CN111507398A - 基于目标检测的变电站金属仪器锈蚀识别方法 - Google Patents
基于目标检测的变电站金属仪器锈蚀识别方法 Download PDFInfo
- Publication number
- CN111507398A CN111507398A CN202010299457.2A CN202010299457A CN111507398A CN 111507398 A CN111507398 A CN 111507398A CN 202010299457 A CN202010299457 A CN 202010299457A CN 111507398 A CN111507398 A CN 111507398A
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature map
- target detection
- transformer substation
- corrosion
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 60
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 60
- 238000005260 corrosion Methods 0.000 title claims abstract description 42
- 230000007797 corrosion Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 51
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100049727 Arabidopsis thaliana WOX9 gene Proteins 0.000 description 1
- 101150059016 TFIP11 gene Proteins 0.000 description 1
- 102100032856 Tuftelin-interacting protein 11 Human genes 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06F18/21—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标检测的变电站金属仪器锈蚀识别方法。首先，通过对变电站中的监控视频提取关键帧，或者通过人工拍摄照片，得到待检测图像。使用深度学习网络框架提取图像特征得到特征图，再根据该特征图使用目标检测算法检测出变电站的金属仪器中是否有锈蚀部分，如果有锈蚀部分则锈蚀部分的具体位置。该方法可以检测到监控视频内是否有金属仪器遭受锈蚀，如果有则标注锈蚀位置。该方法对网络架构进行修改，不识别不必要的物体，可以准确而又高效的识别变电站中金属仪器的锈蚀部分；用户可以根据返回的图像流简单而又直接的判断监控视频中是否有金属仪器产生了锈蚀现象，并直接观测到锈蚀的具体位置。
Description
技术领域
本发明涉及机器学习与计算机视觉研究中的深度神经网络、物体识别、目标检测这几个主要领域，具体涉及一种基于目标检测的变电站金属仪器锈蚀识别方法。
背景技术
图像和视频具有复杂的特征与属性，使用计算机对图像和视频的内容理解和分析，多年以来一直是计算机视觉的一个研究方向。在近些年来，得益于深度学习的发展，图像和视频的分析质量得到显著的提升。
图像和视频的分析依赖于特征的提取，传统的特征提取包括全局特征，如颜色直方图、纹理特征和轮廓外形特征，以及局部特征，如SIFT、LBP和GLOH等。而对于视频对象，除了外观特征(如颜色、纹理、边缘)和运动特征(如运动历史图和运动能量图特征)，还会提取局部时刻特征(如STIP特征)。由于卷积神经网络的飞速发展，传统的特征提取算法已不再占有优势。目前，在机器学习任务当中，人们都使用深度神经网络架构如VGG，RESNET等来对图像特征进行提取。
目标检测一直是计算机视觉领域的一个基本课题，在上个世纪60年代就提出了目标检测的概念。世界相关领域的专家在近些年内提出了一系列基于深度神经网络的目标检测的算法，致力于同时提升目标检测的准确度和速度。在该领域当中，学者们经常使用端到端学习的方式，使用一整套网络架构直接识别并定位物体。主要使用卷积神经网络对单一图像进行特征提取，并根据提取的特征进一步进行回归和分类。最新的成果如Faster R-CNN，R-FCN，YOLOv3等，有着各自的特征提取模型，同时也使用区域推荐网络(regionproposal network，即RPN)，在尽可能的减少模型体积的情况下准确的识别物体类别并对其进行准确的定位。
在电力行业中，电力设备的正常运行是电力系统为社会提供稳定服务的基础。因此，保障变电站及相关电力设备的正常运行十分重要。电力系统承担着对电能的生产和输运过程进行测量、调节、控制、保护、通信和调度的工能。高效而又合理的电力系统不仅有利于地区能源资源的合理开发，也能保障地区国民经济日益增长的用电需要。
金属材料在变电站中的应用十分广泛，但是极易被锈蚀。在变电站中每年都有大量的金属仪器需要被检测和更换。如果不对这些锈蚀的金属仪器进行更换，则会带来大量的经济损失，环境污染和资源浪费。所以有效的检测被腐蚀的金属仪器并更换是一个亟待解决的问题。目前虽然有监控设备部署，但是依然需要人工检查和拍摄数据，费时费力且无法做到实时响应。
利用计算机视觉中的目标检测技术，使得整个检测过程自动化，能够大量节省人力物力资源，提升电力系统的可靠性。但是针对电力系统中的目标检测，仍然存在一些问题：1算法致力于检测种类更多的物体，然而物体种类数目的提升会导致特定物体识别的准确率下降。2目标检测算法识别的物体种类过于普遍，如飞机、轮船、人等，在实际的电力应用的场景中没有必要去识别，会带来资源的浪费。3目前的目标检测算法采用的训练数据集为ImageNet，COCO，VOC等数据集，图像数据大多来源于生活，而这些数据集中都不包含铁锈这一类别，所以使用这些数据集进行训练并不能有效提升铁锈识别的准确度。
针对上述问题，本发明提出基于目标检测的变电站金属仪器锈蚀识别方法。该方法可以快速而又准确识别变电站中金属仪器是否发生锈蚀现象，并对其进行精准的定位，从而实现基于目标检测的变电站金属仪器锈蚀识别。
发明内容
本发明的目的是提供一种基于目标检测的变电站金属仪器锈蚀识别方法，该方法可以克服现有算法用于识别铁锈时存在的识别准确率不足，浪费计算资源问题。
一种基于目标检测的变电站金属仪器锈蚀识别方法的步骤如下：首先，对变电站监控视频中的图像进行提取并进行标注，建立定制的专用数据集。其次，对目标检测的架构做出更改，使其仅仅识别并定位金属锈蚀一种类别。使用定制的数据集对神经网络进行训练，学习到相应的权重。最后，使用训练好的神经网络进行目标检测，部署服务器，对外提供RESTful接口，客户端向服务器发送图片流，图片流经处理后即可返回标注好的图像给客户端。
本发明采用以下技术方案实现：
一种基于目标检测的变电站金属仪器锈蚀识别方法，具体包括如下步骤：
1)对变电站监控视频中的大量图像数据进行收集和标注，从变电站的监控视频中抽取若干包含锈蚀金属仪器的图像，对这些图像进行处理，使用多个小的矩形标注其中金属仪器的锈蚀部分；原始图像帧记为img；
2)对于上述任意原始图像帧img，获得其RGB表示imgrgb；
3)对Faster RCNN目标检测算法进行改进，具体方法为：3.1)对原有的FasterRCNN目标检测算法添加空间变换网络(Spatial Transformer Networks，简称STN)，使得神经网络可以识别更多形状的铁锈；3.2)对原有的卷积运算添加卷积分解变换，减少神经网络模型体积大小；3.3)对卷积神经网络添加空间attention机制，使得神经网络可以对锈蚀金属存在的图像区域更加敏感；3.4)使用特征金字塔网络，将神经网络特征图进行多尺度缩放，使得神经网络可以更准确的识别不同大小的铁锈；同时将低分辨率特征图和高分辨率特征图相结合，增加分类的准确率；在不同分辨率特征图的结合方式上加以改进，对于相同尺寸的特征图，同时利用拼接、相加两种方式结合，同时在其后再加一层仿射变换，进一步提升识别的准确率；
4)用改进的Faster RCNN目标检测算法对可能包含锈蚀金属仪器的图像进行目标检测。具体地，将图像的RGB表示imgrgb送入神经网络进行特征提取，并根据提取的特征进行二分类和回归，神经网络分别输出class和锈蚀坐标，根据class判断图像中是否属于锈蚀，根据锈蚀坐标w，h，x，y判断锈蚀位置；
其中，class为0或1，0表示不属于金属锈蚀部分，1表示属于金属锈蚀部分；金属锈蚀区用矩形框标出，w h x y分别代表矩形的宽高、矩形中心点的横纵坐标；
5)训练神经网络：用神经网络的损失函数来表示预测的值和真实值的差距，损失函数的值越小，表明预测结果越准确；本发明的损失函数为分类损失和回归损失两部分，分类损失用来表示预测类别和真实类别的差距，记为
其中
表示真实的类别，class表示神经网络预测的类别；回归损失表示预测铁锈位置和真实位置的差距，记为
其中
表示铁锈真实坐标，w，h，x，h表示神经网络预测的铁锈坐标。为了简化表示，整个损失函数记为
使用Adam梯度下降算法Lw(imgrgb)对神经网络进行优化，不断提升分类的准确率同时减少预测坐标和真实坐标的差距，最终得到神经网络的权重W；
6)使用训练好的神经网络建立服务器，对客户端提供RESTful接口，接受客户端提供的图片流，将其输入到神经网络，预测整个图像中是否有金属仪器发生锈蚀现象，并得到锈蚀区域坐标，即图像中每个区域的class，w，h，x，y。根据预测的锈蚀区域对图片流进行标注，注明仪器锈蚀区域的具体位置，返回锈蚀识别结果以及标注完毕的图片流给客户端。
上述技术方案中，进一步地，所述的使用特征金字塔网络对神经网络特征图进行多尺度缩放的具体方法为：首先对特征图进行降采样，再对其进行上采样，得到低层次和高层次的一一对应的特征图，对于相对应的特征图，同时利用拼接和相加两种方式进行融合。具体地，首先将低层特征图F1和高层特征图F2进行拼接得到F3，再进行1*1卷积降低特征图维度得到F4，再将低层特征图F1和高层特征图F2相加得到特征图F5，将F4、F5再进行拼接得到最终特征图F6。使用特征图F6进行目标检测可以更准确的对目标进行检测和定位。
本发明与现有技术相比具有的有益效果是:
本发明在预先采集的训练数据的基础上，使用定制的数据集进行训练，使得算法可以高效而又准确的识别变电站中金属仪器是否出现锈蚀现象，并对其进行精准的定位，适用于变电站应用场景。同时，对网络架构进行修改，不识别不必要的物体，大幅度提升了目标检测的速度，同时避免了资源的浪费。
在神经网络中，低层神经网络包含更多的语义信息，高层神经网络包含更多的定位信息，通常在使用特征金字塔网络时，将低层神经网络和高层神经网络中相同尺度的特征图直接相拼接或者直接相加，同时获得语义和位置信息，来同时保证物体分类和定位的准确。而本发明方法在使用特征金字塔网络对神经网络特征图进行多尺度缩放时，首先对特征图进行降采样，再对其进行上采样，得到低层次和高层次的一一对应的特征图，并将高层次和低层次的特征图相融合，结果发现采用这种方法可以显著提高图片的识别率。
本发明中，返回的图像流使用多个矩形框出金属仪器的锈蚀区域，用户可以根据返回的图像流简单而又直接的判断监控视频中是否有金属仪器产生了锈蚀现象，并直接观测到锈蚀的具体位置。
附图说明
图1变电站其金属锈蚀数据样本示例(避雷针本体)；
图2变电站其金属锈蚀数据样本示例(避雷针接地部分)；
图3金属锈蚀识别准确率随训练epoch变化曲线；
图4算法迭代收敛曲线；
图5算法目标检测结果示例。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步说明。
使用变电站专用数据集测试本方法的金属仪器铁锈现象识别能力，数据集包含金属锈蚀类别2000张图像。对2000张变电站监控视频中抽取的图像进行处理，使用多个小的矩形框住其中金属仪器的锈蚀部分。首先将定制数据集中的80％用作训练数据集，将10％作为验证数据集，将10％作为测试数据集。包含金属锈蚀图像还可以通过人工拍摄照片得到。
一种基于目标检测的变电站金属仪器锈蚀识别方法，具体包括如下步骤：
1)对变电站监控视频中的大量图像数据进行收集和标注，从变电站的监控视频中抽取2000张包含被锈蚀金属仪器的图像，对这些图像进行处理，使用多个小的矩形标注其中金属仪器的锈蚀部分。原始图像帧记为img。
2)对于上述任意原始图像帧img，获得其RGB表示imgrgb；
3)对Faster RCNN目标检测算法进行改进，具体方法为：3.1)对原有的FasterRCNN目标检测算法添加空间变换网络(Spatial Transformer Networks，简称STN)，使得神经网络可以识别更多形状的铁锈；3.2)对原有的卷积运算添加卷积分解变换，减少神经网络模型体积大小；3.3)对卷积神经网络添加空间attention机制，使得神经网络可以对锈蚀金属存在的图像区域更加敏感；3.4)使用特征金字塔网络，将神经网络特征图进行多尺度缩放，使得神经网络可以更准确的识别不同大小的铁锈；同时将低分辨率特征网络和高分辨率特征图相结合，增加分类的准确率；在不同分辨率特征网络特征图的结合方式上加以改进，对于相同尺度的特征图，同时利用拼接、相加两种方式结合，同时在其后再加一层仿射变换，进一步提升识别的准确率；
4)对于可能包含锈蚀金属仪器的图像，使用改进的Faster RCNN目标检测算法进行目标检测。具体地，将图像的RGB表示imgrgb送入神经网络进行特征提取，并根据提取的特征进行二分类和回归，神经网络分别输出class和锈蚀坐标，根据class判断图像中是否属于存在锈蚀，根据网络输出锈蚀部分的坐标w，h，x，y判断锈蚀位置；
其中，class为0或1，0表示不属于金属锈蚀部分，1表示属于金属锈蚀部分；金属锈蚀区域的坐标用矩形框出，w h x y分别代表矩形的宽高、矩形中心点的横纵坐标；
5)训练神经网络：用神经网络的损失函数来表示预测的值和真实值的差距，损失函数的值越小，表明预测结果越准确；本发明的损失函数为分类损失和回归损失两部分，分类损失用来表示预测类别和真实类别的差距，记为
其中
表示真实的类别，class表示神经网络预测的类别；回归损失表示预测铁锈位置和真实位置的差距，记为
其中
表示铁锈真实坐标，w，h，x，h表示神经网络预测的铁锈坐标。为了简化表示，整个损失函数记为
使用Adam梯度下降算法Lw(imgrgb)对神经网络进行优化，不断提升分类的准确率同时减少预测坐标和真实坐标的差距，最终得到神经网络的权重W；
6)使用训练好的神经网络建立服务器，对客户端提供RESTful接口，接受客户端提供的图片流并将其输入到神经网络，预测整个图像中是否有金属仪器发生锈蚀现象，并得到锈蚀区域坐标，即图像中每个区域的class，w，h，x，y。根据预测的锈蚀区域对图片流进行标注，注明仪器锈蚀区域的具体位置，返回锈蚀识别结果以及标注完毕的图片流给客户端。
所述的使用特征金字塔网络对神经网络特征图进行多尺度缩放的具体方法为：
首先对特征图进行降采样，再对其进行上采样，得到低层次和高层次的一一对应的特征图，对于相对应的特征图，同时利用拼接和相加两种方式进行融合。具体地，首先将低层特征图F1和高层特征图F2进行拼接得到F3，再进行1*1卷积降低特征图维度得到F4，再将低层特征图F1和高层特征图F2相加得到特征图F5，将F4、F5再进行拼接得到最终特征图F6。使用特征图F6进行目标检测可以更准确的对目标进行检测和定位。
在具体的实施过程中，首先使用等间隔采样或者随机采样对变电站监控视频进行帧抽取，使用多层卷积神经网络进行计算，得到图像的特征图矩阵，使用二分类的方法识别图像中的各个小区域中是否包含金属锈蚀部分，对于使用回归方法进行计算锈蚀区域的集体位置。
本实施例的实施结果参见图1～5。
图1和图2分别显示了变电站其金属锈蚀数据样本示例(避雷针本体)和变电站其金属锈蚀数据样本示例(避雷针接地部分)，图3为金属锈蚀识别准确率随训练epoch变化曲线，图4展示了算法迭代收敛曲线，图5为算法目标检测结果示例。由图3和图4可知，随着训练次数的增多，识别准确率越来越高；损失函数值逐渐降低，表明本发明方法的准确率越来越高。
在实际应用的过程中，由于铁锈形状不规则，所以需要对其进行密集型标注，即对于一张图像，使用多个大小不同的矩形框对铁锈部分进行标注。
Claims (2)
1.一种基于目标检测的变电站金属仪器锈蚀识别方法，其特征在于，包括如下步骤：
1)对变电站监控视频中的图像数据进行收集和标注，具体为：从变电站的监控视频中抽取若干包含锈蚀金属仪器的图像，对这些图像进行处理，使用矩形标注其中金属仪器的锈蚀部分；原始图像帧记为img；
2)对于上述任意原始图像帧img，获得其RGB表示imgrgb；
3)对Faster RCNN目标检测算法进行改进，具体步骤为：3.1)添加空间变换网络；3.2)对原有的卷积运算添加卷积分解变换；3.3)对卷积神经网络添加空间attention机制；3.4)使用特征金字塔网络对神经网络特征图进行多尺度缩放；对不同分辨率特征图利用拼接、相加两种方式进行结合；
4)使用改进后的Faster RCNN目标检测算法对可能包含锈蚀金属仪器的图像进行目标检测，具体为：将图像的RGB表示imgrgb送入神经网络进行特征提取，并根据提取的特征进行二分类和回归，神经网络输出class和锈蚀坐标，根据class判断图像中是否属于锈蚀，根据锈蚀坐标w，h，x，y判断锈蚀位置；
其中，class为0或1，0表示不属于金属锈蚀部分，1表示属于金属锈蚀部分；金属锈蚀区域的坐标用矩形框出，w h x y分别代表矩形的宽高、矩形中心点的横纵坐标；
5)训练神经网络：用神经网络的损失函数来表示预测的值和真实值的差距，所述的损失函数为分类损失和回归损失两部分，分类损失表示预测类别和真实类别的差距，记为
其中
表示真实的类别，class表示神经网络预测的类别；回归损失表示预测铁锈位置和真实位置的差距，记为
其中
表示铁锈真实坐标，w，h，x，h表示神经网络预测的铁锈坐标；为了简化表示，整个损失函数记为
使用Adam梯度下降算法Lw(imgrgb)对神经网络进行优化，不断提升分类的准确率同时减少预测坐标和真实坐标的差距，最终得到神经网络的权重W；
6)使用训练好的神经网络建立服务器，对客户端提供RESTful接口，接受客户端提供的图片流，将其输入到神经网络，预测整个图像中是否有金属仪器发生锈蚀现象，并得到锈蚀区域坐标，即图像中每个区域的class，w，h，x，y；根据预测的锈蚀区域对图片流进行标注，注明仪器锈蚀区域的具体位置，返回锈蚀识别结果以及标注完毕的图片流给客户端。
2.根据权利要求1所述的一种基于目标检测的变电站金属仪器锈蚀识别方法，其特征在于，步骤3.4)具体为，首先对特征图进行降采样，再对其进行上采样，得到低层次特征图F1和高层次特征图F2，且F1和F2一一对应；然后将低层次特征图F1和高层次特征图F2进行拼接得到特征图F3，再进行1*1卷积降低特征图维度得到特征图F4；再将低层次特征图F1和高层次特征图F2相加得到特征图F5，将F4、F5再进行拼接得到最终特征图F6，使用特征图F6进行目标检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010299457.2A CN111507398A (zh) | 2020-04-16 | 2020-04-16 | 基于目标检测的变电站金属仪器锈蚀识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010299457.2A CN111507398A (zh) | 2020-04-16 | 2020-04-16 | 基于目标检测的变电站金属仪器锈蚀识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507398A true CN111507398A (zh) | 2020-08-07 |
Family
ID=71864802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010299457.2A Pending CN111507398A (zh) | 2020-04-16 | 2020-04-16 | 基于目标检测的变电站金属仪器锈蚀识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507398A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076882A (zh) * | 2021-04-03 | 2021-07-06 | 国家计算机网络与信息安全管理中心 | 一种基于深度学习的特定标志检测方法 |
| CN113763358A (zh) * | 2021-09-08 | 2021-12-07 | 合肥中科类脑智能技术有限公司 | 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统 |
| CN114998759A (zh) * | 2022-05-27 | 2022-09-02 | 电子科技大学 | 一种基于视觉Transformer的高精度SAR舰船检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135243A (zh) * | 2019-04-02 | 2019-08-16 | 上海交通大学 | 一种基于两级注意力机制的行人检测方法及系统 |
| CN110516670A (zh) * | 2019-08-26 | 2019-11-29 | 广西师范大学 | 基于场景级与区域建议自注意模块的目标检测方法 |
-
2020
- 2020-04-16 CN CN202010299457.2A patent/CN111507398A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135243A (zh) * | 2019-04-02 | 2019-08-16 | 上海交通大学 | 一种基于两级注意力机制的行人检测方法及系统 |
| CN110516670A (zh) * | 2019-08-26 | 2019-11-29 | 广西师范大学 | 基于场景级与区域建议自注意模块的目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| QIRUI REN等: "《Slighter Faster R-CNN for real-time detection of steel strip surface defects》", 《2018 CHINESE AUTOMATION CONGRESS》 * |
| 欧攀 等: "《基于卷积神经网络的遥感图像目标检测》", 《激光与光电子学进展》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076882A (zh) * | 2021-04-03 | 2021-07-06 | 国家计算机网络与信息安全管理中心 | 一种基于深度学习的特定标志检测方法 |
| CN113763358A (zh) * | 2021-09-08 | 2021-12-07 | 合肥中科类脑智能技术有限公司 | 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统 |
| CN113763358B (zh) * | 2021-09-08 | 2024-01-09 | 合肥中科类脑智能技术有限公司 | 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统 |
| CN114998759A (zh) * | 2022-05-27 | 2022-09-02 | 电子科技大学 | 一种基于视觉Transformer的高精度SAR舰船检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| CN111080693A (zh) | 一种基于YOLOv3的机器人自主分类抓取方法 | |
| CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
| CN115829999A (zh) | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 | |
| CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
| CN111339882A (zh) | 基于实例分割的输电线路隐患检测方法 | |
| CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
| CN109800698A (zh) | 基于深度网络的图标检测方法 | |
| CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
| CN111914720B (zh) | 一种输电线路绝缘子爆裂识别方法及装置 | |
| CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
| CN116863274A (zh) | 一种基于半监督学习的钢板表面缺陷检测方法及系统 | |
| CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN112560675A (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
| CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
| CN111507249A (zh) | 基于目标检测的变电站鸟窝识别方法 | |
| CN113344852A (zh) | 一种电力场景通用物品的目标检测方法、装置及存储介质 | |
| 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 | |
| CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
| CN114638989A (zh) | 一种基于目标检测和细粒度识别的故障分类可视化方法 | |
| CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Songwei Inventor after: Qian Ping Inventor after: Zhang Yong Inventor after: Liu Mingyi Inventor after: Fan Haibing Inventor after: Qi Zhongyi Inventor after: Hu Xixing Inventor after: Mao Dike Inventor before: Yang Songwei Inventor before: Qian Ping Inventor before: Zhang Yong Inventor before: Liu Mingyi Inventor before: Fan Haibing Inventor before: Qi Zhongyi Inventor before: Hu Xixing Inventor before: Mao Dike |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |