CN108257114A - 一种基于深度学习的输电设备缺陷自动识别方法 - Google Patents
一种基于深度学习的输电设备缺陷自动识别方法 Download PDFInfo
- Publication number
- CN108257114A CN108257114A CN201711476547.9A CN201711476547A CN108257114A CN 108257114 A CN108257114 A CN 108257114A CN 201711476547 A CN201711476547 A CN 201711476547A CN 108257114 A CN108257114 A CN 108257114A
- Authority
- CN
- China
- Prior art keywords
- transmission facility
- training
- model
- faster
- deep learning
- 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
- 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
- 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
Abstract
本发明采用深度学习技术对无人机巡检获得的输电塔的本体照片进行自动分析，首先利用Faster‑Rcnn算法自动从无人机巡检照片中识别出需要进行检测的输电设备，然后将输电设备送入针对该设备的缺陷分类器，判断该设备是否具有缺陷以及缺陷类型。若有缺陷，则自动在图片中进行标注缺陷设备所在位置以及缺陷类型，最终生成缺陷报告，给检修人员提供检修信息。本发明的分析过程具有准确率高、处理速度快、可靠性好等优点，实现了输电线路巡检照片的自动分析，无需人工参与。
Description
技术领域
本发明属于电力检测领域，尤其是涉及一种基于深度学习的输电设备缺陷自动识别方法。
背景技术
电力系统有别于其他行业，维护不能随意中断生产，这就要在事故发生之前做好充分的预测—在事故发生之前解决故障，重点是输电线路的预防性巡检工作。输电线路负担高电压大电流的长期工作，近年来随着全球变暖恶劣气象天候频发，对电网安全运行构成越来越大的危险。
随着电网智能化水平不断提高，无人机巡检被越来越多的采用。每一次巡检任务完成后都会产生大量的巡检图片。一方面，现有的巡检图像处理方式，大都是基于人工判读的方式来完成目标部件的标定和缺陷的分类，人工判读方式劳动强度大、工作效率低。另一方面，人工判读方式没有一个统一的评判标准作为依据、易受个人主观因素的影响，常常漏判或错判很多缺陷。以上两方面的因素使得现有的巡检方式不但不能迅速的排查输电设备的缺陷，而且使得巡检效果不佳，从而导致线路状态监管缺位，这些都使得输电线路巡检工作效果大打折扣，给输电线路安全留下隐患。
发明内容
有鉴于此，本发明提出一种基于深度学习的输电设备缺陷自动识别方法，能够实现输电设备缺陷的自动识别，以取代人工判别的方式，自动发现并报告设备隐患位置和种类信息，以便维修人员及时维护。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于深度学习的输电设备缺陷自动识别方法，步骤包括：
S1、使用多目标识别算法从无人机巡检照片或视频中识别出目标设备；
S2、使用深度学习分类器对目标设备是否有缺陷以及缺陷类型进行判断。
进一步的，步骤S1所述的多目标识别算法采用Faster-Rcnn模型，具体步骤为：
S11、使用卷积神经网络从原始图片中提取图片的卷积特征；
S12、使用RPNNet提取可能存在目标设备的候选区域；
S13、针对步骤S12中提取的候选区域，使用ROIpooling layer从原始图片的卷积特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的设备种类，同时精确回归出包含输电设备的矩形区域的坐标。
更进一步的，步骤S11所述卷积神经网络采用结构包括：VGG，ResNet，PvaNet。
更进一步的，步骤S13所述ROIpooling layer将每个候选区域的特征图均匀分成M×N块，对每块进行max pooling操作，提取特征向量。
更进一步的，所述Faster-Rcnn模型构建方法为：
S101、制作Faster-Rcnn样本，将一定规模的无人机输电线路巡检照片进行人工标注，标出图中所有的输电设备名称和位置，从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；
S102、Faster-Rcnn模型训练，将步骤S101的训练数据集输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练；
S103、Faster-Rcnn模型测试与修正，使用步骤S101的测试数据集对训练完成的Faster-Rcnn模型进行测试，得到其准确率；依据准确率高低判断是否要添加数据和更改训练参数继续训练模型；
S104、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本，在原有模型的基础上不断更新Faster-Rcnn模型。
进一步的，所述深度学习分类器采用深度卷积神经网络进行分类，构建输电设备缺陷分类模型。
更进一步的，所述输电设备缺陷分类模型的构建方法为：
S201、样本制作，针对每一种输电设备，收集包含正常输电设备的样本和存在缺陷的输电设备样本，并为每张存在缺陷的样本图片打上缺陷种类标签。取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；
S202、训练输电设备缺陷分类模型，针对每一种输电设备使用步骤S201中制作的训练数据集训练缺陷分类器，分类器的深度网络模型选用深度卷积神经网络DeepResidual Neural Networks；
S203、输电设备缺陷分类模型测试与修正。针对每一种输电设备的缺陷分类器，使用步骤S201中的测试数据测试其准确率。依据准确率高低，判断接下来是否需要添加样本或修改训练参数继续进行训练；
S204、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本，在原有模型的基础上不断更新Faster-Rcnn模型。
更进一步的，所述深度卷积神经网络的网络结构包括Alexnet、GoogleNet、ResNet。
相对于现有技术，本发明所述的一种基于深度学习的输电设备缺陷自动识别方法具有以下优势：
本发明使用深度学习处理无人机输电线路巡检照片，能够实现输电设备缺陷的自动识别，以取代人工判别的方式，自动发现并报告设备隐患位置和种类信息，以便维修人员及时维护。(1)通过深度学习算法完成对输电线路巡检照片的自动处理，大大降低人工劳动强度。(2)通过模型的不断更新和优化，准确率将会不断提升。(3)处理速度快，采用最先进的并行计算加速技术能够使处理速度基本能够达到实时的效果。
附图说明
图1是本发明实施例的数据分析模型(Faster-Rcnn模型和输电设备缺陷分类模型)的构建流程；
图2是本发明实施例的工作流程；
图3是本发明实施例的卷积神经网络的示意图；
图4是本发明实施例的Faster-Rcnn算法的流程示意图；
图5是本发明实施例的RPNNet结构示意图；
图6是本发明实施例所述卷积神经网络的VGG结构示意图；
图7是本发明实施例所述卷积神经网络的ResNet结构示意图；
图8是本发明实施例所述卷积神经网络的PvaNet结构示意图；
图9是本发明实施例所述深度卷积神经网络的Alexnet结构示意图；
图10是本发明实施例所述深度卷积神经网络的GoogleNet结构示意图；
图11是本发明实施例中正常螺钉与不正常螺钉的对比示意图；
图12是本发明实施例所述开口销缺失螺钉的识别工作过程示意图。
具体实施方式
需要说明的是，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。
下面将参考附图并结合实施例来详细说明本发明。
本发明提出的方法为：
首先使用多目标识别算法从无人机巡检照片或视频中识别出目标设备，然后使用深度学习分类器对目标设备的是否有缺陷以及缺陷类型进行判断。
具体的说，如图2所示，将每次无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn模型提取出其中包含输电设备的区域，并判断每块区域所包含的输电设备的种类，然后依据其种类将其送入该种设备的缺陷分类模型(缺陷分类器)，判断其是否具有缺陷以及缺陷类型。如果有缺陷，则将缺陷设备所在位置以及缺陷类型在输电线路设备照片中标注出来。
其中，Faster-Rcnn模型及缺陷分类模型的构建如图1所示，
(1)Faster-Rcnn样本制作。将一定规模的无人机输电线路巡(10万张以上)进行人工标注，标出图中所有的输电设备名称和位置，从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集。
(2)Faster-Rcnn模型训练。将步骤(1)的带有标签的数据输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练。
(3)Faster-Rcnn模型测试与修正。使用步骤(1)的测试数据集对训练完成的Faster-Rcnn模型进行测试，得到其准确率。依据准确率高低判断是否要添加数据和更改训练参数继续训练模型。
(4)输电设备缺陷分类器样本制作。针对每一种输电设备，收集包含正常输电设备的和存在缺陷的输电设备样本，并为每张图片打上缺陷种类标签。取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集。
(5)训练输电设备缺陷分类器。针对每一种输电设备训练分类器使用步骤(4)中制作的训练样本数据训练分类器。分类器的深度网络模型选用Deep Residual NeuralNetworks。
(6)输电设备缺陷分类器测试与修正。针对每一中输电设备的缺陷分类器，使用步骤(4)中的测试数据测试器准确率。依据准确率高低，判断接下来是否需要添加样本或修改训练参数继续进行训练。
(7)Faster-Rcnn模型及缺陷分类模型构建后，并经过实际使用，在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本。在原有模型的基础上不断更新模型参数，使得模型不断优化，准确率不断提高。
对于Faster-Rcnn模型，其算法具体步骤如图4所示，为：
(11)、使用卷积神经网络从原始图片中提取图片的卷积特征；
(12)、使用RPNNet(结构如图5所示)提取可能存在目标设备的候选区域；
其中所述RPNNet结构如图5所示，特性为：在卷积之后得到的特征图上使用3*3的卷积核进行卷积，那么这个3*3的区域卷积后可以获得一个n维的特征向量。因为这个3*3的区域上，每一个特征图上得到一个1维向量，n个特性图即可得到n维特征向量。3*3滑窗中心点位置，对应预测输入图像3种尺度(128,256,512)，3种长宽比(1:1,1:2,2:1)的regionproposal，这种映射的机制称为anchor，产生了k＝9个anchor。即每个3*3区域可以产生9个region proposal。所以对于这个40*60的feature map，总共有约20000(40*60*9)个anchor，也就是预测20000个region proposal。
后边接入到两个全连接层，即cls_layer和reg_layer分别用于分类和边框回归；cls_layer包含2个元素，用于判别目标和非目标的估计概率；Reg_layer包含4个坐标元素(x,y,w,h)，用于确定目标位置；cls：正样本，与真实区域重叠大于0.7，负样本，与真实区域重叠小于0.3；reg：返回区域位置。
(13)、针对步骤(1)中提取的候选区域，使用ROIpooling layer从原始图片的卷积特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的设备种类，同时精确回归出包含输电设备的矩形区域的坐标。，其中ROIpooling layer层将每个候选区域的特征图均匀分成M×N块，对每块进行max pooling操作。
其中使用的卷积神经网络的特征如下：
(21)卷积神经网络模型属于多层的神经网络，每一层的神经网络由多个二维平面构成，每一个平面又包含多个神经元。一般包含卷积操作和池化操作。卷积神经网络的输入是数字图像，之后卷积层和池化层交替进行，如图3所示。
(22)卷积操作。卷积层得到的特征图是输入图像和卷积核运算之后再加上一个偏置然后通过激活函数所得。公式表示如下：
其中l表示第几层，k代表卷积核，b代表偏置，Mj代表第j个特征图。
(23)池化操作。池化层对有对卷积层中的特征进行局部平均的作用，通常池化层尺寸大小为n*n，对于卷积层中n*n个相邻单元取最大值或平均值，分别对应了max-pooling和mean-pooling两种下采样方法，可以减少特征图的分辨率，减少对位移形变的敏感程度。卷积的公式表示如下：
其中，Pooling(*)表示池化函数，一般对输入图像的n*n邻域的像素求平均或者最大值，每个特征图包含参数β和b。
(24)卷积神经网络的训练
前向传播：对于每一个训练样本输入到神经网络中，然后按照网络结构与当前权值计算出输出值。
反向传播：依据前向传播得到值计算与真实值之间的误差，反向计算出卷积神经网络中的各个参数的对于误差函数的梯度，并且依据该梯度更新各个层的权重值，使得计算误差越来越小。
前向传播和反向传播交替进行，不断更新模型参数，使得模型在训练样本上误差函数值逐渐减小，模型准确率逐渐提高。
前面所述卷积神经网络有三种可能的结构：VGG(如图6所示)，ResNet(如图7所示)，PvaNet(如图8所示)。
对于缺陷分类模型，是采用深度卷积神经网络进行分类，可能的网络结构包括Alexnet(如图9所示)，GoogleNet(如图10所示)，ResNet(如图7所示)，可以对输电设备是否有缺陷以及缺陷类型进行判断。
下面将以开口销缺失的识别方法构建为例子对本发明进行进一步说明，在输电设备中关键部位的螺钉都会有开口销进行加固，开口销脱落为常见的一种缺陷，如图11左侧为正常螺钉，右侧螺钉的开口销脱落为不正常螺钉。
首先使用多目标识别算法从无人机巡检照片或视频中识别出需要开口销的螺钉(例如绝缘子金具上的螺钉)，然后使用深度学习分类器对所有识别出的需要开口销的螺钉进行判断，看其开口销是否缺失，如缺失则自动标出该螺栓的位置以及开口销缺失的文字说明。该工作过程如图12所示。
所述的多目标物体识别方法，采用Faster-Rcnn算法，可以同时从一张无人机巡检图片中识别出所有需要进行缺陷识别的设备。
所述的深度学习分类器则采用ResNet或者AlexNet、GoogleNet，可以对输电设备是否有缺陷以及缺陷类型进行判断。
所述Faster-Rcnn算法主要分为三个步骤：(a)使用卷积神经网络从原始图片中提取特征。(b)使用RPNNet提取可能存在需要开口销的螺钉的区域。(c)对步骤(b)中提取的可能含有需要开口销的区域的卷积特征图使用ROIpooling层提取特征向量，计算出其在图片中的精确位置。
关于需要开口销的螺钉缺陷识别的Faster-Rcnn算法模型以及深度学习分类器所使用的缺陷分类模型的构建使用过程如下：
(101)Faster-Rcnn样本制作。将一定规模的无人机输电线路巡检照片(10万张以上)进行人工标注，标出图中所有的需要开口销的螺钉位置，从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集。
(102)Faster-Rcnn模型训练。将步骤(101)的带有标签的数据输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练。
(103)Faster-Rcnn模型测试与修正。使用步骤(101)的测试数据集对训练完成的Faster-Rcnn模型进行测试，得到其对螺钉定位的准确率。依据准确率高低判断是否要添加数据和更改训练参数继续训练模型。
(104)输电设备缺陷分类器样本制作。针对每一种输电设备，收集包含正常螺钉和开口销缺失的螺钉样本，并为每张图片打上缺陷种类标签。取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集。
(105)使用(104)中制作的训练样本训练开口销缺失分类器，该分类器能够自动区分开口销缺失的和正常的螺钉。
(106)输电设备缺陷分类器测试与修正。针对步骤(105)的缺陷分类器，使用步骤(104)中的测试数据测试器准确率。依据准确率高低，判断接下来是否需要添加样本或修改训练参数继续进行训练。
(107)模型使用。将(101)到(106)步骤训练好的能够精确定位螺钉在图片中位置的Faster-Rcnn模型以及开口销缺失分类器组合使用。将每次无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn提取出其中包含需要开口销的螺钉区域(采用矩形区域的对角线点坐标描述该区域)，然后将该区域中的图片切片送入开口销缺失分类器，判断其开口销是否缺失。如果开口销缺失，则将该螺钉所在位置在输电线路设备照片中标注出来。
(108)模型参数更新。在已有的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本。在原有模型的基础上不断更新模型参数，使得模型不断优化，准确率不断提高。
本发明针对无人机巡检产生的大量图片，利用深度学习技术虽无人机巡检所产生的图片进行分析，经分析结果及时预警给监控人员，提高监控智能水平和监控质量、及时性、准确性、增强输电线路的使用寿命。
本发明通过深度学习技术对输电设备的照片进行自动处理，识别其中有缺陷的设备并且判断所属的缺陷类型，最后在图片中自动标注出来，将分析结果反馈给输电线路巡检人员。另外，通过不断的添加新的训练样本，不断更新模型参数，能够使得模型的精度不断提高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
Claims (8)
1.一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤包括：
S1、使用多目标识别算法从无人机巡检照片或视频中识别出目标设备；
S2、使用深度学习分类器对目标设备是否有缺陷以及缺陷类型进行判断。
2.根据权利要求1所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤S1所述的多目标识别算法采用Faster-Rcnn模型，具体步骤为：
S11、使用卷积神经网络从原始图片中提取图片的卷积特征；
S12、使用RPNNet提取可能存在目标设备的候选区域；
S13、针对步骤S12中提取的候选区域，使用ROIpooling layer从原始图片的卷积特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的设备种类，同时精确回归出包含输电设备的矩形区域的坐标。
3.根据权利要求2所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤S11所述卷积神经网络采用结构包括：VGG，ResNet，PvaNet。
4.根据权利要求2所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤S13所述ROIpooling layer将每个候选区域的特征图均匀分成M×N块，对每块进行max pooling操作，提取特征向量。
5.根据权利要求2所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述Faster-Rcnn模型构建方法为：
S101、制作Faster-Rcnn样本，将一定规模的无人机输电线路巡检照片进行人工标注，标出图中所有的输电设备名称和位置，从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；
S102、Faster-Rcnn模型训练，将步骤S101的训练数据集输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练；
S103、Faster-Rcnn模型测试与修正，使用步骤S101的测试数据集对训练完成的Faster-Rcnn模型进行测试，得到其准确率；依据准确率高低判断是否要添加数据和更改训练参数继续训练模型；
S104、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本，在原有模型的基础上不断更新Faster-Rcnn模型。
6.根据权利要求1所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述深度学习分类器采用深度卷积神经网络进行分类，构建输电设备缺陷分类模型。
7.根据权利要求6所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述输电设备缺陷分类模型的构建方法为：
S201、样本制作，针对每一种输电设备，收集包含正常输电设备的样本和存在缺陷的输电设备样本，并为每张存在缺陷的样本图片打上缺陷种类标签。取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；
S202、训练输电设备缺陷分类模型，针对每一种输电设备使用步骤S201中制作的训练数据集训练缺陷分类器，分类器的深度网络模型选用深度卷积神经网络Deep ResidualNeural Networks；
S203、输电设备缺陷分类模型测试与修正。针对每一种输电设备的缺陷分类器，使用步骤S201中的测试数据测试其准确率。依据准确率高低，判断接下来是否需要添加样本或修改训练参数继续进行训练；
S204、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本，在原有模型的基础上不断更新Faster-Rcnn模型。
8.根据权利要求6所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述深度卷积神经网络的网络结构包括Alexnet、GoogleNet、ResNet。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711476547.9A CN108257114A (zh) | 2017-12-29 | 2017-12-29 | 一种基于深度学习的输电设备缺陷自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711476547.9A CN108257114A (zh) | 2017-12-29 | 2017-12-29 | 一种基于深度学习的输电设备缺陷自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108257114A true CN108257114A (zh) | 2018-07-06 |
Family
ID=62724623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711476547.9A Pending CN108257114A (zh) | 2017-12-29 | 2017-12-29 | 一种基于深度学习的输电设备缺陷自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108257114A (zh) |
Cited By (59)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596883A (zh) * | 2018-04-12 | 2018-09-28 | 福州大学 | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 |
| CN109003271A (zh) * | 2018-07-25 | 2018-12-14 | 江苏拙术智能制造有限公司 | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 |
| CN109034227A (zh) * | 2018-07-16 | 2018-12-18 | 广东电网有限责任公司 | 一种输电线路外力破坏智能识别的方法 |
| CN109146880A (zh) * | 2018-09-30 | 2019-01-04 | 亿嘉和科技股份有限公司 | 一种基于深度学习的电力设备检测方法 |
| CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
| CN109242825A (zh) * | 2018-07-26 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN109325936A (zh) * | 2018-08-17 | 2019-02-12 | 国网天津市电力公司 | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 |
| CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
| CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| CN109376606A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像杆塔基础故障检测方法 |
| CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
| CN109508741A (zh) * | 2018-11-09 | 2019-03-22 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
| CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
| CN109598772A (zh) * | 2018-11-23 | 2019-04-09 | 华南理工大学 | 基于架空输电线路单一缺陷自动标注图片数据源扩充方法 |
| CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
| CN109712114A (zh) * | 2018-11-30 | 2019-05-03 | 无锡维胜威信息科技有限公司 | 一种应用于拉链缺陷检测的系统及其检测方法 |
| CN109709452A (zh) * | 2018-12-21 | 2019-05-03 | 深圳供电局有限公司 | 输电线路的绝缘子检测方法、系统和装置 |
| CN109727428A (zh) * | 2019-01-10 | 2019-05-07 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
| CN109872317A (zh) * | 2019-02-22 | 2019-06-11 | 西南交通大学 | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 |
| CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
| CN109977958A (zh) * | 2019-03-25 | 2019-07-05 | 中国科学技术大学 | 一种离线手写体数学公式识别重构方法 |
| CN109978844A (zh) * | 2019-03-15 | 2019-07-05 | 维库（厦门）信息技术有限公司 | 一种基于深度学习模块化的智能分析方法以及系统 |
| CN110033451A (zh) * | 2019-04-17 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 一种基于ssd架构的电力部件缺陷检测方法 |
| CN110059076A (zh) * | 2019-04-19 | 2019-07-26 | 国网山西省电力公司电力科学研究院 | 一种输变电线路设备的故障数据库半自动化建立方法 |
| CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
| CN110163793A (zh) * | 2019-05-27 | 2019-08-23 | 湃方科技(天津)有限责任公司 | 卷积计算加速方法和装置 |
| CN110175982A (zh) * | 2019-04-16 | 2019-08-27 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
| CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
| CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
| CN110276299A (zh) * | 2019-06-21 | 2019-09-24 | 国网北京市电力公司 | 计量箱外观故障图像识别模型及方法 |
| CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
| CN110544247A (zh) * | 2019-09-03 | 2019-12-06 | 东莞德福得精密五金制品有限公司 | 人工智能云计算多途径设备系统运行缺陷检查监控方法 |
| CN110570410A (zh) * | 2019-09-05 | 2019-12-13 | 河北工业大学 | 一种自动识别检测焊缝缺陷的检测方法 |
| CN110705847A (zh) * | 2019-09-18 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于图像识别技术的变电站智能巡检方法及系统 |
| CN110807359A (zh) * | 2019-09-19 | 2020-02-18 | 江苏濠汉信息技术有限公司 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
| CN111047703A (zh) * | 2019-12-23 | 2020-04-21 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
| CN111091545A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 |
| CN111260643A (zh) * | 2020-02-12 | 2020-06-09 | 江苏濠汉信息技术有限公司 | 基于部署在后端服务器中模型的杆塔缺陷巡检的方法 |
| CN111325708A (zh) * | 2019-11-22 | 2020-06-23 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
| CN111462109A (zh) * | 2020-04-17 | 2020-07-28 | 广东电网有限责任公司 | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 |
| CN111474957A (zh) * | 2020-05-07 | 2020-07-31 | 重庆工程学院 | 一种基于深度学习的输电线路巡检无人机系统 |
| CN111709931A (zh) * | 2020-06-16 | 2020-09-25 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及系统 |
| CN111753588A (zh) * | 2019-03-28 | 2020-10-09 | 广西电网有限责任公司北海供电局 | 一种基于深度学习的电力设备在线感知与对焦算法 |
| CN111797725A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种设备状态检测方法、装置及系统 |
| CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
| CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
| CN112395954A (zh) * | 2020-10-23 | 2021-02-23 | 长沙理工大学 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
| CN112465746A (zh) * | 2020-11-02 | 2021-03-09 | 新疆天维无损检测有限公司 | 一种射线底片中小缺陷检测方法 |
| CN112488983A (zh) * | 2019-09-11 | 2021-03-12 | 中信戴卡股份有限公司 | 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法 |
| CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
| WO2021088517A1 (zh) * | 2019-11-08 | 2021-05-14 | 珠海许继芝电网自动化有限公司 | 一种配电自动化缺陷管理系统及方法 |
| CN112926401A (zh) * | 2021-01-29 | 2021-06-08 | 广州中科智巡科技有限公司 | 一种输电线路金具锈蚀检测方法及系统 |
| CN113129303A (zh) * | 2021-05-18 | 2021-07-16 | 广州市吉华勘测股份有限公司 | 一种巡检图片自动标注方法、装置、存储介质及电子设备 |
| CN113342784A (zh) * | 2021-07-01 | 2021-09-03 | 贵州电网有限责任公司 | 一种电网主变设备风险评估的数据库设计方法 |
| CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
| CN114565576A (zh) * | 2022-02-25 | 2022-05-31 | 联合汽车电子有限公司 | 一种dmtl表面缺陷检测方法、装置及终端 |
| CN115047814A (zh) * | 2022-06-13 | 2022-09-13 | 国网山东省电力公司胶州市供电公司 | 一种基于5g的登杆作业安全监管系统及方法 |
