CN111079645A - 一种基于AlexNet网络的绝缘子自爆识别方法 - Google Patents

一种基于AlexNet网络的绝缘子自爆识别方法 Download PDF

Info

Publication number
CN111079645A
CN111079645A CN201911290785.XA CN201911290785A CN111079645A CN 111079645 A CN111079645 A CN 111079645A CN 201911290785 A CN201911290785 A CN 201911290785A CN 111079645 A CN111079645 A CN 111079645A
Authority
CN
China
Prior art keywords
insulator
training
pixel
data set
data
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
CN201911290785.XA
Other languages
English (en)
Inventor
李映国
陈俊吉
周杰
殷树才
杨宏
毛昕儒
何涛
陈健欣
黄亮
蒋沁知
夏维建
杨洪椿
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.)
Yongchuan Power Supply Co of State Grid Chongqing Electric Power Co Ltd
Original Assignee
Yongchuan Power Supply Co of State Grid Chongqing Electric Power Co Ltd
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 Yongchuan Power Supply Co of State Grid Chongqing Electric Power Co Ltd filed Critical Yongchuan Power Supply Co of State Grid Chongqing Electric Power Co Ltd
Priority to CN201911290785.XA priority Critical patent/CN111079645A/zh
Publication of CN111079645A publication Critical patent/CN111079645A/zh
Priority to US17/122,884 priority patent/US20210182615A1/en
Pending legal-status Critical Current

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Aviation & Aerospace Engineering (AREA)

Abstract

本发明提供一种基于AlexNet网络的绝缘子自爆无人机巡检技术方法，包括：采集电线上巡逻和跨越障碍物机器人和无人飞行器收集的图像和视频信息；将获取的影像信息在已有的训练数据集上进行快速的数据扩充，将数据集进行拆分成两部分，分别为训练集和测试集；从训练数据集和测试数据集中提取图像特征及类标签用于分类；利用得到的训练集和测试集训练基于AlexNet网络获取能够识别绝缘子自爆的SVM检测模型；检测模型可以对采集到的影像信息进行识别，确定所述包括绝缘子影像信息中是否存在自爆的绝缘子。本发明提供的方法解决了以往需要耗费大量的人力物力资源，大大提高了检测的快速性与精确度。

Description

一种基于AlexNet网络的绝缘子自爆识别方法
技术领域
本发明属于电力维护技术领域，特别提供一种基于AlexNet网络的绝缘子自爆识别方法。
背景技术
绝缘子串在高压输电线路中起到电绝缘和机械支撑等作用，是高压输电系统的重要组成部件，绝缘子的损坏会导致输电线的停电，给人民生活和企业生产带来巨大的不便与损失。因此，绝缘子缺陷实时监测是电力系统的安全运行方面具有实际意义的重要研究方向。
绝缘子缺陷的检测最为常用的是人工巡线法，即通过人员的现场观察确定绝缘子缺陷的缺陷情况。但人工巡线法耗时较长，且无法保证实时性，在人力成本较高的当下，已经越来越无法适应电力系统的实际需要了。另外一种方法就是图像法，通过设备拍摄的绝缘子照片或视频来确定绝缘子的缺陷情况。然而，这种检查通常在人力和能源方面要求很高，既费力又耗时，检查工作很难保持高精度。因此，基于智能算法的绝缘子缺陷识别技术越来越受到工业和学术界的重视，也必将是今后绝缘子缺陷识别方面的主流方向。
发明内容
本发明的目的在于提供一种基于AlexNet网络的绝缘子自爆识别方法，用来解决目前绝缘子识别方法既费力又耗力，识别精确度难以满足现实生活中的要求问题。
本发明提供了一种基于AlexNet网络的绝缘子自爆识别方法，包括如下步骤：
步骤（1）：采集电线上巡逻和跨越障碍物机器人和无人飞行器收集的图像和视频信息；
步骤（2）：将获取的影像信息在已有的训练数据集上进行快速的数据扩充，将数据集进行拆分成两部分，分别为训练集和测试集；
步骤（3）：从训练数据集和测试数据集中提取图像特征及类标签用于分类；
步骤（4）：利用得到的训练集和测试集训练基于AlexNet网络获取能够识别绝缘子自爆的SVM检测模型，绝缘子自爆识别模型在确定绝缘子是否发生自爆进行分类。
所述步骤（2）的数据扩充包括三种方式：
a）随机裁剪。对256×256的图片进行随机裁剪到224×224，然后进行水平翻转，相当于将样本数量增加了（（256-224）^2）×2=2048倍；
b）水平翻转。测试的时候，对左上、右上、左下、右下、中间分别做了5次裁剪，然后翻转，共10个裁剪，之后对10次预测后的结果求平均。
c）改变对比度。对RGB空间做PCA（主成分分析），然后对主成分做一个均值为0，标准差为 0.1的高斯扰动，也就是对颜色、光照作变换，结果使错误率又下降了1%。
所述步骤（2）的数据集拆分的具体步骤：
用按比例拆分工具将数据集拆分，其中70%用作训练数据集，30%用作测试数据集。其中训练集是用来构建模型，测试集是用来评估最终模型的性能。
所述步骤（3）的提取图像特征的具体步骤：
a）使用图像增强数据库对数据集数据进行增强操作，扩大数据量；
b）使用神经网络工具箱的激活函数提取图像特征。
所述步骤（3）的提取图像类标签的具体步骤：
从训练数据和测试数据集中提取类标签，类标签分为“good”和“bad”。
所述步骤（4）的模型训练的具体步骤：
本方法使用的AlexNet网络一共有二十五层，其中有五个卷积层，三个全连接层。依次是：
a）第一个卷积层
在第一个卷积层，输入的原始数据是227*227*3的图像，这个图像被11*11*3的卷积核进行卷积运算，卷积核对原始图像的每次卷积都生成一个新的像素。卷积核沿原始图像的x轴方向和y轴方向两个方向移动，移动的步长是4个像素。因此，卷积核在移动的过程中会生成(227-11)/4+1=55个像素，行和列的55*55个像素形成对原始图像卷积之后的像素层。共有96个卷积核，会生成55*55*96个卷积后的像素层。96个卷积核分成2组，每组48个卷积核。对应生成2组55*55*48的卷积后的像素层数据。这些像素层经过ReLU1单元的处理，生成激活像素层，尺寸仍为2组55*55*48的像素层数据。
这些像素层经过pool运算(池化运算)的处理，池化运算的尺度为3*3，运算的步长为2，则池化后图像的尺寸为(55-3)/2+1=27。池化后像素的规模为27*27*96；然后经过归一化处理，归一化运算的尺度为5*5；第一卷积层运算结束后形成的像素层的规模为27*27*96。分别对应96个卷积核所运算形成。这96层像素层分为2组，每组48个像素层，每组在一个独立的GPU上进行运算。
反向传播时，每个卷积核对应一个偏差值。即第一层的96个卷积核对应上层输入的96个偏差值。
b）第二个卷积层
第二层输入数据为第一层输出的27*27*96的像素层，为便于后续处理，每幅像素层的左右两边和上下两边都要填充2个像素；27*27*96的像素数据分成27*27*48的两组像素数据，两组数据分别在两个不同的GPU中进行运算。每组像素数据被5*5*48的卷积核进行卷积运算，卷积核对每组数据的每次卷积都生成一个新的像素。卷积核沿原始图像的x轴方向和y轴方向两个方向移动，移动的步长是1个像素。因此，卷积核在移动的过程中会生成(27-5+2*2)/1+1=27个像素。行和列的27*27个像素形成对原始图像卷积之后的像素层。共有256个5*5*48卷积核；这256个卷积核分成两组，每组针对一个GPU中的27*27*48的像素进行卷积运算。会生成两组27*27*128个卷积后的像素层。这些像素层经过ReLU2单元的处理，生成激活像素层，尺寸仍为两组27*27*128的像素层。
这些像素层经过pool运算(池化运算)的处理，池化运算的尺度为3*3，运算的步长为2，则池化后图像的尺寸为(57-3)/2+1=13。 即池化后像素的规模为2组13*13*128的像素层；然后经过归一化处理，归一化运算的尺度为5*5；第二卷积层运算结束后形成的像素层的规模为2组13*13*128的像素层。分别对应2组128个卷积核所运算形成。每组在一个GPU上进行运算。即共256个卷积核，共2个GPU进行运算。
反向传播时，每个卷积核对应一个偏差值。即第一层的96个卷积核对应上层输入的256个偏差值。
c）第三个卷积层
第三层输入数据为第二层输出的2组13*13*128的像素层；为便于后续处理，每幅像素层的左右两边和上下两边都要填充1个像素；2组像素层数据都被送至2个不同的GPU中进行运算。每个GPU中都有192个卷积核，每个卷积核的尺寸是3*3*256。因此，每个GPU中的卷积核都能对2组13*13*128的像素层的所有数据进行卷积运算。卷积核对每组数据的每次卷积都生成一个新的像素。卷积核沿像素层数据的x轴方向和y轴方向两个方向移动，移动的步长是1个像素。因此，运算后的卷积核的尺寸为(13-3+1*2)/1+1=13，每个GPU中共13*13*192个卷积核。2个GPU中共13*13*384个卷积后的像素层。这些像素层经过ReLU3单元的处理，生成激活像素层，尺寸仍为2组13*13*192像素层，共13*13*384个像素层。
d）第四个卷积层
第四层输入数据为第三层输出的2组13*13*192的像素层；为便于后续处理，每幅像素层的左右两边和上下两边都要填充1个像素；2组像素层数据都被送至2个不同的GPU中进行运算。每个GPU中都有192个卷积核，每个卷积核的尺寸是3*3*192。因此，每个GPU中的卷积核能对1组13*13*192的像素层的数据进行卷积运算。卷积核对每组数据的每次卷积都生成一个新的像素。卷积核沿像素层数据的x轴方向和y轴方向两个方向移动，移动的步长是1个像素。因此，运算后的卷积核的尺寸为(13-3+1*2)/1+1=13，每个GPU中共13*13*192个卷积核。2个GPU中共13*13*384个卷积后的像素层。这些像素层经过ReLU4单元的处理，生成激活像素层，尺寸仍为2组13*13*192像素层，共13*13*384个像素层。
e）第五个卷积层
五层输入数据为第四层输出的2组13*13*192的像素层；为便于后续处理，每幅像素层的左右两边和上下两边都要填充1个像素；2组像素层数据都被送至2个不同的GPU中进行运算。每个GPU中都有128个卷积核，每个卷积核的尺寸是3*3*192。因此，每个GPU中的卷积核能对1组13*13*192的像素层的数据进行卷积运算。卷积核对每组数据的每次卷积都生成一个新的像素。卷积核沿像素层数据的x轴方向和y轴方向两个方向移动，移动的步长是1个像素。因此，运算后的卷积核的尺寸为(13-3+1*2)/1+1=13，每个GPU中共13*13*128个卷积核。2个GPU中共13*13*256个卷积后的像素层。这些像素层经过ReLU5单元的处理，生成激活像素层，尺寸仍为2组13*13*128像素层，共13*13*256个像素层。
2组13*13*128像素层分别在2个不同GPU中进行池化(pool)运算处理。池化运算的尺度为3*3，运算的步长为2，则池化后图像的尺寸为(13-3)/2+1=6。 即池化后像素的规模为两组6*6*128的像素层数据，共6*6*256规模的像素层数据。
f）第一个全连接层
第六层输入数据的尺寸是6*6*256，采用6*6*256尺寸的滤波器对第六层的输入数据进行卷积运算；每个6*6*256尺寸的滤波器对第六层的输入数据进行卷积运算生成一个运算结果，通过一个神经元输出这个运算结果；共有4096个6*6*256尺寸的滤波器对输入数据进行卷积运算，通过4096个神经元输出运算结果；这4096个运算结果通过ReLU激活函数生成4096个值；并通过drop运算后输出4096个本层的输出结果值。
由于第六层的运算过程中，采用的滤波器的尺寸(6*6*256)与待处理的featuremap的尺寸(6*6*256)相同，即滤波器中的每个系数只与feature map中的一个像素值相乘；而其它卷积层中，每个滤波器的系数都会与多个feature map中像素值相乘；因此，将第六层称为全连接层。
g）第二个全连接层
第六层输出的4096个数据与第七层的4096个神经元进行全连接，然后由ReLU7处理后生成4096个数据，再经由dropout7处理后输出4096个数据。
h）第三个全连接层
第七层输出的4096个数据与第八层的1000个神经元进行全连接，经过训练后输出被训练的数值。
本发明的有益效果为：
本发明提出了一种基于AlexNet网络的绝缘子自爆识别方法，经过图片预处理、拆分数据集等前期处理之后，采用基于AlexNet网络的SVM对图像进行分类识别，提高了电力线缆绝缘子故障识别的快速性与精确度，降低成本，且推动深度学习方法在电力系统领域图像识别中的进一步应用。
附图说明
图1为本发明一种基于AlexNet网络的绝缘子自爆识别方法流程图；
图2为本发明AlexNet网络的应用图；
图3为本发明一示例性实施例中经过处理的部分绝缘子图；
图4为本发明一示例性实施例中网络训练过程示意图；
图5为本发明一示例性实施例中绝缘子自爆识别分类效果图。
具体实施方式
下面结合附图详细描述本发明实施例的基于AlexNet网络D的绝缘子自爆识别方法。
实施例1
1、处理数据集
请参考图3，一共获取了28张图片，其中10张是自爆绝缘子的图片，18张是完好绝缘子的图片，将他们处理为227*227*3的图像，其中227是宽和高的大小，3表示通道数。
2、拆分数据集
用按标签拆分工具将数据集拆分，其中70%用作训练数据，30%用作测试数据。
3、加载预训练网络
AlexNet网络的输入数据为227*227*3的图片，一共有5个卷积层，3个全连接层，激活函数用的是ReLU函数，池化策略是Max Pooling。在三个全连接层之间夹杂着两个dropout层，其以50%的概概率舍弃部分神经元,这是为了防止深层神经网络中的过拟合。在卷积层中间还有两个标准化层，这是为了提高精度。
4、训练网络
验证集为整体数据集的20%，迭代了20次，学习率为0.0001，最终验证准确率为66.67%。
5、提取图像特征
先使用图像增强数据库对数据集数据进行增强操作，然后再使用神经网络工具箱的激活函数提取图像特征。
6、提取类标签
从训练数据和测试数据集中提取类标签。
7、拟合图像分类器
使用从训练图像中提取的特征作为预测变量，并使用MATLAB自带的统计与机器学习工具箱中的fitcecoc拟合多类支持向量机 (SVM)。
8、对测试图像进行分类
请参考图5，使用经过训练的SVM模型和从测试图像中提取的特征对测试图像进行分类，分类效果如图。
9、计算网络预测的准确度
计算针对测试集的分类准确度，准确度是网络预测正确的标签的比例。经过十次迭代，准确率稳定达到87.5%。
本发明未尽事宜为公知技术。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于AlexNet网络的绝缘子自爆识别方法，其特征在于，包括如下步骤：
步骤（1）：采集电线上巡逻和跨越障碍物机器人和无人飞行器收集的图像和视频信息；
步骤（2）：将获取的影像信息在已有的训练数据集上进行快速的数据扩充，将数据集进行拆分成两部分，分别为训练集和测试集；
步骤（3）：从训练数据集和测试数据集中提取图像特征及类标签用于分类；
步骤（4）：利用得到的训练集和测试集训练基于AlexNet网络获取能够识别绝缘子自爆的SVM检测模型，绝缘子自爆识别模型在确定绝缘子是否发生自爆进行分类。
CN201911290785.XA 2019-12-16 2019-12-16 一种基于AlexNet网络的绝缘子自爆识别方法 Pending CN111079645A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911290785.XA CN111079645A (zh) 2019-12-16 2019-12-16 一种基于AlexNet网络的绝缘子自爆识别方法
US17/122,884 US20210182615A1 (en) 2019-12-16 2020-12-15 Alexnet-based insulator self-explosion recognition method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911290785.XA CN111079645A (zh) 2019-12-16 2019-12-16 一种基于AlexNet网络的绝缘子自爆识别方法

Publications (1)

Publication Number Publication Date
CN111079645A true CN111079645A (zh) 2020-04-28

Family

ID=70314660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911290785.XA Pending CN111079645A (zh) 2019-12-16 2019-12-16 一种基于AlexNet网络的绝缘子自爆识别方法

Country Status (2)

Country Link
US (1) US20210182615A1 (zh)
CN (1) CN111079645A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494867A (zh) * 2022-01-19 2022-05-13 湖北工业大学 一种改进AlexNet网络的绝缘子快速分类识别方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092888B (zh) * 2021-12-03 2023-05-02 国网四川省电力公司电力科学研究院 一种电力作业实验室实验人员触电风险检测系统
CN115035385B (zh) * 2022-06-28 2024-08-06 湖北工业大学 一种改进vgg19网络的绝缘子污秽识别方法
CN115661041B (zh) * 2022-09-29 2023-07-04 国网河北省电力有限公司信息通信分公司 一种绝缘子缺陷检测方法及系统
CN117422689B (zh) * 2023-10-31 2024-05-31 南京邮电大学 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法
CN117834236B (zh) * 2023-12-27 2024-07-02 武汉大学 基于goose流量特征的智能变电站网络攻击检测方法及装置
CN117591901B (zh) * 2024-01-17 2024-05-03 合肥中科类脑智能技术有限公司 绝缘子破损检测方法、装置、存储介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874890A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的识别输电线路中绝缘子缺失的方法
CN108108772A (zh) * 2018-01-06 2018-06-01 天津大学 一种基于配电线路航拍图像的绝缘子污闪状态检测方法
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
WO2019109771A1 (zh) * 2017-12-05 2019-06-13 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统
CN110334612A (zh) * 2019-06-19 2019-10-15 上海交通大学 具有自学习能力的电力巡检图像目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874890A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的识别输电线路中绝缘子缺失的方法
WO2019109771A1 (zh) * 2017-12-05 2019-06-13 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统
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
CN108108772A (zh) * 2018-01-06 2018-06-01 天津大学 一种基于配电线路航拍图像的绝缘子污闪状态检测方法
CN110334612A (zh) * 2019-06-19 2019-10-15 上海交通大学 具有自学习能力的电力巡检图像目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈庆;闫斌;叶润;周小佳;: "航拍绝缘子卷积神经网络检测及自爆识别研究", 电子测量与仪器学报, no. 06, 15 June 2017 (2017-06-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494867A (zh) * 2022-01-19 2022-05-13 湖北工业大学 一种改进AlexNet网络的绝缘子快速分类识别方法

Also Published As

Publication number Publication date
US20210182615A1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
CN111079645A (zh) 一种基于AlexNet网络的绝缘子自爆识别方法
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN112766195B (zh) 一种电气化铁路弓网燃弧视觉检测方法
Savino et al. Automated classification of civil structure defects based on convolutional neural network
CN113837994B (zh) 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法
CN111598854A (zh) 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN115170988A (zh) 基于深度学习的电网线路故障识别方法及系统
Wu et al. An end-to-end learning method for industrial defect detection
CN115937079A (zh) 一种基于YOLO v3的输电线路缺陷快速检测方法
CN113343760A (zh) 一种基于多尺度特征神经网络的人体行为识别方法
CN114627082A (zh) 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法
CN115393714A (zh) 一种融合图论推理的输电线路螺栓缺销钉检测方法
CN116029979A (zh) 一种基于改进Yolov4的布料瑕疵视觉检测方法
CN116486240A (zh) 图像识别算法在输电线路无人机智能巡检方法上的应用
CN114372922A (zh) 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法
CN114596273A (zh) 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN112529881B (zh) 一种电力控制柜线缆异常识别方法及装置
CN114037840A (zh) 一种基于多特征融合的输电线路视物提取方法及系统
Huang et al. Quality control on manufacturing computer keyboards using multilevel deep neural networks
Yu et al. Deep Learning Based Defect Detection Method for Overhead Transmission Wires
CN112329863B (zh) 一种牵引变电所内隔离开关状态识别方法

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