CN109344905A - 一种基于集成学习的输电设备自动故障识别方法 - Google Patents
一种基于集成学习的输电设备自动故障识别方法 Download PDFInfo
- Publication number
- CN109344905A CN109344905A CN201811229533.1A CN201811229533A CN109344905A CN 109344905 A CN109344905 A CN 109344905A CN 201811229533 A CN201811229533 A CN 201811229533A CN 109344905 A CN109344905 A CN 109344905A
- Authority
- CN
- China
- Prior art keywords
- equipment
- subgraph
- grades
- transmission facility
- integrated study
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种基于集成学习的输电设备自动故障识别方法,包括以下步骤:获得包含电力设备的源图像,进行目标识别并裁取设备子图像;再将截取到的设备子图像通过深度学习技术进行分类,同时提取设备子图像纹理特征通过支持向量机进行分类,然后将多种分类结果融合进行集成学习,得出故障识别结果。本发明可以更全面地挖掘图像信息,减少由于图像质量带来的训练误差;通过多模型融合检测的集成学习方法,能够有效解决单模型检测带来的由于模型本身设计性缺陷导致的误差及有限的泛化能力,提高了检测的准确率。
Description
技术领域
本发明涉及数字图像处理、深度学习、目标识别技术领域。具体说的是基于深度学习、支持向量机对于图像及其纹理特征模型融合检测的输电网设备安全状态及故障类型自动判断识别的技术。
背景技术
中国的电网飞速发展,对电网安全运行各阶段智能化要求以及对人工成本的削减的要求提高。电网线路上设备组成较为复杂,而且设备工作关联的紧密性较强,潜在隐患可能导致大规模的供电故障,所以及时、有效的检测是必不可少的。
线路的人工检测存在慌检、漏检、误检的情况,减少人工成本同时也是必然趋势。然而现有的智能检测方法多通过深度学习单模型进行图像的目标检测,由于所选模型的固有问题,识别及判断准确度、泛化能力有待提高。并且目前智能检测方法多针对于某一目标设备或是某一种缺陷,不能够对输电线路整体缺陷与故障检测。
发明内容
针对上述技术不足,本发明的目的提供一种基于集成学习预测的输电网自动故障识别方法。该方法可以在电网输电线路检修工作中,快速高效准确地检测输电线路之中关键设备的潜在隐患以及故障类型。
本发明解决其技术问题所采用的技术方案是:一种基于集成学习的输电设备自动故障识别方法,包括以下步骤:
1)获得包含输电设备的源图像,进行目标识别并裁取设备子图像;
2)再将裁取到的设备子图像通过深度学习进行分类,同时提取设备子图像纹理特征通过支持向量机进行分类,然后将多种分类结果融合进行集成学习,得出故障识别结果;
3)将待检测的输电设备图像进行自适应故障检测。
所述进行目标识别并裁取设备子图像,包括以下步骤:
对源图像中设备的类别及区域进行标注,获得设备区域坐标、设备类别标签;源图像、设备类别标签和区域坐标作为训练样本,送入目标识别深度卷积网络中进行训练,获得目标识别网络模型;
将源图像输入目标识别网络模型,得到仅包含输电设备的设备子图像以及子图像信息,经清洗加噪处理后得到数据集T;所述设备子图像信息包括设备类别标签、在所属源图像中的位置坐标。
步骤2)包括以下步骤:
对于标有同一设备类别的设备子图像:
将数据集T中的样本二次标注,即按照输电设备类别增加含有故障类别的标签;
对数据集T提取图像的HOG纹理特征,选取部分纹理特征的特征向量送入第一分类器中进行分类,得到第一分类器模型,通过其余特征向量作为测试集检验该分类器模型;
从数据集T中选取部分设备子图像作为训练集送入第m个分类器中进行训练,获取第m个分类器模型,通过其余设备子图像作为测试集检验第m个分类器模型;m=1,…,N-1,N为分类器个数;
将多个分类器进行集成学习,得到设备故障识别结果。
所述将多个分类器进行集成学习,得到设备故障识别结果,包括以下步骤:
从数据集T中选取部分样本构成I级训练集,共M个样本,样本随机分为n份,任两份样本数差值小于阈值;其中n-1份作为训练集,即II级训练集,剩余的1份作为测试集,即II级测试集;T数据集中除去I级训练集之后构成I级测试集;
将所述I级训练集的n份依次轮换,得到n个II级训练集及对应的n个II级测试集,将n个II级训练集分别在某一种分类器中进行训练得到n个模型,然后对对应的n个II级测试集进行预测得到M1、M2…Mn个预测值;
按照I级训练集各份的排序顺序拼接得I级训练集自身的M个预测值,N种分类器可获得N组训练集的自分类结果,每组训练集的自分类结果包含M个预测值,形成M个N维特征向量,记为特征矩阵X;
对于某一种分类器模型,使用n个训练好的模型对于I级测试集进行预测,得到n种单模型预测结果、每种单模型预测结果包含K个预测值,然后将n种预测结果取平均值得到K个预测值;N种分类器得N组预测结果、每组预测结果包含K个预测值,记为特征矩阵Y;
将特征矩阵X作为训练集送入支持向量机模型中进行训练,得到集成学习分类器模型;
将特征矩阵Y通过集成学习分类器模型进行分类,得到包含故障类别的识别结果。
步骤3)包括以下步骤:
将待检测的输电设备图像输入步骤1)中所得的目标识别网络模型中识别设备类别并裁减出待检测设备子图像;将待检测设备子图像按照设备类别输入步骤2)中所得的集成学习分类模型中,得到设备的故障类别。
所述第一分类器为支持向量机。
所述第m个分类器为深度卷积网络模型。
所述深度卷积网络模型为ResNet或DenseNet。
所述目标识别网络模型为Faster R-CNN。
本发明具有以下有益效果及优点:
采用本发明的集成学习的输电网自动故障识别方法,基于深度卷积神经网络和支持向量机多模型融合,对巡检无人机或者任意来源的输电线路图像,能够快速准确地自适应识别出图像中各电力设备的种类以及其故障类别,能够检测长距离输电线路多角度的海量现场图片中的故障类别;通过图像本身及其纹理特征的结合,本方法可以更全面地挖掘图像信息,减少由于图像质量带来的训练误差;通过多模型融合检测的集成学习方法,能够有效解决单模型检测带来的由于模型本身设计性缺陷导致的误差及有限的泛化能力,提高了检测的准确率。
附图说明
图1是本发明的方法流程图。
图2是本发明的自适应故障检测流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
在具体实施例中,通过无人机自动巡检技术获得的以及人工、固定翼巡检等其他方式得到的包含输电线路目标设备的整体图像,标注目标设备的位置和名称得到深度学习目标检测模型的训练数据,通过训练深度学习目标检测模型;对于裁剪出的子图象,标注其故障类别,并送入深度卷积神经网络中进行训练,得到分类模型,同时提取子图象的纹理特征送入支持向量机进行训练,得到另一种分类模型;通过集成学习将多个模型的分类结果进行整合,得到一个具有多种模型共同优点新的分类器。再利用集成学习分类器模型对于任意分辨率的图片进行自适应剪裁、分类得到全部故障类型的检测结果。
如图1所示,一种集成学习预测的输电网自动故障识别方法包括以下几部分内容,第一部分是训练出基于深度学习目标检测、深度卷积神经网络和支持向量机融合的分类器模型;第二部分是利用第一部分生成的集成学习模型对各种分辨率的图像进行故障检测并判断设备类别以及故障类型。
第一部分集成学习的分类器模型包含以下内容:
1.获取包含线路目标设备的现场样本图像。图像主要靠智能巡检中巡检无人机搭载的高清全景摄像设备采集获得,同样人工巡检、部分智能杆塔的图像采集设备以及固定翼无人机在全线路巡检获得的高长度图像等图像也可以作为图像的样本。在这里,由于硬件不同,获得到的图像在分辨率、噪声、纹理还原度等存在一定的个体差异。图像中的故障类型包含线路缺陷因素类型较多,在样本的准备阶段,需要一定量的人工标注工作,并且标注的样本需要通过一定的诸如样本筛选、渲染、人工加噪点等后期处理工作,为了得到泛化能力和鲁棒性更强的模型,以得到更好的样本训练效果。
在具体实施例中,对输电设备源图像调整为统一的分辨率,使用图像目标区域标记工具(我们选用开源工具labelImg)对输电线路样本源图像中各类设备的类别及区域进行人工标注,获得带有标记框和目标设备类别标签的信息的可扩展标记语言(xml)文件。将输电线路样本源图像和上述获取的xml文件作为训练样本,送入目标识别深度卷积网络中进行训练,调整网络参数(如训练迭代次数、每轮迭代的样本数等)训练多次后获得适合样本的目标识别网络模型,可自适应标记输电线路设备类别及位置(图像四角坐标)并自动裁剪出仅包含目标设备的子图像。
其中将输入目标识别网络的样本进行清洗和加噪处理。人工肉眼识别舍弃无效样本,包括未拍摄到所需输电设备和相对模糊难以辨识的图像样本。加噪处理我们采用salt-pepper方法进行图像样本噪点的增加,能够有效减少模型训练过程中的过拟合,增强了模型泛化能力和鲁棒性。
裁剪的目标设备子图像再按照具体设备的结构复杂程度缩放成因设备而异的固定的分辨率,结构较复杂的设备缩放成分辨率较大的图像以提高故障分类的准确率,结构简单的设备缩放成分辨率较小的图像以提高故障分类的效率。然后对缩放后的图像进行二次标注,标签类别包含无故障和多种故障类别(环境腐蚀、外力破坏、环境破坏、质量问题引起的损坏等)。训练数据的清洗效果和标注的准确程度直接影响到分类器模型的性能,良好的图像样本对于其训练出的模型的准确率、泛化能力和召回率等因素具有极大的提高。
为了避免样本比例失衡所带来的分类器模型样本数量多的类别过拟合以及泛化能力差等影响,各种类别的样本数量需要尽量一致;且总体样本个数应足够多,使分类器能够充分训练以达到更好的泛化能力。
目标检测深度神经网络经过测试,我们选用Faster R-CNN以达到最准确的目标检测和裁剪的效果。
第二部分利用深度卷积神经网络模型和支持向量机对输电设备子图像进行故障检测分类包含以下内容:
随机选取部分样本类别平衡的已标注输电线路子图像(训练集,我们采用约70%)送入深度卷积神经网络中进行训练,调整参数(如迭代次数,学习率等)获取到最适合样本的模型,通过其余样本(测试集,30%)进行验证检验模型的准确率,泛化能力和召回率等性能指标,打到最理想的分类器分类效果,并保存模型参数。经过验证,我们选用ResNet和DenseNet作为深度卷积网络模型,以达到最好的分类效果。
并且对输电线路子图像提取HOG图像纹理特征,随机选取部分样本类别平衡的特征向量(我们依然选用深度卷积网络中的训练集)送入支持向量机中进行分类,通过调节参数(惩罚系数、核函数参数)以达到最佳的分类效果,对于模型通过其余样本(测试集)检验模型以达到最好性能,并保存模型参数。其中,设备子图像纹理特征向量的生成应针对不同的输电设备有所调整。
第三部分利用第二部分的模型融合起来进行集成学习包含以下内容:
将第二部分的训练集(此处称为I级训练集,共M个)样本随机、平衡且数量大致相同地分为n份,其中n-1份作为训练集(此处称为II级训练集),剩余的1份作为测试集(此处称为II级测试集)。将上述I级训练集的n份依次轮换,得到n个II级训练集及对应的n个II级测试集,将n个II级训练集分别在某一种分类器中进行训练得到n个模型,然后对对应的n个II级测试集进行预测得到M1、M2…Mn个预测值(Mi为第i个II级测试集的样本个数),此处一般称为n交叉验证(n-cross validation),而M1+M2+…+Mn=M为I级训练集个数,按照I级训练集各份的排序顺序拼接可得I级训练集自身的M个预测值,而第二部分的三种分类器可获得三种,每种M个预测值,形成M个3维特征向量,记为特征矩阵X;同时使用n个训练好的模型对于第二部分中的测试集(此处称为I级测试集)进行预测,得到n种、每种K个预测值(K为I级测试集样本个数),然后将n种预测值取平均值得到K个预测值,第二部分中三种分类器则可得三种、每种K个预测值,记为特征矩阵Y。
将特征矩阵X作为训练集送入支持向量机模型中进行训练并调节参数,得到新的分类器模型,对测试集特征矩阵Y进行重新分类,得到新的分类结果。经验证,此集成学习分类器模型分类性能,尤其是泛化能力,均相比于第二部分三种分类器模型的性能具有显著提升。
经验证,n=5时能够同时兼顾性能和效率,能够较快速有效地提高集成学习的预测准确率和泛化能力。
如图2所示,将待检测的输电设备图像输入目标识别网络模型中识别设备类别并裁减出待检测设备子图像;将待检测设备子图像按照设备类别输入集成学习分类模型中,得到设备的故障类别。
采用本发明所述的基于集成学习的输电网自动故障识别方法,在输电线路图像的样本足够丰富的条件下,能够有效地针对任意来源的待检测图像样本,识别出其中可能存在的设备异常故障以及潜在隐患。
Claims (9)
1.一种基于集成学习的输电设备自动故障识别方法,其特征在于,包括以下步骤:
1)获得包含输电设备的源图像,进行目标识别并裁取设备子图像;
2)再将裁取到的设备子图像通过深度学习进行分类,同时提取设备子图像纹理特征通过支持向量机进行分类,然后将多种分类结果融合进行集成学习,得出故障识别结果;
3)将待检测的输电设备图像进行自适应故障检测。
2.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,所述进行目标识别并裁取设备子图像,包括以下步骤:
对源图像中设备的类别及区域进行标注,获得设备区域坐标、设备类别标签;源图像、设备类别标签和区域坐标作为训练样本,送入目标识别深度卷积网络中进行训练,获得目标识别网络模型;
将源图像输入目标识别网络模型,得到仅包含输电设备的设备子图像以及子图像信息,经清洗加噪处理后得到数据集T;所述设备子图像信息包括设备类别标签、在所属源图像中的位置坐标。
3.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,步骤2)包括以下步骤:
对于标有同一设备类别的设备子图像:
将数据集T中的样本二次标注,即按照输电设备类别增加含有故障类别的标签;
对数据集T提取图像的HOG纹理特征,选取部分纹理特征的特征向量送入第一分类器中进行分类,得到第一分类器模型,通过其余特征向量作为测试集检验该分类器模型;
从数据集T中选取部分设备子图像作为训练集送入第m个分类器中进行训练,获取第m个分类器模型,通过其余设备子图像作为测试集检验第m个分类器模型;m=1,…,N-1,N为分类器个数;
将多个分类器进行集成学习,得到设备故障识别结果。
4.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,所述将多个分类器进行集成学习,得到设备故障识别结果,包括以下步骤:
从数据集T中选取部分样本构成I级训练集,共M个样本,样本随机分为n份,任两份样本数差值小于阈值;其中n-1份作为训练集,即II级训练集,剩余的1份作为测试集,即II级测试集;T数据集中除去I级训练集之后构成I级测试集;
将所述I级训练集的n份依次轮换,得到n个II级训练集及对应的n个II级测试集,将n个II级训练集分别在某一种分类器中进行训练得到n个模型,然后对对应的n个II级测试集进行预测得到M1、M2…Mn个预测值;
按照I级训练集各份的排序顺序拼接得I级训练集自身的M个预测值,N种分类器可获得N组训练集的自分类结果,每组训练集的自分类结果包含M个预测值,形成M个N维特征向量,记为特征矩阵X;
对于某一种分类器模型,使用n个训练好的模型对于I级测试集进行预测,得到n种单模型预测结果、每种单模型预测结果包含K个预测值,然后将n种预测结果取平均值得到K个预测值;N种分类器得N组预测结果、每组预测结果包含K个预测值,记为特征矩阵Y;
将特征矩阵X作为训练集送入支持向量机模型中进行训练,得到集成学习分类器模型;
将特征矩阵Y通过集成学习分类器模型进行分类,得到包含故障类别的识别结果。
5.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,步骤3)包括以下步骤:
将待检测的输电设备图像输入步骤1)中所得的目标识别网络模型中识别设备类别并裁减出待检测设备子图像;将待检测设备子图像按照设备类别输入步骤2)中所得的集成学习分类模型中,得到设备的故障类别。
6.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,所述第一分类器为支持向量机。
7.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,所述第m个分类器为深度卷积网络模型。
8.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,所述深度卷积网络模型为ResNet或DenseNet。
9.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法,其特征在于,所述目标识别网络模型为Faster R-CNN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811229533.1A CN109344905A (zh) | 2018-10-22 | 2018-10-22 | 一种基于集成学习的输电设备自动故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811229533.1A CN109344905A (zh) | 2018-10-22 | 2018-10-22 | 一种基于集成学习的输电设备自动故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109344905A true CN109344905A (zh) | 2019-02-15 |
Family
ID=65311379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811229533.1A Pending CN109344905A (zh) | 2018-10-22 | 2018-10-22 | 一种基于集成学习的输电设备自动故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344905A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070081A (zh) * | 2019-03-13 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 自动信息录入方法、装置、存储介质及电子设备 |
CN110070116A (zh) * | 2019-04-08 | 2019-07-30 | 云南大学 | 基于深度树状训练策略的分段式选择集成图像分类方法 |
CN110310260A (zh) * | 2019-06-19 | 2019-10-08 | 北京百度网讯科技有限公司 | 基于机器学习模型的分料决策方法、设备和存储介质 |
CN110619623A (zh) * | 2019-08-08 | 2019-12-27 | 广东工业大学 | 一种变电设备接头发热的自动识别方法 |
CN110730327A (zh) * | 2019-09-03 | 2020-01-24 | 华为技术有限公司 | 一种对输电线路监控的方法及采集前端 |
CN110781812A (zh) * | 2019-10-24 | 2020-02-11 | 谷琛 | 一种基于机器学习的安检仪自动识别目标物体的方法 |
CN110826612A (zh) * | 2019-10-31 | 2020-02-21 | 上海法路源医疗器械有限公司 | 深度学习的训练识别方法 |
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
CN111091544A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车转向架侧面一体架构断裂故障检测方法 |
CN111125405A (zh) * | 2019-12-19 | 2020-05-08 | 国网冀北电力有限公司信息通信分公司 | 电力监控图像异常检测方法和装置、电子设备及存储介质 |
CN111222800A (zh) * | 2020-01-13 | 2020-06-02 | 电子科技大学 | 一种智能电力系统异常检测方法 |
CN111444364A (zh) * | 2020-03-04 | 2020-07-24 | 中国建设银行股份有限公司 | 一种图像检测方法和装置 |
CN111508097A (zh) * | 2020-04-26 | 2020-08-07 | 深圳市阡丘越科技有限公司 | 场地巡检方法、装置、设备及存储介质 |
CN111738286A (zh) * | 2020-03-17 | 2020-10-02 | 北京京东乾石科技有限公司 | 故障判定及其模型训练方法、装置、设备及存储介质 |
CN112395954A (zh) * | 2020-10-23 | 2021-02-23 | 长沙理工大学 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
CN112949688A (zh) * | 2021-02-01 | 2021-06-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组底板胶皮破损故障检测方法、系统及装置 |
CN114120048A (zh) * | 2022-01-26 | 2022-03-01 | 中兴通讯股份有限公司 | 图像处理方法、电子设备及计算存储介质 |
CN116188449A (zh) * | 2023-03-13 | 2023-05-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
KR101882743B1 (ko) * | 2017-04-17 | 2018-08-30 | 인하대학교 산학협력단 | 콘볼루션 신경망 기반-계층적 특징 모델링을 이용한 효율적인 객체 검출 방법 |
-
2018
- 2018-10-22 CN CN201811229533.1A patent/CN109344905A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101882743B1 (ko) * | 2017-04-17 | 2018-08-30 | 인하대학교 산학협력단 | 콘볼루션 신경망 기반-계층적 특징 모델링을 이용한 효율적인 객체 검출 방법 |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070081A (zh) * | 2019-03-13 | 2019-07-30 | 深圳壹账通智能科技有限公司 | 自动信息录入方法、装置、存储介质及电子设备 |
CN110070116A (zh) * | 2019-04-08 | 2019-07-30 | 云南大学 | 基于深度树状训练策略的分段式选择集成图像分类方法 |
CN110070116B (zh) * | 2019-04-08 | 2022-09-20 | 云南大学 | 基于深度树状训练策略的分段式选择集成图像分类方法 |
CN110310260A (zh) * | 2019-06-19 | 2019-10-08 | 北京百度网讯科技有限公司 | 基于机器学习模型的分料决策方法、设备和存储介质 |
CN110310260B (zh) * | 2019-06-19 | 2021-10-15 | 北京百度网讯科技有限公司 | 基于机器学习模型的分料决策方法、设备和存储介质 |
CN110619623B (zh) * | 2019-08-08 | 2023-01-20 | 广东工业大学 | 一种变电设备接头发热的自动识别方法 |
CN110619623A (zh) * | 2019-08-08 | 2019-12-27 | 广东工业大学 | 一种变电设备接头发热的自动识别方法 |
CN110730327A (zh) * | 2019-09-03 | 2020-01-24 | 华为技术有限公司 | 一种对输电线路监控的方法及采集前端 |
CN110781812A (zh) * | 2019-10-24 | 2020-02-11 | 谷琛 | 一种基于机器学习的安检仪自动识别目标物体的方法 |
CN110826612A (zh) * | 2019-10-31 | 2020-02-21 | 上海法路源医疗器械有限公司 | 深度学习的训练识别方法 |
CN111091544A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车转向架侧面一体架构断裂故障检测方法 |
CN111125405A (zh) * | 2019-12-19 | 2020-05-08 | 国网冀北电力有限公司信息通信分公司 | 电力监控图像异常检测方法和装置、电子设备及存储介质 |
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
CN111222800B (zh) * | 2020-01-13 | 2022-06-17 | 电子科技大学 | 一种智能电力系统异常检测方法 |
CN111222800A (zh) * | 2020-01-13 | 2020-06-02 | 电子科技大学 | 一种智能电力系统异常检测方法 |
CN111444364A (zh) * | 2020-03-04 | 2020-07-24 | 中国建设银行股份有限公司 | 一种图像检测方法和装置 |
CN111444364B (zh) * | 2020-03-04 | 2024-01-30 | 中国建设银行股份有限公司 | 一种图像检测方法和装置 |
CN111738286A (zh) * | 2020-03-17 | 2020-10-02 | 北京京东乾石科技有限公司 | 故障判定及其模型训练方法、装置、设备及存储介质 |
CN111508097A (zh) * | 2020-04-26 | 2020-08-07 | 深圳市阡丘越科技有限公司 | 场地巡检方法、装置、设备及存储介质 |
CN112395954A (zh) * | 2020-10-23 | 2021-02-23 | 长沙理工大学 | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 |
CN112949688A (zh) * | 2021-02-01 | 2021-06-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组底板胶皮破损故障检测方法、系统及装置 |
CN114120048A (zh) * | 2022-01-26 | 2022-03-01 | 中兴通讯股份有限公司 | 图像处理方法、电子设备及计算存储介质 |
CN116188449A (zh) * | 2023-03-13 | 2023-05-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
CN116188449B (zh) * | 2023-03-13 | 2023-08-08 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN111553236B (zh) | 基于道路前景图像的路面病害目标检测与实例分割方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN109115812A (zh) | 一种焊缝底片缺陷识别方法及系统 | |
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN110120036A (zh) | 一种多尺度的轮胎x光病疵检测方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
CN110399816A (zh) | 一种基于Faster R-CNN的高速列车车底异物检测方法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN113763312B (zh) | 使用弱标记检测半导体试样中的缺陷 | |
CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN111723657B (zh) | 一种基于YOLOv3与自优化的河道异物检测方法及装置 | |
CN110717464B (zh) | 一种基于雷达数据的铁路路基病害智能识别方法 | |
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN108197634A (zh) | 自动抄表方法、系统、计算机设备和可读存储介质 | |
CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |