CN108596886A - 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 - Google Patents
基于深度学习的航拍图像绝缘子掉片故障快速检测方法 Download PDFInfo
- Publication number
- CN108596886A CN108596886A CN201810341139.0A CN201810341139A CN108596886A CN 108596886 A CN108596886 A CN 108596886A CN 201810341139 A CN201810341139 A CN 201810341139A CN 108596886 A CN108596886 A CN 108596886A
- Authority
- CN
- China
- Prior art keywords
- insulator
- model
- image
- picture
- library
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明涉及一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法。该方法涉及高压输电线路巡线技术、图像识别技术、机器学习技术领域,包括:建立巡线绝缘子数据库,包括绝缘子检测图像库和绝缘子掉片故障检测图像库;利用数据增强扩充数据库;建立与检测图像库对应的图像标签库,包括绝缘子检测标签库和绝缘子掉片故障标签库;建立深度学习目标检测模型SSD,包括基础网络MobileNet和辅助网络;生成数据集,包括绝缘子检测训练集、绝缘子检测测试集、绝缘子掉片故障检测训练集、绝缘子掉片故障检测测试集;训练模型;固化模型用于快速检测;测试模型,将待检测图片输入模型中得到绝缘子掉片故障检测结果。
Description
技术领域
本发明涉及高压输电线路巡线技术、图像识别技术、机器学习技术领域,具体涉及一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法。
背景技术
绝缘子是输电线路中数量最多的电力部件,具有电气绝缘和机械连接的功能。由于输电线路跨越不同的复杂地形,绝缘子长期暴露在各种环境条件下,极易发生掉片、闪络、覆冰等故障。绝缘子一旦发生故障将会严重影响到输电线路的安全可靠运行,进一步威胁到电力系统的安全。因此,对于绝缘子的故障检测是输电线路运检维护的必要程序之一。传统的人工巡线方式难以观测到复杂地形下处于高空中的绝缘子,高风险、高成本、低效率是各地区人工巡线中普遍存在的问题。近年来,无人机因其体积小、灵活、成本低等优势逐渐成为电力巡线的主要工具之一。通过飞手操控无人机,飞至绝缘子处进行拍摄,由地面上的专业人员现场分析,同时将数据带回运检维护中心储存备份或进行进一步的诊断。但无人机巡线产生了大量的巡线图像数据,极大增加了巡线人员的工作压力,现亟需一种可以自动检测绝缘子故障的方法。输电线路覆盖广泛,沿途地貌复杂多样,在航拍图像中绝缘子与背景的区分度低且故障区域极为隐蔽,同时无人机拍摄时的拍摄角度与环境条件具有较大的随机性,现有算法无法满足绝缘子故障检测的快速性、准确性需求。
发明内容
本发明的目的在于提供一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法,利用基于深度学习的目标检测技术快速而准确地识别出复杂背景中的绝缘子并定位出掉片故障所在区域,其检测速度足以满足实时视频检测的要求,帮助巡线工作人员完成初步的巡线图像数据诊断,减轻其工作强度并提升电力巡线的智能化水平。
为实现上述目的,本发明的技术方案是:一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法,包括如下步骤:
步骤S1、建立巡线绝缘子数据库,包括绝缘子检测图像库和绝缘子掉片故障检测图像库,其中,绝缘子检测图像库包括不同形态的正常绝缘子,图像为完整航拍图像且归一化到1024*1024像素尺寸;绝缘子掉片故障检测图像库中包括掉片故障的绝缘子,图像为原航拍图像裁剪后的绝缘子区域图像且保持裁剪后的像素尺寸;
步骤S2、数据增强:利用数据增强技术扩充数据集,即将巡线绝缘子数据库中的一张原图通过包括扭曲、旋转、镜像、裁剪或拉伸的数据增强操作,变换为一张新的图像,所有的数据增强操作以预定概率施加在原图上,即一张图片被施加一种或多种数据增强操作;
步骤S3、建立与巡线绝缘子数据库对应的图像标签库:巡线绝缘子数据库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件;绝缘子检测图像库的标签文件中包括以下信息:图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,绝缘子目标所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框的左上顶点坐标,(xmax,ymax)为边界框的右下顶点坐标;绝缘子掉片故障图像库的标签文件中包括以下信息:图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,绝缘子掉片故障所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax);
步骤S4、建立深度学习模型:采用端到端的深度学习目标检测网络SSD,具体分为基础网络和辅助网络,其中基础网络选用轻量级的CNN网络mobilenet,辅助网络使用3*3卷积核构成6层附加卷积层,生成对应的特征图,辅助网络的输入为所述基础网络的不同卷积层的特征图输出;辅助网络上的每层特征图都生成固定数量的检测器,检测器有两种功能:(1)预测目标边界框的位置;(2)所预测目标种类的得分;
