CN111652835A - 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 - Google Patents
基于深度学习与聚类的输电线路绝缘子缺失的检测方法 Download PDFInfo
- Publication number
- CN111652835A CN111652835A CN202010089261.0A CN202010089261A CN111652835A CN 111652835 A CN111652835 A CN 111652835A CN 202010089261 A CN202010089261 A CN 202010089261A CN 111652835 A CN111652835 A CN 111652835A
- Authority
- CN
- China
- Prior art keywords
- insulator
- training
- network
- power transmission
- transmission line
- 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
-
- 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
- G06F18/23—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
- G06F18/24—Classification 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
-
- 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
- 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]
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)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习与聚类的输电线路绝缘子缺失的检测方法,包括下列步骤:制作数据集:将采集的输电线路巡检图像进行预处理,分为训练集、验证集和测试集,对于其中存在绝缘子缺失的区域进行标注;设计初始候选框:选用的训练网络是Faster‑RCNN,设置初始候选框首先应该提取训练集中所有绝缘子缺失目标的尺寸信息,对绝缘子缺失目标的尺寸信息使用K‑means聚类算法进行聚类,来获得绝缘子缺失目标的普遍尺寸,该绝缘子缺失目标类的普遍尺寸信息即设置为网络初始候选框;训练检测模型;测试网络。
Description
技术领域
本发明属于深度学习、电力系统和计算机视觉技术领域,涉及一种基于深度卷积神经网络的输电线路绝缘子缺失的检测方法。
背景技术
绝缘子能在导线、横担及杆塔间起到良好的支撑线路、电气绝缘等作用,是输电线路中重要的组成部分;但是在外部环境中长期的风吹、雨淋以及各种气候变化和高强度的机械运转的作用下,绝缘子极易出现污秽、裂纹、破损等缺陷,对输电系统的稳定运行造成了巨大威胁。因此,在日常的巡检输电线路中,应对绝缘子的状态进行监测,并及时完成故障的诊断。
输电线路架设的区域一般在野外,其地理环境和沿途气象较为复杂,若采用传统的人工巡检则需要工作人员跋山涉水且巡检效率低下,难以满足对输电线路的日常检查维护,给国家和人民造成巨大的经济损失。
采用直升机来巡线输电线路具有高效、可靠、便捷、不受地域影响等优点。在我国线路巡检已经逐步发展为“直升机巡检为主,人工巡检为辅”的巡检方式[1]。这种巡检方式可以大大节省人力成本,提高巡检质量和效率。通过收集直升机、无人机拍摄的巡检图像,对其进行分析判断,可以确定线路存在问题的区域,对后续工作人员的检修维护线路有很大的帮助。
如何对收集到的巡检图像进行目标检测是一个很重要的研究课题,目标检测是很多计算机视觉应用的基础,它结合了目标分类和定位两个任务。传统的目标检测算法是通过人工提取特征,检测效果的好坏与人工选取的特征息息相关[2];从2014年开始,目标检测任务取得了巨大的突破,逐渐由传统方法向深度学习方法转变,特别是Ross B.Girshick教授D的R-CNN,Fast R-CNN,Faster R-CNN这三项里程碑式的工作,都是将神经网络应用在目标检测领域的典型代表,首先是R-CNN将卷积神经网络(Convolutional Neural Network,CNN)应用在目标检测中取得了较大的成就,Fast R-CNN,Faster R-CNN网络则是在之前的基础上进行了改进,在准确率和速度方面有了很大的提升[3]。
使用深度卷积神经网络进行目标检测包括以下几个主要内容,首先创建包含目标的模型训练数据集,用label image工具将图片中与目标相关的信息进行标注;将训练集图像输入到深度学习模型中,通过前向传播,提取目标的特征,并由此获得图像每个候选框的坐标信息以及属于各类别概率。再通过后向传播,利用损失函数计算深度学习模型的损失。为使损失最小化,需要通过梯度下降对偏置和权重进行更新。通过一系列的前向后向传播,不断更新深度学习网络的权重,最后得到一个合适的有针对性的目标检测模型;把测试集图像输入到此模型中,可以进行目标检测并用准确率、召回率等指标评价检测效果。
[1]王淼,杜毅,张忠瑞.无人机辅助巡视及绝缘子缺陷图像识别研究[J].电子测量与仪器学报, 2015,29(12):1862-1869.
[2]刘建友,李宝树,仝卫国.航拍绝缘子图像的提取和识别[J].传感器世界,2010,15(12):22-24.
[3]Elguebaly T,Bouguila N.Finite asymmetric generalized Gaussianmixture models learning for infrared object detection[J].Computer Vision andImage Understanding,2013,117(12):1659-1671.
发明内容
本发明基于深度卷积神经网络,设计了一种对输电线路绝缘子缺失的深度学习检测方法。针对人工巡检绝缘子缺陷费时费力效率低下的缺点,采用深度学习的方法,搭建深度学习目标检测模型,对直升机或无人机拍摄得到的巡检图片进行绝缘子缺失检测,可以减少巡检人员的工作量。其中在搭建目标检测模型的获取初始候选框阶段,不是使用默认的初始候选框,而是使用K-Means算法针对对数据集中绝缘子缺失目标尺寸进行聚类,根据聚类结果确定符合被检绝缘子缺失目标尺寸的初始候选框;本发明能提高模型寻找最佳候选框的速率,以及使检测的绝缘子缺失目标的位置更加精准,进而提高检测准确率,从而巡检人员可以更加高效及时地对输电线路进行维修。技术方案如下:
一种基于深度学习与聚类的输电线路绝缘子缺失的检测方法,包括下列步骤:
(1)制作数据集:将采集的输电线路巡检图像进行预处理,分为训练集、验证集和测试集,对于其中存在绝缘子缺失的区域进行标注。
(2)设计初始候选框:选用的训练网络是Faster-RCNN,设置初始候选框首先应该提取训练集中所有绝缘子缺失目标的尺寸信息,对绝缘子缺失目标的尺寸信息使用K-means聚类算法进行聚类,来获得绝缘子缺失目标的普遍尺寸,该绝缘子缺失目标类的普遍尺寸信息即设置为网络初始候选框;
(3)训练检测模型,包括下列步骤:
1)设置初始的训练和测试参数;
2)将把准备好的训练数据及对应标签输入到Faster-RCNN网络中训练,对整张图片输进CNN网络,得到特征图;卷积特征输入到区域生成网络RPN(Region Proposal Net)中,生成建议框(predicted box)及对应的特征信息;对建议框(predicted box)提取出的特征,使用分类器判别是否属于绝缘子缺失这一类;对于属于绝缘子缺失目标类的建议框(predicted box),用回归器进一步调整其位置;
3)通过使用交叉优化的策略,训练得到一个针对绝缘子缺失的检测模型;
(4)测试网络:把测试数据集输入到已训练好的网络中进行绝缘子缺失检测,通过区域生成网络RPN 网络筛选出要进入后续ROIPooling层的建议框(predicted box),即测试集中潜在的感兴趣的绝缘子缺失目标位置,此步骤中使用聚类算法设置的初始候选框对输出的建议框进行约束;最后对得到的建议框进行非极大值抑制操作,便得到最终的绝缘子缺失目标框。
本发明提出了一种基于深度学习的输电线路绝缘子缺失的检测算法,其中通过提取数据集中绝缘子缺失目标尺寸信息,使用K-means聚类算法获得绝缘子缺失目标普遍的尺寸大小,以此为依据设计网络初始候选框,在此基础上区域生成网络RPN可以更加准确地标定绝缘子缺失目标所在位置,提出建议框,从而提高目标检测的准确性。
附图说明
附图1本发明流程图;
附图2未使用K-means聚类算法时的某绝缘子缺失图像的检测结果图;
附图3使用K-means聚类算法后的某绝缘子缺失图像的检测结果图。
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。
1.制作数据集。将得到的所有巡检图片尺寸大小处理为600×400,并按照3:1:1的比例将其分为训练集、验证集和测试集,对于其中每个数据集中的存在绝缘子缺失的区域进行标注,得到对应的xml文件,数据集制作完成。
2.设计初始候选框。本发明选用的训练网络是Faster-RCNN方法。RPN的作用是筛选出要进入后续 ROIPooling层的建议框(predicted box)。而RPN网络根据设置的初始候选框来对输出的建议框进行一定的约束。设置初始候选框首先应该提取训练集中所有绝缘子缺失目标的尺寸信息,对绝缘子缺失目标的尺寸信息使用K-means聚类算法进行聚类,来获得绝缘子缺失目标的普遍尺寸。该绝缘子缺失目标类的普遍尺寸信息即设置为网络初始候选框,以此在网络训练的过程中能够更加准确的提取和定位出绝缘子缺失目标所在的位置。
本发明使用K-means聚类算法来获得绝缘子缺失目标的普遍尺寸,即计算出针对于绝缘子缺失目标的尺寸初始候选框。基本操作如下:读取数据集中标记的绝缘子缺失目标的尺寸信息,即目标的最大坐标及最小坐标值,由此计算出绝缘子缺失目标的尺寸信息(长和宽)并进行存储。将长宽数据当做一个坐标点,将各坐标点输入到K-means聚类算法中得到绝缘子缺失目标的三个普遍尺寸,此尺寸即设置为网络初始候选框的尺寸,以此在网络训练的过程中能够更加准确的提取和定位出绝缘子缺失目标所在的位置。K-means 算法是一种常见的基于划分的聚类算法,假设一个原始数据集合为(x1,x2,…,xn),并且每个xi为d维向量,K-means聚类的目的就是,在给定分组类数k(k≤n)值的条件下,将原始数据分为k类S={S1,S2,…,Sk},在数值模型上,即对以下表达式求最小值:
这里ui表示分类Si的平均值。在计算机编程中,基本步骤如下:
(1)首先,K-means方法从数据集中随机选择K个数据中心点,每个点代表初始的聚类中心;
(2)计算剩余各个样本到每个聚类中心的距离,将每个样本距离第i个聚类中心的较近的值赋给聚类中心i,由此将所有的样本点初步分成k类;
(3)根据类别内部所有的样本点求均值,重新计算出每个聚类中心的值,对K个聚类中心的每个值进行均值划分,更新K个聚类中心的坐标位置;
(4)重复(2)、(3)步骤,直至K个聚类中心不再变化。
我们根据上述步骤,将所有的样本点按照聚类方法设定分为最可能的三个簇,最后可得三个聚类的质心点,即[60.524,53.929],[22.305,24,996],[41.853,35.873]。三个质心点即为绝缘子缺失目标的三个普遍尺寸,也由此设置出Faster-RCNN网络中最符合的绝缘子缺失目标的初始候选框的长和宽。改变对应的文件(generate_anchors.py与anchor_target_layer.py)中的初始候选框的数据 (generate_anchors(base_size=35,ratios=[0.5,1,2],scales=2**np.arange(4,7))),以此来设置针对于绝缘子缺失尺寸的最佳初始候选框。
3.训练检测模型。选用的是Faster-RCNN方法。在开始训练之前,应将图片和对应的绝缘子缺失标注的xml文件放入指定文件夹,并设置好初始的训练和测试参数,比如修改要检测的类别及其类别数,验证集的数目,迭代次数以及选择网络模型等。在此方法中,将迭代次数固定为7000,选择ZF网络模型进行训练。开始训练时,把整张图片输入到卷积神经网络中,通过层层卷积提取出图片的特征,将特征图输入到RPN网络生成建议框,之后将建议框映射到卷积神经网络的最后一层卷积特征图上,通过RoI池化层使每个RoI生成固定尺寸的特征图,之后进行联合训练,使用交叉优化的策略,得到一个针对绝缘子缺失的检测模型。
4.将测试数据集放入训练好的检测模型中进行绝缘子的缺失检测。通过区域生成网络RPN网络我们可以筛选出要进入后续ROIPooling层的建议框(predicted box),即测试集中潜在的感兴趣的绝缘子缺失目标位置,此步骤中使用了聚类算法设置的初始候选框对输出的建议框进行了精确约束;最后对得到的建议框进行非极大值抑制操作,便得到了最终的绝缘子缺失目标框。这一部分通过matlab程序来实现,最终可以将所有检测到有缺失的图像放入一个自命名的文件夹中,方便工作人员后续对有缺失的图像进行查看和处理。
5.对实验数据进行分析与处理,评价本系统的识别准确度。图2是未使用K-means聚类算法时的某绝缘子缺失图像的检测结果图。图3是使用了K-means聚类算法后的某绝缘子缺失图像的检测结果图。可以看出,建议框的位置更加精确,判断为绝缘子缺失的概率有所增加,进而可以提高检测的准确率。
表1使用K-Means算法前后检测指标对比
测试集共有22张图片,使用K-means聚类算法前后的测试指标如表1所示。
Claims (1)
1.一种基于深度学习与聚类的输电线路绝缘子缺失的检测方法,包括下列步骤:
(1)制作数据集:将采集的输电线路巡检图像进行预处理,分为训练集、验证集和测试集,对于其中存在绝缘子缺失的区域进行标注。
(2)设计初始候选框:选用的训练网络是Faster-RCNN,设置初始候选框首先应该提取训练集中所有绝缘子缺失目标的尺寸信息,对绝缘子缺失目标的尺寸信息使用K-means聚类算法进行聚类,来获得绝缘子缺失目标的普遍尺寸,该绝缘子缺失目标类的普遍尺寸信息即设置为网络初始候选框;
(3)训练检测模型,包括下列步骤:
1)设置初始的训练和测试参数;
2)将把准备好的训练数据及对应标签输入到Faster-RCNN网络中训练,对整张图片输进CNN网络,得到特征图;卷积特征输入到区域生成网络RPN(RegionProposalNet)中,生成建议框(predictedbox)及对应的特征信息;对建议框(predictedbox)提取出的特征,使用分类器判别是否属于绝缘子缺失这一类;对于属于绝缘子缺失目标类的建议框(predictedbox),用回归器进一步调整其位置;
3)通过使用交叉优化的策略,训练得到一个针对绝缘子缺失的检测模型;
(4)测试网络:把测试数据集输入到已训练好的网络中进行绝缘子缺失检测,通过区域生成网络RPN网络筛选出要进入后续ROIPooling层的建议框(predictedbox),即测试集中潜在的感兴趣的绝缘子缺失目标位置,此步骤中使用聚类算法设置的初始候选框对输出的建议框进行约束;最后对得到的建议框进行非极大值抑制操作,便得到最终的绝缘子缺失目标框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089261.0A CN111652835A (zh) | 2020-02-12 | 2020-02-12 | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089261.0A CN111652835A (zh) | 2020-02-12 | 2020-02-12 | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652835A true CN111652835A (zh) | 2020-09-11 |
Family
ID=72347900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089261.0A Pending CN111652835A (zh) | 2020-02-12 | 2020-02-12 | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652835A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及系统 |
CN112907534A (zh) * | 2021-02-18 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于关门车部件位置图像的故障检测方法及装置 |
CN113378918A (zh) * | 2021-06-09 | 2021-09-10 | 武汉大学 | 一种基于度量学习的绝缘子绑扎线状态检测方法 |
CN113435387A (zh) * | 2021-07-08 | 2021-09-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种防鸟刺安装区域不规范的检测方法 |
CN113538412A (zh) * | 2021-08-06 | 2021-10-22 | 广东电网有限责任公司 | 一种航拍图像的绝缘子缺陷检测方法及装置 |
CN114460086A (zh) * | 2021-12-15 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种倾斜耐张绝缘子串的检测方法 |
CN113702786B (zh) * | 2021-09-02 | 2023-09-01 | 华北电力大学 | 一种基于K-means的多参量悬式绝缘子绝缘状态评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
CN109117794A (zh) * | 2018-08-16 | 2019-01-01 | 广东工业大学 | 一种运动目标行为跟踪方法、装置、设备及可读存储介质 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110647906A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 基于Faster R-CNN方法的服饰目标检测方法 |
-
2020
- 2020-02-12 CN CN202010089261.0A patent/CN111652835A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
CN109117794A (zh) * | 2018-08-16 | 2019-01-01 | 广东工业大学 | 一种运动目标行为跟踪方法、装置、设备及可读存储介质 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110647906A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 基于Faster R-CNN方法的服饰目标检测方法 |
Non-Patent Citations (4)
Title |
---|
ZHENBING ZHAO 等: "Insulator Detection Method in Inspection Image Based on Improved Faster R-CNN", 《ENERGIES》 * |
ZHUANGZHUANG ZHOU 等: "Detection of Micro-Defects on Irregular Reflective Surfaces Based on Improved Faster R-CNN", 《SENSORS》 * |
侯春萍 等: "输电线路绝缘子自爆缺陷识别方法", 《电力系统及其自动化学报》 * |
陈丁 等: "基于改进Faster R-CNN 的无人机航拍图像目标检测", 《海洋测绘》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及系统 |
CN112907534A (zh) * | 2021-02-18 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于关门车部件位置图像的故障检测方法及装置 |
CN113378918A (zh) * | 2021-06-09 | 2021-09-10 | 武汉大学 | 一种基于度量学习的绝缘子绑扎线状态检测方法 |
CN113378918B (zh) * | 2021-06-09 | 2022-06-07 | 武汉大学 | 一种基于度量学习的绝缘子绑扎线状态检测方法 |
CN113435387A (zh) * | 2021-07-08 | 2021-09-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种防鸟刺安装区域不规范的检测方法 |
CN113435387B (zh) * | 2021-07-08 | 2024-05-31 | 国网江苏省电力有限公司徐州供电分公司 | 一种防鸟刺安装区域不规范的检测方法 |
CN113538412A (zh) * | 2021-08-06 | 2021-10-22 | 广东电网有限责任公司 | 一种航拍图像的绝缘子缺陷检测方法及装置 |
CN113702786B (zh) * | 2021-09-02 | 2023-09-01 | 华北电力大学 | 一种基于K-means的多参量悬式绝缘子绝缘状态评估方法 |
CN114460086A (zh) * | 2021-12-15 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种倾斜耐张绝缘子串的检测方法 |
CN114460086B (zh) * | 2021-12-15 | 2023-08-15 | 国网河北省电力有限公司电力科学研究院 | 一种倾斜耐张绝缘子串的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN111539355A (zh) | 一种基于深层神经网络的光伏板异物检测系统及检测方法 | |
CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
CN112907614A (zh) | 基于深度特征融合的yolov5-segnet绝缘子串轮廓提取方法 | |
CN115170816A (zh) | 多尺度特征提取系统、方法和风机桨叶缺陷检测方法 | |
CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
CN111241905A (zh) | 基于改进ssd算法的输电线路鸟窝检测方法 | |
CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
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 | |
CN113447902A (zh) | 一种基于机器学习的对海监视雷达目标识别方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN115546735A (zh) | 一种冷却塔结冰检测识别系统、方法和存储介质 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN114111647A (zh) | 一种基于人工智能的绝缘子伞裙破损面积测量方法及测量系统 | |
CN113610191B (zh) | 垃圾分类模型建模方法、垃圾分类方法 | |
CN117131783B (zh) | 基于多模态学习的输电线路风险预测模型、方法和系统 | |
CN116468205B (zh) | 一种机动车环保检测质量监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |