CN108710913A - 一种基于深度学习的开关柜图像开关状态自动识别方法 - Google Patents
一种基于深度学习的开关柜图像开关状态自动识别方法 Download PDFInfo
- Publication number
- CN108710913A CN108710913A CN201810491168.5A CN201810491168A CN108710913A CN 108710913 A CN108710913 A CN 108710913A CN 201810491168 A CN201810491168 A CN 201810491168A CN 108710913 A CN108710913 A CN 108710913A
- Authority
- CN
- China
- Prior art keywords
- frame
- switchgear
- acquiescence
- prediction block
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的开关柜图像开关状态自动识别方法,包括以下步骤:1)读取待识别的开关柜图像并缩放;2)根据训练样本的真实框数据通过聚类获取多个先验框;3)构建卷积神经网络,并且根据先验框的数据对卷积神经网络进行训练;4)将缩放后的输入图像作为训练后的卷积神经网络的输入,获得检测信息,包括标签、损坏概率和位置坐标;5)采用非极大值抑制方法对检测信息进行处理,得到最终的预测框;6)在待识别的开关柜图像中画出预测框并且标出目标所属类别标签。与现有技术相比,本发明具有实时性、可以在Android设备运行、收敛快、选择准确等优点。
Description
技术领域
本发明涉及电力系统图像处理技术领域,尤其是涉及一种基于深度学习的开关柜图像开关状态自动识别方法。
背景技术
随着我国电力事业的快速发展,高压机柜设备越来越多。开关柜设备误操作事故是整个电力行业安全生产事故中最严重的事故,也是多发的事故之一。高压开关柜误操作事故的发生有着管理和人为方面的主观原因,同时设备本身存在的安全隐患也是极其重要的客观原因。误操作事故后果轻则引起电力系统受损,重则危害人身安全。因此,迫切需要开发机柜开关的自动识别系统来对高压开关柜进行开关检测和识别。
目前在神经网络领域,目标识别技术主要可以分为两大类,其中一类是将识别作为分类问题进行处理,利用分类器判断网络给出的每一个候选框中是否包含物体以及其所属类别;另一类则将识别作为回归问题来处理,使用一个神经网络通过端到端的方法对一整张图像进行回归,直接识别出图像中存在的物体及其位置信息。
SSD算法是是UNC Chapel Hill(北卡罗来纳大学教堂山分校)的Wei Liu大神在2016年ECCV一篇文章提到的。https://github.com/weiliu89/caffe/tree/ssd。一种直接预测目标类别和bounding box的多目标检测算法。与faster rcnn相比,该算法没有生成proposal的过程,这就极大提高了检测速度。针对不同大小的目标检测,传统的做法是先将图像转换成不同大小(图像金字塔),然后分别检测,最后将结果综合起来(NMS)。而SSD算法则利用不同卷积层的feature map进行综合也能达到同样的效果。算法的主网络结构是VGG16,将最后两个全连接层改成卷积层,并随后增加了4个卷积层来构造网络结构。对其中5种不同的卷积层的输出 (feature map)分别用两个不同的3×3的卷积核进行卷积,一个输出分类用的 confidence,每个default box生成21个类别confidence;一个输出回归用的localization,每个default box生成4个坐标值(x,y,w,h)。此外,这5个feature map还经过PriorBox层生成prior box(生成的是坐标)。上述5个feature map中每一层的defaultbox的数量是给定的(8732个)。最后将前面三个计算结果分别合并然后传给loss层。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的开关柜图像开关状态自动识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于深度学习的开关柜图像开关状态自动识别方法,包括以下步骤:
1)读取待识别的开关柜图像并缩放;
6)根据训练样本的真实框数据通过聚类获取多个先验框;
7)构建卷积神经网络,并且根据先验框的数据对卷积神经网络进行训练;
8)将缩放后的输入图像作为训练后的卷积神经网络的输入,获得检测信息,包括标签、损坏概率和位置坐标;
9)采用非极大值抑制方法对检测信息进行处理,得到最终的预测框;
6)在待识别的开关柜图像中画出预测框并且标出目标所属类别标签。
所述的步骤1)中,缩放后的开关柜图像的尺寸大小为300*300。
所述的步骤2)具体包括以下步骤:
21)标记真实框:
在训练样本中手动标记真实框,并获取训练样本真实框的数据,包括真实框的中心位置、宽度和高度;
22)生成默认框:
对每一张特征图,按照不同的大小和长宽比生成k个默认框,并且确定每个默认框大小;
23)标记数据预处理:
对标签信息进行预处理,并将其对应到相应的默认框上,根据默认框和标记数据框的相似系数重叠值获取对应的默认框,并且选取相似系数重叠值超过0.5的默认框为正样本,其它为负样本。
所述的步骤22)中,默认框大小的计算式为:
其中,Sk为默认框大小,Smin为最底层特征图默认框大小,Smax为最顶层特征图默认框大小,m为特征图数目。
每个默认框的宽为高为每个默认框的中心为其中,ar为高宽比,且ar={1,2,3,1/2,1/3}为,i为默认框序号,j为真实框序号,|fk|为第k个特征图尺寸。
所述的步骤3)具体包括以下步骤:
31)采用SSD模型结构,对每张特征图采用3×3卷积生成默认框的偏移位置和类别置信度;
32)将SSD目标函数分为两部分,分别对应默认框的位置和类别置信度,则 SSD目标函数L(x,c,l,g)为:
其中,N为匹配的默认框,Lconf(x,c)为置信损失,Lloc(x,l,g)为定位损失,α为调节置信损失和定位损失之间的比例参数,c为置信度,smoothL1(·)为Faster RCNN 的计算距离损失,x为自变量,m为当前层数,Pos为Positive正样本,cx、cy分别为默认框的中心坐标,w和h为默认框的宽和高,为第i个默认框与类别t的第j个真框的相似系数,为检测出来的框,为数据集标注出来的框,为第 i默认框与类别p的第j个真实框相匹配的相似系数,为分类的概率值。
所述的步骤5)具体包括以下步骤:
51)将神经网络输出的所有预测框概率降序排列,选取最高分及其对应的预测框;
52)在其余的预测框中,如果存在与当前最高分预测框的重叠面积大于阈值的预测框,则将其剔除;
53)遍历其余的预测框,重复步骤52)获取保留的最终的预测框。
与现有技术相比,本发明具有以下优点:
一、实时性:由于网络结构的特殊化,识别速度快,可以完成视频实时的识别。
二、可以在Android设备运行:因为网络结构优化设计,使得其可以拥有实时性,且对设备配置要求不事很苛刻,可在android设备使用,拥有gpu的设备效果更佳。
三、收敛快、选择准确:要想得到一个精确的识别结果,不仅要对目标定位准确,而且要对的大小判断准确,也即要使预测框与真实框的重叠率尽可能接近1。因为开关柜上的开关类型有限,大小固定,我们可以通过聚类从人工标记的真实框中挑选出最具代表性的框作为先验框,以这些先验框的大小作为预测框大小的初始值,卷积神经网络只需在这先验框的基础上微调即可得到很好的预测效果。这样做不仅计算量小有助于卷积神经网络训练和预测,且预测准确。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,本发明具体实施步骤如下:
步骤1:读入待识别的开关柜图像,缩放图片,尺寸大小为300*300,获取缩放后的输入图像。
本发明实施例中输入的待处理的高压柜开关图像,开关图像的像素范围为 [800-1000],缩放后图像尺寸大小选择为300*300。
步骤2:聚类获得先验框。
读取训练样本真实框的数据。
本发明实施例中,训练样本真实框是图像中人工标记的目标框信息。
对每一张特征图,按照不同的大小(scale)和长宽比(ratio)生成k个默认框(default boxes),默认框数目k=6,其中5×5的红色点代表特征图,因此:5*5*6 =150个boxes。每个默认框大小计算公式为:
其中,m为特征图数目,Smin为最底层特征图大小(取值为0.15),Smax为最顶层特征图默认框大小(取值为0.9)。
每个默认框长宽比根据比例值计算,原比例值为{1,2,3,1/2,1/3},因此,每个默认框的宽为高为对于比例为1的默认框,额外添加一个比例为的默认框。最终,每张特征图中的每个点生成6个默认框。每个默认框中心设定为其中,|fk|为第k个特征图尺寸。
步骤3:构建神经网络。
SSD模型结构。模型选择的特征图包括:38×38(block4),19×19(block7), 10×10(block8),5×5(block9),3×3(block10),1×1(block11)。对于每张特征图,生成采用3×3卷积生成默认框的四个偏移位置和21个类别的置信度。比如block7,默认框(defboxes)数目为6,每个默认框包含4个偏移位置和21 个类别置信度(4+21)。因此,block7的最后输出为(19*19)*6*(4+21)。
32)SSD目标函数分为两个部分:对应默认框的位置loss(loc)和类别置信度loss(conf)。定义为第i个默认框和对应的第j个ground truth box,相应的类别为p。目标函数定义为:
其中,N为匹配的默认框。如果N=0,loss为零。Lconf为预测框l和ground truthbox(标记数据框)g的Smooth L1loss,α值通过cross validation设置为1。
定义如下:
其中,l为预测框,g为ground truth。(cx,cy)为补偿(regress to offsets)后的默认框(d)的中心,(w,h)为默认框的宽和高。
Lconf定义为多累别softmax loss,公式如下:
步骤4:对输入图像进行尺寸缩放,得到能输入到网络中的图像;
步骤5:将步骤4得到的图像输入到步骤3构建的网络中进行识别,获得开关目标识别的位置及所属类别信息(标签,概率,坐标);
步骤6:处理获得的位置及所属类别信息,获得最终的预测框:
将所有框的得分降序排列,选中最高分及其对应的框;
遍历其余的框,如果和当前最高分框的重叠面积IOU大于一定阈值,将框删除;
从未处理的框中继续选一个得分最高的,重复上述过程,得到保留下来的预测框数据;
步骤7:在检测信息(标签,概率,坐标)勾画在原图中。
Claims (7)
1.一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,包括以下步骤:
1)读取待识别的开关柜图像并缩放;
2)根据训练样本的真实框数据通过聚类获取多个先验框;
3)构建卷积神经网络,并且根据先验框的数据对卷积神经网络进行训练;
4)将缩放后的输入图像作为训练后的卷积神经网络的输入,获得检测信息,包括标签、损坏概率和位置坐标;
5)采用非极大值抑制方法对检测信息进行处理,得到最终的预测框;
6)在待识别的开关柜图像中画出预测框并且标出目标所属类别标签。
2.根据权利要求1所述的一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,所述的步骤1)中,缩放后的开关柜图像的尺寸大小为300*300。
3.根据权利要求1所述的一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)标记真实框:
在训练样本中手动标记真实框,并获取训练样本真实框的数据,包括真实框的中心位置、宽度和高度;
22)生成默认框:
对每一张特征图,按照不同的大小和长宽比生成k个默认框,并且确定每个默认框大小;
23)标记数据预处理:
对标签信息进行预处理,并将其对应到相应的默认框上,根据默认框和标记数据框的相似系数重叠值获取对应的默认框,并且选取相似系数重叠值超过0.5的默认框为正样本,其它为负样本。
4.根据权利要求3所述的一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,所述的步骤22)中,默认框大小的计算式为:
其中,Sk为默认框大小,Smin为最底层特征图默认框大小,Smax为最顶层特征图默认框大小,m为特征图数目。
5.根据权利要求4所述的一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,每个默认框的宽为高为每个默认框的中心为其中,ar为高宽比,且ar={1,2,3,1/2,1/3}为,i为默认框序号,j为真实框序号,|fk|为第k个特征图尺寸。
6.根据权利要求1所述的一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)采用SSD模型结构,对每张特征图采用3×3卷积生成默认框的偏移位置和类别置信度;
32)将SSD目标函数分为两部分,分别对应默认框的位置和类别置信度,则SSD目标函数L(x,c,l,g)为:
其中,N为匹配的默认框,Lconf(x,c)为置信损失,Lloc(x,l,g)为定位损失,α为调节置信损失和定位损失之间的比例参数,c为置信度,smoothL1(·)为Faster RCNN的计算距离损失,x为自变量,m为当前层数,Pos为Positive正样本,cx、cy分别为默认框的中心坐标,w和h为默认框的宽和高,为第i个默认框与类别t的第j个真框的相似系数,为检测出来的框,为数据集标注出来的框,为第i默认框与类别p的第j个真实框相匹配的相似系数,为分类的概率值。
7.根据权利要求1所述的一种基于深度学习的开关柜图像开关状态自动识别方法,其特征在于,所述的步骤5)具体包括以下步骤:
51)将神经网络输出的所有预测框概率降序排列,选取最高分及其对应的预测框;
52)在其余的预测框中,如果存在与当前最高分预测框的重叠面积大于阈值的预测框,则将其剔除;
53)遍历其余的预测框,重复步骤52)获取保留的最终的预测框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491168.5A CN108710913A (zh) | 2018-05-21 | 2018-05-21 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491168.5A CN108710913A (zh) | 2018-05-21 | 2018-05-21 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108710913A true CN108710913A (zh) | 2018-10-26 |
Family
ID=63869296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810491168.5A Pending CN108710913A (zh) | 2018-05-21 | 2018-05-21 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710913A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389185A (zh) * | 2018-11-15 | 2019-02-26 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN109712118A (zh) * | 2018-12-11 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于Mask RCNN的变电站隔离开关检测识别方法 |
CN110059556A (zh) * | 2019-03-14 | 2019-07-26 | 天津大学 | 一种基于深度学习的变电站开关分合状态检测方法 |
CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
CN110443279A (zh) * | 2019-07-04 | 2019-11-12 | 南京邮电大学 | 一种基于轻量级神经网络的无人机图像车辆检测方法 |
CN110532441A (zh) * | 2019-08-23 | 2019-12-03 | 广州医科大学 | 一种电子元器件智慧管理方法及其系统 |
CN110930360A (zh) * | 2019-10-21 | 2020-03-27 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法、装置、电子设备及存储介质 |
CN111597868A (zh) * | 2020-01-08 | 2020-08-28 | 浙江大学 | 一种基于ssd的变电站隔离开关状态分析方法 |
CN111814742A (zh) * | 2020-07-29 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 基于深度学习的刀闸状态识别方法 |
CN112001208A (zh) * | 2019-05-27 | 2020-11-27 | 虹软科技股份有限公司 | 用于车辆盲区的目标检测方法、装置和电子设备 |
CN112036321A (zh) * | 2020-09-01 | 2020-12-04 | 南京工程学院 | 一种基于ssd-roi级联神经网络的安全帽检测方法 |
CN113326837A (zh) * | 2021-06-17 | 2021-08-31 | 郑州大学 | 基于深度学习的飞机挂架检测方法以及终端设备 |
CN113689380A (zh) * | 2021-07-20 | 2021-11-23 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN114146283A (zh) * | 2021-08-26 | 2022-03-08 | 上海大学 | 一种基于目标检测和ssvep的注意力训练系统及方法 |
CN115346114A (zh) * | 2022-07-21 | 2022-11-15 | 中铁二院工程集团有限责任公司 | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 |
CN117013703A (zh) * | 2023-10-07 | 2023-11-07 | 华大天元(北京)科技股份有限公司 | 一种基于机器视觉的电控柜开关监测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0812216D0 (en) * | 2008-07-04 | 2008-08-13 | Barcrest Group Ltd | Display system for playing a game |
CN104374423A (zh) * | 2014-10-21 | 2015-02-25 | 深圳供电局有限公司 | 一种集群高压开关柜在线监测装置及其监测方法 |
CN108052946A (zh) * | 2017-12-11 | 2018-05-18 | 国网上海市电力公司 | 一种基于卷积神经网络的高压机柜开关自动识别方法 |
-
2018
- 2018-05-21 CN CN201810491168.5A patent/CN108710913A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0812216D0 (en) * | 2008-07-04 | 2008-08-13 | Barcrest Group Ltd | Display system for playing a game |
CN104374423A (zh) * | 2014-10-21 | 2015-02-25 | 深圳供电局有限公司 | 一种集群高压开关柜在线监测装置及其监测方法 |
CN108052946A (zh) * | 2017-12-11 | 2018-05-18 | 国网上海市电力公司 | 一种基于卷积神经网络的高压机柜开关自动识别方法 |
Non-Patent Citations (3)
Title |
---|
AI.PLAY: "SSD目标检测算法", 《HTTPS://CHAOS.BLOG.CSDN.NET/ARTICLE/DETAILS/54588120》 * |
WEI LIU 等: "SSD: Single Shot MultiBox Detector", 《ARXIV:1512.02325V2》 * |
雷玉成 等: "《焊接成形技术》", 30 September 2004, 化学工业出版社 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389185B (zh) * | 2018-11-15 | 2022-03-01 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
CN109389185A (zh) * | 2018-11-15 | 2019-02-26 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
CN109712118A (zh) * | 2018-12-11 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于Mask RCNN的变电站隔离开关检测识别方法 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN110059556A (zh) * | 2019-03-14 | 2019-07-26 | 天津大学 | 一种基于深度学习的变电站开关分合状态检测方法 |
CN112001208A (zh) * | 2019-05-27 | 2020-11-27 | 虹软科技股份有限公司 | 用于车辆盲区的目标检测方法、装置和电子设备 |
CN110443279A (zh) * | 2019-07-04 | 2019-11-12 | 南京邮电大学 | 一种基于轻量级神经网络的无人机图像车辆检测方法 |
CN110443279B (zh) * | 2019-07-04 | 2022-08-12 | 南京邮电大学 | 一种基于轻量级神经网络的无人机图像车辆检测方法 |
CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
CN110532441A (zh) * | 2019-08-23 | 2019-12-03 | 广州医科大学 | 一种电子元器件智慧管理方法及其系统 |
CN110930360A (zh) * | 2019-10-21 | 2020-03-27 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法、装置、电子设备及存储介质 |
CN111597868A (zh) * | 2020-01-08 | 2020-08-28 | 浙江大学 | 一种基于ssd的变电站隔离开关状态分析方法 |
CN111814742A (zh) * | 2020-07-29 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 基于深度学习的刀闸状态识别方法 |
CN112036321A (zh) * | 2020-09-01 | 2020-12-04 | 南京工程学院 | 一种基于ssd-roi级联神经网络的安全帽检测方法 |
CN113326837A (zh) * | 2021-06-17 | 2021-08-31 | 郑州大学 | 基于深度学习的飞机挂架检测方法以及终端设备 |
CN113326837B (zh) * | 2021-06-17 | 2022-11-01 | 郑州大学 | 基于深度学习的飞机挂架检测方法以及终端设备 |
CN113689380A (zh) * | 2021-07-20 | 2021-11-23 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN113689380B (zh) * | 2021-07-20 | 2023-05-16 | 中国铁路设计集团有限公司 | 基于深度学习的桁架桥梁铆钉锈蚀病害智能识别方法 |
CN114146283A (zh) * | 2021-08-26 | 2022-03-08 | 上海大学 | 一种基于目标检测和ssvep的注意力训练系统及方法 |
CN115346114A (zh) * | 2022-07-21 | 2022-11-15 | 中铁二院工程集团有限责任公司 | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 |
CN117013703A (zh) * | 2023-10-07 | 2023-11-07 | 华大天元(北京)科技股份有限公司 | 一种基于机器视觉的电控柜开关监测方法及装置 |
CN117013703B (zh) * | 2023-10-07 | 2023-12-26 | 华大天元(北京)科技股份有限公司 | 一种基于机器视觉的电控柜开关监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN108052946A (zh) | 一种基于卷积神经网络的高压机柜开关自动识别方法 | |
CN103258203B (zh) | 遥感影像的道路中线自动提取方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN115731164A (zh) | 基于改进YOLOv7的绝缘子缺陷检测方法 | |
CN111738258A (zh) | 一种基于机器人巡检的指针式仪表读数识别方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN110096981A (zh) | 一种基于深度学习的视频大数据交通场景分析方法 | |
CN109948637A (zh) | 对象检测装置、对象检测方法及计算机可读介质 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及系统 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
CN109829881A (zh) | 基于深度学习的鸟巢检测方法及系统 | |
CN112784869B (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
CN110263731B (zh) | 一种单步人脸检测系统 | |
CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
CN109815798A (zh) | 无人机图像处理方法及系统 | |
CN108776777A (zh) | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 | |
CN109492596A (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN109785288A (zh) | 基于深度学习的输电设备缺陷检测方法及系统 | |
CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning |
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: 20181026 |
|
RJ01 | Rejection of invention patent application after publication |