步骤S5、数据集生成:将所有参与训练的图像与其对应的标签文件合成一个用于训练的、可读取的文件;
步骤S6、训练绝缘子检测模型:利用步骤S3的SSD模型通过反向传播算法在绝缘子检测图像库上进行训练,得到绝缘子检测模型,其中,训练所用的初始化模型为在COCO数据集上训练所得的模型;
步骤S7、训练绝缘子掉片故障检测模型:利用步骤S3的SSD模型通过反向传播算法在绝缘子掉片故障图像库上进行训练,得到绝缘子掉片故障检测模型,其中,训练所用的初始化模型为在COCO数据集上训练所得的模型;
步骤S8、固化模型用于快速检测:将模型中所含的训练变量剔除,只保留前向传播的神经元权重与偏置常量,缩小模型体积,方便模型移植,提高检测速度;
步骤S9、模型测试:将待检测的图片或者视频输入到固化后的检测模型中,用矩形边界框在原图像或者视频中标注出检测到的绝缘子区域或绝缘子掉片故障区域,以及它们的置信度得分。
相较于现有技术,本发明具有以下有益效果:本发明利用端到端的深度学习目标检测网络SSD有效提升了不同场景中的绝缘子掉片故障检测的准确率与检测速度,无需人工设计繁琐的绝缘子掉片故障的图像特征提取器,而是将特征提取的任务交给深度卷积神经网络,提取出更加全面、更能描述检测目标的深度特征信息,再将其输入辅助网络中进行预测推理,得到检测结果。SSD检测网络可以用在绝缘子检测以及绝缘子故障检测两个阶段,避免了传统方法中既要设计绝缘子检测算法、又要设计故障检测算法的情况。整个检测过程是端到端的快速检测通道,输入图片最终得到目标框,有助于减轻目前巡线人员面对海量巡线数据时的检索压力与强度。同时,本发明还利用了数据增强技术,在数据量不足的情况下,扩充有效的数据样本,增加数据库的多样性,提升深度学习检测网络的检测性能。
附图说明
图1 基于深度学习的航拍图像绝缘子掉片故障检测方法系统流程图。
图2 SSD网络结构图。
图3 标签文件样例。
图4 测试结果的部分样例。
图5 模型测试的准确率-召回率曲线图。
具体实施方式
为了使本发明的目的、技术方案、和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明,整个方法的系统流程图如图1所示,输入图像首先经过SSD深度学习目标检测网络,检测出图像中的绝缘子区域,提取出绝缘子区域后,将此区域输入下一个SSD深度学习目标检测网络,检测出绝缘子区域中的掉片故障区域。
1. 建立绝缘子检测图像库与绝缘子掉片故障检测图像库。将所收集的包含正常绝缘子的巡线图像归一化到1024*1024像素尺寸,加入绝缘子检测图像库。将所收集的包含掉片故障绝缘子的巡线图像裁剪出绝缘子区域图像,裁剪后的绝缘子区域图像保持原像素大小,不进行归一化,然后加入绝缘子掉片故障检测图像库。
2. 数据增强。利用数据增强技术扩充数据集,具体做法是将数据库中的一张原图通过扭曲、旋转、镜像、裁剪、拉伸等数据增强操作,变换为一张新的图像。所有的操作以0.2的概率施加在原图上,即一张图片可能同时被施加多种数据增强操作。对生成的数据进行筛选,去除不合格的数据,如目标缺失、目标严重失真。
3. 建立与绝缘子检测图像库与绝缘子掉片故障检测图像库对应的图像标签库。图库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件, 其中绝缘子检测图像库的标签文件中包含了图片的以下信息:图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,绝缘子所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框的左上顶点坐标,(xmax,ymax)为边界框的右下顶点坐标。若一图中包含多个绝缘子,则标签中储存多个边界框。绝缘子掉片故障检测图像库的标签文件中包含了图片的以下信息:图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,绝缘子掉片故障所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax)。标签文件样例如图3所示。
4. 建立深度学习模型。采用端到端的深度学习目标检测网络SSD,网络结构如图2所示,网络具体由基础网络和辅助网络组成,其中基础网络选用轻量级的CNN网络mobilenet,mobilenet只有420万的参数量,运算速度极快。辅助网络使用以3*3卷积核构成的6层卷积层输出不同尺寸的特征图,辅助网络的输入为前面所述基础网络的不同卷积层的特征图输出。所述的检测器是根据不同尺寸的特征图生成的固定数量的默认框。检测器有两种功能:1、预测目标边界框的位置(相对于默认框坐标的4个偏移量参数),训练时采用的损失函数是Smooth L1 loss;2、所预测目标种类的置信度得分,训练时采用的损失函数是Softmax loss。
5. 生成绝缘子检测数据集。将绝缘子检测图库中所有xml标签文件合成一个csv格式的表格文件,将此csv文件按行编号以一个自定义的比例随机拆分成训练集csv文件与测试集csv文件。根据csv文件中的图片标签信息,将所有图片与对应标签合成一个可以用于高效读写的tfrecord格式文件。最终得到绝缘子检测训练集的tfrecord文件和绝缘子检测测试集的tfrecord文件。
6. 生成绝缘子掉片故障检测数据集。将绝缘子掉片故障检测图库中所有xml标签文件合成一个csv格式的表格文件,将此csv文件按行编号以一个自定义的比例随机拆分成训练集csv文件与测试集csv文件。根据csv文件中的图片标签信息,将所有图片与对应标签合成一个可以用于高效读写的tfrecord格式文件。最终得到绝缘子掉片故障检测训练集的tfrecord文件和绝缘子掉片故障检测测试集的tfrecord文件。
