CN110335260B - 一种基于轻卷积神经网络的电力电缆破损检测方法 - Google Patents

一种基于轻卷积神经网络的电力电缆破损检测方法 Download PDF

Info

Publication number
CN110335260B
CN110335260B CN201910570519.6A CN201910570519A CN110335260B CN 110335260 B CN110335260 B CN 110335260B CN 201910570519 A CN201910570519 A CN 201910570519A CN 110335260 B CN110335260 B CN 110335260B
Authority
CN
China
Prior art keywords
neural network
image
cable
convolutional neural
damage
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
CN201910570519.6A
Other languages
English (en)
Other versions
CN110335260A (zh
Inventor
王超迪
蒋谦
黄志豪
晋入兵
吴震
许新宇
崔昊杨
秦伦明
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.)
East China Power Transmissions Engineering Co ltd
Shanghai Electric Power University
Original Assignee
East China Power Transmissions Engineering Co ltd
Shanghai Electric Power 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 East China Power Transmissions Engineering Co ltd, Shanghai Electric Power University filed Critical East China Power Transmissions Engineering Co ltd
Priority to CN201910570519.6A priority Critical patent/CN110335260B/zh
Publication of CN110335260A publication Critical patent/CN110335260A/zh
Application granted granted Critical
Publication of CN110335260B publication Critical patent/CN110335260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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]
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于轻卷积神经网络模型的电力电缆破损图像检测方法，包括采样训练阶段和测试阶段：对原始图片进行采样得到样本库，利用样本数据库对轻卷积神经网络模型进行训练，将待检测图像分块按序输入训练完成的网络，得到破损检测结果。本发明构造的轻卷积神经网络作为分类器，提高了检测的精度和速度。本发明涉及到的方法对测试条件要求低，以电缆表面图像为分析对象，实地、随时地无接触地实施，且能够极大程度地抑制光线、阴影、灰尘和水渍等其他因素的干扰，无须预处理，能实现高效、无损和快速地大规模电缆外表面破损检测，鲁棒性好，对电缆表面各种异常损伤均能正确检测，实用价值高。

Description

一种基于轻卷积神经网络的电力电缆破损检测方法
技术领域
本发明涉及电力电缆破损实时监测方法技术领域，更具体的说是涉及一种基于轻卷积神经网络的电力电缆破损检测方法。
背景技术
现代社会中，电力设施的正常运行是工业生产和居民生活的有效保障。电力电缆是重要电力设施，是保障电能正常传输的重要载体。它由线芯(导体)、绝缘层、屏蔽层和保护层四部分组成，其任何程度损伤都会在电缆长期工作中发展成为故障点，导致电力系统故障，影响工业生产和居民生活。因此，电力电缆破损检测工作具有非常重要的实际意义。
传统的高压电力电缆检测方法为离线检测，需在电缆一端施加一定电压，再通过测量相关参数确定电缆的运行状态和损伤位置。常见方法有：经典电桥法、时域行波反射法、恢复电压法、等温松弛电流法、局部放电法、直流漏电流检测法、绝缘耐压法等。这一类型的方法需要将待测电缆放置于专用检测环境下，费时费力，且无法做到电力电缆的大批量整体检测。只能实现电缆铺设前的抽检，或对已铺设电缆的疑似故障点进行检测确认。
基于图像分析实现电力电缆的表面异常分析是一种新的电缆异常检测研究方向。其检测过程高效、无损、可靠，检测设备简单过程便捷，且能够实现非接触式整体检测。传统的基于图像的工件表面异常检测方法通常只能针对某一种类型的损伤进行检测，如基于Gabor和纹理抑制的方法对手机配件划痕检测，基于形态学知识对零件表面划痕的形态特征进行比较分析，对管壳表面划痕进行检测，基于小波分析的方法对沥青路面裂缝进行检测识别等，实用广泛性和鲁棒性亟待提高。工业电力电缆电缆表面破损异常大致可归为以下几类：穿刺类、化学腐蚀类、机械损伤类(如擦伤、撞伤、划伤等)、工艺拙劣(如外皮塌陷等)等。从生产、运输、施工和安装，环节众多，不可避免会出现各种各样的破损，明确界定电缆在哪个阶段出现问题，避免厂商、施工方和使用方责任相互推诿的情况，也可以避免有破损电缆安装施工好后对电力安全运行造成的安全隐患。
针对电缆破损多样化且实时性要求高的需求，众所周知，卷积网络模型基于神经网络本身的特性，网络层数的增加将带来更好的性能。因此，经典CNN网络从7层的AlexNet到16层的VGG，再到22层的GoogLeNet，再到152层ResNet，更有上千层的ResNet和DenseNet。虽然网络性能得到了提高，但带来了效率问题，即模型的存储问题和预测的速度问题。第一，存储问题。数百层网络有着大量的权值参数，保存大量权值参数对设备的内存要求很高；第二，速度问题。在实际应用中，往往是毫秒级别，为了达到实际应用标准，迫使提高处理器性能。而在工业应用中，几乎不可能提供满足“深”层神经网络所需的硬件条件。因此，将深度学习理论引入工业应用，在目前条件下，不能采用“深”层神经网络。
如何设计出一种适用于快速运算和工业应用的轻卷积神经网络来对电缆破损图片进行检测的方法是本领域技术人员所亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种方便简捷且能实现任何程度电力电缆破损检测的方法。
为了实现上述目的，本发明采用如下技术方案：
一种轻卷积神经网络模型，所述轻卷积神经网络模型包括6个残差和深度可分离卷积模块；每个所述残差和深度可分离卷积模块中包括3个可分离卷积层和1个普通卷积层；
3个所述可分离卷积层分别为第一可分离卷积层、第二可分离卷积层和第三可分离卷积层；其中，第一可分离卷积层中包含16个1*1卷积核，第二可分离卷积层包含16个3*3的卷积核，第三可分离卷积层包含16个1*1卷积核，并加入了最大池化运算；
每个所述残差和深度可分离卷积模块内部采用一个普通卷积层将模块输入输出直接相连，实现残差网络的功能；
两个所述残差和深度可分离卷积模块之间加入ReLU激活层。
一种基于轻卷积神经网络模型的电力电缆破损图像检测方法，包括：
步骤一：采集不同环境下的电缆图像，建立样本数据库；采集不同环境下无破损的电力电缆的图像为正样本，采集不同环境下有破损的电力电缆的图像为负样本；
步骤二：基于所述样本数据库对轻卷积神经网络模型进行训练；
步骤三：利用训练后的轻卷积神经网络模型对待测电缆图片破损情况进行检测；
步骤四：若检测到有破损情况，则停止扫描，判定该段电缆存在破损，同时输出该图像块的x，y坐标作为破损定位。
优选的，所述步骤一中采集图像前无须对原始图像进行预处理。
优选的，所述步骤三具体包括：
输入一段电缆表面图像，设定模板大小，按照从左到右从上到下的顺序在输入图像上依次提取图像块，并将所述图像块依次输入至训练后的轻卷积神经网络模型进行检测，得到检测结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于轻卷积神经网络的电力电缆破损图像检测方法，该方法创新性地设计了残差和深度可分离的卷积模块结构，由该结构所构成的轻卷积神经网络是一种全卷积神经网络，其中包含了6个残差和深度可分离卷积模块，加入该模块的卷积网络和现有技术中的卷积网络相比，该网络良好的识别率、实时性和鲁棒性，极好地平衡了系统的识别时间和识别精度，满足了检测的实时性和精确性要求，能用于实现高效、无损、快速的大规模电缆外表面状态检测，更适用于快速运算和工业应用。
在实施方面，本发明通过摄像头对电缆进行360度无接触地大批量拍摄，采样图片无需进行任何预处理，仅以原始图像为分析对象；同时本方法在训练样本中加入了含有不同环境条件下的正负样本，进行模型训练，因此训练得到的模型能够学习到不同环境下正负样本的区别，从而抑制光线、阴影、灰尘、水渍等环境因素的干扰，另外，本发明所公开的方法对测试条件要求低、能够随时随地对电缆进行非接触地检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为表面完好的电力电缆图片；
图2附图为正样本图片；
图3附图为表面破损的电力电缆图片；
图4附图为负样本图片；
图5附图为残差和深度可分离卷积模块结构；
图6附图为轻卷积神经网络架构；
图7附图为训练后网络第一可分离卷积层的输出参数可视化模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于轻卷积神经网络的电力电缆破损图像检测方法，其特征在于，包括：
步骤一：采集图像，建立样本数据库，如图1和图3所示；采集不同环境下无破损的电力电缆的图像为正样本，如图2所示，采集不同环境下有破损的电力电缆的图像为负样本，如图4所示；其中采集图像前无需对原始图像进行预处理。
具体地，采样图像大小为224*224*3，其可视化模型如图2所示，采样时，破损区域可位于样本图像的任意区域，不限定其处于图像中心。最终样本数据库中共包含正样本(无破损完好图像)1197个，负样本(包含破损部位图像)1183个。
步骤二：利用样本数据库对采用残差和深度可分离卷积模块结构(如图5所示)的轻卷积神经网络模型(如图6所示)进行训练，训练完成的网络第一层卷积参数为64个3*3*3大小矩阵，其可视化模型如图7所示。完成训练即建立了电缆检测轻卷积神经网络模型。
需要说明的是：其中具体训练流程包括：建立2个包含正负样本图像的样本库输入网络，通过残差和深度可分离卷积模块提取图像特征，输入分类器分类，计算损失函数，并后向更新网络参数，由此实现对正负样本的学习。
步骤三：利用训练后的轻卷积神经网络模型对待测电缆图片破损情况进行检测。输入一段电缆表面图像，设定模板大小，按照从左到右从上到下的顺序在输入图像上依次提取图像块，并将图像块依次输入至训练后的轻卷积神经网络模型进行检测，得到检测结果。
具体地，输入一段电缆表面图像，如图1或图3所示，以224*224*3为模板大小，从左到右在输入图像上依次提取图像块，其中提取步长为112像素，即水平方向图像块与块间在x轴重叠112像素大小，垂直方向图像块与块间重叠112像素大小。将图像块从左到右从上到下依次输入训练完成的网络，得到检测结果。
步骤四：一旦检测到有破损情况，则停止扫描，判定该段电缆存在破损，同时输出该图像块的x，y坐标作为破损定位。
表1展示了本发明专利所涉及到的方法和传统图像处理方法以及其它轻卷积神经网络方法的识别正确率比较结果；
表1
Figure BDA0002110746120000051
Figure BDA0002110746120000061
其中，传统图像处理方法使用HOG特征输入，测试了4种经典分类器的检测结果。包括具有10层隐含层的BP神经网络，KNN，袋装树模型(bagged tree，一种决策树模型)和SVM。训练样本统一采用正负样本各随机1000个，测试5次取平均值的正确率计算模式。深度轻卷积神经网络包含一个简单轻卷积神经网络、ALexnet和本发明所公开的的LightNet网络，简单轻卷积神经网络仅包含三层卷积层，每层采用3*3卷积核。从表1中能够看出，本发明所公开的方法的测试样本识别检测正确率大大高于其它几种算法。
综上所述，本发明所公开的方法识别检测正确率高，可以检测各种各样的破损，具有高的鲁棒性和实用价值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种基于轻卷积神经网络模型的电力电缆破损图像检测方法，其特征在于，包括：
步骤一：采集不同环境下的电缆图像，建立样本数据库；采集不同环境下无破损的电力电缆的图像为正样本，采集不同环境下有破损的电力电缆的图像为负样本；
步骤二：基于所述样本数据库对轻卷积神经网络模型进行训练；
步骤三：利用训练后的轻卷积神经网络模型对待测电缆图片破损情况进行检测；
步骤四：若检测到有破损情况，则停止扫描，判定该段电缆存在破损，同时输出该图像块的x，y坐标作为破损定位；
其中，步骤一中采集图像前无须对原始图像进行预处理；
步骤二中所述轻卷积神经网络模型包括6个残差和深度可分离卷积模块；每个所述残差和深度可分离卷积模块中包括3个可分离卷积层和1个普通卷积层；
3个所述可分离卷积层分别为第一可分离卷积层、第二可分离卷积层和第三可分离卷积层；其中，第一可分离卷积层中包含16个1*1卷积核，第二可分离卷积层包含16个3*3的卷积核，第三可分离卷积层包含16个1*1卷积核，并加入了最大池化运算；
每个残差和深度可分离卷积模块内有输入和输出，通过普通卷积层来连接输入和输出,实现残差网络的功能；
两个所述残差和深度可分离卷积模块之间加入ReLU激活层。
2.根据权利要求1所述的一种基于轻卷积神经网络的电力电缆破损图像检测方法，其特征在于，所述步骤三具体包括：
输入一段电缆表面图像，设定模板大小，按照从左到右从上到下的顺序在输入图像上依次提取图像块，并将所述图像块依次输入至训练后的轻卷积神经网络模型进行检测，得到检测结果。
CN201910570519.6A 2019-06-27 2019-06-27 一种基于轻卷积神经网络的电力电缆破损检测方法 Active CN110335260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570519.6A CN110335260B (zh) 2019-06-27 2019-06-27 一种基于轻卷积神经网络的电力电缆破损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570519.6A CN110335260B (zh) 2019-06-27 2019-06-27 一种基于轻卷积神经网络的电力电缆破损检测方法

Publications (2)

Publication Number Publication Date
CN110335260A CN110335260A (zh) 2019-10-15
CN110335260B true CN110335260B (zh) 2023-07-14

Family

ID=68144448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570519.6A Active CN110335260B (zh) 2019-06-27 2019-06-27 一种基于轻卷积神经网络的电力电缆破损检测方法

Country Status (1)

Country Link
CN (1) CN110335260B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080621B (zh) * 2019-12-12 2020-11-27 哈尔滨市科佳通用机电股份有限公司 一种铁路货车地板破损故障图像识别方法
CN113552123A (zh) * 2020-04-17 2021-10-26 华为技术有限公司 视觉检测方法和视觉检测装置
CN112651421A (zh) * 2020-09-04 2021-04-13 江苏濠汉信息技术有限公司 一种红外热成像输电线路防外破监测系统及其建模方法
CN112595913B (zh) * 2020-12-07 2022-07-26 清华大学 一种电缆局部老化检测方法及检测装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898112A (zh) * 2018-07-03 2018-11-27 东北大学 一种近红外人脸活体检测方法及系统
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN109447097A (zh) * 2018-08-23 2019-03-08 浙江理工大学 一种基于卷积神经网络的面料主成分检测方法
CN109670529A (zh) * 2018-11-14 2019-04-23 天津大学 一种用于快速语义分割的可分离分解残差模块设计方法
CN109801265A (zh) * 2018-12-25 2019-05-24 国网河北省电力有限公司电力科学研究院 一种基于卷积神经网络的实时输电设备异物检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898112A (zh) * 2018-07-03 2018-11-27 东北大学 一种近红外人脸活体检测方法及系统
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN109447097A (zh) * 2018-08-23 2019-03-08 浙江理工大学 一种基于卷积神经网络的面料主成分检测方法
CN109670529A (zh) * 2018-11-14 2019-04-23 天津大学 一种用于快速语义分割的可分离分解残差模块设计方法
CN109801265A (zh) * 2018-12-25 2019-05-24 国网河北省电力有限公司电力科学研究院 一种基于卷积神经网络的实时输电设备异物检测系统

Also Published As

Publication number Publication date
CN110335260A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110335260B (zh) 一种基于轻卷积神经网络的电力电缆破损检测方法
US10269138B2 (en) UAV inspection method for power line based on human visual system
CN111507975B (zh) 一种牵引变电所户外绝缘子异常检测方法
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
Chen et al. Surface defect detection of electric power equipment in substation based on improved YOLOv4 algorithm
Ma et al. Detection method of insulator based on faster R-CNN
CN112070104A (zh) 主变压器局部放电识别方法
Wu et al. An end-to-end learning method for industrial defect detection
Xu et al. Detection method of insulator based on single shot multibox detector
CN115170988A (zh) 基于深度学习的电网线路故障识别方法及系统
Chen et al. Insulator recognition method for distribution network overhead transmission lines based on modified yolov3
Zheng et al. Intrusion detection of foreign objects in overhead power system for preventive maintenance in high-speed railway catenary inspection
CN113095253B (zh) 一种用于无人机巡检输电线路的绝缘子检测方法
Zhang et al. Improved YOLOv8 Insulator Fault Detection Algorithm Based on BiFormer
CN113095420A (zh) 一种基于改进YOLOv3的绝缘子故障检测方法
CN114565581A (zh) 一种配电线路低值绝缘子的检测方法、记录媒体及系统
Yang et al. An intelligent identification algorithm for obtaining the state of power equipment in SIFT-based environments
CN113989209A (zh) 基于Faster R-CNN的电力线异物检测方法
CN113033556A (zh) 一种基于机器视觉的绝缘子快速辨别定位方法及系统
CN112419316A (zh) 一种跨设备可见光纹理缺陷检测方法及装置
Wang et al. Substation Equipment Defect Detection based on Temporal-spatial Similarity Calculation
CN113095252A (zh) 一种用于电力巡检绝缘子故障图像识别方法
Gu et al. Object detection of overhead transmission lines based on improved YOLOv5s
CN112883639A (zh) 一种基于机器学习的gis设备寿命预测装置及方法
Zhang et al. Angle steel tower bolt defect detection based on YOLO-V3

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