CN110503623A - 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 - Google Patents
一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 Download PDFInfo
- Publication number
- CN110503623A CN110503623A CN201910440969.3A CN201910440969A CN110503623A CN 110503623 A CN110503623 A CN 110503623A CN 201910440969 A CN201910440969 A CN 201910440969A CN 110503623 A CN110503623 A CN 110503623A
- Authority
- CN
- China
- Prior art keywords
- bird
- image
- nest
- defect
- transmission line
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Abstract
一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法,该方法包括以下步骤:收集输电线路的鸟巢缺陷图像,并在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像;对人工标注图像进行样本量的扩充得到训练样本集;通过卷积神经网络构建用于识别鸟巢缺陷的CNN网络模型,并以该训练样本集为训练数据对该CNN网络模型进行训练;将训练完成的该CNN网络模型部署在CPU或GPU上用于对待检测图像进行识别;采用无人机对输电线路进行拍摄获取该待检测图像;将该待检测图像输入该CNN网络模型,该CNN网络模型识别该待测图像中的鸟巢缺陷,并计算出鸟巢缺陷在该待测图像中的位置坐标。该方法可以识别输电线路上的鸟巢缺陷,而且还可标注出鸟巢缺陷的准确位置。
Description
技术领域
本发明涉及输电线路缺陷检测的技术领域,具体涉及一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法。
背景技术
目前无人机应用于输电线路缺陷巡检已经大量应用,然而针对无人机采集的大量图像图片数据中的缺陷分析却还存在困难。不仅工作量巨大、效率低,同时存在准确度不高的特点。多数情况下,需要人工干预甄别才能准确识别图像中存在的缺陷。而鸟巢作为输电线路缺陷中典型的“异物悬挂”缺陷,较为常见,其对输电安全影响较大。以往的缺陷分析手段,对鸟巢的识别大多基于图像处理中的模板匹配的方式。该方法需要预先准备缺陷模板,再读入待检测图片数据,与已有模板做比对得到其中的差异,确认数据中是否存在缺陷。这种模板匹配的方式,存在检测准确度低、适用范围窄、多适用于定点监控检测的特点。对不存在模板的鸟巢、复杂背景的图像多无法准确检测。
本发明基于近年来发展成熟的深度神经网络技术,主要解决了已有的鸟巢缺陷检测方法中准确度低、位置定点受限、复杂背景图片检测问题。实现了更为通用的鸟巢缺陷检测技术,使用时原始待检测数据不再需要额外的数据处理手段,直接输入神经网络模型,则可以检测其中是否存在鸟巢。具备更高的准确度和适用应,待检数据采集不再受限于天气、位置、设备等因素的影响。具备更高的通用性和准确度,以及更低的实用难度。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺点,提供一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法,实现了更为通用的鸟巢缺陷检测技术,使用时原始待检测数据不再需要额外的数据处理手段,直接输入神经网络模型,则可以检测其中是否存在鸟巢;具备更高的准确度和适用应,待检数据采集不再受限于天气、位置、设备等因素的影响;具备更高的通用性和准确度,以及更低的实用难度。
为解决上述技术问题,本发明提供一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法,所述方法包括以下步骤:
步骤S1,收集输电线路的鸟巢缺陷图像,并在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像;
步骤S2,对人工标注图像进行样本量的扩充得到训练样本集;
步骤S3,通过卷积神经网络构建用于识别鸟巢缺陷的CNN网络模型,并以所述训练样本集为训练数据对所述CNN网络模型进行训练;
步骤S4,将训练完成的所述CNN网络模型部署在CPU或GPU上用于对待检测图像进行识别;
步骤S5,采用无人机对输电线路进行拍摄获取所述待检测图像;
步骤S6,将所述待检测图像输入所述CNN网络模型,所述CNN网络模型识别所述待测图像中的鸟巢缺陷,并计算出鸟巢缺陷在所述待测图像中的位置坐标。
通过采用上述技术方案,首先将预先收集的多个鸟巢缺陷图像进行人工标注得到人工标注图像,然后对人工标注图像进行样本量的扩充得到训练样本集从而得到足够多的训练数据,然后并以所述训练样本集为训练数据对所述CNN网络模型进行训练得到训练完成CNN网络模型。利用无人机对输电线路进行拍摄获取所述待检测图像,无人机的应用使得我们在采集待检测图像过程中不再受限于天气、位置、设备等因素的影响。所述待检测图像无需经额外的数据处理手段,直接输入所述CNN网络模型,所述CNN网络模型即可识别所述待测图像中的鸟巢缺陷,并计算出鸟巢缺陷在所述待测图像中的位置坐标。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S2中,采用随机翻转的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机翻转的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S2中,采用随机变色的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机变色的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S2中,采用随机旋转的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机旋转的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S2中,采用随机平移的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机平移的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S2中,采用随机形变的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机形变的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S2中,采用随机缩放的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机缩放的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,在所述步骤S6中,通过FPN算法合并所述CNN网络模型中的不同特征层对所述待测图像中的鸟巢缺陷进行识别。在基于神经网络的对象识别算法中,大多数算法对图片中存在的大对象检测效果较好。但如果图像中的待检测对象比较小的时候往往检测效果不佳。而数据采集时通常无法限定待检测的内容的大小。因此为了提升CNN网络模型检测小物体的效果,在此通过FPN算法合并CNN网络中的不同特征层来实现对小物体的精确检测。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,还包括在所述步骤S6之后执行的步骤S7,所述步骤S7包括:对所述步骤S6中得到的鸟巢缺陷的位置坐标进行换算得到可用于在所述待测图像中标注鸟巢位置的可用坐标。
在本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法中,所述步骤S7还包括:对得到的所述可用坐标进行过滤处理得到可用来在所述待测图像中准确标注鸟巢的位置的精确坐标。换算得到的可用坐标中可能存在高宽比不合理、超出待测图像范围的坐标值,在过滤处理过程中,需要将这些坐标数据排除,最终筛选出所述精确坐标。
与现有技术相比,实施本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,具有如下有益效果:
1、所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法可以识别待测图像中的鸟巢缺陷,而且还可标注出鸟巢缺陷的准确位置。
2、通过采用随机翻转、随机变色、随机旋转、随机平移、随机形变或随机缩放的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
3、通过FPN算法合并所述CNN网络模型中的不同特征层对所述待测图像中的鸟巢缺陷进行识别,提升所述CNN网络模型检测小物体的准确性,使得CNN网络模型能检测图片中更小的物体,利于减少漏检、错测等情况的发生。
4、在所述步骤S6之后执行的步骤S7,所述步骤S7包括:对所述步骤S6中得到的鸟巢缺陷的位置坐标进行换算得到可用于在所述待测图像中标注鸟巢位置的可用坐标;对得到的所述可用坐标进行过滤处理得到可用来在所述待测图像中准确标注鸟巢的位置的精确坐标。如此,得到最终的精确坐标,可用于在待测图像中标注鸟巢缺陷的位置。而后续,可以将标注有鸟巢缺陷位置的待测图像作为训练数据用来继续训练所述CNN网络模型,不断迭代提升CNN网络模型的检测效果,提升CNN网络模型的检测精度。
附图说明
图1为本发明提供的基于卷积神经网络的识别输电线路上鸟巢缺陷的方法的步骤流程图;
图2为本发明提供的基于卷积神经网络的识别输电线路上鸟巢缺陷的方法中提到的人工标注图像的照片;
图3为图2经过随机翻转和随机变色后得到的训练样本的照片。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。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。
本实施例提供了一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法。如图1所示,所述基于卷积神经网络的识别输电线路上鸟巢缺陷的方法包括以下步骤:
步骤S1,收集输电线路的鸟巢缺陷图像,并在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像;
步骤S2,对人工标注图像进行样本量的扩充得到训练样本集;
步骤S3,通过卷积神经网络构建用于识别鸟巢缺陷的CNN网络模型,并以所述训练样本集为训练数据对所述CNN网络模型进行训练;
步骤S4,将训练完成的所述CNN网络模型部署在CPU或GPU上用于对待检测图像进行识别;
步骤S5,采用无人机对输电线路进行拍摄获取所述待检测图像;
步骤S6,将所述待检测图像输入所述CNN网络模型,所述CNN网络模型识别所述待测图像中的鸟巢缺陷,并计算出鸟巢缺陷在所述待测图像中的位置坐标。
概括来说,通过采用上述技术方案,首先将预先收集的多个鸟巢缺陷图像进行人工标注得到人工标注图像,然后对人工标注图像进行样本量的扩充得到训练样本集从而得到足够多的训练数据,然后并以所述训练样本集为训练数据对所述CNN网络模型进行训练得到训练完成CNN网络模型。利用无人机对输电线路进行拍摄获取所述待检测图像,无人机的应用使得我们在采集待检测图像过程中不再受限于天气、位置、设备等因素的影响。所述待检测图像无需经额外的数据处理手段,直接输入所述CNN网络模型,所述CNN网络模型即可识别所述待测图像中的鸟巢缺陷,并计算出鸟巢缺陷在所述待测图像中的位置坐标。
在本实施例中,在所述步骤S2中,采用随机翻转和随机变色的方式对所述人工标注图像进行样本量的扩充。例如,对如图2所示的人工标注图像进行随机翻转和随机变色后可以得到如图3所示的训练样本。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机翻转的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在本实施例中,在所述步骤S6中,通过FPN算法合并所述CNN网络模型中的不同特征层对所述待测图像中的鸟巢缺陷进行识别。在基于神经网络的对象识别算法中,大多数算法对图片中存在的大对象检测效果较好。但如果图像中的待检测对象比较小的时候往往检测效果不佳。而数据采集时通常无法限定待检测的内容的大小。因此为了提升CNN网络模型检测小物体的效果,在此通过FPN算法合并CNN网络中的不同特征层来实现对小物体的精确检测。
进一步的,本实施例提供的所述方法中还包括在所述步骤S6之后执行的步骤S7,所述步骤S7包括:对所述步骤S6中得到的鸟巢缺陷的位置坐标进行换算得到可用于在所述待测图像中标注鸟巢位置的可用坐标。更进一步的,所述步骤S7还包括:对得到的所述可用坐标进行过滤处理得到可用来在所述待测图像中准确标注鸟巢的位置的精确坐标。换算得到的可用坐标中可能存在高宽比不合理、超出待测图像范围的坐标值,在过滤处理过程中,需要将这些坐标数据排除,最终筛选出所述精确坐标。
在其他实施例中,在所述步骤S2中,还可以采用随机旋转的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机旋转的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在其他实施例中,在所述步骤S2中,还可以采用随机平移的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机平移的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在其他实施例中,在所述步骤S2中,还可以采用随机形变的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机形变的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
在其他实施例中,在所述步骤S2中,还可以采用随机缩放的方式对所述人工标注图像进行样本量的扩充。由于在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像这一过程通常存在难以标注的情况,导致可直接获取的人工标注图像的数量较少,不足以用来训练一个准确度和适用性高的CNN网络模型。所以本发明通过采用随机缩放的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
与现有技术相比,实施本发明提供的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,具有如下有益效果:
1、所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法可以识别待测图像中的鸟巢缺陷,而且还可标注出鸟巢缺陷的准确位置。
2、通过采用随机翻转、随机变色、随机旋转、随机平移、随机形变或随机缩放的方式对所述人工标注图像进行样本量的扩充,从而增加训练数据的量、增加模型训练数据的复杂度,便于训练一个高可用的CNN网络模型。
3、通过FPN算法合并所述CNN网络模型中的不同特征层对所述待测图像中的鸟巢缺陷进行识别,提升所述CNN网络模型检测小物体的准确性,使得CNN网络模型能检测图片中更小的物体,利于减少漏检、错测等情况的发生。
4、在所述步骤S6之后执行的步骤S7,所述步骤S7包括:对所述步骤S6中得到的鸟巢缺陷的位置坐标进行换算得到可用于在所述待测图像中标注鸟巢位置的可用坐标;对得到的所述可用坐标进行过滤处理得到可用来在所述待测图像中准确标注鸟巢的位置的精确坐标。如此,得到最终的精确坐标,可用于在待测图像中标注鸟巢缺陷的位置。而后续,可以将标注有鸟巢缺陷位置的待测图像作为训练数据用来继续训练所述CNN网络模型,不断迭代提升CNN网络模型的检测效果,提升CNN网络模型的检测精度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法,其特征在于,所述方法包括以下步骤:
步骤S1,收集输电线路的鸟巢缺陷图像,并在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像;
步骤S2,对人工标注图像进行样本量的扩充得到训练样本集;
步骤S3,通过卷积神经网络构建用于识别鸟巢缺陷的CNN网络模型,并以所述训练样本集为训练数据对所述CNN网络模型进行训练;
步骤S4,将训练完成的所述CNN网络模型部署在CPU或GPU上用于对待检测图像进行识别;
步骤S5,采用无人机对输电线路进行拍摄获取所述待检测图像;
步骤S6,将所述待检测图像输入所述CNN网络模型,所述CNN网络模型识别所述待测图像中的鸟巢缺陷,并计算出鸟巢缺陷在所述待测图像中的位置坐标。
2.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S2中,采用随机翻转的方式对所述人工标注图像进行样本量的扩充。
3.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S2中,采用随机变色的方式对所述人工标注图像进行样本量的扩充。
4.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S2中,采用随机旋转的方式对所述人工标注图像进行样本量的扩充。
5.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S2中,采用随机平移的方式对所述人工标注图像进行样本量的扩充。
6.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S2中,采用随机形变的方式对所述人工标注图像进行样本量的扩充。
7.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S2中,采用随机缩放的方式对所述人工标注图像进行样本量的扩充。
8.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,在所述步骤S6中,通过FPN算法合并所述CNN网络模型中的不同特征层对所述待测图像中的鸟巢缺陷进行识别。
9.根据权利要求1所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,还包括在所述步骤S6之后执行的步骤S7,所述步骤S7包括:对所述步骤S6中得到的鸟巢缺陷的位置坐标进行换算得到可用于在所述待测图像中标注鸟巢位置的可用坐标。
