CN108537792B - 一种基于卷积神经网络的电力缺陷图像识别方法 - Google Patents
一种基于卷积神经网络的电力缺陷图像识别方法 Download PDFInfo
- Publication number
- CN108537792B CN108537792B CN201810342067.1A CN201810342067A CN108537792B CN 108537792 B CN108537792 B CN 108537792B CN 201810342067 A CN201810342067 A CN 201810342067A CN 108537792 B CN108537792 B CN 108537792B
- Authority
- CN
- China
- Prior art keywords
- feature map
- image
- layer
- processing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别效率较高、稳定性较好的基于卷积神经网络的电力缺陷图像识别方法。该基于卷积神经网络的电力缺陷图像识别方法通过设计神经网络结构,网络优化方法建立一套特定领域的图像检测与特征描述算法,使用神经网络直接得到图片是否存在缺陷以及缺陷类别,同时输出缺陷所在区域,该网络具备同时处理识别多种缺陷的功能。相比传统的hog/lbp特征提取方法,对多种缺陷类别具有适应性,且在这些缺陷类别上保持较高的精准度及查全率。基于神经网络的缺陷处理系统稳定性好,提高了输电线路巡检的自动化水平,降低了人工的劳动强度,便于快速准确的发现输电线路缺。适合电力输运系统缺陷检测技术领域推广应用。
Description
技术领域
本发明涉及电力输运系统缺陷检测技术领域,尤其是一种基于卷积神经网络的电力缺陷图像识别方法。
背景技术
近年来,随着电网的快速发展,电网的规模越来越大,输电线路设备数量快速增加,线路设备的老旧程度日趋严重,恶劣气候和微气象条件增多,造成设备缺陷的概率增大,影响输电系统的运行可靠性。输电线路是输送电能的重要纽带,大多数电网设备都是暴露在野外环境中,在自然环境的长期作用下,线路易出现断股、破损等缺陷,需要不断地去监测与维护。而传统的人工巡视检查线路,不仅工作环境艰苦,劳动强度大、工作效率低、准确性低,而且复杂的野外环境可能给巡线人员的人身安全带来风险。
输电线路图像缺陷识别技术主要对输电线路中绝缘子以及导线进行缺陷识别,通过图像识别技术自动识别线路缺陷,避免了人眼识别缺陷的偏差与失误,提升了巡检的效率。现有技术中,由于电力输运系统中的器件挂载位置特别(远离地面),器件分布离散,导致线路检修成本较高,因此线路电路器件如绝缘子等的破损检测技术越来越重要。
目前图像缺陷识别检测技术是基于传统的特征提取方法,如hog(方向梯度直方图)、lbp(局部二值模式)等特征识别方法,而通过传统的特征提取方法的描述生成过程冗长,导致速度慢、实时性差、对噪点敏感以及检测准确度和查全率低等特点。
发明内容
本发明所要解决的技术问题是提供一种识别效率较高、稳定性较好的基于卷积神经网络的电力缺陷图像识别方法。
本发明解决其技术问题所采用的技术方案为:该基于卷积神经网络的电力缺陷图像识别方法,包括以下步骤:
(1)获取电力线路器件图像集,将获取的电力线路器件图像集分成两部分,其中一部分图像为训练图像集,另一部分为测试图像集,将训练图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的缺陷类别,并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图,将切割图和与之对应的电力线路器件图像以及切割图所对应的类别保存为XML文件得到训练集;将测试图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的类别,并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图并得到其相应的缺陷类别,将切割图和与之对应的电力线路器件图像以及切割图所对应的缺陷类别保存为XML文件得到测试集;
(2)构建训练网络的网络结构,构建训练网络的过程包括如下步骤:
步骤S10,构建所述训练网络的第零层;其中,第零层为输入层;
步骤S20,构建所述训练网络的第一层;其中,所述第一层包括conv1_1、relu1_1、conv1_2、relu1_2、pool1;所述conv1_1、relu1_1、conv1_2、relu1_2依次对所述第零层输入的图像进行卷积处理,接着利用pool1进行池化处理得到多个第一特征图;
步骤S30,构建所述训练网络的第二层;其中,所述第二层包括conv2_1、relu2_1、conv2_2、relu2_2、pool2;所述conv2_1、relu2_1、conv2_2、relu2_2依次对所述第一特征图进行卷积处理,接着利用pool2进行池化处理得到多个第二特征图;
步骤S40,构建所述训练网络的第三层;其中,所述第三层包括conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3、pool3;所述conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3依次对所述第二特征图进行卷积处理,接着利用pool3进行池化处理得到多个第三特征图;
步骤S50,构建所述训练网络的第四层;其中,所述第四层包括conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3、pool4;所述conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3依次对所述第三特征图进行卷积处理,接着利用pool4进行池化处理得到多个第四特征图;
步骤S60,构建所述训练网络的第五层;其中,所述第五层包括conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3、pool5;所述conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3依次对所述第四特征图进行卷积处理,接着利用pool5进行池化处理得到多个第五特征图;
步骤S70,构建所述训练网络的第六层;其中,所述第六层包括fc6、relu6、drop6,所述fc6、relu6对所述第五特征图进行反卷积处理,接着利用drop6进行防过度拟合处理得到多个第六特征图;
步骤S80,构构建所述训练网络的第七层;其中,所述第七层包括fc7、relu7、drop7,所述fc7、relu7对所述第六特征图进行反卷积处理,接着利用drop7进行防过度拟合处理得到多个第七特征图;
步骤S90,构建所述训练网络的第八层;其中,所述第八层包括score_fr、upscore2、score_pool4、score_pool4c、fuse_pool4,具体的将第七特征图依次进行score_fr、upscore2处理得到第八特征图,接着将第四特征图进行score_pool4处理得到的特征图与第八特征图进行score_pool4c得到第九特征图,然后将第九特征图与第八特征图进行fuse_pool4处理得到第十特征图;
步骤S100,构建所述训练网络的第九层;其中,所述第九层包括upscore_pool4、score_pool3、score_pool3c,所述score_pool3,具体的将第十特征图进行upscore_pool4处理得到第十一特征图,接着将第三特征图进行score_pool3处理得到的特征图与第十一特征图进行score_pool3c得到第十二特征图,然后将第十二特征图与第十一特征图进行fuse_pool4处理得到第十三特征图;
步骤S110,构建所述训练网络的第十层;其中,所述第十层包括upscore8、CropMask,具体的将第十三特征图进行upscore8处理得到的特征图与第零层输入的图像进行CropMask得到第十四特征图;
步骤S120,构建所述训练网络的第十一层;其中,所述第十一层包括SoftmaxWithloss,具体的将第十四特征图与第零层输入的图像进行SoftmaxWithloss处理;
(3)使用SGD优化训练网络的网络参数,使用dropout和Batch-Norm方法优化训练网络的模型;
(4)将训练集和测试集用于训练网络,查看训练误差和测试误差,如果训练误差和测试误差都下降,则表示合理收敛,得到优化的参数模型;
(5)使用步骤(4)得到的优化的参数模型,运行Forward程序,加载步骤(2)得到的网络结构和步骤(3)得到的模型,并输入待测图像,得到识别结果的不同类别对应不同的掩码值,取目标类别的掩码值为1,非目标类别掩码值为0并得到掩码矩阵,矩阵中目标区域的值为正,非目标区域值为零,掩码矩阵的维数和待测图像的维数相同;同时输出缺陷类别,使用NMS方法过滤掉低概率的区域ROI;
(6)使用掩码矩阵与待测图像的原图矩阵做element-wise product得到提取出目标物体像素矩阵。
进一步的是,在步骤(2)中,所述训练网络的初始化使用Xavier方法。
进一步的是,在步骤(4)中,所述训练误差和测试误差均使用代价函数公式计算其误差。
本发明的有益效果:该基于卷积神经网络的电力缺陷图像识别方法通过设计神经网络结构,网络优化方法建立一套特定领域的图像检测与特征描述算法,使用神经网络直接得到图片是否存在缺陷以及缺陷类别,同时输出缺陷所在区域,该网络具备同时处理识别多种缺陷的功能。相比传统的hog/lbp特征提取方法,对多种缺陷类别具有适应性,且在这些缺陷类别上保持较高的精准度及查全率。基于神经网络的缺陷处理系统稳定性好,提高了输电线路巡检的自动化水平,降低了人工的劳动强度,便于快速准确的发现输电线路缺。
附图说明
图1为本发明所述网络结构的结构图。
具体实施方式
本发明所述的基于卷积神经网络的电力缺陷图像识别方法,包括以下步骤:
(1)获取电力线路器件图像集,将获取的电力线路器件图像集分成两部分,其中一部分图像为训练图像集,另一部分为测试图像集,将训练图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的缺陷类别,并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图,将切割图和与之对应的电力线路器件图像以及切割图所对应的类别保存为XML文件得到训练集;将测试图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的类别,并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图并得到其相应的缺陷类别,将切割图和与之对应的电力线路器件图像以及切割图所对应的缺陷类别保存为XML文件得到测试集;
(2)构建训练网络的网络结构,如图1所示,构建训练网络的过程包括如下步骤:
步骤S10,构建所述训练网络的第零层;其中,第零层为输入层;
步骤S20,构建所述训练网络的第一层;其中,所述第一层包括conv1_1、relu1_1、conv1_2、relu1_2、pool1;所述conv1_1、relu1_1、conv1_2、relu1_2依次对所述第零层输入的图像进行卷积处理,接着利用pool1进行池化处理得到多个第一特征图;
步骤S30,构建所述训练网络的第二层;其中,所述第二层包括conv2_1、relu2_1、conv2_2、relu2_2、pool2;所述conv2_1、relu2_1、conv2_2、relu2_2依次对所述第一特征图进行卷积处理,接着利用pool2进行池化处理得到多个第二特征图;
步骤S40,构建所述训练网络的第三层;其中,所述第三层包括conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3、pool3;所述conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3依次对所述第二特征图进行卷积处理,接着利用pool3进行池化处理得到多个第三特征图;
