CN111429411A - 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 - Google Patents

一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 Download PDF

Info

Publication number
CN111429411A
CN111429411A CN202010181471.2A CN202010181471A CN111429411A CN 111429411 A CN111429411 A CN 111429411A CN 202010181471 A CN202010181471 A CN 202010181471A CN 111429411 A CN111429411 A CN 111429411A
Authority
CN
China
Prior art keywords
carbon fiber
points
fiber composite
image
composite core
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
CN202010181471.2A
Other languages
English (en)
Other versions
CN111429411B (zh
Inventor
胡轶宁
魏寒来
朱延卿
魏睿
谢理哲
王征
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.)
Southeast University
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010181471.2A priority Critical patent/CN111429411B/zh
Publication of CN111429411A publication Critical patent/CN111429411A/zh
Application granted granted Critical
Publication of CN111429411B publication Critical patent/CN111429411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明提出了一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，包括：步骤S1：对原始有缺陷的碳纤维复合芯导线的X射线图像做背景估计；步骤S2：利用步骤S1的背景估计结果对原始图作背景减除处理并截选出图像缺陷部分；步骤S3：随机改变步骤S2中截选出的缺陷部分的形态特征；步骤S4：将步骤S2中随机生成的缺陷部位与无缺陷碳纤维复合芯导线X射线图像相融合，生成缺陷图像。本方案生成的缺陷样本，能够有效扩充碳纤维复合芯导线缺陷库，有助于提升碳纤维导线缺陷自动识别技术的准确度。

Description

一种碳纤维复合芯导线的X射线缺陷图像样本生成方法
技术领域
本发明涉及无损检测技术领域，特别是涉及一种碳纤维复合芯导线的X射线缺陷图像样本生成方法。
背景技术
碳纤维复合芯是目前应对通道资源紧张、负荷快速增长的便利手段之一。但其产品生产、安装架线等过程中极易产生损伤，危及输电线路的运行安全。目前碳纤维复合芯导线缺陷的在线自动检测技术以国家电网公司和东南大学共同研发的基于深度学习技术的碳纤维复合芯导线缺陷自动检测方法为代表。该方法利用大量碳纤维复合芯导线的X射线图像训练得到自动检测模型，用于自动识别碳纤维复合芯导线中的缺陷位置。然而，在实际的场景中无缺碳纤维复合芯导线的X射线图像数量充足，而有缺陷的碳纤维复合芯导线的X射线图像数量稀少，难以获得。缺陷图像样本的不足严重限制了自动检测深度学习模型的性能。鉴于此，本发明提出一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，该方法能够模拟真实缺陷情况，自动生成大量不同形貌，不同程度的缺陷图像样本，用于投入实际训练，提高深度学习自动检测算法模型的准确度。
发明内容
发明目的：在使用深度学习和X射线图像实现碳纤维复合芯导线缺陷的自动检测时，为使深度模型拥有更强的鲁棒性、更高的准确性，需要使用数量充足、缺陷情况丰富的X射线图像用于训练。然而有缺陷的碳纤维复合芯导线的X射线图像难以获取，即使获取到了，数量也有限，破损情况也相对简单，为解决这一问题，本发明提供了一种碳纤维复合芯导线的X射线缺陷图像样本生成方法。该方法能够模拟真实缺陷情况，自动生成大量不同形貌，不同程度的缺陷图像样本，用于投入实际训练，提高深度学习自动检测算法模型的准确度。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，该方法包括如下步骤：
步骤S1：对1000张原始有缺陷的碳纤维复合芯导线的X射线图像作背景估计得到背景图Pbackground。背景估计流程图如图1所示，单张原始有缺陷的碳纤维复合芯导线的X射线图像如图2所示。其中，背景估计的具体过程包括以下步骤：
步骤S1.1：统计不同图像同一行的灰度直方图：将所有图中同一行的灰度进行直方图统计，横轴为灰度级，纵轴为像素个数，得到每个灰度级对应的频数，构成一个一维序列Qi，一共有64行，因此i∈[1,64]；
步骤S1.2：对全部灰度直方图进行中值滤波：对序列Qi进行一维中值滤波，滤波核大小为3；
步骤S1.3：将每一行中频数最大的灰度值，作为背景图Pbackground上该行所有像素点的灰度值：求取序列Qi的最大值，作为背景图上第i行所有点的灰度值；
步骤S1.4：重复执行步骤S1.1到S1.3，遍历完所有的行。
步骤S2：求取背景图Pbackground和碳纤维复合芯导线原始图Poriginal之间各位置对应的像素点的像素差值的绝对值，得到背景差分图P，即P＝|Pbackground-Poriginal|，背景差分图P如图3所示。人工剪裁出P中的破损区域S，破损区域S如图4所示；
步骤S3：随机改变S的形状、亮度、对比度，得到新缺陷S′，亮度变化范围为原图像的0.3～0.8倍。改变形状结果如图5所示。其中，随机改变截选出的破损部分S的形状包括以下几个步骤：
步骤S3.1：取破损区域S的几何中心点O作为原点建立一个极坐标系；
步骤S3.2：以极角坐标为依据等角度间隔地对破损区域S所有边界点采样360次得到360个点x1、x2、……、x360，获取这些点的坐标序列{(θ1,l1),(θ2,l2),……,(θ360,l360)}(θi为极角坐标，li为极径坐标)；
步骤S3.3：将每个边界点xi的坐标(θi,li)乘以一个随机数ri得到新的点x′i和它的坐标(θ′i,l′i)，即θ′i＝θi*ri、l′i＝li*ri，最终得到360个新点x＇1、x′2、……、x′360和一个新坐标序列{(θ′1,l′1),(θ′2,l＇2),……,(θ′3 ＇ 60,l′360)}；其中，随机数ri的确定包括以下步骤：
步骤3.3.1:以极角坐标为依据等角度间隔地对x1、x2、……、x360采样100次得到100个点X1、X2、……、X100,并确定这100个点的随机数R1、R2、……、R100，(0.5<Rj<1.5)；
步骤3.3.2:确定剩下点的随机数，若xi位于Xj、Xj+1之间，则xi所乘的随机数ri必满足Rj<ri<Rj+1或Rj+1<ri<Rj；
步骤S3.4：将x′1、x′2、……、x′360相连得到一条新的边界曲线L；
步骤S3.5：对被L包围的像素点赋值。赋值的过程包含以下步骤：
步骤S3.5.1：将x′1、x＇2、……、x＇360与原点O相连得到360条直线m1、m2、……、m360；
步骤S3.5.2：任意选取被L包围的一点k′,找出与k＇最近的一条直线mi；
步骤S3.5.3：mi所对应边界点为x′i,将k′坐标除以与x′i对应的ri得到坐标k；
步骤S3.5.4：在x1、x2、……、x360中找出与k点欧式距离最近的一点，将该点的像素值赋给k′；
步骤S3.5.5：重复S3.5.2～S3.5.4，直至被L包围的像素点被全部赋值。
步骤S4：将步骤S3中随机生成的缺陷S′与原始碳纤维复合芯导线X射线图像Poriginal相融合，结果如图6所示。融合方式为：若原始碳纤维复合芯导线X射线图像Poriginal共有m行个像素点，则在其第
Figure BDA0002412657600000031
或
Figure BDA0002412657600000032
(取决于m的奇偶性，若m为偶数，取
Figure BDA0002412657600000033
如果m为奇数，取
Figure BDA0002412657600000034
)行上任取一点P，将P点与随机生成的缺陷S′的几何中心点O′作为原点在各自图像中建立直角坐标系，可以在Poriginal内找到坐标与S′内各点坐标相同的点，将这些点的像素值减去S′内与之坐标相同的点的像素值。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明提供了一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，主要解决在利用深度学习技术对碳纤维复合芯导线X射线图像实现碳纤维复合芯导线破损自动检测时破损样本不足的问题。使用该方法生成的样本数据更符合实际中碳纤维复合芯导线破损的情况且具有多样性，能够赋予深度模型更强的鲁棒性。
附图说明
图1是本发明实施例中碳纤维复合芯导线图像背景估计算法流程图；
图2是原始的有缺陷的碳纤维复合芯导线的X射线图像；
图3是经过背景减除后的碳纤维复合芯导线的X射线图像；
图4是截选出碳纤维复合芯导线破损部分的X射线图像；
图5是对截选出的碳纤维复合芯导线破损部分的X射线图像变形后的结果示意图；
图6是样本生成结果与原始碳纤维复合芯导线X射线图像相融合的结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
步骤S1：对1000张原始有缺陷的碳纤维复合芯导线的X射线图像作背景估计得到背景图Pbackground。背景估计流程图如图1所示，单张原始有缺陷的碳纤维复合芯导线的X射线图像如图2所示。其中，背景估计的具体过程包括以下步骤：
步骤S1.1：统计不同图像同一行的灰度直方图：将所有图中同一行的灰度进行直方图统计，横轴为灰度级，纵轴为像素个数，得到每个灰度级对应的频数，构成一个一维序列Qi，一共有64行，因此i∈[1,64]；
步骤S1.2：对全部灰度直方图进行中值滤波：对序列Qi进行一维中值滤波，滤波核大小为3；
步骤S1.3：将每一行中频数最大的灰度值，作为背景图Pbackground上该行所有像素点的灰度值：求取序列Qi的最大值，作为背景图上第i行所有点的灰度值；
步骤S1.4：重复执行步骤S1.1到S1.3，遍历完所有的行。
步骤S2：求取背景图Pbackground和碳纤维复合芯导线原始图Poriginal之间各位置对应的像素点的像素差值的绝对值，得到背景差分图P，即P＝|Pbackground-Poriginal|，背景差分图P如图3所示。人工剪裁出P中的破损区域S，破损区域S如图4所示；
步骤S3：随机改变S的形状、亮度、对比度，得到新缺陷S′，亮度变化范围为原图像的0.3～0.8倍。改变形状结果如图5所示。其中，随机改变截选出的破损部分S的形状包括以下几个步骤：
步骤S3.1：取破损区域S的几何中心点O作为原点建立一个极坐标系；
步骤S3.2：以极角坐标为依据等角度间隔地对破损区域S所有边界点采样360次得到360个点x1、x2、……、x360，获取这些点的坐标序列{(θ1,l1),(θ2,l2),……,(θ360,l360)}(θi为极角坐标，li为极径坐标)；
步骤S3.3：将每个边界点xi的坐标(θi,li)乘以一个随机数ri得到新的点x′i和它的坐标(θ′i,l′i)，即θ′i＝θi*ri、l′i＝li*ri，最终得到360个新点x′1、x′2、……、x′360和一个新坐标序列{(θ′1,l′1),(θ′2,l′2),……,(θ′360,l′360)}；其中，随机数ri的确定包括以下步骤：
步骤3.3.1:以极角坐标为依据等角度间隔地对x1、x2、……、x360采样100次得到100个点X1、X2、……、X100,并确定这100个点的随机数R1、R2、……、R100，(0.5<Rj<1.5)；
步骤3.3.2:确定剩下点的随机数，若xi位于Xj、Xj+1之间，则xi所乘的随机数ri必满足Rj<ri<Rj+1或Rj+1<ri<Rj；
步骤S3.4：将x′1、x′2、……、x′360相连得到一条新的边界曲线L；
步骤S3.5：对被L包围的像素点赋值。赋值的过程包含以下步骤：
步骤S3.5.1：将x′1、x′2、……、x′360与原点O相连得到360条直线m1、m2、……、m360；
步骤S3.5.2：任意选取被L包围的一点k′,找出与k′最近的一条直线mi；
步骤S3.5.3：mi所对应边界点为x′i,将k′坐标除以与x′i对应的ri得到坐标k；
步骤S3.5.4：在x1、x2、……、x360中找出与k点欧式距离最近的一点，将该点的像素值赋给k′；
步骤S3.5.5：重复S3.5.2～S3.5.4，直至被L包围的像素点被全部赋值。
步骤S4：将步骤S3中随机生成的缺陷S′与原始碳纤维复合芯导线X射线图像Poriginal相融合，结果如图6所示。融合方式为：若原始碳纤维复合芯导线X射线图像Poriginal共有m行个像素点，则在其第
Figure BDA0002412657600000051
或
Figure BDA0002412657600000052
(取决于m的奇偶性)行上任取一点P，将P点与随机生成的缺陷S′的几何中心点O′作为原点在各自图像中建立直角坐标系，可以在Poriginal内找到坐标与S′内各点坐标相同的点，将这些点的像素值减去S′内与之坐标相同的点的像素值。值得注意的是，在选取P点位置时应确保在Poriginal内找到的与S′内各点一一对应的点全都不在破损区域S中。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (4)

1.一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，其特征在于，该方法包括如下步骤：
步骤S1：对原始有缺陷的碳纤维复合芯导线的X射线图像作背景估计得到背景图Pbackground；
步骤S2：求取背景图Pbackground和碳纤维复合芯导线原始图Poriginal之间各位置对应的像素点的像素差值的绝对值，得到背景差分图P，即P＝|Pbackground-Poriginal|；并裁出P中的破损区域S；
步骤S3：随机改变S的形状、亮度、对比度，得到新缺陷S′；
步骤S4：将步骤S3中随机生成的缺陷S′与原始碳纤维复合芯导线X射线图像Poriginal相融合生成新的图像。
2.根据权利要求1所述的一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，其特征在于，步骤S1中的背景估计的具体过程包括以下步骤：
步骤S1.1：统计不同图像同一行的灰度直方图：将所有图中同一行的灰度进行直方图统计，横轴为灰度级，纵轴为像素个数，得到每个灰度级对应的频数，构成一个一维序列Qi，i∈[1，N]；
步骤S1.2：对全部灰度直方图进行中值滤波：对序列Qi进行一维中值滤波，滤波核大小为3；
步骤S1.3：将每一行中频数最大的灰度值，作为背景图Pbackground上该行所有像素点的灰度值：求取序列Qi的最大值，作为背景图上第i行所有点的灰度值；
步骤S1.4：重复执行步骤S1.1到S1.3，遍历完所有的行。
3.根据权利要求2所述的一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，其特征在于，步骤S3的具体方法如下：
步骤S3.1：取破损区域S的几何中心点O作为原点建立一个极坐标系；
步骤S3.2：以极角坐标为依据等角度间隔地对破损区域S所有边界点采样360次得到360个点x1、x2、……、x360，获取这些点的坐标序列{(θ1，l1)，(θ2，l2)，..….，(θ360，l360)}，θi为极角坐标，li为极径坐标；
步骤S3.3：将每个边界点xi的坐标(θi，li)乘以一个随机数ri得到新的点x′i和它的坐标(θ′i，l′i)，即θ′i＝θi*ri、l′i＝li*ri，最终得到360个新点x′1、x＇2、……、x′360和一个新坐标序列{(θ′1，l′1)，(θ′2，l′2)，..….，(θ′360，l′360)}；其中，随机数ri的确定包括以下步骤：
步骤3.3.1：以极角坐标为依据等角度间隔地对x1、x2、……、x360采样100次得到100个点X1、X2、……、X100，并确定这100个点的随机数R1、R2、……、R100，0.5＜Rj＜1.5；
步骤3.3.2：确定剩下点的随机数，若xi位于Xj、Xj+1之间，则xi所乘的随机数ri必满足Rj＜ri＜Rj+1或Rj+1＜ri＜Rj；
步骤S3.4：将x′1、x′2、……、x′360相连得到一条新的边界曲线L；
步骤S3.5：对被L包围的像素点赋值，赋值的过程包含以下步骤：
步骤S3.5.1：将x′1、x′2、……、x′360与原点O相连得到360条直线m1、m2、……、m360；
步骤S3.5.2：任意选取被L包围的一点k′，找出与k′最近的一条直线mi；
步骤S3.5.3：mi所对应边界点为x′i，将k′坐标除以与x′i对应的ri得到坐标k；
步骤S3.5.4：在x1、x2、……、x360中找出与k点欧式距离最近的一点，将该点的像素值赋给k′；
步骤S3.5.5：重复S3.5.2～S3.5.4，直至被L包围的像素点被全部赋值。
4.根据权利要求1所述的一种碳纤维复合芯导线的X射线缺陷图像样本生成方法，其特征在于，步骤S4中的方法具体如下：若原始碳纤维复合芯导线X射线图像Poriginal共有m行个像素点，则在其第
Figure FDA0002412657590000021
或
Figure FDA0002412657590000022
行上任取一点p，将p点与随机生成的缺陷S′的几何中心点O′作为原点在各自图像中建立直角坐标系，可以在Poriginal内找到坐标与S′内各点坐标相同的点，将这些点的像素值减去S′内与之坐标相同的点的像素值。
CN202010181471.2A 2020-03-16 2020-03-16 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 Active CN111429411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010181471.2A CN111429411B (zh) 2020-03-16 2020-03-16 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010181471.2A CN111429411B (zh) 2020-03-16 2020-03-16 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法

Publications (2)

Publication Number Publication Date
CN111429411A true CN111429411A (zh) 2020-07-17
CN111429411B CN111429411B (zh) 2023-04-25

Family

ID=71553532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010181471.2A Active CN111429411B (zh) 2020-03-16 2020-03-16 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法

Country Status (1)

Country Link
CN (1) CN111429411B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526867A (zh) * 2022-09-30 2022-12-27 山东大学 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087370A (zh) * 2018-06-29 2018-12-25 华南理工大学 一种铸件海绵状缺陷图像生成方法
CN110288565A (zh) * 2019-05-22 2019-09-27 国网江苏省电力有限公司电力科学研究院 碳纤维复合芯导线的缺陷识别方法、装置及存储介质
CN110675359A (zh) * 2019-06-29 2020-01-10 创新奇智(南京)科技有限公司 一种钢卷表面的缺陷样本生成方法、系统及电子设备
CN110689477A (zh) * 2019-09-07 2020-01-14 创新奇智(重庆)科技有限公司 一种通用的瑕疵图像模拟方法
CN110853035A (zh) * 2020-01-15 2020-02-28 征图新视(江苏)科技股份有限公司 工业视觉检测中基于深度学习的样本生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087370A (zh) * 2018-06-29 2018-12-25 华南理工大学 一种铸件海绵状缺陷图像生成方法
CN110288565A (zh) * 2019-05-22 2019-09-27 国网江苏省电力有限公司电力科学研究院 碳纤维复合芯导线的缺陷识别方法、装置及存储介质
CN110675359A (zh) * 2019-06-29 2020-01-10 创新奇智(南京)科技有限公司 一种钢卷表面的缺陷样本生成方法、系统及电子设备
CN110689477A (zh) * 2019-09-07 2020-01-14 创新奇智(重庆)科技有限公司 一种通用的瑕疵图像模拟方法
CN110853035A (zh) * 2020-01-15 2020-02-28 征图新视(江苏)科技股份有限公司 工业视觉检测中基于深度学习的样本生成方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526867A (zh) * 2022-09-30 2022-12-27 山东大学 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置
CN115526867B (zh) * 2022-09-30 2023-09-05 山东大学 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置

Also Published As

Publication number Publication date
CN111429411B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
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
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN107742093B (zh) 一种红外图像电力设备部件实时检测方法、服务器及系统
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN107507194B (zh) 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN115511889A (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN111398291B (zh) 基于深度学习的扁平漆包电磁线表面瑕疵检测方法
CN112541389A (zh) 一种基于EfficientDet网络的输电线路故障检测方法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN108734704B (zh) 基于灰度方差归一化的输电导线断股检测方法
CN111220619B (zh) 一种绝缘子自爆检测方法
CN116109635A (zh) 复合悬式绝缘子表面质量检测方法、装置、设备及介质
CN115546664A (zh) 一种基于级联网络的绝缘子自爆检测方法及系统
CN111429411A (zh) 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN110334818B (zh) 一种管路自动识别的方法及系统
CN112037182A (zh) 基于时序图像的机车走行部故障检测方法、装置及存储介质
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
CN114581446B (zh) 一种叠片电池的电芯异常检测方法及系统
Liu et al. Detection Algorithm of Porosity Defect on Surface of Micro-precision Glass Encapsulated Electrical Connectors.
CN115100546A (zh) 一种基于mobilenet的电力设备小目标缺陷识别方法及系统
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN117677969A (zh) 一种缺陷检测的方法和装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201201

Address after: 210000, No. four archway, Xuanwu District, Jiangsu, Nanjing 2

Applicant after: SOUTHEAST University

Applicant after: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute

Address before: 210000, No. four archway, Xuanwu District, Jiangsu, Nanjing 2

Applicant before: SOUTHEAST University

GR01 Patent grant
GR01 Patent grant