CN106778472A - 基于深度学习的输电走廊常见侵入物目标检测与识别方法 - Google Patents
基于深度学习的输电走廊常见侵入物目标检测与识别方法 Download PDFInfo
- Publication number
- CN106778472A CN106778472A CN201611022332.5A CN201611022332A CN106778472A CN 106778472 A CN106778472 A CN 106778472A CN 201611022332 A CN201611022332 A CN 201611022332A CN 106778472 A CN106778472 A CN 106778472A
- Authority
- CN
- China
- Prior art keywords
- invader
- layer
- detection
- sample
- training
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Burglar Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的输电走廊常见侵入物目标检测与识别方法，具体方法为：在训练阶段，利用深度学习方法，对视频采集装置获取到异物入侵的图片进行学习，通过学习得到所需的网络模型；在使用阶段，将现实监控到的画面传入所述网络模型，最终完成对侵入物的检测与识别。能够检测识别多种侵入物，并且具有较高的准确性与鲁棒性，同时保证了较快的处理速度，为输电线路提供了可靠的安全保障。
Description
技术领域
本发明涉及一种基于深度学习的输电走廊常见侵入物目标检测与识别方法，特别是涉及机器视觉领域的一种适用于输电走廊的，常见侵入物目标检测与识别方法。
背景技术
随着科技与经济的发展，国家电网的建设也在迅速发展，架设的输电线路不断增多，不过输电线路长期暴露在野外，且线路走廊地形复杂、多变，容易受到异物入侵，这为输电线路带来巨大的安全隐患，严重情况下可能酿成重大的输电设备事故，带来巨大的经济损失甚至人员伤亡。
对于输电走廊的监控，传统的方式是采用直升机来进行线路巡查，但是这种方法成本较高，且容易受到天气、环境等条件限制。之后出现了巡线机器人，但是这种方式不仅系统设计复杂，而且同样受限于外部环境。最近，视频监控系统得到了大量的研究与应用，但是对于输电走廊场景，现有的监控产品大多局限于某一种或几种侵入物的检测，无法对输电线路进行全方位的保护，远远不能满足实际的应用需求。
发明内容
本发明要解决的技术问题是提供一种针对输电走廊场景高效的能够全面检测和识别侵入物的方法，能够检测识别多种侵入物，并且具有较高的准确性与鲁棒性，同时保证了较快的处理速度，为输电线路提供了可靠的安全保障。
本发明采用的技术方案如下：一种基于深度学习的输电走廊常见侵入物目标检测与识别方法，具体方法为：在训练阶段，利用深度学习方法，对视频采集装置获取到异物入侵的图片进行学习，通过学习得到所需的网络模型；在使用阶段，将现实监控到的画面传入所述网络模型，最终完成对侵入物的检测与识别。
本发明能够检测识别多种侵入物，并且具有较高的准确性与鲁棒性，同时保证了较快的处理速度，为输电线路提供了可靠的安全保障。
其中，训练阶段的具体方法步骤为：
S11、对摄像头实时采集的视频图像，从输电走廊原图中提取包含侵入物的子图像；将提取到的所述子图像进行缩放处理，采用统一的大小，形成训练数据集；
S12、将训练数据集中侵入物的检测框与物体类别信息进行标定；
S13、将标定好的数据输入设计好的卷积神经网络(CNN)，前向传播获取模型输出的检测框信息与样本的类别信息；
S14、计算检测框信息输出结果与实际检测框位置信息的回归损失函数值，及样本的类别信息与样本实际类别标签的分类损失函数值；根据两个损失函数值，反向传播进行训练参数的调整。
所述训练阶段的具体方法步骤还包括，S15、将训练过程中划分结果出错的结果重新加入训练集中，作为典型的负样本取代随机生成的负样本，再一次进行模型训练。这样保证了训练时正样本与负样本的数量不会相差太大，同时进一步提升了分类器与回归器的准确率。
所述S15中，针对最后一层的分类器与回归器采取Hard Negative Mining方法选取负样本，对于分类分支，是将分类错误的样本作为负样本，对于回归分支，考察每一个候选框，如果和本类所有标定框的重叠都小于设定阈值认定其为负样本，将这些负样本取代之前随机生成的负样本。
使用阶段的具体方法步骤为：
S21、获取视频采集到的原始图像，并根据设定缩放比例进行缩放；
S22、将子图像传入训练好的卷积神经网络，若图像中包含侵入物，网络输出侵入物的检测框位置信息与类别标签，若不含有侵入物则返回到S21；
S23、将检测框信息根据原图缩放比例进行尺度变换，在原图中画出检测框将侵入物包围起来同时显示出侵入物的识别结果。
所述卷积神经网络结构为：对于层状网络结构，前九层用于提取图像特征，第一、三、五、六、八、九层为卷积层，其余为池化层，第九层网络之后增加一个上采样层，然后将上采样后的处理结果利用卷积核(滑动窗口)进行卷积；卷积核(滑动窗口)对应的每个特征区域同时预测输入图像的建议区域(检测框可能的位置与大小)；将卷积结果同时送往两个网络分支，一个分支用于分类，得到类别估算概率的分值(通常采用二分类器)，另一个分支用于目标检测，采用回归的方法，生成4通道映射结果作为目标边界框的位置信息；所述建议区域为检测框可能的位置与大小。
向前传播的过程为：将提取到的子图像作为输入信息，经过第一个卷积层，卷积层包含两个阶段，第一阶段将信息通过可训练的滤波器(卷积核)和可加偏置进行卷积滤波，可使原信号特征增强，同时降低噪声；第二阶段通过一个ReLU激活函数得到特征映射图；下一层为池化层，对输入做降采样，以此来降低卷积层输出的特征向量，同时改善结果，防止过拟合；其它的卷积层与池化层均进行类似的操作；第十层为上采样层，此处将第六层采样层的特征映射图和第九层的结果一同传入该层，进行特征融合；接下来利用滑窗对特征映射图进行卷积操作，从而将得到的特征向量进行整合，同时预测输入图像的建议区域，将结果输入两个分支的两个全连接层，第一个分支通过分类层得到分类结果；第二个分支将经过全连接层的结果传入一个回归器，最终得到检测边界框的位置。
