CN111089865A - 一种基于f-rcnn的缺陷电缆检测方法 - Google Patents

一种基于f-rcnn的缺陷电缆检测方法 Download PDF

Info

Publication number
CN111089865A
CN111089865A CN201911318633.6A CN201911318633A CN111089865A CN 111089865 A CN111089865 A CN 111089865A CN 201911318633 A CN201911318633 A CN 201911318633A CN 111089865 A CN111089865 A CN 111089865A
Authority
CN
China
Prior art keywords
matrix
rcnn
dimensional
neural network
dimensional graphic
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.)
Granted
Application number
CN201911318633.6A
Other languages
English (en)
Other versions
CN111089865B (zh
Inventor
赵金雄
芮文明
李志茹
龚波
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.)
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu 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 State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911318633.6A priority Critical patent/CN111089865B/zh
Publication of CN111089865A publication Critical patent/CN111089865A/zh
Application granted granted Critical
Publication of CN111089865B publication Critical patent/CN111089865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于电缆缺陷识别领域,具体涉及一种基于CNN的缺陷电缆检测方法；该方法主要特点包括：一是将快速区域卷积神经网络F‑RCNN的方法与图像拍摄技术相融合；二是利用卷积神经网络CNN对图片的特征进行提取；三是利用区域卷积神经网络RCNN对卷积神经网络CNN提取的特征进行随意组合，使得每种特征的可能性都避免忽略；四是利用快速区域卷积神经网络F‑RCNN对上一步的任意组合进行快速计算；其有益效果为：本发明能够节省了大量时间成本，提高了识别的准确率，能欧冠快速的确定缺陷电缆的位置。

Description

一种基于F-RCNN的缺陷电缆检测方法
技术领域
本发明属于电缆缺陷识别领域,具体涉及一种基于F-RCNN的缺陷电缆检测方法。
背景技术
我国在90年代初，开展了大量的城网改造工作，大量的电缆开始应用到城市电网。但是，由于制作工艺以及长期处在不同的运行工况下的影响，电力电缆往往会由于受潮、过热、挤压、弯曲过度等原因造成电力电缆产生水树、绝缘介质变形、铜屏蔽层松动等局部缺陷，如果不对电力电缆的局部缺陷进行处理，电力电缆局部缺陷在强电场的作用下就会迅速发展，最终导致电力电缆绝缘的失效，从而为电力电缆的维护、更换带来大量的工作，导致大量的人力、财力浪费。此外，由于电力电缆埋在地下，并集中在中心城区，对整根电缆进行更换也是一个困难的工作。从节约成本的角度，如果能将电力电缆局部缺陷进行诊断、修复，则可大量节约人力、财力。
当前基本都采用的是无人机巡逻的方式，对电缆进行拍照片，通过识别照片的方法来鉴别电缆的优劣。存在的问题在于，一是无人机所拍摄的照片数量大，存储困难；二是无人机只能拍摄某个离散型的点，不能对电缆的整个概况进行记录；三是照片数量大，筛选的时候，耗时耗力，容易出差错；四是有的时候易受到外界环境的影响，比如风沙天气，导致拍摄的照片模糊不清。
发明内容
针对现有技术的不足和上述问题，本发明提供了一种基于F-RCNN的缺陷电缆检测方法，其特征在于，该方法具体包括：
S1、获取初始值，通过高清摄像头拍摄得到数据照片；
S2、对得到的初始值进行清晰度处理；
S3、利用卷积神经网络CNN，对拍摄图像的特征向量初步提取；
S4、通过池化层和区域卷积神经网络RCNN对卷积神经网络CNN提取图像的特征向量进行随意组合，使得出现的多种可能性被涵盖；
S5、对随意组合后的图像特征向量进行N类回归四等分法处理，将每一类的可能性进行学习，并将学习的结果一一列举，筛选最优值；
S6、对随意组合后的特征向量进行黄金分割法分类，利用函数对特征向量进行计算，确定所有数值；
S7、利用快速区域卷积神经网络F-RCNN的方法找出坏值，得出缺陷电缆的位置。
所述卷积神经网络CNN、区域卷积神经网络RCNN和快速区域卷积神经网络F-RCNN公用一层卷积层。
所述S3中，对拍摄图像的特征向量初步提取步骤为：
步骤1、将二维的照片转变成一个n×n的二维图形矩阵；
步骤2、选取矩阵内的四个区域，别为a×n，b×n，c×n和d×n的二维图形矩阵；
步骤3、每个选定的区域设置两个特征向量，对于a×n的二维图形矩阵设置两个a×1的一维图形矩阵、b×n的二维图形矩阵设置两个b×1的一维图形矩阵、c×n的二维图形矩阵设置两个c×1的一维图形矩阵，d×n的二维图形矩阵设置两个d×1的一维图形矩阵；
步骤4、组合每个区域的两个特征向量；
步骤5、对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个n×2的二维矩阵；
步骤6、对n×2的二维矩阵再组合，形成一个1×2的矩阵；
步骤7、对1×2的矩阵转化为2×1的一维矩阵。
所述步骤4中，组合两个特征向量的具体操作为：具体如下，a×n的二维图形矩阵的两个特征向量组合成一个e×2的新矩阵、b×n的二维图形矩阵的两个特征向量组合成一个f×2的新矩阵、c×n的二维图形矩阵的两个特征向量组合成一个g×2的新矩阵，d×n的二维图形矩阵的两个特征向量组合成一个h×2的新矩阵。
所述S4具体算法为：将提取的图像特征向量带入公式
min f(x)＝f(x1,x2,x3......xn)
s.t.gi(x)＝gi(x1,x2,x3......xn)≥0
i＝1,2,3......m
得到满足上述约束条件的可行点，设f(x)在区间[a,b]上只有唯一的极小点x',且函数f(x)在x'的左边单调递减,在其右侧单调递增，将极小值点确定为搜索区域。
所述S5具体算法为：设设在n步搜索区间[c(n),d(n)]中已确定有f(x)的极小值点x'，取以下三点分别表示为
Figure BDA0002326543450000031
Figure BDA0002326543450000032
Figure BDA0002326543450000033
将上述三点区间分为四等分，并记作
Figure BDA0002326543450000034
计算
Figure BDA0002326543450000035
和
Figure BDA0002326543450000036
的值，并记为最小点
Figure BDA0002326543450000037
即
Figure BDA0002326543450000038
由函数的单调性可知，x'必在
Figure BDA0002326543450000041
为中心的小区间
Figure BDA0002326543450000042
之中，因此取此区间为新的搜索区间。
所述S6具体算法为：设从
Figure BDA0002326543450000045
开始，经n次分割后，确定的极小值点x'在
Figure BDA0002326543450000046
中，其关系为：
Figure BDA0002326543450000043
其中
|c(n+1)-d(n+1)|＝λ(d(n)-c(n))
Figure BDA0002326543450000044
本发明的有益效果为：1)节约了大量的时间成本，本方法只需要拍摄一次清晰的图像，其他部位模糊不清的图像，可通过神经网络模型进行自学习，进行快速卷积运算，得出模糊位置电缆的位置。
2)提高了识别准确率，本方法通过卷积学习，有效的提高了识别的准确率。
附图说明
图1为本发明流程图；
图2为卷积层的特征提取示例图；
图3为搜索区域区间图；
图4为四等分原理图；
具体实施方式
实施例1
结合实施例、附图对本发明作进一步描述：
本实施例包括以下步骤：
流程如图1所示：
S1、获取初始值，利用高清摄像头拍摄需要巡查电缆的照片，得到初始数据照片。
S2、对得到的初始值进行清晰度处理，主要是针对初始值模糊不清，或者初始值残缺等问题进行处理，采取的手法主要是对其图像进行增强处理，包括增加像素；
S3、利用卷积神经网络CNN，对拍摄图像的特征向量初步提取，提取步骤入下：
步骤1、将二维的照片转变成一个n×n的二维图形矩阵；
步骤2、选取矩阵内的四个区域，别为a×n，b×n，c×n和d×n的二维图形矩阵；
步骤3、每个选定的区域设置两个特征向量，对于a×n的二维图形矩阵设置两个a×1的一维图形矩阵、b×n的二维图形矩阵设置两个b×1的一维图形矩阵、c×n的二维图形矩阵设置两个c×1的一维图形矩阵，d×n的二维图形矩阵设置两个d×1的一维图形矩阵；
步骤4、组合每个区域的两个特征向量，具体如下，a×n的二维图形矩阵的两个特征向量组合成一个e×2的新矩阵、b×n的二维图形矩阵的两个特征向量组合成一个f×2的新矩阵、c×n的二维图形矩阵的两个特征向量组合成一个g×2的新矩阵，d×n的二维图形矩阵的两个特征向量组合成一个h×2的新矩阵
步骤5、对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个n×2的二维矩阵；
步骤6、对n×2的二维矩阵再组合，形成一个1×2的矩阵；
步骤7、对1×2的矩阵转化为2×1的一维矩阵。
以图2为例，步骤1，将一幅二维的照片转变成一个8×8的二维图形矩阵；步骤2，选取四个区域，分别为5×8的二维图形矩阵、3×8的二维图形矩阵、2×8的二维图形矩阵和1×8的二维图形矩阵；步骤3，每个选定的区域设置两个特征向量，对于5×8的二维图形矩阵设置两个5×1的一维图形矩阵、3×8的二维图形矩阵设置两个3×1的一维图形矩阵、2×8的二维图形矩阵设置两个2×1的一维图形矩阵和1×8的二维图形矩阵设置两个1×1的一维图形矩阵；步骤4，组合每个区域的两个特征向量，具体如下，5×8的二维图形矩阵的两个特征向量组合成一个3×2的新矩阵、3×8的二维图形矩阵的两个特征向量组合成一个2×2的新矩阵、2×8的二维图形矩阵的两个特征向量组合成一个2×2的新矩阵和1×8的二维图形矩阵的两个特征向量组合成一个1×2的新矩阵；步骤5，对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个8×2的二维矩阵；步骤6，对8×2的二维矩阵再组合，形成一个1×2的矩阵；步骤7，将步骤6的矩阵转化为一个2×1的矩阵，降为一维。所有的特征向量提取完毕。
S4、对S3的处理结果，进行池化层和提取区域特征组合处理，池化层主要是将所有的特征二维向量放进同一个池中，进行任意组合，使得出现的多种可能性被涵盖。具体算法为：将提取的图像特征向量带入公式
min f(x)＝f(x1,x2,x3......xn)
s.t.gi(x)＝gi(x1,x2,x3......xn)≥0
i＝1,2,3......m
得到满足上述约束条件的可行点，该约束即为池化层，该步骤的处理方法主要是进行一维优化，找出一维的可行点。设f(x)在区间[a,b]上只有唯一的极小点x',且函数f(x)在x'的左边单调递减,在其右侧单调递增，将极小值点确定为搜索区域，如图3中的区间[c,d]所示。
S5、对S4的处理结果进行N类回归四等分法处理，主要方法是将每一类的可能性都进行学习，最后将学习的结果一一列举出来，筛选出最优值。具体算法为：设设在n步搜索区间[c(n),d(n)]中已确定有f(x)的极小值点x'，取以下三点分别表示为
Figure BDA0002326543450000071
Figure BDA0002326543450000072
Figure BDA0002326543450000073
将上述三点区间分为四等分，并记作
Figure BDA0002326543450000074
然后计算
Figure BDA0002326543450000075
和
Figure BDA0002326543450000076
的值，并记为最小点
Figure BDA0002326543450000077
即
Figure BDA0002326543450000078
由函数的单调性可知，x'必在
Figure BDA0002326543450000079
为中心的小区间
Figure BDA00023265434500000710
之中，因此取此区间为新的搜索区间，具体原理如图4所示。
S6、对随意组合后的特征向量进行黄金分割法分类，利用函数对特征向量进行计算，确定所有数值。具体算法为：设从
Figure BDA00023265434500000713
开始，经n次分割后，确定的极小值点x'在
Figure BDA00023265434500000714
中，其关系为：
Figure BDA00023265434500000711
其中
|c(n+1)-d(n+1)|＝λ(d(n)-c(n))
Figure BDA00023265434500000712
S7、利用快速区域卷积神经网络F-RCNN的方法找出坏值，快速区域卷积神经网络F-RCNN的方法主要就是利用S4所提出的数学模型，利用四等分方法和黄金分割法进行数据处理，得出缺陷电缆的位置。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于F-RCNN的缺陷电缆检测方法，其特征在于，该方法具体包括：
S1、获取初始值，通过高清摄像头拍摄得到数据照片；
S2、对得到的初始值进行清晰度处理；
S3、利用卷积神经网络CNN，对拍摄图像的特征向量初步提取；
S4、通过池化层和区域卷积神经网络RCNN对卷积神经网络CNN提取图像的特征向量进行随意组合，使得出现的多种可能性被涵盖；
S5、对随意组合后的图像特征向量进行N类回归四等分法处理，将每一类的可能性进行学习，并将学习的结果一一列举，筛选最优值；
S6、对随意组合后的特征向量进行黄金分割法分类，利用函数对特征向量进行计算，确定所有数值；
S7、利用快速区域卷积神经网络F-RCNN的方法找出坏值，得出缺陷电缆的位置。
2.根据权利要求1所述的一种基于F-RCNN的缺陷电缆检测方法，其特征在于：所述卷积神经网络CNN、区域卷积神经网络RCNN和快速区域卷积神经网络F-RCNN公用一层卷积层。
3.根据权利要求1所述的一种基于F-RCNN的缺陷电缆检测方法，其特征在于：所述S3中，对拍摄图像的特征向量初步提取步骤为：
步骤1、将二维的照片转变成一个n×n的二维图形矩阵；
步骤2、选取矩阵内的四个区域，别为a×n，b×n，c×n和d×n的二维图形矩阵；
步骤3、每个选定的区域设置两个特征向量，对于a×n的二维图形矩阵设置两个a×1的一维图形矩阵、b×n的二维图形矩阵设置两个b×1的一维图形矩阵、c×n的二维图形矩阵设置两个c×1的一维图形矩阵，d×n的二维图形矩阵设置两个d×1的一维图形矩阵；
步骤4、组合每个区域的两个特征向量；
步骤5、对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个n×2的二维矩阵；
步骤6、对n×2的二维矩阵再组合，形成一个1×2的矩阵；
步骤7、对1×2的矩阵转化为2×1的一维矩阵。
4.根据权利要求3所述的一种基于F-RCNN的缺陷电缆检测方法，其特征在于：所述步骤4中，组合两个特征向量的具体操作为：具体如下，a×n的二维图形矩阵的两个特征向量组合成一个e×2的新矩阵、b×n的二维图形矩阵的两个特征向量组合成一个f×2的新矩阵、c×n的二维图形矩阵的两个特征向量组合成一个g×2的新矩阵，d×n的二维图形矩阵的两个特征向量组合成一个h×2的新矩阵。
5.根据权利要求1所述的一种基于F-RCNN的缺陷电缆检测方法，其特征在于：所述S4具体算法为：将提取的图像特征向量带入公式
min f(x)＝f(x1,x2,x3......xn)
s.t.gi(x)＝gi(x1,x2,x3......xn)≥0
i＝1,2,3......m
得到满足上述约束条件的可行点，设f(x)在区间[a,b]上只有唯一的极小点x',且函数f(x)在x'的左边单调递减,在其右侧单调递增，将极小值点确定为搜索区域。
6.根据权利要求1所述的一种基于F-RCNN的缺陷电缆检测方法，其特征在于：所述S5具体算法为：设设在n步搜索区间[c(n),d(n)]中已确定有f(x)的极小值点x'，取以下三点分别表示为
Figure FDA0002326543440000031
Figure FDA0002326543440000032
Figure FDA0002326543440000033
将上述三点区间分为四等分，并记作
Figure FDA0002326543440000034
计算
Figure FDA0002326543440000035
和
Figure FDA0002326543440000036
的值，并记为最小点
Figure FDA0002326543440000037
即
Figure FDA0002326543440000038
由函数的单调性可知，x'必在
Figure FDA0002326543440000039
为中心的小区间
Figure FDA00023265434400000310
之中，因此取此区间为新的搜索区间。
7.根据权利要求1所述的一种基于F-RCNN的缺陷电缆检测方法，其特征在于：所述S6具体算法为：设从[c0,d0]开始，经n次分割后，确定的极小值点x'在[c(n),d(n)]中，其关系为：
Figure FDA00023265434400000311
其中
|c(n+1)-d(n+1)|＝λ(d(n)-c(n))
Figure FDA00023265434400000312
CN201911318633.6A 2019-12-19 2019-12-19 一种基于f-rcnn的缺陷电缆检测方法 Active CN111089865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911318633.6A CN111089865B (zh) 2019-12-19 2019-12-19 一种基于f-rcnn的缺陷电缆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911318633.6A CN111089865B (zh) 2019-12-19 2019-12-19 一种基于f-rcnn的缺陷电缆检测方法

Publications (2)

Publication Number Publication Date
CN111089865A true CN111089865A (zh) 2020-05-01
CN111089865B CN111089865B (zh) 2024-02-27

Family

ID=70396154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911318633.6A Active CN111089865B (zh) 2019-12-19 2019-12-19 一种基于f-rcnn的缺陷电缆检测方法

Country Status (1)

Country Link
CN (1) CN111089865B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112179922A (zh) * 2020-09-24 2021-01-05 安徽德尔电气集团有限公司 一种电线电缆缺陷检测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230205A (zh) * 2017-05-27 2017-10-03 国网上海市电力公司 一种基于卷积神经网络的输电线路螺栓检测方法
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN108846418A (zh) * 2018-05-24 2018-11-20 广东电网有限责任公司 一种电缆设备温度异常定位与识别方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN109598711A (zh) * 2018-11-30 2019-04-09 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109831450A (zh) * 2019-03-06 2019-05-31 国网甘肃省电力公司电力科学研究院 一种自适应的网络流量异常检测方法
CN109978875A (zh) * 2019-04-03 2019-07-05 无锡立赫智能科技有限公司 一种电容器外观缺陷识别方法及识别装置
CN110244205A (zh) * 2019-07-12 2019-09-17 西南石油大学 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN107230205A (zh) * 2017-05-27 2017-10-03 国网上海市电力公司 一种基于卷积神经网络的输电线路螺栓检测方法
CN108846418A (zh) * 2018-05-24 2018-11-20 广东电网有限责任公司 一种电缆设备温度异常定位与识别方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method
CN109598711A (zh) * 2018-11-30 2019-04-09 电子科技大学 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109831450A (zh) * 2019-03-06 2019-05-31 国网甘肃省电力公司电力科学研究院 一种自适应的网络流量异常检测方法
CN109978875A (zh) * 2019-04-03 2019-07-05 无锡立赫智能科技有限公司 一种电容器外观缺陷识别方法及识别装置
CN110244205A (zh) * 2019-07-12 2019-09-17 西南石油大学 一种小数据量下基于卷积神经网络的电缆附件局部放电识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨帆;王干军;彭小圣;文劲宇;陈清江;杨光垚;李朝晖: "基于卷积神经网络的高压电缆局部放电模式识别", 电力自动化设备, no. 005 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112179922A (zh) * 2020-09-24 2021-01-05 安徽德尔电气集团有限公司 一种电线电缆缺陷检测系统

Also Published As

Publication number Publication date
CN111089865B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN109961398B (zh) 风机叶片图像分割与网格优化拼接方法
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
CN110706151B (zh) 一种面向视频的非均匀风格迁移方法
CN115115634B (zh) 基于红外图像的光伏阵列热斑检测方法
CN114445651A (zh) 一种语义分割模型的训练集构建方法、装置及电子设备
CN114842243A (zh) 一种基于大跨度巡线机器人的故障检测方法、系统及设备
CN111089865B (zh) 一种基于f-rcnn的缺陷电缆检测方法
CN113298707B (zh) 图像帧拼接方法、视频巡检方法、装置、设备及存储介质
CN113901928A (zh) 一种基于动态超分辨率的目标检测方法、输电线路部件检测方法及系统
CN112330639A (zh) 一种用于彩色-热红外图像的显著性检测方法
CN111062924A (zh) 图像处理方法、装置、终端和存储介质
CN116468625A (zh) 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统
CN116403200A (zh) 基于硬件加速的车牌实时识别系统
CN115456870A (zh) 基于外参估计的多图像拼接方法
JP3897306B2 (ja) 地理画像間変化領域の抽出の支援方法及び地理画像間変化領域の抽出を支援可能なプログラム
CN110956640B (zh) 一种异源图像边缘点检测与配准方法
CN113506230A (zh) 一种基于机器视觉的光伏电站航拍影像匀光处理方法
JP2011113177A (ja) 被写体３次元モデルを構築する方法およびプログラム
CN111932469A (zh) 显著性权重的快速曝光图像融合方法、装置、设备和介质
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN114387521B (zh) 基于注意力机制和边界损失的遥感影像建筑物提取方法
CN116757988B (zh) 基于语义丰富和分割任务的红外与可见光图像融合方法
Chen et al. GADO-Net: an improved AOD-Net single image dehazing algorithm
CN117152687B (zh) 一种通信线路状态监测系统

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
GR01 Patent grant
GR01 Patent grant