CN109360188A - 一种高铁接触网等电位线不良状态的检测方法 - Google Patents
一种高铁接触网等电位线不良状态的检测方法 Download PDFInfo
- Publication number
- CN109360188A CN109360188A CN201811065375.0A CN201811065375A CN109360188A CN 109360188 A CN109360188 A CN 109360188A CN 201811065375 A CN201811065375 A CN 201811065375A CN 109360188 A CN109360188 A CN 109360188A
- Authority
- CN
- China
- Prior art keywords
- network
- equipotential line
- high iron
- detection method
- input
- 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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高铁接触网等电位线不良状态的检测方法,包括以下步骤:步骤1:获取高铁接触网支撑及悬挂装置图像;步骤2:根据步骤1得到的图像通过基于Faster R‑CNN算法的神经网络进行等电位线部件的定位,提取等电位线部件图;步骤3:搭建GAN网络并进行训练;步骤4:通过步骤3训练过的GAN网络对步骤2提取到的等电位部件图进行识别,完成高铁接触网等电位线的故障检测;本发明可减少人工识别的巨大工作量,实现现场图像的自动分析,具有较高识别准确性。
Description
技术领域
本发明涉及高速铁路接触网故障检测领域,具体涉及一种高铁接触网等电位线不良状态的检测方法。
背景技术
电气化铁路是铁路快速发展的重要标志之一,在铁路发展过程中,重载和高速技术的应用加速了铁路电气化的发展过程;相比于其他系统,弓网系统长期处于露天环境之下,并且机车存在力学和电气等对之间的关系对弓网产生影响,导致接触网和受电弓故障概率相对比其他系统要高,并且不良状态发生比较频繁且复杂;当弓网系统发生故障或存在故障隐患时,将会对人身安全和国家财产造成危害;因此,为了保证机车接受电流的稳定性,其状态监测和故障检测发挥着重要的作用;在电气化铁路的整个运行系统中,接触网悬挂装置很容易发生故障;沿铁路干线架设的接触网为受电弓提供高压的电流,使得电力机车具有足够的动力,接触网性能的好坏将直接影响电力机车受流质量,进一步影响电力机车运行的速度和安全。
在高铁接触网支撑预悬挂装置中,等电位线起到防止烧损支持的作用,确保支持与定位零件的短路稳定性;当列车受电弓通过接触网时,定位器会存在一定抬升,从而使其与定位器支座产生间隙;在间隙产生时,如果等电位线松脱或断裂,定位器支座将承受较大的电气冲击,造成电化学腐蚀;严重时导致定位器与支座连接处断裂脱离,影响列车安全;原铁道部颁布的4C系统技术规范,包含对接触网的悬挂部分、腕臂部分的高清晰视频监测;涉及基于数字图像处理技术对接触网支撑及悬挂装置中零件的故障检测。
高铁接触网支撑及悬挂装置中涉及46中零部件的检测,分为ABC三类;其中A类故障最为严重;零部件在支撑与悬挂结构中分布较为分散,零部件的大小和结构多不相同;摄像机拍摄时,会有一定的光照和角度的影响;目前多采用图像处理技术对像等电位线这样微小部件进行故障检测;但是由于现场采集的接触网支撑及悬挂装置图像普遍较为复杂,采用图像处理技术对像等电位线这样微小部件进行故障检测存在较大的难度。
发明内容
本发明提供一种可减少人工识别的巨大工作量,实现现场图像的自动分析,具有较高识别准确性的高特接触网等电位线故障检测方法。
本发明采用的技术方案是:一种高铁接触网等电位线不良状态的检测方法,包括以下步骤:
步骤1:获取高铁接触网支撑及悬挂装置图像;
步骤2:根据步骤1得到的图像通过基于Faster R-CNN算法的神经网络进行等电位线部件的定位,提取等电位线部件图;
步骤3:搭建生成对抗网络GAN并进行训练;
步骤4:通过步骤3训练过的GAN网络对步骤2提取到的等电位部件图进行识别,完成高铁接触网等电位线的故障检测。
进一步的,所述步骤2中基于Faster R-CNN算法的神经网络包括以下过程:
搭建候选区域网络,候选区域网络的输出层作为感兴趣区域ROI生成网络的输入,然后输入CNN分类网络。
进一步的,所述步骤3中生成对抗网络GAN训练过程如下:
A:在噪声数据分布中随机采样,输入生成模型,得到一组假数据;
B:在真实数据分布中随机采样,作为真实数据;
C:将步骤A和步骤B中产生的数据作为判别网络的输入,输出属于真实数据的概率;
D:根据判别模型和生成模型的损失函数,可以利用反向传播算法,更新模型的参数。
进一步的,所述基于Faster R-CNN算法的神经网络共享五层卷积层,第五个卷积层的特征图作为候选区域网络的输入。
进一步的,所述第五个卷积层的特征图输入候选区域网络过程如下:
将第五个卷积层特征图映射上滑动小网络,映射到低维向量上,每个滑动窗口有三种尺度和长宽比;对应在卷积层特征图中找到对应的位置,作为候选网络。
进一步的,所述CNN网络包括两个全连接层,即分类层和回归层。
本发明的有益效果是:
(1)本发明通过深度学习的方法对高铁接触网等电位线部件的状态进行检测,给出客观、真实、准确的检测分析结果,克服了传统人工检测方法的缺陷;
(2)本发明根据深度学习的特征提取与分类特点,巧妙的应用生成对抗网络,对等电位线的状态检测简单、有效地解决小样本问题;
(3)本发明能有效针对接触网等电位线故障进行检测,正确检测率较高,简化了故障检测的难度。
附图说明
图1为本发明中采用的神经网络基本框架结构示意图。
图2为本发明中卷积神经网络提取特征的卷积示意图。
图3为本发明中采用的Faster R-CNN算法中候选区域网络示意图。
图4为本发明中采用的GAN网络基本框架结构示意图。
图5为本发明中采用的GAN网络训练生成结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种高铁接触网等电位线不良状态的检测方法,包括以下步骤:
步骤1:获取高铁接触网支撑及悬挂装置图像;
专用综合列检车在一定运行速度下,对高速铁路接触网支撑及悬挂装置进行上行和下行的高清图像分别储存在两个图像库中;对采集的图像进行筛选,建立关于高铁接触网等电位线的样本库;样本库里需要包括对检测目标所在位置的坐标记录,及标记目标所需的类别。
步骤2:根据步骤1得到的图像通过基于Faster R-CNN算法的神经网络进行等电位线部件的定位,提取等电位线部件图;
搭建基于Faster-RCNN算法的深度卷积神经网络,训练网络等电位线目标检测的模型,通过模型提取等电位线部件图。
步骤3:搭建GAN网络并进行训练;
利用正常的等电位线部件图训练GAN,从噪声生成正常纹理的等电位线图像。
GAN网络训练过程如下:
A:在噪声数据分布中随机采样,输入生成模型,得到一组假数据;
B:在真实数据分布中随机采样,作为真实数据;
C:将步骤A和步骤B中产生的数据作为判别网络的输入,输出属于真实数据的概率;
D:根据判别模型和生成模型的损失函数,可以利用反向传播算法,更新模型的参数。
步骤4:通过步骤3训练过的GAN网络对步骤2提取到的等电位部件图进行识别,完成高铁接触网等电位线的故障检测;
通过GAN生成与异常图对应的正常图来对比找到异常,从而实现等电位线。
定位网络采用五个可共享的卷积层用以提取特征,Faster-RCNN算法主要分为三个部分:候选区域网络,Reigon Of Interest(ROI)生成,CNN分类;具体实现过程如下:
Step1:接触网成像检测车采集的接触网支撑悬挂装置图像大小为2048×2048。
Step2:在矩阵计算中卷积核都是4维的,第一层的卷积核维度是7×7×3×96;第一层卷积层得到的图像大小是110×110×96;为了能够一系列的操作,要进行填充操作,在图片的周围补充像素得到的卷积图像大小计算公式如下所示:
s=(a-b+pad)/c+1
其中:s为卷积得到图像大小,a为卷积层中输入图片尺寸,b为卷积滤波器大小,pad为填充的像素,c为步长。
Step3:为了降低网络参数选择复杂度,对卷积得到的结果进行下采样,得到pool1,池化核大小是3×3,根据计算池化后图片维度是55×55×96。
Step4:类似操作重复第2、3、4和5层,前一层的输出作为下一层的输入。
Step5:最后取第5层的输出特征向量输入到区域建议网络搭建候选区域网络,第五个共享的卷积层输出的卷积特征映射上滑动小网络,每个滑动窗口有三种尺度和长宽比,产生9个anchor,映射到一个低维向量上;因此每张输入图片最终会产生大概约2000个候选区域。
Step6:采用候选区域网络的输出层作为ROI(Region of Interest)生成网络的输入,将输入的候选区域特征图统一下采样的特征图再传入全连接层。
Step7:CNN分类识别,将得到的ROI输入CNN分类网络,经过两个全连接层,即分类层和回归层,分别用于分类和边框回归;通过丢弃部分网络参数的方法消除过拟合,输出目标包围框的坐标和大小和目标类别。
本发明将等电位线的不良状态识别分成了两个阶段,第一阶段,在拍摄到的接触网支持装置图像中识别到等电位线零部件。第二阶段,在定位到的等电位线部件识别散股故障。两个阶段均采用基于Faster-RCNN的深度学习目标检测算法。该算法以ZF网络为基础,共享5层卷积层,如图1所示。本算法提取图片特征如图2所示,训练每一个卷积滤波器,让这些滤波器组对特定的模式有高的激活,以达到卷积神经网络的分类/检测等目的;如图3所示,在ZF网络的第五个卷积层进行候选区域的提取,将第五个卷积层的特征图作为候选区域网络的输入;在该卷积层特征图映射上滑动小网络,映射到低维向量上,每个滑动窗口有三种尺度和长宽比,每个滑动窗口产生9个anchor,对应在卷积层特征图中找到对应的位置,作为候选网络;采用候选区域网络的输出层作为ROI生成网络的输入;将输入的候选区域特征图统一下采样的特征图再传入全连接层,通过丢弃部分网络参数的方法消除过拟合,输出目标包围框的坐标和大小和目标类别。
将训练样本输入搭建好的网络,完成模型的训练;训练模型的过程中,采用多任务损失函数,通过计算目标分类和位置损失,结合反向传播算法、随机梯度下降等方法,分别完成定位阶段模型的训练,可分为以下几步:
Step1:对整张图片输进CNN,得到feature map
Step2:卷积特征输入到RPN,得到候选框的特征信息
Step3:对候选框中提取出的特征,使用分类器判别是否属于一个特定类
Step4:对于属于某一特征的候选框,用回归器进一步调整其位置,生成分类器模型。
将待检测图像输入训练的模型,经过第一阶段,提取接触网支持装置图像中的等电位线零部件;将提取得到的等电位线零部件图像输入生成对抗网络,GAN网络结构如图4所示,具体训练过程如下:
A:在噪声数据分布中随机采样,输入生成模型,得到一组假数据;
B:在真实数据分布中随机采样,作为真实数据;
C:将步骤A和步骤B中产生的数据作为判别网络的输入(因此判别模型的输入为两类数据,真/假),判别网络的输出值为该输入属于真实数据的概率,real为1,fake为0;
D:根据判别模型和生成模型的损失函数,可以利用反向传播算法,更新模型的参数。
以4C检测车现场采集图像中的高铁接触网支撑装置全局图像为例说明本发明;零部件数量种类众多,且接触网图像在夜间拍摄时,容易受到光斑、拍摄角度等的干扰;并且在检测车获取的接触网支撑装置图像中,由于等电位线目标较小,故障特征不明显,因此需要训练一个基于深度卷积神经网络的模型,完成等电位线部件的识别工作;建立等电位线识别的样本库,样本库的建立是手工框出接触网支撑装置图像中等电位线检测目标零部件;在建立样本库的时候,保留零部件的坐标信息,并人工标记该框的类别,将其样本库设为标准的VOC2007格式;其GAN网络训练生成结果如图5所示,训练过程总共经过30次迭代,随着GAN网络训练的进行,等电位线的轮廓逐渐清晰,最终得到可以混淆真假的生成的等电位线部件的图像。
本发明中整个训练和检测过程均在深度学习开源框架tensorflow下运行,显卡采用GTX1080CPU。
本发明利用基于候选区域的深度卷积神经网络对待检测目标进行特征学习和目标分类,实现等电位线部件的定位提取,之后通过生成对抗网络识别接触网等电位线的不良状态;能有效地针对接触网等电位线故障进行检测,正确检测率较高,简化了故障检测的难度,并首次为接触网等电位线部件的不良状态检测提出了一种解决方法。
Claims (6)
1.一种高铁接触网等电位线不良状态的检测方法,其特征在于,包括以下步骤:
步骤1:获取高铁接触网支撑及悬挂装置图像;
步骤2:根据步骤1得到的图像通过基于Faster R-CNN算法的神经网络进行等电位线部件的定位,提取等电位线部件图;
步骤3:搭建生成对抗网络GAN并进行训练;
步骤4:通过步骤3训练过的GAN网络对步骤2提取到的等电位部件图进行识别,完成高铁接触网等电位线的故障检测。
2.根据权利要求1所述的一种高铁接触网等电位线不良状态的检测方法,其特征在于,所述步骤2中基于Faster R-CNN算法的神经网络包括以下过程:
搭建候选区域网络,候选区域网络的输出层作为感兴趣区域ROI生成网络的输入,然后输入CNN分类网络。
3.根据权利要求1所述的一种高铁接触网等电位线不良状态的检测方法,其特征在于,所述步骤3中生成对抗网络GAN训练过程如下:
A:在噪声数据分布中随机采样,输入生成模型,得到一组假数据;
B:在真实数据分布中随机采样,作为真实数据;
C:将步骤A和步骤B中产生的数据作为判别网络的输入,输出属于真实数据的概率;
D:根据判别模型和生成模型的损失函数,可以利用反向传播算法,更新模型的参数。
4.根据权利要求2所述的一种高铁接触网等电位线不良状态的检测方法,其特征在于,所述基于Faster R-CNN算法的神经网络共享五层卷积层,第五个卷积层的特征图作为候选区域网络的输入。
5.根据权利要求4所述的一种高铁接触网等电位线不良状态的检测方法,其特征在于,所述第五个卷积层的特征图输入候选区域网络过程如下:
将第五个卷积层特征图映射上滑动小网络,映射到低维向量上,每个滑动窗口有三种尺度和长宽比;对应在卷积层特征图中找到对应的位置,作为候选网络。
6.根据权利要求2所述的一种高铁接触网等电位线不良状态的检测方法,其特征在于,所述CNN网络包括两个全连接层,即分类层和回归层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811065375.0A CN109360188A (zh) | 2018-09-13 | 2018-09-13 | 一种高铁接触网等电位线不良状态的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811065375.0A CN109360188A (zh) | 2018-09-13 | 2018-09-13 | 一种高铁接触网等电位线不良状态的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109360188A true CN109360188A (zh) | 2019-02-19 |
Family
ID=65351043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811065375.0A Pending CN109360188A (zh) | 2018-09-13 | 2018-09-13 | 一种高铁接触网等电位线不良状态的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109360188A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110533725A (zh) * | 2019-09-06 | 2019-12-03 | 西南交通大学 | 一种基于结构推理网络的高铁接触网多种零部件定位方法 |
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN112733747A (zh) * | 2021-01-14 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种缓解阀拉杆脱落故障的识别方法、系统及装置 |
CN113641726A (zh) * | 2021-08-06 | 2021-11-12 | 国网北京市电力公司 | 基于生成对抗网络的无监督护层电流数据挖掘系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013062738A1 (en) * | 2011-10-25 | 2013-05-02 | International Business Machines Corporation | Anomaly detection in images and videos |
CN105741291A (zh) * | 2016-01-30 | 2016-07-06 | 西南交通大学 | 一种高速铁路接触网悬挂装置等电位线故障检测方法 |
CN107437245A (zh) * | 2017-06-26 | 2017-12-05 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN107633267A (zh) * | 2017-09-22 | 2018-01-26 | 西南交通大学 | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
-
2018
- 2018-09-13 CN CN201811065375.0A patent/CN109360188A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013062738A1 (en) * | 2011-10-25 | 2013-05-02 | International Business Machines Corporation | Anomaly detection in images and videos |
CN105741291A (zh) * | 2016-01-30 | 2016-07-06 | 西南交通大学 | 一种高速铁路接触网悬挂装置等电位线故障检测方法 |
CN107437245A (zh) * | 2017-06-26 | 2017-12-05 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN107633267A (zh) * | 2017-09-22 | 2018-01-26 | 西南交通大学 | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
Non-Patent Citations (2)
Title |
---|
武慧敏: "视频中的非特定异常事件时空位置检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
金炜东 等: "双判别器生成对抗网络及其在接触网鸟巢检测与半监督学习中的应用", 《中国科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
CN110135273B (zh) * | 2019-04-19 | 2020-05-22 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110533725A (zh) * | 2019-09-06 | 2019-12-03 | 西南交通大学 | 一种基于结构推理网络的高铁接触网多种零部件定位方法 |
CN110533725B (zh) * | 2019-09-06 | 2022-04-29 | 西南交通大学 | 一种基于结构推理网络的高铁接触网多种零部件定位方法 |
CN111127454A (zh) * | 2019-12-27 | 2020-05-08 | 上海交通大学 | 基于深度学习生成工业缺陷样本的方法及系统 |
CN112733747A (zh) * | 2021-01-14 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种缓解阀拉杆脱落故障的识别方法、系统及装置 |
CN113641726A (zh) * | 2021-08-06 | 2021-11-12 | 国网北京市电力公司 | 基于生成对抗网络的无监督护层电流数据挖掘系统 |
CN113641726B (zh) * | 2021-08-06 | 2024-01-30 | 国网北京市电力公司 | 基于生成对抗网络的无监督护层电流数据挖掘系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN106919978B (zh) | 一种高铁接触网支撑装置零部件识别检测方法 | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN109409404A (zh) | 一种基于深度学习的高铁接触网防风拉线故障检测方法 | |
CN108664997A (zh) | 基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法 | |
CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
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 | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN113436157B (zh) | 一种用于受电弓故障的车载图像识别方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
Liu et al. | An efficient method for high-speed railway dropper fault detection based on depthwise separable convolution | |
AU2018247817B2 (en) | Method for recognising an object of a mobile unit | |
CN114882440A (zh) | 一种人头检测方法和系统 | |
CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
CN111561967A (zh) | 弓网运行状态实时在线检测方法及系统 | |
CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
Liu et al. | An improved faster R-CNN for UAV-based catenary support device inspection | |
Lu et al. | An outdoor support insulator surface defects segmentation approach via image adversarial reconstruction in high-speed railway traction substation | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN110428398A (zh) | 一种基于深度学习的高铁接触网拉线缺陷检测方法 | |
CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
CN112381031A (zh) | 基于卷积神经网络的实时在线受电弓羊角检测方法 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 |
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: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |