CN110838112A - 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 - Google Patents

一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 Download PDF

Info

Publication number
CN110838112A
CN110838112A CN201911085665.6A CN201911085665A CN110838112A CN 110838112 A CN110838112 A CN 110838112A CN 201911085665 A CN201911085665 A CN 201911085665A CN 110838112 A CN110838112 A CN 110838112A
Authority
CN
China
Prior art keywords
insulator
yolov3 network
hough transform
image
optimized
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
Application number
CN201911085665.6A
Other languages
English (en)
Inventor
王珏飞
陆丽
张凌恺
郦欣文
马婧涵
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji 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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201911085665.6A priority Critical patent/CN110838112A/zh
Publication of CN110838112A publication Critical patent/CN110838112A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06T2207/20048—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]
    • 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
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明涉及一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，包括以下步骤：步骤S1：获得训练集和测试集；步骤S2：利用训练集训练输出四层尺度的YOLOv3网络，得到优化YOLOv3网络；步骤S3：将测试集输入优化YOLOv3网络，验证优化YOLOv3网络；步骤S4：基于霍夫变换后的待检测绝缘子图像和优化YOLOv3网络，进行绝缘子缺损检测。与现有技术相比，避免了传统人力巡检难的问题和人工特征设计难的问题；解决了拍摄到的图像有倾角的问题；可以满足绝缘子缺损小目标检测精度的要求。

Description

一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法
技术领域
本发明涉及输电线路智能巡检领域，尤其是涉及一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法。
背景技术
传统的输电线路巡检，通常是人工视觉巡检，效率低，易受巡检人员个人主观经验判断影响大，缺乏巡检结果的可迁移性与准确性。随着科技的发展，无人机或直升机航拍巡检已逐渐成为电网巡检的趋势，但目前大多数应用中仍是用人工视觉来判断航拍图像中是否存在安全隐患。当前，目标检测是近年来计算机视觉和图像处理等研究领域的热点，在智能交通监测、人机交互、行为识别等方面都有广泛的应用，目标检测也被用于输电线路智能巡检的领域。传统的绝缘子缺失检测方法以人工设计绝缘子图像特征为主，特征设计难度大，可迁移性及面对不同数据的鲁棒性差；随着深度学习相关理论的发展，基于深度学习的绝缘子缺损检测方法得到了广泛的研究，相应的方法有faster CNN、SSD以及YOLOv3等深度学习目标检测框架。
随着架空输电线路的不断建设，难免穿过江河山川，传统人力巡检难以满足电网安全稳定运行的要求。无人机平台的广泛应用使电力巡检人员获取大量巡检数据。传统的绝缘子缺损检测方法大多使用人工设计特征进行位置识别与缺损的检测，人工特征设计难度大，面对不同数据的可迁移性差，鲁棒性无法满足工业需要，分类器难以满足实时性与检测精度的双要求。此外，现有的目标检测框都是水平与垂直设计的，而由于输电线路设计的不同与无人机航拍过程中角度的差异，拍摄到的绝缘子图像不完全是水平与垂直的，这就使得现有目标检测的水平垂直框难以满足小目标检测精度的要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，该方法包括以下步骤：
步骤S1：获得训练集和测试集；
步骤S2：利用训练集训练输出四层尺度的YOLOv3网络，得到优化YOLOv3网络；
步骤S3：将测试集输入优化YOLOv3网络，验证优化YOLOv3网络；
步骤S4：基于霍夫变换后的待检测绝缘子图像和优化YOLOv3网络，进行绝缘子缺损检测。
所述的步骤S1包括：
步骤S11：获得有损绝缘子图像和无损绝缘子图像；
步骤S12：对有损绝缘子图像进行扩充，得到扩充后有损绝缘子图像；
步骤S13：对无损绝缘子图像中的无损绝缘子、扩充后有损绝缘子图像中的有损绝缘子和缺损部位运用进行标注；
步骤S14：将标注后的扩充后有损绝缘子图像和无损绝缘子图像分为训练集和测试集。
所述的四层尺度为13*13、26*26、52*52和104*104。
所述104*104尺度的计算过程为：
Layer42层的输出通过卷积和上采样层的结果，与Layer17层的输出经过卷积的结果输入Concatenate层，Concatenate层的输出通过卷积得到104*104尺度的输出。
所述的优化YOLOv3网络的损失函数为：
Figure BDA0002265334590000031
其中，λcoord为坐标误差的权重，λnoobj为种类误差的权重，i和j均为从0开始的数字变量，obj为目标框，S2为网格数目，B为边界框预测数目，xi为原中心点横坐标，
Figure BDA0002265334590000032
为预测中心点横坐标，yi为原中心点纵坐标，
Figure BDA0002265334590000033
为预测中心点纵坐标，wi为原目标框宽度，
Figure BDA0002265334590000034
为预测目标框宽度，hi为原目标框高度，
Figure BDA0002265334590000035
为预测目标框高度，Ci为生成目标框置信度，为预测目标框置信度，pi(c)为生成目标框类别概率，
Figure BDA0002265334590000037
为预测目标框类别概率，classes为输入目标框类别数。
所述的优化YOLOv3网络采用K-means++算法获得合适的目标框比例。
采用所述的K-means++算法聚类过程中，以归一化后目标框的长宽比例与聚类中心之间的欧式距离作为距离指标d，所述的距离指标d表示为：
Figure BDA0002265334590000038
其中，l、w分别表示长宽，obj表示目标框，cen表示聚类中心，N(*)表示将尺寸归一化。
所述的步骤S4中待检测绝缘子图像通过霍夫变换得到倾斜角θ，将待检测绝缘子图像旋转θ角度后输入优化YOLOv3网络，进行绝缘子缺损检测。
与现有技术相比，本发明具有以下优点：
(1)将YOLOv3网络用于绝缘子缺损检测，避免了传统人力巡检难的问题和人工特征设计难的问题；霍夫变换的使用解决了拍摄到的图像有倾角的问题；YOLOv3网络有四层尺度，使该方法可以满足绝缘子缺损小目标检测精度的要求。
(2)YOLOv3网络采用K-means++算法聚类，可以提高收敛速度，节省模型训练时间。
(3)以归一化后目标框的长宽比例与聚类中心之间的欧式距离作为距离指标，更适合进行扩充过的训练集和测试集。
附图说明
图1为本发明的流程图；
图2为Darknet-57网络模型结构示意图；
图3为YOLOv3网络改进部分结构示意图；
图4为改进后YOLOv3网络结构示意图；
图5(a)为K-means算法的聚类示意图；
图5(b)为K-means++算法的聚类示意图；
图5(c)为K-means++算法长宽欧氏距离的聚类示意图；
图6为有损绝缘子图像的扩充效果图；
图7为边缘检测及霍夫变换处理效果图；
图8为检测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，如图1所示，包括以下步骤：
步骤S1：获得训练集和测试集；
步骤S2：利用训练集训练输出四层尺度的YOLOv3网络，得到优化YOLOv3网络；
步骤S3：将测试集输入优化YOLOv3网络，验证优化YOLOv3网络；
步骤S4：基于霍夫变换后的待检测绝缘子图像和优化YOLOv3网络，进行绝缘子缺损检测。
具体而言：
获得训练集和测试集的过程包括：
1：收集大量航拍初始绝缘子图像，并对绝缘子图像中的数据进行预处理，即进行清洗及异常值处理，最终获得绝缘子图像。
2：从绝缘子图像中处理并区分出正样本(无损绝缘子图像)及负样本(有损绝缘子图像)。
3：将有损绝缘子图像经过平移、翻转、放缩、水平翻转、颜色变化后填入黑色、修改背景等处理，使得有损绝缘子图像得到扩充，如图6所示。
4：使用LabelImg工具对无损绝缘子图像中的无损绝缘子、扩充后有损绝缘子图像中的有损绝缘子和缺损部位运用进行标注，将绝缘子图像按4：1的比例随机分为训练集与测试集。
得到优化YOLOv3网络的过程包括：
1：将标注好的训练集输入改进的YOLOv3网络进行学习，采用K-means++聚类算法获得合适的目标框比例，随着损失函数的下降趋于稳定，最终得到最优权重值。训练时采用的损失函数(loss function)如下所示：
Figure BDA0002265334590000051
其中，λcoord为坐标误差的权重，λnoobj为种类误差的权重，i和j均为从0开始的数字变量，obj为目标框，S2为网格数目，B为边界框预测数目，xi为原中心点横坐标，
Figure BDA0002265334590000052
为预测中心点横坐标，yi为原中心点纵坐标，
Figure BDA0002265334590000053
为预测中心点纵坐标，wi为原目标框宽度，
Figure BDA0002265334590000054
为预测目标框宽度，hi为原目标框高度，
Figure BDA0002265334590000055
为预测目标框高度，Ci为生成目标框置信度，
Figure BDA0002265334590000056
为预测目标框置信度，pi(c)为生成目标框类别概率，
Figure BDA0002265334590000057
为预测目标框类别概率，classes为输入目标框类别数。
k-means++算法整体步骤如下：
a：从训练集目标框X中随机选取一个聚类中心点c1；
b：计算X中的每个样本x与c1之间的欧式距离D(x)，通过计算概率
Figure BDA0002265334590000058
选取最大概率对应的样本点作为下一个聚类中心点c2；
c：按照轮盘赌法重复Step2，直至选取9个离散的聚类中心C＝{c1,c2,...,c9}；
d：针对X中每个样本x，计算它到9个聚类中心的距离并将其分至距离最小的聚类中心对应的簇中；
e：重新计算聚类中心cj，取已有聚类中心点的算术平均值，即
Figure BDA0002265334590000061
其中|C|为聚类中心的个数，cj代替c1，并重复Step a-Step e，直至聚类中心不再变化。
验证优化YOLOv3网络的过程包括：
将测试集输入优化YOLOv3网络，验证优化YOLOv3网络。
进行绝缘子缺损检测的过程包括：
1：对待检测绝缘子图像进行预处理。
a、灰度变换；b、Canny算法边缘检测处理；c、通过经典霍夫变换取得倾斜角θ，假设经传统霍夫变换后的直线两点坐标分别为
Figure BDA0002265334590000062
取所有直线两端点的均值作为最终霍夫变换所检测出的倾斜指示线的坐标，即：根据倾斜指示线的坐标
Figure BDA0002265334590000064
计算出待检测绝缘子图像的倾斜角θ，
Figure BDA0002265334590000065
然后利用双线性插值法将图像根据所计算出的倾斜角θ旋转图像，使绝缘子图像呈现近似水平或垂直状态，如图7所示。
2：调整相应的评分阈值，检测获得缺损部位、有损绝缘子或无损绝缘子的目标框。
本实施例有两个关键点：
关键点1：本实施例所述的YOLOv3网络为输出四层尺度的YOLOv3网络。
以输入图像大小为416×416为例，针对传统的YOLOv3网络小目标检测精度较低的问题，将YOLOv3网络中的原Darknet-53网络模型的第二单元增加四层卷积层及两层残差网络用以增加小目标的训练时的学习深度(如图2中深色标识模块所示)，提出了Darknet-57网络模型。
传统的YOLOv3网络得到的尺度为13×13、26×26、52×52，分别用来检测不同尺寸的目标，传统的YOLOv3网络对VOC2007数据集识别精度较好。但本实施例构建的绝缘子航拍图像数据集中存在缺损绝缘子缺损部位小目标，该目标远小于VOC2007数据集中的相关目标。通过实验验证可知，在绝缘子缺损检测中，目标越小，采用原检测尺度越难达到较高的精度。
因此，本方法在传统的YOLOv3网络基础上，增加了四层尺度为104×104的卷积神经网络及两层残差网络。此外，将YOLOv3网络的输出增加104×104尺度。具体改进过程如下，如图3所示，首先，将Layer42层数据经过卷积操作输入上采样层得到的结果，通过Concatenate层与Layer17层输出的数据经过卷积操作得到的结果相连。其次，Concatenate层输出的数据经过卷积操作得到尺寸为104×104的特征图尺度(用以检测小目标)，上述操作后，104×104的特征图尺度中融合了52×52尺寸特征图中的特征向量，使得识别精度得到提高。
结合Darknet-57网络模型，最终改进后YOLOv3网络结构如图4所示，输出目标检测尺寸分别为13×13、26×26、52×52及104×104，提高了对小目标检测的精度。通过多尺度特征分析可以更好的适应输电线路绝缘子缺损检测场景下多小目标的情况，从而提高模型准确率，同时采用与现实场景下相匹配的尺度数目，还可以有效地减少计算量。此外，在绝缘子缺损检测中只需要检测无损绝缘子、有损绝缘子和缺损部位这三个类，所以修改模型输出类别个数为3，从而减少不必要的计算量。
关键点2：以归一化后的目标框长宽比例与聚类中心之间的欧式距离作为聚类算法的距离指标。
YOLO v3网络通过训练集目标框的聚类从而得到先验框，用以指导网络学习。传统的YOLOv3网络采用K-means聚类算法计算出9个先验框的尺寸大小，其中以1-IoU(IoU为目标框与聚类中心的交并比)为距离指标。
一方面，考虑到K-means算法需要手动选择初始聚类中心，并且初始聚类中心选择不合适，聚类结果就难以到达要求。针对此问题，本方法采用更加稳定的K-means++算法，使初始聚类中心的选择离散程度最大，从而进一步提升了聚类得到的先验框分布的鲁棒性，对比如图5(b)所示。
另一方面，本方法标注的训练数据集中有一部分是由数据扩充得到，导致目标框尺度真值分布较为集中，如图5(a)所示。若使用传统的距离指标1-IoU，无法得到具有良好拟合状态的先验框结果。因此提出了以归一化后目标框的长宽比例与聚类中心之间的欧式距离作为距离指标d，距离指标d表示为(如图5(c)所示)：
Figure BDA0002265334590000071
其中，l、w分别表示长宽，obj表示目标框，cen表示聚类中心，N(*)表示将尺寸归一化。
检测结果如图8所示。
本实施例提供的基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法具有以下优点：
将YOLOv3网络用于绝缘子缺损检测，避免了传统人力巡检难的问题和人工特征设计难的问题；霍夫变换的使用解决了拍摄到的图像有倾角的问题；YOLOv3网络有四层尺度，使该方法可以满足绝缘子缺损小目标检测精度的要求。YOLOv3网络采用K-means++算法聚类，可以提高收敛速度，节省模型训练时间。以归一化后目标框的长宽比例与聚类中心之间的欧式距离作为距离指标，更适合进行扩充过的训练集和测试集。

Claims (8)

1.一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，该方法包括以下步骤：
步骤S1：获得训练集和测试集；
步骤S2：利用训练集训练输出四层尺度的YOLOv3网络，得到优化YOLOv3网络；
步骤S3：将测试集输入优化YOLOv3网络，验证优化YOLOv3网络；
步骤S4：基于霍夫变换后的待检测绝缘子图像和优化YOLOv3网络，进行绝缘子缺损检测。
2.根据权利要求1所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，所述的步骤S1包括：
步骤S11：获得有损绝缘子图像和无损绝缘子图像；
步骤S12：对有损绝缘子图像进行扩充，得到扩充后有损绝缘子图像；
步骤S13：对无损绝缘子图像中的无损绝缘子、扩充后有损绝缘子图像中的有损绝缘子和缺损部位运用进行标注；
步骤S14：将标注后的扩充后有损绝缘子图像和无损绝缘子图像分为训练集和测试集。
3.根据权利要求1所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，所述的四层尺度为13×13、26×26、52×52和104×104。
4.根据权利要求3所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，所述104×104尺度的计算过程为：
Layer42层的输出通过卷积和上采样层的结果，与Layer17层的输出经过卷积的结果输入Concatenate层，Concatenate层的输出通过卷积得到104×104尺度的输出。
5.根据权利要求1所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，所述的优化YOLOv3网络的损失函数为：
Figure FDA0002265334580000021
其中，λcoord为坐标误差的权重，λnoobj为种类误差的权重，i和j均为从0开始的数字变量，obj为目标框，S 2为网格数目，B为边界框预测数目，xi为原中心点横坐标，
Figure FDA0002265334580000022
为预测中心点横坐标，yi为原中心点纵坐标，
Figure FDA0002265334580000023
为预测中心点纵坐标，wi为原目标框宽度，
Figure FDA0002265334580000024
为预测目标框宽度，hi为原目标框高度，
Figure FDA0002265334580000025
为预测目标框高度，Ci为生成目标框置信度，
Figure FDA0002265334580000026
为预测目标框置信度，pi(c)为生成目标框类别概率，
Figure FDA0002265334580000027
为预测目标框类别概率，classes为输入目标框类别数。
6.根据权利要求1所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，所述的优化YOLOv3网络采用K-means++算法获得合适的目标框比例。
7.根据权利要求6所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，采用所述的K-means++算法聚类过程中，以归一化后目标框的长宽比例与聚类中心之间的欧式距离作为距离指标d，所述的距离指标d表示为：
Figure FDA0002265334580000028
其中，l、w分别表示长宽，obj表示目标框，cen表示聚类中心，N(*)表示将尺寸归一化。
8.根据权利要求1所述的一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法，其特征在于，所述的步骤S4中待检测绝缘子图像通过霍夫变换得到倾斜角θ，将待检测绝缘子图像旋转θ角度后输入优化YOLOv3网络，进行绝缘子缺损检测。
CN201911085665.6A 2019-11-08 2019-11-08 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 Pending CN110838112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911085665.6A CN110838112A (zh) 2019-11-08 2019-11-08 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911085665.6A CN110838112A (zh) 2019-11-08 2019-11-08 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法

Publications (1)

Publication Number Publication Date
CN110838112A true CN110838112A (zh) 2020-02-25

Family

ID=69574636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911085665.6A Pending CN110838112A (zh) 2019-11-08 2019-11-08 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法

Country Status (1)

Country Link
CN (1) CN110838112A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476756A (zh) * 2020-03-09 2020-07-31 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111680759A (zh) * 2020-06-16 2020-09-18 西南交通大学 一种电网巡检绝缘子检测分类方法
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN111855501A (zh) * 2020-07-30 2020-10-30 华北电力大学（保定） 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN111986161A (zh) * 2020-07-27 2020-11-24 山东万腾电子科技有限公司 一种零部件缺失检测方法及系统
CN112036464A (zh) * 2020-08-26 2020-12-04 国家电网有限公司 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法
CN112200762A (zh) * 2020-07-02 2021-01-08 西南科技大学 二极管玻壳缺陷检测方法
CN112560726A (zh) * 2020-12-22 2021-03-26 北京百度网讯科技有限公司 目标检测置信度确定方法、路侧设备及云控平台
CN113205019A (zh) * 2021-04-22 2021-08-03 上海电力大学 一种缺陷绝缘子的检测方法
CN113297915A (zh) * 2021-04-28 2021-08-24 江苏师范大学 一种基于无人机巡检的绝缘子识别目标检测方法
CN116503344A (zh) * 2023-04-21 2023-07-28 南京邮电大学 一种基于深度学习的裂纹实例分割方法
CN111476756B (zh) * 2020-03-09 2024-05-14 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063166A (zh) * 2013-01-05 2013-04-24 山西省电力公司大同供电分公司 悬式复合绝缘子串风偏角的检测方法及装置
CN108961235A (zh) * 2018-06-29 2018-12-07 山东大学 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109447034A (zh) * 2018-11-14 2019-03-08 北京信息科技大学 基于YOLOv3网络的自动驾驶中交通标识检测方法
CN109829400A (zh) * 2019-01-18 2019-05-31 青岛大学 一种快速车辆检测方法
CN110136131A (zh) * 2019-05-24 2019-08-16 贵州电网有限责任公司 一种基于深度学习的零值绝缘子检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063166A (zh) * 2013-01-05 2013-04-24 山西省电力公司大同供电分公司 悬式复合绝缘子串风偏角的检测方法及装置
CN108961235A (zh) * 2018-06-29 2018-12-07 山东大学 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109447034A (zh) * 2018-11-14 2019-03-08 北京信息科技大学 基于YOLOv3网络的自动驾驶中交通标识检测方法
CN109829400A (zh) * 2019-01-18 2019-05-31 青岛大学 一种快速车辆检测方法
CN110136131A (zh) * 2019-05-24 2019-08-16 贵州电网有限责任公司 一种基于深度学习的零值绝缘子检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHENG CHENG 等: "Research on automatic identification and focusing algorithm based on the day blind ultraviolet unmanned cruise corona detection system", 《PROC. OF SPIE》 *
吴涛 等: "轻量级YOLOV3的绝缘子缺陷检测方法", 《计算机工程》 *
郭雯: "基于深度学习的机械零件目标检测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476756A (zh) * 2020-03-09 2020-07-31 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111476756B (zh) * 2020-03-09 2024-05-14 重庆大学 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN111680759B (zh) * 2020-06-16 2022-05-10 西南交通大学 一种电网巡检绝缘子检测分类方法
CN111680759A (zh) * 2020-06-16 2020-09-18 西南交通大学 一种电网巡检绝缘子检测分类方法
CN112200762A (zh) * 2020-07-02 2021-01-08 西南科技大学 二极管玻壳缺陷检测方法
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN111986161A (zh) * 2020-07-27 2020-11-24 山东万腾电子科技有限公司 一种零部件缺失检测方法及系统
CN111855501A (zh) * 2020-07-30 2020-10-30 华北电力大学（保定） 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法
CN111855501B (zh) * 2020-07-30 2024-02-20 华北电力大学（保定） 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法
CN112036464A (zh) * 2020-08-26 2020-12-04 国家电网有限公司 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法
CN112560726A (zh) * 2020-12-22 2021-03-26 北京百度网讯科技有限公司 目标检测置信度确定方法、路侧设备及云控平台
CN112560726B (zh) * 2020-12-22 2023-08-29 阿波罗智联(北京)科技有限公司 目标检测置信度确定方法、路侧设备及云控平台
CN113205019A (zh) * 2021-04-22 2021-08-03 上海电力大学 一种缺陷绝缘子的检测方法
CN113297915A (zh) * 2021-04-28 2021-08-24 江苏师范大学 一种基于无人机巡检的绝缘子识别目标检测方法
CN116503344A (zh) * 2023-04-21 2023-07-28 南京邮电大学 一种基于深度学习的裂纹实例分割方法

Similar Documents

Publication Publication Date Title
CN110838112A (zh) 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN112183667B (zh) 一种协同深度学习的绝缘子故障检测方法
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN111091105A (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
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
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN113920107A (zh) 一种基于改进yolov5算法的绝缘子破损检测方法
CN111223133A (zh) 一种异源图像的配准方法
CN109446894B (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN111914720B (zh) 一种输电线路绝缘子爆裂识别方法及装置
CN111046950B (zh) 一种图像处理方法、装置、存储介质和电子装置
CN115496746A (zh) 基于图像和点云数据融合的板材表面缺陷检测方法和系统
CN111241994A (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
WO2024021461A1 (zh) 缺陷检测方法及装置、设备、存储介质
CN113538503A (zh) 一种基于红外图像的太阳能板缺陷检测方法
CN115880298A (zh) 一种基于无监督预训练的玻璃表面缺陷检测方法及系统
CN112884715A (zh) 一种基于深度学习的复合绝缘子均压环倾斜故障检测方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN110276747B (zh) 一种基于图像分析的绝缘子故障检测和故障评级方法
CN109919215B (zh) 基于聚类算法改进特征金字塔网络的目标检测方法
CN114445615A (zh) 基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法
CN110472640B (zh) 一种目标检测模型预测框处理方法及装置
CN115908295A (zh) 一种基于深度学习的电网绝缘子缺陷检测方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200225

WD01 Invention patent application deemed withdrawn after publication