CN111488918A - 一种基于卷积神经网络的变电站红外图像设备检测方法 - Google Patents
一种基于卷积神经网络的变电站红外图像设备检测方法 Download PDFInfo
- Publication number
- CN111488918A CN111488918A CN202010203815.5A CN202010203815A CN111488918A CN 111488918 A CN111488918 A CN 111488918A CN 202010203815 A CN202010203815 A CN 202010203815A CN 111488918 A CN111488918 A CN 111488918A
- Authority
- CN
- China
- Prior art keywords
- equipment
- infrared image
- convolution
- training
- cnn
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000331432 Cynanchum wilfordii Species 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的变电站红外图像设备检测方法，包括下列步骤：(1)构建变电站设备红外图像数据集；(2)输入图像特征提取，得到不同尺度的卷积特征图；(3)锚框策略调整及感兴趣区域提取；(4)构建基于多尺度特征融合的检测模型；(5)训练模型。
Description
技术领域
本发明属于目标检测领域，尤其涉及一种应用深度学习技术的智能机器人巡检变电站图像中开关分合状态检测方法。
背景技术
随着无人值守变电站的大力推广，变电站设备智能检测在设备监控、异常预警等方面具有重要的应用价值。由于电气设备具有发热特性，利用红外相机可以对变电站设备进行全天候监视[1]。此外，基于电气设备的红外图像，研究人员还能够及时对设备异常发热进行诊断。若仅由变电站工作人员通过肉眼逐一筛查和判断，具有耗时费力等局限性，难以适应推广智能化巡检的要求。因此，研究基于红外图像的变电站设备检测方法，对保障变电站安全生产运行具有重大意义。
近年来，基于深度学习的目标检测算法高速发展。Ross B.Girshick提出通过卷积神经网络CNN提取特征，回避了传统目标检测方法中人工设计特征的繁琐过程[2]。任少卿提出FasterR-CNN，直接利用CNN产生目标候选区域，实现了首次完全利用深度学习方法进行目标检测[3]。
基于CNN的检测模型可以有效指导电力领域设备检测。林唯贤利用平移和旋转进行数据扩充并改进卷积模块，在嵌入式设备上实现红外图像避雷器设备实时检测[4]，但其数据增强手段较单一，且仅针对单一特定设备。臧晓春通过图像分类级联设备检测的方式实现多类别设备检测[5]，但其无法满足一张图像中多种类别设备共存情况的检测需求，也没有考虑到设备尺度多样性问题。另一方面，基于CNN的目标检测技术中，浅层特征无法得到很好的抽象，深层特征信息丢失严重，存在单一尺度特征信息表达不全面的问题[6]。
[1]陈铁明,付光远,李诗怡,等.基于YOLO v3的红外末制导典型目标检测[J].激光与光电子学进展,2019,56(16):161502.
[2]Girshick R,Donahue J,Darrell T,et al.Rich feature hierarchies foraccurate object detection and semantic segmentation[C]//Proceedings of theIEEE conference on computer vision and pattern recognition.2014:580-587.
[3]Ren S,He K,Girshick R,et al.Faster r-cnn:Towards real-time objectdetection with region proposal networks[C]//Advancesinneuralinformationprocessingsystems.2015:91-99.
[4]林唯贤.嵌入式设备高效卷积神经网络的电力设备检测[J].计算机系统应用,2019,28(5):238-243..
[5]臧晓春.一种基于图像处理和神经网络的变电站关键设备红外检测方法[D].华南理工大学,2018..
[6]Alain G,Bengio Y.Understanding intermediate layers using linearclassifier probes[J].arXiv preprint arXiv:1610.01644,2016.
发明内容
变电站巡检红外图像具有设备种类固定，但尺度多样的特点，本发明基于这一类图像，围绕设备尺度多样性问题，提出一种面向多种设备的目标检测方法，能够克服数据量不足、单一尺度特征信息表达不全面的问题，提高检测性能。为了实现上述目的，本发明采用如下技术方案：
一种基于卷积神经网络的变电站红外图像设备检测方法，包括下列步骤：
(1)将原始数据集随机划分为训练集和测试集，对红外图像中的设备矩形包围框进行标定，生成与红外图像一一对应的标注文件，构建变电站设备红外图像数据集；
(2)输入图像特征提取：将红外图像数据集里的图像作为输入图像输入基于CNN的特征提取网络，进行一系列卷积及池化操作，提取输入图像的卷积特征；
基于CNN的特征提取网络包含五组卷积、两层全连接和一层分类层，其中前两组卷积分别包含两个卷积层，后三组卷积分别包含三个卷积层，每组卷积之间相隔最大池化层下采样，由于池化层的存在，输入图像通过基于CNN的特征提取网络，得到不同尺度的卷积特征图。
(3)锚框策略调整及感兴趣区域提取，方法如下：
1)对训练集中的设备矩形包围框进行K-means聚类，设置多个聚类簇中心，得到聚类结果图，聚类结果图由XY坐标系构成，由聚类簇中心的分布得知训练的大致分布；
2)根据聚类结果图，计算聚类簇中心与原点间连线的斜率值，并计算聚类簇中心横纵坐标乘积的平方根，选择离散取值，调整锚框的高宽比和尺寸；
3)利用基于CNN的候选区域提名网络，在基于CNN的特征提取网络中最后一层卷积层的卷积特征图中进行滑动窗口操作，在每个窗口的中心位置生成一系列不同高宽比和尺寸的锚框，进而得到感兴趣区域RoI；
(4)构建基于多尺度特征融合的检测模型，方法如下：
1)采用RoI-Pooling将所得到的RoI坐标，分别映射到不同尺度的卷积特征图上，得到特征张量；
2)将映射所得特征张量分别先通过一个全连接层，然后进行拼接实现多尺度特征融合，得到一个多尺度的特征组合来对设备特征进行最终表达；
3)多尺度的特征组合通过一个全连接层，利用Softmax分类器预测设备所属类别以实现设备分类，利用回归算法进行设备矩形框坐标回归以实现设备定位；
(5)训练模型：
1)设置模型损失函数，利用多任务学习的方式，将设备分类和设备矩形包围框坐标回归同时在网络训练中同步进行调整，损失函数由分类损失和回归损失两个部分构成；
2)设置模型的参数，包括学习率，初始化参数，迭代次数，利用所构建的基于多尺度特征融合的检测模型在步骤(1)得到的红外图像训练集上迭代，完成模型训练，得到训练好的检测模型。
步骤(1)中，对于训练集，考虑到红外图像中设备尺度因巡检过程中拍摄角度的不同而多变的情况，采用基于仿射变换的数据增强方法进行数据增强。
步骤(1)中，还通过随机增强策略，将训练集通过包括但不限于颜色转换、随机遮挡多种图像处理方式继续做数据增强处理，得到最终的红外图像数据集。
本发明利用深度卷积神经网络的算法，围绕设备多尺度问题，提出了一种目标检测方法。该方法针对智能巡检机器人采集的变电站设备红外图像，通过基于仿射变换的数据增强、基于聚类的锚框尺度制定策略以及构建基于多尺度特征融合的检测网络结构等一系列手段，mAP达到92.70％。所提方法能够有效检测出变电站红外数据集中设备，可以提高智能巡检的效率，具有较高实用价值。
附图说明
图1基于多尺度特征融合的检测网络结构图
图2检测结果示例图
具体实施方式
为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描述。
一、构建变电站设备红外图像数据集。
原始数据集中所有图像分辨率均为640×480，共包含801张红外图像，按3:2的比例随机划分数据集，获得479张红外图像作为训练集，322张图像作为测试集。本发明针对以下七类变电站典型设备进行研究：断路器、电流互感器、电压互感器、条状隔离开关、环状隔离开关、电抗器以及避雷器。数据集中共包含1546个设备。利用标注软件对红外图像中的设备矩形包围框进行标定，同时生成与红外图像一一对应的标注文件。
考虑到红外图像中设备尺度因巡检过程中拍摄角度的不同而多变的情况，本发明提出基于仿射变换的数据增强方法。
首先随机地对训练集中的一部分红外图像做仿射变换实现数据增强。采用的主要仿射变换方式包括：缩放、旋转、翻转、平移以及插值。具体的，为了扩大设备矩形包围框尺寸的范围，将红外图像随机缩放至原图尺寸的80％到120％之间；为了扩大设备矩形包围框高宽比的范围，对红外图像进行±30°范围以内的随机旋转；对随机50％的图像进行镜像翻转；对随机20％的图像进行垂直翻转；在原图像宽度的五分之一范围内，将图像随机进行向左或向右平移；随机使用最临近插值或双线性差值对空白处进行补齐等。
然后，在仿射变换的基础上，进一步地通过随机增强策略，将训练集红外图像通过包括但不限于颜色转换、随机遮挡等多种图像处理方式继续做数据增强处理，得到最终的红外图像数据集。。
二、输入图像特征提取。
将输入图像输入基于CNN的特征提取网络，进行一系列卷积及池化操作，提取图像特征。
特征提取网络包含五组卷积、两层全连接和一层分类层，其中前两组卷积分别包含两个卷积层，后三组卷积分别包含三个卷积层，每组卷积之间相隔最大池化层下采样。由于池化层的存在，输入图像通过特征提取网络，可以得到不同尺度的卷积特征图。
三、锚框策略调整及候选区域提名。
为了解决变电站设备尺度多样性的问题，本方法提出一种锚框尺度制定策略。
首先，对训练集中的设备矩形包围框进行K-means聚类，设置9个聚类簇中心，得到聚类结果图。聚类结果图由XY坐标系构成，聚类结果图中的每一点对应一个设备样本点，其横、纵坐标分表表示设备宽度和高，由簇中心的分布可知数据集的大致分布。每一设备样本点与原点之间连线的斜率表征了该设备的高宽比。每一设备样本点横纵坐标的乘积表征该设备的面积。
然后，根据聚类结果图，计算聚类簇中心与原点之间连线的斜率值，并计算聚类簇中心横纵坐标乘积的平方根，选择与数据集分布相适应的离散取值，调整锚框的高宽比和尺寸。设设备样本点横、纵坐标分别为x和y，则锚框高宽比和尺寸的设置算法可以分别用分段函数A(x,y)和S(x,y)来表达：
其中，N表示设置N种不同高宽比的锚框，M表示设置M种不同尺寸的锚框。n＝1,2,...N,m＝1,2,...M，kn和sn表示锚框高宽比和尺寸的离散取值，αn和βn表示离散取值的间隔。根据训练集聚类结果，通过实验调整N,M,kn,sn,αn,βn的数值，从而确定锚框的高宽比和尺寸。注意，n＞1时，kn-1+αn-1＝kn-αn，m＞1时sm-1+βm-1＝sm-βm。
最后，利用基于CNN的区域提名网络，对特征提取网络的最后一层卷积特征图进行滑动窗口操作，在每个窗口的中心位置生成一系列不同高宽比和尺寸的锚框，进而得到感兴趣区域RoI。
四、构建基于多尺度特征融合的检测模型。
本方法提出了一种基于多尺度特征融合的检测模型，综合利用不同尺度的卷积特征图，其网络结构如图1所示。
所提检测模型首先采用RoI-Pooling将区域提名网络得到的RoI坐标，分别映射到不同尺度的卷积特征图上即Conv4_3和Conv5_3，得到特征张量。
将映射所得特征张量分别先通过一个全连接层fc6，然后进行拼接实现多尺度特征融合，得到一个多尺度的特征组合来对设备特征进行最终表达。
多尺度的特征组合通过一个全连接层fc7，最后利用Softmax分类器预测设备所属类别以实现设备分类，利用回归算法进行设备矩形框坐标回归以实现设备定位。
五、训练模型。
首先设计损失函数。本模型利用多任务学习的方式，将设备分类和设备矩形包围框坐标回归同时在网络训练中同步进行调整。损失函数由分类损失和回归损失两个部分构成，表达式为：
其中，pi表示预测目标的预测概率，预测目标实际为正样本则
反之
ti和
分别表示预测包围框和真实包围框的坐标。分类损失Lcls表示设备分类的交叉熵损失函数，回归损失Lreg表示设备矩形包围框坐标回归的SmoothL1损失函数，表达式分别如下：
实验使用64位的Ubuntu14.04系统，处理器型号为Intel(R)Core(TM)i7-7700KCPU@4.20GHz×8，内存8G，显卡型号为GeForce GTX TITAN X，显存为12G。算法的实现基于Python语言，采用TensorFlow深度学习框架。
初始学习率设置为0.001，将特征提取网络在ImageNet数据集上进行预训练，将预训练所得参数作为特征提取网络的训练初始参数，利用步骤二、三、四构建的模型在步骤一得到的训练集上迭代60000次，最终得到训练好的模型。
六、模型效果测试。
将测试集中的红外图像输入步骤五训练好的模型中，针对7类变电站典型设备进行检测，得到模型预测的设备类别和设备矩形包围框。
对每个单类别设备，评估模型预测所得设备类别和设备矩形包围框，与标注文件中的真实设备类别和设备矩形包围框的贴近程度，计算得到单类别的平均精度AP。目标检测的技术衡量指标主要是mAP。mAP表示对多个类别AP值取平均值，mAP值越高表明该目标检测器性能越好。计算所有类别AP并取平均值得到mAP，得出所有类别的平均精度都在86％以上，mAP达到92.70％。图2展示了在严重遮挡情况下的检测效果，模型能够检出红外图像最左侧的电抗器。可见，在严重遮挡时，本发明方法依然有较好的定位及分类准确性。
Claims (3)
1.一种基于卷积神经网络的变电站红外图像设备检测方法，包括下列步骤：
(1)将原始数据集随机划分为训练集和测试集，对红外图像中的设备矩形包围框进行标定，生成与红外图像一一对应的标注文件，构建变电站设备红外图像数据集；
(2)输入图像特征提取：将红外图像数据集里的图像作为输入图像输入基于CNN的特征提取网络，进行一系列卷积及池化操作，提取输入图像的卷积特征；
基于CNN的特征提取网络包含五组卷积、两层全连接和一层分类层，其中前两组卷积分别包含两个卷积层，后三组卷积分别包含三个卷积层，每组卷积之间相隔最大池化层下采样，由于池化层的存在，输入图像通过基于CNN的特征提取网络，得到不同尺度的卷积特征图。
(3)锚框策略调整及感兴趣区域提取，方法如下：
1)对训练集中的设备矩形包围框进行K-means聚类，设置多个聚类簇中心，得到聚类结果图，聚类结果图由XY坐标系构成，由聚类簇中心的分布得知训练的大致分布；
2)根据聚类结果图，计算聚类簇中心与原点间连线的斜率值，并计算聚类簇中心横纵坐标乘积的平方根，选择离散取值，调整锚框的高宽比和尺寸；
3)利用基于CNN的候选区域提名网络，在基于CNN的特征提取网络中最后一层卷积层的卷积特征图中进行滑动窗口操作，在每个窗口的中心位置生成一系列不同高宽比和尺寸的锚框，进而得到感兴趣区域RoI；
(4)构建基于多尺度特征融合的检测模型，方法如下：
1)采用RoI-Pooling将所得到的RoI坐标，分别映射到不同尺度的卷积特征图上，得到特征张量；
2)将映射所得特征张量分别先通过一个全连接层，然后进行拼接实现多尺度特征融合，得到一个多尺度的特征组合来对设备特征进行最终表达；
3)多尺度的特征组合通过一个全连接层，利用Softmax分类器预测设备所属类别以实现设备分类，利用回归算法进行设备矩形框坐标回归以实现设备定位；
(5)训练模型：
1)设置模型损失函数，利用多任务学习的方式，将设备分类和设备矩形包围框坐标回归同时在网络训练中同步进行调整，损失函数由分类损失和回归损失两个部分构成；
2)设置模型的参数，包括学习率，初始化参数，迭代次数，利用所构建的基于多尺度特征融合的检测模型在步骤(1)得到的红外图像训练集上迭代，完成模型训练，得到训练好的检测模型。
2.根据权利要求1所述的方法，其特征在于，步骤(1)中，对于训练集，考虑到红外图像中设备尺度因巡检过程中拍摄角度的不同而多变的情况，采用基于仿射变换的数据增强方法进行数据增强。
3.根据权利要求2所述的方法，其特征在于，步骤(1)中，还通过随机增强策略，将训练集通过包括但不限于颜色转换、随机遮挡多种图像处理方式继续做数据增强处理，得到最终的红外图像数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203815.5A CN111488918A (zh) | 2020-03-20 | 2020-03-20 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203815.5A CN111488918A (zh) | 2020-03-20 | 2020-03-20 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111488918A true CN111488918A (zh) | 2020-08-04 |
Family
ID=71811654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010203815.5A Pending CN111488918A (zh) | 2020-03-20 | 2020-03-20 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111488918A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111813532A (zh) * | 2020-09-04 | 2020-10-23 | 腾讯科技（深圳）有限公司 | 一种基于多任务机器学习模型的图像管理方法及装置 |
| CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 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 |
| CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
| CN112329721A (zh) * | 2020-11-26 | 2021-02-05 | 上海电力大学 | 一种模型轻量化设计的遥感小目标检测方法 |
| CN113139528A (zh) * | 2021-06-21 | 2021-07-20 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
| CN113378856A (zh) * | 2021-06-24 | 2021-09-10 | 重庆大学 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
| CN114155235A (zh) * | 2021-12-08 | 2022-03-08 | 天津大学 | 一种基于表征变换感知的图像异常检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN109409252A (zh) * | 2018-10-09 | 2019-03-01 | 杭州电子科技大学 | 一种基于改进型ssd网络的车辆行人多目标检测方法 |
| CN109446925A (zh) * | 2018-10-08 | 2019-03-08 | 中山大学 | 一种基于卷积神经网络的电力设备检测算法 |
| CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及系统 |
| CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
| CN110263712A (zh) * | 2019-06-20 | 2019-09-20 | 江南大学 | 一种基于区域候选的粗精行人检测方法 |
| CN110399884A (zh) * | 2019-07-10 | 2019-11-01 | 浙江理工大学 | 一种特征融合自适应锚框模型车辆检测方法 |
| CN110490174A (zh) * | 2019-08-27 | 2019-11-22 | 电子科技大学 | 基于特征融合的多尺度行人检测方法 |
-
2020
- 2020-03-20 CN CN202010203815.5A patent/CN111488918A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN109446925A (zh) * | 2018-10-08 | 2019-03-08 | 中山大学 | 一种基于卷积神经网络的电力设备检测算法 |
| CN109409252A (zh) * | 2018-10-09 | 2019-03-01 | 杭州电子科技大学 | 一种基于改进型ssd网络的车辆行人多目标检测方法 |
| CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及系统 |
| CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
| CN110263712A (zh) * | 2019-06-20 | 2019-09-20 | 江南大学 | 一种基于区域候选的粗精行人检测方法 |
| CN110399884A (zh) * | 2019-07-10 | 2019-11-01 | 浙江理工大学 | 一种特征融合自适应锚框模型车辆检测方法 |
| CN110490174A (zh) * | 2019-08-27 | 2019-11-22 | 电子科技大学 | 基于特征融合的多尺度行人检测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 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 |
| CN112199993B (zh) * | 2020-09-01 | 2022-08-09 | 广西大学 | 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 |
| CN111813532A (zh) * | 2020-09-04 | 2020-10-23 | 腾讯科技（深圳）有限公司 | 一种基于多任务机器学习模型的图像管理方法及装置 |
| CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
| CN112329721A (zh) * | 2020-11-26 | 2021-02-05 | 上海电力大学 | 一种模型轻量化设计的遥感小目标检测方法 |
| CN113139528A (zh) * | 2021-06-21 | 2021-07-20 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
| CN113139528B (zh) * | 2021-06-21 | 2021-09-07 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
| CN113378856A (zh) * | 2021-06-24 | 2021-09-10 | 重庆大学 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
| CN114155235A (zh) * | 2021-12-08 | 2022-03-08 | 天津大学 | 一种基于表征变换感知的图像异常检测方法 |
| CN114155235B (zh) * | 2021-12-08 | 2024-04-12 | 天津大学 | 一种基于表征变换感知的图像异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111488918A (zh) | 一种基于卷积神经网络的变电站红外图像设备检测方法 | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| Su et al. | Deep learning-based solar-cell manufacturing defect detection with complementary attention network | |
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| CN111242208B (zh) | 一种点云分类方法、分割方法及相关设备 | |
| Wang et al. | Detection of insulator defects with improved ResNeSt and region proposal network | |
| CN111639544B (zh) | 基于多分支跨连接卷积神经网络的表情识别方法 | |
| CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
| CN112434586B (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
| Han et al. | Electrical equipment identification in infrared images based on ROI-selected CNN method | |
| CN108537196B (zh) | 基于运动历史点云生成的时空分布图的人体行为识别方法 | |
| Zhou et al. | Algorithm of Helmet Wearing Detection Based on AT-YOLO Deep Mode. | |
| CN113870160B (zh) | 一种基于变换器神经网络的点云数据处理方法 | |
| Serikbay et al. | Accurate surface condition classification of high voltage insulators based on deep convolutional neural networks | |
| Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
| Wani et al. | Segmentation of satellite images of solar panels using fast deep learning model | |
| Wang et al. | Efficient and refined deep convolutional features network for the crack segmentation of solar cell electroluminescence images | |
| Xiang et al. | Crowd density estimation method using deep learning for passenger flow detection system in exhibition center | |
| Tang et al. | An end‐to‐end steel surface defect detection approach via Swin transformer | |
| CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
| Liu et al. | Ground-based visible-light cloud image classification based on a convolutional neural network | |
| CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
| Sun et al. | Flame Image Detection Algorithm Based onComputer Vision. | |
| Mujtaba et al. | Automatic solar panel detection from high-resolution orthoimagery using deep learning segmentation networks | |
| Li et al. | Substation rotational object detection based on multi-scale feature fusion and refinement |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |
|
| RJ01 | Rejection of invention patent application after publication |