CN111462109A - 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 - Google Patents
一种耐张线夹的缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111462109A CN111462109A CN202010305619.9A CN202010305619A CN111462109A CN 111462109 A CN111462109 A CN 111462109A CN 202010305619 A CN202010305619 A CN 202010305619A CN 111462109 A CN111462109 A CN 111462109A
- Authority
- CN
- China
- Prior art keywords
- strain clamp
- target
- region
- picture
- defect detection
- 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
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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
- G01N2021/8864—Mapping zones of defects
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种耐张线夹的缺陷检测方法、装置、设备及存储介质,该缺陷检测方法包括:获取多张输电线路中耐张线夹的图片作为训练图片;使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型;基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域;将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。本发明实施例提供的耐张线夹的缺陷检测方法、装置、设备及存储介质,能够实现耐张线夹缺陷检测的便捷性并提高缺陷检测效率。
Description
技术领域
本发明实施例涉及缺陷检测技术,尤其涉及一种耐张线夹的缺陷检测方法、装置、设备及存储介质。
背景技术
在电力系统领域,输电线路中的耐张线夹用于将导线或者避雷线固定在非直线杆塔的耐张绝缘子串上,起到锚固及导电的作用,随着电网的快速发展,电网电压等级越来越高,输电线路越来越密集,耐张线夹的性能缺陷也成为影响电网安全稳定运行的重要因素。因此,为了电网的安全运行,减少经济损失,需及时检测耐张线夹是否存在缺陷。
目前,现有的耐张线夹的缺陷检测方法,在对输电线路中的耐张线夹进行检测时大多是采用人工检测的方式检测耐张线夹是否存在缺陷,检测速度较慢,耗费大量的人力,会带来工作量较大且工作效率较低的问题。
发明内容
本发明实施例提供一种耐张线夹的缺陷检测方法、装置、设备及存储介质,以实现耐张线夹缺陷检测的便捷性并提高缺陷检测效率。
第一方面,本发明实施例提供了一种耐张线夹的缺陷检测方法,该缺陷检测方法包括:
获取多张输电线路中耐张线夹的图片作为训练图片;
使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型;
基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域;
将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。
可选的,基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域,包括:
耐张线夹的检测模型通过Faster RCNN算法中的卷积层,提取待检测图片的卷积特征;
将卷积特征输入Faster RCNN算法中的区域建议网络,得到多个目标候选区域;
将多个目标候选区域输入Faster RCNN算法中的区域池化层,得到目标特征区域和目标特征区域的坐标信息,并裁剪出目标特征区域。
可选的,将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷,包括:
将裁剪出的目标特征区域进行预设尺寸的缩放并输入至分类器模型;
分类器模型对目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作,提取目标特征区域的目标特征;
将目标特征经过全连接层进行全连接后,通过ReLU层和Dropout层的优化处理得到优化后的目标特征;
对优化后的目标特征进行再次全连接并检测目标特征是否存在缺陷。
可选的,卷积神经网络为AlexNet网络结构的卷积神经网络。
可选的,获取多张输电线路中耐张线夹的图片作为训练图片之后,包括:
对训练图片中对应的耐张线夹进行标注。
可选的,待检测图片和训练图片均是通过无人机拍摄的输电线路中耐张线夹的图片。
可选的,训练图片为包括输电线路中耐张线夹存在缺陷以及无缺陷的图片。
第二方面,本发明实施例还提供了一种耐张线夹的缺陷检测装置,包括:
图片获取模块,用于获取多张输电线路中耐张线夹的图片作为训练图片;
模型建立模块,用于使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型;
区域确定模块,用于基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域;
缺陷检测模块,用于将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。
第三方面,本发明实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如第一方面所述的缺陷检测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时实现如第一方面所述的缺陷检测方法。
本发明实施例提供了一种耐张线夹的缺陷检测方法、装置、设备及存储介质,获取多张输电线路中耐张线夹的图片作为训练图片,使用多张训练图片根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型,基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域,并将裁剪出的目标特征区域输入分类器模型,从而基于分类器模型检测目标特征区域是否存在缺陷,即可基于分类器模型实现对输电线路中耐张线夹的缺陷检测的目的,相比人工检测方式,实现了耐张线夹缺陷检测的便捷性并提高了缺陷检测效率。
附图说明
图1是本发明实施例一提供的一种耐张线夹的缺陷检测方法的流程图;
图2是本发明实施例二提供的一种耐张线夹的缺陷检测方法的流程图;
图3是本发明实施例二提供的一种基于Faster RCNN算法对待检测图片进行特征提取的示意图;
图4是本发明实施例二提供的一种Faster RCNN算法中的区域建议网络确定多个目标候选区域的示意图;
图5是本发明实施例二提供的一种基于分类器模型对目标特征区域进行检测的示意图;
图6是本发明实施例二提供的另一种耐张线夹的缺陷检测方法的流程图;
图7是本发明实施例三提供的一种耐张线夹的缺陷检测装置的结构框图;
图8是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种耐张线夹的缺陷检测方法的流程图,本实施例可适用于输电线路中耐张线夹的缺陷检测等情况,该方法可以由耐张线夹的缺陷检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有耐张线夹的缺陷检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤110、获取多张输电线路中耐张线夹的图片作为训练图片。
其中,多张输电线路中耐张线夹的图片可以是输电线路中包括耐张线夹存在缺陷如弯曲变形和有裂纹等缺陷的图片以及耐张线夹无缺陷的图片,例如获取的多张输电线路中耐张线夹的图片可以是5000张110kV电压等级的输电线路中耐张线夹的图片和5000张220kV电压等级的输电线路中耐张线夹的图片,将这10000张图片作为训练图片。获取的多张输电线路中耐张线夹的图片可以是通过无人机拍摄的输电线路中耐张线夹的图片,如耐张线夹的缺陷检测装置在获取多张输电线路中耐张线夹的图片时,可通过自身设置的输入端口获取无人机拍摄的多张输电线路中耐张线夹的图片,将获取的多张输电线路中耐张线夹的图片作为训练图片,以通过训练图片建立耐张线夹的检测模型。
步骤120、使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型。
其中,耐张线夹的检测模型根据Faster RCNN算法使用多张训练图片训练得到,以通过耐张线夹的检测模型提取输电线路中耐张线夹的图片对应耐张线夹的特征,基于卷积神经网络的分类器模型根据卷积神经网络使用多张训练图片训练得到,由于训练图片包括输电线路中耐张线夹存在缺陷的图片,因此使用多张训练图片训练得到的基于卷积神经网络的分类器模型可检测输电线路中耐张线夹的图片中对应耐张线夹是否存在缺陷。FasterRCNN算法是一种深度学习目标检测算法,可对输入的图像进行特征提取,可以从一张图片中同时识别出所有需要的目标,并准确的框出目标所在的位置坐标。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,可以通过多层次的卷积操作对图像进行特征提取,从而获得高层次的特征信息。
步骤130、基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域。
其中,待检测图片可包括输电线路中耐张线夹的图片,待检测图片可以是通过无人机拍摄的输电线路中耐张线夹的图片,耐张线夹的检测模型中的待检测图片可通过Faster RCNN算法中的卷积层、特征提取网络和区域池化层,得到待检测图片中的目标特征区域,同时通过Faster RCNN算法中的区域池化层可得到目标特征区域的坐标信息,从而根据目标特征的坐标信息将目标特征区域在待检测图片中裁剪出,以便于分类器模型对待检测图片中的目标特征区域进行缺陷检测。
步骤140、将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。
其中,基于卷积神经网络的分类器模型可检测目标特征区域是否存在缺陷,若在检测多张待检测图片时,检测到的多张待检测图片中的目标特征区域存在缺陷或无缺陷,分类器模型可将完成检测的多张待检测图片分类,存在缺陷的图片分为一类,无缺陷的图片分为一类,便于相关工作人员通过检测得到的存在缺陷的图片对输定线路中相应的耐张线夹进行维修。
本实施例提供的耐张线夹的缺陷检测方法,基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域,并将裁剪出的目标特征区域输入分类器模型,从而基于分类器模型检测目标特征区域是否存在缺陷,即可基于分类器模型实现对输电线路中耐张线夹的缺陷检测的目的,相比人工检测方式,实现了耐张线夹缺陷检测的便捷性并提高了缺陷检测效率。
实施例二
图2是本发明实施例二提供的一种耐张线夹的缺陷检测方法的流程图,该方法可以由耐张线夹的缺陷检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有耐张线夹的缺陷检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤210、获取多张输电线路中耐张线夹的图片作为训练图片。
其中,训练图片可以是输电线路中包括耐张线夹存在缺陷如弯曲变形和有裂纹等缺陷的图片以及耐张线夹无缺陷的图片。获取多张输电线路中耐张线夹的图片作为训练图片之后,还可对训练图片中对应的耐张线夹进行标注,从而区分输电线路中耐张线夹存在缺陷和无缺陷的图片,输电线路中耐张线夹的图片可以是通过无人机拍摄的图片,如耐张线夹的缺陷检测装置在获取耐张线夹的图片时,可通过自身设置的输入端口获取无人机拍摄的多张输电线路中耐张线夹的图片,将获取的多张输电线路中耐张线夹的图片作为训练图片,以通过训练图片建立耐张线夹的检测模型。
步骤220、使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型。
其中,耐张线夹的检测模型根据Faster RCNN算法使用多张训练图片训练得到,以通过耐张线夹的检测模型提取输电线路中耐张线夹的图片对应耐张线夹的特征,基于卷积神经网络的分类器模型根据卷积神经网络使用多张训练图片训练得到,由于训练图片包括输电线路中耐张线夹存在缺陷的图片,因此使用多张训练图片训练得到的基于卷积神经网络的分类器模型可检测输电线路中耐张线夹的图片中对应耐张线夹是否存在缺陷。FasterRCNN算法是一种深度学习目标检测算法,可对输入的图像进行特征提取,可以从一张图片中同时识别出所有需要的目标,并准确的框出目标所在的位置坐标。卷积神经网络可以是AlexNet网络结构的卷积神经网络,构建以较少层卷积层为结构的分类器模型,以提高耐张线夹缺陷检测的速度。
步骤230、耐张线夹的检测模型通过Faster RCNN算法中的卷积层,提取待检测图片的卷积特征。
其中,待检测图片可以是通过无人机拍摄的输电线路中耐张线夹的图片,图3是本发明实施例二提供的一种基于Faster RCNN算法对待检测图片进行特征提取的示意图,通过Faster RCNN算法中的卷积层对耐张线夹的检测模型中的待检测图片进行多层次的特征提取,得到待检测图片的卷积特征,以根据提取的卷积特征得到目标候选区域。
步骤240、将卷积特征输入Faster RCNN算法中的区域建议网络,得到多个目标候选区域。
具体的,图4是本发明实施例二提供的一种Faster RCNN算法中的区域建议网络确定多个目标候选区域的示意图,结合图3和图4,Faster RCNN算法中的区域建议网络提取待检测图片中的卷积特征可能存在的多个目标候选区域,以根据多个目标候选区域得到目标特征区域。
步骤250、将多个目标候选区域输入Faster RCNN算法中的区域池化层,得到目标特征区域和目标特征区域的坐标信息,并裁剪出目标特征区域。
示例性地,若多个目标候选区域中的特征均为耐张线夹的特征,每个目标候选区域中的耐张线夹的特征可能仅为耐张线夹的部分特征,则区域池化层将这些目标候选区域对应的特征进行融合和叠加,映射输出目标特征区域即耐张线夹的较完整的特征区域,以对耐张线夹进行较准确地缺陷检测。
步骤260、将裁剪出的目标特征区域进行预设尺寸的缩放并输入至分类器模型。
具体的,在检测多张待检测图片时,在每张待检测图片中裁剪出的目标特征区域的大小可能不同,如第一张待检测图片是在距离输电线路中的耐张线夹较近的位置拍摄的图片,第二张待检测图片可能是在距离输电线路中的耐张线夹较远的位置拍摄的图片,则第一张待检测图片和第二张待检测图片中的耐张线夹即目标特征的大小是不同的,因此需要将裁剪出的目标特征区域缩放到相同大小如缩放到224x224尺寸,以便于分类器模型对不同大小的目标特征区域进行缺陷检测。
步骤270、分类器模型对目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作,提取目标特征区域的目标特征。
具体的,图5是本发明实施例二提供的一种基于分类器模型对目标特征区域进行检测的示意图,分类器模型对目标特征区域进行重叠池化和归一化的特征提取操作,在特征提取操作过程中分类器模型可对目标区域特征进行缩放,如将在特征提取操作前已缩放到相同大小224x224尺寸的目标特征区域缩放到5x5尺寸以及3x3尺寸等,以便于目标特征的提取。
步骤280、将目标特征经过全连接层进行全连接后,通过ReLU层和Dropout层的优化处理得到优化后的目标特征。
其中,分类器模型中的目标特征经过全连接层的全连接得到全连接后的目标特征,以使得目标特征较为完整,通过ReLU激活函数和Dropout层防止过拟合的优化处理得到优化后的目标特征,以使得分类器模型对目标特征的缺陷检测更为准确。
步骤290、对优化后的目标特征进行再次全连接并检测目标特征是否存在缺陷。
其中,基于卷积神经网络的分类器模型通过训练图片的训练,对优化后的目标特征区域的缺陷进行检测,以检测出目标特征区域是否存在缺陷,并可对目标特征区域进行分类,将存在缺陷的目标特征区域分为一类,无缺陷的目标特征区域分为一类,以便于相关工作人员对存在缺陷的目标特征区域对应的耐张线夹进行维修。
在一种具体实施方式中,示意出了另一种耐张线夹的缺陷检测方法,图6是本发明实施例二提供的另一种耐张线夹的缺陷检测方法的流程图,具体包括如下步骤:
步骤一:根据110kV和220kV电压等级构建训练样本集。
其中,训练样本集中可包括多张输电线路中耐张线夹的图片,如采用5000张110kV电压等级的输电线路中耐张线夹的图片和5000张220kV电压等级的输电线路中耐张线夹的图片作为训练样本集,训练样本集中的图片可以是输电线路中包括耐张线夹存在缺陷如弯曲变形和有裂纹等缺陷的图片以及耐张线夹无缺陷的图片。
步骤二:对耐张线夹进行基于Faster RCNN算法的训练,并对耐张线夹的缺陷进行基于卷积神经网络的分类器训练。
其中,基于Faster RCNN算法,由训练样本集对耐张线夹进行训练,得到耐张线夹检测模型,以检测图片中的耐张线夹。基于卷积神经网络,由训练样本集对耐张线夹的缺陷进行训练,得到基于卷积神经网络的分类器,以检测耐张线夹是否存在缺陷。
步骤三:将待检测图片输入至耐张线夹检测算法中。
其中,待检测图片可以是无人机拍摄的输电线路中包括耐张线夹的图片,耐张线夹检测算法可以是基于深度学习的Faster RCNN算法,以通过深度学习的Faster RCNN算法对输入至算法中的待检测图片中的耐张线夹进行识别。
步骤四:基于深度学习目标检测算法识别待检测图片中的耐张线夹。
具体的,通过训练好的模型进行缺陷检测,可基于深度学习的Faster RCNN算法识别待检测图片中的耐张线夹,Faster RCNN算法可对输入的图像进行特征提取,可以从一张图片中同时识别出所有需要的目标,并准确的框出目标所在的位置坐标,如对待检测图片中的耐张线夹进行缺陷检测时,Faster RCNN算法可对待检测图片中的耐张线夹进行特征提取,识别出耐张线夹,并准确的框出耐张线夹所在的位置坐标。
步骤五:将耐张线夹从待检测图片中裁剪出来。
具体的,根据Faster RCNN算法框出的耐张线夹所在的位置坐标,裁剪出待检测图片中的耐张线夹,以对耐张线夹进行缺陷检测。
步骤六:检测耐张线夹是否存在缺陷。
具体的,基于卷积神经网络的分类器可对裁剪出的耐张线夹区域进行进一步的特征提取,提取耐张线夹特征,检测耐张线夹是否存在缺陷,以便于相关工作人员对输电线路中存在缺陷的耐张线夹进行维修。
本实施例提供的耐张线夹的缺陷检测方法,基于分类器模型对目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作,提取目标特征区域的目标特征,将目标特征经过全连接层进行全连接后,通过ReLU层和Dropout层的优化处理得到优化后的目标特征,从而对优化后的目标特征进行再次全连接并检测目标特征是否存在缺陷,即可基于分类器模型实现对输电线路中耐张线夹的缺陷检测的目的,相比人工检测方式,实现了耐张线夹缺陷检测的便捷性并提高了缺陷检测效率。
实施例三
图7是本发明实施例三提供的一种耐张线夹的缺陷检测装置的结构框图,该装置包括图片获取模块310、模型建立模块320、区域确定模块330和缺陷检测模块340;其中,图片获取模块310用于获取多张输电线路中耐张线夹的图片作为训练图片;模型建立模块320用于使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型;区域确定模块330用于基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域;缺陷检测模块340用于将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。
在一种实施方式中,区域确定模块330包括特征提取单元、目标候选区域确定单元和目标特征区域确定单元;特征提取单元用于耐张线夹的检测模型通过Faster RCNN算法中的卷积层,提取待检测图片的卷积特征;目标候选区域确定单元用于将卷积特征输入Faster RCNN算法中的区域建议网络,得到多个目标候选区域;目标特征区域确定单元用于将多个目标候选区域输入Faster RCNN算法中的区域池化层,得到目标特征区域和目标特征区域的坐标信息,并裁剪出目标特征区域。
在一种实施方式中,缺陷检测模块340包括区域缩放单元、特征提取单元、特征优化单元、缺陷检测单元;区域缩放单元用于将裁剪出的目标特征区域进行预设尺寸的缩放并输入至分类器模型;特征提取单元用于分类器模型对目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作,提取目标特征区域的目标特征;特征优化单元用于将目标特征经过全连接层进行全连接后,通过ReLU层和Dropout层的优化处理得到优化后的目标特征;缺陷检测单元用于对优化后的目标特征进行再次全连接并检测目标特征是否存在缺陷。
本实施例提供的耐张线夹的缺陷检测装置,具备耐张线夹的缺陷检测方法相应的有益效果。
实施例四
图8是本发明实施例四提供的一种电子设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图8显示的电子设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备412以通用设备的形式表现。电子设备412的组件可以包括但不限于:一个或者多个处理器416,存储装置428,连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统434可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘,例如只读光盘(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储装置428中,这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信,还可与一个或者多个使得用户能与该电子设备412交互的终端通信,和/或与使得该电子设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图8所示,网络适配器420通过总线418与电子设备412的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备412使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的耐张线夹的缺陷检测方法,该方法包括:
获取多张输电线路中耐张线夹的图片作为训练图片;
使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型;
基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域;
将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的耐张线夹的缺陷检测方法,该方法包括:
获取多张输电线路中耐张线夹的图片作为训练图片;
使用多张训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于卷积神经网络的分类器模型;
基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域,得到目标特征区域的坐标信息并裁剪出目标特征区域;
将裁剪出的目标特征区域输入分类器模型,并基于分类器模型检测目标特征区域是否存在缺陷。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种耐张线夹的缺陷检测方法,其特征在于,所述缺陷检测方法包括:
获取多张输电线路中耐张线夹的图片作为训练图片;
使用多张所述训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于所述卷积神经网络的分类器模型;
基于所述Faster RCNN算法和所述耐张线夹的检测模型确定待检测图片中的目标特征区域,得到所述目标特征区域的坐标信息并裁剪出所述目标特征区域;
将裁剪出的所述目标特征区域输入所述分类器模型,并基于所述分类器模型检测所述目标特征区域是否存在缺陷。
2.根据权利要求1所述的缺陷检测方法,其特征在于,所述基于所述Faster RCNN算法和所述耐张线夹的检测模型确定待检测图片中的目标特征区域,得到所述目标特征区域的坐标信息并裁剪出所述目标特征区域,包括:
所述耐张线夹的检测模型通过所述Faster RCNN算法中的卷积层,提取待检测图片的卷积特征;
将所述卷积特征输入所述Faster RCNN算法中的区域建议网络,得到多个目标候选区域;
将多个所述目标候选区域输入所述Faster RCNN算法中的区域池化层,得到目标特征区域和所述目标特征区域的坐标信息,并裁剪出所述目标特征区域。
3.根据权利要求1所述的缺陷检测方法,其特征在于,所述将裁剪出的所述目标特征区域输入所述分类器模型,并基于所述分类器模型检测所述目标特征区域是否存在缺陷,包括:
将裁剪出的所述目标特征区域进行预设尺寸的缩放并输入至所述分类器模型;
所述分类器模型对所述目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作,提取所述目标特征区域的目标特征;
将所述目标特征经过全连接层进行全连接后,通过ReLU层和Dropout层的优化处理得到优化后的目标特征;
对优化后的所述目标特征进行再次全连接并检测所述目标特征是否存在缺陷。
4.根据权利要求1所述的缺陷检测方法,其特征在于,所述卷积神经网络为AlexNet网络结构的卷积神经网络。
5.根据权利要求1所述的缺陷检测方法,其特征在于,所述获取多张输电线路中耐张线夹的图片作为训练图片之后,包括:
对所述训练图片中对应的耐张线夹进行标注。
6.根据权利要求1所述的缺陷检测方法,其特征在于,所述待检测图片和所述训练图片均是通过无人机拍摄的所述输电线路中耐张线夹的图片。
7.根据权利要求1所述的缺陷检测方法,其特征在于,所述训练图片为包括所述输电线路中耐张线夹存在缺陷以及无缺陷的图片。
8.一种耐张线夹的缺陷检测装置,其特征在于,包括:
图片获取模块,用于获取多张输电线路中耐张线夹的图片作为训练图片;
模型建立模块,用于使用多张所述训练图片,根据Faster RCNN算法建立耐张线夹的检测模型,并根据卷积神经网络建立基于所述卷积神经网络的分类器模型;
区域确定模块,用于基于所述Faster RCNN算法和所述耐张线夹的检测模型确定待检测图片中的目标特征区域,得到所述目标特征区域的坐标信息并裁剪出所述目标特征区域;
缺陷检测模块,用于将裁剪出的所述目标特征区域输入所述分类器模型,并基于所述分类器模型检测所述目标特征区域是否存在缺陷。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的缺陷检测方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7任一所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305619.9A CN111462109A (zh) | 2020-04-17 | 2020-04-17 | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305619.9A CN111462109A (zh) | 2020-04-17 | 2020-04-17 | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462109A true CN111462109A (zh) | 2020-07-28 |
Family
ID=71684572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010305619.9A Pending CN111462109A (zh) | 2020-04-17 | 2020-04-17 | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462109A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929328A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院(江苏)有限公司 | 拉链缺陷检测方法和装置 |
CN112001902A (zh) * | 2020-08-19 | 2020-11-27 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质 |
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
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 |
CN113506293A (zh) * | 2021-09-08 | 2021-10-15 | 成都数联云算科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114037700A (zh) * | 2021-12-31 | 2022-02-11 | 成都数联云算科技有限公司 | 面板缺陷检测方法、装置、电子设备及存储介质 |
CN114723750A (zh) * | 2022-06-07 | 2022-07-08 | 南昌大学 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
CN116452791A (zh) * | 2023-03-27 | 2023-07-18 | 广州市斯睿特智能科技有限公司 | 多相机点位的缺陷区域定位方法、系统、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN110618129A (zh) * | 2019-07-24 | 2019-12-27 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
-
2020
- 2020-04-17 CN CN202010305619.9A patent/CN111462109A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN110618129A (zh) * | 2019-07-24 | 2019-12-27 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
王平: "基于深度卷积网的迁移学习技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001902A (zh) * | 2020-08-19 | 2020-11-27 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质 |
WO2022036953A1 (zh) * | 2020-08-19 | 2022-02-24 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质、计算机程序产品 |
JP2022548438A (ja) * | 2020-08-19 | 2022-11-21 | 上▲海▼商▲湯▼智能科技有限公司 | 欠陥検出方法及び関連装置、機器、記憶媒体、並びにコンピュータプログラム製品 |
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN111929328A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院(江苏)有限公司 | 拉链缺陷检测方法和装置 |
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 |
CN113506293A (zh) * | 2021-09-08 | 2021-10-15 | 成都数联云算科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113506293B (zh) * | 2021-09-08 | 2021-12-07 | 成都数联云算科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114037700A (zh) * | 2021-12-31 | 2022-02-11 | 成都数联云算科技有限公司 | 面板缺陷检测方法、装置、电子设备及存储介质 |
CN114723750A (zh) * | 2022-06-07 | 2022-07-08 | 南昌大学 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
CN116452791A (zh) * | 2023-03-27 | 2023-07-18 | 广州市斯睿特智能科技有限公司 | 多相机点位的缺陷区域定位方法、系统、装置及存储介质 |
CN116452791B (zh) * | 2023-03-27 | 2024-03-22 | 广州市斯睿特智能科技有限公司 | 多相机点位的缺陷区域定位方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462109A (zh) | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 | |
US11861919B2 (en) | Text recognition method and device, and electronic device | |
CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
CN112232341B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN114299366A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN110796108A (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN115937993A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN112446231A (zh) | 一种人行横道检测方法、装置、计算机设备及存储介质 | |
Zhang et al. | AE-FPN: adaptive enhance feature learning for detecting wire defects | |
CN112395450B (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN109815307B (zh) | 位置确定方法、装置、设备和介质 | |
CN113642443A (zh) | 模型的测试方法、装置、电子设备及存储介质 | |
CN113902890A (zh) | 用于视觉概念检测的自监督数据增强方法、系统、设备 | |
CN113591787A (zh) | 光纤链路部件的识别方法、装置、设备和存储介质 | |
CN112801960A (zh) | 图像处理方法及装置、存储介质、电子设备 | |
CN111124862A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN112560599A (zh) | 文本识别方法、装置、计算机设备和存储介质 |
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 |