步骤S50,构建所述训练网络的第四层;其中,所述第四层包括conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3、pool4;所述conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3依次对所述第三特征图进行卷积处理,接着利用pool4进行池化处理得到多个第四特征图;
步骤S60,构建所述训练网络的第五层;其中,所述第五层包括conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3、pool5;所述conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3依次对所述第四特征图进行卷积处理,接着利用pool5进行池化处理得到多个第五特征图;
步骤S70,构建所述训练网络的第六层;其中,所述第六层包括fc6、relu6、drop6,所述fc6、relu6对所述第五特征图进行反卷积处理,接着利用drop6进行防过度拟合处理得到多个第六特征图;
步骤S80,构构建所述训练网络的第七层;其中,所述第七层包括fc7、relu7、drop7,所述fc7、relu7对所述第六特征图进行反卷积处理,接着利用drop7进行防过度拟合处理得到多个第七特征图;
步骤S90,构建所述训练网络的第八层;其中,所述第八层包括score_fr、upscore2、score_pool4、score_pool4c、fuse_pool4,具体的将第七特征图依次进行score_fr、upscore2处理得到第八特征图,接着将第四特征图进行score_pool4处理得到的特征图与第八特征图进行score_pool4c得到第九特征图,然后将第九特征图与第八特征图进行fuse_pool4处理得到第十特征图;
步骤S100,构建所述训练网络的第九层;其中,所述第九层包括upscore_pool4、score_pool3、score_pool3c,所述score_pool3,具体的将第十特征图进行upscore_pool4处理得到第十一特征图,接着将第三特征图进行score_pool3处理得到的特征图与第十一特征图进行score_pool3c得到第十二特征图,然后将第十二特征图与第十一特征图进行fuse_pool4处理得到第十三特征图;
步骤S110,构建所述训练网络的第十层;其中,所述第十层包括upscore8、CropMask,具体的将第十三特征图进行upscore8处理得到的特征图与第零层输入的图像进行CropMask得到第十四特征图;
步骤S120,构建所述训练网络的第十一层;其中,所述第十一层包括SoftmaxWithloss,具体的将第十四特征图与第零层输入的图像进行SoftmaxWithloss处理;
(3)使用SGD优化训练网络的网络参数,使用dropout和Batch-Norm方法优化训练网络的模型;
(4)将训练集和测试集用于训练网络,查看训练误差和测试误差,如果训练误差和测试误差都下降,则表示合理收敛,得到优化的参数模型;
(5)使用步骤(4)得到的优化的参数模型,运行Forward程序,加载步骤(2)得到的网络结构和步骤(3)得到的模型,并输入待测图像,得到识别结果的不同类别对应不同的掩码值,取目标类别的掩码值为1,非目标类别掩码值为0并得到掩码矩阵,矩阵中目标区域的值为正,非目标区域值为零,掩码矩阵的维数和待测图像的维数相同;同时输出缺陷类别,使用NMS方法过滤掉低概率的区域ROI;
(6)使用掩码矩阵与待测图像的原图矩阵做element-wise product得到提取出目标物体像素矩阵。
该基于卷积神经网络的电力缺陷图像识别方法通过设计神经网络结构,网络优化方法建立一套特定领域的图像检测与特征描述算法,相比传统的hog/lbp特征提取方法避免了前期复杂繁琐的图片预处理,大大提高了图像缺陷识别的精准度及查全率,稳定性好,提高了输电线路巡检的自动化水平,降低了人工的劳动强度,便于快速准确的发现输电线路缺。
进一步的是,在步骤(2)中,所述训练网络的初始化使用Xavier方法。
另外,在步骤(4)中,为了得到较为精确的误差值,所述训练误差和测试误差均使用代价函数公式计算其误差。
Claims (3)
1.一种基于卷积神经网络的电力缺陷图像识别方法,其特征在于包括以下步骤:
(1)获取电力线路器件图像集,将获取的电力线路器件图像集分成两部分,其中一部分图像为训练图像集,另一部分为测试图像集,将训练图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的缺陷类别,并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图,将切割图和与之对应的电力线路器件图像以及切割图所对应的类别保存为XML文件得到训练集;将测试图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的类别,并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图并得到其相应的缺陷类别,将切割图和与之对应的电力线路器件图像以及切割图所对应的缺陷类别保存为XML文件得到测试集;
(2)构建训练网络的网络结构,构建训练网络的过程包括如下步骤:
步骤S10,构建所述训练网络的第零层;其中,第零层为输入层;
步骤S20,构建所述训练网络的第一层;其中,所述第一层包括conv1_1、relu1_1、conv1_2、relu1_2、pool1;所述conv1_1、relu1_1、conv1_2、relu1_2依次对所述第零层输入的图像进行卷积处理,接着利用pool1进行池化处理得到多个第一特征图;
步骤S30,构建所述训练网络的第二层;其中,所述第二层包括conv2_1、relu2_1、conv2_2、relu2_2、pool2;所述conv2_1、relu2_1、conv2_2、relu2_2依次对所述第一特征图进行卷积处理,接着利用pool2进行池化处理得到多个第二特征图;
步骤S40,构建所述训练网络的第三层;其中,所述第三层包括conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3、pool3;所述conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3依次对所述第二特征图进行卷积处理,接着利用pool3进行池化处理得到多个第三特征图;
步骤S50,构建所述训练网络的第四层;其中,所述第四层包括conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3、pool4;所述conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3依次对所述第三特征图进行卷积处理,接着利用pool4进行池化处理得到多个第四特征图;
步骤S60,构建所述训练网络的第五层;其中,所述第五层包括conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3、pool5;所述conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3依次对所述第四特征图进行卷积处理,接着利用pool5进行池化处理得到多个第五特征图;
步骤S70,构建所述训练网络的第六层;其中,所述第六层包括fc6、relu6、drop6,所述fc6、relu6对所述第五特征图进行反卷积处理,接着利用drop6进行防过度拟合处理得到多个第六特征图;
步骤S80,构构建所述训练网络的第七层;其中,所述第七层包括fc7、relu7、drop7,所述fc7、relu7对所述第六特征图进行反卷积处理,接着利用drop7进行防过度拟合处理得到多个第七特征图;
步骤S90,构建所述训练网络的第八层;其中,所述第八层包括score_fr、upscore2、score_pool4、score_pool4c、fuse_pool4,具体的将第七特征图依次进行score_fr、upscore2处理得到第八特征图,接着将第四特征图进行score_pool4处理得到的特征图与第八特征图进行score_pool4c得到第九特征图,然后将第九特征图与第八特征图进行fuse_pool4处理得到第十特征图;
步骤S100,构建所述训练网络的第九层;其中,所述第九层包括upscore_pool4、score_pool3、score_pool3c,所述score_pool3,具体的将第十特征图进行upscore_pool4处理得到第十一特征图,接着将第三特征图进行score_pool3处理得到的特征图与第十一特征图进行score_pool3c得到第十二特征图,然后将第十二特征图与第十一特征图进行fuse_pool4处理得到第十三特征图;
步骤S110,构建所述训练网络的第十层;其中,所述第十层包括upscore8、CropMask,具体的将第十三特征图进行upscore8处理得到的特征图与第零层输入的图像进行CropMask得到第十四特征图;
步骤S120,构建所述训练网络的第十一层;其中,所述第十一层包括SoftmaxWithloss,具体的将第十四特征图与第零层输入的图像进行SoftmaxWithloss处理;
(3)使用SGD优化训练网络的网络参数,使用dropout和Batch-Norm方法优化训练网络的模型;
(4)将训练集和测试集用于训练网络,查看训练误差和测试误差,如果训练误差和测试误差都下降,则表示合理收敛,得到优化的参数模型;
(5)使用步骤(4)得到的优化的参数模型,运行Forward程序,加载步骤(2)得到的网络结构和步骤(3)得到的模型,并输入待测图像,得到识别结果的不同类别对应不同的掩码值,取目标类别的掩码值为1,非目标类别掩码值为0并得到掩码矩阵,矩阵中目标区域的值为正,非目标区域值为零,掩码矩阵的维数和待测图像的维数相同;同时输出缺陷类别,使用NMS方法过滤掉低概率的区域ROI;
(6)使用掩码矩阵与待测图像的原图矩阵做element-wise product得到提取出目标物体像素矩阵。
2.如权利要求1所述的基于卷积神经网络的电力缺陷图像识别方法,其特征在于:在步骤(2)中,所述训练网络的初始化使用Xavier方法。
3.如权利要求2所述的基于卷积神经网络的电力缺陷图像识别方法,其特征在于:在步骤(4)中,所述训练误差和测试误差均使用代价函数公式计算其误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342067.1A CN108537792B (zh) | 2018-04-17 | 2018-04-17 | 一种基于卷积神经网络的电力缺陷图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342067.1A CN108537792B (zh) | 2018-04-17 | 2018-04-17 | 一种基于卷积神经网络的电力缺陷图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537792A CN108537792A (zh) | 2018-09-14 |
CN108537792B true CN108537792B (zh) | 2021-09-17 |
Family
ID=63480755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810342067.1A Active CN108537792B (zh) | 2018-04-17 | 2018-04-17 | 一种基于卷积神经网络的电力缺陷图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537792B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN110246131A (zh) * | 2019-06-21 | 2019-09-17 | 成都卡普数据服务有限责任公司 | 基于卷积神经网络的导线分股缺陷图像识别方法 |
CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004317256A (ja) * | 2003-04-15 | 2004-11-11 | Nippon Soken Inc | 車両用蓄電装置の内部状態検出システム |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107145839A (zh) * | 2017-04-17 | 2017-09-08 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其系统 |
CN107818337A (zh) * | 2017-10-09 | 2018-03-20 | 中国电子科技集团公司第二十八研究所 | 基于深度卷积神经网络的突发事件分级分类方法及装置 |
CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803069B (zh) * | 2016-12-29 | 2021-02-09 | 南京邮电大学 | 基于深度学习的人群高兴程度识别方法 |
CN107680195A (zh) * | 2017-11-13 | 2018-02-09 | 国网内蒙古东部电力有限公司 | 一种变电站智能机器人巡检辅助分析系统及方法 |
-
2018
- 2018-04-17 CN CN201810342067.1A patent/CN108537792B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004317256A (ja) * | 2003-04-15 | 2004-11-11 | Nippon Soken Inc | 車両用蓄電装置の内部状態検出システム |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107145839A (zh) * | 2017-04-17 | 2017-09-08 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其系统 |
CN107818337A (zh) * | 2017-10-09 | 2018-03-20 | 中国电子科技集团公司第二十八研究所 | 基于深度卷积神经网络的突发事件分级分类方法及装置 |
CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
Non-Patent Citations (2)
Title |
---|
Convolutional Neural Network Based Solar Photovoltaic Panel Detection in Satellite Photos;Golovko, Vladimir 等;《9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems - Technology and Applications》;20170923;第14-19页 * |
深度学习在硅钢钢片缺陷识别中的应用;赵轶;《数字技术与应用》;20171231(第12期);第32-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108537792A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN108537792B (zh) | 一种基于卷积神经网络的电力缺陷图像识别方法 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN110580475A (zh) | 基于无人机巡检的线路诊断方法、电子装置及存储介质 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
CN112367400B (zh) | 一种边云协同的电力物联网智能巡检方法及系统 | |
CN112036464A (zh) | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 | |
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 | |
CN110910360A (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检系统及巡检方法 | |
Hao et al. | Detection of bird nests on power line patrol using single shot detector | |
CN115757369A (zh) | 一种激光点云数据的自动检查方法及系统 | |
CN111597868A (zh) | 一种基于ssd的变电站隔离开关状态分析方法 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN115937079A (zh) | 一种基于YOLO v3的输电线路缺陷快速检测方法 | |
CN113076672B (zh) | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 | |
CN114170291A (zh) | 一种电力设备巡检方法 | |
CN114565581A (zh) | 一种配电线路低值绝缘子的检测方法、记录媒体及系统 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
CN112508905A (zh) | 一种金具锈蚀图像检测方法和计算机可读存储介质 | |
CN111144420A (zh) | 基于小样本的电塔缺陷监测方法及系统 | |
CN110688919A (zh) | 一种智能巡线故障识别方法 | |
CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |