CN109376605B - 一种电力巡检图像防鸟刺故障检测方法 - Google Patents

一种电力巡检图像防鸟刺故障检测方法 Download PDF

Info

Publication number
CN109376605B
CN109376605B CN201811122821.7A CN201811122821A CN109376605B CN 109376605 B CN109376605 B CN 109376605B CN 201811122821 A CN201811122821 A CN 201811122821A CN 109376605 B CN109376605 B CN 109376605B
Authority
CN
China
Prior art keywords
bird
inspection image
power inspection
stab
training
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
Application number
CN201811122821.7A
Other languages
English (en)
Other versions
CN109376605A (zh
Inventor
林志成
缪希仁
江灏
陈静
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN201811122821.7A priority Critical patent/CN109376605B/zh
Publication of CN109376605A publication Critical patent/CN109376605A/zh
Application granted granted Critical
Publication of CN109376605B publication Critical patent/CN109376605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种电力巡检图像防鸟刺故障检测方法，包括如下步骤：获取包含防鸟刺的电力巡检图像及其对应的XML标注文件制作训练与测试用数据文件；搭建深度学习网络模型并利用转换生成的训练数据训练网络，最后根据训练时网络参数是否达到期望值固化深度神经网络模型。将待检测的电力巡检图像通过深度学习网络，框选出电力巡检图像中防鸟刺位置，然后把防鸟刺从电力巡检图中截取出来并对防鸟刺进行二次故障检测，判断防鸟刺故障信息。本发明通过训练好的深度学习网络，对大量的电力巡检图像进行预处理，识别框选出电力巡检图像中防鸟刺，对框选出的目标子图进行二次特征提取故障检测，方便后期的处理，提高电力巡检的效率和智能化水平。

Description

一种电力巡检图像防鸟刺故障检测方法
技术领域
本发明涉及电网运检维护技术以及电力监测技术领域，具体涉及一种电力巡检图像防鸟刺故障检测方法。
背景技术
随着经济社会的发展，发电量与用电量逐年上升。电网规模不断扩大，架空线路与高压铁塔越来越多。近些年，随着社会环境保护意识的提高，自然环境得到了逐步改善，鸟类数量也急剧上升，随之带来的就是输电线路鸟害故障的增加。据调查统计，因鸟害发生跳闸的次数相对其他原因引起的跳闸次数较多。防鸟刺作为高压铁塔上的一种驱鸟装置，能够有效的驱赶鸟类在高压铁塔上筑巢等活动，从而达到减少鸟类粪便等引起的跳闸事故。因此，在近些年电力巡检中，需要特别注意检查防鸟刺有无损坏，及时的对防鸟刺进行维修，使得防鸟刺能够长时间的达到驱赶鸟类在高压铁塔上活动的目的。
近几年随着电力巡检技术的不断发展，除了依靠传统人工巡检外，利用直升机或者无人机对输电线路进行巡检也变得越来越普遍。通过无人机或者直升机航拍得到的影像数据进行分析，来发现输电线路上防鸟刺有无损坏也成为了输电线路运检维护的主要手段。航拍影像数据往往非常多且与其他类型数据结合在一起，如果仅仅依靠电力巡检人员后期人工排查、筛选、处理数据，工作量将会十分巨大，并且电力巡检人员长时间的判断处理电力巡检图像，极易产生视觉疲劳，从而导致严重的错判或者漏判。
几年来随着人工智能技术的快速发展，基于深度学习的电力巡检图像防鸟刺故障检测成为了可能。本发明通过训练好的深度学习网络，对大量的电力巡检图像进行预处理，识别出电力巡检图像中防鸟刺，进一步的将框选出的防鸟刺从原电力巡检图像中截取出来进行二次故障检测，提高电力巡检的效率和智能化水平。
发明内容
有鉴于此，本发明的目的在于提供一种电力巡检图像防鸟刺故障检测方法。
为实现上述目的，本发明采用如下技术方案：
一种电力巡检图像防鸟刺故障检测方法，包括如下步骤：
步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；
步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；
步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；
步骤S4：建立深度学习网络模型：
步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；
步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；
步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；
步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；
步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息。
进一步的，所述步骤S2具体为：将步骤S1获取得到的包含防鸟刺的电力巡检图像统一等比缩放为图像像素宽度小于1024或者图像像素高度小于900的图像；
进一步的，所述搭建深度学习网络模型具体为：采用YOLOv3目标检测网络给定输入图像，直接在图像的多个位置上回归出目标的Bounding Box以及其分类类别。
进一步的，所述步骤S4具体为：利用步骤S5生成的训练数据训练步骤S4建立的深度学习网络模型；
其中在训练数据进入网络前对电力巡检图像进行随机旋转、裁剪等数据增强操作，每隔一个训练周期检测深度学习网络AP值、损失值等参数变化情况；
进一步的，所述步骤S10具体为：
步骤S101:将防鸟刺子图灰度化处理;
步骤S102:运用Canny算子进行边缘检测，提取防鸟刺子图中物体的轮廓信息;
步骤S103:对参数空间离散化确定检测精度，运用Hough变换对轮廓信息进行直线拟合，利用四领域非极大值抑制算法结合直线长度占图比例对获取到的直线信息进行筛选;
步骤S104:进行直线交点融合判断得到包含多线信息的交点坐标，进一步的对该交点上的所有直线进行对称轴线提取，结合对称轴线角度信息判断防鸟刺故障信息。
进一步的，所述从电力巡检影像数据库中获取的防鸟刺的电力巡检图像包含与防鸟刺相似的图片，使深度学习网络能够更好的学习到防鸟刺的特征并与其他具有类似特征的物体区分。
进一步的，所述YOLOv3目标检测采用的是整图训练模型，可以更好的区分目标和背景区域。
本发明与现有技术相比具有以下有益效果：
本发明通过训练好的深度学习网络，对大量的电力巡检图像进行预处理，识别框选出电力巡检图像中防鸟刺，然后对框选出的目标子图进行二次特征提取故障检测。方便电力巡检人员后期的处理，提高电力巡检的效率和智能化水平。
附图说明
图1是本发明方法流程图
图2是本发明一实施例中防鸟刺目标检测模块流程图
图3是本发明一实施例中防鸟刺故障检测模块流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种电力巡检图像防鸟刺故障检测方法，包括如下步骤：
步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；
步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；
步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；
步骤S4：建立深度学习网络模型：
步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；
步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；
步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；
步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；
步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息。
为了让一般技术人员更好的理解本发明的技术方案，以下结合附图对本发明进行详细介绍。
如图1所示，在本实施例中检测方法主要分为深度学习网络模型训练阶段和防鸟刺检测阶段；
1、训练数据集制作：训练数据集制作主要包括人工标注包含防鸟刺的电力巡检图像，得到包含对应图片文件名、图像宽度与高度信息及防鸟刺目标框左上点与右下方点坐标信息的XML文件，然后将总的图片与对应的XML文件分为训练集与验证级两部分包括训练数据和验证数据，训练数据用来训练模型，验证数据用来调整模型。新建train_img文件夹和validate_img文件夹分别用来存放训练与测试图像数据集；新建train_xml文件夹和validate_xml文件夹分别存放训练与测试xml文件；train_label_txt文件夹和validate_label_txt文件夹分别存放将对应的xml标签转化为txt文件；新建train_img_txt文件夹和validate_img_txt文件夹分别存放训练与测试图片路径。
2、建立深度学习网络模型。采用YOLOv3目标检测网络，网络采用多个尺度融合的方式做预测，利用类似FPN的上采样（upsample）和融合做法（最后融合了3个scale，其他两个scale的大小分别是26*26和52*52），在多个scale的feature map上做检测，有效提高小目标的检测效果。
3、训练得到防鸟刺目标检测模型。加载预训练模型，通过迁移学习的思想将预训练模型中学习到的部分知识迁移到防鸟刺目标检测上。通过加载预训练模型，利用迁移学习思想进行再训练，能够有效加快训练的速度，并且每当有新数据加入训练时都可以强化模型性能，提高防鸟刺目标检测模型准确率和鲁棒性。
4、模型测试与固化。每隔一定训练周期，保存训练模型，利用测试集数据测试当前模型性能，计算平均准确率（AP）、漏检率、误报率；当模型各项参数达到期望值且趋于平稳时，保存模型然后固化，只保留前向传播的神经元权重与偏置等常量。
5、防鸟刺目标检测。将待检测电力巡检图像输入到固化后的模型中，经过前向传播后得到目标框坐标与置信度评分，用矩形框框选出防鸟刺目标，并生成对应的包含目标框坐标信息的文件。
6、防鸟刺故障检测。根据防鸟刺目标框坐标信息，截取对应电力巡检图像，得到防鸟刺子图。将防鸟刺子图进行二值化，然后经过Canny算子对防鸟刺子图进行轮廓提取，使用Hough变换进行直线拟合。根据防鸟刺形状特征，对检测出直线进行交点检测，进一步的对该交点上的所有直线进行对称轴线提取，结合对称轴线角度信息判断防鸟刺故障信息。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种电力巡检图像防鸟刺故障检测方法，其特征在于，包括如下步骤：
步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；
步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；
步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；
步骤S4：建立深度学习网络模型：
搭建深度学习网络模型具体为：采用YOLOv3目标检测网络给定输入图像，直接在图像的多个位置上回归出目标的Bounding Box以及其分类类别
步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；
步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；
步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；
步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；
步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息；
所述步骤S10具体为：
步骤S101:将防鸟刺子图灰度化处理;
步骤S102:运用Canny算子进行边缘检测，提取防鸟刺子图中物体的轮廓信息;
步骤S103:对参数空间离散化确定检测精度，运用Hough变换对轮廓信息进行直线拟合，利用四领域非极大值抑制算法结合直线长度占图比例对获取到的直线信息进行筛选;
步骤S104:进行直线交点融合判断得到包含多线信息的交点坐标，进一步的对该交点上的所有直线进行对称轴线提取，结合对称轴线角度信息判断防鸟刺故障信息。
2.根据权利要求1所述的一种电力巡检图像防鸟刺故障检测方法，其特征在于：所述步骤S2具体为：将步骤S1获取得到的包含防鸟刺的电力巡检图像统一等比缩放为图像像素宽度小于1024或者图像像素高度小于900的图像。
3.根据权利要求1所述的一种电力巡检图像防鸟刺故障检测方法，其特征在于：所述步骤S6具体为：利用步骤S5生成的训练数据训练步骤S4建立的深度学习网络模型；
其中在训练数据进入网络前对电力巡检图像进行随机旋转、裁剪数据增强操作，每隔一个训练周期检测深度学习网络AP值、损失值参数变化情况。
4.根据权利要求1所述的一种电力巡检图像防鸟刺故障检测方法，其特征在于：所述从电力巡检影像数据库中获取的防鸟刺的电力巡检图像包含与防鸟刺相似的图片，使深度学习网络能够更好的学习到防鸟刺的特征并与其他具有类似特征的物体区分。
5.根据权利要求1所述的一种电力巡检图像防鸟刺故障检测方法，其特征在于：所述YOLOv3目标检测采用的是整图训练模型，可以更好的区分目标和背景区域。
CN201811122821.7A 2018-09-26 2018-09-26 一种电力巡检图像防鸟刺故障检测方法 Active CN109376605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811122821.7A CN109376605B (zh) 2018-09-26 2018-09-26 一种电力巡检图像防鸟刺故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811122821.7A CN109376605B (zh) 2018-09-26 2018-09-26 一种电力巡检图像防鸟刺故障检测方法

Publications (2)

Publication Number Publication Date
CN109376605A CN109376605A (zh) 2019-02-22
CN109376605B true CN109376605B (zh) 2022-03-25

Family

ID=65402528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811122821.7A Active CN109376605B (zh) 2018-09-26 2018-09-26 一种电力巡检图像防鸟刺故障检测方法

Country Status (1)

Country Link
CN (1) CN109376605B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977875A (zh) * 2019-03-28 2019-07-05 北京易达图灵科技有限公司 基于深度学习的手势识别方法及设备
WO2020232608A1 (zh) * 2019-05-20 2020-11-26 西门子股份公司 输配电设备诊断方法、装置、系统、计算设备、介质以及产品
CN110245644A (zh) * 2019-06-22 2019-09-17 福州大学 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法
CN110569762A (zh) * 2019-08-27 2019-12-13 许昌许继软件技术有限公司 一种基于多级神经网络的销钉脱落检测方法及装置
CN110543986A (zh) * 2019-08-27 2019-12-06 广东电网有限责任公司 一种输电线路外部隐患智能监控系统及其监控方法
CN110887462A (zh) * 2019-11-28 2020-03-17 深圳供电局有限公司 一种无人机巡检方法及系统、输电线路巡检方法及系统
CN110889841A (zh) * 2019-11-28 2020-03-17 江苏电力信息技术有限公司 一种基于YOLOv3的输电线路鸟类检测算法
CN112652085A (zh) * 2020-12-17 2021-04-13 网联清算有限公司 一种机房巡检数据处理方法、装置、系统和存储介质
CN113076860B (zh) * 2021-03-30 2022-02-25 南京大学环境规划设计研究院集团股份公司 一种野外场景下的鸟类检测系统
CN114821165A (zh) * 2022-04-19 2022-07-29 北京运达华开科技有限公司 一种轨道检测图像采集分析方法
CN116416504B (zh) * 2023-03-16 2024-02-06 北京瑞拓电子技术发展有限公司 基于车辆协同的高速公路异物检测系统和方法
CN117291911B (zh) * 2023-11-24 2024-02-09 山东通广电子股份有限公司 一种用于电力设备的缺陷检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260744A (zh) * 2015-10-08 2016-01-20 北京航空航天大学 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN105447530A (zh) * 2016-01-05 2016-03-30 国网四川省电力公司检修公司 基于图像识别技术的输电线路隐患及故障检测方法
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
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
CN108416299A (zh) * 2018-03-09 2018-08-17 重庆览辉信息技术有限公司 一种电力线路智能巡检系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120206335A1 (en) * 2010-02-28 2012-08-16 Osterhout Group, Inc. Ar glasses with event, sensor, and user action based direct control of external devices with feedback
CN102737252B (zh) * 2012-06-01 2014-05-28 西南交通大学 基于仿射不变矩的电气化铁路绝缘子片间异物污染故障检测方法
US20170212829A1 (en) * 2016-01-21 2017-07-27 American Software Safety Reliability Company Deep Learning Source Code Analyzer and Repairer
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN108509860A (zh) * 2018-03-09 2018-09-07 西安电子科技大学 基于卷积神经网络的可可西里藏羚羊检测方法
CN108520273A (zh) * 2018-03-26 2018-09-11 天津大学 一种基于目标检测的稠密小商品快速检测识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260744A (zh) * 2015-10-08 2016-01-20 北京航空航天大学 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN105447530A (zh) * 2016-01-05 2016-03-30 国网四川省电力公司检修公司 基于图像识别技术的输电线路隐患及故障检测方法
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
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
CN108416299A (zh) * 2018-03-09 2018-08-17 重庆览辉信息技术有限公司 一种电力线路智能巡检系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"无人机辅助巡视及绝缘子缺陷图像识别研究";王淼等;《电子测量与仪器学报》;20151231;第29卷(第12期);全文 *

Also Published As

Publication number Publication date
CN109376605A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109376605B (zh) 一种电力巡检图像防鸟刺故障检测方法
CN109376606B (zh) 一种电力巡检图像杆塔基础故障检测方法
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN107392247B (zh) 一种电力线下方地物安全距离实时检测方法
Sohn et al. Automatic powerline scene classification and reconstruction using airborne lidar data
CN109949316A (zh) 一种基于rgb-t融合的电网设备图像弱监督实例分割方法
CN112990086B (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN110288586A (zh) 一种基于可见光图像数据的多尺度输电线路缺陷检测方法
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
CN107392901A (zh) 一种用于输电线路部件智能自动识别的方法
CN110070530A (zh) 一种基于深度神经网络的输电线路覆冰检测方法
CN109376768A (zh) 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法
CN110084165A (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN110929592A (zh) 一种用于海上养殖区外边界的提取方法及系统
CN104463249B (zh) 一种基于弱监督学习框架的遥感图像机场检测方法
CN104915678B (zh) 一种输电线路中目标对象的检测方法及装置
CN110133443B (zh) 基于平行视觉的输电线路部件检测方法、系统、装置
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN109712127A (zh) 一种用于机巡视频流的输电线路故障检测方法
CN113255691A (zh) 一种输电线路涉鸟故障危害鸟种目标检测与识别方法
CN109710595A (zh) 基于有限信息的输电走廊鸟害热点图的构建方法
CN110992307A (zh) 基于yolo的绝缘子定位识别方法及装置
CN106250835A (zh) 基于特征识别的输电线路上的鸟巢识别方法
CN107730553A (zh) 一种基于伪真值搜寻法的弱监督物体检测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Lin Zhicheng

Inventor after: Jiu Xiren

Inventor after: Jiang Hao

Inventor after: Chen Jing

Inventor before: Jiu Xiren

Inventor before: Lin Zhicheng

Inventor before: Jiang Hao

Inventor before: Chen Jing

GR01 Patent grant
GR01 Patent grant