
CN108764456B (zh) | 机载目标识别模型构建平台、机载目标识别方法及设备 | |
CN113034444A (zh) | 一种基于MobileNet-PSPNet神经网络模型的路面裂缝检测方法 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN110910440A (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN117150838A (zh) | 一种基于视觉信息与物理融合的裂纹损伤智能评估方法 | |
Zhang et al. | Pavement crack detection based on deep learning | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN114154856A (zh) | 一种基于路网的电网路径规划节点计算方法与系统 | |
CN111859370A (zh) | 识别服务的方法、装置、电子设备和计算机可读存储介质 | |
CN110705695A (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN114821327B (zh) | 电力线和杆塔进行特征提取处理方法、系统及存储介质 | |
CN115272814B (zh) | 一种远距离空间自适应多尺度的小目标检测方法 | |
CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |