CN110136131A - 一种基于深度学习的零值绝缘子检测方法 - Google Patents
一种基于深度学习的零值绝缘子检测方法 Download PDFInfo
- Publication number
- CN110136131A CN110136131A CN201910437722.6A CN201910437722A CN110136131A CN 110136131 A CN110136131 A CN 110136131A CN 201910437722 A CN201910437722 A CN 201910437722A CN 110136131 A CN110136131 A CN 110136131A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- deep learning
- zero resistance
- infrared image
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000009413 insulation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 238000011109 contamination Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的零值绝缘子检测方法，它包括步骤1、根据绝缘子红外图像特征，对图像进行预处理；步骤2、对预处理后的红外图像进行分割以及图像角度校正；步骤3、绝缘子盘面的提取；步骤4、绝缘子红外图像特征的提取以及深度学习；步骤5、检测零值绝缘子，利用训练好的深度学习网络模型对绝缘子红外图像进行分类，检测出零值绝缘子；本发明基于红外成像技术和深度学习算法的零值绝缘子检测算法，可大大减少绝缘子巡检的工作量，减少因电力检测出现的安全事故，降低因绝缘子污闪而造成停电的概率，有助于增强电力系统运行的稳定性。
Description
技术领域
本发明属于绝缘子检测技术，尤其涉及一种基于深度学习的零值绝缘子检测方法。
背景技术
架空线路的绝缘子工作在户外环境，长期经受环境侵蚀、机电负荷、导线舞动等作用会使其机械性能和绝缘性能降低，形成劣化绝缘子。劣化绝缘子的存在是电网安全运行的隐患，在不利的天气条件下，出现线路闪络的概率大大增加，进而引发绝缘子掉串或导线落地等严重事故。
目前，零值绝缘子的红外检测还大量依靠人力，检测工人通过红外热成像仪拍摄绝缘子红外图片，利用肉眼进行零值绝缘子的判断，无法做到检测的智能化和高效化，耗时费力。
发明内容
本发明要解决的技术问题是：提供一种基于深度学习的零值绝缘子检测方法，采用深度学习算法，利用海量绝缘子红外图片，从大数据的角度提取绝缘子红外特征，从而实现零值绝缘子的检测。本发明基于红外成像技术和深度学习算法的零值绝缘子检测算法，可大大减少绝缘子巡检的工作量，减少因电力检测出现的安全事故，降低因绝缘子污闪而造成停电的概率，有助于增强电力系统运行的稳定性。
本发明的技术方案是：
一种基于深度学习的零值绝缘子检测方法，它包括：
步骤1、根据绝缘子红外图像特征，对图像进行预处理；
步骤2、对预处理后的红外图像进行分割以及图像角度校正；
步骤3、绝缘子盘面的提取；
步骤4、绝缘子红外图像特征的提取以及深度学习；
步骤5、检测零值绝缘子，利用训练好的深度学习网络模型对绝缘子红外图像进行分类，检测出零值绝缘子。
步骤1所述根据绝缘子红外图像特征，对图像进行预处理的方法为：选取自适应中值滤波器对图像滤波去噪；选取双阈值自适应增强算法对绝缘子串红外图像进行自适应增强操作；选取目标暗的部分与背景区分的下限阈值，选取目标暗的部分与亮部分区分的上限阈值，对下限阈值与上限阈值之间的灰度值进行拉伸，对下限阈值与上限阈值之外区间进行压缩，增强图像的整体对比度。
步骤2所述对预处理后的红外图像进行分割以及图像角度校正的方法为：利用改进的二维Otsu算法对图像进行分割，接着利用Sobel边缘检测算法得到绝缘子串边缘图像，最后利用Hough变换对边缘图像进行线检测和倾角计算，根据倾角对图像进行旋转，校正图像角度。
步骤3所述绝缘子盘面的提取的方法为：利用最小二乘法对绝缘子盘面边缘进行椭圆检测，利用得到的椭圆方程提取单个绝缘子盘面，根据实际绝缘子的盘面个数设置阈值，当提取出来的绝缘子盘面个数达到阈值，则停止提取绝缘子盘面。
步骤4所述绝缘子红外图像特征的提取以及深度学习的方法包括：利用正常绝缘子与零值绝缘子发热情况的不同，以绝缘子钢帽、伞盘温差及温场形状为预选特征参数，利用三因素方差分析法对预选特征参数进行显著性检验，矫正受绝缘子串污秽程度、环境湿度和环境温度影响；利用不同湿度、不同污秽程度、不同温度实验数据集进行初始化网络模型的训练，通过数据的学习，得到卷积神经网络的初始化模型，再利用RCNN做绝缘子检测的时候，采集绝缘子样本集，利用初始化网络模型进行网络参数调优。
本发明有益效果：
本发明利用红外成像技术和深度学习相结合的方法实现不同污移等级、不同湿度情况下的零值绝缘子的检测。利用红外热像仪采集试验条件下、不同污移情况运行中绝缘子的红外图像，并将图像经过去噪、分割等预处理后，提取绝缘子串区域的平均温度、最高温度、最低温度；背景最高、最低温度、背景平均温度；环境相对湿度、环境温度、等值附盐密度等特征量并对其进行特征组合优化，将相对温差、盘面温度分布方差值、环境湿度、环境温度、等值附盐密度作为人工神经网络模型的输入矢量，将用实际测得的绝缘子绝缘性能的信息作为网络输出，以试验获得的大量数据训练网络，建立红外图像特征信息、环境信息与绝缘子零值信息的映射关系，在训练过程中设置和调整网络模型参数，完成零值绝缘子检测模型的优化设计，可准确地实现零值绝缘子检测，为运行部门输电线路绝缘子巡检工作提升效率；本发明采用深度学习算法，利用海量绝缘子红外图片，从大数据的角度提取绝缘子红外特征，从而实现零值绝缘子的检测。本发明基于红外成像技术和深度学习算法的零值绝缘子检测算法，可大大减少绝缘子巡检的工作量，减少因电力检测出现的安全事故，降低因绝缘子污闪而造成停电的概率，有助于增强电力系统运行的稳定性。
附图说明
图1为本发明流程示意图。
具体实施方式
一种基于深度学习的零值绝缘子检测方法，它包括(见图1)：
步骤1、根据红外图像的特征，对图像进行预处理。相对于可见光而言，红外图像的对比度更低，目标灰度值更接近背景，而且图像在传播过程中会被加入噪声。自适应滤波器根据输入输出信号的时变特征自动调整滤波器系数，有较好的滤波性能，选取自适应中值滤波器对图像滤波去噪，在去除噪声的前提下，能保证目标边缘不会被模糊化，对比度不会降低。针对红外图像对比度低的特点，选取双阈值自适应增强算法对绝缘子串红外图像进行自适应增强操作。绝缘子串红外图像需要增强的部分主要是绝缘子灰度值较为接近背景灰度值的部分，而与背景灰度差值较大的部分不需要增强，所以需要自动求取两个阈值，一个是目标较暗部分与背景区分的下限阈值，一个是目标较暗部分与较亮部分区分的上限阈值，对下限阈值与上限阈值之间的灰度值进行拉伸，对其他区间进行压缩，最终增强图像的整体对比度。
步骤2、红外图像的分割以及图像角度校正。图像增强后，绝缘子与背景的对比度增大，利用改进的二维Otsu算法对图像进行分割，接着利用Sobel边缘检测算法得到绝缘子串边缘图像，最后利用Hough变换对边缘图像进行线检测和倾角计算，根据倾角对图像进行旋转，校正图像角度。
步骤3、绝缘子盘面的提取。绝缘子串边缘图像，是多个椭圆的叠加，利用最小二乘法对绝缘子盘面边缘进行椭圆检测，利用得到的椭圆方程提取单个绝缘子盘面。根据实际绝缘子的盘面个数设置阈值，当提取出来的绝缘子盘面个数达到阈值，则停止提取绝缘子盘面。
步骤4、绝缘子红外图像特征的提取以及深度学习网络的设计。利用正常绝缘子与零值绝缘子发热情况的不同，以绝缘子钢帽、伞盘温差及温场形状为预选特征参数，利用三因素方差分析法对预选特征参数进行显著性检验，矫正受绝缘子串污秽程度、环境湿度、环境温度影响。在深度学习中，网络模型较大，所需要的参数很多，训练的数据集相当庞大，为了减少样本训练的时间，快速得到优化、精度高的模型，利用不同湿度(60％、70％、80％)、不同污秽程度(盐密0.03mg/cm2、0.05mg/cm2、0.1mg/cm2、0.2mg/cm2)、不同温度(室温10℃、20℃、30℃、40℃、)实验数据集进行初始化网络模型的训练，通过大规模数据的学习，得到卷积神经网络的初始化模型，再利用RCNN做绝缘子检测的时候，采集绝缘子一定规模的样本集，利用初始化网络模型进行网络参数调优。
步骤5、检测零值绝缘子。利用训练好的深度学习网络模型对绝缘子红外图像进行分类，检测出零值绝缘子。
Claims (5)
1.一种基于深度学习的零值绝缘子检测方法，它包括：
步骤1、根据绝缘子红外图像特征，对图像进行预处理；
步骤2、对预处理后的红外图像进行分割以及图像角度校正；
步骤3、绝缘子盘面的提取；
步骤4、绝缘子红外图像特征的提取以及深度学习；
步骤5、检测零值绝缘子，利用训练好的深度学习网络模型对绝缘子红外图像进行分类，检测出零值绝缘子。
2.根据权利要求1所述的一种基于深度学习的零值绝缘子检测方法，其特征在于：步骤1所述根据绝缘子红外图像特征，对图像进行预处理的方法为：选取自适应中值滤波器对图像滤波去噪；选取双阈值自适应增强算法对绝缘子串红外图像进行自适应增强操作；选取目标暗的部分与背景区分的下限阈值，选取目标暗的部分与亮部分区分的上限阈值，对下限阈值与上限阈值之间的灰度值进行拉伸，对下限阈值与上限阈值之外区间进行压缩，增强图像的整体对比度。
3.根据权利要求1所述的一种基于深度学习的零值绝缘子检测方法，其特征在于：步骤2所述对预处理后的红外图像进行分割以及图像角度校正的方法为：利用改进的二维Otsu算法对图像进行分割，接着利用Sobel边缘检测算法得到绝缘子串边缘图像，最后利用Hough变换对边缘图像进行线检测和倾角计算，根据倾角对图像进行旋转，校正图像角度。
4.根据权利要求1所述的一种基于深度学习的零值绝缘子检测方法，其特征在于：步骤3所述绝缘子盘面的提取的方法为：利用最小二乘法对绝缘子盘面边缘进行椭圆检测，利用得到的椭圆方程提取单个绝缘子盘面，根据实际绝缘子的盘面个数设置阈值，当提取出来的绝缘子盘面个数达到阈值，则停止提取绝缘子盘面。
5.根据权利要求1所述的一种基于深度学习的零值绝缘子检测方法，其特征在于：步骤4所述绝缘子红外图像特征的提取以及深度学习的方法包括：利用正常绝缘子与零值绝缘子发热情况的不同，以绝缘子钢帽、伞盘温差及温场形状为预选特征参数，利用三因素方差分析法对预选特征参数进行显著性检验，矫正受绝缘子串污秽程度、环境湿度和环境温度影响；利用不同湿度、不同污秽程度、不同温度实验数据集进行初始化网络模型的训练，通过数据的学习，得到卷积神经网络的初始化模型，再利用RCNN做绝缘子检测的时候，采集绝缘子样本集，利用初始化网络模型进行网络参数调优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910437722.6A CN110136131A (zh) | 2019-05-24 | 2019-05-24 | 一种基于深度学习的零值绝缘子检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910437722.6A CN110136131A (zh) | 2019-05-24 | 2019-05-24 | 一种基于深度学习的零值绝缘子检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110136131A true CN110136131A (zh) | 2019-08-16 |
Family
ID=67573109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910437722.6A Pending CN110136131A (zh) | 2019-05-24 | 2019-05-24 | 一种基于深度学习的零值绝缘子检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110136131A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
| 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 |
| CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
| CN112541478A (zh) * | 2020-12-25 | 2021-03-23 | 国网吉林省电力有限公司信息通信公司 | 一种基于双目摄像头的绝缘子串污损检测方法及系统 |
| CN112884720A (zh) * | 2021-02-01 | 2021-06-01 | 广东电网有限责任公司广州供电局 | 一种配电线路污闪绝缘子检测方法及系统 |
| CN114724042A (zh) * | 2022-06-09 | 2022-07-08 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路中零值绝缘子自动检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794707A (zh) * | 2015-04-08 | 2015-07-22 | 国家电网公司 | 一种绝缘子串红外图像盘面和钢帽区域的自动提取方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
| CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
| CN108154072A (zh) * | 2016-12-02 | 2018-06-12 | 天津工业大学 | 基于深度卷积神经网络的航拍绝缘子故障自动检测 |
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
-
2019
- 2019-05-24 CN CN201910437722.6A patent/CN110136131A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794707A (zh) * | 2015-04-08 | 2015-07-22 | 国家电网公司 | 一种绝缘子串红外图像盘面和钢帽区域的自动提取方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN108154072A (zh) * | 2016-12-02 | 2018-06-12 | 天津工业大学 | 基于深度卷积神经网络的航拍绝缘子故障自动检测 |
| CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
| CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 虢韬 等: "基于深度学习的劣化绝缘子红外特征检测", 《中国科技信息》 * |
| 谭孝元: "基于红外成像技术的零值绝缘子检测", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
| 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 |
| CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
| CN112199993B (zh) * | 2020-09-01 | 2022-08-09 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
| CN112541478A (zh) * | 2020-12-25 | 2021-03-23 | 国网吉林省电力有限公司信息通信公司 | 一种基于双目摄像头的绝缘子串污损检测方法及系统 |
| CN112884720A (zh) * | 2021-02-01 | 2021-06-01 | 广东电网有限责任公司广州供电局 | 一种配电线路污闪绝缘子检测方法及系统 |
| CN112884720B (zh) * | 2021-02-01 | 2023-08-11 | 广东电网有限责任公司广州供电局 | 一种配电线路污闪绝缘子检测方法及系统 |
| CN114724042A (zh) * | 2022-06-09 | 2022-07-08 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路中零值绝缘子自动检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110136131A (zh) | 一种基于深度学习的零值绝缘子检测方法 | |
| CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
| CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
| CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
| CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
| CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
| CN103442209A (zh) | 一种输电线路的视频监控方法 | |
| CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
| CN104463196A (zh) | 一种基于视频的天气现象识别方法 | |
| CN111754465A (zh) | 一种绝缘子定位与掉串检测方法 | |
| CN111611905A (zh) | 一种可见光与红外融合的目标识别方法 | |
| CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
| CN111666903B (zh) | 一种卫星云图中雷暴云团的识别方法 | |
| CN105160362A (zh) | 一种跑道fod图像探测方法及装置 | |
| CN103268501A (zh) | 用于输电线路智能巡线的图像识别方法 | |
| CN107833211B (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
| CN111145159B (zh) | 提取巡检关键部件点的方法及装置 | |
| CN112116573A (zh) | 一种高精度的红外图像异常检测方法及系统 | |
| CN111951250A (zh) | 一种基于图像的火灾检测方法 | |
| CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
| Wang et al. | Railway insulator detection based on adaptive cascaded convolutional neural network | |
| CN105825219A (zh) | 机器视觉检测系统 | |
| CN116805302A (zh) | 一种缆索表面缺陷检测装置及方法 | |
| CN111161236A (zh) | 复合绝缘子憎水性检测方法、装置、介质和设备 | |
| CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
| RJ01 | Rejection of invention patent application after publication |