CN108961235A - 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 - Google Patents

一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 Download PDF

Info

Publication number
CN108961235A
CN108961235A CN201810695528.3A CN201810695528A CN108961235A CN 108961235 A CN108961235 A CN 108961235A CN 201810695528 A CN201810695528 A CN 201810695528A CN 108961235 A CN108961235 A CN 108961235A
Authority
CN
China
Prior art keywords
insulator
image
yolov3 network
bounding box
particles
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.)
Granted
Application number
CN201810695528.3A
Other languages
English (en)
Other versions
CN108961235B (zh
Inventor
陈辉
袁畅
朱笛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810695528.3A priority Critical patent/CN108961235B/zh
Publication of CN108961235A publication Critical patent/CN108961235A/zh
Application granted granted Critical
Publication of CN108961235B publication Critical patent/CN108961235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法。本发明所述基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，基于YOLOv3网络和粒子滤波算法，对真实环境下的包含复杂背景的巡检图像中的绝缘子进行缺陷识别，大大提高绝缘子缺陷识别的效率，为电网维修部门提供可靠的技术支持。

Description

一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
技术领域
本发明涉及一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，属于智能电网线路维修的技术领域。
背景技术
随着国民经济的飞速发展，人们对于电能的依赖和需求也越来越大，由此带来的电力巡检任务也在不断增大。近年来，科技水平的提高使得无人机巡线、机器人巡线等方式逐步替代了传统的人工巡线方式，这些新兴的巡线方式在一定程度上提高了工作效率和安全性能。然而，海量的背景复杂、缺陷种类繁多的巡检图像，仍然给相关检修部门带来了极大的挑战。随着人工智能和图像技术不断发展和成熟，对不同类型的缺陷定制实用的智能识别算法成为可能。
其中，绝缘子是输电线路中用量庞大且极其重要的部件，起到电气绝缘及机械支撑作用。由于绝缘子长期暴露在野外环境中，极易出现各种缺陷和隐患，据统计，由绝缘子缺陷引起的事故目前已成为电力系统故障中所占比例最高的。因此，对此缺陷进行智能和精确检测，及时完成缺陷或隐患诊断尤为重要。
目前，基于巡检图像的绝缘子缺陷识别算法大多是通过基本图像处理或模式识别方法检测绝缘子缺陷，该类算法要求图像背景较纯净、绝缘子与背景对比度高；近几年，也有研究人员将人工智能引入绝缘子的检测过程中，但大多停留在绝缘子的识别阶段，直接采用深度学习检测绝缘子的缺陷存在两个问题：一是缺陷样本严重不足，难以支撑网络的训练；二是缺陷类型多样，难以达到较高的鲁棒性。
YOLOv3对于大分辨率、小目标的检测鲁棒性较强，相比其他算法更符合工业界对目标检测算法实时性的要求，简单易实现，对于嵌入式很友好。YOLOv3使用Darknet-53网络来实现特征提取，DarkNet-53主要由3×3和1×1的卷积核以及类似残差网络(ResNet)中的跳过连接构成，相比其他特征提取网络速度更快、准确率更高。
在Redmon J,Farhadi A.YOLOv3:An Incremental Improvement[J].2018文中详细阐述了YOLOv3的快速性、对较小目标检测的准确性，其中，2.1部分公开了边界框预测的方式。在绝缘子缺陷检测领域，机巡图像中的绝缘子本身属于较小目标检测，可以使用YOLOv3进行识别。但对于绝缘子中的缺陷，往往非常的小，而且目前绝缘子缺陷样本较少，单独使用YOLOv3还无法完成高准确率检测。
粒子滤波是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。粒子滤波以其在非线性、非高斯系统上的优越性和多模态处理的能力，广泛应用于无线通讯、金融数据预测、机器人定位、目标跟踪等领域；尤其是在目标跟踪领域，表现出了极高的鲁棒性。
发明内容
针对现有技术的不足，本发明提供一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法。
本发明的技术方案为：
一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，包括步骤如下：
1)创建样本集和标签文件
1.1)样本采集：对真实输电线路环境下的绝缘子进行图像采集；
1.2)将绝缘子图像的大小转换为2048×2048，将绝缘子图像构成的样本集按一定比例随机分为训练集和验证集；训练集用来建立所需YOLOv3网络模型，验证集用来测试所训练出模型的性能；
1.3)通过数据增强方法扩充样本数量；
1.4)采用标注工具对绝缘子图像中的绝缘子进行标注，得到绝缘子所在的边界框，并生成相应的标签文件(class)，其中，为绝缘子所在边界框的中心坐标，分别为边界框的宽和高，class表示目标物体的种类，class＝0代表背景，class＝1代表绝缘子；
2)创建和训练YOLOv3网络模型
首先，创建YOLOv3网络架构，初始化权重策略；然后，实现网络前向传播以得到目标物体的边界框信息，包括边界框中心坐标、边界框宽度和高度、边界框中包含目标物体的置信度，以及边界框中目标物体属于绝缘子或者背景的概率；接着，设置置信度阈值，进行非极大值抑制，取高于置信度阈值的边界框的并集作为最终预测的结果；最后，通过损失函数计算预测的边界框与标记的真实边界框之间的误差，将误差反向传播，更新网络参数，重复上述步骤不断训练使得损失函数的值达到最优，从而使YOLOv3网络收敛，以提高网络的鲁棒性与泛化性能；具体步骤如下：
2.1)分别创建YOLOv3网络模型的5个层级：卷积层、跳过连接层、上采样层、路由层、YOLOv3检测层，并设置网络参数；YOLOv3网络架构的5个层级共同决定了YOLOv3网络检测性能和参数，具体的：卷积层对图像进行特征提取得到3种不同尺度的特征图，跳过连接层将高步幅的特征图与较低步幅的特征图采样后的结果相加得到新的输出；上采样层采用双线性上采样特征图；路由层将不同层数卷积层中的特征图按深度拼接输出；YOLOv3检测层在3种不同尺度的特征图上对输入的图像进行检测，在每个尺度上，每个网络单元使用3种不同长宽比的锚点框预测边界框，输出的预测信息包括：边界框中心坐标、边界框宽度和高度、边界框中包含目标物体的置信度，以及边界框中目标物体属于绝缘子或者背景的概率。
2.2)输入所述训练集进行目标预测；具体过程包括：
a1)输入训练集，将图像分为16×16个网格，每个网格预测一个概率值和3个边界框，每个边界框预测五个回归值，包括边界框的中心点坐标、边界框的宽度和高度、边界框包含绝缘子的概率和边界框位置的准确度；
a2)利用置信度和非极大值抑制筛选边界框：置信度Pr(Object)∈(0，1)，为边界框包含绝缘子的概率；a1是预测的边界框与人工标注的边界框之间重叠部分的面积，a2是预测的边界框与人工标注的边界框两者并集的面积；置信度confidence反映是否包含目标物体以及包含目标物体情况下位置的准确性；
步骤a1)预测得到多个边界框，每个边界框对应一个置信度，通过设置置信度阈值，执行非极大值抑制，去除置信度低于阈值的边界框，并取置信度高于阈值的边界框的并集作为预测结果；
2.3)更新YOLOv3网络模型参数：使用预测的边界框信息和人工标注的边界框信息的均方和误差作为损失函数优化YOLOv3网络模型参数；损失函数如下定义：
其中,(xi,yi)，wi，hi，Ci，pi(c)分别代表经过YOLOv3网络预测得到的边界框的中心坐标、宽度、高度、IoU值、边界框中目标物体为绝缘子的概率，分别对应人工标注的值，默认人工标注的绝缘子的值和为1，背景的为0；λcoord为坐标误差权重，λnoobj为IoU误差权重；和用来判断网格i的第j个边界框是否负责预测目标物体，用来判断目标物体的中心是否在网格i中，具体定义如下：
将上述损失函数计算得到的误差进行反向传播，完成一次训练；调整网络参数，重复步骤2.2)-2.3)，直至网络收敛；
2.4)将验证集输入训练完成的YOLOv3网络模型，将输出的参数与验证集中标注的参数进行比较，观察是否正确检测出绝缘子；所得YOLOv3网络模型的精确率和查全率定义如下：
如果YOLOv3网络模型的精确率和查全率达到指标，则进行后续步骤；否则，添加新的训练集对YOLOv3网络模型进行训练，直至YOLOv3网络模型的精确率和查全率达到指标；
3)绝缘子提取
输入待检测的巡检图像，利用训练好的YOLOv3网络模型检测绝缘子，得到绝缘子的边界框信息；接着，通过上述得到的边界框信息从巡检图像中截取出绝缘子所在的边界框，得到子图像；
4)绝缘子特征提取
4.1)选取绝缘子的颜色样本，将颜色样本和所述子图像转换到HSV色彩空间；
4.2)采用颜色直方图比较的方法对子图像进行阈值分割处理，具体步骤如下：
b1)分别计算颜色样本中H、S、V三通道的直方图H1、H2、H3，并将H1、H2、H3归一化，以便与子图像对应的直方图进行对比；
b2)将子图像分割成小区域I，对每个小区域I分别计算H、S、V三通道的直方图h1、h2、h3，并将h1、h2、h3归一化处理；
b3)采用欧氏距离的标准，对H1、H2、H3和h1、h2、h3进行相似度S比较，相似度S的数值越大表示相似度越大；S定义如下：
b4)设置相似度阈值，高于相似度阈值的区域内的像素点置255，低于相似度阈值的区域内的像素点置0；
4.3)对图像进行膨胀操作，将绝缘子串连接成连通区域；
4.4)获取绝缘子所在连通区域的最小外接矩形信息：中心点坐标(x0,y0)，x轴正方向与外接矩形长边的夹角θ；
4.5)将步骤4.4)中的最小外接矩形以点(x0,y0)为中心旋转，旋转角度为θ，其旋转变换矩阵定义如下：
利用仿射变换对绝缘子位置进行矫正，仿射变换实现二维坐标到二维坐标之间的线性变换，根据旋转变换矩阵，原坐标(x0,y0)转换为新坐标(x′,y′)；
5)绝缘子缺陷识别
采用粒子滤波对绝缘子缺陷进行识别和定位，具体步骤如下：
5.1)对于大小为n×m的子图像，以过子图像中心的水平线y＝n/2为基准线，在子图像的每列散布100个呈高斯分布的粒子；结合阈值分割后的图像判断散布的粒子是否位于绝缘子上，如果粒子对应阈值分割后图像中的非零像素点，则判定该粒子位于绝缘子上，并称为有效粒子，否则判定该粒子不在绝缘子上，并称为无效粒子；
5.2)计算子图像每行有效粒子数目占所有散布粒子总数目的概率pn(v)，如下：
其中，vnm为第n行第m列的有效粒子数目；
5.3)根据pn(v)进行重采样；重采样即保持散布粒子的总数不变，根据概率pn(v)重新分配每行散布的粒子数,概率值大的行散布的粒子数多，概率值小的行散布的粒子数少；
5.4)从左到右统计子图像每列有效粒子的数目vm，记vm对应的第一个山谷值为x1,vm对应的第二个山谷值为x2，则绝缘子对的宽度为：Δx＝x2-x1；接着，统计x1～x2范围内有效粒子中纵坐标最大值ymax和最小值ymin，则绝缘子对的高度为：Δy＝ymax-ymin；由此，绝缘子对的中心点坐标为(Δx/2，Δy/2)；绝缘子对的宽度、高度和中心点坐标构成绝缘子对的位置信息；
5.5)以Δx为宽，Δy为高，为中心点坐标设置矩形框；统计该矩形框内有效粒子的总数目；建立观测数组保存绝缘子对的状态信息，所述状态信息包括该绝缘子对的位置信息和对应矩形框内有效粒子的总数目；
5.6)根据所述状态信息预测右侧邻近绝缘子对的状态信息，并存入预测数组内；
5.7)根据预测的右侧邻近对绝缘子对的位置信息，检测该绝缘子对的状态信息；
5.8)采用预测和检测得到的绝缘子对的状态信息的均方和误差判断绝缘子对的异常情况；如误差大于设定的阈值，则判定该绝缘子出现异常，并标出异常位置；否则，更新观测数组内的状态信息，即完成一个绝缘子对的检测；每次都是根据前一绝缘子对的信息预测后一绝缘子对，如果无异常，则进行状态信息更新，如果预测和检测的误差较大，则不再进行更新，仍然通过原有状态信息进行预测。
5.9)重复步骤5.6)-5.8)，依次对每对绝缘对进行检测，检测异常绝缘子对，并标出异常情况位置。
根据本发明优选的，所述步骤1.1)中的图像是在不同地域、不同时间、不同光照、不同角度下随机采集得到。
根据本发明优选的，所述步骤1.3)中的数据增强方法包括，旋转、平移、翻转、对比度变换。
根据本发明优选的，所述步骤2.1)中，网络参数具体包括卷积层的单元数量、特征幅度大小，跳过连接层的连接起始位置，上采样层的采样率，路由层索引特征图的数量和位置，YOLO检测层的锚点数量。
根据本发明优选的，所述步骤2.1)中的卷积层采用的3种图像尺度分别为32×32、64×64、128×128。
根据本发明优选的，所述步骤4.3)中，对图像进行膨胀操作之前还包括，采用中值滤波消除小物体噪声干扰的步骤。
本发明的有益效果为：
1.本发明所述基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，对真实环境下的包含复杂背景的巡检图像中的绝缘子进行缺陷识别，大大提高绝缘子缺陷识别的效率，为电网维修部门提供可靠的技术支持。
附图说明
图1为所述基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法的框架图；
图2为YOLOv3网络架构示意图；
图3为基于YOLOv3识别绝缘子的实验截图；
图4a为第一绝缘子提取效果图；
图4b为第二绝缘子提取效果图；
图5a为第一绝缘子阈值分割效果图；
图5b为第二绝缘子阈值分割效果图；
图6a为第一绝缘子经滤波和膨胀后的效果图；
图6b为第二绝缘子经滤波和膨胀后的效果图；
图7a为计算第一绝缘子轮廓外接矩形；
图7b为计算第二绝缘子轮廓外接矩形；
图8a为第一绝缘子图像旋转后的实验截图；
图8b为第二绝缘子图像旋转后的实验截图；
图9a为第一绝缘子散布粒子效果图；
图9b为第二绝缘子散布粒子效果图；
图10a为第一绝缘子粒子滤波效果图；
图10b为第二绝缘子粒子滤波效果图；
图11a为第一绝缘子缺陷定位结果图；
图11b为第二绝缘子缺陷定位结果图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。
实施例1
一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，该缺陷识别系统的流程图如图1所示，包括步骤如下：
1)创建样本集和标签文件
1.1)样本采集：对真实输电线路环境下的绝缘子进行图像采集；图像是在不同地域、不同时间、不同光照、不同角度下随机采集得到。
1.2)将绝缘子图像的大小转换为2048×2048，将绝缘子图像构成的样本集按一定比例(80％，20％)随机分为训练集和验证集；训练集用来建立所需YOLOv3网络模型，验证集用来测试所训练出模型的性能。
1.3)通过数据增强方法扩充样本数量；数据增强方法包括，旋转、平移、翻转、对比度变换。
1.4)采用标注工具对绝缘子图像中的绝缘子进行标注(所述标注工具是labelImg)，得到绝缘子所在的边界框，并生成相应的标签文件(class)，其中，为绝缘子所在边界框的中心坐标，分别为边界框的宽和高，class表示目标物体的种类，class＝0代表背景，class＝1代表绝缘子；本实施例所有坐标系均以图像的左上角为原点，以水平向右为x轴正方向，以竖直向下为y轴正方向建立。
2)创建和训练YOLOv3网络模型
首先，创建YOLOv3网络架构，初始化权重策略；然后，实现网络前向传播以得到目标物体的边界框信息，包括边界框中心坐标、边界框宽度和高度、边界框中包含目标物体的置信度，以及边界框中目标物体属于绝缘子或者背景的概率；接着，设置置信度阈值，进行非极大值抑制，取高于置信度阈值的边界框的并集作为最终预测的结果；最后，通过损失函数计算预测的边界框与标记的真实边界框之间的误差，将误差反向传播，更新网络参数，重复上述步骤不断训练使得损失函数的值达到最优，从而使YOLOv3网络收敛，以提高网络的鲁棒性与泛化性能；具体步骤如下：
2.1)分别创建YOLOv3网络模型的5个层级：卷积层、跳过连接层、上采样层、路由层、YOLOv3检测层，并设置网络参数；YOLOv3网络模型的架构如图2所示；YOLOv3网络架构的5个层级共同决定了YOLOv3网络检测性能和参数，具体的：卷积层对图像进行特征提取得到3种不同尺度的特征图，跳过连接层将高步幅的特征图与较低步幅的特征图采样后的结果相加得到新的输出；上采样层采用双线性上采样特征图；路由层将不同层数卷积层中的特征图按深度拼接输出；YOLOv3检测层在3种不同尺度的特征图上对输入的图像进行检测，在每个尺度上，每个网络单元使用3种不同长宽比的锚点框预测边界框，输出的预测信息包括：边界框中心坐标、边界框宽度和高度、边界框中包含目标物体的置信度，以及边界框中目标物体属于绝缘子或者背景的概率。
所述网络参数具体包括卷积层的单元数量、特征幅度大小，跳过连接层的连接起始位置，上采样层的采样率，路由层索引特征图的数量和位置，YOLO检测层的锚点数量。
所述卷积层采用的3种图像尺度分别为32×32、64×64、128×128。
2.2)输入所述训练集进行目标预测；具体过程包括：
a1)输入训练集，将图像分为16×16个网格，每个网格预测一个概率值和3个边界框，每个边界框预测五个回归值，包括边界框的中心点坐标、边界框的宽度和高度、边界框包含绝缘子的概率和边界框位置的准确度；
a2)利用置信度和非极大值抑制筛选边界框：置信度Pr(Object)∈(0，1)，为边界框包含绝缘子的概率；a1是预测的边界框与人工标注的边界框之间重叠部分的面积，a2是预测的边界框与人工标注的边界框两者并集的面积；置信度confidence反映是否包含目标物体以及包含目标物体情况下位置的准确性；
步骤a1)预测得到多个边界框，每个边界框对应一个置信度，通过设置置信度阈值，执行非极大值抑制，去除置信度低于阈值的边界框，并取置信度高于阈值的边界框的并集作为预测结果；
2.3)更新YOLOv3网络模型参数：使用预测的边界框信息和人工标注的边界框信息的均方和误差作为损失函数优化YOLOv3网络模型参数；损失函数如下定义：
其中,(xi,yi)，wi，hi，Ci，pi(c)分别代表经过YOLOv3网络预测得到的边界框的中心坐标、宽度、高度、IoU值、边界框中目标物体为绝缘子的概率，分别对应人工标注的值，默认人工标注的绝缘子的值和为1，背景的为0；λcoord为坐标误差权重，λnoobj为IoU误差权重；和用来判断网格i的第j个边界框是否负责预测目标物体，用来判断目标物体的中心是否在网格i中，具体定义如下：
将上述损失函数计算得到的误差进行反向传播，完成一次训练；调整网络参数，重复步骤2.2)-2.3)，直至网络收敛；
2.4)将验证集输入训练完成的YOLOv3网络模型，将输出的参数与验证集中标注的参数进行比较，观察是否正确检测出绝缘子；所得YOLOv3网络模型的精确率和查全率定义如下：
如果YOLOv3网络模型的精确率和查全率达到指标(95％以上)，则进行后续步骤；否则，添加新的训练集对YOLOv3网络模型进行训练，直至YOLOv3网络模型的精确率和查全率达到指标；
3)绝缘子提取
输入待检测的巡检图像，利用训练好的YOLOv3网络模型检测绝缘子，得到绝缘子的边界框信息，效果图如图3所示；接着，通过上述得到的边界框信息从巡检图像中截取出绝缘子所在的边界框，得到子图像；如图4a、图4b所示；
4)绝缘子特征提取
4.1)选取绝缘子的颜色样本，将颜色样本和所述子图像转换到HSV色彩空间；
4.2)采用颜色直方图比较的方法对子图像进行阈值分割处理，具体步骤如下：
b1)分别计算颜色样本中H、S、V三通道的直方图H1、H2、H3，并将H1、H2、H3归一化，以便与子图像对应的直方图进行对比；
b2)将子图像分割成小区域I，对每个小区域I分别计算H、S、V三通道的直方图h1、h2、h3，并将h1、h2、h3归一化处理；
b3)采用欧氏距离的标准，对H1、H2、H3和h1、h2、h3进行相似度S比较，相似度S的数值越大表示相似度越大；S定义如下：
b4)设置相似度阈值，高于相似度阈值的区域内的像素点置255，低于相似度阈值的区域内的像素点置0；如图5a、图5b所示；
4.3)采用中值滤波消除小物体噪声干扰；对图像进行膨胀操作，将绝缘子串连接成连通区域；如图6a、图6b所示；
4.4)获取绝缘子所在连通区域的最小外接矩形信息：中心点坐标(x0,y0)，x轴正方向与外接矩形长边的夹角θ；如图7a、图7b所示；
4.5)将步骤4.4)中的最小外接矩形以点(x0,y0)为中心旋转，旋转角度为θ，其旋转变换矩阵定义如下：
利用仿射变换对绝缘子位置进行矫正，仿射变换实现二维坐标到二维坐标之间的线性变换，根据旋转变换矩阵，原坐标(x0,y0)转换为新坐标(x′,y′)；图像旋转后的效果图如图8a、图8b所示；
5)绝缘子缺陷识别
采用粒子滤波对绝缘子缺陷进行识别和定位，具体步骤如下：
5.1)对于大小为(n×m)的子图像，以过子图像中心的水平线y＝n/2为基准线，在子图像的每列散布100个呈高斯分布的粒子；结合阈值分割后的图像判断散布的粒子是否位于绝缘子上，如果粒子对应阈值分割后图像中的非零像素点，则判定该粒子位于绝缘子上，并称为有效粒子，否则判定该粒子不在绝缘子上，并称为无效粒子；
5.2)计算子图像每行有效粒子数目占所有散布粒子总数目的概率pn(v)，如下：
其中，vnm为第n行第m列的有效粒子数目；
5.3)根据pn(v)进行重采样；重采样即保持散布粒子的总数不变，根据概率pn(v)重新分配每行散布的粒子数,概率值大的行散布的粒子数多，概率值小的行散布的粒子数少；如图9a、图9b为散布粒子的效果图。
5.4)从左到右统计子图像每列有效粒子的数目vm，记vm对应的第一个山谷值为x1,vm对应的第二个山谷值为x2，则绝缘子对的宽度为：Δx＝x2-x1；接着，统计x1～x2范围内有效粒子中纵坐标最大值ymax和最小值ymin，则绝缘子对的高度为：Δy＝ymax-ymin；由此，绝缘子对的中心点坐标为(Δx/2，Δy/2)；绝缘子对的宽度、高度和中心点坐标构成绝缘子对的位置信息；
5.5)以Δx为宽，Δy为高，为中心点坐标设置矩形框；统计该矩形框内有效粒子的总数目；建立观测数组保存绝缘子对的状态信息，所述状态信息包括该绝缘子对的位置信息和对应矩形框内有效粒子的总数目；
5.6)根据所述状态信息预测右侧邻近绝缘子对的状态信息，并存入预测数组内；
5.7)根据预测的右侧邻近对绝缘子对的位置信息，检测该绝缘子对的状态信息；
5.8)采用预测和检测得到的绝缘子对的状态信息的均方和误差判断绝缘子对的异常情况；如误差大于设定的阈值，则判定该绝缘子出现异常，并标出异常位置；否则，更新观测数组内的状态信息，即完成一个绝缘子对的检测；每次都是根据前一绝缘子对的信息预测后一绝缘子对，如果无异常，则进行状态信息更新，如果预测和检测的误差较大，则不再进行更新，仍然通过原有状态信息进行预测。粒子滤波效果图如图10a，10b所示。
5.9)重复步骤5.6)-5.8)，依次对每对绝缘对进行检测，检测异常绝缘子对，并标出异常情况位置。结果如图11所示，第一绝缘子存在缺陷情况，第二绝缘子正常。

Claims (6)

1.一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，包括步骤如下：
1)创建样本集和标签文件
1.1)样本采集：对真实输电线路环境下的绝缘子进行图像采集；
1.2)将绝缘子图像的大小转换为2048×2048，将绝缘子图像构成的样本集按一定比例随机分为训练集和验证集；
1.3)通过数据增强方法扩充样本数量；
1.4)采用标注工具对绝缘子图像中的绝缘子进行标注，得到绝缘子所在的边界框，并生成相应的标签文件其中，为绝缘子所在边界框的中心坐标，分别为边界框的宽和高，class表示目标物体的种类，class＝0代表背景，class＝1代表绝缘子；
2)创建和训练YOLOv3网络模型
具体步骤如下：
2.1)分别创建YOLOv3网络模型的5个层级：卷积层、跳过连接层、上采样层、路由层、YOLOv3检测层，并设置网络参数；
2.2)输入所述训练集进行目标预测；具体过程包括：
al)输入训练集，将图像分为16×16个网格，每个网格预测一个概率值和3个边界框，每个边界框预测五个回归值，包括边界框的中心点坐标、边界框的宽度和高度、边界框包含绝缘子的概率和边界框位置的准确度；
a2)利用置信度和非极大值抑制筛选边界框：置信度Pr(Object)∈(0，1)，为边界框包含绝缘子的概率；al是预测的边界框与人工标注的边界框之间重叠部分的面积，a2是预测的边界框与人工标注的边界框两者并集的面积；
步骤al)预测得到多个边界框，每个边界框对应一个置信度，通过设置置信度阈值，执行非极大值抑制，去除置信度低于阈值的边界框，并取置信度高于阈值的边界框的并集作为预测结果；
2.3)更新YOLOv3网络模型参数：使用预测的边界框信息和人工标注的边界框信息的均方和误差作为损失函数优化YOLOv3网络模型参数；损失函数如下定义：
其中，(xi，yi)，wi，hi，Ci，pi(C)分别代表经过YOLOv3网络预测得到的边界框的中心坐标、宽度、高度、IoU值、边界框中目标物体为绝缘子的概率，分别对应人工标注的值，默认人工标注的绝缘子的值和为1，背景的为0；λcoord为坐标误差权重，λnoobj为IoU误差权重；和用来判断网格i的第j个边界框是否负责预测目标物体，用来判断目标物体的中心是否在网格i中，具体定义如下：
将上述损失函数计算得到的误差进行反向传播，完成一次训练；调整网络参数，重复步骤2.2)-2.3)，直至网络收敛；
2.4)将验证集输入训练完成的YOLOv3网络模型，将输出的参数与验证集中标注的参数进行比较，观察是否正确检测出绝缘子；所得YOLOv3网络模型的精确率和查全率定义如下：
如果YOLOv3网络模型的精确率和查全率达到指标，则进行后续步骤；否则，添加新的训练集对YOLOv3网络模型进行训练，直至YOLOv3网络模型的精确率和查全率达到指标；
3)绝缘子提取
输入待检测的巡检图像，利用训练好的YOLOv3网络模型检测绝缘子，得到绝缘子的边界框信息；接着，通过上述得到的边界框信息从巡检图像中截取出绝缘子所在的边界框，得到子图像；
4)绝缘子特征提取
4.1)选取绝缘子的颜色样本，将颜色样本和所述子图像转换到HSV色彩空间；
4.2)采用颜色直方图比较的方法对子图像进行阈值分割处理，具体步骤如下：
b1)分别计算颜色样本中H、S、V三通道的直方图H1、H2、H3，并将H1、H2、H3归一化，以便与子图像对应的直方图进行对比；
b2)将子图像分割成小区域I，对每个小区域I分别计算H、S、V三通道的直方图h1、h2、h3，并将h1、h2、h3归一化处理；
b3)采用欧氏距离的标准，对H1、H2、H3和h1、h2、h3进行相似度S比较，相似度S的数值越大表示相似度越大；S定义如下：
b4)设置相似度阈值，高于相似度阈值的区域内的像素点置255，低于相似度阈值的区域内的像素点置0；
4.3)对图像进行膨胀操作，将绝缘子串连接成连通区域；
4.4)获取绝缘子所在连通区域的最小外接矩形信息：中心点坐标(x0，y0)，x轴正方向与外接矩形长边的夹角θ；
4.5)将步骤4.4)中的最小外接矩形以点(x0，y0)为中心旋转，旋转角度为θ，其旋转变换矩阵定义如下：
利用仿射变换对绝缘子位置进行矫正，仿射变换实现二维坐标到二维坐标之间的线性变换，根据旋转变换矩阵，原坐标(x0，y0)转换为新坐标(x′，y′)；
5)绝缘子缺陷识别
采用粒子滤波对绝缘子缺陷进行识别和定位，具体步骤如下：
5.1)对于大小为n×m的子图像，以过子图像中心的水平线y＝n/2为基准线，在子图像的每列散布100个呈高斯分布的粒子；结合阈值分割后的图像判断散布的粒子是否位于绝缘子上，如果粒子对应阈值分割后图像中的非零像素点，则判定该粒子位于绝缘子上，并称为有效粒子，否则判定该粒子不在绝缘子上，并称为无效粒子；
5.2)计算子图像每行有效粒子数目占所有散布粒子总数目的概率pn(v)，如下：
其中，vnm为第n行第m列的有效粒子数目；
5.3)根据pn(v)进行重采样；
5.4)从左到右统计子图像每列有效粒子的数目vm，记vm对应的第一个山谷值为x1，vm对应的第二个山谷值为x2，则绝缘子对的宽度为：Δx＝x2-x1；接着，统计x1～x2范围内有效粒子中纵坐标最大值ymax和最小值ymin，则绝缘子对的高度为：Δy＝ymax-ymin；由此，绝缘子对的中心点坐标为(Δx/2，Δy/2)；绝缘子对的宽度、高度和中心点坐标构成绝缘子对的位置信息；
5.5)以Δx为宽，Δy为高，为中心点坐标设置矩形框；统计该矩形框内有效粒子的总数目；建立观测数组保存绝缘子对的状态信息，所述状态信息包括该绝缘子对的位置信息和对应矩形框内有效粒子的总数目；
5.6)根据所述状态信息预测右侧邻近绝缘子对的状态信息，并存入预测数组内；
5.7)根据预测的右侧邻近对绝缘子对的位置信息，检测该绝缘子对的状态信息；
5.8)采用预测和检测得到的绝缘子对的状态信息的均方和误差判断绝缘子对的异常情况；如误差大于设定的阈值，则判定该绝缘子出现异常，并标出异常位置；否则，更新观测数组内的状态信息，即完成一个绝缘子对的检测；
5.9)重复步骤5.6)-5.8)，依次对每对绝缘对进行检测，检测异常绝缘子对，并标出异常情况位置。
2.根据权利要求1所述的基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，所述步骤1.1)中的图像是在不同地域、不同时间、不同光照、不同角度下随机采集得到。
3.根据权利要求1所述的基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，所述步骤1.3)中的数据增强方法包括，旋转、平移、翻转、对比度变换。
4.根据权利要求1所述的基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，所述步骤2.1)中，网络参数具体包括卷积层的单元数量、特征幅度大小，跳过连接层的连接起始位置，上采样层的采样率，路由层索引特征图的数量和位置，YOLO检测层的锚点数量。
5.根据权利要求1所述的基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，所述步骤2.1)中的卷积层采用的3种图像尺度分别为32×32、64×64、128×128。
6.根据权利要求1所述的基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，所述步骤4.3)中，对图像进行膨胀操作之前还包括，采用中值滤波消除小物体噪声干扰的步骤。
CN201810695528.3A 2018-06-29 2018-06-29 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 Active CN108961235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810695528.3A CN108961235B (zh) 2018-06-29 2018-06-29 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810695528.3A CN108961235B (zh) 2018-06-29 2018-06-29 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法

Publications (2)

Publication Number Publication Date
CN108961235A true CN108961235A (zh) 2018-12-07
CN108961235B CN108961235B (zh) 2021-05-14

Family

ID=64487902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810695528.3A Active CN108961235B (zh) 2018-06-29 2018-06-29 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法

Country Status (1)

Country Link
CN (1) CN108961235B (zh)

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615007A (zh) * 2018-12-10 2019-04-12 天津工业大学 基于粒子滤波的深度学习网络目标检测方法
CN109635875A (zh) * 2018-12-19 2019-04-16 浙江大学滨海产业技术研究院 一种基于深度学习的端到端网口检测方法
CN109712127A (zh) * 2018-12-21 2019-05-03 云南电网有限责任公司电力科学研究院 一种用于机巡视频流的输电线路故障检测方法
CN109766780A (zh) * 2018-12-20 2019-05-17 武汉理工大学 一种基于深度学习的船舶烟雾排放在线检测和追踪方法
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN109829907A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种基于深度学习的金属轴表面缺陷识别方法
CN109828578A (zh) * 2019-02-22 2019-05-31 南京天创电子技术有限公司 一种基于YOLOv3的仪表巡检机器人最优路线规划方法
CN109858569A (zh) * 2019-03-07 2019-06-07 中国科学院自动化研究所 基于目标检测网络的多标签物体检测方法、系统、装置
CN109902598A (zh) * 2019-02-01 2019-06-18 北京清帆科技有限公司 一种针对复杂背景的图像预处理技术
CN109900706A (zh) * 2019-03-20 2019-06-18 易思维（杭州）科技有限公司 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN109919025A (zh) * 2019-01-30 2019-06-21 华南理工大学 基于深度学习的视频场景文本检测方法、系统、设备及介质
CN109934222A (zh) * 2019-03-01 2019-06-25 长沙理工大学 一种基于迁移学习的绝缘子串自爆识别方法
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
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
CN110084166A (zh) * 2019-04-19 2019-08-02 山东大学 基于深度学习的变电站烟火智能识别监测方法
CN110223346A (zh) * 2019-05-30 2019-09-10 河海大学常州校区 基于形状先验的多绝缘子定位方法
CN110263660A (zh) * 2019-05-27 2019-09-20 魏运 一种自适应场景变化的交通目标检测识别方法
CN110555855A (zh) * 2019-09-06 2019-12-10 聚好看科技股份有限公司 一种基于GrabCut算法的图像分割方法及显示设备
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN110807765A (zh) * 2019-09-27 2020-02-18 许昌许继软件技术有限公司 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统
CN110827297A (zh) * 2019-11-04 2020-02-21 中国科学院自动化研究所 基于改进的条件生成对抗网络的绝缘子分割方法
CN110838112A (zh) * 2019-11-08 2020-02-25 上海电机学院 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法
CN110927713A (zh) * 2019-11-01 2020-03-27 长安大学 一种沥青路面水损害检测方法
CN110992307A (zh) * 2019-11-04 2020-04-10 华北电力大学（保定） 基于yolo的绝缘子定位识别方法及装置
CN111025285A (zh) * 2019-11-01 2020-04-17 长安大学 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN111025286A (zh) * 2019-11-01 2020-04-17 长安大学 一种用于水损害检测的探地雷达图谱自适应选取方法
CN111383223A (zh) * 2020-03-19 2020-07-07 天津理工大学 一种充电桩部品线序颜色防错检测方法
CN111474953A (zh) * 2020-03-30 2020-07-31 清华大学 多动态视角协同的空中目标识别方法及系统
CN111598872A (zh) * 2020-05-15 2020-08-28 山东万腾智能科技有限公司 一种绝缘子裂纹检测方法及系统
CN111626382A (zh) * 2020-07-28 2020-09-04 杭州品茗安控信息技术股份有限公司 一种建筑工地车辆清洁度的快速智能识别方法和系统
CN111812096A (zh) * 2020-06-02 2020-10-23 国网浙江嘉善县供电有限公司 一种绝缘子电弧烧伤的快速定位智能图像检测方法
CN112200762A (zh) * 2020-07-02 2021-01-08 西南科技大学 二极管玻壳缺陷检测方法
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法
CN112488991A (zh) * 2020-11-09 2021-03-12 南京土星信息科技有限公司 一种基于r2cnn++算法的绝缘子自爆缺陷检测方法
CN112528971A (zh) * 2021-02-07 2021-03-19 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN112560634A (zh) * 2020-12-10 2021-03-26 齐鲁工业大学 基于现场图像的电力线路绝缘子快速检测定位方法及系统
CN113052820A (zh) * 2021-03-25 2021-06-29 贵州电网有限责任公司 一种基于神经网络技术的电路设备缺陷识别方法
CN113298809A (zh) * 2021-06-25 2021-08-24 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113947563A (zh) * 2021-08-27 2022-01-18 国网浙江省电力有限公司 一种基于深度学习的电缆工艺质量动态缺陷检测方法
CN114022432A (zh) * 2021-10-28 2022-02-08 湖北工业大学 基于改进的yolov5的绝缘子缺陷检测方法
CN117963458A (zh) * 2024-03-27 2024-05-03 泰山学院 一种传送带偏离检测方法、系统及巡检机器人

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508110A (zh) * 2011-10-10 2012-06-20 上海大学 基于纹理的绝缘子缺陷诊断方法
CN102509309A (zh) * 2011-11-04 2012-06-20 大连海事大学 一种基于图像匹配的目标点定位系统
US20140307917A1 (en) * 2013-04-12 2014-10-16 Toyota Motor Engineering & Manufacturing North America, Inc. Robust feature fusion for multi-view object tracking
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
CN105139374A (zh) * 2015-07-09 2015-12-09 天津航天中为数据系统科技有限公司 一种输电线路跟踪方法及系统
CN106921366A (zh) * 2017-02-28 2017-07-04 李琳 一种全局最优粒子滤波方法及全局最优粒子滤波器
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
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
CN108022235A (zh) * 2017-11-23 2018-05-11 中国科学院自动化研究所 高压输电铁塔关键部件缺陷识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508110A (zh) * 2011-10-10 2012-06-20 上海大学 基于纹理的绝缘子缺陷诊断方法
CN102509309A (zh) * 2011-11-04 2012-06-20 大连海事大学 一种基于图像匹配的目标点定位系统
US20140307917A1 (en) * 2013-04-12 2014-10-16 Toyota Motor Engineering & Manufacturing North America, Inc. Robust feature fusion for multi-view object tracking
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
CN105139374A (zh) * 2015-07-09 2015-12-09 天津航天中为数据系统科技有限公司 一种输电线路跟踪方法及系统
CN106921366A (zh) * 2017-02-28 2017-07-04 李琳 一种全局最优粒子滤波方法及全局最优粒子滤波器
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
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
CN108022235A (zh) * 2017-11-23 2018-05-11 中国科学院自动化研究所 高压输电铁塔关键部件缺陷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ROMULO GONÇALVES LINS ET AL.: "Automatic Crack Detection and Measurement Based on Image Analysis", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
庞春江等: "基于深度学习模型与稀疏表示的绝缘子状态分类", 《软件导刊》 *

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615007B (zh) * 2018-12-10 2021-10-19 天津工业大学 基于粒子滤波的深度学习网络目标检测方法
CN109615007A (zh) * 2018-12-10 2019-04-12 天津工业大学 基于粒子滤波的深度学习网络目标检测方法
CN109635875A (zh) * 2018-12-19 2019-04-16 浙江大学滨海产业技术研究院 一种基于深度学习的端到端网口检测方法
CN109766780A (zh) * 2018-12-20 2019-05-17 武汉理工大学 一种基于深度学习的船舶烟雾排放在线检测和追踪方法
CN109712127A (zh) * 2018-12-21 2019-05-03 云南电网有限责任公司电力科学研究院 一种用于机巡视频流的输电线路故障检测方法
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及系统
CN109919025A (zh) * 2019-01-30 2019-06-21 华南理工大学 基于深度学习的视频场景文本检测方法、系统、设备及介质
CN109829907A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种基于深度学习的金属轴表面缺陷识别方法
CN109902598A (zh) * 2019-02-01 2019-06-18 北京清帆科技有限公司 一种针对复杂背景的图像预处理技术
CN109828578A (zh) * 2019-02-22 2019-05-31 南京天创电子技术有限公司 一种基于YOLOv3的仪表巡检机器人最优路线规划方法
CN109828578B (zh) * 2019-02-22 2020-06-16 南京天创电子技术有限公司 一种基于YOLOv3的仪表巡检机器人最优路线规划方法
CN109934222A (zh) * 2019-03-01 2019-06-25 长沙理工大学 一种基于迁移学习的绝缘子串自爆识别方法
CN109858569A (zh) * 2019-03-07 2019-06-07 中国科学院自动化研究所 基于目标检测网络的多标签物体检测方法、系统、装置
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
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
CN109977817B (zh) * 2019-03-14 2021-04-27 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
CN109900706A (zh) * 2019-03-20 2019-06-18 易思维（杭州）科技有限公司 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN110084166A (zh) * 2019-04-19 2019-08-02 山东大学 基于深度学习的变电站烟火智能识别监测方法
CN110084166B (zh) * 2019-04-19 2020-04-10 山东大学 基于深度学习的变电站烟火智能识别监测方法
CN110263660A (zh) * 2019-05-27 2019-09-20 魏运 一种自适应场景变化的交通目标检测识别方法
CN110223346A (zh) * 2019-05-30 2019-09-10 河海大学常州校区 基于形状先验的多绝缘子定位方法
CN110223346B (zh) * 2019-05-30 2022-09-13 河海大学常州校区 基于形状先验的多绝缘子定位方法
CN110555855A (zh) * 2019-09-06 2019-12-10 聚好看科技股份有限公司 一种基于GrabCut算法的图像分割方法及显示设备
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN110807765A (zh) * 2019-09-27 2020-02-18 许昌许继软件技术有限公司 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统
CN110807765B (zh) * 2019-09-27 2023-05-02 许昌许继软件技术有限公司 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统
CN111025285A (zh) * 2019-11-01 2020-04-17 长安大学 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN110927713A (zh) * 2019-11-01 2020-03-27 长安大学 一种沥青路面水损害检测方法
CN111025286B (zh) * 2019-11-01 2021-08-24 长安大学 一种用于水损害检测的探地雷达图谱自适应选取方法
CN111025285B (zh) * 2019-11-01 2021-08-24 长安大学 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN111025286A (zh) * 2019-11-01 2020-04-17 长安大学 一种用于水损害检测的探地雷达图谱自适应选取方法
CN110927713B (zh) * 2019-11-01 2021-06-11 长安大学 一种沥青路面水损害检测方法
CN110992307A (zh) * 2019-11-04 2020-04-10 华北电力大学（保定） 基于yolo的绝缘子定位识别方法及装置
CN110827297A (zh) * 2019-11-04 2020-02-21 中国科学院自动化研究所 基于改进的条件生成对抗网络的绝缘子分割方法
CN110838112A (zh) * 2019-11-08 2020-02-25 上海电机学院 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法
CN111383223A (zh) * 2020-03-19 2020-07-07 天津理工大学 一种充电桩部品线序颜色防错检测方法
CN111474953A (zh) * 2020-03-30 2020-07-31 清华大学 多动态视角协同的空中目标识别方法及系统
CN111598872A (zh) * 2020-05-15 2020-08-28 山东万腾智能科技有限公司 一种绝缘子裂纹检测方法及系统
CN111812096A (zh) * 2020-06-02 2020-10-23 国网浙江嘉善县供电有限公司 一种绝缘子电弧烧伤的快速定位智能图像检测方法
CN111812096B (zh) * 2020-06-02 2023-07-07 国网浙江嘉善县供电有限公司 一种绝缘子电弧烧伤的快速定位智能图像检测方法
CN112200762A (zh) * 2020-07-02 2021-01-08 西南科技大学 二极管玻壳缺陷检测方法
CN111626382A (zh) * 2020-07-28 2020-09-04 杭州品茗安控信息技术股份有限公司 一种建筑工地车辆清洁度的快速智能识别方法和系统
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法
CN112488991A (zh) * 2020-11-09 2021-03-12 南京土星信息科技有限公司 一种基于r2cnn++算法的绝缘子自爆缺陷检测方法
CN112560634A (zh) * 2020-12-10 2021-03-26 齐鲁工业大学 基于现场图像的电力线路绝缘子快速检测定位方法及系统
CN112560634B (zh) * 2020-12-10 2023-04-07 齐鲁工业大学 基于现场图像的电力线路绝缘子快速检测定位方法及系统
CN112528971B (zh) * 2021-02-07 2021-06-04 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN112528971A (zh) * 2021-02-07 2021-03-19 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN113052820A (zh) * 2021-03-25 2021-06-29 贵州电网有限责任公司 一种基于神经网络技术的电路设备缺陷识别方法
CN113298809B (zh) * 2021-06-25 2022-04-08 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113298809A (zh) * 2021-06-25 2021-08-24 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113947563A (zh) * 2021-08-27 2022-01-18 国网浙江省电力有限公司 一种基于深度学习的电缆工艺质量动态缺陷检测方法
CN114022432A (zh) * 2021-10-28 2022-02-08 湖北工业大学 基于改进的yolov5的绝缘子缺陷检测方法
CN114022432B (zh) * 2021-10-28 2024-04-30 湖北工业大学 基于改进的yolov5的绝缘子缺陷检测方法
CN117963458A (zh) * 2024-03-27 2024-05-03 泰山学院 一种传送带偏离检测方法、系统及巡检机器人

Also Published As

Publication number Publication date
CN108961235B (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN111179217A (zh) 一种基于注意力机制的遥感图像多尺度目标检测方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN111860106B (zh) 一种无监督的桥梁裂缝识别方法
CN112818969A (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN112541491A (zh) 基于图像字符区域感知的端到端文本检测及识别方法
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN116206112A (zh) 基于多尺度特征融合和sam的遥感图像语义分割方法
CN116630802A (zh) 一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法
CN112101113B (zh) 一种轻量化的无人机图像小目标检测方法
CN116703932A (zh) 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法
CN111738114A (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN116740528A (zh) 一种基于阴影特征的侧扫声呐图像目标检测方法及系统
CN114821316A (zh) 一种三维探地雷达裂缝病害识别方法及系统
CN114565824B (zh) 基于全卷积网络的单阶段旋转舰船检测方法
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN116051539A (zh) 一种变电设备发热故障的诊断方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN114529906A (zh) 基于字符识别的输电设备数字仪表异常检测方法及系统
CN113344148A (zh) 一种基于深度学习的海上舰船目标识别方法
CN112053407A (zh) 一种交通执法影像中基于ai技术的车道线自动检测方法

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