CN111784692A - 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 - Google Patents
一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111784692A CN111784692A CN202010800103.1A CN202010800103A CN111784692A CN 111784692 A CN111784692 A CN 111784692A CN 202010800103 A CN202010800103 A CN 202010800103A CN 111784692 A CN111784692 A CN 111784692A
- Authority
- CN
- China
- Prior art keywords
- insulator
- defect
- identified
- image
- recognized
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 280
- 230000007547 defect Effects 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 45
- 238000007689 inspection Methods 0.000 claims description 24
- 238000013138 pruning Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 9
- 230000002035 prolonged effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/30168—Image quality inspection
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)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种电力系统中绝缘子缺陷的检测方法、装置及电子设备,属于绝缘子缺陷检测技术领域。所述检测方法包括:获取待检测区域的待识别图像;基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷;若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。本申请通过采集图像,对图像进行绝缘子和缺陷的检测,以实现从图像对绝缘子区域以及缺陷处的定位,可以有效准确的对作业场景进行检测,大大减轻了巡检人员负担,并进一步确定绝缘子的类别,并对所述绝缘子进行针对性的维修。
Description
技术领域
本申请涉及绝缘子缺陷检测技术领域,尤其是涉及一种电力系统中绝缘子缺陷的检测方法、装置及电子设备。
背景技术
在电力行业领域,绝缘子是不可或缺的。绝缘子是一种特殊的绝缘控件,在架空输电线路中起着两个基本作用,即支撑导线和防止电流回地,将载流导体与地之间形成良好的绝缘,广泛应用于电力行业。但是在现实生活中,绝缘子常常会因为不同的原因导致不同程度的损坏,如:人为破坏、气候骤冷骤热、受冰雹等击伤击碎和雨雪或雷雨天出现表面放电现象而损坏,在过电压下运行时,由于绝缘强度和机械强度不够,或者绝缘子本身质量欠佳而损坏,出现绝缘子开裂、脱落、破碎和自爆等缺陷。当绝缘子出现破损时,就会损害整条线路的使用和运行寿命,给电力行业造成巨大的损失。因此需要对绝缘子的缺陷进行检测。但是,绝缘子缺陷在图像区域中的面积较小,而且与非缺陷区域相似性较高,因此绝缘子缺陷的检测是一个很困难的问题。
发明内容
有鉴于此,本申请实施例至少提供一种电力系统中绝缘子缺陷的检测方法、装置及电子设备,通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供一种电力系统中绝缘子缺陷的检测方法包括:
获取待检测区域的待识别图像;
基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷;
若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
在一种可能的实施方式中,通过以下步骤获取训练好绝缘子缺陷识别模型:
获取原始图像数据集;
标注所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征,确定绝缘子缺陷数据集;
针对所述绝缘子缺陷数据集进行数据增强处理,得到对应的绝缘子缺陷样本集;
基于所述绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型。
在一种可能的实施方式中,所述基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型,包括:
基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到初始识别模型;
对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型。
在一种可能的实施方式中,所述对所述初始识别模型进行剪枝处理,并对剪枝处理后的所述初始识别模型进行微调,得到训练好的所述绝缘子缺陷识别模型,包括:
针对所述初始识别模型进行稀疏训练;
根据所述稀疏训练的结果,对所述初始识别模型进行剪枝,获取剪枝后的初始识别模型;
微调所述剪枝后的初始识别模型,得到训练好的所述绝缘子缺陷识别模型。
在一种可能的实施方式中,所述基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷,包括:
基于训练好的绝缘子缺陷识别模型,判断所述待识别图像中是否存在识别出的绝缘子,以及所述待识别图像中是否存在识别出的缺陷;
若所述待识别图像中存在识别出的绝缘子和识别出的缺陷,检测所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间的重合度是否满足预设阈值;
若重合度满足预设阈值,确定识别出的绝缘子上存在对应的识别出的缺陷。
第二方面,本申请实施例还提供一种电力系统中绝缘子缺陷的检测装置,所述检测装置包括:
获取模块:用于获取待检测区域的待识别图像;
识别模块:用于基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷;
确定模块:若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
在一种可能实施的方式中,所述检测装置包括模型训练模块,所述模型训练模块用于通过以下步骤获取训练绝缘子缺陷识别模型:
获取原始图像数据集;
标注所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征,确定绝缘子缺陷数据集;
针对所述绝缘子缺陷数据集进行数据增强处理,得到对应的绝缘子缺陷样本集;
基于所述的绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型。
在一种可能实施的方式中,所述模型训练模块具体用于:
基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到初始识别模型;
对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型。
在一种可能实施的方式中,所述模型训练模块具体用于:
根据所述稀疏训练的结果,对所述初始识别模型进行剪枝,获取剪枝后的初始识别模型;
微调所述剪枝后的初始识别模型,得到训练好的所述绝缘子缺陷识别模型。
在一种可能实施的方式中,所述识别模块具体用于:
基于训练好的绝缘子缺陷识别模型,判断所述待识别图像中是否存在识别出的绝缘子,以及所述待识别图像中是否存在识别出的缺陷;
若所述待识别图像中存在识别出的绝缘子和识别出的缺陷,检测所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间的重合度是否满足预设阈值;
若重合度满足预设阈值,确定识别出的绝缘子上存在对应的识别出的缺陷。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述电力系统中绝缘子缺陷的检测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述第一方面或第一方面中任一种可能的实施方式中所述电力系统中绝缘子缺陷的检测方法的步骤。
本申请实施例中,通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种电力系统中绝缘子缺陷的检测方法的流程图;
图2示出了本申请实施例所提供的另一种电力系统中绝缘子缺陷的检测方法的流程图;
图3示出了本申请实施例所提供的一种电力系统中绝缘子缺陷的检测装置的结构示意图;
图4示出了本申请实施例所提供的另一种电力系统中绝缘子缺陷的检测装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
主要元件符号说明:
图中:300-检测装置;310-获取模块;320-识别模块;330-确定模块; 340-模型训练模块;500-电子设备;510-处理器;520-存储器;530-总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“电力系统中绝缘子缺陷的检测”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下所述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行绝缘子缺陷检测的场景,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的缘子缺陷的检测方法及装置的方案均在本申请保护范围内。
值得注意的是,经研究发现,在本申请提出之前,基于现实生活中,绝缘子常常会因为不同的原因导致不同程度的损坏,如:人为破坏、气候骤冷骤热、受冰雹等击伤击碎和雨雪或雷雨天出现表面放电现象而损坏,在过电压下运行时,由于绝缘强度和机械强度不够,或者绝缘子本身质量欠佳而损坏,出现绝缘子开裂、脱落、破碎和自爆等缺陷。当绝缘子出现破损时,就会损害整条线路的使用和运行寿命,给电力行业造成巨大的损失。因此需要对绝缘子的缺陷进行检测。但是,绝缘子缺陷在图像区域中的面积较小,而且与非缺陷区域相似性较高,因此绝缘子缺陷的检测是一个很困难的问题。
针对上述问题,本申请实施例提供了一种电力系统中绝缘子缺陷的检测方法,通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
为便于对本申请进行理解,下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1,图1为本申请实施例所提供的一种电力系统中绝缘子缺陷的检测方法的流程图。如图1中所示,本申请实施例提供的电力系统中绝缘子缺陷的检测方法,包括以下步骤:
S101、获取待检测区域的待识别图像。
在具体实施中,所述待识别图像为人为操控无人机进行采集的。
该步骤中,待检测区域为无人机在正常的行驶路线下,对架空输电线路进行拍摄的区域。
其中,所述无人机的内部安装有边缘设备,边缘设备是向企业或服务提供商核心网络提供入口点的设备,包括如路由器、路由交换机、集成接入设备、多路复用器,以及各种城域网和广域网接入设备。并且所述边缘设备可以支持将一种类型的网络协议转换为另一种类型的网络协议。
S102、基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷。
在具体实施中,训练好的绝缘子缺陷识别模型为,深度学后的改进的神经网络模型,其中,改进的神经网络模型为,在卷积网络模型中对每个卷积层的卷积核中进行增加偏移量改变,以此来改变卷积网络结构的网络模型。因为训练改进的深度学习的卷积网络模型的目的为了检测绝缘子以及绝缘子上是否存在缺陷,因此,经过深度学习的卷积网络模型中的数据集中的数据至少一种的缺陷。
其中,改进后的深度学习的卷积网络模型是基于Yolov4网络模型的基础之上的。而改进深度学习的卷积网络是以最基本的卷积网络为改进切入点,在此基础上引入自动可变形卷对所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在缺陷的特征进行提取,使得深度学习的卷积网络不是完全依赖数据集的多样性,而能够更多的依靠网络的自身机制,进而更好的学习发生形变的目标的特征。
该步骤中,基础的Yolov4网络模型为单阶段的目标检测,是在保证精度的前提下,速度优于两阶段(eg.Faster RCNN)。Yolov4是在CSPDarkNet53 基础上,添加了SPP模块,进而可以提升模型的感受野、分离更重要的上下文信息;同时Yolov4网络模型采用PANet中的不同backbone级的参数汇聚方法替代FPN。
进一步的,在对所述待识别图像进行特征识别时,包括四种情况:
第一:待识别图像中存在绝缘子;第二:待识别图像中不存在绝缘子,第三:待识别图像中存在绝缘子但不存在缺陷;第四:待识别图像中存在绝缘子且所述绝缘子上存在缺陷。
S103、若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
在具体实施中,待识别图像中不存在绝缘子与待识别图像中存在绝缘子但不存在缺陷的处理结构相同,均不在本步骤的考虑范围内。且当本申请检测到始图像中不存在绝缘子这种情况中,控制发出“长时间未检测到绝缘子,请调整无人机位置”的提示。
具体的,若所述待识别图像中识别出绝缘子且所述待识别图像中识别出的绝缘子上存在缺陷,将所述识别出的绝缘子上存在的缺陷放入具有分类作用的神经网络中进行缺陷类别的分类,同时控制发出提醒,具体提醒内容为“当前绝缘子存在XX类型的缺陷”。
其中,市面上有分类作用的神经网络有很多,例如BP神经网络。
本申请实施例提供的电力系统中绝缘子缺陷的检测方法,与现有技术中的绝缘子缺陷的检测方法相比,本申请通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
请参阅图2,图2为本申请实施例所提供的另一种电力系统中绝缘子缺陷的检测方法的流程图。如图2中所示,本申请实施例提供的电力系统中绝缘子缺陷的检测方法,包括以下步骤:
S201、获待检测区域的待识别图像。
S202、获取原始图像数据集。
S203、标注所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征,确定绝缘子缺陷数据集。
在该步骤中,对所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征进行集中的标注,并将标注的特征信息确定为绝缘子缺陷数据集,所述绝缘子缺陷数据集用来对所述原始图像数据集中众多的数据进行初步的提取和筛选,提取出适用于本申请实施例的所述绝缘子特征,以及所述绝缘子的缺陷特征。
S204、针对所述绝缘子缺陷数据集进行数据增强处理,得到对应的绝缘子缺陷样本集。
在具体实施中,由于绝缘子缺陷区域的数据样本不易采集,因此,针对此问题,对采集到的原始图像的绝缘子缺陷数据集进行数据的增强预处理。
其中,图像增强的具体方式为通过imgaug数据增强库对数据进行如旋转、翻转、高斯模糊、明亮度、缩放和浮雕等图像增强处理,增强了网络的鲁棒性。
S205、基于所述绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型。
该步骤中,需要用卷积神经网络来对所述绝缘子缺陷数据集中的一些目标特征进行提取,在本实施例中,需要对所述绝缘子缺陷数据集中的绝缘子特征和所述绝缘子的缺陷特征进行提取,并通过训练所述绝缘子特征以及绝缘子的缺陷特征,进一步确定训练好的绝缘子缺陷识别模型。
S206、基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷。
S207、若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
其中,步骤S201以及步骤S206至步骤S207的描述,可以参考步骤101 至步骤S103的描述,并且可以达到相同技术效果,在此不再赘述。
可选的,所述基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型,包括:
基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到初始识别模型。
在具体实施中,基于卷积神经网络,提取绝缘子以及绝缘子上存在的缺陷这两类目标特征。
下面以3*3卷积核的卷积网络为例,具体卷积过程为:
传统的卷积网络,首先需要从作为所述神经网络输入的所述绝缘子缺陷数据集或所述的两类目标特征上,采取9个位置,组成集合,定义为集合R,所述R代表感受野的大小,具体为:
其中,(-1,-1)代表x(p0)左上方的采样点,(1,1)代表x(p0)右下方的采样点,其他类似。
对于传统卷积神经网络输出特征映射y上的每个p0像素而言,可得:
其中,pn为R中的位置。
而本申请提供的实施例中引入了自动可变形卷积,即在每个所述绝缘子以及每个所述绝缘子上存在的缺陷这两类目标特征pn上增加一个偏移量Δpn,集合R中元素通过偏移量{Δpn|n=1,…,N}变化,其中,公式如下式所示:
因此,采样将发生在具有偏移量的不规则位置pn+Δpn上。
对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型。
在具体实施中,对所述初始识别模型进行剪枝处理是由于yolov4属于大的网络,而本申请的实施例需要高效生成规模更小、内存利用率更高、能耗更低、推断速度更快的绝缘子缺陷识别模型,用来减少运行大型网络所需的资源,以便它们能够在移动设备上实时运行。
可选的,对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型,包括:
针对所述初始识别模型进行稀疏训练。
在具体实施中,稀疏训练具体为:根据初始识别模型中各个通道和各个连接层,训练所述各个通道和所述各个连接层的尺度因子,训练所述各个通道和所述各个连接层的尺度因子的作用是用来了解哪些通道和连接层是重要的。
根据所述稀疏训练的结果,对所述初始识别模型进行剪枝,获取剪枝后的初始识别模型。
在该步骤中,根据对各个通道和各个连接层的尺度因子的训练结果,判断除哪些通道和连接层是不重要的,删除掉不重要的通道和连接层,并将剩余的连接层和通道转换为稀疏图层。
进一步的,训练所述各个通道和所述各个连接层的尺度因子的方式包括:恒定稀疏率系数的方式,全局衰减稀疏系数的方式和局部衰减稀疏系数的方式。
其中,恒定稀疏率系数的训练方式力度比较均匀,且压缩度较高。而在稀疏率的设置中,大的稀疏率s一般稀疏较快但精度掉的快,小的稀疏率s一般稀疏较慢但精度掉的慢。因此,恒定稀疏率系数的训练前期需要配合大学习率来加速稀疏,后期需要配合小的学习率,用来有助于精度回升。
微调所述剪枝后的初始识别模型,得到训练好的所述绝缘子缺陷识别模型。
在该步骤中,由于剪枝后的初始识别模型的精度可能会下降,因此需要对剪枝后的初始识别模型中剩余的通道和连接层进行微调,以便所述剩余的通道和连接层可以补偿已删除的通道和连接层。
可选的,所述基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷,包括:
基于训练好的绝缘子缺陷识别模型,判断所述待识别图像中是否存在识别出的绝缘子,以及所述待识别图像中是否存在识别出的缺陷。
若所述待识别图像中存在识别出的绝缘子和识别出的缺陷,检测所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间的重合度是否满足预设阈值。
在该步骤中,检测所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间的重合度是否满足预设阈值,是为了判断所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间是否满足IOU阈值,防止检测误差,防止将所述待识别图像中当前绝缘子上存在的缺陷误作成其它绝缘子上存在的缺陷,用来进一步提高缺陷确定的精度和准确率。
若重合度满足预设阈值,确定识别出的绝缘子上存在对应的识别出的缺陷。
该步骤中,若所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间满足IOU阈值,说明所述待识别图像中所识别出的缺陷对应的部分图像内容与所识别出的绝缘子对应的部分图像内容重合,且重合度满足预设阈值,可以确定所述待识别图像中所识别出的缺陷为当前所识别出的绝缘子对应的缺陷。
本申请实施例提供的电力系统中绝缘子缺陷的检测方法,与现有技术中的绝缘子缺陷的检测方法相比,本申请通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
基于同一发明构思,本申请实施例中还提供了与电力系统中绝缘子缺陷的检测方法对应的电力系统中绝缘子缺陷的检测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图3以及图4,图3为本申请实施例所提供的一种电力系统中绝缘子缺陷的检测装置的结构示意图之一,图4为本申请实施例所提供的一种电力系统中绝缘子缺陷的检测装置的结构示意图之二,如图3所示,所述绝缘子缺陷的检测装置300包括:
获取模块310:用于获取待检测区域的待识别图像。
识别模块320:用于基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷。
确定模块330:若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
可选的,如图4中所示,在一种可能的实施例中,所述检测装置300 还包括模型训练模块340,所述模型训练模块340用于通过以下步骤训练绝缘子缺陷识别模型:
获取原始图像数据集;
标注所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征,确定绝缘子缺陷数据集;
针对所述绝缘子缺陷数据集进行数据增强处理,得到对应的绝缘子缺陷样本集;
基于所述绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型。
进一步的,所述模型训练模块340具体用于:
基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到初始识别模型;
对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型。
进一步的,所述模型训练模块340具体用于:
针对所述初始识别模型进行稀疏训练;
根据所述稀疏训练的结果,对所述初始识别模型进行剪枝,获取剪枝后的初始识别模型;
微调所述剪枝后的初始识别模型,得到训练好的所述绝缘子缺陷识别模型。
本申请实施例提供的一种电力系统中绝缘子缺陷的检测装置,与现有技术中的绝缘子缺陷的检测装置相比,本申请实施例中,通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
基于同一申请构思,请参阅图5,图5为本申请实施例提供的一种电子设备500的结构示意图,包括:处理器510、存储器520和总线530,所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500 运行时,所述处理器510与所述存储器520之间通过所述总线530进行通信,所述机器可读指令被所述处理器510运行时执行如上述实施例中任一所述的电力系统中绝缘子缺陷的检测方法的步骤。
具体地,所述机器可读指令被所述处理器510执行时可以执行如下处理:
获取采集得到的待检测区域的待识别图像。
获取待检测区域的待识别图像;
基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷;
若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
本申请实施例中,通过采集作业区域的图像,并利用深度学习的方式对待识别图像中绝缘子区域以及缺陷处进行定位,同时对待识别图像中绝缘子的缺陷进行分类,有利于相关工作人员对不同类型的待识别图像中的缺陷进行针对性的处理。在减轻了巡检人员负担的同时保证了其安全,同时可以避免工作环节中的遗漏,可以提高检测效率以及准确性,及时提醒工作人员对待识别图像中存在缺陷的绝缘子进行检修更换,从而提升线路的使用寿命,避免了不必要的损失。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例提供的电力系统中绝缘子缺陷的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
具体地,所述存储介质能够为通用的存储介质,如移动磁盘、硬盘等,所述存储介质上的计算机程序被运行时,能够执行上述电力系统中绝缘子缺陷的检测方法,可以提高电力系统中绝缘子缺陷的检测结果的精度,进而输电线路的使用寿命。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory, RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电力系统中绝缘子缺陷的检测方法,其特征在于,所述检测方法包括:
获取待检测区域的待识别图像;
基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷;
若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
2.根据权利要求1所述的检测方法,其特征在于,通过以下步骤获取训练好绝缘子缺陷识别模型:
获取原始图像数据集;
标注所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征,确定绝缘子缺陷数据集;
针对所述绝缘子缺陷数据集进行数据增强处理,得到对应的绝缘子缺陷样本集;
基于所述绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型。
3.根据权利要求2所述检测方法,其特征在于,所述基于所述绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型,包括:
基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到初始识别模型;
对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型。
4.根据权利要求3所述的检测方法,其特征在于,所述对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型,包括:
针对所述初始识别模型进行稀疏训练;
根据所述稀疏训练的结果,对所述初始识别模型进行剪枝,获取剪枝后的初始识别模型;
微调所述剪枝后的初始识别模型,得到训练好的所述绝缘子缺陷识别模型。
5.根据权利要求1所述的检测方法,其特征在于,所述基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷,包括:
基于训练好的绝缘子缺陷识别模型,判断所述待识别图像中是否存在识别出的绝缘子,以及所述待识别图像中是否存在识别出的缺陷;
若所述待识别图像中存在识别出的绝缘子和识别出的缺陷,检测所述待识别图像中所识别出的缺陷对应的部分图像内容,与所识别出的绝缘子对应的部分图像内容之间的重合度是否满足预设阈值;
若重合度满足预设阈值,确定识别出的绝缘子上存在对应的识别出的缺陷。
6.一种电力系统中绝缘子缺陷的检测装置,其特征在于,所述检测装置包括:
获取模块:用于获取待检测区域的待识别图像;
识别模块:用于基于训练好的绝缘子缺陷识别模型,识别出所述待识别图像中是否存在绝缘子,以及识别出的绝缘子上是否存在对应的识别出的缺陷;
确定模块:若所述待识别图像中识别出的绝缘子上存在对应的识别出的缺陷,确定所述绝缘子缺陷的类型。
7.根据权利要求6所述的检测装置,其特征在于,所述检测装置包括模型训练模块,所述模型训练模块用于通过以下步骤获取训练绝缘子缺陷识别模型:
获取原始图像数据集;
标注所述原始图像数据集中的绝缘子特征,以及所述绝缘子的缺陷特征,确定绝缘子缺陷数据集;
针对所述绝缘子缺陷数据集进行数据增强处理,得到对应的绝缘子缺陷样本集;
基于所述的绝缘子缺陷样本集,对构建好的神经网络模型进行训练,得到训练好的绝缘子缺陷识别模型。
8.根据权利要求7所述的检测装置,其特征在于,所述模型训练模块具体用于:
基于所述绝缘子缺陷数据集,对构建好的神经网络模型进行训练,得到初始识别模型;
对所述初始识别模型进行剪枝处理,并在剪枝处理后进行微调,得到训练好的绝缘子缺陷识别模型。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行如上述的权利要求1至5任一所述的电力系统中绝缘子缺陷的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述的权利要求1至5任一所述的电力系统中绝缘子缺陷的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800103.1A CN111784692B (zh) | 2020-08-11 | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800103.1A CN111784692B (zh) | 2020-08-11 | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784692A true CN111784692A (zh) | 2020-10-16 |
CN111784692B CN111784692B (zh) | 2024-07-02 |
Family
ID=
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
CN112634254A (zh) * | 2020-12-29 | 2021-04-09 | 北京市商汤科技开发有限公司 | 绝缘子缺陷检测方法及相关装置 |
CN112967248A (zh) * | 2021-03-03 | 2021-06-15 | 北京百度网讯科技有限公司 | 生成缺陷图像样本的方法、装置、介质及程序产品 |
CN113313694A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 |
CN113506290A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种线路绝缘子缺陷检测方法及装置 |
CN113763321A (zh) * | 2021-07-29 | 2021-12-07 | 国网江苏省电力有限公司电力科学研究院 | 一种电缆附件主绝缘体施工缺陷检测方法及系统 |
CN115825667A (zh) * | 2022-12-06 | 2023-03-21 | 广州科易光电技术有限公司 | 绝缘子串检测方法、电子设备及存储介质 |
CN116183621A (zh) * | 2022-09-16 | 2023-05-30 | 湖南海电电瓷电器有限公司 | 一种瓷绝缘子质量检测方法及系统 |
CN116402745A (zh) * | 2023-02-09 | 2023-07-07 | 苏州市凯思泰克自动化设备有限公司 | 一种智能化控制pcb分板切割的方法及系统 |
CN116402745B (zh) * | 2023-02-09 | 2024-07-12 | 苏州市凯思泰克自动化设备有限公司 | 一种智能化控制pcb分板切割的方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780444A (zh) * | 2016-12-01 | 2017-05-31 | 广东容祺智能科技有限公司 | 一种绝缘子自动识别分析系统 |
CN109118479A (zh) * | 2018-07-26 | 2019-01-01 | 中睿能源(北京)有限公司 | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
WO2019228063A1 (zh) * | 2018-05-30 | 2019-12-05 | 京东方科技集团股份有限公司 | 商品检测终端、方法、系统以及计算机设备、可读介质 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN110705397A (zh) * | 2019-09-19 | 2020-01-17 | 东南大学 | 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法 |
CN111239550A (zh) * | 2020-02-27 | 2020-06-05 | 东南大学 | 用于巡检的无人机全自动多机协同输电线路故障识别方法 |
CN111311597A (zh) * | 2020-03-27 | 2020-06-19 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与系统 |
CN111340787A (zh) * | 2020-02-28 | 2020-06-26 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780444A (zh) * | 2016-12-01 | 2017-05-31 | 广东容祺智能科技有限公司 | 一种绝缘子自动识别分析系统 |
WO2019228063A1 (zh) * | 2018-05-30 | 2019-12-05 | 京东方科技集团股份有限公司 | 商品检测终端、方法、系统以及计算机设备、可读介质 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN109118479A (zh) * | 2018-07-26 | 2019-01-01 | 中睿能源(北京)有限公司 | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN110705397A (zh) * | 2019-09-19 | 2020-01-17 | 东南大学 | 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN111239550A (zh) * | 2020-02-27 | 2020-06-05 | 东南大学 | 用于巡检的无人机全自动多机协同输电线路故障识别方法 |
CN111340787A (zh) * | 2020-02-28 | 2020-06-26 | 广东电网有限责任公司 | 输电线路的导线缺陷检测识别方法、装置及计算机设备 |
CN111311597A (zh) * | 2020-03-27 | 2020-06-19 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
CN112364715B (zh) * | 2020-10-23 | 2024-05-24 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
CN112634254A (zh) * | 2020-12-29 | 2021-04-09 | 北京市商汤科技开发有限公司 | 绝缘子缺陷检测方法及相关装置 |
CN112967248A (zh) * | 2021-03-03 | 2021-06-15 | 北京百度网讯科技有限公司 | 生成缺陷图像样本的方法、装置、介质及程序产品 |
CN112967248B (zh) * | 2021-03-03 | 2024-01-23 | 北京百度网讯科技有限公司 | 生成缺陷图像样本的方法、装置、介质及程序产品 |
CN113313694A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于轻量型卷积神经网络的表面缺陷快速检测方法 |
CN113506290A (zh) * | 2021-07-29 | 2021-10-15 | 广东电网有限责任公司 | 一种线路绝缘子缺陷检测方法及装置 |
CN113763321A (zh) * | 2021-07-29 | 2021-12-07 | 国网江苏省电力有限公司电力科学研究院 | 一种电缆附件主绝缘体施工缺陷检测方法及系统 |
CN113763321B (zh) * | 2021-07-29 | 2024-05-31 | 国网江苏省电力有限公司电力科学研究院 | 一种电缆附件主绝缘体施工缺陷检测方法及系统 |
CN116183621B (zh) * | 2022-09-16 | 2024-03-08 | 湖南海电电瓷电器有限公司 | 一种瓷绝缘子质量检测方法及系统 |
CN116183621A (zh) * | 2022-09-16 | 2023-05-30 | 湖南海电电瓷电器有限公司 | 一种瓷绝缘子质量检测方法及系统 |
CN115825667A (zh) * | 2022-12-06 | 2023-03-21 | 广州科易光电技术有限公司 | 绝缘子串检测方法、电子设备及存储介质 |
CN115825667B (zh) * | 2022-12-06 | 2023-10-13 | 广州科易光电技术有限公司 | 绝缘子串检测方法、电子设备及存储介质 |
CN116402745A (zh) * | 2023-02-09 | 2023-07-07 | 苏州市凯思泰克自动化设备有限公司 | 一种智能化控制pcb分板切割的方法及系统 |
CN116402745B (zh) * | 2023-02-09 | 2024-07-12 | 苏州市凯思泰克自动化设备有限公司 | 一种智能化控制pcb分板切割的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460995B (zh) | 基于无人机的电力线路巡检方法及巡检系统 | |
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN116110036B (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
CN110910360A (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN105246149B (zh) | 地理位置的识别方法和装置 | |
CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
CN115588021A (zh) | 一种瓷绝缘子及金具无人机红外巡检图像融合分割方法 | |
CN113361462B (zh) | 视频处理和字幕检测模型的方法及装置 | |
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 | |
CN113223011B (zh) | 基于引导网络和全连接条件随机场的小样本图像分割方法 | |
CN113888477A (zh) | 网络模型的训练方法、金属表面缺陷检测方法及电子设备 | |
CN114529894A (zh) | 一种融合空洞卷积的快速场景文本检测方法 | |
CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 | |
CN116704387B (zh) | 一种基于视频结构化的电力线路通道巡检系统和方法 | |
CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 | |
CN111784692B (zh) | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 | |
CN111784692A (zh) | 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备 | |
CN112434730A (zh) | 一种基于GoogleNet的视频图像质量异常分类方法 | |
CN114779031B (zh) | 一种数字化电力设备紫外成像放电异常检测方法及系统 | |
CN115546191A (zh) | 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 | |
CN114821309A (zh) | 一种室内变电站开关及指示灯状态识别方法及系统 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 |
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 | ||
GR01 | Patent grant |