CN110807359A - 基于部署在无人机中模型的杆塔缺陷巡检的方法 - Google Patents
基于部署在无人机中模型的杆塔缺陷巡检的方法 Download PDFInfo
- Publication number
- CN110807359A CN110807359A CN201910888165.XA CN201910888165A CN110807359A CN 110807359 A CN110807359 A CN 110807359A CN 201910888165 A CN201910888165 A CN 201910888165A CN 110807359 A CN110807359 A CN 110807359A
- Authority
- CN
- China
- Prior art keywords
- tower
- tower defect
- aerial vehicle
- unmanned aerial
- method based
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007689 inspection Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013526 transfer learning Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于部署在无人机中模型的杆塔缺陷巡检的方法,包括如下步骤:A)采集杆塔缺陷样本图片,构成杆塔缺陷样本集,手工标注塔缺陷样本图片中杆塔缺陷所在坐标及其类型;B)通过数据增强算法增加杆塔缺陷样本集中杆塔缺陷样本图片的数量;C)采用深度卷积神经网络训练杆塔缺陷检测模型;D)将杆塔缺陷检测模型部署到无人机;E)采集无人机的实时视频,获取关键帧图像,调用杆塔缺陷检测模型进行杆塔缺陷的检测,当检测到杆塔缺陷时,发送报警信息。实施本发明的基于部署在无人机中模型的杆塔缺陷巡检的方法,具有以下有益效果:能对杆塔缺陷进行识别预警,能稳定检测电力设施的安全状况,保障线路的安全运营。
Description
技术领域
本发明涉及无人机巡检领域,特别涉及一种基于部署在无人机中模型的杆塔缺陷巡检的方法。
背景技术
电力工业是关系国计民生的支柱产业,电力系统的安全稳定运行具有重大战略意义。建设放在电力物联网是落实“三型两网、世界一流”战略目标的核心任务。科技的进步使人们对电力系统的安全稳定运行有了新的要求,电力系统的不断强大不仅给人们带来了生活和工作上的便利,但是也带来了更多复杂的电力安全稳定问题。目前对杆塔的状态监测基本是通过人工进行监测,由于人工不是时时刻刻都在进行监测,就可能会出现当杆塔出现缺陷时,人工没有及时发现故障,导致不能稳定检测电力实施的安全状况,不能保障线路的安全运营。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种能对杆塔缺陷进行识别预警,能稳定检测电力设施的安全状况,保障线路的安全运营的基于部署在无人机中模型的杆塔缺陷巡检的方法。
本发明解决其技术问题所采用的技术方案是:构造一种基于部署在无人机中模型的杆塔缺陷巡检的方法,包括如下步骤:
A)采集杆塔缺陷样本图片,构成杆塔缺陷样本集,手工标注所述塔缺陷样本图片中杆塔缺陷所在坐标及其类型;
B)通过数据增强算法增加所述杆塔缺陷样本集中杆塔缺陷样本图片的数量;
C)采用深度卷积神经网络训练杆塔缺陷检测模型;
D)将所述杆塔缺陷检测模型部署到无人机;
E)采集所述无人机的实时视频,获取关键帧图像,调用所述杆塔缺陷检测模型进行杆塔缺陷的检测,当检测到杆塔缺陷时,发送报警信息。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述步骤B)进一步包括:
B1)对所述杆塔缺陷样本图片按比例进行缩放,得到不同大小的样本图像;
B2)将所述不同大小的样本图像分别进行顺时针方向和逆时针方向设定度数以内的角度旋转,得到不同旋转角度下的样本图像;
B3)将所述不同旋转角度下的样本图像输入对抗生成网络,将所述对抗生成网络输出的图片加入到所述杆塔缺陷样本集中。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述步骤C)进一步包括:
C1)构建基础网络层,将所述杆塔缺陷样本图片送入所述基础网络层,得到第一输出图像;所述基础网络层分别由6层卷积层、池化层和ReLU激活函数构成;
C2)构建区域生成网络,用于区分前景和背景,在所述第一输出图像上应用滑动窗口,每个滑动窗口生成第一设定个数候选区域,候选区域比例按照设定的三种模式选择,将所有所述候选区域连接到所述区域生成网络,采用softmax回归出所有候选区域,选择前第二设定个数候选区域作为第二输出图像;
C3)将所述第二输出图像接入已训练的mobilenet网络进行迁移学习,得到杆塔缺陷检测模型。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述步骤E)进一步包括:
E1)调用无人机SDK获取实时视频流,每秒抓取一帧关键帧;
E2)调用所述杆塔缺陷检测模型检测所述关键帧,判断是否检测到缺陷,如是,执行步骤E3);否则,返回步骤E1);
E3)将检测结果通过http协议发送到后台服务器。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述设定角度为30°。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述第一设定个数为9个。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述设定的三种模式为[1:2,1:1,2:1]。
在本发明所述的基于部署在无人机中模型的杆塔缺陷巡检的方法中,所述第二设定个数为200个。
实施本发明的基于部署在无人机中模型的杆塔缺陷巡检的方法,具有以下有益效果:由于通过在无人机上部署轻量级深度卷积神经网络检测模型,即杆塔缺陷检测模型,利用无人机巡检实现杆塔的状态监测,本发明能对杆塔缺陷进行识别预警,能稳定检测电力设施的安全状况,保障线路的安全运营。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明基于部署在无人机中模型的杆塔缺陷巡检的方法一个实施例中的流程图;
图2为所述实施例中通过数据增强算法增加杆塔缺陷样本集中杆塔缺陷样本图片的数量的具体流程图;
图3为所述实施例中采用深度卷积神经网络训练杆塔缺陷检测模型的具体流程图;
图4为所述实施例中采集无人机的实时视频,获取关键帧图像,调用杆塔缺陷检测模型进行杆塔缺陷的检测,当检测到杆塔缺陷时,发送报警信息的具体流程图。
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。
在本发明基于部署在无人机中模型的杆塔缺陷巡检的方法实施例中,该基于部署在无人机中模型的杆塔缺陷巡检的方法的流程图如图1所示。图1中,该基于部署在无人机中模型的杆塔缺陷巡检的方法包括如下步骤:
步骤S01采集杆塔缺陷样本图片,构成杆塔缺陷样本集,手工标注塔缺陷样本图片中杆塔缺陷所在坐标及其类型:本步骤中,采集若干个杆塔缺陷样本图片,这些杆塔缺陷样本图片构成杆塔缺陷样本集,然后由人工在杆塔缺陷样本图片上手工标注出杆塔缺陷所在坐标以及杆塔缺陷的类型。
步骤S02通过数据增强算法增加杆塔缺陷样本集中杆塔缺陷样本图片的数量:本步骤中,需要扩充塔缺陷样本集中的杆塔缺陷样本图片的数量,具体是通过数据增强算法增加杆塔缺陷样本集中杆塔缺陷样本图片的数量。
步骤S03采用深度卷积神经网络训练杆塔缺陷检测模型:本步骤中,采用深度卷积神经网络对杆塔缺陷样本集中的杆塔缺陷样本图片进行训练,训练出杆塔缺陷检测模型。
步骤S04将杆塔缺陷检测模型部署到无人机:本步骤中,将步骤S03中得到的杆塔缺陷检测模型部署到无人机中。
步骤S05采集无人机的实时视频,获取关键帧图像,调用杆塔缺陷检测模型进行杆塔缺陷的检测,当检测到杆塔缺陷时,发送报警信息:本步骤中,采集无人机的实时视频,从采集的实时视频中获取关键帧图像,调用步骤S04中部署的杆塔缺陷检测模型进行杆塔缺陷的检测,当检测到杆塔缺陷时,发送报警信息。
由于通过在无人机上部署轻量级深度卷积神经网络检测模型,即杆塔缺陷检测模型,利用无人机巡检实现杆塔的状态监测,本发明的基于部署在无人机中模型的杆塔缺陷巡检的方法能对杆塔缺陷进行识别预警,能稳定检测电力设施的安全状况,保障线路的安全运营。
对于本实施例而言,上述步骤S02还可进一步细化,其细化后的流程图如图2所示。图2中,上述步骤S02进一步包括如下步骤:
步骤S21对杆塔缺陷样本图片按比例进行缩放,得到不同大小的样本图像:本步骤中,对杆塔缺陷样本图片按比例进行缩放,这样可以得到不同大小的样本图像。值得一提的是,该比例的大小是根据具体需求进行设定的,换言之,该比例的大小可以根据具体需求进行相应增大或减小。
步骤S22将不同大小的样本图像分别进行顺时针方向和逆时针方向设定度数以内的角度旋转,得到不同旋转角度下的样本图像:本步骤中,将上述步骤S21中得到的不同大小的样本图像进行顺时针方向和逆时针方向设定度数以内的角度旋转,这样可以得到同旋转角度下的样本图像。值得一提的是,本实施例中,设定度数为30°,也就是将不同大小的样本图像分别进行顺时针方向和逆时针方向30°以内的角度旋转,得到不同旋转角度下的样本图像。当然,在实际应用中,该设定度数的大小可以根据具体情况进行相应调整,也就是该设定度数的大小可以根据具体情况进行相应增大或减小。
步骤S23将不同旋转角度下的样本图像输入对抗生成网络,将对抗生成网络输出的图片加入到杆塔缺陷样本集中:本步骤中,将上述步骤S22中得到的不同旋转角度下的样本图像输入到对抗生成网络中,通过对抗生成网络处理后,将输出的图片加入到杆塔缺陷样本集中,这样实现了对杆塔缺陷样本集的扩充。
对于本实施例而言,上述步骤S03还可进一步细化,其细化后的流程图如图3所示。图3中,上述步骤S03进一步包括如下步骤:
步骤S31构建基础网络层,将杆塔缺陷样本图片送入基础网络层,得到第一输出图像:本步骤中,构建基础网络层,该基础网络层分别由6层卷积层、池化层和ReLU激活函数构成,将杆塔缺陷样本图片送入基础网络层,得到第一输出图像o1。
步骤S32构建区域生成网络,用于区分前景和背景,在第一输出图像上应用滑动窗口,每个滑动窗口生成第一设定个数候选区域,候选区域比例按照设定的三种模式选择,将所有候选区域连接到区域生成网络,采用softmax回归出所有候选区域,选择前第二设定个数候选区域作为第二输出图像:本步骤中,构建区域生成网络,用于区分前景和背景,在第一输出图像o1上应用滑动窗口,每个滑动窗口生成第一设定个数候选区域,候选区域比例按照设定的三种模式选择,将所有候选区域连接到区域生成网络,采用softmax回归出所有候选区域,选择前第二设定个数候选区域作为第二输出图像o2,值得一提的是,本实施例中,第一设定个数为9个,设定的三种模式为[1:2,1:1,2:1],第二设定个数为200个,换言之,构建区域生成网络,用于区分前景和背景,在第一输出o1上应用滑动窗口,每个滑动窗口生成9个候选区域,候选区域比例按照[1:2,1:1,2:1]三种模式选择,将所有候选区域连接到区域生成网络,采用softmax回归出所有候选区域,选择前200个候选区域作为第二输出图像o2。
步骤S33将第二输出图像接入已训练的mobilenet网络进行迁移学习,得到杆塔缺陷检测模型:本步骤中,将第二输出图像o2接入已训练的mobilenet网络进行迁移学习,得到杆塔缺陷检测模型。
对于本实施例而言,上述步骤S05还可进一步细化,其细化后的流程图如图4所示。图4中,上述步骤S05进一步包括如下步骤:
步骤S51调用无人机SDK获取实时视频流,每秒抓取一帧关键帧:本步骤中,调用无人机SDK获取实时视频流,每秒抓取一帧关键帧。
步骤S52调用杆塔缺陷检测模型检测关键帧,判断是否检测到缺陷:本步骤中,调用杆塔缺陷检测模型检测抓取的关键帧,判断是否检测到缺陷,如果判断的结果为是,即检测到缺陷,则执行步骤S53;否则,返回步骤S51。
步骤S53将检测结果通过http协议发送到后台服务器:本步骤中,将检测结果通过http协议发送到后台服务器。
总之,本实施例中,通过在无人机上部署轻量级深度卷积神经网络检测模型,即杆塔缺陷检测模型,利用无人机巡检实现杆塔的状态监测,本发明的基于部署在无人机中模型的杆塔缺陷巡检的方法能对杆塔缺陷进行识别预警,能稳定检测电力设施的安全状况,保障线路的安全运营。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,包括如下步骤:
A)采集杆塔缺陷样本图片,构成杆塔缺陷样本集,手工标注所述塔缺陷样本图片中杆塔缺陷所在坐标及其类型;
B)通过数据增强算法增加所述杆塔缺陷样本集中杆塔缺陷样本图片的数量;
C)采用深度卷积神经网络训练杆塔缺陷检测模型;
D)将所述杆塔缺陷检测模型部署到无人机;
E)采集所述无人机的实时视频,获取关键帧图像,调用所述杆塔缺陷检测模型进行杆塔缺陷的检测,当检测到杆塔缺陷时,发送报警信息。
2.根据权利要求1所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述步骤B)进一步包括:
B1)对所述杆塔缺陷样本图片按比例进行缩放,得到不同大小的样本图像;
B2)将所述不同大小的样本图像分别进行顺时针方向和逆时针方向设定度数以内的角度旋转,得到不同旋转角度下的样本图像;
B3)将所述不同旋转角度下的样本图像输入对抗生成网络,将所述对抗生成网络输出的图片加入到所述杆塔缺陷样本集中。
3.根据权利要求1所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述步骤C)进一步包括:
C1)构建基础网络层,将所述杆塔缺陷样本图片送入所述基础网络层,得到第一输出图像;所述基础网络层分别由6层卷积层、池化层和ReLU激活函数构成;
C2)构建区域生成网络,用于区分前景和背景,在所述第一输出图像上应用滑动窗口,每个滑动窗口生成第一设定个数候选区域,候选区域比例按照设定的三种模式选择,将所有所述候选区域连接到所述区域生成网络,采用softmax回归出所有候选区域,选择前第二设定个数候选区域作为第二输出图像;
C3)将所述第二输出图像接入已训练的mobilenet网络进行迁移学习,得到杆塔缺陷检测模型。
4.根据权利要求1所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述步骤E)进一步包括:
E1)调用无人机SDK获取实时视频流,每秒抓取一帧关键帧;
E2)调用所述杆塔缺陷检测模型检测所述关键帧,判断是否检测到缺陷,如是,执行步骤E3);否则,返回步骤E1);
E3)将检测结果通过http协议发送到后台服务器。
5.根据权利要求2所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述设定角度为30°。
6.根据权利要求3所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述第一设定个数为9个。
7.根据权利要求3所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述设定的三种模式为[1:2,1:1,2:1]。
8.根据权利要求3所述的基于部署在无人机中模型的杆塔缺陷巡检的方法,其特征在于,所述第二设定个数为200个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888165.XA CN110807359A (zh) | 2019-09-19 | 2019-09-19 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888165.XA CN110807359A (zh) | 2019-09-19 | 2019-09-19 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807359A true CN110807359A (zh) | 2020-02-18 |
Family
ID=69487680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910888165.XA Pending CN110807359A (zh) | 2019-09-19 | 2019-09-19 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807359A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626261A (zh) * | 2020-06-05 | 2020-09-04 | 国网湖南省电力有限公司 | 一种水工建筑物智能巡检分析预警系统 |
CN112380944A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电杆塔结构状态的评估方法和系统 |
CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
CN112529859A (zh) * | 2020-12-04 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种配电设备缺陷检测方法及系统 |
CN113298035A (zh) * | 2021-06-17 | 2021-08-24 | 上海红檀智能科技有限公司 | 基于图像识别的无人机电力杆塔检测及自主巡航方法 |
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 |
CN113538434A (zh) * | 2021-09-17 | 2021-10-22 | 广东电网有限责任公司江门供电局 | 一种电力设备缺陷识别方法、系统和可读存储介质 |
CN114638294A (zh) * | 2022-03-10 | 2022-06-17 | 深圳市腾盛精密装备股份有限公司 | 一种数据增强方法、装置、终端设备及存储介质 |
RU2799078C1 (ru) * | 2022-03-24 | 2023-07-03 | Акционерное общество "Лаборатория Касперского" | Способ обнаружения и распознавания малоразмерных объектов на изображениях при помощи алгоритма машинного обучения и устройство для его реализации |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944369A (zh) * | 2017-11-17 | 2018-04-20 | 大连大学 | 一种基于级联区域生成网络和增强随机森林的行人检测方法 |
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 |
CN109376606A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像杆塔基础故障检测方法 |
-
2019
- 2019-09-19 CN CN201910888165.XA patent/CN110807359A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944369A (zh) * | 2017-11-17 | 2018-04-20 | 大连大学 | 一种基于级联区域生成网络和增强随机森林的行人检测方法 |
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 |
CN109376606A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像杆塔基础故障检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626261A (zh) * | 2020-06-05 | 2020-09-04 | 国网湖南省电力有限公司 | 一种水工建筑物智能巡检分析预警系统 |
CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
CN112380944A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电杆塔结构状态的评估方法和系统 |
CN112380944B (zh) * | 2020-11-06 | 2021-12-21 | 中国电力科学研究院有限公司 | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 |
CN112529859A (zh) * | 2020-12-04 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种配电设备缺陷检测方法及系统 |
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 |