7. 训练绝缘子检测模型。利用SSD模型通过反向传播算法在绝缘子检测图像库上进行训练,得到绝缘子检测模型。其中,训练所用的初始化模型为在微软的COCO数据集上训练所得的模型,参数更新方式是RMSProp,初始学习速率0.004,动量系数0.9,批次大小24,利用批次归一化(BN)方式避免过拟合。
8. 训练绝缘子掉片故障检测模型。利用SSD模型通过反向传播算法在绝缘子掉片故障检测图像库上进行训练,得到绝缘子掉片故障检测模型。其中,训练所用的初始化模型为在微软的COCO数据集上训练所得的模型,参数更新方式是RMSProp,初始学习速率0.004,动量系数0.9,批次大小24,利用批次归一化(BN)方式避免过拟合。
9. 固化模型。模型的性能随着训练的迭代次数上升,每隔一定迭代次数便保存一次训练模型,并在测试集上验证检测效果,观察模型性能的变化,当模型性能稳定在一定水准时,选择此时的模型作为模型固化的模型原始文件。具体方法是将模型中所含的训练过程变量剔除,只保留前向传播的神经元权重与偏置等常量,缩小模型体积,方便模型移植,提高检测速度。
10. 测试模型。首先将待检测的巡线图片或者视频输入到固化后的绝缘子检测模型中,经过前向传播后得出绝缘子区域的边界框坐标与置信度得分,将绝缘子区域图像提取出来,输入到绝缘子掉片故障检测模型中,经过前向传播后得出绝缘子掉片故障区域的边界框坐标与置信度得分。图4显示了部分检测结果样例。
本发明方法最终在绝缘子掉片故障检测测试集上得到84%的平均准确率,检测速度为23毫秒一张图片(不包括读取图片时间)。模型测试的准确率与召回率曲线如图5所示。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (1)
1.一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法,其特征在于,包括如下步骤:
步骤S1、建立巡线绝缘子数据库,包括绝缘子检测图像库和绝缘子掉片故障检测图像库,其中,绝缘子检测图像库包括不同形态的正常绝缘子,图像为完整航拍图像且归一化到1024*1024像素尺寸;绝缘子掉片故障检测图像库中包括掉片故障的绝缘子,图像为原航拍图像裁剪后的绝缘子区域图像且保持裁剪后的像素尺寸;
步骤S2、数据增强:利用数据增强技术扩充数据集,即将巡线绝缘子数据库中的一张原图通过包括扭曲、旋转、镜像、裁剪或拉伸的数据增强操作,变换为一张新的图像,所有的数据增强操作以预定概率施加在原图上,即一张图片被施加一种或多种数据增强操作;
步骤S3、建立与巡线绝缘子数据库对应的图像标签库:巡线绝缘子数据库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件;绝缘子检测图像库的标签文件中包括以下信息:图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,绝缘子目标所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框的左上顶点坐标,(xmax,ymax)为边界框的右下顶点坐标;绝缘子掉片故障图像库的标签文件中包括以下信息:图片ID号,图片的像素高度、宽度与深度,图片的路径,图片所包含的目标种类,绝缘子掉片故障所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax);
步骤S4、建立深度学习模型:采用端到端的深度学习目标检测网络SSD,具体分为基础网络和辅助网络,其中基础网络选用轻量级的CNN网络mobilenet,辅助网络使用3*3卷积核构成6层附加卷积层,生成对应的特征图,辅助网络的输入为所述基础网络的不同卷积层的特征图输出;辅助网络上的每层特征图都生成固定数量的检测器,检测器有两种功能:(1)预测目标边界框的位置;(2)所预测目标种类的得分;
步骤S5、数据集生成:将所有参与训练的图像与其对应的标签文件合成一个用于训练的、可读取的文件;
步骤S6、训练绝缘子检测模型:利用步骤S3的SSD模型通过反向传播算法在绝缘子检测图像库上进行训练,得到绝缘子检测模型,其中,训练所用的初始化模型为在COCO数据集上训练所得的模型;
步骤S7、训练绝缘子掉片故障检测模型:利用步骤S3的SSD模型通过反向传播算法在绝缘子掉片故障图像库上进行训练,得到绝缘子掉片故障检测模型,其中,训练所用的初始化模型为在COCO数据集上训练所得的模型;
步骤S8、固化模型用于快速检测:将模型中所含的训练变量剔除,只保留前向传播的神经元权重与偏置常量,缩小模型体积,方便模型移植,提高检测速度;
步骤S9、模型测试:将待检测的图片或者视频输入到固化后的检测模型中,用矩形边界框在原图像或者视频中标注出检测到的绝缘子区域或绝缘子掉片故障区域,以及它们的置信度得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810341139.0A CN108596886A (zh) | 2018-04-17 | 2018-04-17 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810341139.0A CN108596886A (zh) | 2018-04-17 | 2018-04-17 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596886A true CN108596886A (zh) | 2018-09-28 |
Family
ID=63622766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810341139.0A Pending CN108596886A (zh) | 2018-04-17 | 2018-04-17 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596886A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345529A (zh) * | 2018-09-30 | 2019-02-15 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN109398688A (zh) * | 2018-11-16 | 2019-03-01 | 湖南大学 | 一种旋翼飞行双机械臂目标定位抓取系统及方法 |
CN109506628A (zh) * | 2018-11-29 | 2019-03-22 | 东北大学 | 一种基于深度学习的卡车环境下目标物测距方法 |
CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
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 |
CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断系统 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110033016A (zh) * | 2019-02-20 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数字键盘识别模型的训练方法、数字键盘识别方法及系统 |
CN110069975A (zh) * | 2018-12-25 | 2019-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种基于神经网络的导线开股识别方法及系统 |
CN110119757A (zh) * | 2019-03-28 | 2019-08-13 | 北京奇艺世纪科技有限公司 | 模型训练方法、视频类别检测方法、装置、电子设备和计算机可读介质 |
CN110136097A (zh) * | 2019-04-10 | 2019-08-16 | 南方电网科学研究院有限责任公司 | 一种基于特征金字塔的绝缘子故障识别方法与装置 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN110264448A (zh) * | 2019-06-06 | 2019-09-20 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110276747A (zh) * | 2019-06-06 | 2019-09-24 | 中南大学 | 一种基于图像分析的绝缘子故障检测和故障评级方法 |
CN110288571A (zh) * | 2019-06-06 | 2019-09-27 | 中南大学 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
CN110414574A (zh) * | 2019-07-10 | 2019-11-05 | 厦门美图之家科技有限公司 | 一种目标检测方法、计算设备及存储介质 |
CN110674827A (zh) * | 2019-09-24 | 2020-01-10 | 哈尔滨工业大学 | 一种融合深度学习与形态学滤波的设备状态视觉检测方法 |
CN111652295A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩尾销托梁脱落故障识别方法 |
CN112464756A (zh) * | 2020-11-13 | 2021-03-09 | 上海电力大学 | 一种面向绝缘子缺陷识别的图像量化方法 |
CN112686334A (zh) * | 2021-01-22 | 2021-04-20 | 国网浙江省电力有限公司舟山供电公司 | 一种对图像中的绝缘子的定位方法 |
CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
CN113076672A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
CN113129279A (zh) * | 2021-04-08 | 2021-07-16 | 合肥工业大学 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
CN113450318A (zh) * | 2021-06-11 | 2021-09-28 | 东华大学 | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 |
CN113506290A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种线路绝缘子缺陷检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN106803254A (zh) * | 2017-01-17 | 2017-06-06 | 广东容祺智能科技有限公司 | 一种输电线路中绝缘子缺损分析的图片自动检测方法 |
CN107808141A (zh) * | 2017-11-08 | 2018-03-16 | 国家电网公司 | 一种基于深度学习的输电线路绝缘子爆裂识别方法 |
-
2018
- 2018-04-17 CN CN201810341139.0A patent/CN108596886A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN106803254A (zh) * | 2017-01-17 | 2017-06-06 | 广东容祺智能科技有限公司 | 一种输电线路中绝缘子缺损分析的图片自动检测方法 |
CN107808141A (zh) * | 2017-11-08 | 2018-03-16 | 国家电网公司 | 一种基于深度学习的输电线路绝缘子爆裂识别方法 |
Non-Patent Citations (2)
Title |
---|
HIROYA MAEDA ET AL: "Road Damage Detection Using Deep Neural Networks with Images Captured Through a Smartphone", 《ARXIV:1801.09454V2 [CS.CV]》 * |
ZENAN LING ET AL: "An Accurate and Real-time Self-blast Glass Insulator Location Method Based On Faster R-CNN and U-net with Aerial Images", 《ARXIV:1801.05143V1 [CS.CV]》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345529B (zh) * | 2018-09-30 | 2021-09-24 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN109345529A (zh) * | 2018-09-30 | 2019-02-15 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109523476B (zh) * | 2018-11-02 | 2022-04-05 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109398688A (zh) * | 2018-11-16 | 2019-03-01 | 湖南大学 | 一种旋翼飞行双机械臂目标定位抓取系统及方法 |
CN109398688B (zh) * | 2018-11-16 | 2020-06-30 | 湖南大学 | 一种旋翼飞行双机械臂目标定位抓取系统及方法 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109615611B (zh) * | 2018-11-19 | 2023-06-27 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109506628A (zh) * | 2018-11-29 | 2019-03-22 | 东北大学 | 一种基于深度学习的卡车环境下目标物测距方法 |
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 |
CN110069975A (zh) * | 2018-12-25 | 2019-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种基于神经网络的导线开股识别方法及系统 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109859171B (zh) * | 2019-01-07 | 2021-09-17 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
CN110033016A (zh) * | 2019-02-20 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数字键盘识别模型的训练方法、数字键盘识别方法及系统 |
CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断系统 |
CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
CN110119757A (zh) * | 2019-03-28 | 2019-08-13 | 北京奇艺世纪科技有限公司 | 模型训练方法、视频类别检测方法、装置、电子设备和计算机可读介质 |
CN110119757B (zh) * | 2019-03-28 | 2021-05-25 | 北京奇艺世纪科技有限公司 | 模型训练方法、视频类别检测方法、装置、电子设备和计算机可读介质 |
CN110136097A (zh) * | 2019-04-10 | 2019-08-16 | 南方电网科学研究院有限责任公司 | 一种基于特征金字塔的绝缘子故障识别方法与装置 |
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110033453B (zh) * | 2019-04-18 | 2023-02-24 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110176001B (zh) * | 2019-06-03 | 2021-09-03 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110288571B (zh) * | 2019-06-06 | 2021-03-23 | 中南大学 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
CN110276747B (zh) * | 2019-06-06 | 2021-03-23 | 中南大学 | 一种基于图像分析的绝缘子故障检测和故障评级方法 |
CN110288571A (zh) * | 2019-06-06 | 2019-09-27 | 中南大学 | 一种基于图像处理的高铁接触网绝缘子异常检测方法 |
CN110264448B (zh) * | 2019-06-06 | 2021-04-23 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110276747A (zh) * | 2019-06-06 | 2019-09-24 | 中南大学 | 一种基于图像分析的绝缘子故障检测和故障评级方法 |
CN110264448A (zh) * | 2019-06-06 | 2019-09-20 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN110414574A (zh) * | 2019-07-10 | 2019-11-05 | 厦门美图之家科技有限公司 | 一种目标检测方法、计算设备及存储介质 |
CN110674827A (zh) * | 2019-09-24 | 2020-01-10 | 哈尔滨工业大学 | 一种融合深度学习与形态学滤波的设备状态视觉检测方法 |
CN111652295A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩尾销托梁脱落故障识别方法 |
CN112464756A (zh) * | 2020-11-13 | 2021-03-09 | 上海电力大学 | 一种面向绝缘子缺陷识别的图像量化方法 |
CN112464756B (zh) * | 2020-11-13 | 2023-05-02 | 上海电力大学 | 一种面向绝缘子缺陷识别的图像量化方法 |
CN112686334A (zh) * | 2021-01-22 | 2021-04-20 | 国网浙江省电力有限公司舟山供电公司 | 一种对图像中的绝缘子的定位方法 |
CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
CN113129279A (zh) * | 2021-04-08 | 2021-07-16 | 合肥工业大学 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
CN113076672A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
CN113076672B (zh) * | 2021-04-08 | 2024-02-02 | 江苏省送变电有限公司 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
CN113129279B (zh) * | 2021-04-08 | 2024-04-30 | 合肥工业大学 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
CN113450318A (zh) * | 2021-06-11 | 2021-09-28 | 东华大学 | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 |
CN113506290A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种线路绝缘子缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596886A (zh) | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 | |
CN108010030A (zh) | 一种基于深度学习的航拍图像绝缘子实时检测方法 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN109409365A (zh) | 一种基于深度目标检测的待采摘水果识别和定位方法 | |
CN110245644A (zh) | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 | |
CN110826476A (zh) | 识别目标物体的图像检测方法、装置、电子设备和存储介质 | |
CN106909886B (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
CN108596883A (zh) | 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 | |
CN112581443A (zh) | 一种风力发电机叶片表面损伤轻量化识别方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN112837315B (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
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 | |
CN113252701B (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN114092487A (zh) | 目标果实实例分割方法及系统 | |
CN111639530A (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
CN111241905A (zh) | 基于改进ssd算法的输电线路鸟窝检测方法 | |
CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 |
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: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |