CN110569762A - 一种基于多级神经网络的销钉脱落检测方法及装置 - Google Patents
一种基于多级神经网络的销钉脱落检测方法及装置 Download PDFInfo
- Publication number
- CN110569762A CN110569762A CN201910796912.7A CN201910796912A CN110569762A CN 110569762 A CN110569762 A CN 110569762A CN 201910796912 A CN201910796912 A CN 201910796912A CN 110569762 A CN110569762 A CN 110569762A
- Authority
- CN
- China
- Prior art keywords
- pin
- neural network
- image
- network model
- primary
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多级神经网络的销钉脱落检测方法及装置，该方法及装置建立了两级神经网络模型，分别为初级神经网络模型和次级神经网络模型，利用初级神经网络模型对输电线路图像中销钉的位置进行检测，在确定好销钉的位置后对输电线路图像进行剪裁，得到销钉图像，再利用次级神经网络对销钉图像中销钉的状态进行判断，以确定销钉的状态为正常或者脱落。本发明中采用的初级神经网络模型能够提取纹理、图案等深层次特征，以及目标所处的环境特征，能够对包含有销钉的输电线路图像中销钉的位置进行准确的定位。而且，本发明中所使用的初级神经网络模型和次级神经网络模型均为训练好的模型，满足销钉检测的实时性要求。
Description
技术领域
本发明属于电力巡检异常状态检测技术领域，具体涉及一种基于多级神经网络的销钉脱落检测方法及装置。
背景技术
中国的电力线路主要集中在我国的山区，穿越各种复杂地形，此外线路检修工作量剧增，地理环境复杂、气候条件多变也给输电线路巡检工作带来巨大困难。特别是针对输电线路上的销钉脱落，一直以来是输电线路巡检过程中的常见缺陷，如果不能得到及时排查和处理，可能造成严重的电路故障。
随着技术的发展，无人机巡检电力设备已渐渐取代人工巡检，成为我国电力设备巡检的重要方式。但是，由于安全考虑无人机飞行距离输电线路距离往往较远，并且目前常用的目标检测方法诸如SSD、Yolo仅能完成销钉、绝缘子等目标检测，无法实现大场景下小目标的缺陷识别，特别是输电线路杆塔销钉脱落，依靠人工目视从海量巡检图片中筛选出有故障缺陷的照片，工作量巨大，效率低下且存在漏检问题。
例如，申请公布号为CN108537170A的中国发明专利申请公开了一种电力设备固件无人机巡检销钉缺失检测方法，该方法结合SIFT特征提取与神经网络，可一定程度上起到对销钉缺失检测的目的，其中，SIFT特征提取方法需要提取目标的边缘、角点等特征。但是，由于销钉所处的输电线路环境较为复杂，拍摄的输电线路图像也较大，销钉相对于整个输电线路图像特别小，此时若采用SIFT特征提取方法采集销钉的边缘、角点等特征将出现特征提取不准确，使得销钉位置检测不准确，进而使得销钉脱落检测不准确；而且，采用SIFT特征提取方法时，需要首先采用颜色直方图定位选取金属候选区域，并对所有检测特征点进行RANSAC筛选，这无疑增大了特征点筛选时间，无法满足实时性要求。
发明内容
本发明提供了一种基于多级神经网络的销钉脱落检测方法及装置，用以解决现有技术由于特征提取不准确导致的销钉脱落检测不准确的问题。
为解决上述技术问题，本发明的技术方案和有益效果为：
本发明的一种基于多级神经网络的销钉脱落检测方法，包括如下步骤：
获取包含有销钉的输电线路图像，并将其作为一级训练样本，将一级训练样本进行裁剪，得到销钉图像，将销钉该图像及其状态类别作为二级训练样本，所述状态类别包括销钉正常和销钉脱落；构造用于销钉目标定位的初级神经网络模型和用于销钉状态识别的次级神经网络模型，利用一级训练样本对初级神经网络模型进行训练，得到训练好的初级神经网络模型，利用二级训练样本对次级神经网络模型进行训练，得到训练好的次级神经网络模型；采集待测的输电线路图像，将待测的输电线路图像输入到训练好的初级神经网络模型中，得到标注有销钉位置的输电线路图像；将标注有销钉位置的输电线路图像进行裁剪，得到待测的销钉图像，将待测的销钉图像输入到训练好的次级神经网络模型中，得到销钉状态检测结果。
本发明的一种基于多级神经网络的销钉脱落检测装置，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如下方法：
获取包含有销钉的输电线路图像，并将其作为一级训练样本，将一级训练样本进行裁剪，得到销钉图像，将销钉该图像及其状态类别作为二级训练样本，所述状态类别包括销钉正常和销钉脱落；构造用于销钉目标定位的初级神经网络模型和用于销钉状态识别的次级神经网络模型，利用一级训练样本对初级神经网络模型进行训练，得到训练好的初级神经网络模型，利用二级训练样本对次级神经网络模型进行训练，得到训练好的次级神经网络模型；采集待测的输电线路图像，将待测的输电线路图像输入到训练好的初级神经网络模型中，得到标注有销钉位置的输电线路图像；将标注有销钉位置的输电线路图像进行裁剪，得到待测的销钉图像，将待测的销钉图像输入到训练好的次级神经网络模型中，得到销钉状态检测结果。
其有益效果：该方法及装置建立了两级神经网络模型，分别为初级神经网络模型和次级神经网络模型，利用初级神经网络模型对输电线路图像中销钉的位置进行检测，在确定好销钉的位置后对输电线路图像进行剪裁，得到销钉图像，再利用次级神经网络对销钉图像中销钉的状态进行判断，以确定销钉的状态为正常或者脱落。本发明中采用的初级神经网络模型能够提取纹理、图案等深层次特征，以及目标所处的环境特征，能够对包含有销钉的输电线路图像中销钉的位置进行准确的定位，进而实现准确判别销钉状态。而且，本发明中所使用的初级神经网络模型和次级神经网络模型均为训练好的模型，在使用时只需将待测的输电线路图像输入至训练好的初级神经网络模型和次级神经网络模型即可准确、快速得到销钉状态判别结果，满足销钉检测的实时性要求。
作为方法及装置的进一步改进，所述初级神经网络模型采用Yolo V3神经网络模型。
作为方法及装置的进一步改进，所述次级神经网络模型采用VGG-16神经网络模型。
作为方法及装置的进一步改进，为了实现样本增量扩容，还包括对一级训练样本和二级训练样本进行图像处理操作的步骤，所述图像处理操作包括：旋转、平移、色彩抖动和噪声扰动。
附图说明
图1是本发明的方法实施例中方法流程图；
图2是本发明的方法实施例中销钉检测图像数据样本示意图；
图3-1是本发明的方法实施例中销钉目标检测样本的原图示意图；
图3-2是本发明的方法实施例中对销钉目标检测样本进行旋转操作后的示意图；
图3-3是本发明的方法实施例中对销钉目标检测样本进行水平翻转操作后的示意图；
图3-4是本发明的方法实施例中对销钉目标检测样本进行色彩抖动操作后的示意图；
图3-5是本发明的方法实施例中对销钉状态识别样本进行噪声操作后的示意图；
图4-1是本发明的方法实施例中销钉状态识别样本的原图示意图；
图4-2是本发明的方法实施例中对销钉状态识别样本进行旋转操作后的示意图；
图4-3是本发明的方法实施例中对销钉状态识别样本进行水平翻转操作后的示意图；
图4-4是本发明的方法实施例中对销钉状态识别样本进行色彩抖动操作后的示意图；
图4-5是本发明的方法实施例中对销钉状态识别样本进行噪声操作后的示意图；
图5是本发明的方法实施例中销钉脱落检测结果示意图；
图6是本发明的方法实施例中测试结果部分样例示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚，下面结合附图及实施例，对本发明作进一步的详细说明。
方法实施例：
该实施例提供了一种基于多级神经网络的销钉脱落检测方法，该方法中构造了两级神经网络模型，分别为初级神经网络模型和次级神经网络模型，以对应分别检测销钉在输电线路图像中的位置和销钉的状态，从而只需提供待测的输电线路图像，便可对销钉脱落缺陷进行准确、快速判别。
下面结合图1，对该方法进行具体的详细说明。
首先，采集包含有杆塔销钉的输电线路图像，以制作两级神经网络模型的样本。其中，将输电线路图像作为初级神经网络模型所需的销钉目标检测样本(即一级训练样本)；将输电线路图像进行裁剪，得到销钉图像，将销钉图像及其状态类别作为次级神经网络模型所需的销钉状态识别样本(即二级训练样本)，状态类别包括销钉正常和销钉脱落两种状态。
其中，包含有杆塔销钉的输电线路图像为输电线路遥感影像，输电线路图像通常包含有各种各样复杂的背景，销钉只是其中很小的一部分；销钉图像是在输电线路图像中找到销钉后，将输电线路图像进行裁剪，裁剪至销钉图像中基本只有一个销钉。
为了使训练样本具有多样性，所选输电线路图像应包含天空、山林、河流等不同背景下的输电线路图像，以及近景、特写等不同角度下销钉图像(包含销钉正常和销钉脱落)，同时，采用旋转、翻转、噪声、色彩抖动等样本增量扩容方法分别对销钉目标检测样本和销钉状态识别样本进行调整，以增加样本容量，保持各类样本分布均衡。其中，旋转操作为以图像中心点为中心，可分别顺时针旋转-25°、-15°、15°、25°等；翻转操作为水平翻转实现镜面对称；噪声操作为对图像中各点增加服从正态分布的高斯白噪声；色彩抖动的操作方式为将像素点由256级色彩转换为16级色彩，将转换后的小数部分按比例分配到周围像素点。如图3-1为销钉目标检测样本的原图，图3-2、3-3、3-4、3-5分别为将销钉目标检测样本进行旋转、水平翻转、色彩抖动、噪声操作后的示意图；图4-1为销钉状态识别样本的原图，图4-2、4-3、4-4、4-5分别为将销钉状态识别样本进行旋转、水平翻转、色彩抖动、噪声操作后的示意图。
然后，建立销钉训练图像库，包括销钉目标检测图像库和销钉状态识别图像库，分别对应由上述扩容后的销钉目标检测样本和销钉状态识别样本组成。销钉目标检测图像库对每张销钉图像进行标注，如图2所示，建立标签数据文件。标签文件满足Pascal VOC格式的xml标签文件标准，包括图像ID、图像路径、图像名称、图像像素高度及宽度。图像的像素高度和宽度通过矩形框的四个坐标来表示，包括xmax，xmin，ymax，ymin；(xmin，ymin)是矩形框的左上顶点的坐标，(xmax，ymax)是矩形框右下顶点坐标。销钉状态识别图像库需要对每张图像进行裁剪，得到销钉图像，根据每张图像销钉状态类别建立类别标签。当销钉正常时，标签为0；当销钉脱落时，标签为1。
其次，构造两级神经网络模型，分别为用于销钉目标定位的初级神经网络模型和用于销钉状态识别的次级神经网络模型，初级神经网络的输出作为次级神经网络的输入进行级联。初级神经网络采用基于Yolo V3目标检测算法构建深度学习目标检测网络，适用于不同尺寸图片输入，采用的Anchor机制提高了模型准确率和召回率，Res残差结构提高了小目标物体的检测精度，适用于大背景下小尺度目标的检测。次级神经网络基于VGG-16分类识别算法构建深度学习分类任务网络，VGG-16网络结构简洁，对于简单的二分类任务具有良好的检测特性，适用于销钉状态的任务分类。
接着，将销钉训练图像库及对应标签文件分为训练集和测试集，利用销钉目标检测样本对初级神经网络模型进行训练，得到训练好的初级神经网络模型，利用销钉状态识别样本对次级神经网络模型进行训练，得到训练好的次级神经网络模型。
具体过程如下：
步骤1)，采用Yolo V3对销钉目标检测训练集进行训练，获得初始销钉目标检测模型；采用VGG-16对销钉状态识别训练集进行训练，获得初始销钉状态识别模型。训练使用的初始化模型为Yolo V3预训练模型和VGG-16预训练模型，参数更新方式为随机梯度下降，初始学习速率为0.005，损失评价函数为交叉熵函数，当训练步数达到10万步或损失评价函数值小于1时停止训练。步骤2)，采用测试集分别测试初始销钉目标检测模型和初始销钉状态识别模型性能并进行固化。其中固化模型的步骤是：训练过程中每间隔一定步数对模型参数进行保存，并将保存的模型参数在数据集进行测试，选择性能稳定的模型并进一步将权重、偏置等参数保存，同时将不稳定的模型进行覆盖。步骤3)，将固化过后得到的训练好的销钉目标检测模型(即训练好的初级神经网络模型)和销钉状态识别模型(即训练好的次级神经网络模型)进行级联，以得到级联深度神经网络，级联方式是将销钉目标检测模型的输出结果经裁剪后作为销状态识别陷模型的输入。
最后，采集待测的输电线路图像，将待测的输电线路图像输入到训练好的初级神经网络模型中进行检测，得到标注有销钉位置的输电线路图像，当检测到待测的输电线路图像中存在销钉目标且置信度大于50％时，将销钉目标进行裁剪形成新的销钉图像；将销钉目标检测的销钉图像输入至训练好的次级神经网络模型，当销钉脱落的置信度大于85％时，输出图5所示检测结果的目标矩形框与置信度，矩形框包含检测脱落销钉的轮廓，以及目标检测框中销钉脱落的置信度得分，并将测试结果保存为图6所示文件。
至此，便可完成对是输电线路图像中销钉状态的检测与识别。该方法中两级神经网络模型皆为训练好的神经网络模型，只需提供采集的输电线路图像，即可快速、准确对销钉脱落缺陷进行标注，无需通过人工目视对海量巡检图像进行逐一审查，极大的减少了人工工作量，降低了人工成本。而且，初级神经网络模型能够提取纹理、图案等深层次特征，以及目标所处的环境特征，能够对包含有销钉的输电线路图像中销钉的位置进行准确的定位，进而实现准确判断销钉状态。
装置实施例：
该实施例提供了一种基于多级神经网络的销钉脱落检测装置，该装置包括存储器和处理器，存储器和处理器之间直接或间接地电性连接以实现数据的传输或交互。这里的处理器可以是通用处理器，例如中央处理器CPU，也可以是其他可编程逻辑器件，例如数字信号处理器DSP，处理器用于执行存储在存储器中的指令以实现方法实施例中介绍的一种基于多级神经网络的销钉脱落检测方法，由于方法实施例已对该方法做了详细说明，这里不再赘述。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种基于多级神经网络的销钉脱落检测方法，其特征在于，包括如下步骤：
获取包含有销钉的输电线路图像，并将其作为一级训练样本，将一级训练样本进行裁剪，得到销钉图像，将销钉该图像及其状态类别作为二级训练样本，所述状态类别包括销钉正常和销钉脱落；
构造用于销钉目标定位的初级神经网络模型和用于销钉状态识别的次级神经网络模型，利用一级训练样本对初级神经网络模型进行训练，得到训练好的初级神经网络模型，利用二级训练样本对次级神经网络模型进行训练，得到训练好的次级神经网络模型；
采集待测的输电线路图像，将待测的输电线路图像输入到训练好的初级神经网络模型中，得到标注有销钉位置的输电线路图像；将标注有销钉位置的输电线路图像进行裁剪，得到待测的销钉图像，将待测的销钉图像输入到训练好的次级神经网络模型中，得到销钉状态检测结果。
2.根据权利要求1所述的基于多级神经网络的销钉脱落检测方法，其特征在于，所述初级神经网路模型采用Yolo V3神经网络模型。
3.根据权利要求1所述的基于多级神经网络的销钉脱落检测方法，其特征在于，所述次级神经网络模型采用VGG-16神经网络模型。
4.根据权利要求1～3任一项所述的基于多级神经网络的销钉脱落检测方法，其特征在于，还包括对一级训练样本和二级训练样本进行图像处理操作的步骤，所述图像处理操作包括：旋转、平移、色彩抖动和噪声扰动。
5.一种基于多级神经网络的销钉脱落检测装置，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如下方法：
获取包含有销钉的输电线路图像，并将其作为一级训练样本，将一级训练样本进行裁剪，得到销钉图像，将销钉该图像及其状态类别作为二级训练样本，所述状态类别包括销钉正常和销钉脱落；
构造用于销钉目标定位的初级神经网络模型和用于销钉状态识别的次级神经网络模型，利用一级训练样本对初级神经网络模型进行训练，得到训练好的初级神经网络模型，利用二级训练样本对次级神经网络模型进行训练，得到训练好的次级神经网络模型；
采集待测的输电线路图像，将待测的输电线路图像输入到训练好的初级神经网络模型中，得到标注有销钉位置的输电线路图像；将标注有销钉位置的输电线路图像进行裁剪，得到待测的销钉图像，将待测的销钉图像输入到训练好的次级神经网络模型中，得到销钉状态检测结果。
6.根据权利要求5所述的基于多级神经网络的销钉脱落检测装置，其特征在于，所述初级神经网络模型采用Yolo V3神经网络模型。
7.根据权利要求5所述的基于多级神经网络的销钉脱落检测装置，其特征在于，所述次级神经网络模型采用VGG-16神经网络模型。
8.根据权利要求5～7任一项所述的基于多级神经网络的销钉脱落检测装置，其特征在于，还包括对一级训练样本和二级训练样本进行图像处理操作的步骤，所述图像处理操作包括：旋转、平移、色彩抖动和噪声扰动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910796912.7A CN110569762A (zh) | 2019-08-27 | 2019-08-27 | 一种基于多级神经网络的销钉脱落检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910796912.7A CN110569762A (zh) | 2019-08-27 | 2019-08-27 | 一种基于多级神经网络的销钉脱落检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110569762A true CN110569762A (zh) | 2019-12-13 |
Family
ID=68776442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910796912.7A Pending CN110569762A (zh) | 2019-08-27 | 2019-08-27 | 一种基于多级神经网络的销钉脱落检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110569762A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111024072A (zh) * | 2019-12-27 | 2020-04-17 | 浙江大学 | 一种基于深度学习的卫星地图辅助导航定位方法 |
| CN111738259A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种杆塔状态检测方法及装置 |
| CN111815623A (zh) * | 2020-07-28 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
| CN111881937A (zh) * | 2020-06-22 | 2020-11-03 | 深圳金三立视频科技股份有限公司 | 输电线路金具目标检测和缺陷识别方法及终端 |
| CN111915558A (zh) * | 2020-06-30 | 2020-11-10 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
| CN112036403A (zh) * | 2020-08-31 | 2020-12-04 | 合肥工业大学 | 基于注意力机制的输电塔螺栓销子缺失的智能检测方法 |
| CN112051270A (zh) * | 2020-09-10 | 2020-12-08 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、系统、设备及介质 |
| CN112365876A (zh) * | 2020-11-27 | 2021-02-12 | 北京百度网讯科技有限公司 | 语音合成模型的训练方法、装置、设备以及存储介质 |
| CN113160170A (zh) * | 2021-04-19 | 2021-07-23 | 国网山东省电力公司威海供电公司 | 电力巡检销钉级故障识别检测方法、系统、介质及设备 |
| CN113192071A (zh) * | 2021-06-29 | 2021-07-30 | 南方电网数字电网研究院有限公司 | 绝缘子绑扎线缺失识别方法、装置和计算机设备 |
| CN113327255A (zh) * | 2021-05-28 | 2021-08-31 | 宁波新胜中压电器有限公司 | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 |
| CN113537341A (zh) * | 2021-07-14 | 2021-10-22 | 安徽炬视科技有限公司 | 基于大数据及自学习的线路隐患在线监测装置及识别方法 |
| CN114120164A (zh) * | 2021-09-28 | 2022-03-01 | 佛山中科云图智能科技有限公司 | 一种输电线路销钉状态检测方法和检测系统 |
| CN114155246A (zh) * | 2022-02-10 | 2022-03-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于可变形卷积的输电塔销钉缺陷检测方法 |
| CN114445372A (zh) * | 2022-01-27 | 2022-05-06 | 同济大学 | 一种基于无人机图像的输电线路销钉脱落检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
| CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| 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 |
| CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
| US20190228266A1 (en) * | 2018-01-22 | 2019-07-25 | Qualcomm Incorporated | Failure detection for a neural network object tracker |
-
2019
- 2019-08-27 CN CN201910796912.7A patent/CN110569762A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
| US20190228266A1 (en) * | 2018-01-22 | 2019-07-25 | Qualcomm Incorporated | Failure detection for a neural network object tracker |
| CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
| 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 |
| CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 文常保等: "《人工神经网络理论及应用》", 31 March 2019, 西安电子科技大学出版社 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111024072A (zh) * | 2019-12-27 | 2020-04-17 | 浙江大学 | 一种基于深度学习的卫星地图辅助导航定位方法 |
| CN111881937A (zh) * | 2020-06-22 | 2020-11-03 | 深圳金三立视频科技股份有限公司 | 输电线路金具目标检测和缺陷识别方法及终端 |
| CN111738259A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种杆塔状态检测方法及装置 |
| CN111915558A (zh) * | 2020-06-30 | 2020-11-10 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
| CN111915558B (zh) * | 2020-06-30 | 2023-12-01 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
| CN111815623A (zh) * | 2020-07-28 | 2020-10-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
| CN111815623B (zh) * | 2020-07-28 | 2024-02-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
| CN112036403A (zh) * | 2020-08-31 | 2020-12-04 | 合肥工业大学 | 基于注意力机制的输电塔螺栓销子缺失的智能检测方法 |
| CN112036403B (zh) * | 2020-08-31 | 2022-08-19 | 合肥工业大学 | 基于注意力机制的输电塔螺栓销子缺失的智能检测方法 |
| CN112051270B (zh) * | 2020-09-10 | 2021-08-13 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、系统、设备及介质 |
| CN112051270A (zh) * | 2020-09-10 | 2020-12-08 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、系统、设备及介质 |
| CN112365876B (zh) * | 2020-11-27 | 2022-04-12 | 北京百度网讯科技有限公司 | 语音合成模型的训练方法、装置、设备以及存储介质 |
| CN112365876A (zh) * | 2020-11-27 | 2021-02-12 | 北京百度网讯科技有限公司 | 语音合成模型的训练方法、装置、设备以及存储介质 |
| CN113160170A (zh) * | 2021-04-19 | 2021-07-23 | 国网山东省电力公司威海供电公司 | 电力巡检销钉级故障识别检测方法、系统、介质及设备 |