10.根据权利要求9所述的基于卷积神经网络的识别定位输电线路上鸟巢缺陷的方法,其特征在于,所述步骤S7还包括:对得到的所述可用坐标进行过滤处理得到可用来在所述待测图像中准确标注鸟巢的位置的精确坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910440969.3A CN110503623A (zh) | 2019-05-24 | 2019-05-24 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910440969.3A CN110503623A (zh) | 2019-05-24 | 2019-05-24 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503623A true CN110503623A (zh) | 2019-11-26 |
Family
ID=68585734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910440969.3A Pending CN110503623A (zh) | 2019-05-24 | 2019-05-24 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503623A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739184A (zh) * | 2020-06-28 | 2020-10-02 | 国网宁夏电力有限公司检修公司 | 基于输电线塔杆的输电线路巡检系统 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN113379736A (zh) * | 2021-07-12 | 2021-09-10 | 广东电网有限责任公司 | 一种巡检机器人视觉图像深度特征表达方法及系统 |
CN114359282A (zh) * | 2022-03-17 | 2022-04-15 | 南方电网数字电网研究院有限公司 | 融合多视角的输电线路鸟巢缺陷识别方法和装置 |
CN115294451A (zh) * | 2022-01-14 | 2022-11-04 | 中国铁路兰州局集团有限公司 | 高压线上异物检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764020A (zh) * | 2018-03-30 | 2018-11-06 | 广东工业大学 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
CN108985229A (zh) * | 2018-07-17 | 2018-12-11 | 北京果盟科技有限公司 | 一种基于深度神经网络的智能广告替换方法及系统 |
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
-
2019
- 2019-05-24 CN CN201910440969.3A patent/CN110503623A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764020A (zh) * | 2018-03-30 | 2018-11-06 | 广东工业大学 | 一种基于无人机图像的高压电塔上的鸟巢识别方法 |
CN108985229A (zh) * | 2018-07-17 | 2018-12-11 | 北京果盟科技有限公司 | 一种基于深度神经网络的智能广告替换方法及系统 |
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739184A (zh) * | 2020-06-28 | 2020-10-02 | 国网宁夏电力有限公司检修公司 | 基于输电线塔杆的输电线路巡检系统 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN113379736A (zh) * | 2021-07-12 | 2021-09-10 | 广东电网有限责任公司 | 一种巡检机器人视觉图像深度特征表达方法及系统 |
CN113379736B (zh) * | 2021-07-12 | 2022-05-17 | 广东电网有限责任公司 | 一种巡检机器人视觉图像深度特征表达方法及系统 |
CN115294451A (zh) * | 2022-01-14 | 2022-11-04 | 中国铁路兰州局集团有限公司 | 高压线上异物检测方法及装置 |
CN115294451B (zh) * | 2022-01-14 | 2023-04-28 | 中国铁路兰州局集团有限公司 | 高压线上异物检测方法及装置 |
CN114359282A (zh) * | 2022-03-17 | 2022-04-15 | 南方电网数字电网研究院有限公司 | 融合多视角的输电线路鸟巢缺陷识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN104846054A (zh) | 一种基于形态学特征的白带中霉菌的自动检测方法 | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN104198325B (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
CN109859101B (zh) | 农作物冠层热红外图像识别方法及系统 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN105976354A (zh) | 基于颜色和梯度的元件定位方法和系统 | |
CN107358628A (zh) | 基于靶标的线阵图像处理方法 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN108601509A (zh) | 图像处理装置、图像处理方法以及程序 | |
CN113554667A (zh) | 一种基于图像识别的三维位移检测方法及装置 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN108960413A (zh) | 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法 | |
CN116091506A (zh) | 一种基于yolov5的机器视觉缺陷质检方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |