CN113515655A - 一种基于图像分类的故障识别方法及装置 - Google Patents
一种基于图像分类的故障识别方法及装置 Download PDFInfo
- Publication number
- CN113515655A CN113515655A CN202110706618.XA CN202110706618A CN113515655A CN 113515655 A CN113515655 A CN 113515655A CN 202110706618 A CN202110706618 A CN 202110706618A CN 113515655 A CN113515655 A CN 113515655A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- power transmission
- fault
- classification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 82
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像分类的故障识别方法,其特征是,包括:建立输电线路正常图像资料库和输电线路故障图像资料库;采集输电线路实时运行图像,对采集到的输电线路进行图像预处理,存储到待识别图像库中;将待识别图像输入基于深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中;将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障以及发生故障的类型。
Description
技术领域
本发明涉及电力系统故障识别技术领域,具体涉及一种基于图像分类的故障识别方法及装置。
背景技术
在电力系统中,输电线路是重要的组成部分,由于输电线路的工作环境是野外,因此不同的自然环境以及外部因素难免会对输电线路造成干扰和破坏,影响输电线路的正常工作状态,输电线路一旦出现故障,对于运行维护人员来说是很大的挑战,一方面对企业来说需要一定的管控水平,对专业性要求较高,目前的图像库与线路实际不吻合,导致不能指导线路进行高效检修。
在实际检修过程中会遇到如下技术问题:
现有台账记录形式沿用手工的形式反映,设备台账资料更新速度慢,输电线路周围发生较大的地理环境变化时,处理比较困难,线路巡视维护人员运行维护时,工作方式单一、劳动强度大,造成人员工作的能动性差,因此如何提出电力系统输电线路的故障识别装置给监控及检修人员提供参考,准确地识别和定位故障识别能力至关重要。
目前基于图像块的算法导致特征点位置精度不够准确,同时特征点与描述子分开进行训练导致运算资源的浪费,网络不够精简,实时性不足;或者仅仅训练特征点或者描述子的一种,不能用同一个网络进行联合训练;
发明内容
本发明的目的就是为了解决上述问题,提供一种基于图像分类的故障识别方法及装置,首先,建立正常图像资料库和输电线路故障图像资料库,实时将采集的图片进行分类处理后进行比较,通过相似性比较检测分类结果是否发生故障以及故障的具体类型,保证故障处理的及时性和准确性,为检修人员提供了指导,极大提高检修效率。
为了实现上述目的,第一方面,本公开提供了一种基于图像分类的故障识别方法;
建立输电线路正常图像资料库和输电线路故障图像资料库;
采集输电线路实时运行图像,对采集到的输电线路进行图像预处理,存储到待识别图像库中;
将待识别图像输入基于深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中;
将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障以及发生故障的类型。
进一步的技术方案,所述建立输电线路正常图像资料库和输电线路故障图像资料库的过程为:采用无人机航拍分别采集输电线路正常运行状态下和发生故障时进行图像采集,对图像进行预处理,分别对应存储到输电线路正常图像资料库和输电线路故障图像资料库中。
进一步的技术方案,所述对图像进行预处理,具体包括:
将所述RGB类型的彩色图像的RGB空间转换为HSI空间,选取S分量作为所述灰度图,将所述灰度图转换到[0,255]的像素空间得到灰度图;
对所述灰度图进行图像增强,确定图像增强后的灰度图;
采用阈值分割方法对所述图像增强后的灰度图进行分割;
进一步的技术方案,所述基于深度学习特征点的图像分类网络包括:编码层、解码层和全连接层。
进一步的技术方案,所述分类过程为:
将待识别图像输入编码层,对输入的待分类图像进行编码,输出目标特征图;
将所述目标特征图输入至所述解码层,对输入的所述目标特征图进行特征描述,得到所述待分类图像的特征描述子;
将所述特征描述子输入所述全连接层,对输入的所述特征描述子进行分类,得到所述待分类图像的分类结果。
进一步的技术方案,所述判断当前输电线路是否出现故障的过程为:将分类结果和所述输电线路正常图像资料库进行相似性度量,当相似度大于等于第一阈值时,输电线路为正常运行,若相似度大于等于第一阈值时,输电线路发生故障,当输电线路发生故障时,进一步判断发生故障的类型。
进一步的技术方案,所述判断发生故障的类型具体为:将分类结果和输电线路故障图像资料库进行相似性度量,当相似性大于等于第二阈值时,调用相应的故障类型和解决的具体措施,当相似性小于第二阈值时,将该分类结果上传至专家客户端进行分析,分析后将结果传回至故障监控端。
第二方面,本公开提供了一种基于图像分类的故障识别装置;
标准数据库建立装置,被配置为建立输电线路正常图像资料库和输电线路故障图像资料库;
待识别图像库采集装置,被配置为采集输电线路实时运行图像,对采集到的输电线路进行图像预处理,存储到待识别图像库中;
图像分类识别装置,被配置为将待识别图像输入基于深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中;
故障识别装置,被配置为将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障以及发生故障的类型。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述一种基于图像分类的故障识别方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述一种基于图像分类的故障识别方法的步骤。
本发明的有益效果:
(1)本发明建立正常图像资料库和输电线路故障图像资料库,实时将采集的图片进行分类处理后进行比较,通过相似性比较检测分类结果是否发生故障以及故障的具体类型,保证故障处理的及时性和准确性,为检修人员提供了指导,极大提高检修效率。
(2)本发明能够在原始图像提取到像素级精度的特征点的位置及其描述子。
附图说明
图1为本发明提出的一种基于图像分类的故障识别方法的流程示意图;
图2为本发明提出的超级点解码器的结构图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指出,本文使用的所有技术和科学术语具有与本申请所述技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应理解的是,当在本说明书中使用“包含”和/或“包括”时,其指明存在特征,步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图与实施例对本发明作进一步说明。
发明整体思路:
首先,建立正常图像资料库和输电线路故障图像资料库,实时将采集的图片进行分类处理后进行比较,通过相似性比较检测分类结果是否发生故障以及故障的具体类型,保证故障处理的及时性和准确性,为检修人员提供了指导,极大提高检修效率。
实施例一,本实施例提供了一种基于图像分类的故障识别方法;
如图1所示,基于本发明实现的一种基于图像分类的故障识别方法,包括:
步骤1:建立输电线路正常图像资料库和输电线路故障图像资料库;
所述资料库包括输电线路杆型图、输电线路金具、输电线路杆塔等。
建立输电线路正常图像资料库和输电线路故障图像资料库的过程为:采用无人机航拍分别采集输电线路正常运行状态下和发生故障时进行图像采集,对图像进行预处理,分别对应存储到输电线路正常图像资料库和输电线路故障图像资料库中。
拍摄分类具体为:杆塔杆号、杆型、金具及附件、大号侧通道、小号侧通道、杆塔左侧和右侧地理环境、交叉跨越侧面地理环境等图像资料。
拍摄顺序依次为:①杆型、②金具及附件③杆塔杆号④大号侧通道⑤、小号侧通道⑥杆塔左侧地理环境⑦杆塔右侧地理环境⑧交叉跨越侧面地理环境。
步骤2:采集输电线路实时运行图像,对采集到的输电线路运行图像进行图像预处理,存储到待识别图像库中,具体包括:
步骤201:所述输电线路图像为RGB类型的彩色图像,将所述RGB类型的彩色图像的RGB空间转换为HSI空间,选取S分量作为所述灰度图,将所述灰度图转换到[0,255]的像素空间得到灰度图;
步骤202:对所述灰度图进行图像增强,确定图像增强后的灰度图;
步骤203:采用阈值分割方法对所述图像增强后的灰度图进行分割;
阈值确定后,将阈值与像素点的灰度值进行比较,将像素灰度值分为大于阈值和小于阈值两类,即可获得前景和背景两类图像分割结果。阈值分割具有计算简单、运算效率较高、速度快的优点。
步骤3:将待识别图像输入基于训练好的深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中。
如图2所示,基于深度学习特征点的图像分类网络包括:编码层、解码层和全连接层。
目前,通常是通过反卷积得到上采样的图像,但是这种操作会导致计算量的骤增以及会引入一种棋盘效应,因此本申请解码层带有“特定解码器”这种解码器没有参数,可以以减小模型计算量。
网络的具体训练过程包括:
步骤(1):MagicPoint提取,采用虚拟的三维物体作为数据集,训练网络去提取角点,得到MagicPoint;
步骤(2):兴趣点自标注,使用真实场景图片,用第一步训练出来的网络MagicPoint+Homographic Adaptation提取角点;
步骤(3):对步骤(3)使用的图片进行几何变换得到新的图片,得到已知位姿关系的图片对,把这两张图片输入深度学习特征点网络,提取特征描述子。
步骤301:将待识别图像输入编码层,对输入的待分类图像进行编码,输出目标特征图;
步骤302:将所述目标特征图输入至所述解码层,对输入的所述目标特征图进行特征描述,得到所述待分类图像的特征描述子;
步骤303:将所述特征描述子输入所述全连接层,对输入的所述特征描述子进行分类,得到所述待分类图像的分类结果。
本申请实施例中,特征描述子为一个三维数字矩阵形式,用于描述待分类图像的图像特征。可选地,图像特征为二维矩阵。
步骤4:将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障。
具体的判断过程为:将分类结果和所述输电线路正常图像资料库进行相似性度量,当相似度大于等于第一阈值时,输电线路为正常运行,若相似度大于等于第一阈值时,输电线路发生故障。当输电线路发生故障时,进一步判断发生故障的类型。
所述判断发生故障的类型具体为:将分类结果和输电线路故障图像资料库进行相似性度量,当相似性大于等于第二阈值时,调用相应的故障类型和解决的具体措施,当相似性小于第二阈值时,将该分类结果上传至专家客户端进行分析,分析后将结果传回至故障监控端。
实施例二,本实施例提供了一种基于图像分类的故障识别装置;
如图2所示,一种基于图像分类的故障识别装置,包括:
标准数据库建立装置,被配置为建立输电线路正常图像资料库和输电线路故障图像资料库;
待识别图像库采集装置,被配置为采集输电线路实时运行图像,对采集到的输电线路进行图像预处理,存储到待识别图像库中;
图像分类识别装置,被配置为将待识别图像输入基于深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中;
故障识别装置,被配置为将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障以及发生故障的类型。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一所述方法的步骤。
实施例四,本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述方法的步骤。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于图像分类的故障识别方法,其特征是,包括:
建立输电线路正常图像资料库和输电线路故障图像资料库;
采集输电线路实时运行图像,对采集到的输电线路进行图像预处理,存储到待识别图像库中;
将待识别图像输入基于深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中;
将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障以及发生故障的类型。
2.如权利要求1所述的一种基于图像分类的故障识别方法,其特征是,所述建立输电线路正常图像资料库和输电线路故障图像资料库的过程为:采用无人机航拍分别采集输电线路正常运行状态下和发生故障时进行图像采集,对图像进行预处理,分别对应存储到输电线路正常图像资料库和输电线路故障图像资料库中。
3.如权利要求2所述的一种基于图像分类的故障识别方法,其特征是,所述对图像进行预处理,具体包括:
将所述RGB类型的彩色图像的RGB空间转换为HSI空间,选取S分量作为所述灰度图,将所述灰度图转换到[0,255]的像素空间得到灰度图;
对所述灰度图进行图像增强,确定图像增强后的灰度图;
采用阈值分割方法对所述图像增强后的灰度图进行分割;
4.如权利要求1所述的一种基于图像分类的故障识别方法,其特征是,所述基于深度学习特征点的图像分类网络包括:编码层、解码层和全连接层。
5.如权利要求1所述的一种基于图像分类的故障识别方法,其特征是,所述分类过程为:
将待识别图像输入编码层,对输入的待分类图像进行编码,输出目标特征图;
将所述目标特征图输入至所述解码层,对输入的所述目标特征图进行特征描述,得到所述待分类图像的特征描述子;
将所述特征描述子输入所述全连接层,对输入的所述特征描述子进行分类,得到所述待分类图像的分类结果。
6.如权利要求1所述的一种基于图像分类的故障识别方法,其特征是,所述判断当前输电线路是否出现故障的过程为:将分类结果和所述输电线路正常图像资料库进行相似性度量,当相似度大于等于第一阈值时,输电线路为正常运行,若相似度大于等于第一阈值时,输电线路发生故障,当输电线路发生故障时,进一步判断发生故障的类型。
7.如权利要求6所述的一种基于图像分类的故障识别方法,其特征是,所述判断发生故障的类型具体为:将分类结果和输电线路故障图像资料库进行相似性度量,当相似性大于等于第二阈值时,调用相应的故障类型和解决的具体措施,当相似性小于第二阈值时,将该分类结果上传至专家客户端进行分析,分析后将结果传回至故障监控端。
8.一种基于图像分类的故障识别装置,其特征是,包括,
标准数据库建立装置,被配置为建立输电线路正常图像资料库和输电线路故障图像资料库;
待识别图像库采集装置,被配置为采集输电线路实时运行图像,对采集到的输电线路进行图像预处理,存储到待识别图像库中;
图像分类识别装置,被配置为将待识别图像输入基于深度学习特征点的图像分类网络对图像进行分类,存储到分类结果数据库中;
故障识别装置,被配置为将分类结果分别和所述输电线路正常图像资料库和输电线路故障图像资料库进行相似度判断,和预设阈值进行比较,根据比较结果判断当前输电线路是否出现故障以及发生故障的类型。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项一种基于图像分类的故障识别方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项一种基于图像分类的故障识别方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706618.XA CN113515655A (zh) | 2021-06-24 | 2021-06-24 | 一种基于图像分类的故障识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706618.XA CN113515655A (zh) | 2021-06-24 | 2021-06-24 | 一种基于图像分类的故障识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113515655A true CN113515655A (zh) | 2021-10-19 |
Family
ID=78066292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706618.XA Pending CN113515655A (zh) | 2021-06-24 | 2021-06-24 | 一种基于图像分类的故障识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515655A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984018A (zh) * | 2021-10-27 | 2022-01-28 | 南方电网数字电网研究院有限公司 | 一种基于手机定位的现场数字化标准勘察方法 |