| CN113327255A (zh) * | 2021-05-28 | 2021-08-31 | 宁波新胜中压电器有限公司 | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 |
| CN113192071A (zh) * | 2021-06-29 | 2021-07-30 | 南方电网数字电网研究院有限公司 | 绝缘子绑扎线缺失识别方法、装置和计算机设备 |
| CN113537341A (zh) * | 2021-07-14 | 2021-10-22 | 安徽炬视科技有限公司 | 基于大数据及自学习的线路隐患在线监测装置及识别方法 |
| CN114120164A (zh) * | 2021-09-28 | 2022-03-01 | 佛山中科云图智能科技有限公司 | 一种输电线路销钉状态检测方法和检测系统 |
| CN114445372A (zh) * | 2022-01-27 | 2022-05-06 | 同济大学 | 一种基于无人机图像的输电线路销钉脱落检测方法 |
| CN114155246A (zh) * | 2022-02-10 | 2022-03-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于可变形卷积的输电塔销钉缺陷检测方法 |
| CN114155246B (zh) * | 2022-02-10 | 2022-06-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于可变形卷积的输电塔销钉缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569762A (zh) | 一种基于多级神经网络的销钉脱落检测方法及装置 | |
| CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
| CN108596886A (zh) | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 | |
| CN108010030A (zh) | 一种基于深度学习的航拍图像绝缘子实时检测方法 | |
| CN106778734A (zh) | 一种基于稀疏表示的绝缘子掉串缺陷检测方法 | |
| CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
| CN116245230B (zh) | 一种电站设备的运行巡检与趋势分析方法及系统 | |
| CN111597941B (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
| CN112906689B (zh) | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 | |
| CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
| CN115809986A (zh) | 一种多传感器融合的输电走廊智能外破检测方法 | |
| CN113962980A (zh) | 基于改进yolov5x的玻璃容器瑕疵检测方法及系统 | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN114722944A (zh) | 点云精度确定方法、电子设备及计算机存储介质 | |
| CN115761439A (zh) | 一种基于目标检测的锅炉内壁陷检测识别方法 | |
| Bayer et al. | Object detection of fire safety equipment in images and videos using Yolov5 neural network | |
| CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
| CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
| CN117523573A (zh) | 基于多阶段视觉检测融合故障预警的水表读数方法、系统 | |
| CN116046790B (zh) | 缺陷检测方法、装置、系统、电子设备以及存储介质 | |
| CN112101313A (zh) | 一种机房机器人巡检方法及系统 | |
| CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
| CN112686254B (zh) | 一种基于红外卫星云图的台风中心定位方法 | |
| Gan et al. | Water level classification for flood monitoring system using convolutional neural network | |
| CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 |
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: 20191213 |
|
| RJ01 | Rejection of invention patent application after publication |