CN111639530A - 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 - Google Patents
一种输电线路的输电塔和绝缘子的检测和识别方法及系统 Download PDFInfo
- Publication number
- CN111639530A CN111639530A CN202010333502.1A CN202010333502A CN111639530A CN 111639530 A CN111639530 A CN 111639530A CN 202010333502 A CN202010333502 A CN 202010333502A CN 111639530 A CN111639530 A CN 111639530A
- Authority
- CN
- China
- Prior art keywords
- image information
- power transmission
- transmission line
- training
- preset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明涉及输电线路部件识别技术领域,提出了一种输电线路的输电塔和绝缘子的检测和识别方法,所述方法包括步骤:S1:建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;S2:按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。采用本方法检测和识别输电线路的输电塔和绝缘子精确度高。
Description
技术领域
本发明涉及输电线路部件识别技术领域,尤其涉及一种输电线路的输电塔和绝缘子的检测和识别方法及系统。
背景技术
输电线路在输电系统中起着十分重要作用。输电线路的关键部件如输电塔、绝缘子,其安全性和可靠性对供电系统的正常运营有着至关重要的影响。但是,输电线路长期暴露在自然环境下,容易造成故障,特别是在雷电、暴风雪、大风等恶劣天气下,易造成输电塔故障、绝缘子缺失等问题,从而影响整条线路的正常运行。
传统的检测方法为人工巡检,该方法明显存在危险性高、效率低等缺陷。随着技术的发展,无人机巡检逐渐代替人工巡检。有的通过机载多传感器同步,能够采集输电线路精度较高的相关信息并进行在线监测。通过对无人机采集的视频数据进行人为的监控与检测,光学卫星巡检基于多光谱或高光谱的遥感卫星技术,对获取的绝缘子影像数据进行处理,通过比值与阈值进行比较来判断绝缘子的正常或者缺陷状态,从而判断出绝缘子串的状态。以上都是基于深度学习的输电线路视觉检测方法研究现状。其安全性和便携性明显提高,目前在输电线路安全检测中得到了快速发展和广泛应用。但是,其中的实时性和精确性还有待进一步研究发展。
发明内容
为了解决上述问题,本发明提出了一种基于改进Cornernet深度网络的输电线路的输电塔和绝缘子的检测和识别方法及系统。
为了达到上述目的,本发明采用以下技术方案:
一种输电线路的输电塔和绝缘子的检测和识别方法,包括步骤:
S1:建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;
S2:按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。
进一步地,步骤S1包括:
S11:采集预设输电线路的图像信息,并根据采集的预设输电线路的图像信息建立输电线路图像信息数据集;
S12:对建立的输电线路图像信息数据集中的图像信息进行背景分离,并根据背景分离后的图像信息建立地面背景子集和天空背景子集;
S13:对地面背景子集和天空背景子集分别训练,生成地面背景子集和天空背景子集对应的SVM分类器,分别通过Cornernet网络对两个子集进行训练并得到所述背景模型包括:地面背景模型和天空背景模型。
进一步地,步骤S11包括:
S111:获取无人机采集的输电线路图像信息以及获取人工现场拍摄的输电线路图像信息;
S112:建立输电线路图像信息数据集;
S113:通过预设图像增强技术,对输电线路图像信息按照预设变换方式变换,并保存;
S114:对输电线路图像信息中的输电塔和绝缘子通过预设方框进行标注并保存。
进一步地,步骤S12包括:
S121:通过hog提取输电线路图像信息数据集图像信息中的预设地面背景特征和预设天空背景特征;
S122:将包含预设地面背景特征的输电线路图像信息组合成地面背景子集,将包含预设天空背景特征的输电线路图像信息组合成天空背景子集。
进一步地,步骤S2包括:
S21:通过SVM分类器对待测试的图像信息进行分析和比对,并选择该待测试图像信息对应的背景模型,
S22:在选择的对应的背景模型中通过Cornernet网络结构对待测试的图像信息进行预设检测和识别,获取当前待测试图像信息中的输电塔和绝缘子特征信息。
进一步地,步骤S22中的Cornernet网络结构包括:输入单元、第一卷积层单元、第一残差单元、第一hourglass module模块、第二卷积单元,激活函数单元,NIN网络单元、第二残差单元、第二hourglass module模块、第三hourglass module模块、第一CornerPooling层单元、第二Corner Pooling 层单元;
所述输入单元将待测试的图像信息传输至第一卷积层单元,所述第一卷积层单元将输入的图像信息尺寸缩小后依次通过第一残差单元、第一hourglass module模块、第二卷积单元,激活函数单元,NIN网络单元、第二残差单元、第二hourglass module模块、第三hourglass module模块对图像信息中的特征进行提取并输出,所述第三hourglass module模块通过第一Corner Pooling 层单元和第二Corner Pooling层单元输出特征图像信息。
进一步地,所述第一Corner Pooling层单元包括第一Heatmaps、第一Embeddings、第一Offsets;所述第二Corner Pooling层单元包括第二 Heatmaps、第二Embeddings、第二Offsets。
一种输电线路的输电塔和绝缘子的检测和识别系统,包括训练模块和测试模块;
所述训练模块,用于建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;
所述测试模块,用于按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过 Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。
进一步地,所述训练模块包括SVM分类器;
所述SVM分类器,用于对待测试的图像信息进行判断和分析,并选择对应的训练模型进行目标特征检测。
进一步地,所述测试模块包括Cornernet网络结构;
所述Cornernet网络结构用于获取待测试图像信息中的预设特征信息。
本发明至少包括以下有益效果:
(1):通过对获取的输电线路的图像信息进行训练,生成地面背景子集模型和天空背景子集模型,并根据生成的地面背景子集模型和天空背景子集模型对待测试图像信息进行检测和识别,使得识别结果更加精确,有较好的检测效果,并且有较强的鲁棒性。
(2):其中输电线路的图像信息数据集建立时,通过图像增强技术对原始图像产生一系列随机变化,产生相似但不同的样本,从而扩大了数据集的规模,也降低了模型对某些属性的依赖性,从而增加了模型的鲁棒性
(3):通过SVM分类器作为图像分离处理,对待测图像进行背景分离,减少了复杂背景干扰,极大地影响检测的准确性。并且图像背景分离可以将复杂背景的训练集通过预处理分成不同的子集,并将其划分为地面背景子集和天空背景子集。
(4):其中本申请采用SVM分类器是一种支持向量机的二分类模型,能够快速正确的划分训练数据集并且求解出几何间隔最大的分离超平面即分类器。其优点是速度快,分类效果好。
(5):本申请中的Cornernet网络结构包括三个hourglass module模块,提高了网络深度,并优化了网络结构,提取到更深层次的信息,提高了目标特征及输电塔和绝缘子提取的准确率。
附图说明
图1为本发明一种输电线路的输电塔和绝缘子的检测和识别的流程框图;
图2为部分输电塔和绝缘子示例图;
图3为输电塔绝缘子标注图;
图4为本发明的Cornernet网络结构图;
图5(a)为本发明实施例中的检测的效果图;
图5(b)为本发明实施例中的检测的效果图;
图5(c)为本发明实施例中的检测的效果图;
图5(d)为本发明实施例中的检测的效果图;
图5(e)为本发明实施例中的检测的效果图;
图5(f)为本发明实施例中的检测的效果图;
图5(g)为本发明实施例中的检测的效果图;
图5(h)为本发明实施例中的检测的效果图;
图5(i)为本发明实施例中的检测的效果图;
图5(j)为本发明实施例中的检测的效果图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
本实施例提供了一种输电线路的输电塔和绝缘子的检测和识别方法,如图1至图5(j)所示,本方法包括:
S1:建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;
S2:按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。
进一步地,步骤S1包括:
S11:采集预设输电线路的图像信息,并根据采集的预设输电线路的图像信息建立输电线路图像信息数据集;
S12:对建立的输电线路图像信息数据集中的图像信息进行背景分离,并根据背景分离后的图像信息建立地面背景子集和天空背景子集;
S13:对地面背景子集和天空背景子集分别训练,生成地面背景子集和天空背景子集对应的SVM分类器,分别用改进的Cornernet网络对两个子集进行训练并得到所述背景模型包括:地面背景模型和天空背景模型。
进一步地,步骤S11包括:
S111:获取无人机采集的输电线路图像信息以及获取人工现场拍摄的输电线路图像信息;
S112:建立输电线路图像信息数据集;
S113:通过预设图像增强技术,对输电线路图像信息按照预设变换方式变换,并保存;
S114:对输电线路图像信息中的输电塔和绝缘子通过预设方框进行标注并保存。
具体的,深度神经网络的检测效果受限于数据集大小。
本实施例通过无人机采集图像和人工现场拍摄方式。建立了5200张图像的数据集,平均大小为4000×3000像素。然后,随机选择4000张作为训练数据集,约占数据集的76%,剩下的1200个作为测试集,约占数据集的24%。
图像增强技术对原始图像产生一系列随机变化,产生相似但不同的样本,从而扩大了数据集的规模,也降低了模型对某些属性的依赖性,从而增加了模型的鲁棒性。
本申请使用的图像增强技术的方法包括平移、缩放、水平翻转、颜色变换等。每张增强图像都是通过对已有图像进行随机组合变换得到的。为了提高模型的识别能力,在数据集中加入了一些未标记的图像(负样本)。同时,这些图像覆盖了不同的光照、拍摄角度、分辨率、检测背景等,满足了样本多样性和针对性的要求。检测算法的鲁棒性是很重要的。输电塔和绝缘子部分示例如图2所示。
为了提高目标检测的准确性,我们分别对输电塔和绝缘子进行了标注。在标注时,仔细选择方框,增强检测的鲁棒性。例如,由于树木的形状与塔相似,很容易被误认为是塔。如图3所示。形状大的虚线框为输电塔的ground-truth,形状小的虚线框为绝缘子ground-truth。
其中上述建立的数据集中,天空背景和地面背景的图像是混合在一起的,即为复杂的背景图像,本申请中通过SVM分类器进行图像背景分离处理。
由于复杂的背景图像在目标检测中的干扰,极大地影响检测的准确性。
本申请通过SVM分类器将图像背景分离可以将复杂背景的训练集通过预处理分成不同的子集,并将其划分为地面背景子集和天空背景子集。
其中本申请采用SVM分类器是一种支持向量机的二分类模型,能够快速正确的划分训练数据集并且求解出几何间隔最大的分离超平面即分类器。其优点是速度快,分类效果好。
本申请中背景分离的具体步骤为:
S121:通过hog提取输电线路图像信息数据集图像信息中的预设地面背景特征和预设天空背景特征;
S122:将包含预设地面背景特征的输电线路图像信息组合成地面背景子集,将包含预设天空背景特征的输电线路图像信息组合成天空背景子集。
进一步地,步骤S2包括:
S21:通过SVM分类器对待测试的图像信息进行分析和比对,并选择该待测试图像信息对应的背景模型,
S22:在选择的对应的背景模型中通过Cornernet网络结构对待测试的图像信息进行预设检测和识别,获取当前待测试图像信息中的输电塔和绝缘子特征信息。
具体的步骤为:
在训练阶段,对训练集进行图像预处理。
手动标记地面背景和天空背景;
通过hog来提取地面和天空的背景特征;通过训练得到SVM分类器。
分别对地面子集和天空子集进行训练,分别用改进的Cornernet网络对两个子集进行训练并得到模型包括:地面背景模型和天空背景模型。
在测试阶段,经过训练的SVM分类器对待测试图像进行判断,选择地面模型或天空模型进行下一阶段的目标检测。
其中获取待测图像的特征信息时,采用的是网络优化后的Cornernet网络结构,其优化步骤包括:
S21:通过SVM分类器对待测试的图像信息进行分析和比对,并选择该待测试图像信息对应的背景模型,
S22:在选择的对应的背景模型中通过Cornernet网络结构对待测试的图像信息进行预设检测和识别,获取当前待测试图像信息中的输电塔和绝缘子特征信息。
其中Cornernet算法整体结构如图4所示。首先是1个7×7的卷积层将输入图像尺寸缩小为原来的1/4(实验中输入图像大小是511×511,缩小后得到128×128大小的输出)。然后经过特征提取网络(backbone)提取特征,该网络采用hourglass network,该网络通过串联多个hourglass module组成,每个hourglass模块都是先通过一系列的降采样操作缩小输入的大小,然后通过上采样恢复到输入图像大小,因此该部分的输出特征图大小还是128×128,整个hourglass network的深度是104层。
本申请中,为了达到更高的精度,Cornernet网络的骨干网络由两个 hourglassmodule模块组成,其深度为104层。目标检测的时间取决于网络的深度。深度层越多,训练模型所需的时间越长,计算量越大。其中还添加了一个沙漏模块,并优化了沙漏模块的网络层数,将其深度更改为52层,如图 4所示。hourglass module后会有两个输出分支模块,分别表示左上角点预测分支和右下角点预测分支,每个分支模块包含一个corner pooling层和3个输出:heatmaps、embedding和offsets。heatmaps是输出预测角点信息。 CornerNet的网络每一层的输入输出信息如表1所示。
表1.CornerNet网络结构输入和输出信息
由于需要大量样本数据训练深度学习网络,需要借助高性能GPU并行运算来提高训练和测试速度,所选用实验开发环境如下:Intel i9-9920X处理器、RTX2080显卡,Linux操作系统下,采用CUDA10.2和cuDNN7.4调用GPU进行训练和测试。
本申请实验设置两个类别,分别为tower、insulator分别代表输电塔、绝缘子,每个类别迭代次数为100000次,两类一共200000次。设置每迭代 5000次生成一个训练模型,共生成了40个训练模型。通过大量的实验,我们从中选择了结果最优的训练模型。
表2.背景分离前后检测效果对比
据表2,本文发现,在相同数据测试集的情况下,混合图片背景(天空背景、地面背景)的检测效果不佳,在天空背景下,准确率上提升7.5%;在地面背景下,准率提升了10.9%。因此,本文的先对图片数据集进行分类处理,再次对天空背景和地面背景图像进行分开训练并得到各自的网络模型的方法是有效的,具有较高的时效性,在召回率和准确率方面是有较大的提升。
表3.不同网络检测效果对比
据表3,本文使用YOLO 3网络模型对输电塔和绝缘子进行检测与识别测试,其准确率为82.0%,对比YOLO v3网络,本文的使用的进行图像背景分类,进而进行输电塔与绝缘子的识别与检测分析的方法在准确率和召回率上均有提升。因此,本文的算法具有较高的准确率和时效性。
表4.不同噪声检测效果对比
据表4,分别使用高斯噪声、椒盐噪声对测试集图片进行恶劣天气环境模拟攻击,本文的网络模型在恶劣天气的影响下,虽检测效果有所影响,但仍有较高的准确率和时效性。
实验中使用1200张输电塔和绝缘子的图片作为测试集用,以验证算法的可靠性。下面选出具有代表性的部分实验结果来分析算法改进的有效性。
其中图5(a)和图5(b)是原CornerNet网络检测效果图,其中会出现一些绝缘子漏检、错检、误检的情况,图5(c)和图5(d)是进行背景分离后的检测效果图,检测的效果明显提升。
图5(e)、图5(f)、图5(g)和图5(h)分别是在天空背景和地面背景下部分检测效果图,通过实验表明,我们的SVM背景分离方法与Cornernet 网络相结合的方法是有效的。图5(i)是高斯噪声干扰测试集来模拟恶劣天气,图5(j)是椒盐噪声干扰测试集来模拟恶劣天气情况的。
本文将CornerNet中的2个hourglass模块替换为由3个hourglass模块并优化了网络结构,提取了更深层次信息。在天空背景下检测准确率提升了 7.5%,在地面背景下检测准确率提升看10.9%。背景分离采用HOG+SVM分类器方法,能够快速进行背景分离任务,进而使用改进CornerNet网络结构完成输电线路的关键部件检测与识别。自建了5200张关于输电塔和绝缘子的数据集。最后,利用得到的网络模型进行模拟测试。实验结果显示,该方法在天空背景下检测精度为88.1%,在地面背景下检测精度92.3%。具有较高的准确率和实时性,并且该算法在恶劣天气测试图像的检测中,具有较好的检测效果,表现出较强的鲁棒性。
实施例二
本实施例提供了一种输电线路的输电塔和绝缘子的检测和识别的系统,如图1和图3所示,本系统包括:
所述训练模块,用于建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;
所述测试模块,用于按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过 Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。
所述训练模块包括SVM分类器;
所述SVM分类器,用于对待测试的图像信息进行判断和分析,并选择对应的训练模型进行目标特征检测。
所述测试模块包括Cornernet网络结构;
所述Cornernet网络结构用于获取待测试图像信息中的预设特征信息。
本申请的输电线路的输电塔和绝缘子的检测和识别系统,主要分为训练模块和测试模块。
在训练模块中,通过无人机拍摄、人工实地拍摄方式建立数据集,接着,利用SVM分类器对建立的数据集进行背景分离处理,分为天空背景子集和地面背景子集,其次是分别利用改进的Cornernet网络架构进行训练,分别得到适用于天空背景检测、地面背景检测的训练模型。
在测试模块中,首先是图片先经过SVM分类器进行图像背景分离处理,其次是进行模型选择阶段,选择天空背景训练后的模型或者选择地面背景训练后的模型,最后得出结果,检测精度高。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,包括步骤:
S1:建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;
S2:按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。
2.根据权利要求1所述的一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,步骤S1包括:
S11:采集预设输电线路的图像信息,并根据采集的预设输电线路的图像信息建立输电线路图像信息数据集;
S12:对建立的输电线路图像信息数据集中的图像信息进行背景分离,并根据背景分离后的图像信息建立地面背景子集和天空背景子集;
S13:对地面背景子集和天空背景子集分别训练,生成地面背景子集和天空背景子集对应的SVM分类器,分别通过Cornernet网络对地面背景子集和天空背景子集进行训练并得到所述背景模型包括:地面背景模型和天空背景模型。
3.根据权利要求2所述的一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,步骤S11包括:
S111:获取无人机采集的输电线路图像信息以及获取人工现场拍摄的输电线路图像信息;
S112:建立输电线路图像信息数据集;
S113:通过预设图像增强技术,对输电线路图像信息按照预设图像处理方式变换,并保存;
S114:对输电线路图像信息中的输电塔和绝缘子通过预设方框进行标注并保存。
4.根据权利要求2所述的一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,步骤S12包括:
S121:通过hog提取输电线路图像信息数据集图像信息中的预设地面背景特征和预设天空背景特征;
S122:将包含预设地面背景特征的输电线路图像信息组合成地面背景子集,将包含预设天空背景特征的输电线路图像信息组合成天空背景子集。
5.根据权利要求2所述的一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,步骤S2包括:
S21:通过SVM分类器对待测试的图像信息进行分析和比对,并选择该待测试图像信息对应的背景模型,
S22:在选择的对应的背景模型中通过Cornernet网络结构对待测试的图像信息进行预设检测和识别,获取当前待测试图像信息中的输电塔和绝缘子特征信息。
6.根据权利要求5所述的一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,步骤S22中的Cornernet网络结构包括:输入单元、第一卷积层单元、第一残差单元、第一hourglass module模块、第二卷积单元,激活函数单元,NIN网络单元、第二残差单元、第二hourglass module模块、第三hourglass module模块、第一Corner Pooling层单元、第二Corner Pooling层单元;
所述输入单元将待测试的图像信息传输至第一卷积层单元,所述第一卷积层单元将输入的图像信息尺寸缩小后依次通过第一残差单元、第一hourglass module模块、第二卷积单元,激活函数单元,NIN网络单元、第二残差单元、第二hourglass module模块、第三hourglass module模块对图像信息中的特征进行提取并输出,所述第三hourglass module模块通过第一Corner Pooling层单元和第二Corner Pooling层单元输出特征图像信息。
7.根据权利要求6所述的一种输电线路的输电塔和绝缘子的检测和识别方法,其特征在于,所述第一Corner Pooling层单元包括第一Heatmaps、第一Embeddings、第一Offsets;所述第二Corner Pooling层单元包括第二Heatmaps、第二Embeddings、第二Offsets。
8.一种输电线路的输电塔和绝缘子的检测和识别系统,其特征在于,包括训练模块和测试模块;
所述训练模块,用于建立输电线路图像信息数据集,通过预设训练架构对建立的输电线路图像信息数据集进行训练,获取输电线路图像信息数据集的训练模型;
所述测试模块,用于按照预设分离方法分离输电线路图像信息数据集,对分离后的输电线路数据分配对应的训练模型,并根据分配的训练模型通过Cornernet网络结构对输电塔和绝缘子进行检测和识别测试。
9.根据权利要求8所述的一种输电线路的输电塔和绝缘子的检测和识别系统,其特征在于,所述训练模块包括SVM分类器;
所述SVM分类器,用于对待测试的图像信息进行判断和分析,并选择对应的训练模型进行目标特征检测。
10.根据权利要求8所述的一种输电线路的输电塔和绝缘子的检测和识别系统,其特征在于,所述测试模块包括Cornernet网络结构;
所述Cornernet网络结构用于获取待测试图像信息中的预设特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333502.1A CN111639530B (zh) | 2020-04-24 | 2020-04-24 | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333502.1A CN111639530B (zh) | 2020-04-24 | 2020-04-24 | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639530A true CN111639530A (zh) | 2020-09-08 |
CN111639530B CN111639530B (zh) | 2023-05-16 |
Family
ID=72328735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010333502.1A Active CN111639530B (zh) | 2020-04-24 | 2020-04-24 | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639530B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233096A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN113327198A (zh) * | 2021-06-04 | 2021-08-31 | 武汉卓目科技有限公司 | 一种远距离双目视频拼接方法及系统 |
CN114581795A (zh) * | 2022-05-06 | 2022-06-03 | 天津航天中为数据系统科技有限公司 | 基于深度学习的杆塔绝缘子检测方法 |
CN116468730A (zh) * | 2023-06-20 | 2023-07-21 | 齐鲁工业大学(山东省科学院) | 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246894A (zh) * | 2013-04-23 | 2013-08-14 | 南京信息工程大学 | 一种解决光照不敏感问题的地基云图识别方法 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106709452A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN108961226A (zh) * | 2018-06-21 | 2018-12-07 | 安徽工业大学 | 一种面向输电线路巡检视频中绝缘子目标跟踪的方法 |
-
2020
- 2020-04-24 CN CN202010333502.1A patent/CN111639530B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246894A (zh) * | 2013-04-23 | 2013-08-14 | 南京信息工程大学 | 一种解决光照不敏感问题的地基云图识别方法 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106709452A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN108961226A (zh) * | 2018-06-21 | 2018-12-07 | 安徽工业大学 | 一种面向输电线路巡检视频中绝缘子目标跟踪的方法 |
Non-Patent Citations (4)
Title |
---|
卢鑫鑫: "基于深度学习的无人机检测算法研究" * |
李丁: "无人机输电线路巡检中图像处理技术的应用研究" * |
钟权: "地空背景下扩展目标稳定跟踪技术研究" * |
雒建卫;姜志国;: "基于背景属性的目标识别" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233096A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN113327198A (zh) * | 2021-06-04 | 2021-08-31 | 武汉卓目科技有限公司 | 一种远距离双目视频拼接方法及系统 |
CN114581795A (zh) * | 2022-05-06 | 2022-06-03 | 天津航天中为数据系统科技有限公司 | 基于深度学习的杆塔绝缘子检测方法 |
CN116468730A (zh) * | 2023-06-20 | 2023-07-21 | 齐鲁工业大学(山东省科学院) | 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法 |
CN116468730B (zh) * | 2023-06-20 | 2023-09-05 | 齐鲁工业大学(山东省科学院) | 基于YOLOv5算法的航拍绝缘子图像缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111639530B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
Chen et al. | Vehicle detection in high-resolution aerial images based on fast sparse representation classification and multiorder feature | |
CN113297915A (zh) | 一种基于无人机巡检的绝缘子识别目标检测方法 | |
CN112837315A (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
Liu et al. | Salient local binary pattern for ground-based cloud classification | |
CN110059539A (zh) | 一种基于图像分割的自然场景文本位置检测方法 | |
CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 | |
CN114743119A (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
CN116206112A (zh) | 基于多尺度特征融合和sam的遥感图像语义分割方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN114494908A (zh) | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 | |
CN114565824B (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
CN116579992A (zh) | 一种用于无人机巡检的小目标螺栓缺陷检测方法 | |
CN115619719A (zh) | 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法 | |
CN116152485A (zh) | 一种高压输电线路烟雾图像检测方法 | |
CN114066937B (zh) | 一种大尺度遥感影像多目标跟踪方法 | |
CN115661932A (zh) | 一种垂钓行为检测方法 | |
CN109409285B (zh) | 基于重叠切片的遥感视频目标检测方法 | |
Liu et al. | Discovering potential illegal construction within building roofs from UAV images using semantic segmentation and object-based change detection | |
CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |