CN111339882A - 基于实例分割的输电线路隐患检测方法 - Google Patents

基于实例分割的输电线路隐患检测方法 Download PDF

Info

Publication number
CN111339882A
CN111339882A CN202010102769.XA CN202010102769A CN111339882A CN 111339882 A CN111339882 A CN 111339882A CN 202010102769 A CN202010102769 A CN 202010102769A CN 111339882 A CN111339882 A CN 111339882A
Authority
CN
China
Prior art keywords
target
hidden danger
network
layer
image
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
CN202010102769.XA
Other languages
English (en)
Other versions
CN111339882B (zh
Inventor
聂礼强
郑晓云
战新刚
姚一杨
吴建龙
徐万龙
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.)
Shandong University
State Grid Zhejiang Electric Power Co Ltd
Quzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Zhiyang Innovation Technology Co Ltd
Original Assignee
Shandong University
State Grid Zhejiang Electric Power Co Ltd
Quzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Zhiyang Innovation Technology 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 Shandong University, State Grid Zhejiang Electric Power Co Ltd, Quzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Zhiyang Innovation Technology Co Ltd filed Critical Shandong University
Priority to CN202010102769.XA priority Critical patent/CN111339882B/zh
Publication of CN111339882A publication Critical patent/CN111339882A/zh
Application granted granted Critical
Publication of CN111339882B publication Critical patent/CN111339882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开一种基于实例分割的输电线路隐患检测方法,是基于实例分割技术利用改进的MASK R‑CNN模型进行电力领域输电线路隐患的自动检测，尤其针对防震锤锈蚀的自动检测效果优势明显。对于无人机拍摄得到的图像，通过该模型对目标区域进行获取，可以实现精确的目标特征提取和分类检测。基于分割得到的目标实例采用图像处理技术检测目标故障隐患程度，结合目标检测结果加权计算，可以准确量化目标故障隐患水平。同时，还会考虑到检测目标的自身特性。本发明利用先验知识进行图像处理、特征提取网络结构调整和非极大值抑制算法改进，引入实例分割与目标检测相结合的方法，实现了目标的自动检测，提高了输电线路中隐患目标的准确性。

Description

基于实例分割的输电线路隐患检测方法
技术领域
本发明公开一种基于实例分割的输电线路隐患检测方法，属于输电线路智能化检测的技术领域。
背景技术
高压架空输电线路暴露在复杂的自然环境中，长时间受到风吹、日晒、雨淋等影响，容易出现各种隐患，如线路配套的防震锤等相关金具表面容易发生锈蚀。锈蚀会影响金具的整体性能，大大降低金具与其他部件之间的连接强度，锈蚀金具遇到大风等恶劣天气时容易发生移位变形，甚至可能断裂并坠落。这样不仅会对输电线路的正常输电造成影响，而且还会对塔下行人的安全产生威胁。因此输电线路金具的锈蚀隐患检测至关重要。
在目前输电线路隐患巡检过程中，鉴于无法目测金具锈蚀损坏程度，人工巡检具有耗时、耗力且存在较高危险等特点。近年来随着无人机技术的快速发展和不断成熟，国内外许多电力企业开始采用无人机辅助进行输电线路金具锈蚀巡检，基于无人机拍摄得到的输电线路金具图像判断其是否锈蚀。而对于无人机采集的海量图像数据，如果采用人工肉眼判断的方式，容易发生检测误判或漏判等情况，难以准确发现输电线路存在的安全隐患，并且大大增加了检修成本。因此研究自动检测输电线路金具锈蚀的方法是非常必要的。近年来基于深度学习的图像处理技术得到了长足的进步，也为我们利用先进的数字图像处理技术研究输电线路金具锈蚀隐患的自动检测方法提供了极大的便利。
中国专利文献CN110634127A公开了一种输电线路防震锤目标检测与缺陷识别方法，包括以下步骤：通过图像采集装置获取防震锤图片；对防震锤图片进行预处理得到预处理图片；构建特征提取模块、特征增强模块和像素级预测模块；对特征提取模块、特征增强模块和像素级预测模块进行连接优化，建立训练模型；将预处理图片输入训练模型中进行测试，实现对预处理图片中防震锤的目标检测和识别。
中国专利文献CN110634127A采用目标检测算法进行缺陷识别，但是本发明是采用目标检测与实例分割相结合的方法，目标检测结果作为预测结果的部分加权。本发明基于实例分割算法得到的金具区域，利用图像处理技术检测金具区域锈蚀程度，并结合目标检测结果加权得到输电线路金具锈蚀检测结果。
中国专利文献CN110363749A公开了基于图像处理的防震锤锈蚀程度评价方法，具体为：步骤1、通过图像采集设备获取防震锤的图像I1，并对获取的防震锤图像I1进行灰度化处理得到图像I2；步骤2、首先对图像I2进行处理依次得到I3及I4；步骤3、对图像I4进行各向异性方向导数滤波等处理得到边缘强度映射图像I6；步骤4、获取防震锤区域图像，获得防震锤图像I9，最后将防震锤图像I9映射回图像I1获得防震锤图像I10；步骤5、检测防震锤锈蚀情况。本发明方法能够准确分离出防震锤区域，对防震锤锈蚀区域的定位和锈蚀程度进行判定，将有利于指导运维人员的检修工作。
对比中国专利文献CN110363749A采用传统图像处理技术进行防震锤锈蚀检测，本发明采用基于深度学习的目标检测和实例分割算法，利用实例分割模型获取金具区域图像进行锈蚀检测，并与目标检测模型检测结果加权结合得到最终结果。
中国专利文献CN107133943B公开了一种防震锤缺陷检测的视觉检测方法，包括对航拍图像进行去噪、防抖预处理，得到待检测的原始图像；采用几何变换、尺度变化、对比度变换的方法，扩充已有的原始图像，生成更多与原始图像相似的数据；采集样本，采集航拍图像中的防震锤，主要采集防震锤的一边；确定待训练的网络模型，输入样本数据，进行前向传播、反向传播调整权重，得到优化的检测网络模型参数；利用训练好的模型对待检测图像进行识别，确定防震锤的锤子所在位置；确定锤子所在导线，根据导线与防震锤的相对位置以及各自方向的约束，进行防震锤缺陷判别。
对比中国专利文献CN107133943B采用计算机视觉技术利用几何位置约束进行防震锤变形缺陷判别，本发明采用深度学习算法及区域颜色信息进行金具锈蚀隐患检测。
中国专利文献CN109389086A公开了一种检测无人机影像目标的方法和系统。其中，该方法包括：判断目标的参考帧与当前帧的差异值是否超过阈值，其中，参考帧是当前帧的相邻前帧；如果差异值超过阈值则提取参考帧和当前帧各自的特征；通过光流网络模型将参考帧的特征传递到当前帧；将当前帧与从参考帧传递过来的特征按照不同的预设权重进行组合成为增强特征，其中，权重在特征通道中为固定不变的空间权重；检测增强特征得到目标检测与识别的结果和语义分割的结果。本发明解决了现有技术在对无人机影像进行目标检测与识别时存在处理精度与效率不能兼顾的技术问题。
对比中国专利文献CN109389086A采用目标检测和语义分割进行无人机影像的目标追踪识别，本专利利用基于输电线路隐患改进的MASK R-CNN模型并结合传统视觉技术进行输电线路金具锈蚀隐患检测。
发明内容
针对现有技术的不足，本发明公开一种基于实例分割的输电线路隐患检测方法。
发明概述：
本发明基于实例分割技术利用改进的MASK R-CNN模型进行电力领域输电线路隐患的自动检测，尤其针对防震锤锈蚀的自动检测效果优势明显。
对于无人机拍摄得到的图像，通过该模型对目标区域进行获取，可以实现精确的目标特征提取和分类检测。基于分割得到的目标实例采用图像处理技术检测目标故障隐患程度，结合目标检测结果加权计算，可以准确量化目标故障隐患水平。同时，还会考虑到检测目标的自身特性。
本发明利用先验知识进行图像处理、特征提取网络结构调整和非极大值抑制算法改进，引入实例分割与目标检测相结合的方法，实现了目标的自动检测，提高了输电线路中隐患目标的准确性。
本发明的技术方案如下：
一种基于实例分割的输电线路隐患检测方法,其特征在于，包括以下步骤:
S1：采用数据增强技术对自主构建的隐患目标数据集进行扩充，并根据隐患目标的视觉特征，对隐患目标图像数据进行预处理；
S2：构建特征提取网络：
包括根据隐患目标特征对ResNeXt+特征金字塔网络(Feature Pyramid Network,FPN)的特征提取网络进行改进；
通过迁移学习的方法将COCO数据集上训练得到的网络参数值作为此网络的初始参数，同时通过缩减卷积网络层级调整特征提取网络的结构，提高算法运行效率；
S3：修改候选窗口分类网络：
利用基于非极大值抑制算法改进的Mask-RCNN模型，对隐患目标进行目标检测和实例分割；
S4：基于分割得到的隐患目标区域，利用图像处理技术检测隐患目标的故障程度，并结合目标检测结果加权得到隐患目标故障程度检测结果。
根据本发明优选的，所述步骤S1采用数据增强技术对自主构建的隐患目标数据集进行扩充的方法包括：
S11：利用无人机在不同拍摄角度、背景环境下采集到的隐患目标图像数据作为输电线路隐患目标数据集；
S12：采用几何变换、随机裁剪、尺度变化等数据增强技术对输电线路隐患目标数据集进行扩充；增加样本的多样性，提高模型的泛化能力。
根据本发明优选的，所述步骤S1中根据隐患目标的不同故障程度的视觉特征，对隐患目标图像数据进行预处理的方法包括：
S13：利用对输电线隐患目标图像进行针对性的预处理，优选的，所述图像处理方法包括但不限于通过伽马变换法、全局直方图均衡化。
根据本发明优选的，所述步骤S2特征提取网络构建的方法如下：
S21：针对隐患目标目标特征改进的ResNeXt+FPN特征提取网络，由于Mask-RCNN中的ResNeXt+FPN网络结构具有较强的鲁棒性和适应性，并且可以把高层特征带到低层次中，这样低层次既有细节又有语义信息，对于特征提取的性能影响较大，在ResNeXt+FPN的基础上，将在COCO数据集上训练好的网络参数值作为初始参数值进行迁移学习，由于本文中训练的隐患目标类别相对单一，所以对于网络层数的要求较低，为进一步提高算法运行效率，对特征提取网络的层数进行了缩减；优选的，对于池化层前面的卷积网络设置如图1所示，对网络输入大小为224×224的图像，将卷积层分为五个阶段；
S22：在第一阶段中网络设置为2个卷积层，第一阶段第一层网络卷积核个数为64，每个卷积核大小为7×7，做卷积时步长设置为2，该层之后连接一个采用线性整流函数(Rectified Linear Unit,ReLU)的激活函数；第一阶段第二层网络与第一阶段第一层网络的设置相同，并在第一阶段第二层网络与第二阶段网络的中间加上一个最大值池化层，步长设为2；
S23：第二阶段的卷积网络通过重复3个block实现，每个block中包含32个分支，每个分支由三层卷积构成，卷积核大小分别为1×1、3×3和1×1,卷积核个数分别为64、64和256；后面的每一阶段卷积网络，卷积核个数依次翻一倍，其他设置与第二阶段相同；
S24：特征提取网络的最后一阶段设置为两层，第一层的网络层数与前面阶段保持同步；第一层与第二层之间设置一个参数为0.5的Dropout层，防止在训练阶段产生过拟合，连接函数使用线性整流函数激活函数；对于最后一阶段第二层网络，连接一个Softmax函数用于分类任务。
根据本发明优选的，所述步骤S3基于非极大值抑制算法改进Mask-RCNN模型构建的过程包括：
S31：在候选窗口生成阶段将网络分成并行的两层：
一层计算候选窗口分类概率；
另一层确定候选窗口位置；
在候选窗口周围添加平均值池化层；此设计在于，防止因为隐患目标故障程度的种类相对单一，而计算过程难以加速的问题；
S32：在候选窗口生成时，将非极大值抑制算法改进为神经网络实现，使得模型可以更加灵活选取极大值，提高模型的泛化能力；
优选的，对于一个大小为W×H的图像，经过候选窗口分类得到一个大小为w×h的分数图(score map)，其中w,h与W,H之间的关系为w＝W/4,h＝H/4；神经网络结构如图2所示；
S33：在第一层网络中，设置两个并行的分层，分别从边框(bounding box)中得到score map和IoU layer两个信息；
S34：第一分层用于得到一个w×h×2的分数图，由两个通道得到：
第一个通道大小为w×h×1，其中每一个点在原图中表示一个4×4大小的区域；对于一个边框，计算其中心判断其属于哪个区域，然后将该边框的得分填入分数图对应的位置，如果有多个边框的中心落入同一区域，则记录最高得分；
第二通道与第一通道大小相同，由传统非极大值抑制(Non-maximumsuppression，NMS)处理得到，记为S(T)，T表示NMS网络中的阈值；
S35：第二分层用于制作一个IoU layer，该层主要反映每一个边框之间的交互关系：其中1×1×(11×11)表示以任意一点为中心，然后计算11×11范围内的随机一个点对应的边框与该点所对应的边框的交并比得到一个IoU值，该层最终输出一个大小为w×h×(11×11)的IoU layer；
S36：第二层网络是将第一层网络两个分层的输出拼接，并在之后的网络中采用大小统一的分数图进行卷积运算，之后所有的卷积层都是1×1；理想的输出是一个同输入尺寸完全一致的分数图，在该图中，每一个目标只拥有一个score，相应地也只对应了一个边框；为了权衡正负样本数量的不均衡，采用先加权平衡后计算loss的方式予以解决，所述损失函数如下：
Figure BDA0002387426730000061
上述公式中，p属于G表示score map中有数值的点，xp是位置p的特征描述符，f(xp)是位置p的网络输出，yp是为输入网格中的每个位置p生成一个标签，
Figure BDA0002387426730000062
为选择权重；
S37：Mask-RCNN的网络结构示意图如图3所示，对于每个ROIAlign区域特征聚集层来说，多任务损失函数如下：
L＝Lcls+Lbox+Lmask
上述损失函数包括分类损失函数Lcls、回归损失函数Lbox和掩码损失函数Lmask三部分，
其中，Lcls表示分类得分，计算Loss贡献时交叉熵会对每个框进行输出一个值，如果这个框最大的得分类别不属于预设类别，则不计本框Loss；
Lbox表示回归得分，由于预测对于每个框体的每个类别都有回归输出，仅计算真实类别的回归Loss；
Lmask表示掩码得分，每个ROIAlign对应K×m^2维度的输出，K对应类别个数，即输出K个mask，m对应池化分辨率(7×7)；
S38：通过迭代训练直到模型收敛，保存训练的权重参数，即用于输电线路隐患目标图像的目标检测和实例分割。
根据本发明优选的，所述步骤S4隐患目标故障检测的方法包括：
S41：将Mask-RCNN实例分割得到的隐患目标区域图像转换为Cr通道灰度图像；优选的，首先对分割获得的图像作形态学优化，然后将分割图像的RGB颜色空间模型转换为YCrCb颜色空间模型，提取分离YCrCb颜色空间三通道的彩色图像，得到Cr通道的灰度图像；
S42：根据大量实验结果确定隐患目标故障缺陷的Cr分量阈值，根据故障缺陷颜色特征对Cr通道灰度图像进行阈值分割；获得故障二值图像后计算其像素点个数，求故障比例，判断隐患目标故障程度；
S43：基于步骤S42中得到的隐患目标故障程度及故障比例，与Mask-RCNN目标检测得到的隐患目标区域锈蚀程度置信度进行加权计算，确定隐患目标故障检测结果。
本发明的有益效果如下：
1)本发明采用自主构建的隐患目标数据集，充分利用隐患目标故障的视觉特征信息，通过先验知识基于图像处理手段将故障区域特征增强，充分结合深度学习与传统图像处理技术，使模型对于隐患目标故障检测具有较强的鲁棒性。
2)本发明使用了基于迁移学习的特征提取网络，使模型既可以利用预训练参数初始化网络，又可以充分挖掘隐患目标特征信息，提高了算法运行效率，同时增强了模型的适应性和可扩展性。
3)本发明将Mask-RCNN模型的非极大值抑制算法改进为神经网络实现，提高了模型的泛化能力，通过改进的Mask-RCNN模型获得目标检测和实例分割结果，结合隐患目标故障程度判别方法与深度模型检测结果实现了隐患目标故障量化检测，解决了输电线隐患目标故障程度的精确自动检测问题。
附图说明
图1是本发明模型特征提取卷积网络设置表；
图2是本发明模型非极大值抑制网络结构；
图3是本发明模型基于改进的Mask-RCNN网络结构；
图4是本发明实施例中防震锤检测锈蚀结果的示意图；
图5是本发明实施例中防震锤检测正常结果的示意图；
图6是本发明实施例中防震锤检测误检修正的示意图。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。
实施例、
如图1、2、3所示。一种基于实例分割的输电线路隐患检测方法,包括以下步骤:
S1：采用数据增强技术对自主构建的防震锤数据集进行扩充，并根据防震锤锈蚀的视觉特征，对防震锤图像数据进行预处理；
S2：构建特征提取网络：
包括根据防震锤目标特征对ResNeXt+特征金字塔网络(Feature PyramidNetwork,FPN)的特征提取网络进行改进；
通过迁移学习的方法将COCO数据集上训练得到的网络参数值作为此网络的初始参数，同时通过缩减卷积网络层级调整特征提取网络的结构，提高算法运行效率；
S3：修改候选窗口分类网络：
利用基于非极大值抑制算法改进的Mask-RCNN模型，对防震锤进行目标检测和实例分割；
S4：基于分割得到的防震锤区域，利用图像处理技术检测防震锤锈蚀程度，并结合目标检测结果加权得到防震锤锈蚀检测结果。
根据本发明优选的，所述步骤S1采用数据增强技术对自主构建的防震锤数据集进行扩充的方法包括：
S11：利用无人机在不同拍摄角度、背景环境下采集到的防震锤图像数据作为输电线路防震锤数据集；自主收集和构建目前较为罕见的输电线路防震锤数据集；
S12：采用几何变换、随机裁剪、尺度变化等数据增强技术对输电线路防震锤数据集进行扩充；增加样本的多样性，提高模型的泛化能力。
所述步骤S1中根据防震锤锈蚀的视觉特征，对防震锤图像数据进行预处理的方法包括：
S13：利用增强防震锤的锈蚀区域的显著性的图像处理方法对输电线防震锤图像进行针对性的预处理，以增强防震锤的锈蚀区域的显著性，优选的，所述图像处理方法包括但不限于通过伽马变换法、全局直方图均衡化。
所述步骤S2特征提取网络构建的方法如下：
S21：针对防震锤目标特征改进的ResNeXt+FPN特征提取网络，由于Mask-RCNN中的ResNeXt+FPN网络结构具有较强的鲁棒性和适应性，并且可以把高层特征带到低层次中，这样低层次既有细节又有语义信息，对于特征提取的性能影响较大，在ResNeXt+FPN的基础上，将在COCO数据集上训练好的网络参数值作为初始参数值进行迁移学习，由于本文中训练的防震锤类别相对单一，所以对于网络层数的要求较低，为进一步提高算法运行效率，对特征提取网络的层数进行了缩减；优选的，对于池化层前面的卷积网络设置如图1所示，对网络输入大小为224×224的图像，将卷积层分为五个阶段；
S22：在第一阶段中网络设置为2个卷积层，第一阶段第一层网络卷积核个数为64，每个卷积核大小为7×7，做卷积时步长设置为2，该层之后连接一个采用线性整流函数(Rectified Linear Unit,ReLU)的激活函数；第一阶段第二层网络与第一阶段第一层网络的设置相同，并在第一阶段第二层网络与第二阶段网络的中间加上一个最大值池化层，步长设为2；
S23：第二阶段的卷积网络通过重复3个block实现，每个block中包含32个分支，每个分支由三层卷积构成，卷积核大小分别为1×1、3×3和1×1,卷积核个数分别为64、64和256；后面的每一阶段卷积网络，卷积核个数依次翻一倍，其他设置与第二阶段相同；
S24：特征提取网络的最后一阶段设置为两层，第一层的网络层数与前面阶段保持同步；第一层与第二层之间设置一个参数为0.5的Dropout层，防止在训练阶段产生过拟合，连接函数使用线性整流函数激活函数；对于最后一阶段第二层网络，连接一个Softmax函数用于分类任务。
所述步骤S3基于非极大值抑制算法改进Mask-RCNN模型构建的过程包括：
S31：在候选窗口生成阶段将网络分成并行的两层：
一层计算候选窗口分类概率；
另一层确定候选窗口位置；
在候选窗口周围添加平均值池化层；此设计在于，防止因为防震锤锈蚀种类相对单一，而计算过程难以加速的问题；
S32：在候选窗口生成时，将非极大值抑制算法改进为神经网络实现，使得模型可以更加灵活选取极大值，提高模型的泛化能力；
优选的，对于一个大小为W×H的图像，经过候选窗口分类得到一个大小为w×h的分数图(score map)，其中w,h与W,H之间的关系为w＝W/4,h＝H/4；神经网络结构如图2所示；
S33：在第一层网络中，设置两个并行的分层，分别从边框(bounding box)中得到score map和IoU layer两个信息；
S34：第一分层用于得到一个w×h×2的score map，由两个通道得到：
第一个通道大小为w×h×1，其中每一个点在原图中表示一个4×4大小的区域；对于一个bounding box，计算其中心判断其属于哪个区域，然后将该bounding box的得分填入score map对应的位置，如果有多个bounding box的中心落入同一区域，则记录最高得分；
第二通道与第一通道大小相同，由传统非极大值抑制(Non-maximumsuppression，NMS)处理得到，记为S(T)，T表示NMS网络中的阈值；
S35：第二分层用于制作一个IoU layer，该层主要反映每一个bounding box之间的交互关系：其中1×1×(11×11)表示以任意一点为中心，然后计算11×11范围内的随机一个点对应的bounding box与该点所对应的bounding box的交并比得到一个IoU值，该层最终输出一个大小为w×h×(11×11)的IoU layer；
S36：第二层网络是将第一层网络两个分层的输出拼接，并在之后的网络中采用大小统一的score map进行卷积运算，之后所有的卷积层都是1×1；理想的输出是一个同输入尺寸完全一致的score map图，在该图中，每一个目标只拥有一个score，相应地也只对应了一个bounding box；为了权衡正负样本数量的不均衡，采用先加权平衡后计算loss的方式予以解决，所述损失函数如下：
Figure BDA0002387426730000101
上述公式中，p属于G表示score map中有数值的点，xp是位置p的特征描述符，f(xp)是位置p的网络输出，yp是为输入网格中的每个位置p生成一个标签，
Figure BDA0002387426730000102
为选择权重。
S37：Mask-RCNN的网络结构示意图如图3所示，对于每个ROIAlign区域特征聚集层来说，多任务损失函数如下：
L＝Lcls+Lbox+Lmask
上述损失函数包括分类损失函数Lcls、回归损失函数Lbox和掩码损失函数Lmask三部分，
其中，Lcls表示分类得分，计算Loss贡献时交叉熵会对每个框进行输出一个值，如果这个框最大的得分类别不属于预设类别，则不计本框Loss；
Lbox表示回归得分，由于预测对于每个框体的每个类别都有回归输出，仅计算真实类别的回归Loss；
Lmask表示掩码得分，每个ROIAlign对应K×m^2维度的输出，K对应类别个数，即输出K个mask，m对应池化分辨率(7×7)；
S38：通过迭代训练直到模型收敛，保存训练的权重参数，即用于输电线路防震锤锈蚀图像的目标检测和实例分割。
所述步骤S4防震锤锈蚀检测的方法包括：
S41：将Mask-RCNN实例分割得到的防震锤区域图像转换为Cr通道灰度图像；优选的，首先对分割获得的图像作形态学优化，然后将分割图像的RGB颜色空间模型转换为YCrCb颜色空间模型，提取分离YCrCb颜色空间三通道的彩色图像，得到Cr通道的灰度图像；
S42：根据大量实验结果确定防震锤锈蚀缺陷的Cr分量阈值，根据锈蚀缺陷颜色特征对Cr通道灰度图像进行阈值分割；获得锈蚀二值图像后计算其像素点个数，求锈蚀面积比例，判断防震锤锈蚀程度；
S43：基于步骤S42中得到的防震锤锈蚀程度及锈蚀面积比例，与Mask-RCNN目标检测得到的防震锤目标区域锈蚀程度置信度进行加权计算，确定防震锤锈蚀检测结果。
应用例、
本实施例应用到防震锤锈蚀检测中的方法，具体说明如下：
1)对自主采集的不同场景下的防震锤训练数据进行数据增强和图像预处理；使用标注工具对训练数据进行标注，得到.json文件；此处标注是指对每一张训练图片，人工确定图片里防震锤目标的位置，再利用标注工具使用曲线将目标物体边界绘制连接，以边缘包围的形式实现目标像素级标注，并为目标设定一个属性值(normal、fzcxs)，表明这个包围曲线里的目标属于哪一种类别；由此，在后续S3步骤中训练模型的时候，模型就能识别哪张图片里的哪个位置具有哪种类别的目标，按此原理训练模型；
2)使用ResNeX-50网络作为基础网络，对原始图片进行特征提取；利用针对防震锤目标特征改进的ResNeXt+FPN网络，通过网络结构重构结合迁移学习提升算法效率，并将获取的特征作用到模型的目标检测和实例分割任务；
3)使用基于非极大值抑制算法改进Mask-RCNN模型，实现输电线路防震锤图像的目标检测和实例分割；针对在同一目标位置上产生的大量边界框，通过利用神经网络实现的非极大值抑制算法找到最佳选择，提高模型的准确率和泛化能力；通过迭代训练直到模型收敛，保存训练的权重参数，即可用于防震锤的目标检测和实例分割；此处目标检测结果为标定防震锤位置及锈蚀置信度预测的边界框，实例分割结果为模型像素级分割得到的防震锤目标区域；
4)针对S3得到的防震锤区域图像，利用计算机视觉技术进行形态学优化并转化为Cr通道灰度图像；根据锈蚀缺陷颜色特征对Cr通道灰度图像进行阈值分割，获得锈蚀二值图像后计算其像素点个数，求锈蚀面积比例，判断防震锤锈蚀程度；
5)基于S3目标检测得到的防震锤目标锈蚀置信度预测,结合S4中锈蚀检测得到的防震锤锈蚀程度及锈蚀面积比例，进行加权计算，确定防震锤锈蚀检测结果。
本发明结合实施例和应用例，对如图4所述的图像进行防震锤锈蚀检测，通过目标检测算法获取防震锤锈蚀预测，锈蚀置信度为1.000，结合基于图像处理技术的防震锤实例分割区域锈蚀程度检测，判断目标为锈蚀防震锤。
本发明结合实施例和应用例，对如图5所述的图像进行防震锤锈蚀检测，正常置信度为0.997，结合基于图像处理技术的防震锤实例分割区域锈蚀程度检测，判断目标为正常防震锤。
本发明结合实施例和应用例，对如图6所述的图像进行防震锤锈蚀检测，锈蚀置信度为0.996，结合基于图像处理技术的防震锤实例分割区域锈蚀程度检测，对目标检测结果进行修正，判断目标为正常防震锤。
综上实施例和应用例，本发明对应解决的技术问题如下：
(1)由于当前网络上没有开源的锈蚀防震锤数据，需要基于无人机等数据采集设备进行数据集的自主采集和标注，并通过数据增强等技术对其进行扩充。另外由于光照等自然环境的干扰，采集得到的图像中锈蚀防震锤与正常防震锤之间的差异不易区分。因此训练数据集的构建和锈蚀区域的显著性增强是当前需要解决的重要问题。
(2)由于防震锤数据不易采集，自主构建的锈蚀防震锤数据集样本数有限。在数据不充分的情况下，如何构建高效的特征提取网络，使模型可以通过少量锈蚀防震锤数据充分挖掘防震锤特征信息是要研究的重点问题。
(3)在目标检测候选框生成时，如果直接将交并比(Inersection over Union，IoU)阈值设置为固定值，会带来欠拟合或过拟合等诸多问题。如何解决固定IoU阈值给模型带来的影响进而提高模型泛化能力是另一个重点问题。
(4)在以往的防震锤锈蚀检测中，通常采用传统图像处理方法进行锈蚀检测，检测效果差强人意。随着深度学习的发展，开始尝试利用深度学习检测模型进行锈蚀防震锤检测，但检测结果并不理想。如何提高输电线路防震锤锈蚀程度自动检测的精度是本发明的关键问题。

Claims (6)

1.一种基于实例分割的输电线路隐患检测方法,其特征在于，包括以下步骤:
S1：采用数据增强技术对自主构建的隐患目标数据集进行扩充，并根据隐患目标的视觉特征，对隐患目标图像数据进行预处理；
S2：构建特征提取网络：
包括根据隐患目标特征对ResNeXt+特征金字塔网络的特征提取网络进行改进；
通过迁移学习的方法将COCO数据集上训练得到的网络参数值作为此网络的初始参数，同时通过缩减卷积网络层级调整特征提取网络的结构；
S3：修改候选窗口分类网络：
利用基于非极大值抑制算法改进的Mask-RCNN模型，对隐患目标进行目标检测和实例分割；
S4：基于分割得到的隐患目标区域，利用图像处理技术检测隐患目标的故障程度，并结合目标检测结果加权得到隐患目标故障程度检测结果。
2.根据权利要求1所述的一种基于实例分割的输电线路隐患检测方法,其特征在于，所述步骤S1采用数据增强技术对自主构建的隐患目标数据集进行扩充的方法包括：
S11：利用无人机在不同拍摄角度、背景环境下采集到的隐患目标图像数据作为输电线路隐患目标数据集；
S12：采用数据增强技术对输电线路隐患目标数据集进行扩充。
3.根据权利要求2所述的一种基于实例分割的输电线路隐患检测方法,其特征在于，所述步骤S1中根据隐患目标的不同故障程度的视觉特征，对隐患目标图像数据进行预处理的方法包括：
S13：利用对输电线隐患目标图像进行针对性的预处理，优选的，所述图像处理方法包括但不限于通过伽马变换法、全局直方图均衡化。
4.根据权利要求1所述的一种基于实例分割的输电线路隐患检测方法,其特征在于，所述步骤S2特征提取网络构建的方法如下：
S21：针对隐患目标目标特征改进的ResNeXt+FPN特征提取网络，在ResNeXt+FPN的基础上，将在COCO数据集上训练好的网络参数值作为初始参数值进行迁移学习，对特征提取网络的层数进行了缩减；优选的，对于池化层前面的卷积网络设置，对网络输入大小为224×224的图像，将卷积层分为五个阶段；
S22：在第一阶段中网络设置为2个卷积层，第一阶段第一层网络卷积核个数为64，每个卷积核大小为7×7，做卷积时步长设置为2，该层之后连接一个采用线性整流函数的激活函数；第一阶段第二层网络与第一阶段第一层网络的设置相同，并在第一阶段第二层网络与第二阶段网络的中间加上一个最大值池化层，步长设为2；
S23：第二阶段的卷积网络通过重复3个block实现，每个block中包含32个分支，每个分支由三层卷积构成，卷积核大小分别为1×1、3×3和1×1,卷积核个数分别为64、64和256；后面的每一阶段卷积网络，卷积核个数依次翻一倍，其他设置与第二阶段相同；
S24：特征提取网络的最后一阶段设置为两层，第一层的网络层数与前面阶段保持同步；第一层与第二层之间设置一个参数为0.5的Dropout层，防止在训练阶段产生过拟合，连接函数使用线性整流函数激活函数；对于最后一阶段第二层网络，连接一个Softmax函数用于分类任务。
5.根据权利要求1所述的一种基于实例分割的输电线路隐患检测方法,其特征在于，所述步骤S3基于非极大值抑制算法改进Mask-RCNN模型构建的过程包括：
S31：在候选窗口生成阶段将网络分成并行的两层：
一层计算候选窗口分类概率；
另一层确定候选窗口位置；
在候选窗口周围添加平均值池化层；
S32：在候选窗口生成时，将非极大值抑制算法改进为神经网络实现；
优选的，对于一个大小为W×H的图像，经过候选窗口分类得到一个大小为w×h的分数图，其中w,h与W,H之间的关系为w＝W/4,h＝H/4；
S33：在第一层网络中，设置两个并行的分层，分别从边框中得到score map和IoUlayer两个信息；
S34：第一分层用于得到一个w×h×2的分数图，由两个通道得到：
第一个通道大小为w×h×1，其中每一个点在原图中表示一个4×4大小的区域；对于一个边框，计算其中心判断其属于哪个区域，然后将该边框的得分填入分数图对应的位置，如果有多个边框的中心落入同一区域，则记录最高得分；
第二通道与第一通道大小相同，由传统非极大值抑制处理得到，记为S(T)，T表示NMS网络中的阈值；
S35：第二分层用于制作一个IoU layer，该层主要反映每一个边框之间的交互关系：其中1×1×(11×11)表示以任意一点为中心，然后计算11×11范围内的随机一个点对应的边框与该点所对应的边框的交并比得到一个IoU值，该层最终输出一个大小为w×h×(11×11)的IoU layer；
S36：第二层网络是将第一层网络两个分层的输出拼接，并在之后的网络中采用大小统一的分数图进行卷积运算，之后所有的卷积层都是1×1；理想的输出是一个同输入尺寸完全一致的分数图，在该图中，每一个目标只拥有一个score，相应地也只对应了一个边框；为了权衡正负样本数量的不均衡，采用先加权平衡后计算loss的方式予以解决，所述损失函数如下：
Figure FDA0002387426720000031
上述公式中，p属于G表示score map中有数值的点，xp是位置p的特征描述符，f(xp)是位置p的网络输出，yp是为输入网格中的每个位置p生成一个标签，
Figure FDA0002387426720000032
为选择权重；
S37：对于每个ROIAlign区域特征聚集层来说，多任务损失函数如下：
L＝Lcls+Lbox+Lmask
上述损失函数包括分类损失函数Lcls、回归损失函数Lbox和掩码损失函数Lmask三部分，
其中，Lcls表示分类得分，计算Loss贡献时交叉熵会对每个框进行输出一个值，如果这个框最大的得分类别不属于预设类别，则不计本框Loss；
Lbox表示回归得分，由于预测对于每个框体的每个类别都有回归输出，仅计算真实类别的回归Loss；
Lmask表示掩码得分，每个ROIAlign对应K×m^2维度的输出，K对应类别个数，即输出K个mask，m对应池化分辨率(7×7)；
S38：通过迭代训练直到模型收敛，保存训练的权重参数，即用于输电线路隐患目标图像的目标检测和实例分割。
6.根据权利要求1所述的一种基于实例分割的输电线路隐患检测方法,其特征在于，所述步骤S4隐患目标故障检测的方法包括：
S41：将Mask-RCNN实例分割得到的隐患目标区域图像转换为Cr通道灰度图像；优选的，首先对分割获得的图像作形态学优化，然后将分割图像的RGB颜色空间模型转换为YCrCb颜色空间模型，提取分离YCrCb颜色空间三通道的彩色图像，得到Cr通道的灰度图像；
S42：根据大量实验结果确定隐患目标故障缺陷的Cr分量阈值，根据故障缺陷颜色特征对Cr通道灰度图像进行阈值分割；获得故障二值图像后计算其像素点个数，求故障比例，判断隐患目标故障程度；
S43：基于步骤S42中得到的隐患目标故障程度及故障比例，与Mask-RCNN目标检测得到的隐患目标区域锈蚀程度置信度进行加权计算，确定隐患目标故障检测结果。
CN202010102769.XA 2020-02-19 2020-02-19 基于实例分割的输电线路隐患检测方法 Active CN111339882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010102769.XA CN111339882B (zh) 2020-02-19 2020-02-19 基于实例分割的输电线路隐患检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010102769.XA CN111339882B (zh) 2020-02-19 2020-02-19 基于实例分割的输电线路隐患检测方法

Publications (2)

Publication Number Publication Date
CN111339882A true CN111339882A (zh) 2020-06-26
CN111339882B CN111339882B (zh) 2022-05-31

Family

ID=71184260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010102769.XA Active CN111339882B (zh) 2020-02-19 2020-02-19 基于实例分割的输电线路隐患检测方法

Country Status (1)

Country Link
CN (1) CN111339882B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860236A (zh) * 2020-07-06 2020-10-30 中国科学院空天信息创新研究院 一种基于迁移学习的小样本遥感目标检测方法及系统
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法
CN111986125A (zh) * 2020-07-16 2020-11-24 浙江工业大学 一种用于多目标任务实例分割的方法
CN112001300A (zh) * 2020-08-21 2020-11-27 杭州追猎科技有限公司 基于按位置交叉熵的楼宇监控方法、装置和电子设备
CN112396620A (zh) * 2020-11-17 2021-02-23 齐鲁工业大学 一种基于多阈值的图像语义分割方法及系统
CN112419316A (zh) * 2020-12-14 2021-02-26 国网浙江省电力有限公司 一种跨设备可见光纹理缺陷检测方法及装置
CN112541389A (zh) * 2020-09-29 2021-03-23 西安交通大学 一种基于EfficientDet网络的输电线路故障检测方法
CN112669300A (zh) * 2020-12-31 2021-04-16 上海智臻智能网络科技股份有限公司 瑕疵检测方法及装置、计算机设备和存储介质
CN113591799A (zh) * 2021-08-24 2021-11-02 上海发网供应链管理有限公司 通过摄像头计算人工工时的方法及系统
CN113990009A (zh) * 2021-10-29 2022-01-28 西安文理学院 一种基于cpu的楼宇坠物智能检测与拦截系统及其控制方法
CN114140612A (zh) * 2021-11-29 2022-03-04 广东电网有限责任公司 电力设备隐患检测方法、装置、设备及存储介质
CN114511503A (zh) * 2021-12-30 2022-05-17 广西慧云信息技术有限公司 一种自适应板材厚度的刨花板表面缺陷检测方法
CN114529537A (zh) * 2022-02-24 2022-05-24 上海电气集团股份有限公司 光伏板的异常目标检测方法、系统、设备及介质
CN115797357A (zh) * 2023-02-10 2023-03-14 智洋创新科技股份有限公司 一种基于改进YOLOv7的输电通道隐患检测方法
CN115953666A (zh) * 2023-03-15 2023-04-11 国网湖北省电力有限公司经济技术研究院 一种基于改进Mask-RCNN的变电站现场进度识别方法
CN116310649A (zh) * 2023-03-24 2023-06-23 哈尔滨市科佳通用机电股份有限公司 闸调器调整螺杆圆销和圆销开口销丢失检测方法
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117146826A (zh) * 2023-10-26 2023-12-01 国网湖北省电力有限公司经济技术研究院 一种输电线路隐患巡检路径规划方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901882A (zh) * 2014-04-15 2014-07-02 北京交通大学 一种列车动力系统在线监控故障诊断的系统及其方法
CN108734143A (zh) * 2018-05-28 2018-11-02 江苏迪伦智能科技有限公司 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN109145769A (zh) * 2018-08-01 2019-01-04 辽宁工业大学 融合图像分割特征的目标检测网络设计方法
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN109584248A (zh) * 2018-11-20 2019-04-05 西安电子科技大学 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN110378222A (zh) * 2019-06-14 2019-10-25 安徽南瑞继远电网技术有限公司 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN110517253A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN110598757A (zh) * 2019-08-23 2019-12-20 国网山东省电力公司电力科学研究院 一种输电线路的施工机械隐患检测方法
CN110674861A (zh) * 2019-09-19 2020-01-10 国网山东省电力公司电力科学研究院 一种输变电巡检图像智能分析方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901882A (zh) * 2014-04-15 2014-07-02 北京交通大学 一种列车动力系统在线监控故障诊断的系统及其方法
CN108734143A (zh) * 2018-05-28 2018-11-02 江苏迪伦智能科技有限公司 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN109145769A (zh) * 2018-08-01 2019-01-04 辽宁工业大学 融合图像分割特征的目标检测网络设计方法
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN109584248A (zh) * 2018-11-20 2019-04-05 西安电子科技大学 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN110378222A (zh) * 2019-06-14 2019-10-25 安徽南瑞继远电网技术有限公司 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN110598757A (zh) * 2019-08-23 2019-12-20 国网山东省电力公司电力科学研究院 一种输电线路的施工机械隐患检测方法
CN110517253A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN110674861A (zh) * 2019-09-19 2020-01-10 国网山东省电力公司电力科学研究院 一种输变电巡检图像智能分析方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
任之俊 等: "基于改进特征金字塔的Mask R-CNN目标检测方法", 《激光与光电子学进展》 *
林刚 等: "基于改进Faster-ＲCNN的输电线巡检图像多目标检测及定位", 《电力自动化设备》 *
赵振兵 等: "基于深度学习的输电线路视觉检测研究综述", 《广东电力》 *
陈奇华: "针对小目标的深度学习行人检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法
CN111860236A (zh) * 2020-07-06 2020-10-30 中国科学院空天信息创新研究院 一种基于迁移学习的小样本遥感目标检测方法及系统
CN111986125A (zh) * 2020-07-16 2020-11-24 浙江工业大学 一种用于多目标任务实例分割的方法
CN112001300A (zh) * 2020-08-21 2020-11-27 杭州追猎科技有限公司 基于按位置交叉熵的楼宇监控方法、装置和电子设备
CN112541389B (zh) * 2020-09-29 2023-08-22 西安交通大学 一种基于EfficientDet网络的输电线路故障检测方法
CN112541389A (zh) * 2020-09-29 2021-03-23 西安交通大学 一种基于EfficientDet网络的输电线路故障检测方法
CN112396620A (zh) * 2020-11-17 2021-02-23 齐鲁工业大学 一种基于多阈值的图像语义分割方法及系统
CN112419316A (zh) * 2020-12-14 2021-02-26 国网浙江省电力有限公司 一种跨设备可见光纹理缺陷检测方法及装置
CN112669300A (zh) * 2020-12-31 2021-04-16 上海智臻智能网络科技股份有限公司 瑕疵检测方法及装置、计算机设备和存储介质
CN113591799A (zh) * 2021-08-24 2021-11-02 上海发网供应链管理有限公司 通过摄像头计算人工工时的方法及系统
CN113990009A (zh) * 2021-10-29 2022-01-28 西安文理学院 一种基于cpu的楼宇坠物智能检测与拦截系统及其控制方法
CN114140612A (zh) * 2021-11-29 2022-03-04 广东电网有限责任公司 电力设备隐患检测方法、装置、设备及存储介质
CN114511503A (zh) * 2021-12-30 2022-05-17 广西慧云信息技术有限公司 一种自适应板材厚度的刨花板表面缺陷检测方法
CN114511503B (zh) * 2021-12-30 2024-05-17 广西慧云信息技术有限公司 一种自适应板材厚度的刨花板表面缺陷检测方法
CN114529537A (zh) * 2022-02-24 2022-05-24 上海电气集团股份有限公司 光伏板的异常目标检测方法、系统、设备及介质
CN115797357A (zh) * 2023-02-10 2023-03-14 智洋创新科技股份有限公司 一种基于改进YOLOv7的输电通道隐患检测方法
CN115797357B (zh) * 2023-02-10 2023-05-16 智洋创新科技股份有限公司 一种基于改进YOLOv7的输电通道隐患检测方法
CN115953666A (zh) * 2023-03-15 2023-04-11 国网湖北省电力有限公司经济技术研究院 一种基于改进Mask-RCNN的变电站现场进度识别方法
CN116310649A (zh) * 2023-03-24 2023-06-23 哈尔滨市科佳通用机电股份有限公司 闸调器调整螺杆圆销和圆销开口销丢失检测方法
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN116846789B (zh) * 2023-09-01 2023-11-14 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117146826A (zh) * 2023-10-26 2023-12-01 国网湖北省电力有限公司经济技术研究院 一种输电线路隐患巡检路径规划方法及装置
CN117146826B (zh) * 2023-10-26 2024-01-02 国网湖北省电力有限公司经济技术研究院 一种输电线路隐患巡检路径规划方法及装置

Also Published As

Publication number Publication date
CN111339882B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN111339882B (zh) 基于实例分割的输电线路隐患检测方法
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109977921B (zh) 一种输电线路隐患检测方法
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN111650204A (zh) 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111784685A (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN111696075A (zh) 一种基于双光谱图像的风机叶片缺陷智能检测方法
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
CN111222478A (zh) 一种工地安全防护检测方法和系统
CN111179262B (zh) 一种结合形状属性的电力巡检图像金具检测方法
CN113378686A (zh) 一种基于目标中心点估计的两阶段遥感目标检测方法
CN115205264A (zh) 一种基于改进YOLOv4的高分辨率遥感船舶检测方法
CN115797357B (zh) 一种基于改进YOLOv7的输电通道隐患检测方法
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN113962973A (zh) 一种基于卫星技术的输电线路无人机智能巡检系统及方法
CN111507398A (zh) 基于目标检测的变电站金属仪器锈蚀识别方法
CN115393747A (zh) 一种基于深度学习的光伏故障检测方法
CN114092478B (zh) 一种异常检测方法
CN116385758A (zh) 基于YOLOv5网络对传送带表面损伤的检测方法
CN115063725A (zh) 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN117636227A (zh) 基于低光增强策略的输电线路通道智能可视化监测方法
CN107992799A (zh) 面向烟雾检测应用的预处理方法

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
GR01 Patent grant
GR01 Patent grant