CN111062298A - 配电网电力设备目标识别方法和系统 - Google Patents
配电网电力设备目标识别方法和系统 Download PDFInfo
- Publication number
- CN111062298A CN111062298A CN201911268587.3A CN201911268587A CN111062298A CN 111062298 A CN111062298 A CN 111062298A CN 201911268587 A CN201911268587 A CN 201911268587A CN 111062298 A CN111062298 A CN 111062298A
- Authority
- CN
- China
- Prior art keywords
- fast
- rcnn model
- live
- distribution network
- power distribution
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种配电网电力设备目标识别方法和系统。所述方法包括S1:获取待识别配电网区域的实景图片。S2:根据所述待识别配电网区域的实景图片,利用预先建立的Fast‑RCNN模型获取所述实景图片中的电力设备。本申请提供的技术方案,将Fast‑RCNN模型应用到配电网领域进行电力设备目标识别,可以大大提高在复杂的配电网背景中电力设备目标的识别。
Description
技术领域
本发明涉及配电网检测领域,特别是涉及一种配电网电力设备目标识别方法和系统。
背景技术
电力设备在日常使用和运转过程中,由于受到负荷、内部应力、磨损、腐蚀等因素的影响,设备整体或个别部位会在形态、电气性能等方面发生故障,一旦发生故障则会降低电力设备的可靠性,严重者甚至会造成事故。目前,对于电力设备的巡检工作主要依靠无人机拍摄照片,再对照片进行处理来识别目标设备。但是,如何在复杂的背景当中,排除障碍物,对目标进行精准提取和识别是至关重要的。
配电网检测领域中,传统的对照片进行处理的方法是以统计计算为基础,在整体研究的过程中,通过多维特征的空间对背景和目标进行识别。但是,如果研究背景过于复杂,一般情况下无法对目标设备进行精准的选择,鲁棒性较差。
发明内容
基于此,有必要针对配电网检测领域中电力设备目标识别不准确的问题,提供一种配电网电力设备目标识别方法和系统。
一种配电网电力设备目标识别方法,所述方法包括:
S1:获取待识别配电网区域的实景图片;
S2:根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。
在其中的一个实施例中,所述S2中,所述利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备,包括:
S21:建立Fast-RCNN模型;
S22:对所述Fast-RCNN模型进行检验,若所述Fast-RCNN模型满足预设精度要求,则执行S23,否则重新训练所述Fast-RCNN模型;
S23:将所述待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入层,获取所述Fast-RCNN模型的输出层,将所述Fast-RCNN模型的输出层作为所述实景图片识别出的电力设备。
在其中的一个实施例中,所述S21包括:
S211:以历史待识别配电网区域的实景图片作为初始Fast-RCNN模型的输入层训练样本;
S212:以所述历史待识别配电网区域的实景图片中的实际电力设备作为初始Fast-RCNN模型的输出层样本,训练所述初始Fast-RCNN模型;
S213:获取所述Fast-RCNN模型。
在其中的一个实施例中,所述S22包括:
S221:将历史待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入,获取所述Fast-RCNN模型输出的识别结果;
S222:计算所述Fast-RCNN模型输出的识别结果与所述历史待识别配电网区域的实景图片中的实际电力设备的匹配相似度;
S223:根据所述匹配相似度与所述预设精度要求确定所述Fast-RCNN模型是否通过检验。
在其中的一个实施例中,所述S223包括:
若所述匹配相似度大于等于所述预设精度,则所述Fast-RCNN模型通过检验。
在其中的一个实施例中,所述S223还包括:
若所述匹配相似度小于所述预设精度,则所述Fast-RCNN模型未通过检验。
在其中的一个实施例中,所述S23包括:
S231:将所述Fast-RCNN模型输入的待识别配电网区域的实景图片输入到CNN网络中提取特征向量;
S232:利用Selective Search对所述Fast-RCNN模型输入的待识别配电网区域的实景图片进行处理,获取多个候选框;
S233:将所述多个候选框映射到所述CNN网络提取出的特征向量上,提取所述多个候选框的特征向量;
S234:利用RoI pooling层将所述多个候选框的特征向量归一化为固定长度的特征向量;
S235:将所述固定长度的特征向量送入全连接层获取所述候选框的类别和调整因子。
一种配电网电力设备目标识别系统,所述系统包括:
第一获取模块,用于获取待识别配电网区域的实景图片;
第二获取模块,用于根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。
在其中的一个实施例中,所述第二获取模块包括:
建立单元,用于建立Fast-RCNN模型;
判断单元,用于对所述Fast-RCNN模型进行检验,若所述Fast-RCNN模型满足预设精度要求,则执行S23,否则重新训练所述Fast-RCNN模型;
获取单元,用于将所述待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入层,获取所述Fast-RCNN模型的输出层,将所述Fast-RCNN模型的输出层作为所述实景图片识别出的电力设备。
在其中的一个实施例中,所述建立单元包括:
输入层训练子单元,用于以历史待识别配电网区域的实景图片作为初始Fast-RCNN模型的输入层训练样本;
输出层训练子单元,用于以所述历史待识别配电网区域的实景图片中的实际电力设备作为初始Fast-RCNN模型的输出层样本,训练所述初始Fast-RCNN模型;
第一获取子单元,用于获取所述Fast-RCNN模型。
在其中的一个实施例中,所述判断单元包括:
第二获取子单元,用于将历史待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入,获取所述Fast-RCNN模型输出的识别结果;
计算子单元,用于计算所述Fast-RCNN模型输出的识别结果与所述历史待识别配电网区域的实景图片中的实际电力设备的匹配相似度;
确定子单元,用于根据所述匹配相似度与所述预设精度要求确定所述Fast-RCNN模型是否通过检验。
本申请的实施例提供一种配电网电力设备目标识别方法和系统,所述方法包括:获取待识别配电网区域的实景图片。根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。本申请的实施例提供的技术方案中,将Fast-RCNN模型应用到配电网领域进行电力设备目标识别,可以大大提高在复杂的配电网背景中电力设备目标的识别,增强鲁棒性,使配电网领域中电力设备目标识别过程更加灵活。
附图说明
图1为本申请的实施例提供的一种配电网电力设备目标识别的方法的流程图;
图2为本申请的实施例提供的获取图片中目标设备的方法流程图;
图3为本申请的实施例提供的建立Fast-RCNN模型的方法流程图;
图4为本申请的实施例提供的Fast-RCNN模型检验流程图;
图5为本申请的实施例提供的Fast-RCNN模型工作过程流程图;
图6为本申请的实施例提供的Fast-RCNN模型结构示意图;
图7为本申请的实施例提供的一种配电网电力设备目标识别系统的结构示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不局限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
目标识别的方法是以人工智能为基础,整体的研究背景过于复杂,在建立的整体过程当中,相关的控制策略应该自下而上的进行制定。目标识别的方法可以有效地将众多的信息结合起来,即使是在复杂的背景之下,也能够在最短的时间当中选择自己所需要的目标,完成相关的信息识别和特定目标的选取。
如图1所示,本申请的一个实施例提供一种配电网电力设备目标识别的方法,所述方法包括:
S1:获取待识别配电网区域的实景图片。
S2:根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。
具体的,所述待识别配电网区域的实景图片为可见光图片。由于配电网经过的区域多为城镇居民区,因此,所述实景图片中包含有待识别电力设备和障碍物。所述的障碍物一般为树枝、电线、路灯等。
本实施例中,主要通过对配电网区域中可见光图片的分析,利用Fast-RCNN模型智能识别出所述可见光图片中的电力设备目标。可以在电力设备日常巡检的过程中,提供智能的目标识别功能,为无人机自动化和智能巡检提供了较高的检测依据。较大程度的减少了人工的工作量,并提高了电力巡检作业的精确度。
如图2所示,在本申请的另外一个实施例中,所述S2中,所述利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备,包括:
S21:建立Fast-RCNN模型。
S22:对所述Fast-RCNN模型进行检验,若所述Fast-RCNN模型满足预设精度要求,则执行S23,否则重新训练所述Fast-RCNN模型。
S23:将所述待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入层,获取所述Fast-RCNN模型的输出层,将所述Fast-RCNN模型的输出层作为所述实景图片识别出的电力设备。
具体的,本实施例中,将待识别配电网区域的实景图片输入到Fast-RCNN模型中来获取目标电力设备,可以使执行流程更为紧凑。相比于RCNN网络模型,在准确率相同的情况下,检测速度可以提高66%-67%。对于RCNN网络模型,利用CNN网络对每一个候选区域反复进行特征提取,而每张图片中的候选区域之间有大量的重叠部分,这一设定造成了特征提取步骤浪费了大量的时间。对于Fast-RCNN网络,将整个图片归一化后直接送入CNN网络中,卷积层不进行候选区域的特征提取,而是在RoI pooling层中进行特征提取计算,大幅度提高目标检测的速度。
如图3所示,本申请的另外一个实施例中,所述S21包括:
S211:以历史待识别配电网区域的实景图片作为初始Fast-RCNN模型的输入层训练样本。
S212:以所述历史待识别配电网区域的实景图片中的实际电力设备作为初始Fast-RCNN模型的输出层样本,训练所述初始Fast-RCNN模型。
S213:获取所述Fast-RCNN模型。
具体的,所述历史待识别配电网区域的实景图片可以由无人机或者其他巡检设备拍摄获得。所述历史待识别配电网区域的实景图片中的实际电力设备可以通过实地考察或者其他方式获得。
本实施例中,训练所述Fast-RCNN模型,需要确定所述Fast-RCNN模型中各层的权值。通过将大量所述历史待识别配电网区域的实景图片和大量所述历史待识别配电网区域的实景图片中的实际电力设备不断输入到所述Fast-RCNN模型中,修正所述Fast-RCNN模型中各层的权值,直到所述Fast-RCNN模型输出的结果与实际的结果误差小于预设阈值时,则所述Fast-RCNN模型训练完成,获得所述Fast-RCNN模型。
如图4所示,本申请的另外一个实施例中,所述S22包括:
S221:将历史待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入,获取所述Fast-RCNN模型输出的识别结果。
S222:计算所述Fast-RCNN模型输出的识别结果与所述历史待识别配电网区域的实景图片中的实际电力设备的匹配相似度。
S223:根据所述匹配相似度与所述预设精度要求确定所述Fast-RCNN模型是否通过检验。
具体的,本实施例为检测所述Fast-RCNN模型是否达标的过程。通过将历史待识别配电网区域的实景图片输入到训练完成的Fast-RCNN模型中,经过所述Fast-RCNN模型处理,获得所述Fast-RCNN模型输出。将所述Fast-RCNN模型输出与该实景对应的实际电力设备进行对比,若准确率达到预设精度要求,则说明所述Fast-RCNN模型通过检验。其中,所述对比的过程可以采用计算两者的匹配相似度的方式实现。
本申请的另外一个实施例中,所述S223包括:若所述匹配相似度大于等于所述预设精度,则所述Fast-RCNN模型通过检验。若所述匹配相似度小于所述预设精度,则所述Fast-RCNN模型未通过检验。
具体的,所述预设精度可以根据实际工况要求进行设定,一般所述预设精度要求不低于90%。本实施例通过对所述Fast-RCNN模型进行检验,可以保证输出结果的准确性,进而确保了配电网电力设备目标识别的精确度,提高了识别过程的鲁棒性。
如图5所示,本申请的另外一个实施例中,所述S23包括:
S231:将所述Fast-RCNN模型输入的待识别配电网区域的实景图片输入到CNN网络中提取特征向量。
S232:利用Selective Search对所述Fast-RCNN模型输入的待识别配电网区域的实景图片进行处理,获取多个候选框。
S233:将所述多个候选框映射到所述CNN网络提取出的特征向量上,提取所述多个候选框的特征向量。
S234:利用RoI pooling层将所述多个候选框的特征向量归一化为固定长度的特征向量。
S235:将所述固定长度的特征向量送入全连接层获取所述候选框的类别和调整因子。
具体的,如图6所示,所述Fast-RCNN模型主要包括CNN特征提取部分、候选框提取部分(Selective Search)、RoI Pooling层以及全连接层。其中,所述CNN特征提取部分的输入为整张待识别配电网区域的实景图片,所述CNN特征提取部分的输出为特征向量。所述候选框提取部分利用Selective Search提取所述实景图片的候选框。所述RoI Pooling层用于将不同大小的候选框的特征向量归一化到固定长度上。对于固定长度的特征向量,利用全连接层+softmax的方式获得候选框的类别。类别列表包括电力设备类别和背景障碍物类别。利用全连接层+回归的方式计算候选框的调整因子。
如图7所示,本申请的另外一个实施例提供一种配电网电力设备目标识别系统,所述系统包括:第一获取模块和第二获取模块。所述第一获取模块用于获取待识别配电网区域的实景图片。所述第二获取模块用于根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。
本申请的另外一个实施例中,所述第二获取模块包括:建立单元、判断单元和获取单元。所述建立单元用于建立Fast-RCNN模型。所述判断单元用于对所述Fast-RCNN模型进行检验,若所述Fast-RCNN模型满足预设精度要求,则执行S23,否则重新训练所述Fast-RCNN模型。所述获取单元用于将所述待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入层,获取所述Fast-RCNN模型的输出层,将所述Fast-RCNN模型的输出层作为所述实景图片识别出的电力设备。
本申请的另外一个实施例中,所述建立单元包括:输入层训练子单元、输出层训练子单元和第一获取子单元。所述输入层训练子单元用于以历史待识别配电网区域的实景图片作为初始Fast-RCNN模型的输入层训练样本。所述输出层训练子单元用于以所述历史待识别配电网区域的实景图片中的实际电力设备作为初始Fast-RCNN模型的输出层样本,训练所述初始Fast-RCNN模型。所述第一获取子单元用于获取所述Fast-RCNN模型。
本申请的另外一个实施例中,所述判断单元包括:第二获取子单元、计算子单元和确定子单元。所述第二获取子单元用于将历史待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入,获取所述Fast-RCNN模型输出的识别结果。所述计算子单元用于计算所述Fast-RCNN模型输出的识别结果与所述历史待识别配电网区域的实景图片中的实际电力设备的匹配相似度。所述确定子单元用于根据所述匹配相似度与所述预设精度要求确定所述Fast-RCNN模型是否通过检验。
本申请的另外一个实施例中,所述确定子单元具体用于若所述匹配相似度大于等于所述预设精度,则所述Fast-RCNN模型通过检验。若所述匹配相似度小于所述预设精度,则所述Fast-RCNN模型未通过检验。
本申请的另外一个实施例中,获取单元包括:第一提取子单元、第三获取子单元、第二提取子单元、归一化处理子单元和第四获取子单元。所述第一提取子单元用于将所述Fast-RCNN模型输入的待识别配电网区域的实景图片输入到CNN网络中提取特征向量。所述第三获取子单元用于利用Selective Search对所述Fast-RCNN模型输入的待识别配电网区域的实景图片进行处理,获取多个候选框。所述第二提取子单元用于将所述多个候选框映射到所述CNN网络提取出的特征向量上,提取所述多个候选框的特征向量。所述归一化处理子单元用于利用RoI pooling层将所述多个候选框的特征向量归一化为固定长度的特征向量。所述第四获取子单元用于将所述固定长度的特征向量送入全连接层获取所述候选框的类别和调整因子。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种配电网电力设备目标识别方法,其特征在于,所述方法包括:
S1:获取待识别配电网区域的实景图片;
S2:根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。
2.根据权利要求1所述的方法,其特征在于,所述S2中,所述利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备,包括:
S21:建立Fast-RCNN模型;
S22:对所述Fast-RCNN模型进行检验,若所述Fast-RCNN模型满足预设精度要求,则执行S23,否则重新训练所述Fast-RCNN模型;
S23:将所述待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入层,获取所述Fast-RCNN模型的输出层,将所述Fast-RCNN模型的输出层作为所述实景图片识别出的电力设备。
3.根据权利要求2所述的方法,其特征在于,所述S21包括:
S211:以历史待识别配电网区域的实景图片作为初始Fast-RCNN模型的输入层训练样本;
S212:以所述历史待识别配电网区域的实景图片中的实际电力设备作为初始Fast-RCNN模型的输出层样本,训练所述初始Fast-RCNN模型;
S213:获取所述Fast-RCNN模型。
4.根据权利要求2所述的方法,其特征在于,所述S22包括:
S221:将历史待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入,获取所述Fast-RCNN模型输出的识别结果;
S222:计算所述Fast-RCNN模型输出的识别结果与所述历史待识别配电网区域的实景图片中的实际电力设备的匹配相似度;
S223:根据所述匹配相似度与所述预设精度要求确定所述Fast-RCNN模型是否通过检验。
5.根据权利要求4所述的方法,其特征在于,所述S223包括:
若所述匹配相似度大于等于所述预设精度,则所述Fast-RCNN模型通过检验。
6.根据权利要求4所述的方法,其特征在于,所述S223还包括:
若所述匹配相似度小于所述预设精度,则所述Fast-RCNN模型未通过检验。
7.根据权利要求2所述的方法,其特征在于,所述S23包括:
S231:将所述Fast-RCNN模型输入的待识别配电网区域的实景图片输入到CNN网络中提取特征向量;
S232:利用Selective Search对所述Fast-RCNN模型输入的待识别配电网区域的实景图片进行处理,获取多个候选框;
S233:将所述多个候选框映射到所述CNN网络提取出的特征向量上,提取所述多个候选框的特征向量;
S234:利用RoI pooling层将所述多个候选框的特征向量归一化为固定长度的特征向量;
S235:将所述固定长度的特征向量送入全连接层获取所述候选框的类别和调整因子。
8.一种配电网电力设备目标识别系统,其特征在于,所述系统包括:
第一获取模块,用于获取待识别配电网区域的实景图片;
第二获取模块,用于根据所述待识别配电网区域的实景图片,利用预先建立的Fast-RCNN模型获取所述实景图片中的电力设备。
9.根据权利要求8所述的系统,其特征在于,所述第二获取模块包括:
建立单元,用于建立Fast-RCNN模型;
判断单元,用于对所述Fast-RCNN模型进行检验,若所述Fast-RCNN模型满足预设精度要求,则执行S23,否则重新训练所述Fast-RCNN模型;
获取单元,用于将所述待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入层,获取所述Fast-RCNN模型的输出层,将所述Fast-RCNN模型的输出层作为所述实景图片识别出的电力设备。
10.根据权利要求9所述的系统,其特征在于,所述建立单元包括:
输入层训练子单元,用于以历史待识别配电网区域的实景图片作为初始Fast-RCNN模型的输入层训练样本;
输出层训练子单元,用于以所述历史待识别配电网区域的实景图片中的实际电力设备作为初始Fast-RCNN模型的输出层样本,训练所述初始Fast-RCNN模型;
第一获取子单元,用于获取所述Fast-RCNN模型。
11.根据权利要求9所述的系统,其特征在于,所述判断单元包括:
第二获取子单元,用于将历史待识别配电网区域的实景图片作为所述Fast-RCNN模型的输入,获取所述Fast-RCNN模型输出的识别结果;
计算子单元,用于计算所述Fast-RCNN模型输出的识别结果与所述历史待识别配电网区域的实景图片中的实际电力设备的匹配相似度;
确定子单元,用于根据所述匹配相似度与所述预设精度要求确定所述Fast-RCNN模型是否通过检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911268587.3A CN111062298A (zh) | 2019-12-11 | 2019-12-11 | 配电网电力设备目标识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911268587.3A CN111062298A (zh) | 2019-12-11 | 2019-12-11 | 配电网电力设备目标识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062298A true CN111062298A (zh) | 2020-04-24 |
Family
ID=70300669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911268587.3A Pending CN111062298A (zh) | 2019-12-11 | 2019-12-11 | 配电网电力设备目标识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801230A (zh) * | 2021-04-07 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路无人机智能验收方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909901A (zh) * | 2017-02-28 | 2017-06-30 | 北京京东尚科信息技术有限公司 | 从图像中检测物体的方法及装置 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
US20180129887A1 (en) * | 2016-11-07 | 2018-05-10 | Samsung Electronics Co., Ltd. | Method and apparatus for indicating lane |
CN108537826A (zh) * | 2018-05-28 | 2018-09-14 | 深圳市芯汉感知技术有限公司 | 一种基于人工干预的舰船目标跟踪方法 |
-
2019
- 2019-12-11 CN CN201911268587.3A patent/CN111062298A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180129887A1 (en) * | 2016-11-07 | 2018-05-10 | Samsung Electronics Co., Ltd. | Method and apparatus for indicating lane |
CN106909901A (zh) * | 2017-02-28 | 2017-06-30 | 北京京东尚科信息技术有限公司 | 从图像中检测物体的方法及装置 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
CN108537826A (zh) * | 2018-05-28 | 2018-09-14 | 深圳市芯汉感知技术有限公司 | 一种基于人工干预的舰船目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
张索非 等: "基于深度卷积神经网络的目标检测算法进展", 《南京邮电大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801230A (zh) * | 2021-04-07 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路无人机智能验收方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN112990310A (zh) | 服务于电力机器人的人工智能系统及方法 | |
CN111914642B (zh) | 一种行人重识别方法、装置、设备及介质 | |
CN111209832B (zh) | 变电站巡检机器人辅助避障训练方法、设备及介质 | |
Cepni et al. | Vehicle detection using different deep learning algorithms from image sequence | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN111241987B (zh) | 基于代价敏感的三支决策的多目标模型视觉追踪方法 | |
CN115830407A (zh) | 一种基于yolov4目标检测模型的电缆管线故障判别算法 | |
CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
CN112132157A (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN114037895A (zh) | 一种无人机杆塔巡检图像识别方法 | |
CN111062298A (zh) | 配电网电力设备目标识别方法和系统 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN116681885B (zh) | 输变电设备红外图像目标识别方法及系统 | |
CN111597900B (zh) | 非法遛狗识别方法 | |
CN111191027B (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 | |
CN116563841A (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN114227717A (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
CN113947780A (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
CN115858846B (zh) | 一种基于深度学习的滑雪者图像检索方法和系统 | |
CN116912721B (zh) | 一种基于单目立体视觉的配电网设备本体识别方法及系统 | |
CN113177527B (zh) | 一种车型识别方法及装置 |
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: 20200424 |
|
RJ01 | Rejection of invention patent application after publication |