| CN115829952A (zh) * | 2022-11-21 | 2023-03-21 | 国网湖北省电力有限公司超高压公司 | 基于金具高精度图像分析及全生命周期健康状态风险评估软件系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
| CN107014827A (zh) * | 2017-04-24 | 2017-08-04 | 国家电网公司 | 基于影像处理的输电线路缺陷分析方法、装置和系统 |
| CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
| CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
| US20170351941A1 (en) * | 2016-06-03 | 2017-12-07 | Miovision Technologies Incorporated | System and Method for Performing Saliency Detection Using Deep Active Contours |
-
2017
- 2017-12-29 CN CN201711476547.9A patent/CN108257114A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170351941A1 (en) * | 2016-06-03 | 2017-12-07 | Miovision Technologies Incorporated | System and Method for Performing Saliency Detection Using Deep Active Contours |
| CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
| CN107103600A (zh) * | 2017-04-13 | 2017-08-29 | 北京海风智能科技有限责任公司 | 一种基于机器学习的绝缘子缺陷自动检测方法 |
| CN107014827A (zh) * | 2017-04-24 | 2017-08-04 | 国家电网公司 | 基于影像处理的输电线路缺陷分析方法、装置和系统 |
| CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈庆 等: "航拍绝缘子卷积神经网络检测及自爆识别研究", 《电子测量与仪器学报》 * |
Cited By (76)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596883B (zh) * | 2018-04-12 | 2021-07-13 | 福州大学 | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 |
| CN108596883A (zh) * | 2018-04-12 | 2018-09-28 | 福州大学 | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 |
| CN109034227A (zh) * | 2018-07-16 | 2018-12-18 | 广东电网有限责任公司 | 一种输电线路外力破坏智能识别的方法 |
| CN109255776B (zh) * | 2018-07-23 | 2023-12-05 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN109003271A (zh) * | 2018-07-25 | 2018-12-14 | 江苏拙术智能制造有限公司 | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 |
| CN109242825A (zh) * | 2018-07-26 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 |
| CN109325936A (zh) * | 2018-08-17 | 2019-02-12 | 国网天津市电力公司 | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 |
| CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
| CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
| CN109509170B (zh) * | 2018-09-11 | 2021-08-17 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
| CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| CN109376606A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像杆塔基础故障检测方法 |
| CN109376605B (zh) * | 2018-09-26 | 2022-03-25 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| CN109146880A (zh) * | 2018-09-30 | 2019-01-04 | 亿嘉和科技股份有限公司 | 一种基于深度学习的电力设备检测方法 |
| CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
| CN109508741A (zh) * | 2018-11-09 | 2019-03-22 | 哈尔滨工业大学 | 基于深度学习筛选训练集的方法 |
| CN109598772A (zh) * | 2018-11-23 | 2019-04-09 | 华南理工大学 | 基于架空输电线路单一缺陷自动标注图片数据源扩充方法 |
| CN109598772B (zh) * | 2018-11-23 | 2023-01-06 | 华南理工大学 | 基于架空输电线路单一缺陷自动标注图片数据源扩充方法 |
| CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
| CN109712114A (zh) * | 2018-11-30 | 2019-05-03 | 无锡维胜威信息科技有限公司 | 一种应用于拉链缺陷检测的系统及其检测方法 |
| CN109709452A (zh) * | 2018-12-21 | 2019-05-03 | 深圳供电局有限公司 | 输电线路的绝缘子检测方法、系统和装置 |
| CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
| CN109711474B (zh) * | 2018-12-24 | 2023-01-17 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
| CN109727428A (zh) * | 2019-01-10 | 2019-05-07 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
| CN109727428B (zh) * | 2019-01-10 | 2021-06-08 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
| CN109872317A (zh) * | 2019-02-22 | 2019-06-11 | 西南交通大学 | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 |
| CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
| CN109978844A (zh) * | 2019-03-15 | 2019-07-05 | 维库（厦门）信息技术有限公司 | 一种基于深度学习模块化的智能分析方法以及系统 |
| CN109977958A (zh) * | 2019-03-25 | 2019-07-05 | 中国科学技术大学 | 一种离线手写体数学公式识别重构方法 |
| CN111753588B (zh) * | 2019-03-28 | 2022-11-22 | 广西电网有限责任公司北海供电局 | 一种基于深度学习的电力设备在线感知与对焦算法 |
| CN111753588A (zh) * | 2019-03-28 | 2020-10-09 | 广西电网有限责任公司北海供电局 | 一种基于深度学习的电力设备在线感知与对焦算法 |
| CN110175982A (zh) * | 2019-04-16 | 2019-08-27 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
| CN110175982B (zh) * | 2019-04-16 | 2021-11-02 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
| CN110033451A (zh) * | 2019-04-17 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 一种基于ssd架构的电力部件缺陷检测方法 |
| CN110059076A (zh) * | 2019-04-19 | 2019-07-26 | 国网山西省电力公司电力科学研究院 | 一种输变电线路设备的故障数据库半自动化建立方法 |
| CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
| CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
| CN110163793A (zh) * | 2019-05-27 | 2019-08-23 | 湃方科技(天津)有限责任公司 | 卷积计算加速方法和装置 |
| CN110163793B (zh) * | 2019-05-27 | 2023-05-23 | 湃方科技(天津)有限责任公司 | 卷积计算加速方法和装置 |
| CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
| CN110276299A (zh) * | 2019-06-21 | 2019-09-24 | 国网北京市电力公司 | 计量箱外观故障图像识别模型及方法 |
| CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
| CN110544247B (zh) * | 2019-09-03 | 2023-11-07 | 东莞德福得精密五金制品有限公司 | 人工智能云计算多途径设备系统运行缺陷检查监控方法 |
| CN110544247A (zh) * | 2019-09-03 | 2019-12-06 | 东莞德福得精密五金制品有限公司 | 人工智能云计算多途径设备系统运行缺陷检查监控方法 |
| CN110570410A (zh) * | 2019-09-05 | 2019-12-13 | 河北工业大学 | 一种自动识别检测焊缝缺陷的检测方法 |
| CN112488983A (zh) * | 2019-09-11 | 2021-03-12 | 中信戴卡股份有限公司 | 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法 |
| CN110705847A (zh) * | 2019-09-18 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于图像识别技术的变电站智能巡检方法及系统 |
| CN110807359A (zh) * | 2019-09-19 | 2020-02-18 | 江苏濠汉信息技术有限公司 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
| WO2021088517A1 (zh) * | 2019-11-08 | 2021-05-14 | 珠海许继芝电网自动化有限公司 | 一种配电自动化缺陷管理系统及方法 |
| CN111325708B (zh) * | 2019-11-22 | 2023-06-30 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
| CN111325708A (zh) * | 2019-11-22 | 2020-06-23 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
| CN111091545A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 |
| CN111091545B (zh) * | 2019-12-12 | 2021-01-22 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 |
| CN111047703B (zh) * | 2019-12-23 | 2023-09-26 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
| CN111047703A (zh) * | 2019-12-23 | 2020-04-21 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
| CN111260643A (zh) * | 2020-02-12 | 2020-06-09 | 江苏濠汉信息技术有限公司 | 基于部署在后端服务器中模型的杆塔缺陷巡检的方法 |
| CN111462109A (zh) * | 2020-04-17 | 2020-07-28 | 广东电网有限责任公司 | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 |
| CN111474957A (zh) * | 2020-05-07 | 2020-07-31 | 重庆工程学院 | 一种基于深度学习的输电线路巡检无人机系统 |
| CN111709931B (zh) * | 2020-06-16 | 2023-05-23 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及系统 |
| CN111709931A (zh) * | 2020-06-16 | 2020-09-25 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及系统 |
| CN111797725A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种设备状态检测方法、装置及系统 |
| CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
| CN112395954A (zh) * | 2020-10-23 | 2021-02-23 | 长沙理工大学 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
| CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
| CN112465746A (zh) * | 2020-11-02 | 2021-03-09 | 新疆天维无损检测有限公司 | 一种射线底片中小缺陷检测方法 |
| CN112465746B (zh) * | 2020-11-02 | 2024-03-05 | 新疆天维无损检测有限公司 | 一种射线底片中小缺陷检测方法 |
| CN112633535A (zh) * | 2021-01-14 | 2021-04-09 | 国网安徽省电力有限公司 | 一种基于无人机图像的光伏电站智能巡检方法及系统 |
| CN112926401A (zh) * | 2021-01-29 | 2021-06-08 | 广州中科智巡科技有限公司 | 一种输电线路金具锈蚀检测方法及系统 |
| CN113129303B (zh) * | 2021-05-18 | 2022-01-18 | 广州市吉华勘测股份有限公司 | 一种巡检图片自动标注方法、装置、存储介质及电子设备 |
| CN113129303A (zh) * | 2021-05-18 | 2021-07-16 | 广州市吉华勘测股份有限公司 | 一种巡检图片自动标注方法、装置、存储介质及电子设备 |
| CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
| CN113342784A (zh) * | 2021-07-01 | 2021-09-03 | 贵州电网有限责任公司 | 一种电网主变设备风险评估的数据库设计方法 |
| CN114565576A (zh) * | 2022-02-25 | 2022-05-31 | 联合汽车电子有限公司 | 一种dmtl表面缺陷检测方法、装置及终端 |
| CN115047814A (zh) * | 2022-06-13 | 2022-09-13 | 国网山东省电力公司胶州市供电公司 | 一种基于5g的登杆作业安全监管系统及方法 |
| CN115829952A (zh) * | 2022-11-21 | 2023-03-21 | 国网湖北省电力有限公司超高压公司 | 基于金具高精度图像分析及全生命周期健康状态风险评估软件系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
| WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
| Kabir | Imaging-based detection of AAR induced map-crack damage in concrete structure | |
| CN109376606B (zh) | 一种电力巡检图像杆塔基础故障检测方法 | |
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| Xu et al. | Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
| Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
| CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、系统和设备 | |
| CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
| CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN113409314A (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
| CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
| CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
| CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
| CN116863274A (zh) | 一种基于半监督学习的钢板表面缺陷检测方法及系统 | |
| Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
| Xiong et al. | Pixel-Level patch detection from full-scale asphalt pavement images based on deep learning | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 |
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 |
Application publication date: 20180706 |
|
| RJ01 | Rejection of invention patent application after publication |