CN111382766A - 一种基于Faster R-CNN的设备故障检测方法 - Google Patents

一种基于Faster R-CNN的设备故障检测方法 Download PDF

Info

Publication number
CN111382766A
CN111382766A CN201811636870.2A CN201811636870A CN111382766A CN 111382766 A CN111382766 A CN 111382766A CN 201811636870 A CN201811636870 A CN 201811636870A CN 111382766 A CN111382766 A CN 111382766A
Authority
CN
China
Prior art keywords
target
cnn
anchor
fast
frame
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
CN201811636870.2A
Other languages
English (en)
Inventor
马元婧
王宁
高露
苏谟
周晓磊
马慧敏
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.)
Shenyang Institute of Computing Technology of CAS
Original Assignee
Shenyang Institute of Computing Technology of CAS
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 Shenyang Institute of Computing Technology of CAS filed Critical Shenyang Institute of Computing Technology of CAS
Priority to CN201811636870.2A priority Critical patent/CN111382766A/zh
Publication of CN111382766A publication Critical patent/CN111382766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于Faster R‑CNN的设备故障检测方法。该方法通过提取图片更深层次的表征特征，获得对应的特征图；然后使用固定的滑动窗口在特征图上自左向右、从上向下移动，通过卷积运算，获得目标候选区域框；然后对候选边框进行筛选处理，获得质量高、数量少的候选区域建议框；最后对这些候选区域建议框进行目标分类与目标位置边框回归。本发明方法通过筛选目标候选框，减少了预检测识别的候选框的数目，降低了计算复杂度，提高了候选区域的质量，提高了检测模型的识别准确率，另一方面，本发明方法在区域建议和目标分类与边框回归两部分共享卷积特征，大幅度地提升了检测识别的速度，通过相关实验验证了方法的有效性。

Description

一种基于Faster R-CNN的设备故障检测方法
技术领域
本发明涉及深度学习在图像目标检测领域的应用，具体地说是一种基于FasterR-CNN的设备故障检测方法。
背景技术
目标检测是计算机视觉的实际应用中重要的一个领域，不仅包括对目标物体的分类，还包含对目标物体的定位。
传统目标检测方法主要包括目标特征提取、目标识别和目标定位三个部分，这里用到的特征都是人为设计的特征，如SIFT(尺度不变特征变换匹配算法)、HOG(方法梯度直方图特征)、SURF(加速稳健特征)等，通过这些特征对目标进行识别，然后在结合相应的策略对目标进行定位。这种方法受人为设计的特征影响较大，对各种复杂情景有较大的局限性。
Faster R-CNN是深度学习在目标检测领域的经典算法，其核心是先假设目标区域，然后对其进行分类和筛选，能检测出图像中目标的种类和位置。Faster R-CNN算法就是该领域的一个经典之作，与另一个目标检测算法Fast R-CNN相比，Faster R-CNN在PASCAVOC 2007数据集上的准确率略有提高，图像的处理速度大幅度提高。在测试上，Faster R-CNN比Fast R-CNN快10倍，图像处理速度基本可以达到17fps(每秒可处理17帧图像)，能达到准实时处理的能力。
发明内容
针对传统目标检测方法中的不足之处，本发明基于深度学习算法Faster R-CNN，提出一种全新的基于Faster R-CNN的设备故障检测方法。
本发明要解决的是检测图像目标的运行状态，进而判断其是否发生故障，利用Faster R-CNN算法进行目标状态识别，以获得更高的识别准确率和识别速率。
本发明为实现上述目的所采用的技术方案是：一种基于Faster R-CNN的设备故障检测方法，包括以下步骤：
步骤1：采集设备的运行状况图片，随机分成样本集用于训练模型、待识别的图像用于模型检测；
步骤2：对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCAL VOC 2007数据集，再分为训练集、验证集和测试集；
步骤3：将标注的训练集中的图像输入VGG16网络提取目标特征，获得训练样本集对应的特征图；
步骤4：使用区域建议网络RPN对特征图进行候选框建议，获得包含目标的感兴趣区域rois；
步骤5：使用Fast R-CNN网络对感兴趣区域rois包含的目标进行类别分类和位置边框回归，对整个Faster R-CNN模型的网络参数进行微调，获得用于该设备状态检测的模型；
步骤6：用验证集和测试集中的图像进行验证和测试，当识别准确率高于预设阈值时确定当前模型为最终识别模型；
步骤7：将步骤1待识别的图像输入最终识别模型，获得每张待识别图像的各个目标的类别信息和位置坐标信息，判断该目标设备是否运行异常，若是，通知工作人员进行故障维修。
所述图片格式为JPG格式。
所述对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCAL VOC 2007数据集包括：
对样本集的图像的名称进行归一化命名并存储；
使用图片标注工具LabelImg对每张图片标注其中目标的类别信息，生成相对应的标注信息文件：图片名称、各个目标的类别信息和位置坐标信息；
所述训练集train、验证集val和测试集test包含图像数量的比例为1:1:2。
所述步骤4包括：
步骤4.1：采用3种不同类型的滑动窗口anchor配合3种缩放尺度处理特征图；
步骤4.2：筛选滑动窗口anchor中的图像获取正样本和负样本；
步骤4.3：对于每一幅特征图，计算其对应的滑动窗口anchor属于前景的概率，以及该窗口与实际标注边框的偏移量；
步骤4.4：计算PRN网络的损失；
步骤4.5：用非极大抑制算法NMS筛选重叠度高的正、负样本，获取感兴趣区域rois。
所述步骤4.1为采用3种不同类型的滑动窗口anchor，长宽比分别为1:1、1:2、2:1，并用3种尺度缩放滑动窗口，共采用9种anchor在特征图上自左向右、从上到下移动。
所述步骤4.2包括如果anchor对应的边框与标注边框的区域重叠度大于0.7，将该anchor标记为正样本；如果anchor对应的边框与标注边框的区域重叠度小于0.3，将该anchor标记为负样本；否则丢弃。
所述计算PRN网络的损失L({pi},{ti})如下：
Figure BDA0001930249340000031
其中，用所有筛选的anchor计算第i个anchor的分类损失
Figure BDA0001930249340000032
而只用标记为前景的anchor计算第i个anchor的回归损失
Figure BDA0001930249340000033
pi和
Figure BDA0001930249340000034
分别表示第i个anchor对应的前景概率和该anchor对应的标注的目标概率，ti和
Figure BDA0001930249340000035
分别表示第i个anchor对应的位置边框坐标和其目标标注的目标边框坐标，Ncls和Nreg分别表示用于计算分类损失的总anchor数量和用于计算回归损失的总anchor数量，λ表示比重系数，
Figure BDA0001930249340000036
Figure BDA0001930249340000041
所述使用Fast R-CNN网络对感兴趣区域rois包含的目标进行类别分类和位置边框回归，对整个Faster R-CNN模型的网络参数进行微调，获得最终的用于该设备状态检测的模型如下：
步骤5.1：将感兴趣区域rois输入感兴趣区域池化层RoI Pooling，获取候选建议框proposal，并将其尺寸规整为统一的大小；
步骤5.2：将规整后的候选建议框proposal输入一个包含N+1个单元的全连接层full-connection，计算概率判断该候选建议框proposal属于哪个类别；
步骤5.3：再输入一个4N个单元的全连接层，对每个proposal，计算其与实际标注边框的位置偏移量，调整候选建议框proposal得到目标位置边框；
其中，N+1包括N个类别总数和一个是背景类。
本发明具有以下有益效果及优点：
1、本发明通过卷积神经网络自主学习目标特征，能更好地适用多种复杂场景。
2、本发明利用RPN网络(区域建议网络)筛选出质量高、数量少的目标候选框，一定程度上提升了目标识别的准确率，加快的图像检测的速率。
3、本发明采用NMS(非极大值抑制算法)对目标候选框进行后处理，一定程度上提高了目标位置边框的准确性。
4、采用卷积网络自行产生建议框，并且和目标检测网络共享卷积网络，使得目标建议框的数目从原来的2000个左右减少到300个，且建议框的质量也有本质的提高，从而大幅度的提升了目标检测的速度
5、对属于某一特征的候选框，用回归器进一步调整目标的位置，使得目标的位置边框更加准备。
6、深度神经网络模型将目标的检测和识别抽象为对应目标模型的训练问题，不仅可以检测到不同类型的目标，而且可以同时检测到多个目标，便于扩展，实用性强。
附图说明
图1为本发明方法的设备故障检测方法的Faster R-CNN算法流程图；
图2为本发明方法的设备故障检测方法的Faster R-CNN算法具体框架图；
图3为本发明方法开关设备1检测结果；
图4为本发明方法开关设备2检测结果；
图5为本发明方法开关设备3检测结果；
图6为本发明方法指示灯设备1检测结果；
图7为本发明方法指示灯设备2检测结果；
图8为本发明方法指示灯设备3检测结果；
图9位本发明方法数字仪表设备1检测结果；
图10位本发明方法数字仪表设备2检测结果；
图11位本发明方法数字仪表设备3检测结果。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1、图2所示，一种基于Faster R-CNN的设备故障检测方法，包括以下步骤：
步骤1：用户采集某一设备的运行状况图片，作为训练模型的样本集(总数量为N)，同时，用户选择该设备相关的运行状况图片，作为要检测识别的图片样本集；
步骤2：用户按照PASCAL VOC 2007数据集的存储格式存储步骤1的训练样本集；
步骤2.1：对所有图片重命名，命名格式如“000001.jpg”所示，图片按照自然数顺序依次命名，命名数字中间不可有间断；
步骤2.2：将步骤2.1中全部重命名的图像放在文件夹JPEGImages中(若文件夹不存在，创建新的文件夹)；
步骤2.3：使用图片标注工具LabelImg对每张图片标注其中目标的类别信息，生成相对应的标注信息文件(文件类型为xml)，其中包含该图片的名称，以及该图片中所含有的目标列表，每个目标由其类别信息和位置坐标信息组成；
步骤2.4：将步骤2.3中全部标准信息文件放在文件Annotations中(Annotations文件夹和JPEGImages文件夹处于同一级目录下，若文件夹不存在，创建新的文件夹)；
步骤2.5：按照1:1的比例将全部样本集随机分为训练验证集trainval和测试集test，并按照1:1的比例将训练集随机分为训练集train和验证集val；
步骤2.6：将随机分完后的训练集、验证集、训练验证集和测试集的每张图片的名称写入在其对应的TXT文档中，获得四个TXT文档：train.txt、val.txt、trainval.txt和test.txt；
步骤2.7：将步骤2.6获得的四个TXT文档放在文件夹ImageSets的下级文件夹Main中(ImageSets文件夹与Annotations文件夹处于同一级目录下，若文件夹不存在，创建新的文件夹)；
步骤2.8：将步骤2.2、步骤2.4、步骤2.7中获得的三个文件夹放在文件夹VOC2007中，即为完整的PASCAL VOC 2007数据集。
步骤3：将处理好的训练样本集通过VGG16网络(用于大规模图像识别的卷积神经网络)提取相关的目标特征，获得训练样本集对应的特征图；
步骤3.1：卷积层conv主要是用于提取目标特征，卷积计算公式为：
Figure BDA0001930249340000061
其中，outputsize为图片的输出尺寸，inputsize为图片的输入尺寸，kernel_size为卷积核(VGG16中kernel_size＝3)，stride为步长(VGG16中stride＝1)，pad为填充(VGG16中pad＝1)；
步骤3.2：非线性激活层relu，最大池化层pooling主要是用于降低图片的维度、聚集特征；
步骤3.3：VGG16中含有13个conv层、13个relu层和4个pooling层，按照S1、S2的方法依次执行，得到最终的特征图。
步骤4：使用区域建议网络(Region Proposal Network，RPN)对特征图进行候选框建议，获得可能包含目标的感兴趣区域(Region of Interest，rois)；
步骤4.1：采用3种不同类型的滑动窗口anchor，长宽比分别为1:1、1:2、2:1，并用3种尺度缩放滑动窗口，一共采用9种anchor在特征图上自左向右、从上到下移动，对于一幅W*H的特征图，对应着W*H*9个anchor；
步骤4.2：筛选anchor的方法如下：
步骤4.2.1：如果anchor对应的边框与真实边框的区域重叠度最大，将该anchor标记为正样本；
步骤4.2.2：如果anchor对应的边框与真实边框的区域重叠度大于0.7，将该anchor标记为正样本；
步骤4.2.3：如果anchor对应的边框与真实边框的区域重叠度小于0.3，将该anchor标记为负样本；
步骤4.2.4：剩下的anchor既不是正样本也不是负样本，丢弃；
步骤4.3：对于每一幅特征图，计算其对应的anchor属于前景(包含目标)的概率，以及anchor对应边框的偏移量；
步骤4.4：训练PRN网络的损失是由分类损失和位置回归损失按一定比例组成的，用所有筛选的anchor计算分类损失，而只用标记为前景的anchor计算回归损失，总的损失计算公式如下：
Figure BDA0001930249340000071
其中，pi和
Figure BDA0001930249340000072
分别表示第i个anchor对应的前景概率和该anchor对应的真实标定的目标概率，ti和
Figure BDA0001930249340000073
分别表示第i个anchor对应的位置边框坐标和其目标真实标定的目标边框坐标，Ncls和Nreg分别表示用于计算分类损失的总anchor数量和用于计算回归损失的总anchor数量，λ表示比重系数，
Figure BDA0001930249340000074
和
Figure BDA0001930249340000075
分别表示第i个anchor的分类损失和回归损失，其计算公式如下所示：
Figure BDA0001930249340000081
Figure BDA0001930249340000082
步骤4.5：由于anchor之间经常重叠，使用非极大抑制(Non-maximumsuppression，NMS)算法对anchor进行筛选。NMS算法按照anchor的分数(即为目标概率)排序，并对已排序的列表进行迭代，丢弃区域重叠度大于阈值thresh(人为设定的，默认为0.6)的anchor，并选择具有更高分数的anchor。最后，保留分数最高的2000个anchor，作为感兴趣区域rois。
步骤5：使用Fast R-CNN网络对rois区域中包含的目标进行类别分类和位置边框回归，对整个Faster R-CNN模型的网络参数进行微调，获得最终的用于该设备状态检测的模型；
步骤5.1：通过感兴趣区域池化层(RoI Pooling)从RPN网络生成的rois区域中提取候选建议框proposal，并将proposal规整为统一的大小；
步骤5.2：通过一个有N+1(N是类别总数，多的一个是背景类)个单元的全连接层(full-connection)，判断每个proposal具体的类别，并计算其概率；
步骤5.3：通过一个4N个单元的全连接层，对每个proposal，计算其位置偏移量，用于回归更加精确的目标位置边框。
步骤6：用验证集和测试集中的图像进行验证和测试，当识别准确率高于预设阈值时确定当前模型为最终识别模型；
步骤7：将步骤1检测识别的样本集作为步骤5获得的最终识别模型的输入，获得每张测试图片的目标类别列表，其中，每个目标包含其目标类别概率和目标位置边框信息；根据目标类别和目标位置边框信息判断该目标设备是否运行异常，若是，通知工作人员进行故障维修。
其中，步骤1中，所述训练样本集和测试样本集的图片尺寸是任意的，但其图片类型必须为JPG类型。
实例：图3-5为本发明方法开关设备1-3检测结果，图6-8为本发明方法指示灯设备1-3检测结果，图9-11为本发明方法数字仪表设备1-3检测结果。图中，边框是检测出来的位置边框，边框左上角的数字和信息为类别信息(例如开关状态为开或关，指示灯开或关，数字或字母等文字信息。)和属于该故障类别的概率。可见，对不同拍摄角度、有部分遮挡物、不同光照条件下的图片，Faster R-CNN算法都能得到较好的检测效果，本专利方法在开关、指示灯、数字仪表三种设备故障检测上都能得到较好的结果。同时可以分析得到，在设备机房监控获得的图像中，由于监控角度多变、设备种类多、场景的复杂度大、监控视频的清晰度等问题，使得设备目标的检测难度增加，识别的准确率相对于单一场景的目标识别有了一定程度的下降，而本专利提出的方法，在一定程度上缓解了这些问题，对于不同的拍摄角度、不同程度的遮挡条件下的设备故障检测仍能够得到较好的检测效果。

Claims (9)

1.一种基于Faster R-CNN的设备故障检测方法，其特征在于包括以下步骤：
步骤1：采集设备的运行状况图片，随机分成样本集用于训练模型、待识别的图像用于模型检测；
步骤2：对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCALVOC 2007数据集，再分为训练集、验证集和测试集；
步骤3：将标注的训练集中的图像输入VGG16网络提取目标特征，获得训练样本集对应的特征图；
步骤4：使用区域建议网络RPN对特征图进行候选框建议，获得包含目标的感兴趣区域rois；
步骤5：使用Fast R-CNN网络对感兴趣区域rois包含的目标进行类别分类和位置边框回归，对整个Faster R-CNN模型的网络参数进行微调，获得用于该设备状态检测的模型；
步骤6：用验证集和测试集中的图像进行验证和测试，当识别准确率高于预设阈值时确定当前模型为最终识别模型；
步骤7：将步骤1待识别的图像输入最终识别模型，获得每张待识别图像的各个目标的类别信息和位置坐标信息，判断该目标设备是否运行异常，若是，通知工作人员进行故障维修。
2.根据权利要求1所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述图片格式为JPG格式。
3.根据权利要求1所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述对样本集中的图像进行标注处理获取故障图像目标标签信息，并存储为PASCAL VOC2007数据集包括：
对样本集的图像的名称进行归一化命名并存储；
使用图片标注工具LabelImg对每张图片标注其中目标的类别信息，生成相对应的标注信息文件：图片名称、各个目标的类别信息和位置坐标信息。
4.根据权利要求1所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述训练集train、验证集val和测试集test包含图像数量的比例为1:1:2。
5.根据权利要求1所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述步骤4包括：
步骤4.1：采用3种不同类型的滑动窗口anchor配合3种缩放尺度处理特征图；
步骤4.2：筛选滑动窗口anchor中的图像获取正样本和负样本；
步骤4.3：对于每一幅特征图，计算其对应的滑动窗口anchor属于前景的概率，以及该窗口与实际标注边框的偏移量；
步骤4.4：计算PRN网络的损失；
步骤4.5：用非极大抑制算法NMS筛选重叠度高的正、负样本，获取感兴趣区域rois。
6.根据权利要求5所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述步骤4.1为采用3种不同类型的滑动窗口anchor，长宽比分别为1:1、1:2、2:1，并用3种尺度缩放滑动窗口，共采用9种anchor在特征图上自左向右、从上到下移动。
7.根据权利要求5所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，步骤4.2包括如果anchor对应的边框与标注边框的区域重叠度大于0.7，将该anchor标记为正样本；如果anchor对应的边框与标注边框的区域重叠度小于0.3，将该anchor标记为负样本；否则丢弃。
8.根据权利要求5所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述计算PRN网络的损失L({pi},{ti})如下：
Figure FDA0001930249330000021
其中，用所有筛选的anchor计算第i个anchor的分类损失
Figure FDA0001930249330000022
而只用标记为前景的anchor计算第i个anchor的回归损失
Figure FDA0001930249330000023
pi和
Figure FDA0001930249330000024
分别表示第i个anchor对应的前景概率和该anchor对应的标注的目标概率，ti和
Figure FDA0001930249330000031
分别表示第i个anchor对应的位置边框坐标和其目标标注的目标边框坐标，Ncls和Nreg分别表示用于计算分类损失的总anchor数量和用于计算回归损失的总anchor数量，λ表示比重系数，
Figure FDA0001930249330000032
Figure FDA0001930249330000033
9.根据权利要求1所述的一种基于Faster R-CNN的设备故障检测方法，其特征在于，所述使用Fast R-CNN网络对感兴趣区域rois包含的目标进行类别分类和位置边框回归，对整个Faster R-CNN模型的网络参数进行微调，获得最终的用于该设备状态检测的模型如下：
步骤5.1：将感兴趣区域rois输入感兴趣区域池化层RoI Pooling，获取候选建议框proposal，并将其尺寸规整为统一的大小；
步骤5.2：将规整后的候选建议框proposal输入一个包含N+1个单元的全连接层full-connection，计算概率判断该候选建议框proposal属于哪个类别；
步骤5.3：再输入一个4N个单元的全连接层，对每个proposal，计算其与实际标注边框的位置偏移量，调整候选建议框proposal得到目标位置边框；
其中，N+1包括N个类别总数和一个是背景类。
CN201811636870.2A 2018-12-29 2018-12-29 一种基于Faster R-CNN的设备故障检测方法 Pending CN111382766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811636870.2A CN111382766A (zh) 2018-12-29 2018-12-29 一种基于Faster R-CNN的设备故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811636870.2A CN111382766A (zh) 2018-12-29 2018-12-29 一种基于Faster R-CNN的设备故障检测方法

Publications (1)

Publication Number Publication Date
CN111382766A true CN111382766A (zh) 2020-07-07

Family

ID=71214801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811636870.2A Pending CN111382766A (zh) 2018-12-29 2018-12-29 一种基于Faster R-CNN的设备故障检测方法

Country Status (1)

Country Link
CN (1) CN111382766A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330631A (zh) * 2020-11-05 2021-02-05 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN112686251A (zh) * 2020-12-25 2021-04-20 佛山市南海区广工大数控装备协同创新研究院 一种基于维度分解的候选区域提取方法
CN112907532A (zh) * 2021-02-10 2021-06-04 哈尔滨市科佳通用机电股份有限公司 基于Faster RCNN改进的货车车门脱落检测方法
CN113177545A (zh) * 2021-04-29 2021-07-27 北京百度网讯科技有限公司 目标物体的检测方法、装置、电子设备和存储介质
CN113269678A (zh) * 2021-06-25 2021-08-17 石家庄铁道大学 接触网输电线路的故障点定位方法
CN113657621A (zh) * 2021-07-13 2021-11-16 衢州光明电力投资集团有限公司 一种隐患监测方法和系统
CN114199381A (zh) * 2021-12-13 2022-03-18 国网陕西省电力公司延安供电公司 一种改进红外检测模型的电气设备故障检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106877237A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的检测输电线路中绝缘子缺失的方法
US20170206431A1 (en) * 2016-01-20 2017-07-20 Microsoft Technology Licensing, Llc Object detection and classification in images
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
US20180068198A1 (en) * 2016-09-06 2018-03-08 Carnegie Mellon University Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network
CN108197637A (zh) * 2017-12-11 2018-06-22 国网上海市电力公司 一种基于深度学习的高压机柜开关检测方法
CN108280855A (zh) * 2018-01-13 2018-07-13 福州大学 一种基于Fast R-CNN的绝缘子故障检测方法
CN108509839A (zh) * 2018-02-02 2018-09-07 东华大学 一种基于区域卷积神经网络高效的手势检测识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170206431A1 (en) * 2016-01-20 2017-07-20 Microsoft Technology Licensing, Llc Object detection and classification in images
US20180068198A1 (en) * 2016-09-06 2018-03-08 Carnegie Mellon University Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network
CN106877237A (zh) * 2017-03-16 2017-06-20 天津大学 一种基于航拍图像的检测输电线路中绝缘子缺失的方法
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
CN108197637A (zh) * 2017-12-11 2018-06-22 国网上海市电力公司 一种基于深度学习的高压机柜开关检测方法
CN108280855A (zh) * 2018-01-13 2018-07-13 福州大学 一种基于Fast R-CNN的绝缘子故障检测方法
CN108509839A (zh) * 2018-02-02 2018-09-07 东华大学 一种基于区域卷积神经网络高效的手势检测识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TRAPHIX: "深度学习图片卷积输出大小计算公式", pages 1, Retrieved from the Internet <URL:https://www.jianshu.com/p/c56a37093cfa> *
武林秀;李厚杰;贺建军;陈璇;: "基于深度学习的交通标志检测方法研究", vol. 20, no. 05 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330631A (zh) * 2020-11-05 2021-02-05 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN112686251A (zh) * 2020-12-25 2021-04-20 佛山市南海区广工大数控装备协同创新研究院 一种基于维度分解的候选区域提取方法
CN112907532A (zh) * 2021-02-10 2021-06-04 哈尔滨市科佳通用机电股份有限公司 基于Faster RCNN改进的货车车门脱落检测方法
CN113177545A (zh) * 2021-04-29 2021-07-27 北京百度网讯科技有限公司 目标物体的检测方法、装置、电子设备和存储介质
CN113177545B (zh) * 2021-04-29 2023-08-04 北京百度网讯科技有限公司 目标物体的检测方法、装置、电子设备和存储介质
CN113269678A (zh) * 2021-06-25 2021-08-17 石家庄铁道大学 接触网输电线路的故障点定位方法
CN113657621A (zh) * 2021-07-13 2021-11-16 衢州光明电力投资集团有限公司 一种隐患监测方法和系统
CN114199381A (zh) * 2021-12-13 2022-03-18 国网陕西省电力公司延安供电公司 一种改进红外检测模型的电气设备故障检测方法

Similar Documents

Publication Publication Date Title
CN111382766A (zh) 一种基于Faster R-CNN的设备故障检测方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
CN106960195B (zh) 一种基于深度学习的人群计数方法及装置
CN109509187B (zh) 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
CN106815604B (zh) 基于多层信息融合的注视点检测方法
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和系统
CN107506703A (zh) 一种基于无监督局部度量学习和重排序的行人再识别方法
CN106951899A (zh) 基于图像识别的异常检测方法
CN105574550A (zh) 一种车辆识别方法及装置
CN106156777B (zh) 文本图片检测方法及装置
CN108830332A (zh) 一种视觉车辆检测方法及系统
CN107358141B (zh) 数据识别的方法及装置
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN101667245A (zh) 基于支持向量新颖检测分类器级联的人脸检测方法
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN108710893A (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN112926652A (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
KR101093107B1 (ko) 영상정보 분류방법 및 장치
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
CN114882204A (zh) 船名自动识别方法
CN117037049B (zh) 基于YOLOv5深度学习的图像内容检测方法及系统

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