CN113298035A (zh) * | 2021-06-17 | 2021-08-24 | 上海红檀智能科技有限公司 | 基于图像识别的无人机电力杆塔检测及自主巡航方法 |
CN113538434A (zh) * | 2021-09-17 | 2021-10-22 | 广东电网有限责任公司江门供电局 | 一种电力设备缺陷识别方法、系统和可读存储介质 |
CN113538434B (zh) * | 2021-09-17 | 2022-01-25 | 广东电网有限责任公司江门供电局 | 一种电力设备缺陷识别方法、系统和可读存储介质 |
CN114638294A (zh) * | 2022-03-10 | 2022-06-17 | 深圳市腾盛精密装备股份有限公司 | 一种数据增强方法、装置、终端设备及存储介质 |
RU2799078C1 (ru) * | 2022-03-24 | 2023-07-03 | Акционерное общество "Лаборатория Касперского" | Способ обнаружения и распознавания малоразмерных объектов на изображениях при помощи алгоритма машинного обучения и устройство для его реализации |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807359A (zh) | 基于部署在无人机中模型的杆塔缺陷巡检的方法 | |
CN108022235B (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
CN109639481B (zh) | 一种基于深度学习的网络流量分类方法、系统及电子设备 | |
CN110232380B (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
CN111311570A (zh) | 基于无人机巡检的输电线路关键器件缺陷识别方法 | |
Lawson et al. | Finding anomalies with generative adversarial networks for a patrolbot | |
CN110688925B (zh) | 基于深度学习的级联目标识别方法及系统 | |
KR102158799B1 (ko) | 심층신경망 모델을 이용한 건물 식별 방법, 컴퓨터 프로그램 및 장치 | |
CN112070728B (zh) | 基于目标检测算法的钢绳表面缺陷识别方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
Li et al. | Multi‐defect segmentation from façade images using balanced copy–paste method | |
CN111798518A (zh) | 机械臂姿态检测方法、装置和设备及计算机存储介质 | |
Li et al. | CSSAdet: Real-Time end-to-end small object detection for power transmission line inspection | |
Khadmaoui-Bichouna et al. | Edge computational offloading for corrosion inspection in Industry 4.0 | |
CN117036798A (zh) | 一种基于深度学习的输配电线路图像识别方法及系统 | |
CN111260643A (zh) | 基于部署在后端服务器中模型的杆塔缺陷巡检的方法 | |
CN113536847A (zh) | 一种基于深度学习的工业场景视频分析系统及其方法 | |
Wang et al. | DeepAdaIn-Net: Deep adaptive device-edge collaborative inference for augmented reality | |
Dai et al. | Cascade centernet: Robust object detection for power line surveillance | |
CN117475341A (zh) | 多物理场融合的异常识别方法、系统、电子设备及存储介质 | |
Kim et al. | An intelligent collaboration framework between edge camera and video analysis system | |
CN115147929A (zh) | 一种施工场景监控方法、装置、设备及存储介质 | |
Liu et al. | A real-time smoke and fire warning detection method based on an improved YOLOv5 model | |
CN107169448A (zh) | 一种融合处理有效信息并动态捕捉及预警方法 | |
CN109325441B (zh) | 一种输电线路绝缘子对象识别方法 |
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: 20200218 |