CN111340787B - 输电线路的导线缺陷检测识别方法、装置及计算机设备 - Google Patents
输电线路的导线缺陷检测识别方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111340787B CN111340787B CN202010129428.1A CN202010129428A CN111340787B CN 111340787 B CN111340787 B CN 111340787B CN 202010129428 A CN202010129428 A CN 202010129428A CN 111340787 B CN111340787 B CN 111340787B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- wire
- data
- model
- 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.)
- Active
Links
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid 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
-
- 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
Abstract
本发明实施例涉及电力巡检技术领域,尤其涉及一种输电线路的导线缺陷检测识别方法、装置及计算机设备,采用图像增强、渲染对导线缺陷图像进行处理,得到缺陷图像样本库,再采用RetinaNet深度神经网络对缺陷图像样本库中的图像进行缺陷数据的提取、缺陷数据训练及测试、缺陷识别的训练,得到缺陷识别神经网络模型,将采集输电线路上的待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷,提高识别导线缺陷的准确率以及效率。解决了传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题。
Description
技术领域
本发明涉及电力巡检技术领域,尤其涉及一种输电线路的导线缺陷检测识别方法、装置及计算机设备。
背景技术
在输电线路巡检过程中,通过无人机机载设备对输电线路(或导线)进行数据采集和导线缺陷(导线断股、散股、烧蚀等缺陷)识别是重要的巡检工作手段之一。
在输电线路上无人机采集的是图像,而对于采集图像中的导线断股、散股、烧蚀等缺陷的检测识别,本身具备较大的困难,主要是会受到如下几个因数的影响:一是光照影响,不同的天气,光照环境,导致图片成像差异;二是无人机采集的视角影响,由于部件分布不同,设备需要从多个角度拍摄检测,从而影响检测目标的尺度和旋转角度;三是检测物体的形状差异,检测目标有多种,大小也不定;四是无人机采集图像的背景不同,不同的季节不同的地点、视角,导致目标背景差异很大。
传统的对输电线路上采集图像检测导线缺陷的方法采用的是先对图像进行预处理,提取手工设计的图像缺陷特征,然后利用支持矢量机(SVM)对图像缺陷特征进行分类,或者用马尔可夫随机域(MRF)去除在提取图像缺陷特征过程中复杂背景的影响。上述对图像检测导线缺陷的方法存在的问题是无法适应不同光照,角度的变化图像,采用手工设计的提取图像缺陷特征具有局限性,这种局限性不仅带来了处理的复杂性,而且普适性不强,使得通过图像识别导线缺陷的效率低且准确度不高。
因此,针对上述情况,如何提高识别输电线路上的导线断股、散股、烧蚀等缺陷的准确率以及效率成为本领域技术人员亟待解决的重要技术问题。
发明内容
本发明实施例提供了一种输电线路的导线缺陷检测识别方法、装置及计算机设备,用于解决传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种输电线路的导线缺陷检测识别方法,应用于电力巡检上,包括以下步骤:
步骤S1.从输电线路巡检历史缺陷库中获取历史的导线缺陷图像;
步骤S2.采用图像增强、渲染对所述导线缺陷图像进行处理,得到缺陷图像样本库;
步骤S3.采用RetinaNet深度神经网络对所述缺陷图像样本库进行训练,得到缺陷识别神经网络模型;
步骤S4.采集所述输电线路上的待测图像,并将所述待测图像输入所述缺陷识别神经网络模型中进行检测,识别出所述待测图像中的导线缺陷。
优选地,采用图像增强、渲染对所述导线缺陷图像进行处理具体包括:
对所述导线缺陷图像进行裁剪、放大/缩小、旋转、改变亮度或对比度、加噪点处理,得到缺陷图像样本库;
采用渲染引擎对所述缺陷图像样本库中的样本进行渲染,得到样本缺陷图像。
优选地,在训练过程中,得到所述缺陷识别神经网络模型的步骤包括:
步骤S31.从所述缺陷图像样本库中的样本缺陷图像获取缺陷训练数据和缺陷测试数据;
步骤S32.采用所述RetinaNet深度神经网络对所述缺陷训练数据进行迭代更新,得到收敛数据模型;
步骤S33.将所述缺陷测试数据对所述收敛数据模型的输出缺陷类型以及缺陷位置的准确性进行测试,得到新的缺陷测试数据;
步骤S34.将所述新的缺陷测试数据输入值所述缺陷训练数据中,重复所述步骤S32和所述步骤S33,获得所述缺陷识别神经网络模型。
优选地,识别出所述待测图像中的导线缺陷具体包括识别出所述待测图像中导线缺陷的类型和确定导线缺陷在所述待测图像中的位置。
优选地,所述导线缺陷的类型包括导线散股缺陷、导线断股缺陷和导线烧蚀缺陷。
本发明还提供一种输电线路的导线缺陷检测识别装置,应用于电力巡检上,包括历史数据获取单元、图像处理单元、构建缺陷模型单元和缺陷识别单元;
所述历史数据获取单元,用于从输电线路巡检历史缺陷库中获取历史的导线缺陷图像;
所述图像处理单元,用于采用图像增强、渲染对所述导线缺陷图像进行处理,得到缺陷图像样本库;
所述构建缺陷模型单元,用于采用RetinaNet深度神经网络对所述缺陷图像样本库进行训练,得到缺陷识别神经网络模型;
所述缺陷识别单元,用于采集所述输电线路上的待测图像,并将所述待测图像输入所述缺陷识别神经网络模型中进行检测,识别出所述待测图像中的导线缺陷。
优选地,所述图像处理单元包括图像处理子单元和样本渲染子单元;
所述图像处理子单元,用于对所述导线缺陷图像进行裁剪、放大/缩小、旋转、改变亮度或对比度、加噪点处理,得到缺陷图像样本库;
所述样本渲染子单元,用于采用渲染引擎对所述缺陷图像样本库中的样本进行渲染,得到样本缺陷图像。
优选地,所述构建缺陷模型单元还包括数据提取子单元、收敛模型子单元、测试子单元和识别模型构建子单元;
所述数据提取子单元,用于从所述缺陷图像样本库中的样本缺陷图像获取缺陷训练数据和缺陷测试数据;
所述收敛模型子单元,用于采用所述RetinaNet深度神经网络对所述缺陷训练数据进行迭代更新,得到收敛数据模型;
所述测试子单元,用于将所述缺陷测试数据对所述收敛数据模型的输出缺陷类型以及缺陷位置的准确性进行测试,得到新的缺陷测试数据;
所述识别模型构建子单元,用于将所述新的缺陷测试数据输入值所述缺陷训练数据中,不断在所述收敛模型子单元和所述测试子单元中进行迭代更新,构建所述缺陷识别神经网络模型。
优选地,所述缺陷识别单元还用于识别出所述待测图像中导线缺陷的类型和确定导线缺陷在所述待测图像中的位置。其中,所述导线缺陷的类型包括导线散股缺陷、导线断股缺陷和导线烧蚀缺陷
本发明还提供一种计算机设备,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述所述的输电线路的导线缺陷检测识别方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
1.该输电线路的导线缺陷检测识别方法采用图像增强、渲染对导线缺陷图像进行处理,得到缺陷图像样本库,再采用RetinaNet深度神经网络对缺陷图像样本库中的图像进行缺陷数据的提取、缺陷数据训练及测试、缺陷识别的训练,得到缺陷识别神经网络模型,将采集输电线路上的待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷,提高识别导线缺陷的准确率以及效率。解决了传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题;
2.该输电线路的导线缺陷检测识别装置通过图像处理单元对历史数据获取单元获取的导线缺陷图像进行处理,之后通过构建缺陷模型单元对缺陷图像样本库中的图像进行缺陷数据的提取、缺陷数据训练及测试、缺陷识别的训练,得到缺陷识别神经网络模型,在缺陷识别单元中将采集输电线路上的待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷,提高识别导线缺陷的准确率以及效率。解决了传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的输电线路的导线缺陷检测识别方法的步骤流程图。
图2为本发明实施例所述的输电线路的导线缺陷检测识别方法缺陷识别神经网络模型的步骤流程图。
图3为本发明实施例所述的输电线路的导线缺陷检测识别装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本申请实施例提供了一种输电线路的导线缺陷检测识别方法、装置及计算机设备,用于解决了传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题。
实施例一:
图1为本发明实施例所述的输电线路的导线缺陷检测识别方法的步骤流程图。
如图1所示,本发明实施例提供了一种输电线路的导线缺陷检测识别方法,应用于电力巡检上,包括以下步骤:
步骤S1.从输电线路巡检历史缺陷库中获取历史的导线缺陷图像;
步骤S2.采用图像增强、渲染对导线缺陷图像进行处理,得到缺陷图像样本库;
步骤S3.采用RetinaNet深度神经网络对缺陷图像样本库进行训练,得到缺陷识别神经网络模型;
步骤S4.采集输电线路上的待测图像,并将待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷。
在本实施例的步骤S1中,获取的导线缺陷图像主要包括有从输电线路巡检历史缺陷库中获取不同季节、天气、角度、光照、距离等条件下的不同缺陷类型的导线缺陷图像。
需要说明的是,获取不同条件下的导线缺陷图像,提高导线神经网络模型中的导线缺陷图像的多样化,为获得缺陷识别神经网络模型识别准确性提供保障。
在本实施例的步骤S2中,对输电线路巡检历史缺陷库获取所有导线缺陷图像进行处理,得到缺陷图像样本库,为步骤S3的训练提供足够多的数据。
在本实施例的步骤S3中,基于RetinaNet深度神经网络对缺陷图像样本库进行不断更新替换训练,从而得到训练后的缺陷识别神经网络模型。
需要说明的是,该缺陷识别神经网络模型是在训练的过程中不断更新替换图像缺陷数据,提高模型的识别导线缺陷的准确率,与现有手工操作提取图像相比,可以有效的适应不同的光照,视角,形状和复杂背景。并且,在深度神经网络学习领域,一般情况下采用直线型的CNN(如LeNet神经网络、AlexNet神经网络、VGG-Net神经网络等)自主提取图像缺陷特征数据,这种类型的网络对图像缺陷特征数据提取的能力通常会随着卷积层数的增加而逐渐增强,但同时也会产生了误差,因此会出现缺陷识别神经网络模型的精确度饱和并迅速变差的现象,而导致缺陷识别神经网络模型的识别准确率低。然而本实施例是采用RetinaNet深度神经网络对导线神经网络模型中的导线缺陷图像进行图像处理、缺陷数据训练、缺陷识别的训练,建立缺陷识别神经网络模型,实现对导线断股、散股、烧蚀等缺陷进行了高准确率以及高效率的识别。
在本实施例的步骤S4中,通过无人机采集输电线路上待检测的导线图像,该导线图像作为待测图像,待测图像输入缺陷识别神经网络模型中进行识别,识别待测图像中的导线缺陷。
需要说明的是,导线缺陷的类型包括导线散股缺陷、导线断股缺陷和导线烧蚀缺陷等。
本发明提供的一种输电线路的导线缺陷检测识别方法采用图像增强、渲染对导线缺陷图像进行处理,得到缺陷图像样本库,再采用RetinaNet深度神经网络对缺陷图像样本库中的图像进行缺陷数据的提取、缺陷数据训练及测试、缺陷识别的训练,得到缺陷识别神经网络模型,将采集输电线路上的待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷,提高识别导线缺陷的准确率以及效率。解决了传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题。
在本发明的一个实施例中,采用图像增强、渲染对导线缺陷图像进行处理具体包括:
对导线缺陷图像进行裁剪、放大/缩小、旋转、改变亮度或对比度、加噪点处理,得到缺陷图像样本库;
采用渲染引擎对所述缺陷图像样本库中的样本进行渲染,得到样本缺陷图像。
需要说明的是,对导线缺陷图像进行处理是得到缺陷识别神经网络模型起到相当重要的作用,因在导线缺陷图像中的图像是通过不同光照,视角和背景等条件下获得的导线缺陷图像样本,首先对缺陷图像样本库进行裁剪、放大/缩小、旋转、改变亮度以及对比度加噪点等处理,实现对缺陷图像样本库的图像处理,使得导线神经网络模型中的图像符合标准的样本缺陷图像要求,经过处理后的图像输入样本库中得到缺陷图像样本库,然后通过渲染引擎对导线神经网络模型中的图像进行渲染,得到样本缺陷图像。
图2为本发明实施例所述的输电线路的导线缺陷检测识别方法缺陷识别神经网络模型的步骤流程图。
如图2所示,在本发明的一个实施例中,在训练过程中,得到缺陷识别神经网络模型的步骤包括:
步骤S31.从缺陷图像样本库中的样本缺陷图像获取缺陷训练数据和缺陷测试数据;
步骤S32.采用RetinaNet深度神经网络对缺陷训练数据进行迭代更新,得到收敛数据模型;
步骤S33.将缺陷测试数据对收敛数据模型的输出缺陷类型以及缺陷位置的准确性进行测试,得到新的缺陷测试数据;
步骤S34.将新的缺陷测试数据输入值缺陷训练数据中,重复步骤S32和步骤S33,获得缺陷识别神经网络模型。
在本实施例的步骤S31中,缺陷训练数据和缺陷测试数据是从缺陷图像样本库中的样本缺陷图像获取的。具体地,缺陷训练数据和缺陷测试数据可以用数值表示(0代表不是缺陷位置,1代表是缺陷位置),缺陷训练数据和缺陷测试数据均是从所述样本缺陷图像中获取的。缺陷测试数据是用于测试收敛数据模型的缺陷位置和导线缺陷分类的准确性的。
在本实施例的步骤S32和步骤S33中,基于RetinaNet深度神经网络对缺陷训练数据不断迭代更新,得到收敛数据模型。具体地,不断迭代更新是采用定位的损失函数计算收敛数据模型输出的缺陷位置结果与实际位置之间的第一误差,还采用导线切线分类的损失函数计算收敛数据模型输出的导线缺陷分类结果与实际缺陷真实分类之间的第二误差,第一误差和第二误差求和,然后反向求导,得到更新后的收敛数据模型模型的权重和残差,从而使得收敛数据模型输出的缺陷位置和导线缺陷类别与样本缺陷图像相同或相近,得到收敛数据模型。也可以用y=f(x)代表RetinaNet深度神经网络,输入的缺陷图像样本库的图像是x,输出是y,实际输出是g,损失函数就是计算g和y间的误差,对缺陷训练数据的训练过程是通过大量的x拟合输出,使得RetinaNet深度神经网络输出的y无限接近g,将得到的y这个模型记为收敛数据模型。而缺陷测试数据用于测试收敛数据模型输出y是否与实际的输出的y一致。在本实施例中,可以将用于从缺陷图像样本库中的样本缺陷图像获取缺陷数据中的80%缺陷数据作为缺陷训练数据,20%的缺陷数据作为缺陷测试数据。
需要说明的是,RetinaNet是由resnet+FPN+两个FCN子网络组成的网络结构。而FPN特征金字塔是多尺度目标检测系统中的一个基本组成部分,主要是利用深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。导线神经网络模型是通过FPN特征金字塔网络结构建立的,使得导线神经网络模型具有较高的分辨率层级,为缺陷识别神经网络模型的识别准确度和效率提供保障。缺陷识别神经网络模型主要是用于识别待测导线图像的缺陷。
在本实施例的步骤S34中,将新的测试数据输入缺陷训练数据,构建新的缺陷训练数据,重复执行步骤S32和步骤S33,不断优化收敛数据模型输出缺陷类型和缺陷位置的准确性,从而得到用于识别导线缺陷准确性高的缺陷识别神经网络模型。
在本发明的一个实施例中,识别出待测图像中的导线缺陷具体包括识别出待测图像中导线缺陷的类型和确定导线缺陷在待测图像中的位置。具体地,即是将无人机拍摄的原始图像输入到缺陷识别神经网络模型中,得到缺陷的判定结果(可以为输出识别结果热度图)和在待测图像中的位置。
需要说明的是,需要将待测图像输入训练好的缺陷识别神经网络模型中进行检测,在缺陷识别神经网络模型中的缺陷图像样本库中遍历所有缺陷特征数据图像,进而识别判断出待测图像是否存在导线缺陷,并确定该待测图像的导线缺陷类型;对待测图像中的导线缺陷不仅仅包括确定该待测图像的导线缺陷类型,同时还应当对该待测图像的导线缺陷位置进行缺陷位置确认,确定存在导线缺陷的待测图像为目标图像,锁定目标图像进而可以确定该目标图像中导线的位置。
实施例二:
图3为本发明实施例所述的输电线路的导线缺陷检测识别装置的框架图。
如图3所示,本发明实施例提供了一种输电线路的导线缺陷检测识别装置,应用于电力巡检上,包括历史数据获取单元10、图像处理单元20、构建缺陷模型单元30和缺陷识别单元40;
历史数据获取单元10,用于从输电线路巡检历史缺陷库中获取历史的导线缺陷图像;
图像处理单元20,用于采用图像增强、渲染对导线缺陷图像进行处理,得到缺陷图像样本库;
构建缺陷模型单元30,用于采用RetinaNet深度神经网络对缺陷图像样本库进行训练,得到缺陷识别神经网络模型;
缺陷识别单元40,用于采集输电线路上的待测图像,并将待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷。
在本实施例的历史数据获取单元10中,获取的导线缺陷图像主要包括有从输电线路巡检历史缺陷库中获取不同季节、天气、角度、光照、距离等条件下的不同缺陷类型的导线缺陷图像。
需要说明的是,获取不同条件下的导线缺陷图像,提高导线神经网络模型中的导线缺陷图像的多样化,为获得缺陷识别神经网络模型识别准确性提供保障。
在本实施例的图像处理单元20中,对输电线路巡检历史缺陷库获取所有导线缺陷图像进行处理,得到缺陷图像样本库,为步骤S3的训练提供足够多的数据。
在本实施例的构建缺陷模型单元30中,基于RetinaNet深度神经网络对缺陷图像样本库进行不断更新替换训练,从而得到训练后的缺陷识别神经网络模型。
需要说明的是,该缺陷识别神经网络模型是在训练的过程中不断更新替换图像缺陷数据,提高模型的识别导线缺陷的准确率,与现有手工操作提取图像相比,可以有效的适应不同的光照,视角,形状和复杂背景。并且,在深度神经网络学习领域,一般情况下采用直线型的CNN(如LeNet神经网络、AlexNet神经网络、VGG-Net神经网络等)自主提取图像缺陷特征数据,这种类型的网络对图像缺陷特征数据提取的能力通常会随着卷积层数的增加而逐渐增强,但同时也会产生了误差,因此会出现缺陷识别神经网络模型的精确度饱和并迅速变差的现象,而导致缺陷识别神经网络模型的识别准确率低。然而本实施例是采用RetinaNet深度神经网络对导线神经网络模型中的导线缺陷图像进行图像处理、缺陷数据训练、缺陷识别的训练,建立缺陷识别神经网络模型,实现对导线断股、散股、烧蚀等缺陷进行了高准确率以及高效率的识别。
在本实施例的缺陷识别单元40中,通过无人机采集输电线路上待检测的导线图像,该导线图像作为待测图像,待测图像输入缺陷识别神经网络模型中进行识别,识别待测图像中的导线缺陷。
需要说明的是,导线缺陷的类型包括导线散股缺陷、导线断股缺陷和导线烧蚀缺陷等。
在本发明的一个实施例中,图像处理单元20包括图像处理子单元21和样本渲染子单元22;
图像处理子单元21,用于对导线缺陷图像进行裁剪、放大/缩小、旋转、改变亮度或对比度、加噪点处理,得到缺陷图像样本库;
样本渲染子单元22,用于采用渲染引擎对缺陷图像样本库中的样本进行渲染,得到样本缺陷图像。
需要说明的是,对导线缺陷图像进行处理是得到缺陷识别神经网络模型起到相当重要的作用,因在导线缺陷图像中的图像是通过不同光照,视角和背景等条件下获得的导线缺陷图像样本,首先对缺陷图像样本库进行裁剪、放大/缩小、旋转、改变亮度以及对比度加噪点等处理,实现对缺陷图像样本库的图像处理,使得导线神经网络模型中的图像符合标准的样本缺陷图像要求,经过处理后的图像输入样本库中得到缺陷图像样本库,然后通过渲染引擎对导线神经网络模型中的图像进行渲染,得到样本缺陷图像。
在本发明的一个实施例中,构建缺陷模型单元30还包括数据提取子单元31、收敛模型子单元32、测试子单元33和识别模型构建子单元34;
数据提取子单元31,用于从缺陷图像样本库中的样本缺陷图像获取缺陷训练数据和缺陷测试数据;
收敛模型子单元32,用于采用RetinaNet深度神经网络对缺陷训练数据进行迭代更新,得到收敛数据模型;
测试子单元33,用于将缺陷测试数据对收敛数据模型的输出缺陷类型以及缺陷位置的准确性进行测试,得到新的缺陷测试数据;
识别模型构建子单元34,用于将新的缺陷测试数据输入值缺陷训练数据中,不断在收敛模型子单元和测试子单元中进行迭代更新,构建缺陷识别神经网络模型。
在本实施例的数据提取子单元31中,缺陷训练数据和缺陷测试数据是从缺陷图像样本库中的样本缺陷图像获取的。具体地,缺陷训练数据和缺陷测试数据可以用数值表示(0代表不是缺陷位置,1代表是缺陷位置),缺陷训练数据和缺陷测试数据均是从所述样本缺陷图像中获取的。缺陷测试数据是用于测试收敛数据模型的缺陷位置和导线缺陷分类的准确性的。
在本实施例的收敛模型子单元32和测试子单元33中,基于RetinaNet深度神经网络对缺陷训练数据不断迭代更新,得到收敛数据模型。具体地,不断迭代更新是采用定位的损失函数计算收敛数据模型输出的缺陷位置结果与实际位置之间的第一误差,还采用导线切线分类的损失函数计算收敛数据模型输出的导线缺陷分类结果与实际缺陷真实分类之间的第二误差,第一误差和第二误差求和,然后反向求导,得到更新后的收敛数据模型模型的权重和残差,从而使得收敛数据模型输出的缺陷位置和导线缺陷类别与样本缺陷图像相同或相近,得到收敛数据模型。也可以用y=f(x)代表RetinaNet深度神经网络,输入的缺陷图像样本库的图像是x,输出是y,实际输出是g,损失函数就是计算g和y间的误差,对缺陷训练数据的训练过程是通过大量的x拟合输出,使得RetinaNet深度神经网络输出的y无限接近g,将得到的y这个模型记为收敛数据模型。而缺陷测试数据用于测试收敛数据模型输出y是否与实际的输出的y一致。在本实施例中,可以将用于从缺陷图像样本库中的样本缺陷图像获取缺陷数据中的80%缺陷数据作为缺陷训练数据,20%的缺陷数据作为缺陷测试数据。
需要说明的是,RetinaNet是由resnet+FPN+两个FCN子网络组成的网络结构。而FPN特征金字塔是多尺度目标检测系统中的一个基本组成部分,主要是利用深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。导线神经网络模型是通过FPN特征金字塔网络结构建立的,使得导线神经网络模型具有较高的分辨率层级,为缺陷识别神经网络模型的识别准确度和效率提供保障。缺陷识别神经网络模型主要是用于识别待测导线图像的缺陷。
在本实施例的识别模型构建子单元34中,将新的测试数据输入缺陷训练数据,构建新的缺陷训练数据,在收敛模型子单元32和测试子单元33中不断优化收敛数据模型输出缺陷类型和缺陷位置的准确性,从而得到用于识别导线缺陷准确性高的缺陷识别神经网络模型。
在本实施例中,缺陷识别单元40还用于识别出待测图像中导线缺陷的类型和确定导线缺陷在待测图像中的位置。具体地,即是将无人机拍摄的原始图像输入到缺陷识别神经网络模型中,得到缺陷的判定结果(可以为输出识别结果热度图)和在待测图像中的位置。
需要说明的是,需要将待测图像输入训练好的缺陷识别神经网络模型中进行检测,在缺陷识别神经网络模型中的缺陷图像样本库中遍历所有缺陷特征图像,进而识别判断出待测图像是否存在导线缺陷,并确定该待测图像的导线缺陷类型;对待测图像中的导线缺陷不仅仅包括确定该待测图像的导线缺陷类型,同时还应当对该待测图像的导线缺陷位置进行缺陷位置确认,确定存在导线缺陷的待测图像为目标图像,锁定目标图像进而可以确定该目标图像中导线的位置。
本发明提供的一种输电线路的导线缺陷检测识别装置通过图像处理单元对历史数据获取单元获取的导线缺陷图像进行处理,之后通过构建缺陷模型单元对缺陷图像样本库中的图像进行缺陷数据的提取、缺陷数据训练及测试、缺陷识别的训练,得到缺陷识别神经网络模型,在缺陷识别单元中将采集输电线路上的待测图像输入缺陷识别神经网络模型中进行检测,识别出待测图像中的导线缺陷,提高识别导线缺陷的准确率以及效率。解决了传统对输电线路上采集图像进行导线缺陷识别方法的效率低且准确度不高的技术问题。
实施例三:
本发明实施例提供了一种计算机设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的输电线路的导线缺陷检测识别方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种输电线路的导线缺陷检测识别方法实施例中的步骤,例如图1所示的步骤S1至S4。或者,处理器执行计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图3所示单元10至40的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种输电线路的导线缺陷检测识别方法,应用于电力巡检上,其特征在于,包括以下步骤:
步骤S1.从输电线路巡检历史缺陷库中获取历史的导线缺陷图像;
步骤S2.采用图像增强、渲染对所述导线缺陷图像进行处理,得到缺陷图像样本库;
步骤S3.采用RetinaNet深度神经网络对所述缺陷图像样本库进行训练,得到缺陷识别神经网络模型;
步骤S4.采集所述输电线路上的待测图像,并将所述待测图像输入所述缺陷识别神经网络模型中进行检测,识别出所述待测图像中的导线缺陷;
采用图像增强、渲染对所述导线缺陷图像进行处理具体包括:
对所述导线缺陷图像进行裁剪、放大/缩小、旋转、改变亮度或对比度、加噪点处理,得到缺陷图像样本库;
采用渲染引擎对所述缺陷图像样本库中的样本进行渲染,得到样本缺陷图像;
在训练过程中,得到所述缺陷识别神经网络模型的步骤包括:
步骤S31.从所述缺陷图像样本库中的样本缺陷图像获取缺陷训练数据和缺陷测试数据;
步骤S32.采用所述RetinaNet深度神经网络对所述缺陷训练数据进行迭代更新,得到收敛数据模型;
步骤S33.将所述缺陷测试数据对所述收敛数据模型的输出缺陷类型以及缺陷位置的准确性进行测试,得到新的缺陷测试数据;
步骤S34.将所述新的缺陷测试数据输入所述缺陷训练数据中,重复所述步骤S32和所述步骤S33,获得所述缺陷识别神经网络模型;
采用定位的损失函数计算收敛数据模型输出的缺陷位置结果与实际位置之间的第一误差;
采用导线切线分类的损失函数计算收敛数据模型输出的导线缺陷分类结果与实际缺陷真实分类之间的第二误差;
将第一误差和第二误差求和后反向求导,得到更新后的收敛数据模型的权重和残差,使得收敛数据模型输出的缺陷位置和导线缺陷类别与样本缺陷图像相同,得到收敛数据模型。
2.根据权利要求1所述的输电线路的导线缺陷检测识别方法,其特征在于,识别出所述待测图像中的导线缺陷具体包括识别出所述待测图像中导线缺陷的类型和确定导线缺陷在所述待测图像中的位置。
3.根据权利要求1所述的输电线路的导线缺陷检测识别方法,其特征在于,所述导线缺陷的类型包括导线散股缺陷、导线断股缺陷和导线烧蚀缺陷。
4.一种输电线路的导线缺陷检测识别装置,应用于电力巡检上,其特征在于,包括历史数据获取单元、图像处理单元、构建缺陷模型单元和缺陷识别单元;
所述历史数据获取单元,用于从输电线路巡检历史缺陷库中获取历史的导线缺陷图像;
所述图像处理单元,用于采用图像增强、渲染对所述导线缺陷图像进行处理,得到缺陷图像样本库;
所述构建缺陷模型单元,用于采用RetinaNet深度神经网络对所述缺陷图像样本库进行训练,得到缺陷识别神经网络模型;
所述缺陷识别单元,用于采集所述输电线路上的待测图像,并将所述待测图像输入所述缺陷识别神经网络模型中进行检测,识别出所述待测图像中的导线缺陷;
所述图像处理单元包括图像处理子单元和样本渲染子单元;
所述图像处理子单元,用于对所述导线缺陷图像进行裁剪、放大/缩小、旋转、改变亮度或对比度、加噪点处理,得到缺陷图像样本库;
所述样本渲染子单元,用于采用渲染引擎对所述缺陷图像样本库中的样本进行渲染,得到样本缺陷图像;
所述构建缺陷模型单元还包括数据提取子单元、收敛模型子单元、测试子单元和识别模型构建子单元;
所述数据提取子单元,用于从所述缺陷图像样本库中的样本缺陷图像获取缺陷训练数据和缺陷测试数据;
所述收敛模型子单元,用于采用所述RetinaNet深度神经网络对所述缺陷训练数据进行迭代更新,得到收敛数据模型;
所述测试子单元,用于将所述缺陷测试数据对所述收敛数据模型的输出缺陷类型以及缺陷位置的准确性进行测试,得到新的缺陷测试数据;
所述识别模型构建子单元,用于将所述新的缺陷测试数据输入所述缺陷训练数据中,不断在所述收敛模型子单元和所述测试子单元中进行迭代更新,构建所述缺陷识别神经网络模型;
采用定位的损失函数计算收敛数据模型输出的缺陷位置结果与实际位置之间的第一误差;
采用导线切线分类的损失函数计算收敛数据模型输出的导线缺陷分类结果与实际缺陷真实分类之间的第二误差;
将第一误差和第二误差求和后反向求导,得到更新后的收敛数据模型的权重和残差,使得收敛数据模型输出的缺陷位置和导线缺陷类别与样本缺陷图像相同,得到收敛数据模型。
5.根据权利要求4所述的输电线路的导线缺陷检测识别装置,其特征在于,所述缺陷识别单元还用于识别出所述待测图像中导线缺陷的类型和确定导线缺陷在所述待测图像中的位置;
其中,所述导线缺陷的类型包括导线散股缺陷、导线断股缺陷和导线烧蚀缺陷。
6.一种计算机设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行权利要求1-3任一项所述的输电线路的导线缺陷检测识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129428.1A CN111340787B (zh) | 2020-02-28 | 2020-02-28 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129428.1A CN111340787B (zh) | 2020-02-28 | 2020-02-28 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340787A CN111340787A (zh) | 2020-06-26 |
CN111340787B true CN111340787B (zh) | 2023-09-29 |
Family
ID=71187226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129428.1A Active CN111340787B (zh) | 2020-02-28 | 2020-02-28 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340787B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784692A (zh) * | 2020-08-11 | 2020-10-16 | 国网内蒙古东部电力有限公司 | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 |
CN113724283A (zh) * | 2020-11-11 | 2021-11-30 | 国网陕西省电力公司电力科学研究院 | 一种适用于输电导线检测装置的快速检测方法 |
CN112329687B (zh) * | 2020-11-16 | 2022-10-18 | 山东天岳先进科技股份有限公司 | 一种碳化硅衬底位错自动识别方法及系统 |
CN112381798A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种输电线路缺陷识别方法和终端 |
CN112669264A (zh) * | 2020-12-17 | 2021-04-16 | 国网山西省电力公司运城供电公司 | 配网线路无人机巡检的人工智能缺陷识别方法和系统 |
CN112465818A (zh) * | 2020-12-18 | 2021-03-09 | 哈尔滨市科佳通用机电股份有限公司 | 一种裙板异物故障检测方法 |
CN114792299A (zh) * | 2021-01-25 | 2022-07-26 | 山东信通电子股份有限公司 | 一种输电线路异常状态检测方法及装置 |
CN113160128B (zh) * | 2021-03-03 | 2022-11-01 | 合肥图迅电子科技有限公司 | 用于led的缺陷检测方法以及存储介质 |
CN113157675A (zh) * | 2021-03-05 | 2021-07-23 | 深圳供电局有限公司 | 缺陷定位方法、装置、计算机设备和存储介质 |
CN113642558A (zh) * | 2021-08-16 | 2021-11-12 | 云南电网有限责任公司电力科学研究院 | 耐张线夹压接缺陷的x射线图像识别方法及装置 |
CN114035608A (zh) * | 2021-11-10 | 2022-02-11 | 广东电网能源发展有限公司 | 基于无人机的巡检培训方法、系统、培训终端和存储介质 |
CN114882039B (zh) * | 2022-07-12 | 2022-09-16 | 南通透灵信息科技有限公司 | 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 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 |
CN108734691A (zh) * | 2018-03-22 | 2018-11-02 | 广东电网有限责任公司清远供电局 | 一种输电线路缺陷图像识别方法 |
CN109635694A (zh) * | 2018-12-03 | 2019-04-16 | 广东工业大学 | 一种行人检测方法、装置、设备及计算机可读存储介质 |
CN109886947A (zh) * | 2019-02-19 | 2019-06-14 | 浙江理工大学 | 基于区域的卷积神经网络的高压电线缺陷检测方法 |
CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
CN110246131A (zh) * | 2019-06-21 | 2019-09-17 | 成都卡普数据服务有限责任公司 | 基于卷积神经网络的导线分股缺陷图像识别方法 |
CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学(保定) | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
-
2020
- 2020-02-28 CN CN202010129428.1A patent/CN111340787B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 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 |
CN108734691A (zh) * | 2018-03-22 | 2018-11-02 | 广东电网有限责任公司清远供电局 | 一种输电线路缺陷图像识别方法 |
CN109635694A (zh) * | 2018-12-03 | 2019-04-16 | 广东工业大学 | 一种行人检测方法、装置、设备及计算机可读存储介质 |
CN109886947A (zh) * | 2019-02-19 | 2019-06-14 | 浙江理工大学 | 基于区域的卷积神经网络的高压电线缺陷检测方法 |
CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
CN110246131A (zh) * | 2019-06-21 | 2019-09-17 | 成都卡普数据服务有限责任公司 | 基于卷积神经网络的导线分股缺陷图像识别方法 |
CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学(保定) | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
Non-Patent Citations (5)
Title |
---|
基于改进损失函数的YOLOv3网络;吕铄等;计算机系统应用;第28卷(第2期);第1-7页 * |
多尺度级联R-FCN的尾灯检测算法研究;白博等;计算机工程与应用;第194-200页 * |
时磊等.基于RetinaNet 模型的鸟巢智能检测.电力大数据.2020,第23卷(第23期),第53-58页. * |
王凯等.基于RetinaNet和类别平衡采样方法的销钉缺陷检测.电力工程技术.2019,第38卷(第38期),第80-85页. * |
王波等.电力深度视觉:基本概念、关键技术与应用场景.广东电力.2019,第32卷(第32期),第3-8页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111340787A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340787B (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN109753928B (zh) | 违章建筑物识别方法和装置 | |
WO2019104780A1 (zh) | 激光雷达点云数据分类方法、装置、设备及存储介质 | |
CN108171203B (zh) | 用于识别车辆的方法和装置 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN112052813B (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
CN112381800B (zh) | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 | |
CN110610123A (zh) | 一种多目标车辆检测方法、装置、电子设备及存储介质 | |
CN111598913A (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN111340831A (zh) | 点云边缘检测方法和装置 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN111223078A (zh) | 瑕疵等级判定的方法及存储介质 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN112560791B (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 |
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 |