与现有技术相比，本发明的有益效果是：本发明采用深度学习的算法针对输电走廊这一特定场景进行处理，可以对多种侵入物进行识别，提供侵入物的具体类别信息方便工作人员判断处理，而且设计的网络结构在卷积与池化之后分为两个分支，可以同时获取到物体的位置与类别信息，极大地提升了算法的效率。将不同卷积层获取到的特征进行融合可以提升判断的准确率，对较小的侵入物也可以有很好地检测识别效果。因此本发明在处理速度、准确性与稳定性三方面都有非常好的表现。
附图说明
图1为本发明其中一实施例的训练流程示意图。
图2为本发明其中一实施例的使用流程示意图。
图3为本发明其中一实施例的神经网络结构示意图。
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。
本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
具体实施例1
一种基于深度学习的输电走廊常见侵入物目标检测与识别方法，具体方法为：在训练阶段，利用深度学习方法，对视频采集装置获取到异物入侵的图片进行学习，通过学习得到所需的网络模型；在使用阶段，将现实监控到的画面传入所述网络模型，最终完成对侵入物的检测与识别。
具体实施例2
在具体实施例1的基础上，如图1所示，其中，训练阶段的具体方法步骤为：
S11、对摄像头实时采集的视频图像，从输电走廊原图中提取包含侵入物的子图像；将提取到的所述子图像进行缩放处理，采用统一的大小，形成训练数据集；
S12、将训练数据集中侵入物的检测框与物体类别信息进行标定；
S13、将标定好的数据输入设计好的卷积神经网络(CNN)，前向传播获取模型输出的检测框信息与样本的类别信息；
S14、计算检测框信息输出结果与实际检测框位置信息的回归损失函数值，及样本的类别信息与样本实际类别标签的分类损失函数值；根据两个损失函数值，反向传播进行训练参数的调整。
具体实施例3
在具体实施例1的基础上，所述训练阶段的具体方法步骤还包括，S15、将训练过程中划分结果出错的结果重新加入训练集中，作为典型的负样本取代随机生成的负样本，再一次进行模型训练。这样保证了训练时正样本与负样本的数量不会相差太大，同时进一步提升了分类器与回归器的准确率。
具体实施例4
在具体实施例3的基础上，所述S15中，针对最后一层的分类器与回归器采取HardNegative Mining方法选取负样本，对于分类分支，是将分类错误的样本作为负样本，对于回归分支，考察每一个候选框，如果和本类所有标定框的重叠都小于设定阈值认定其为负样本，将这些负样本取代之前随机生成的负样本。在本具体实施例中，所述设定阈值为0.3
具体实施例5
在具体实施例1到4之一的基础上，如图2所示，使用阶段的具体方法步骤为：
S21、获取视频采集到的原始图像，并根据设定缩放比例进行缩放；
S22、将子图像传入训练好的卷积神经网络，若图像中包含侵入物，网络输出侵入物的检测框位置信息与类别标签，若不含有侵入物则返回到S21；
S23、将检测框信息根据原图缩放比例进行尺度变换，在原图中画出检测框将侵入物包围起来同时显示出侵入物的识别结果。
在本具体实施例中，所述S21中，缩放为500×500的分辨率。
具体实施例6
在具体实施例2到5之一的基础上，如图3所示，所述卷积神经网络结构为：对于层状网络结构，前九层用于提取图像特征，第一、三、五、六、八、九层为卷积层，其余为池化层，第九层网络之后增加一个上采样层，然后将上采样后的处理结果利用一个3×3的卷积核(滑动窗口)进行卷积；卷积核(3×3滑动窗口)对应的每个特征区域同时预测输入图像的建议区域(检测框可能的位置与大小)；将卷积结果同时送往两个网络分支，一个分支用于分类，得到类别估算概率的分值(通常采用二分类器)，另一个分支用于目标检测，采用回归的方法，生成4通道映射结果作为目标边界框的位置信息；所述建议区域为检测框可能的位置与大小，例如3种尺度(例如：128,256,512)和3种长宽比(1:1,1:2,2:1)的建议区域。
具体实施例7
在具体实施例2到6之一的基础上，向前传播的过程为：将提取到的子图像作为输入信息，经过第一个卷积层，卷积层包含两个阶段，第一阶段将信息通过可训练的滤波器(卷积核)和可加偏置进行卷积滤波，可使原信号特征增强，同时降低噪声；第二阶段通过一个ReLU激活函数得到特征映射图；下一层为池化层，对输入做降采样，以此来降低卷积层输出的特征向量，同时改善结果，防止过拟合；其它的卷积层与池化层均进行类似的操作；第十层为上采样层，此处将第六层采样层的特征映射图和第九层的结果一同传入该层，进行特征融合；接下来利用滑窗对特征映射图进行卷积操作，从而将得到的特征向量进行整合，同时预测输入图像的建议区域，将结果输入两个分支的两个全连接层，第一个分支通过分类层得到分类结果；第二个分支将经过全连接层的结果传入一个回归器，最终得到检测边界框的位置。
反向传播的过程为：通过前向传播得到的分类标签与位置信息与样本实际信息来计算损失函数，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终的网络模型。
分类损失函数：
其中代表预测类别结果,c代表侵入物实际类别标签。
回归损失函数：
其中代表预测检测框位置信息，d*代表实际位置信息，(tx，ty，bx，by)分别指代检测框左上角的x、y坐标与右下角的x、y坐标。
最终将两个损失函数的值相加进行反向传播。
使用时，首先获取到待检测的输电走廊图像，将图像缩放至500×500的分辨率，然后将缩放后的图像输入训练好的卷积神经网络模型，进行前向传播，一旦有侵入物出现，就可以分别从模型的两个分支中获得目标所在位置的检测框与目标的类别信息，根据该信息与缩放比例在原图上画出侵入物的检测框与类别。
Claims (7)
1.一种基于深度学习的输电走廊常见侵入物目标检测与识别方法，具体方法为：在训练阶段，利用深度学习方法，对视频采集装置获取到异物入侵的图片进行学习，通过学习得到所需的网络模型；在使用阶段，将现实监控到的画面传入所述网络模型，最终完成对侵入物的检测与识别。
2.根据权利要求1所述的侵入物目标检测与识别方法，其中，训练阶段的具体方法步骤为：
S11、对摄像头实时采集的视频图像，从输电走廊原图中提取包含侵入物的子图像；将提取到的所述子图像进行缩放处理，采用统一的大小，形成训练数据集；
S12、将训练数据集中侵入物的检测框与物体类别信息进行标定；
S13、将标定好的数据输入设计好的卷积神经网络，前向传播获取模型输出的检测框信息与样本的类别信息；
S14、计算检测框信息输出结果与实际检测框位置信息的回归损失函数值，及样本的类别信息与样本实际类别标签的分类损失函数值；根据两个损失函数值，反向传播进行训练参数的调整。
3.根据权利要求2所述的侵入物目标检测与识别方法，所述训练阶段的具体方法步骤还包括，S15、将训练过程中划分结果出错的结果重新加入训练集中，作为典型的负样本取代随机生成的负样本，再一次进行模型训练。
4.根据权利要求3所述的侵入物目标检测与识别方法，所述S15中，针对最后一层的分类器与回归器采取Hard Negative Mining方法选取负样本，对于分类分支，是将分类错误的样本作为负样本，对于回归分支，考察每一个候选框，如果和本类所有标定框的重叠都小于设定阈值，认定其为负样本，将这些负样本取代之前随机生成的负样本。
5.根据权利要求1到4之一所述的侵入物目标检测与识别方法，使用阶段的具体方法步骤为：
S21、获取视频采集到的原始图像，并根据设定缩放比例进行缩放；
S22、将子图像传入训练好的卷积神经网络，若图像中包含侵入物，网络输出侵入物的检测框位置信息与类别标签，若不含有侵入物则返回到S21；
S23、将检测框信息根据原图缩放比例进行尺度变换，在原图中画出检测框将侵入物包围起来同时显示出侵入物的识别结果。
6.根据权利要求2到4之一所述的侵入物目标检测与识别方法，所述卷积神经网络结构为：对于层状网络结构，前九层用于提取图像特征，第一、三、五、六、八、九层为卷积层，其余为池化层，第九层网络之后增加一个上采样层，然后将上采样后的处理结果利用卷积核进行卷积；卷积核对应的每个特征区域同时预测输入图像的建议区域；将卷积结果同时送往两个网络分支，一个分支用于分类，得到类别估算概率的分值，另一个分支用于目标检测，采用回归的方法，生成4通道映射结果作为目标边界框的位置信息；所述建议区域为检测框可能的位置与大小。
7.根据权利要求6所述的侵入物目标检测与识别方法，向前传播的过程为：将提取到的子图像作为输入信息，经过第一个卷积层，卷积层包含两个阶段，第一阶段将信息通过可训练的滤波器和可加偏置进行卷积滤波；第二阶段通过一个ReLU激活函数得到特征映射图；下一层为池化层，对输入做降采样；其它的卷积层与池化层均进行类似的操作；第十层为上采样层，此处将第六层采样层的特征映射图和第九层的结果一同传入该层，进行特征融合；接下来利用滑窗对特征映射图进行卷积操作，从而将得到的特征向量进行整合，同时预测输入图像的建议区域，将结果输入两个分支的两个全连接层，第一个分支通过分类层得到分类结果；第二个分支将经过全连接层的结果传入一个回归器，最终得到检测边界框的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611022332.5A CN106778472A (zh) | 2016-11-17 | 2016-11-17 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611022332.5A CN106778472A (zh) | 2016-11-17 | 2016-11-17 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106778472A true CN106778472A (zh) | 2017-05-31 |
Family
ID=58968125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611022332.5A Pending CN106778472A (zh) | 2016-11-17 | 2016-11-17 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106778472A (zh) |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292886A (zh) * | 2017-08-11 | 2017-10-24 | 厦门市美亚柏科信息股份有限公司 | 基于网格划分及神经网络的目标物入侵检测方法及装置 |
| 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 |
| CN107862287A (zh) * | 2017-11-08 | 2018-03-30 | 吉林大学 | 一种前方小区域物体识别及车辆预警方法 |
| CN107895191A (zh) * | 2017-10-30 | 2018-04-10 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
| CN108133186A (zh) * | 2017-12-21 | 2018-06-08 | 东北林业大学 | 一种基于深度学习的植物叶片识别方法 |
| CN108470138A (zh) * | 2018-01-24 | 2018-08-31 | 博云视觉（北京）科技有限公司 | 用于目标检测的方法和装置 |
| CN108564065A (zh) * | 2018-04-28 | 2018-09-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
| CN108573228A (zh) * | 2018-04-09 | 2018-09-25 | 杭州华雁云态信息技术有限公司 | 一种输电线路异物入侵监测方法及装置 |
| CN108764292A (zh) * | 2018-04-27 | 2018-11-06 | 北京大学 | 基于弱监督信息的深度学习图像目标映射及定位方法 |
| CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
| CN108875537A (zh) * | 2018-02-28 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
| CN109447101A (zh) * | 2018-09-04 | 2019-03-08 | 北京悦图遥感科技发展有限公司 | 基于深度cnn的车辆位置识别方法、装置及存储介质 |
| CN109447246A (zh) * | 2018-10-30 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
| CN109631848A (zh) * | 2018-12-14 | 2019-04-16 | 山东鲁能软件技术有限公司 | 输电线路异物入侵检测系统和检测方法 |
| CN109785361A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于cnn与mog的变电站异物入侵检测系统 |
| CN109784672A (zh) * | 2018-12-25 | 2019-05-21 | 上海交通大学 | 一种针对电网异常的实时监测报警系统及方法 |
| CN109840488A (zh) * | 2019-01-24 | 2019-06-04 | 深圳市云恩科技有限公司 | 一种渡口人员识别系统及其识别方法 |
| CN110020598A (zh) * | 2019-02-28 | 2019-07-16 | 中电海康集团有限公司 | 一种基于深度学习检测电线杆上异物的方法及装置 |
| CN110135456A (zh) * | 2019-04-08 | 2019-08-16 | 图麟信息科技（上海）有限公司 | 一种目标检测模型的训练方法及装置 |
| CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及系统 |
| CN110348311A (zh) * | 2019-06-13 | 2019-10-18 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度学习的道路交叉口识别系统及方法 |
| CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
| CN110659658A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及其装置 |
| CN110717456A (zh) * | 2019-10-10 | 2020-01-21 | 北京百度网讯科技有限公司 | 对象监控方法和装置、系统、电子设备、存储介质 |
| CN110796154A (zh) * | 2018-08-03 | 2020-02-14 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
| CN110853295A (zh) * | 2019-11-12 | 2020-02-28 | 江西赣鄱云新型智慧城市技术研究有限公司 | 一种高空抛物预警方法和装置 |
| CN111369499A (zh) * | 2020-02-21 | 2020-07-03 | 北京致远慧图科技有限公司 | 一种眼底图像的处理方法及装置 |
| CN111652102A (zh) * | 2020-05-27 | 2020-09-11 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
| CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
| CN111862065A (zh) * | 2020-07-28 | 2020-10-30 | 国电南瑞科技股份有限公司 | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 |
| CN112700037A (zh) * | 2020-12-28 | 2021-04-23 | 成都国铁电气设备有限公司 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
| CN113160150A (zh) * | 2021-04-01 | 2021-07-23 | 西安科技大学 | 基于多类型样本融合与多复杂网络的线网异物入侵ai检测方法与装置 |
| CN113361322A (zh) * | 2021-04-23 | 2021-09-07 | 山东大学 | 一种基于加权反卷积层数改进dssd算法的输电线目标检测方法、设备及存储介质 |
| CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
| CN113532513A (zh) * | 2021-06-21 | 2021-10-22 | 沈阳达能电安全高新产业技术研究院有限公司 | 一种基于输电系统的侵入目标实时检测系统和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015180042A1 (en) * | 2014-05-27 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Learning deep face representation |
| CN105550709A (zh) * | 2015-12-14 | 2016-05-04 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
| CN105744232A (zh) * | 2016-03-25 | 2016-07-06 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
| CN105787510A (zh) * | 2016-02-26 | 2016-07-20 | 华东理工大学 | 基于深度学习实现地铁场景分类的系统及方法 |
| CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
-
2016
- 2016-11-17 CN CN201611022332.5A patent/CN106778472A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015180042A1 (en) * | 2014-05-27 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Learning deep face representation |
| CN105550709A (zh) * | 2015-12-14 | 2016-05-04 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
| CN105787510A (zh) * | 2016-02-26 | 2016-07-20 | 华东理工大学 | 基于深度学习实现地铁场景分类的系统及方法 |
| CN105744232A (zh) * | 2016-03-25 | 2016-07-06 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
| CN106127173A (zh) * | 2016-06-30 | 2016-11-16 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的人体属性识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钟晓明等: "基于快速区域卷积神经网络的交通标志识别算法研究", 《2016年中国汽车工程学会年会论文集》 * |
Cited By (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292886A (zh) * | 2017-08-11 | 2017-10-24 | 厦门市美亚柏科信息股份有限公司 | 基于网格划分及神经网络的目标物入侵检测方法及装置 |
| CN107292886B (zh) * | 2017-08-11 | 2019-12-31 | 厦门市美亚柏科信息股份有限公司 | 基于网格划分及神经网络的目标物入侵检测方法及装置 |
| 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 |
| CN107742093B (zh) * | 2017-09-01 | 2020-05-05 | 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 |
| US11922132B2 (en) | 2017-10-30 | 2024-03-05 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| CN107895191A (zh) * | 2017-10-30 | 2018-04-10 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
| CN107895191B (zh) * | 2017-10-30 | 2022-02-22 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
| US11762631B2 (en) | 2017-10-30 | 2023-09-19 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| CN107862287A (zh) * | 2017-11-08 | 2018-03-30 | 吉林大学 | 一种前方小区域物体识别及车辆预警方法 |
| CN108133186A (zh) * | 2017-12-21 | 2018-06-08 | 东北林业大学 | 一种基于深度学习的植物叶片识别方法 |
| CN108470138A (zh) * | 2018-01-24 | 2018-08-31 | 博云视觉（北京）科技有限公司 | 用于目标检测的方法和装置 |
| CN108875537A (zh) * | 2018-02-28 | 2018-11-23 | 北京旷视科技有限公司 | 对象检测方法、装置和系统及存储介质 |
| CN108764456A (zh) * | 2018-04-03 | 2018-11-06 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
| CN108764456B (zh) * | 2018-04-03 | 2021-06-22 | 北京环境特性研究所 | 机载目标识别模型构建平台、机载目标识别方法及设备 |
| CN108573228A (zh) * | 2018-04-09 | 2018-09-25 | 杭州华雁云态信息技术有限公司 | 一种输电线路异物入侵监测方法及装置 |
| CN108764292A (zh) * | 2018-04-27 | 2018-11-06 | 北京大学 | 基于弱监督信息的深度学习图像目标映射及定位方法 |
| CN108564065A (zh) * | 2018-04-28 | 2018-09-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
| CN108564065B (zh) * | 2018-04-28 | 2020-02-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
| CN110659658B (zh) * | 2018-06-29 | 2022-07-29 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及其装置 |
| CN110659658A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及其装置 |
| US11605211B2 (en) | 2018-08-03 | 2023-03-14 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method and apparatus, and device |
| US11423634B2 (en) | 2018-08-03 | 2022-08-23 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method, apparatus, and device |
| CN110796154A (zh) * | 2018-08-03 | 2020-02-14 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
| CN109447101B (zh) * | 2018-09-04 | 2021-07-09 | 北京悦图数据科技发展有限公司 | 基于深度cnn的车辆位置识别方法、装置及存储介质 |
| CN109447101A (zh) * | 2018-09-04 | 2019-03-08 | 北京悦图遥感科技发展有限公司 | 基于深度cnn的车辆位置识别方法、装置及存储介质 |
| CN109447246B (zh) * | 2018-10-30 | 2021-01-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN109447246A (zh) * | 2018-10-30 | 2019-03-08 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
| CN109631848A (zh) * | 2018-12-14 | 2019-04-16 | 山东鲁能软件技术有限公司 | 输电线路异物入侵检测系统和检测方法 |
| CN109785361A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于cnn与mog的变电站异物入侵检测系统 |
| CN109784672A (zh) * | 2018-12-25 | 2019-05-21 | 上海交通大学 | 一种针对电网异常的实时监测报警系统及方法 |
| CN109840488A (zh) * | 2019-01-24 | 2019-06-04 | 深圳市云恩科技有限公司 | 一种渡口人员识别系统及其识别方法 |
| CN110020598A (zh) * | 2019-02-28 | 2019-07-16 | 中电海康集团有限公司 | 一种基于深度学习检测电线杆上异物的方法及装置 |
| CN110020598B (zh) * | 2019-02-28 | 2022-04-15 | 中电海康集团有限公司 | 一种基于深度学习检测电线杆上异物的方法及装置 |
| CN110135456A (zh) * | 2019-04-08 | 2019-08-16 | 图麟信息科技（上海）有限公司 | 一种目标检测模型的训练方法及装置 |
| CN110147757A (zh) * | 2019-05-17 | 2019-08-20 | 国网山东省电力公司菏泽供电公司 | 基于卷积神经网络的输电通道工程车辆辨识方法及系统 |
| CN110348311A (zh) * | 2019-06-13 | 2019-10-18 | 中国人民解放军战略支援部队信息工程大学 | 一种基于深度学习的道路交叉口识别系统及方法 |
| CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
| CN110717456A (zh) * | 2019-10-10 | 2020-01-21 | 北京百度网讯科技有限公司 | 对象监控方法和装置、系统、电子设备、存储介质 |
| CN110853295A (zh) * | 2019-11-12 | 2020-02-28 | 江西赣鄱云新型智慧城市技术研究有限公司 | 一种高空抛物预警方法和装置 |
| CN111369499A (zh) * | 2020-02-21 | 2020-07-03 | 北京致远慧图科技有限公司 | 一种眼底图像的处理方法及装置 |
| CN111652102A (zh) * | 2020-05-27 | 2020-09-11 | 国网山东省电力公司东营供电公司 | 一种输电通道目标物辨识方法及系统 |
| CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
| CN111862065B (zh) * | 2020-07-28 | 2022-08-26 | 国电南瑞科技股份有限公司 | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 |
| CN111862065A (zh) * | 2020-07-28 | 2020-10-30 | 国电南瑞科技股份有限公司 | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 |
| CN112700037A (zh) * | 2020-12-28 | 2021-04-23 | 成都国铁电气设备有限公司 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
| CN113160150A (zh) * | 2021-04-01 | 2021-07-23 | 西安科技大学 | 基于多类型样本融合与多复杂网络的线网异物入侵ai检测方法与装置 |
| CN113361322A (zh) * | 2021-04-23 | 2021-09-07 | 山东大学 | 一种基于加权反卷积层数改进dssd算法的输电线目标检测方法、设备及存储介质 |
| CN113532513A (zh) * | 2021-06-21 | 2021-10-22 | 沈阳达能电安全高新产业技术研究院有限公司 | 一种基于输电系统的侵入目标实时检测系统和方法 |
| CN113532513B (zh) * | 2021-06-21 | 2024-03-29 | 沈阳达能电安全高新产业技术研究院有限公司 | 一种基于输电系统的侵入目标实时检测系统和方法 |
| CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106778472A (zh) | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 | |
| Pi et al. | Convolutional neural networks for object detection in aerial imagery for disaster response and recovery | |
| CN110135243B (zh) | 一种基于两级注意力机制的行人检测方法及系统 | |
| CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN109635694B (zh) | 一种行人检测方法、装置、设备及计算机可读存储介质 | |
| CN112001339A (zh) | 一种基于YOLO v4的行人社交距离实时监测方法 | |
| WO2021009141A1 (en) | Object-based change detection using a neural network | |
| WO2019227954A1 (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
| CN111444809A (zh) | 一种基于改进YOLOv3的输电线路异常目标检测方法 | |
| CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
| CN109766830A (zh) | 一种基于人工智能图像处理的舰船目标识别系统及方法 | |
| CN109033950A (zh) | 基于多特征融合级联深度模型的车辆违停检测方法 | |
| CN110852179B (zh) | 基于视频监控平台的可疑人员入侵的检测方法 | |
| CN105608454A (zh) | 基于文字结构部件检测神经网络的文字检测方法及系统 | |
| CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN110348437A (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
| Bhagya et al. | An overview of deep learning based object detection techniques | |
| CN112906678B (zh) | 基于监控视频的非法遛狗事件检测方法、装置 | |
| Zheng et al. | A review of remote sensing image object detection algorithms based on deep learning | |
| Nazerdeylami et al. | Smart coastline environment management using deep detection of manmade pollution and hazards | |
| CN111767919A (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
| CN115311458B (zh) | 基于多任务学习的实时高速公路行人闯入事件检测方法 | |
| CN111275733A (zh) | 基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法 | |
| CN114882498A (zh) | 面向采摘机器人的遮挡和重叠果实识别方法 | |
| CN112633162B (zh) | 适于高速公路外场遮挡条件下的行人快速检测及跟踪方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |