CN107145846A - 一种基于深度学习的绝缘子识别方法 - Google Patents
一种基于深度学习的绝缘子识别方法 Download PDFInfo
- Publication number
- CN107145846A CN107145846A CN201710283365.3A CN201710283365A CN107145846A CN 107145846 A CN107145846 A CN 107145846A CN 201710283365 A CN201710283365 A CN 201710283365A CN 107145846 A CN107145846 A CN 107145846A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- msup
- image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
- G06V10/443—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 by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的绝缘子检测识别方法,包括对航拍图像进行预处理,其次,通过几何变换,对比度增强,添加模拟噪声等方法对数据进行扩充;采集绝缘子样本,针对不同种类的绝缘子,应分类进行采集;确定好待训练的模型结构;样本输入到待训练的模型中,通过前向传播和后向传播的方法不断的调整权重以及偏置参数,最终确定最优化的模型参数,基于已经训练好的模型,将待检测图像作为输入信号,经过网络多层的卷积、池化、全连接操作,得到最终的检测识别结果。本发明通过深度学习的方法,不断地学习绝缘子特征,确定学习网络模型,实现不同背景环境下不同绝缘子的识别,为电力养护决策提供支持。
Description
技术领域
本发明涉及一种基于深度学习的绝缘子识别方法,属于输电线路无人机图像的绝缘子识别技术领域。
背景技术
由于输电线要长期经受风吹、雨淋、日晒,加上自身机械疲劳,会使得绝缘子出现破碎、裂缝等损伤,使绝缘子不能正常的发挥作用,进而导致输电线路的发生危险,相关数据表明,国内输电线路的故障约有八成是由绝缘子发生故障导致。输电线路上绝缘子的主要作用是固定输电线,一旦发生故障,就会导致输电线与输电线之间或输电线与塔台之间发生接触,导致供电中断,严重时甚至会发生大范围停电的事故。因此,需要对绝缘子进行定期的检修和维护。按照传统的依赖人工进行检测,不仅耗时,也耗人力和财力。随着自动化、智能化、高速化技术的发展,如何快速准确地检测和识别输电线路的绝缘子已成为数字图像处理领域中的一个热门问题。
目前,对绝缘子识别的方法主要分为两大类:基于模板检测的算法和基于机器学习的方法,前者主要通过一些常见的算子对原图像进行模板匹配,后者主要通过学习绝缘子的特征进行识别。目前位置,国内外对绝缘子识别有一些研究,文献“基于SIFT的高速列车车顶瓷瓶识别方法”(林萍,王黎,罗林.机车电传动,2012(5):87-89.)中研究了基于SIFT的绝缘瓷瓶识别方法;文献“基于学习算法受电弓瓷瓶定位检测方法的研究”(王士成.西南交通大学,2011.)分别利用BP神经网络和Adaboost机器学习算法,实现了对彩色及黑白绝缘子的识别,论证了在高速条件下获取的图像中识别与定位多个目标的可行性。文献“接触网棒式绝缘子故障检测的快速模糊匹配方法”张桂南等(张桂南,刘志刚,韩烨,等.铁道学报,2013,35(5):27-33.)通过绝缘子模板匹配的方法及光线反射点特性实现了绝缘子定位,但是该方法对光照的角度以及亮度有较高的要求。
上述方法主要以传统的模板匹配为主,此类方法虽然可以达到提取的效果,但是算法鲁棒性不够,面对拍摄角度各异,光照亮度变化大,背景复杂等情况,绝缘子提取的精度不够高。而前些年受到大家追捧的Adaboost的学习算法尽管比模板匹配好,但是其提取的样本特征比较单一,不够多元化,样本的选择对提取的结果影响大。总的来说,上述各方法应用于电气化铁路接触悬挂绝缘子故障识别中均存在一定缺陷。电力系统中绝缘子图像采集多由人工或航拍来完成,以需求的特定角度及焦距在特定的光照环境下进行拍摄。背景变化多,较为复杂,以上方法不具有普遍性,不能很好运用到实际系统中。
发明内容
本发明要解决的技术问题是:提供一种基于深度学习的绝缘子识别方法,能够识别在各种拍摄角度、各种拍摄背景的情况下,精确的识别出各种材质的绝缘子,以解决现有技术中存在的问题。
本发明采取的技术方案为:一种基于深度学习的绝缘子识别方法,该方法包括以下步骤:
步骤1,对航拍的原图像进行预处理,检测拍摄图像是否存在抖动、模糊的问题,并进行去噪防抖处理;
步骤2,样本扩充,在步骤1中预处理图像的基础上,通过对图像采用多次旋转、噪声扰动、改变图像的对比度的方法,生成多幅类似图像,扩充样本;
步骤3,采集样本,根据绝缘子的材质不同,主要采集陶瓷绝缘子,玻璃钢化绝缘子,合成绝缘子,半导体绝缘子4种绝缘子样本,在样本采集的过程中,保证每种绝缘子样本数量大于1000个,总数量不低于4000个。
步骤4,训练模型,采用卷积神经网络的训练,卷积网络通过不断的学习,不断的调整与确定输入与输出之间的映射关系,用已知的模式对卷积网络加以训练学习,调整网络的参数,卷积神经网络就能得到映射的输入输出对,通过对采集到的样本的学习,不断的对卷积神经网络中权重参数进行调整,最终可以确定了神经网络模型;
步骤5,绝缘子检测识别,利用训练出来的神经网络模型对待检测图像样本进行检测,将图像作为输入变量,经过神经网络模型的不断映射,最后确定出绝缘子所在图像中的位置。
优选的,上述步骤1中去噪防抖处理采用双边滤波器进行去噪处理,双边滤波是基于高斯滤波思想的一种非线性滤波技术,其加权系数同时考虑了像素的空间距离和基于灰度高斯距离下的相似度。双边滤波将图像的任意一点与其周围的像素的差异进行高斯权重量化。双边函数的表达式如下:
其中,B(x,y,i,j)表示影像上滤波窗口内像素点(i,j)对滤波中心像素(x,y)的综合权重影响因子;σd表示领域内距离方差;σg表示窗口内像素的方差值;N表示对影像进行双边滤波处理时的卷积窗口半径大小。双边滤波针对图像窗口内像素的亮度信息,计算灰度之间的相似度,结合距离因子而赋予像素的权重,对原图像进行卷积计算,通过实验表面,当参数组合为r=20,σd=25,σg=30的情况下,双边滤波对无人机影像有较好的滤波效果,有效地保护了图片中的绝缘子特征。
优选的,上述步骤2中预处理的数据的扩充方法包括对预处理过的图像进行几何变换、改变图像对比度和人为添加模拟噪声。
优选的,上述几何变换是在规定范围内对图像进行旋转,改变图像的大小以及位移,生成不同几何变换条件下的新图像;改变图像对比度采用三种方法:1)将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差,2)将三个彩色空间的像素围绕平均像素强度线性变换加减两个标准偏差,3)对比受限的自适应直方图均衡化;人为添加噪声采用高斯核对图像进行卷积,产生一些随机噪声。
优选的,上述卷积神经网络为多层的神经网络,每层由多个二维平面组成,也称为特征图,每个特征图是由多个独立神经元组成,卷积网络输入层接收原始图像,卷积和下采样交替进行。
优选的,上述卷积网络工作步骤如下:
1)第一隐藏层进行卷积,它由8个特征图组成,每个特征图由28×28个神经元组成,每个神经元指定一个5×5接受域的信号;
2)第二隐藏层实现局部子抽样和局部平均,它由8个特征图组成,每个特征图由14×14个神经元组成;根据图像空间局部相关性,对图像进行子抽样;每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个sigmoid激励函数;
3)第三隐藏层进行第二次卷积,由20个特征图组成,每个特征图由10×10个神经元组成,该隐藏层中的每个神经元具有和下一个隐藏层几个特征映射相连的突触连接,它与第一个卷积层相同方式操作;
4)第四个隐藏层进行第二次子抽样和局部平均汁算,它由20个特征图组成,但每个特征图由5×5个神经元组成,它与第一次抽样相同方式操作;
5)第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域;
6)最后一层是个全连接层,得到输出向量。
优选的,上述步骤(4)中,在开始训练前,所有的权都采用不同的小随机数进行初始化。
优选的,上述步骤(4)中,卷积神经网络的训练包括前向传播和后向传播两个阶段:
一、前向传播
从样本集中取一个样本(Xi,Yi),其中Xi为样本图像二维矩阵,Yi为卷积神经网络网络输出的特征向量。将Xi输入网络;经过卷积、子抽样、激励函数和全连接层重复计算计算相应的实际输出向量hi,在此阶段,样本图像从输入层根据公式(2),逐级进行网络层的变换计算,最终传送到全连接输出层,得到输出向量:
其中w,b分别为权重参数和偏置参数,f为激活函数,相邻的神经网络层之间通过非线性公式(2)相互联系。因此,给定神经网络的输入,我们可以逐层计算出神经网络的输出值,这个过程称为前向传播。
二、后向传播
首先计算实际输出向量hi与相应的理想输出向量Yi的差;根据差结果,按极小化误差的方法反向传播调整权矩阵,具体方法如下公式所示:
对于一个含有m个样本的数据集,整体的代价函数如公式(4)所示:
上式中第一项是样例在样本数据集里的平均误差,第二项是权重衰减项,防止过拟合,其中l为神经网络当前层,λ为权重衰减参数。在反向传播的过程中,目标是针对权重矩阵w和偏置向量b求取代价函数的最小值。通过梯度下降的方法,在每一次迭代的过程中按照公式(5)更新权重参数w和偏置参数b:
其中α为学习率,上标l代表参数所在的层是网络第l层。基于更新函数,接下来只需要针对每一个样本(xi,yi)求出关于参数的偏导数就行,在求偏导数的过程中需要计算每一层节点的残差即上一层节点不正确输出对下层节点的影像。在卷积神经网络模型的最后一层的残差计算方法如公式(6)所示,并且残差通过网络逐层向前传播,其余各层l的第i个节点的残差计算方法如公式(7)所示:
因此通过不断的迭代使用前向传播和反向传导的方法,不断的调整权重以及偏置参数。为了得到所需要的卷积神经网络模型,迭代次数为20000次,学习率为0.1。
本发明的有益效果:与现有技术相比,本发明的效果如下:
(1)本发明通过深度学习的方法,不断地学习绝缘子特征,确定学习网络模型,能够识别在各种拍摄角度、各种拍摄背景的情况下,精确的识别出各种材质的绝缘子,为电力养护决策提供支持;
(2)本发明对原始图像进行去噪处理,提高了图像的信噪比,能有效地增强目标特征,抑制部分背景噪声,增强目标和背景的对比,常规的算法进行去噪处理,可能会对目标边缘产生模糊效果,本发明采用双边滤波进行去噪处理,它不仅能去除噪声,也能很好的目标图像边缘,取得很好的去噪效果;
(3)本发明为了增强检测识别方法的鲁棒性,在步骤三采集样本之前,对预处理过的图像进行几何变换、改变图像对比度、人为添加模拟噪声等方式,扩充待采集样本的多样性,生成多幅类似图像,以利于接下来的样本采集,扩大样本的丰富程度,以满足在不同拍摄角度,拍摄天气,拍摄尺度等背景条件下,仍然能精确的识别绝缘子;
(4)本发明在样本采集的过程中,根据绝缘子的材质不同,主要采集陶瓷绝缘子,玻璃钢化绝缘子,合成绝缘子,半导体绝缘子4种绝缘子样本,在样本采集的过程中,保证每种绝缘子样本数量大于1000个,总数量不低于4000个。在样本采集的过程中,尽量保证每一类样本数量足够多,样本数量越多,对识别的精度改善越大;
(5)本发明采用小随机数用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败;不同的小随机数用来保证网络可以正常地学习,实际上,如果用相同的数去初始化权矩阵,则网络无能力学习;
(6)本发明采用卷积神经网络训练,卷积神经网络为一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性,兼顾了监督学习和非监督学习策略,网络的最大的优势在于稀疏连接和权值共享两个特点,很大程度的减少了参数的数目,不同特征平面对应不同的卷积核,多卷积核保证了特征的多样性,特征提取更加完整,且能够通过下采样的方式来降低特征映射的分辨率。
附图说明
图1为本发明实施例的流程图;
图2为本发明采集样本图;
图3为本发明实施例的深度卷积网络结构图;
图4为本发明实施例的sigmoid函数;
图5为本发明实施例的绝缘子检测识别效果图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例:如图1-5所示,一种基于深度学习的绝缘子识别方法,该方法包括以下步骤:
步骤1,对航拍的原图像进行预处理,检测拍摄图像是否存在抖动、模糊的问题,并进行去噪防抖处理;
步骤2,样本扩充,在步骤1中预处理图像的基础上,通过对图像采用多次旋转、噪声扰动、改变图像的对比度的方法,生成多幅类似图像,扩充样本;
步骤3,采集样本,根据绝缘子的材质不同,主要采集陶瓷绝缘子,玻璃钢化绝缘子,合成绝缘子,半导体绝缘子4种绝缘子样本,在样本采集的过程中,保证每种绝缘子样本数量大于1000个,总数量不低于4000个
步骤4,训练模型,采用卷积神经网络的训练,卷积网络通过不断的学习,不断的调整与确定输入与输出之间的映射关系,用已知的模式对卷积网络加以训练学习,调整网络的参数,卷积神经网络就能得到映射的输入输出对,通过对采集到的样本的学习,不断的对卷积神经网络中权重参数进行调整,最终可以确定了神经网络模型;
步骤5,绝缘子检测识别,利用训练出来的神经网络模型对待检测图像样本进行检测,将图像作为输入变量,经过神经网络模型的不断映射,最后确定出绝缘子所在图像中的位置。
优选的,上述步骤1中去噪防抖处理1.去噪防抖处理采用双边滤波器进行去噪处理,双边滤波是基于高斯滤波思想的一种非线性滤波技术,其加权系数同时考虑了像素的空间距离和基于灰度高斯距离下的相似度。双边滤波将图像的任意一点与其周围的像素的差异进行高斯权重量化。双边函数的表达式如下:
其中,B(x,y,i,j)表示影像上滤波窗口内像素点(i,j)对滤波中心像素(x,y)的综合权重影响因子;σd表示领域内距离方差;σg表示窗口内像素的方差值;N表示对影像进行双边滤波处理时的卷积窗口半径大小。双边滤波针对图像窗口内像素的亮度信息,计算灰度之间的相似度,结合距离因子而赋予像素的权重,对原图像进行卷积计算,通过实验表面,当参数组合为r=20,σd=25,σg=30的情况下,双边滤波对无人机影像有较好的滤波效果,有效地保护了图片中的绝缘子特征。
优选的,上述步骤2中预处理的数据的扩充方法包括对预处理过的图像进行几何变换、改变图像对比度和人为添加模拟噪声。
优选的,上述几何变换是在规定范围内对图像进行旋转,改变图像的大小以及位移,生成不同几何变换条件下的新图像;改变图像对比度采用三种方法:1)将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差,2)将三个彩色空间的像素围绕平均像素强度线性变换加减两个标准偏差,3)对比受限的自适应直方图均衡化;人为添加噪声采用高斯核对图像进行卷积,产生一些随机噪声。
优选的,上述卷积神经网络为多层的神经网络,每层由多个二维平面组成,也称为特征图,每个特征图是由多个独立神经元组成,卷积网络输入层接收原始图像,卷积和下采样交替进行。
优选的,上述卷积网络工作步骤如下:
1)第一隐藏层进行卷积,它由8个特征图组成,每个特征图由28×28个神经元组成,每个神经元指定一个5×5接受域的信号;
2)第二隐藏层实现局部子抽样和局部平均,它由8个特征图组成,每个特征图由14×14个神经元组成;根据图像空间局部相关性,对图像进行子抽样;每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个sigmoid激励函数;
3)第三隐藏层进行第二次卷积,由20个特征图组成,每个特征图由10×10个神经元组成,该隐藏层中的每个神经元具有和下一个隐藏层几个特征映射相连的突触连接,它与第一个卷积层相同方式操作;
4)第四个隐藏层进行第二次子抽样和局部平均汁算,它由20个特征图组成,但每个特征图由5×5个神经元组成,它与第一次抽样相同方式操作;
5)第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域;
6)最后一层是个全连接层,得到输出向量。
优选的,上述步骤(4)中,在开始训练前,所有的权都采用不同的小随机数进行初始化。
实施例2:一种基于深度学习的绝缘子识别方法,该方法包括以下步骤:
步骤一:首先对路面图像进行预处理。由于路面图像在获取的过程中,受拍摄条件、地面油污、CCD噪声、人为等因素影响,会对获取的路面图像产生噪声干扰。因此,首先对原始图像进行去噪处理,它可以提高图像的信噪比,能有效地增强目标特征,抑制部分背景噪声,增强目标和背景的对比。常规的算法进行去噪处理,可能会对目标边缘产生模糊效果,本发明实施例基于双边滤波进行去噪处理,它不仅能去除噪声,也能很好的目标图像边缘,取得很好的去噪效果。双边滤波是基于高斯滤波思想的一种非线性滤波技术,其加权系数同时考虑了像素的空间距离和基于灰度高斯距离下的相似度。双边滤波将图像的任意一点与其周围的像素的差异进行高斯权重量化。双边函数的表达式如下:
其中,B(x,y,i,j)表示影像上滤波窗口内像素点(i,j)对滤波中心像素(x,y)的综合权重影响因子;σd表示领域内距离方差;σg表示窗口内像素的方差值;N表示对影像进行双边滤波处理时的卷积窗口半径大小。双边滤波针对图像窗口内像素的亮度信息,计算灰度之间的相似度,结合距离因子而赋予像素的权重,对原图像进行卷积计算,通过实验表面,当参数组合为r=20,σd=25,σg=30的情况下,双边滤波对无人机影像有较好的滤波效果,有效地保护了图片中的绝缘子特征。因此双边滤波器具有很好的去噪保边效果,当然,此处除双边滤波外,也可以选用其他的滤波方法,如中值滤波等,以预处理后的路面图像为原始图像进行后续步骤的处理。
步骤二:数据扩充
样本数量足够多,种类足够丰富,识别检测的精度越高,因此,为了增强检测识别方法的鲁棒性,在步骤三采集样本之前,对预处理过的图像进行几何变换,改变图像对比度,人为添加模拟噪声等方式,扩充待采集样本的多样性,以满足在不同拍摄角度,拍摄天气,拍摄尺度等背景条件下,仍然能精确的识别绝缘子。几何变换:在规定范围内对图像进行旋转,改变图像的大小以及位移等方法,生成不同几何变换条件下的新图像。对比度变换主要采用三种方法:1)将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差。2)将三个彩色空间的像素围绕平均像素强度线性变换加减两个标准偏差。3)对比受限的自适应直方图均衡化。添加噪声的方法主要采用高斯核对图像进行卷积,产生一些随机噪声。
步骤三:采集样本
考虑到绝缘子种类的多样性:陶瓷绝缘子,玻璃钢化绝缘子,合成绝缘子,半导体绝缘子等,在采集样本之前,得首先确定要采集样本的类别。针对每一种类别,分别进行绝缘子样本的采集。对于每一种绝缘子类别,尽可能保证样本数量足够多,场景足够丰富。样本越丰富,绝缘子检测识别的效果越好,在样本采集的过程中,分别采集4种绝缘子训练样本,保证每种绝缘子样本数量大于1000个,总数量不低于4000个采集结果如图2。
步骤四:训练模型
训练模型之前,首先介绍下卷积神经网络卷积网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。这些良好的性能兼顾了监督学习和非监督学习策略,网络的最大的优势在于稀疏连接和权值共享两个特点,具有以下的约束条件:首先,每一个神经元从上一层的局部接受域得到信号,从而接收到低阶特征。其次,网络的每一个计算层包含多个特征映射,每个特征映射都是平面形式的。平面中单独的神经元在约束下共享相同的突触权值集,这种结构具有很大的优势,即为:a.平移不变性。b.权值共享,参数大幅度减少。最后,每个卷积层后面跟着一个实现局部平均和子抽样的替换层,简单来说就是通过下采样的方式来降低特征映射的分辨率。
卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,也称为特征图,每个特征图是由多个独立神经元组成。图3是卷积网络的一个实例,图中的卷积网络工作流程如下,输入层接收原始图像。然后,卷积和下采样交替进行,层数越多,表达的特征越全局,如下所述:
第一隐藏层进行卷积,它由8个特征图组成,每个特征图由28×28个神经元组成,每个神经元指定一个5×5接受域的信号;
第二隐藏层实现局部子抽样和局部平均,它同样由8个特征图组成,但其每个特征图由14×14个神经元组成。根据图像空间局部相关性原理,对图像进行子抽样既可以去除无关信息,也能保留重要的特征信息。每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个sigmoid激励函数(如图4)。
第三隐藏层进行第二次卷积,它由20个特征图组成,每个特征图由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作。
第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征图组成,但每个特征图由5×5个神经元组成,它与第一次抽样相似的方式操作。
第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域。
最后是个全连接层,得到输出向量。
基于卷积神经网络的训练,卷积网络在本质上是一种输入到输出的映射,通过不断的学习,不断的调整与确定输入与输出之间的映射关系,不像传统的机器学习方法,需要精确的数学表达方式,它只要用已知的模式对卷积网络加以训练学习,调整网络的参数,网络就能得到输入输出对之间的映射能力。卷积网络执行的是有导师训练,所以其样本集是由形如:(输入向量,理想输出向量)的向量对构成的。所有这些向量对,都应该是来源于网络即将模拟的系统的实际“运行”结果。训练的过程主要分为两个阶段,如下:
一、前向传播
从样本集中取一个样本(Xi,Yi),其中Xi为样本图像二维矩阵,Yi为卷积神经网络网络输出的特征向量。将Xi输入网络;经过卷积、子抽样、激励函数和全连接层重复计算计算相应的实际输出向量hi,在此阶段,样本图像从输入层根据公式(2),逐级进行网络层的变换计算,最终传送到全连接输出层,得到输出向量:
其中w,b分别为权重参数和偏置参数,f为激活函数,相邻的神经网络层之间通过非线性公式(2)相互联系。因此,给定神经网络的输入,我们可以逐层计算出神经网络的输出值,这个过程称为前向传播。
二、后向传播
首先计算实际输出向量hi与相应的理想输出向量Yi的差;根据差结果,按极小化误差的方法反向传播调整权矩阵,具体方法如下公式所示:
对于一个含有m个样本的数据集,整体的代价函数如公式(4)所示
上式中第一项是样例在样本数据集里的平均误差,第二项是权重衰减项,防止过拟合,其中l为神经网络当前层,λ为权重衰减参数。在反向传播的过程中,目标是针对权重矩阵w和偏置向量b求取代价函数的最小值。通过梯度下降的方法,在每一次迭代的过程中按照公式(5)更新权重参数w和偏置参数b:
其中α为学习率,上标l代表参数所在的层是网络第l层。基于更新函数,接下来只需要针对每一个样本(xi,yi)求出关于参数的偏导数就行,在求偏导数的过程中需要计算每一层节点的残差即上一层节点不正确输出对下层节点的影像。在卷积神经网络模型的最后一层的残差计算方法如公式(6)所示,并且残差通过网络逐层向前传播,其余各层l的第i个节点的残差计算方法如公式(7)所示:
因此通过不断的迭代使用前向传播和反向传导的方法,不断的调整权重以及偏置参数。为了得到所需要的卷积神经网络模型,迭代次数为20000次,学习率为0.1。
步骤五:绝缘子识别检测,通过已经确定好了的神经网络模型,将图像作为输入变量,经过神经网络模型的不断映射,最后确定出绝缘子所在图像中的位置。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于深度学习的绝缘子识别方法,其特征在于:该方法包括以下步骤:
步骤1,对航拍的原图像进行预处理,检测拍摄图像是否存在抖动、模糊的问题,并进行去噪防抖处理;
步骤2,样本扩充,在步骤1中预处理图像的基础上,通过对图像采用多次旋转、噪声扰动、改变图像的对比度的方法,生成多幅类似图像,扩充样本;
步骤3,采集样本,根据绝缘子的材质不同,主要采集陶瓷绝缘子,玻璃钢化绝缘子,合成绝缘子,半导体绝缘子4种绝缘子样本,在样本采集的过程中,保证每种绝缘子样本数量大于1000个,总数量不低于4000个。
步骤4,训练模型,采用卷积神经网络的训练,卷积网络通过不断的学习,不断的调整与确定输入与输出之间的映射关系,用已知的模式对卷积网络加以训练学习,调整网络的参数,卷积神经网络就能得到映射的输入输出对,通过对采集到的样本的学习,不断的对卷积神经网络中权重参数进行调整,最终可以确定了神经网络模型;
步骤5,绝缘子检测识别,利用训练出来的神经网络模型对待检测图像样本进行检测,将图像作为输入变量,经过神经网络模型的不断映射,最后确定出绝缘子所在图像中的位置。
2.根据权利要求1所述的一种基于深度学习的绝缘子识别方法,其特征在于:步骤1中去噪防抖处理采用双边滤波器进行去噪处理,双边滤波将图像的任意一点与其周围的像素的差异进行高斯权重量化,双边函数的表达式如下:
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>y</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>d</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>g</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,B(x,y;i,j)表示影像上滤波窗口内像素点(i,j)对滤波中心像素(x,y)的综合权重影响因子;σd表示领域内距离方差;σg表示窗口内像素的方差值;N表示对影像进行双边滤波处理时的卷积窗口半径大小。双边滤波针对图像窗口内像素的亮度信息,计算灰度之间的相似度,结合距离因子而赋予像素的权重,对原图像进行卷积计算,通过实验表面,当参数组合为r=20,σd=25,σg=30的情况下,双边滤波对无人机影像有较好的滤波效果,有效地保护了图片中的绝缘子特征。
3.根据权利要求1所述的一种基于深度学习的绝缘子识别方法,其特征在于:步骤2中预处理的数据的扩充方法包括对预处理过的图像进行几何变换、改变图像对比度和人为添加模拟噪声。
4.根据权利要求2所述的一种基于深度学习的绝缘子识别方法,其特征在于:几何变换是在规定范围内对图像进行旋转,改变图像的大小以及位移,生成不同几何变换条件下的新图像;改变图像对比度采用三种方法:1)将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差,2)将三个彩色空间的像素围绕平均像素强度线性变换加减两个标准偏差,3)对比受限的自适应直方图均衡化;人为添加噪声采用高斯核对图像进行卷积,产生一些随机噪声。
5.根据权利要求1所述的一种基于深度学习的绝缘子识别方法,其特征在于:卷积神经网络为多层的神经网络,每层由多个二维平面组成,也称为特征图,每个特征图是由多个独立神经元组成,卷积网络输入层接收原始图像,卷积和下采样交替进行。
6.根据权利要求5所述的一种基于深度学习的绝缘子识别方法,其特征在于:卷积网络工作步骤如下:
1)第一隐藏层进行卷积,它由8个特征图组成,每个特征图由28×28个神经元组成,每个神经元指定一个5×5接受域的信号;
2)第二隐藏层实现局部子抽样和局部平均,它由8个特征图组成,每个特征图由14×14个神经元组成;根据图像空间局部相关性,对图像进行子抽样;每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个sigmoid激励函数;
3)第三隐藏层进行第二次卷积,由20个特征图组成,每个特征图由10×10个神经元组成,该隐藏层中的每个神经元具有和下一个隐藏层几个特征映射相连的突触连接,它与第一个卷积层相同方式操作;
4)第四个隐藏层进行第二次子抽样和局部平均汁算,它由20个特征图组成,但每个特征图由5×5个神经元组成,它与第一次抽样相同方式操作;
5)第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域;
6)最后一层是个全连接层,得到输出向量。
7.根据权利要求1所述的一种基于深度学习的绝缘子识别方法,其特征在于:步骤(4)中,在开始训练前,所有的权都采用不同的小随机数进行初始化。
8.根据权利要求1所述的一种基于深度学习的绝缘子识别方法,其特征在于:步骤(4)中,卷积神经网络的训练包括前向传播和后向传播两个阶段:
一、前向传播
从样本集中取一个样本(Xi,Yi),其中Xi为样本图像二维矩阵,Yi为卷积神经网络网络输出的特征向量,将Xi输入网络;经过卷积、子抽样、激励函数和全连接层重复计算计算相应的实际输出向量hi,在此阶段,样本图像从输入层根据公式(2),逐级进行网络层的变换计算,最终传送到全连接输出层,得到输出向量:
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中w,b分别为权重参数和偏置参数,f为激活函数,相邻的神经网络层之间通过非线性公式(2)相互联系,给定神经网络的输入,逐层计算出神经网络的输出值。
二、后向传播
首先计算实际输出向量hi与相应的理想输出向量Yi的差;根据差结果,按极小化误差的方法反向传播调整权矩阵,具体方法如下公式所示:
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
对于一个含有m个样本的数据集,整体的代价函数如公式(4)所示
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>O</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mi>&lambda;</mi>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<msub>
<mi>n</mi>
<mi>l</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>s</mi>
<mi>l</mi>
</msub>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中第一项是样例在样本数据集里的平均误差,第二项是权重衰减项,防止过拟合,其中l为神经网络当前层,λ为权重衰减参数,在反向传播的过程中,目标是针对权重矩阵w和偏置向量b求取代价函数的最小值,通过梯度下降的方法,在每一次迭代的过程中按照公式(5)更新权重参数w和偏置参数b:
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
</mrow>
</mfrac>
<mi>J</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>n</mi>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mi>n</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>&lambda;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中α为学习率,上标l代表参数所在的层是网络第l层,采用更新函数,需要针对每一个样本(xi,yi)求出关于参数的偏导数就行,在求偏导数的过程中需要计算每一层节点的残差即上一层节点不正确输出对下层节点的影像,在卷积神经网络模型的最后一层的残差计算方法如公式(6)所示,并且残差通过网络逐层向前传播,其余各层l的第i个节点的残差计算方法如公式(7)所示:
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mi>l</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<msup>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</mfrac>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>n</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mi>l</mi>
</mrow>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</msubsup>
<msubsup>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mi>l</mi>
</mrow>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
因此通过不断的迭代使用前向传播和反向传导的方法,不断的调整权重以及偏置参数,迭代次数为20000次,学习率为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283365.3A CN107145846B (zh) | 2017-04-26 | 2017-04-26 | 一种基于深度学习的绝缘子识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283365.3A CN107145846B (zh) | 2017-04-26 | 2017-04-26 | 一种基于深度学习的绝缘子识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107145846A true CN107145846A (zh) | 2017-09-08 |
CN107145846B CN107145846B (zh) | 2018-10-19 |
Family
ID=59775238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710283365.3A Active CN107145846B (zh) | 2017-04-26 | 2017-04-26 | 一种基于深度学习的绝缘子识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145846B (zh) |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633061A (zh) * | 2017-09-21 | 2018-01-26 | 天时汇(北京)电子商务有限公司 | 一种腕表识别系统 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108090517A (zh) * | 2017-12-29 | 2018-05-29 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
CN108154239A (zh) * | 2017-12-27 | 2018-06-12 | 郑州云海信息技术有限公司 | 一种机器学习方法及其装置 |
CN108181556A (zh) * | 2017-12-18 | 2018-06-19 | 国网浙江省电力有限公司检修分公司 | 基于铁帽温差时间序列分析的瓷质绝缘子零值检测方法 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108447551A (zh) * | 2018-02-09 | 2018-08-24 | 北京连心医疗科技有限公司 | 一种基于深度学习的靶区自动勾画方法、设备和存储介质 |
CN108564125A (zh) * | 2018-04-16 | 2018-09-21 | 华北电力大学(保定) | 一种绝缘子图像分类方法及系统 |
CN108573284A (zh) * | 2018-04-18 | 2018-09-25 | 陕西师范大学 | 基于正交实验分析的深度学习人脸图像扩充方法 |
CN108648169A (zh) * | 2018-03-20 | 2018-10-12 | 中国科学院自动化研究所 | 高压输电塔绝缘子缺陷自动识别的方法及装置 |
CN108734709A (zh) * | 2018-05-29 | 2018-11-02 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN108900848A (zh) * | 2018-06-12 | 2018-11-27 | 福建帝视信息科技有限公司 | 一种基于自适应可分离卷积的视频质量增强方法 |
CN108921120A (zh) * | 2018-07-13 | 2018-11-30 | 北京优创新港科技股份有限公司 | 一种适应广泛零售场景下的香烟识别方法 |
CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN109242169A (zh) * | 2018-08-28 | 2019-01-18 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN109685968A (zh) * | 2018-12-15 | 2019-04-26 | 西安建筑科技大学 | 一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
CN109767434A (zh) * | 2019-01-07 | 2019-05-17 | 西安电子科技大学 | 基于神经网络的时域弱小目标检测方法 |
CN109800806A (zh) * | 2019-01-14 | 2019-05-24 | 中山大学 | 一种基于深度学习的农作物病害检测算法 |
CN109886386A (zh) * | 2019-01-30 | 2019-06-14 | 北京声智科技有限公司 | 唤醒模型的确定方法及装置 |
CN110060265A (zh) * | 2019-05-15 | 2019-07-26 | 北京艺泉科技有限公司 | 一种从书画文物图像中分割并提取印章的方法 |
CN110136131A (zh) * | 2019-05-24 | 2019-08-16 | 贵州电网有限责任公司 | 一种基于深度学习的零值绝缘子检测方法 |
CN110146642A (zh) * | 2019-05-14 | 2019-08-20 | 上海大学 | 一种气味分析方法及装置 |
CN110210387A (zh) * | 2019-05-31 | 2019-09-06 | 华北电力大学(保定) | 基于知识图谱的绝缘子目标检测方法、系统、装置 |
CN110208660A (zh) * | 2019-06-05 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 |
CN110858391A (zh) * | 2018-08-23 | 2020-03-03 | 通用电气公司 | 患者专用的深度学习图像降噪方法和系统 |
CN111091178A (zh) * | 2019-11-22 | 2020-05-01 | 国网山西省电力公司大同供电公司 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
CN111121607A (zh) * | 2019-12-13 | 2020-05-08 | 深圳大学 | 一种训练三维定位模型的方法及三维定位方法、装置 |
CN111126381A (zh) * | 2019-12-03 | 2020-05-08 | 浙江大学 | 一种基于r-dfpn算法的绝缘子倾斜定位与识别方法 |
CN111539302A (zh) * | 2020-04-20 | 2020-08-14 | 山东理工大学 | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 |
CN111583198A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 |
CN111597511A (zh) * | 2020-06-02 | 2020-08-28 | 国网湖北省电力有限公司电力科学研究院 | 一种基于数学假设检验的玻璃绝缘子抽样试验验收判定方法 |
CN111783806A (zh) * | 2019-04-04 | 2020-10-16 | 千寻位置网络有限公司 | 深度学习模型的优化方法及装置、服务器 |
CN111915000A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种用于医疗图像的网络模型的调整方法和装置 |
CN112327109A (zh) * | 2020-10-16 | 2021-02-05 | 贵州电网有限责任公司 | 运动导轨式输电线路绝缘子自动检测装置 |
CN112418297A (zh) * | 2020-11-19 | 2021-02-26 | 北京云从科技有限公司 | 基于图像扩展的ocr模型训练方法、系统及装置 |
CN112541389A (zh) * | 2020-09-29 | 2021-03-23 | 西安交通大学 | 一种基于EfficientDet网络的输电线路故障检测方法 |
CN112733589A (zh) * | 2020-10-29 | 2021-04-30 | 广西科技大学 | 一种基于深度学习的红外图像行人检测方法 |
CN113160184A (zh) * | 2021-04-26 | 2021-07-23 | 贵州电网有限责任公司 | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 |
CN113763677A (zh) * | 2021-08-18 | 2021-12-07 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于视频监测技术的输电线路绝缘子偏移预警系统 |
CN114820567A (zh) * | 2022-05-17 | 2022-07-29 | 合肥工业大学 | 一种基于深度学习的绝缘子检测方法 |
US11783221B2 (en) | 2019-05-31 | 2023-10-10 | International Business Machines Corporation | Data exposure for transparency in artificial intelligence |
CN117218422A (zh) * | 2023-09-12 | 2023-12-12 | 北京国科恒通科技股份有限公司 | 一种基于机器学习的电网图像识别方法及系统 |
Citations (4)
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 |
CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
US20160321523A1 (en) * | 2015-04-30 | 2016-11-03 | The Regents Of The University Of California | Using machine learning to filter monte carlo noise from images |
-
2017
- 2017-04-26 CN CN201710283365.3A patent/CN107145846B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321523A1 (en) * | 2015-04-30 | 2016-11-03 | The Regents Of The University Of California | Using machine learning to filter monte carlo noise from images |
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 |
CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
Cited By (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633061A (zh) * | 2017-09-21 | 2018-01-26 | 天时汇(北京)电子商务有限公司 | 一种腕表识别系统 |
CN107633061B (zh) * | 2017-09-21 | 2020-08-21 | 天时汇(北京)电子商务有限公司 | 一种腕表识别系统 |
CN108009591B (zh) * | 2017-12-14 | 2021-02-09 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108181556A (zh) * | 2017-12-18 | 2018-06-19 | 国网浙江省电力有限公司检修分公司 | 基于铁帽温差时间序列分析的瓷质绝缘子零值检测方法 |
CN108154239A (zh) * | 2017-12-27 | 2018-06-12 | 郑州云海信息技术有限公司 | 一种机器学习方法及其装置 |
CN108090517A (zh) * | 2017-12-29 | 2018-05-29 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
CN108388833A (zh) * | 2018-01-15 | 2018-08-10 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置及设备 |
CN108447551A (zh) * | 2018-02-09 | 2018-08-24 | 北京连心医疗科技有限公司 | 一种基于深度学习的靶区自动勾画方法、设备和存储介质 |
CN108648169A (zh) * | 2018-03-20 | 2018-10-12 | 中国科学院自动化研究所 | 高压输电塔绝缘子缺陷自动识别的方法及装置 |
CN108648169B (zh) * | 2018-03-20 | 2020-11-10 | 中国科学院自动化研究所 | 高压输电塔绝缘子缺陷自动识别的方法及装置 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN108564125A (zh) * | 2018-04-16 | 2018-09-21 | 华北电力大学(保定) | 一种绝缘子图像分类方法及系统 |
CN108573284A (zh) * | 2018-04-18 | 2018-09-25 | 陕西师范大学 | 基于正交实验分析的深度学习人脸图像扩充方法 |
CN108734709A (zh) * | 2018-05-29 | 2018-11-02 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
CN108900848A (zh) * | 2018-06-12 | 2018-11-27 | 福建帝视信息科技有限公司 | 一种基于自适应可分离卷积的视频质量增强方法 |
CN108921120A (zh) * | 2018-07-13 | 2018-11-30 | 北京优创新港科技股份有限公司 | 一种适应广泛零售场景下的香烟识别方法 |
CN108921120B (zh) * | 2018-07-13 | 2021-08-24 | 北京优创新港科技股份有限公司 | 一种适应广泛零售场景下的香烟识别方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN109145815B (zh) * | 2018-08-21 | 2022-05-03 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN110858391A (zh) * | 2018-08-23 | 2020-03-03 | 通用电气公司 | 患者专用的深度学习图像降噪方法和系统 |
CN110858391B (zh) * | 2018-08-23 | 2023-10-10 | 通用电气公司 | 患者专用的深度学习图像降噪方法和系统 |
CN109242169B (zh) * | 2018-08-28 | 2021-11-02 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
CN109242169A (zh) * | 2018-08-28 | 2019-01-18 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
CN109685968A (zh) * | 2018-12-15 | 2019-04-26 | 西安建筑科技大学 | 一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法 |
CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
CN109753929B (zh) * | 2019-01-03 | 2022-10-28 | 华东交通大学 | 一种高铁绝缘子巡检图像识别方法 |
CN109767434B (zh) * | 2019-01-07 | 2023-04-07 | 西安电子科技大学 | 基于神经网络的时域弱小目标检测方法 |
CN109767434A (zh) * | 2019-01-07 | 2019-05-17 | 西安电子科技大学 | 基于神经网络的时域弱小目标检测方法 |
CN109800806A (zh) * | 2019-01-14 | 2019-05-24 | 中山大学 | 一种基于深度学习的农作物病害检测算法 |
CN109886386A (zh) * | 2019-01-30 | 2019-06-14 | 北京声智科技有限公司 | 唤醒模型的确定方法及装置 |
CN111783806A (zh) * | 2019-04-04 | 2020-10-16 | 千寻位置网络有限公司 | 深度学习模型的优化方法及装置、服务器 |
CN110146642A (zh) * | 2019-05-14 | 2019-08-20 | 上海大学 | 一种气味分析方法及装置 |
CN110060265A (zh) * | 2019-05-15 | 2019-07-26 | 北京艺泉科技有限公司 | 一种从书画文物图像中分割并提取印章的方法 |
CN110136131A (zh) * | 2019-05-24 | 2019-08-16 | 贵州电网有限责任公司 | 一种基于深度学习的零值绝缘子检测方法 |
US11783221B2 (en) | 2019-05-31 | 2023-10-10 | International Business Machines Corporation | Data exposure for transparency in artificial intelligence |
CN110210387A (zh) * | 2019-05-31 | 2019-09-06 | 华北电力大学(保定) | 基于知识图谱的绝缘子目标检测方法、系统、装置 |
CN110208660B (zh) * | 2019-06-05 | 2021-07-27 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 |
CN110208660A (zh) * | 2019-06-05 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电力设备局部放电缺陷诊断的训练方法及装置 |
CN111091178A (zh) * | 2019-11-22 | 2020-05-01 | 国网山西省电力公司大同供电公司 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
CN111126381A (zh) * | 2019-12-03 | 2020-05-08 | 浙江大学 | 一种基于r-dfpn算法的绝缘子倾斜定位与识别方法 |
CN111121607B (zh) * | 2019-12-13 | 2021-12-07 | 深圳大学 | 一种训练三维定位模型的方法及三维定位方法、装置 |
CN111121607A (zh) * | 2019-12-13 | 2020-05-08 | 深圳大学 | 一种训练三维定位模型的方法及三维定位方法、装置 |
CN111539302B (zh) * | 2020-04-20 | 2022-09-09 | 山东理工大学 | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 |
CN111539302A (zh) * | 2020-04-20 | 2020-08-14 | 山东理工大学 | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 |
CN111583198A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 |
CN111597511A (zh) * | 2020-06-02 | 2020-08-28 | 国网湖北省电力有限公司电力科学研究院 | 一种基于数学假设检验的玻璃绝缘子抽样试验验收判定方法 |
CN111915000A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种用于医疗图像的网络模型的调整方法和装置 |
CN112541389A (zh) * | 2020-09-29 | 2021-03-23 | 西安交通大学 | 一种基于EfficientDet网络的输电线路故障检测方法 |
CN112541389B (zh) * | 2020-09-29 | 2023-08-22 | 西安交通大学 | 一种基于EfficientDet网络的输电线路故障检测方法 |
CN112327109A (zh) * | 2020-10-16 | 2021-02-05 | 贵州电网有限责任公司 | 运动导轨式输电线路绝缘子自动检测装置 |
CN112733589A (zh) * | 2020-10-29 | 2021-04-30 | 广西科技大学 | 一种基于深度学习的红外图像行人检测方法 |
CN112733589B (zh) * | 2020-10-29 | 2023-01-03 | 广西科技大学 | 一种基于深度学习的红外图像行人检测方法 |
CN112418297A (zh) * | 2020-11-19 | 2021-02-26 | 北京云从科技有限公司 | 基于图像扩展的ocr模型训练方法、系统及装置 |
CN113160184A (zh) * | 2021-04-26 | 2021-07-23 | 贵州电网有限责任公司 | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 |
CN113160184B (zh) * | 2021-04-26 | 2022-06-07 | 贵州电网有限责任公司 | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 |
CN113763677A (zh) * | 2021-08-18 | 2021-12-07 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于视频监测技术的输电线路绝缘子偏移预警系统 |
CN114820567A (zh) * | 2022-05-17 | 2022-07-29 | 合肥工业大学 | 一种基于深度学习的绝缘子检测方法 |
CN114820567B (zh) * | 2022-05-17 | 2024-02-13 | 合肥工业大学 | 一种基于深度学习的绝缘子检测方法 |
CN117218422A (zh) * | 2023-09-12 | 2023-12-12 | 北京国科恒通科技股份有限公司 | 一种基于机器学习的电网图像识别方法及系统 |
CN117218422B (zh) * | 2023-09-12 | 2024-04-16 | 北京国科恒通科技股份有限公司 | 一种基于机器学习的电网图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107145846B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145846B (zh) | 一种基于深度学习的绝缘子识别方法 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
CN101813475B (zh) | 远距离障碍的自适应检测方法 | |
CN106407903A (zh) | 基于多尺度卷积神经网络的实时人体异常行为识别方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN105787501B (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN111985274B (zh) | 一种基于卷积神经网络的遥感图像分割方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN108764298A (zh) | 基于单分类器的电力图像环境影响识别方法 | |
CN111178304B (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN112560865B (zh) | 一种室外大场景下点云的语义分割方法 | |
CN110991257A (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN112967327A (zh) | 基于联合自注意力机制的单目深度方法 | |
CN115100545A (zh) | 针对低照度下失效卫星小部件的目标检测方法 | |
Tao et al. | Electric insulator detection of UAV images based on depth learning | |
CN111259923A (zh) | 一种基于改进三维r-cnn算法的多目标检测方法 | |
Cai et al. | Cloud classification of satellite image based on convolutional neural networks | |
CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
CN112232403A (zh) | 一种红外图像与可见光图像的融合方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201203 Address after: 550000 No. 17 Binhe Road, Nanming District, Guizhou, Guiyang Patentee after: GUIZHOU POWER GRID Corp. Address before: Nanming District of Guizhou city in Guiyang province 550001 Baba Street No. 8 Patentee before: ELECTRICITY TRANSMISSION RUN OVERHAUL BRANCH, GUIZHOU POWER GRID Co.,Ltd. Patentee before: WUHAN KEDI'AO ELECTRICITY TECHNOLOGY Co.,Ltd. |