CN115272983A (zh) * | 2022-09-29 | 2022-11-01 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN116381419A (zh) * | 2023-06-05 | 2023-07-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN117054824A (zh) * | 2023-10-12 | 2023-11-14 | 南方电网科学研究院有限责任公司 | 基于功率相似度的配电网故障定位方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
CN110263868A (zh) * | 2019-06-24 | 2019-09-20 | 北京航空航天大学 | 基于SuperPoint特征的图像分类网络 |
CN112270267A (zh) * | 2020-10-29 | 2021-01-26 | 国网山东省电力公司淄博供电公司 | 可自动抓拍线路故障的摄像识别系统 |
-
2021
- 2021-06-24 CN CN202110706618.XA patent/CN113515655A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
CN110263868A (zh) * | 2019-06-24 | 2019-09-20 | 北京航空航天大学 | 基于SuperPoint特征的图像分类网络 |
CN112270267A (zh) * | 2020-10-29 | 2021-01-26 | 国网山东省电力公司淄博供电公司 | 可自动抓拍线路故障的摄像识别系统 |
Non-Patent Citations (1)
Title |
---|
DANIEL DETONE等: ""SuperPoint:Self-Supervised Interest Point Detection and Description"", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS (CVPRW)》, 16 December 2018 (2018-12-16) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984018A (zh) * | 2021-10-27 | 2022-01-28 | 南方电网数字电网研究院有限公司 | 一种基于手机定位的现场数字化标准勘察方法 |
CN115272983A (zh) * | 2022-09-29 | 2022-11-01 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN115272983B (zh) * | 2022-09-29 | 2023-01-03 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN116381419A (zh) * | 2023-06-05 | 2023-07-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN116381419B (zh) * | 2023-06-05 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN117054824A (zh) * | 2023-10-12 | 2023-11-14 | 南方电网科学研究院有限责任公司 | 基于功率相似度的配电网故障定位方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829826B (zh) | 一种基于深度学习和语义分割的图像检索方法 | |
CN109145759B (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN111054080B (zh) | 智能检测透视外挂方法、装置、设备及其存储介质 | |
CN108596102B (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
US20200402242A1 (en) | Image analysis method and apparatus, and electronic device and readable storage medium | |
CN112132197A (zh) | 模型训练、图像处理方法、装置、计算机设备和存储介质 | |
CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
CN112329851A (zh) | 一种图标检测方法、装置及计算机可读存储介质 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
CN114519698A (zh) | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 | |
CN111798435A (zh) | 图像处理方法、工程车辆侵入输电线路监测方法及系统 | |
CN115115950A (zh) | 一种基于图像直方图特征的无人机图像查重方法 | |
CN114612741A (zh) | 缺陷识别模型的训练方法、装置、电子设备及存储介质 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN112819008B (zh) | 实例检测网络的优化方法、装置、介质及电子设备 | |
CN114037895A (zh) | 一种无人机杆塔巡检图像识别方法 | |
CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
CN111582278B (zh) | 人像分割方法、装置及电子设备 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 |
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 |