CN108693441B - 一种输电线路绝缘子识别方法及系统 - Google Patents
一种输电线路绝缘子识别方法及系统 Download PDFInfo
- Publication number
- CN108693441B CN108693441B CN201810338067.4A CN201810338067A CN108693441B CN 108693441 B CN108693441 B CN 108693441B CN 201810338067 A CN201810338067 A CN 201810338067A CN 108693441 B CN108693441 B CN 108693441B
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- model
- insulator
- power transmission
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Abstract
本发明公开了一种输电线路绝缘子识别方法及系统。该方法包括:获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像;通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型;对输电线路进行拍摄,得到输电线路的多个当前航拍图像;通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像;根据所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。通过本发明提供的方法或系统,能够准确、快速的识别输电线路的绝缘子。
Description
技术领域
本发明涉及绝缘子识别领域,特别是涉及一种输电线路绝缘子识别方法及系统。
背景技术
绝缘子作为输电线路中的关键设备,其状态监测对电网的稳定运行尤为重要。绝缘子是架空输电线路网架中的重要设备之一,起到机械支撑和电气绝缘防止电流回地的作用,同时也是故障频发元件之一,破损、自爆、裂纹和异物等故障严重威胁着输电线路的安全可靠运行。据统计,目前发生的输电线路事故中,绝缘子故障导致的跳闸事件占81.3%。因此,及时排查输电线路中绝缘子的故障十分重要。
发明内容
本发明的目的是提供一种输电线路绝缘子识别方法及系统,用以准确、快速的识别输电线路的绝缘子,为及时排查输电线路路中绝缘子的故障提供保障。
为实现上述目的,本发明提供了如下方案:
一种输电线路绝缘子识别方法,所述方法包括:
获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像;
通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型;
对输电线路进行拍摄,得到输电线路的多个当前航拍图像;
通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像;
根据所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。
可选的,所述通过所述模拟图像对神经网络模型进行训练,得到分类识别模型,具体包括:
通过所述神经网络模型对所述模拟图像和所述历史背景图像进行分类,得到背景图输出数据以及绝缘子图像输出数据;
判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内;
否是,则确定所述神经网络模型为分类识别模型;
若否,则调整所述神经网络模型的参数,使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内,得到分类识别模型。
可选的,所述通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像,具体包括:
获取六角椎体模型中的色调、饱和度以及明度的取值范围;
根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像。
可选的,所述根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像,具体包括:
获取每个当前航拍图像中各像素点的像素值;
根据每个当前航拍图像中的各像素点的像素值以及所述六角椎体模型中的色调、饱和度和明度的取值范围,确定每个当前航拍图像对应的色系,得到不同色系的预选图像。
一种输电线路绝缘子识别系统,所述系统包括:
图像获取模块,用于获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像;
训练模块,用于通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型;
拍摄模块,用于对输电线路进行拍摄,得到输电线路的多个当前航拍图像;
预选图像划分模块,用于通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像;
识别模块,用于所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。
可选的,所述训练模块包括:
分类单元,用于通过所述神经网络模型对所述模拟图像和所述历史背景图像进行分类,得到背景图输出数据以及绝缘子图像输出数据;
判断单元,用于判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内;
确定单元,与所述判断模块连接,用于当所述背景图输出数据以及绝缘子图像数据在误差阈值范围内时,确定所述神经网络模型为分类识别模型;以及用于当所述背景图输出数据以及绝缘子图像数据不在误差阈值范围内时,调整所述神经网络模型的参数,使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内,得到分类识别模型。
可选的,所述预选图像划分模块包括:
取值范围获取单元,用于获取六角椎体模型中的色调、饱和度以及明度的取值范围;
预选图像划分单元,用于根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像。
可选的,所述预选图像划分单元包括:
像素值获取子单元,用于获取每个当前航拍图像中各像素点的像素值;
划分子单元,用于根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明针对航拍图像中的绝缘子的识别定位技术进行研究,使用神经网络模型进行目标分类识别,并通过颜色模型得到预选图像,确保在进行分类识别之前预选区域分割定位范围的准确性,从而提高分类识别模型的识别准确率,准确、快速的识别输电线路的绝缘子,为及时排查输电线路路中绝缘子的故障提供保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例输电线路绝缘子识别方法的流程图;
图2为本发明实施例输电线路绝缘子识别系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种输电线路绝缘子识别方法及系统,用以准确、快速的识别输电线路的绝缘子,为及时排查输电线路路中绝缘子的故障提供保障。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例输电线路绝缘子识别方法的流程图。如图1所示,一种输电线路绝缘子识别方法主要包括以下步骤:
步骤101:获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像。
具体的,根据绝缘子的尺寸和形状,分别在前、顶、左等不同的视图进行绝缘子金属端头、伞盘以及棒芯的绘制,由于其绘制的是三维模型,因此需要在不同的视图中对其进行调整。分别对绝缘子的各个部件进行材质参数的设置。将各个部件进行组合对齐。进行渲染环境的设置,渲染成品。根据角度设置,生成全方位的模拟图像。
步骤102:通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型。
具体的,通过所述神经网络模型对所述模拟图像进行分类,得到背景图输出数据以及绝缘子图像输出数据;
判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内;
否是,则确定所述神经网络模型为分类识别模型;
若否,则调整所述神经网络模型的参数,使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内,得到分类识别模型。
我们将绝缘子模拟人工图像20000张作为样本库中的正样本,航拍图像中不包含绝缘子的真实背景图像20000张作为样本库中的负样本。样本大小为256×256,样本库中的样本分布为1:1。
神经网络模型是由3组卷积层和下采样层以及1个全连接层组成的。卷积层conv1通过使用256个7×7的卷积核滑动处理256×256×3的被测图像;下采样层pool2的感受野大小为2×2;卷积层conv3和conv5分别使用128个6×6的卷积核和64个3×3的卷积核;下采样层pool4和pool6的感受野大小都是3×3;整个网络训练参数个数共有65280个。
在本方法中我们采用均方差作为我们的损失函数,如式(1)所示。
式中:L为损失函数值;N为批处理数量,本网络取150;W为网络权值,λr(W)为正则项;f(zit)为样本输出zit对应的t类别概率,即最终输出结果中被分类样本对应的类别概率。zij为第j类对应的输出值,zimax为输入样本Xi输出中的最大值。
网络权值更新公式如下:
α=base_α×0.1floor(iter/5000) (4)
其中Wt+1为第t+1轮的权值;Wt为第t轮的权值;μ为上一次梯度值的权重;Vt为第t轮权重的更新值;为损失函数对权值的求导;α为学习速率,其根据公式(4)进行更新,base_α是学习速率初始值0.001,iter为当前的迭代次数。
步骤103:对输电线路进行拍摄,得到输电线路的多个当前航拍图像。
步骤104:通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像。
颜色是物体之间相互区分的最明显特征,在基于内容的图像理解中具有重要的作用。目前,现有的表示图像颜色特征的方法主要包括:颜色直方图、颜色矩和颜色相关图等。颜色直方图主要是利用统计学的方法对图像中的颜色像素值进行统计;颜色矩是将所有像素点的颜色值看作是一个概率分布,再将这个离散特征由其各阶矩进行表示。颜色相关图则是将颜色直方图和颜色之间的空间分布关系相结合进行特征表示。这些方法只是在统计学上表现了图像的颜色特征,并没有真正从语义内容上进行信息表达。颜色最直接的内容信息即为颜色的名称。在自然语言中,有很多描述颜色的名词,不同的语言对颜色的分类差别很大。本方法将可能出现在输电线路路航拍图像中的颜色划分为八个色系,分别为灰色系、白色系、红色系、黄色系、绿色系、青色系、蓝色系和紫色系。
通过六角椎体模型以及所述色系组对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像,具体包括:
获取六角椎体模型中的色调H、饱和度S以及明度V的取值范围;
根据每个当前航拍图像中的各像素点的像素值以及所述六角椎体模型中的色调、饱和度和明度的取值范围,确定每个当前航拍图像对应的色系,得到不同色系的预选图像。表1为各颜色系对应H、S、V变量的取值范围。
表1各颜色系对应H、S、V变量的取值范围
满足上述规定范围的像素点被归为相应的颜色系,在预选区域划分中,每一种颜色系对应一幅预选图,在预选图中,只有对应颜色系像素的像素值维持原状,其余像素值置为训练样本生成时背景图片的像素值[224,224,224]。
步骤105:根据所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明针对航拍图像中的绝缘子的识别定位技术进行研究,使用神经网络模型进行目标分类识别,并通过颜色模型得到预选图像,确保在进行分类识别之前预选区域分割定位范围的准确性,从而提高分类识别模型的识别准确率,准确、快速的识别输电线路的绝缘子,为及时排查输电线路路中绝缘子的故障提供保障。
图2为本发明实施例输电线路绝缘子识别系统的结构框图。如图2所示,一种输电线路绝缘子识别系统包括:
图像获取模块201,用于获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像。
训练模块202,用于通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型。
所述训练模块202具体包括:
分类单元,用于通过所述神经网络模型对所述模拟图像和所述历史背景图像进行分类,得到背景图输出数据以及绝缘子图像输出数据;
判断单元,用于判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内;
确定单元,与所述判断模块连接,用于当所述背景图输出数据以及绝缘子图像数据在误差阈值范围内时,确定所述神经网络模型为分类识别模型;以及用于当所述背景图输出数据以及绝缘子图像数据不在误差阈值范围内时,调整所述神经网络模型的参数,使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内,得到分类识别模型。
拍摄模块203,用于对输电线路进行拍摄,得到输电线路的多个当前航拍图像。
预选图像划分模块204,用于通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像。
所述预选图像划分模块204具体包括:
取值范围获取单元,用于获取六角椎体模型中的色调、饱和度以及明度的取值范围;
预选图像划分单元,用于根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像。所述预选图像划分单元包括:
像素值获取子单元,用于获取每个当前航拍图像中各像素点的像素值;
划分子单元,用于根据每个当前航拍图像中的各像素点的像素值以及所述六角椎体模型中的色调、饱和度和明度的取值范围,确定每个当前航拍图像对应的色系,得到不同色系的预选图像。
识别模块205,用于所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种输电线路绝缘子识别方法,其特征在于,所述方法包括:
获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像;
通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型;
对输电线路进行拍摄,得到输电线路的多个当前航拍图像;
通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像,具体包括:获取六角椎体模型中的色调、饱和度以及明度的取值范围;根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像;
根据所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。
2.根据权利要求1所述的识别方法,其特征在于,所述通过所述模拟图像对神经网络模型进行训练,得到分类识别模型,具体包括:
通过所述神经网络模型对所述模拟图像和所述历史背景图像进行分类,得到背景图输出数据以及绝缘子图像输出数据;
判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内;
否是,则确定所述神经网络模型为分类识别模型;
若否,则调整所述神经网络模型的参数,使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内,得到分类识别模型。
3.根据权利要求1所述的识别方法,其特征在于,所述根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像,具体包括:
获取每个当前航拍图像中各像素点的像素值;
根据每个当前航拍图像中的各像素点的像素值以及所述六角椎体模型中的色调、饱和度和明度的取值范围,确定每个当前航拍图像对应的色系,得到不同色系的预选图像。
4.一种输电线路绝缘子识别系统,其特征在于,所述系统包括:
图像获取模块,用于获取模拟图像和历史背景图像,所述模拟图像为输电线路的模拟航拍图像,所述模拟图像为无背景的绝缘子图像;
训练模块,用于通过所述模拟图像和所述历史背景图像对神经网络模型进行训练,得到分类识别模型;
拍摄模块,用于对输电线路进行拍摄,得到输电线路的多个当前航拍图像;
预选图像划分模块,用于通过六角椎体模型对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像,包括:取值范围获取单元,用于获取六角椎体模型中的色调、饱和度以及明度的取值范围;预选图像划分单元,用于根据所述六角椎体模型中的色调、饱和度以及明度的取值范围,对所述多个当前航拍图像进行颜色划分,得到不同色系的预选图像;
识别模块,用于所述分类识别模型识别所述不同色系的预选图像中的输电线路绝缘子。
5.根据权利要求4所述的系统,其特征在于,所述训练模块包括:
分类单元,用于通过所述神经网络模型对所述模拟图像和所述历史背景图像进行分类,得到背景图输出数据以及绝缘子图像输出数据;
判断单元,用于判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内;
确定单元,与所述判断模块连接,用于当所述背景图输出数据以及绝缘子图像数据在误差阈值范围内时,确定所述神经网络模型为分类识别模型;以及用于当所述背景图输出数据以及绝缘子图像数据不在误差阈值范围内时,调整所述神经网络模型的参数,使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内,得到分类识别模型。
6.根据权利要求4所述的系统,其特征在于,所述预选图像划分单元包括:
像素值获取子单元,用于获取每个当前航拍图像中各像素点的像素值;
划分子单元,用于根据每个当前航拍图像中的各像素点的像素值以及所述六角椎体模型中的色调、饱和度和明度的取值范围,确定每个当前航拍图像对应的色系,得到不同色系的预选图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338067.4A CN108693441B (zh) | 2018-04-16 | 2018-04-16 | 一种输电线路绝缘子识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338067.4A CN108693441B (zh) | 2018-04-16 | 2018-04-16 | 一种输电线路绝缘子识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108693441A CN108693441A (zh) | 2018-10-23 |
CN108693441B true CN108693441B (zh) | 2021-01-22 |
Family
ID=63845651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810338067.4A Active CN108693441B (zh) | 2018-04-16 | 2018-04-16 | 一种输电线路绝缘子识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108693441B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531218B (zh) * | 2019-09-04 | 2021-07-27 | 国网四川省电力公司乐山供电公司 | 一种基于图像轮廓检测的输电线路故障识别系统 |
CN112270234B (zh) * | 2020-10-20 | 2022-04-19 | 天津大学 | 一种基于航拍图像的输电线路绝缘子目标识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
CN105956524A (zh) * | 2016-04-22 | 2016-09-21 | 北京智芯原动科技有限公司 | 一种交通标识识别方法及装置 |
CN106919932A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学(保定) | 一种“模拟‑真实”平行结构的绝缘子定位软识别方法 |
CN106934418A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1147723C (zh) * | 2000-03-14 | 2004-04-28 | 华中理工大学 | 产品图象自动检测方法 |
CN103544473B (zh) * | 2013-09-17 | 2016-09-07 | 广东工业大学 | 一种基于机器视觉的电子连接器检测方法 |
-
2018
- 2018-04-16 CN CN201810338067.4A patent/CN108693441B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
CN105956524A (zh) * | 2016-04-22 | 2016-09-21 | 北京智芯原动科技有限公司 | 一种交通标识识别方法及装置 |
CN106934418A (zh) * | 2017-03-09 | 2017-07-07 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN106919932A (zh) * | 2017-03-13 | 2017-07-04 | 华北电力大学(保定) | 一种“模拟‑真实”平行结构的绝缘子定位软识别方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108693441A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840560B (zh) | 基于胶囊网络中融入聚类的图像分类方法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN106504233A (zh) | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 | |
CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
CN110705374A (zh) | 基于改进RetinaNet网络的输电线路缺陷识别方法 | |
CN113159300B (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
CN111291826A (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN110222757A (zh) | 基于生成对抗网络的绝缘子图像样本扩充方法、系统 | |
CN108693441B (zh) | 一种输电线路绝缘子识别方法及系统 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN112862766B (zh) | 一种基于图像数据扩充技术的绝缘子检测方法及系统 | |
Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
CN110738229B (zh) | 一种细粒度图像分类方法、装置及电子设备 | |
CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
CN115841608A (zh) | 一种基于改进yolox的多腔室避雷器识别方法 | |
Chen et al. | Real-time detection of UAV detection image of power line insulator bursting based on YOLOV3 | |
CN108564125A (zh) | 一种绝缘子图像分类方法及系统 |
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 |