CN111812096A - 一种绝缘子电弧烧伤的快速定位智能图像检测方法 - Google Patents
一种绝缘子电弧烧伤的快速定位智能图像检测方法 Download PDFInfo
- Publication number
- CN111812096A CN111812096A CN202010489541.0A CN202010489541A CN111812096A CN 111812096 A CN111812096 A CN 111812096A CN 202010489541 A CN202010489541 A CN 202010489541A CN 111812096 A CN111812096 A CN 111812096A
- Authority
- CN
- China
- Prior art keywords
- insulator
- area
- analyzed
- picture
- cascade
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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]
-
- 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
Abstract
本发明涉及故障检测技术领域,具体涉及一种绝缘子电弧烧伤的快速定位智能图像检测方法,包括以下步骤:步骤一:建立绝缘子数据集以及绝缘子故障数据集;步骤二:通过有线从无人机将无人机拍摄的图片数据传输到PC端,进入典型缺陷智能分析模块,提供模型进行智能识别出绝缘子图片的待分析区域,建立分析框,人工标记缺陷,获得样本数据;步骤三:构建Cascade R‑CNN网络,使用样本数据训练和测试Cascade R‑CNN网络;步骤四:获得无人机巡视拍摄图片,识别出绝缘子图片的待分析区域,导入步骤三中训练的Cascade R‑CNN网络,获得检测结果。本发明的实质性效果是:提高了对绝缘子电弧烧伤故障检测的准确度。
Description
技术领域
本发明涉及故障检测技术领域,具体涉及一种绝缘子电弧烧伤的快速定位智能图像检测方法。
背景技术
电力系统中的输电线路网络非常复杂,输电线路的可靠性和安全性是应该被电力部门格外重视的。输电线路绝缘子是保证输电线路安全运行的保障,对其进行故障分析和运行检测是保证输电线路安全的重要环节。输电线路绝缘子在运行过程中容易受到温差变化大、雷击、高温等环境因素的影响,会出现老化、雷击闪络、失效绝缘子等问题。因此,对输电线路绝缘子的运行情况进行了解和统计,有助于输电线路的稳定运行。目前,输电线路绝缘子缺少定期故障检查和运行检测环节,绝缘子在输电线路安全运行上存在隐患。那么,对于绝缘子电弧烧伤的检测非常必要和紧要。
现在的主要方法有以下几种:1.火花间隙法。这种方法所用的设备比较简单,而且在操作上的可行度会比较高,在检查的时候可以带电检查。但是也还是存在一定的缺点,这种用方法进行检测时容易受到外在因素的影响,相对而言,它的准确性会受到一定的影响。2.小球放电法。这种方法具有火花间隙法相同的优点,检测的设备也是比较简单的,也可以进行带电检测。它的不足主要是出错机率比较大,在进行调整时需频繁的进行。3.红外热像仪法。主要是依据绝缘子表面的热效应原理,在此原理的基础上进行检测。这种检测方法主要是应用于涂有半导体釉的防污绝缘子上。这种绝缘子如果是在线带电运行,正常绝缘子它的表面所带的电流会很大,温度上升的比较快,而且温度会很高,但是劣质绝缘子的表面的温就会很低,通过用红外热像仪进行检测会比较容易识别。但普通釉的瓷质绝缘子,它的正常绝缘子表面温度和劣质绝缘子的表面温度的相差不大,仅有1℃之差。这种测量方法比较容易受外在环境的影响,因此,如果是气候条件不佳或者是现场环境比较恶劣的情况下,运用这种方法进行检测是很不科学的。4.泄漏电流检测法。通过这种方法进行检测一定离不开电流传感器,通过电流传感器能够对流经绝缘子两端的泄漏电流进行测量,通过这样就可以测量出绝缘子线相关的绝缘电阻值。这种方法也有其自身的优点,它可以对绝缘子实行定量检测。而且还可以准确的确定绝缘子的零值低值,但是也还是存在不足的,它的使用只有是停电的情况下才可以进行检测,所以,它不可以进行带电检测。这是其最大的缺陷,也是与其他的检测方法最大的不同。以上方式详细记载在张弛发表在《科技创业家》的文献《输电线路绝缘子的故障分析及检测方法》中。5.激光多普勒振动法。激光多普勒振动法是利用裂缝的绝缘子与正常绝缘子在振动中心频率的差异进行故障检测,该方法使用超声波器对绝缘子进行处理,绝缘子会发生微小的振动,然后使用激光多普勒振动仅对绝缘子进行检测,得出绝缘子的振动中心频率,根据频率值便可得知绝缘子是否烧伤。这种检测方法不能定位具体烧伤情况,偏离实际情况,会产生比较大的误差。6.超声疗伤法。此方法用于陶瓷绝缘子的检测,其运行原理是:如果输电线路绝缘子出现裂缝,超声波就会进入或直接穿过该故障绝缘子,随后发生反射和折射,通过反射和折射的超声波可以检测出绝缘子的故障问题。超声疗伤法的检测速度慢,成本较高,不能用于输电线路绝缘子性能等级分类,无法对绝缘子部分位置进行检测,这些缺点严重阻碍了该方法的广泛运用。后两种方法记载在高静辉发表在《电力技术》的文献《输电线路绝缘子故障分析与检测方法综述》中。
发明内容
本发明要解决的技术问题是:目前绝缘子电弧烧伤图像检测准确度低的技术问题。提出了一种绝缘子电弧烧伤的快速定位智能图像检测方法。本发明能够对绝缘子电弧烧伤进行快速定位,并实现智能图像识别,这样的检测方法大大的提高了准确度。
为解决上述技术问题,本发明所采取的技术方案为:一种绝缘子电弧烧伤的快速定位智能图像检测方法,包括以下步骤:步骤一:建立绝缘子数据集以及绝缘子故障数据集;步骤二:通过有线从无人机将无人机拍摄的图片数据传输到PC端,进入典型缺陷智能分析模块,提供模型进行智能识别出绝缘子图片的待分析区域,建立分析框,人工标记缺陷,获得样本数据;步骤三:构建Cascade R-CNN网络,使用样本数据训练和测试Cascade R-CNN网络;步骤四:获得无人机巡视拍摄图片,进入典型缺陷智能分析模块,识别出绝缘子图片的待分析区域,将待分析区域导入步骤三中训练的Cascade R-CNN网络,获得检测结果。首先建立绝缘子数据信息,而后再构建绝缘子故障数据集,为后续故障识别做准备,典型缺陷智能分析模块,能够进行数据的智能加强,实现非机构数据向结构化数据的转换,在图片上标记处待分析区域,以便后续步骤提取图片上的相关缺陷信息。
作为优选,步骤二中,识别出绝缘子图片的待分析区域,建立分析框的方法包括:获得具有待分析区域及大目标的绝缘子图片,人工标记待分析区域以及大目标区域,并预建分析框;将人工标记大目标区域,与步骤一中获得的图片数据中标记的大目标区域对齐;人工标记的待分析区域所在区域,即为识别出的待分析区域,在预建分析框所在的区域建立分析框。本优选方案建立的典型缺陷智能分析模块能够快速的对齐图像,并建立分析框,有助于提高故障分析的效率。
作为优选,步骤三中构建的Cascade R-CNN网络包括若干个级联的R-CNN网络,每个级联的R-CNN网络设置不同的IOU阈值。每个级联的R-CNN网络设置的IOU阈值逐级增大,从而对输入的proposal进行优化,使自定义的卷积神经网络在计算精度和效率上进行了提升。
作为优选,步骤三中构建的Cascade R-CNN网络中,使用FPN特征提取获得每层图像的特征图,根据特征图对应的感受野和表达的信息抽象程度融合特征图,获得图像的特征表达。将不同阶段的特征图融合的FPN层,提升了对小目标检测的性能。
作为优选,步骤三中构建的级联的R-CNN网络,包括GAN网络,GAN网络对小目标生成Super-resolved Feature,在步骤四中,将小目标的Super-resolved Feature叠加到图像的相应区域。使用了GAN对小目标生成一个和大目标很相似的Super-resolved Feature,然后把这个Super-resolved Feature叠加在原来的小目标的特征图上,以此增强对小目标特征表达来提升小目标的检测性能。
作为优选,在步骤三中构建的Cascade R-CNN网络包括动态Anchor框密度调整模块,若图像数据中分析框小于预设阈值,则增加Anchor框密度,在分析框内生成多个Anchor框,所述多个Anchor框根据分析框中图像的边界线条密度分布。在数据训练中采用基于数据的特点增加小目标匹配的Anchor框的个数,增加小目标的训练权重,减少网络对大目标的倾斜。增加负责小目标的Anchor的策略来让训练时对小目标的学习更加充分。使Anchor在图中的密度大致相等同时对小目标的Anchor使用比较宽松的匹配策略增强对小目标的敏感度。生成Anchor框的方法包括:提取分析框中图像的边界,按边界和非边界划分将分析框中的图像建立一个二值化的副本,将副本划分方形网格,统计每个方形网格中边界区域面积,将边界区域面积大于第一设定阈值的方形网格作为中心网格,中心网格的数量即为Anchor框的数量,中心网格周围的边界区域面积大于第二设定阈值的方形网格与中心网格一起构成Anchor框的初始范围,Anchor框的初始范围的最小外接矩阵为Anchor框的范围。
作为优选,步骤四中,将无人机巡视拍摄图片导入典型缺陷智能分析模块,典型缺陷智能分析模块分析出待分析区域,将无人机巡视拍摄图片按待分析区域裁剪,将裁剪后的图片导入到步骤三中训练的Cascade R-CNN网络,分别获得每个裁剪区域的故障检测结果。
作为优选,绝缘子数据集包括绝缘子种类,所述绝缘子种类包括玻璃绝缘子、复合绝缘子以及瓷质绝缘子;所述绝缘子故障数据集包括钢帽烧伤、钢帽灼伤、玻璃绝缘片电弧烧伤花纹痕迹、复合绝缘子电弧烧伤白灼伤、复合绝缘子钢帽电弧烧伤、瓷质绝缘子钢帽烧伤白灼伤、瓷质绝缘子片烧伤白灼伤以及表面涂层剥落。
本发明的实质性效果是:通过使用FPN特征提取获得每层图像的特征图,提升了对小目标检测的性能;使用了GAN对小目标生成一个和大目标很相似的Super-resolvedFeature,增强了对小目标特征表达,提升了小目标的检测性能;在数据训练中采用基于数据的特点增加小目标匹配的Anchor框的个数,增加小目标的训练权重,增强对小目标的敏感度,提高了对绝缘子电弧烧伤故障检测的准确度。
附图说明
图1为实施例一绝缘子电弧烧伤图像检测方法流程框图。
图2为实施例一Cascade R-CNN网络示意图。
图3为实施例一FPN特征提取示意图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
实施例一:
一种绝缘子电弧烧伤的快速定位智能图像检测方法,如图1所示,包括以下步骤:步骤一:建立绝缘子数据集以及绝缘子故障数据集。绝缘子数据集包括绝缘子种类,绝缘子种类包括玻璃绝缘子、复合绝缘子以及瓷质绝缘子;绝缘子故障数据集包括钢帽烧伤、钢帽灼伤、玻璃绝缘片电弧烧伤花纹痕迹、复合绝缘子电弧烧伤白灼伤、复合绝缘子钢帽电弧烧伤、瓷质绝缘子钢帽烧伤白灼伤、瓷质绝缘子片烧伤白灼伤以及表面涂层剥落。
步骤二:通过有线从无人机将无人机拍摄的图片数据传输到PC端,进入典型缺陷智能分析模块,提供模型进行智能识别出绝缘子图片的待分析区域,建立分析框,人工标记缺陷,获得样本数据。识别出绝缘子图片的待分析区域,建立分析框的方法包括:获得具有待分析区域及大目标的绝缘子图片,人工标记待分析区域以及大目标区域,并预建分析框;将人工标记大目标区域,与步骤一中获得的图片数据中标记的大目标区域对齐;人工标记的待分析区域所在区域,即为识别出的待分析区域,在预建分析框所在的区域建立分析框。本优选方案建立的典型缺陷智能分析模块能够快速的对齐图像,并建立分析框,有助于提高故障分析的效率。
步骤三:构建Cascade R-CNN网络,使用样本数据训练和测试Cascade R-CNN网络。如图2所示,构建的Cascade R-CNN网络包括若干个级联的R-CNN网络,每个级联的R-CNN网络设置不同的IOU阈值。每个级联的R-CNN网络设置的IOU阈值逐级增大,从而对输入的proposal进行优化,使自定义的卷积神经网络在计算精度和效率上进行了提升。在CascadeR-CNN网络中,使用FPN特征提取获得每层图像的特征图,根据特征图对应的感受野和表达的信息抽象程度融合特征图,获得图像的特征表达。如图3所示,将不同阶段的特征图融合的FPN层,提升了对小目标检测的性能。构建的级联的R-CNN网络,包括GAN网络,GAN网络对小目标生成Super-resolved Feature,在步骤四中,将小目标的Super-resolved Feature叠加到图像的相应区域。使用了GAN对小目标生成一个和大目标很相似的Super-resolvedFeature,然后把这个Super-resolved Feature叠加在原来的小目标的特征图上,以此增强对小目标特征表达来提升小目标的检测性能。
构建的Cascade R-CNN网络包括动态Anchor框密度调整模块,若图像数据中分析框小于预设阈值,则增加Anchor框密度,在分析框内生成多个Anchor框,多个Anchor框根据分析框中图像的边界线条密度分布。在数据训练中采用基于数据的特点增加小目标匹配的Anchor框的个数,增加小目标的训练权重,减少网络对大目标的倾斜。增加负责小目标的Anchor的策略来让训练时对小目标的学习更加充分。使Anchor在图中的密度大致相等同时对小目标的Anchor使用比较宽松的匹配策略增强对小目标的敏感度。生成Anchor框的方法包括:提取分析框中图像的边界,按边界和非边界划分将分析框中的图像建立一个二值化的副本,将副本划分方形网格,统计每个方形网格中边界区域面积,将边界区域面积大于第一设定阈值的方形网格作为中心网格,中心网格的数量即为Anchor框的数量,中心网格周围的边界区域面积大于第二设定阈值的方形网格与中心网格一起构成Anchor框的初始范围,Anchor框的初始范围的最小外接矩阵为Anchor框的范围。
步骤四:获得无人机巡视拍摄图片,进入典型缺陷智能分析模块,识别出绝缘子图片的待分析区域,将待分析区域导入步骤三中训练的Cascade R-CNN网络,获得检测结果。首先建立绝缘子数据信息,而后再构建绝缘子故障数据集,为后续故障识别做准备,典型缺陷智能分析模块,能够进行数据的智能加强,实现非机构数据向结构化数据的转换,在图片上标记处待分析区域,以便后续步骤提取图片上的相关缺陷信息。将无人机巡视拍摄图片导入典型缺陷智能分析模块,典型缺陷智能分析模块分析出待分析区域,将无人机巡视拍摄图片按待分析区域裁剪,将裁剪后的图片导入到步骤三中训练的Cascade R-CNN网络,分别获得每个裁剪区域的故障检测结果。
本实施例的有益效果是:通过使用FPN特征提取获得每层图像的特征图,提升了对小目标检测的性能;使用了GAN对小目标生成一个和大目标很相似的Super-resolvedFeature,增强了对小目标特征表达,提升了小目标的检测性能;在数据训练中采用基于数据的特点增加小目标匹配的Anchor框的个数,增加小目标的训练权重,增强对小目标的敏感度,提高了对绝缘子电弧烧伤故障检测的准确度。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
包括以下步骤:
步骤一:建立绝缘子数据集以及绝缘子故障数据集;
步骤二:通过有线从无人机将无人机拍摄的图片数据传输到PC端,进入典型缺陷智能分析模块,提供模型进行智能识别出绝缘子图片的待分析区域,建立分析框,人工标记缺陷,获得样本数据;
步骤三:构建Cascade R-CNN网络,使用样本数据训练和测试Cascade R-CNN网络;
步骤四:获得无人机巡视拍摄图片,进入典型缺陷智能分析模块,识别出绝缘子图片的待分析区域,将待分析区域导入步骤三中训练的Cascade R-CNN网络,获得检测结果。
2.根据权利要求1所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
步骤二中,识别出绝缘子图片的待分析区域,建立分析框的方法包括:
获得具有待分析区域及大目标的绝缘子图片,人工标记待分析区域以及大目标区域,并预建分析框;
将人工标记大目标区域,与步骤一中获得的图片数据中标记的大目标区域对齐;
人工标记的待分析区域所在区域,即为识别出的待分析区域,在预建分析框所在的区域建立分析框。
3.根据权利要求1或2所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
步骤三中构建的Cascade R-CNN网络包括若干个级联的R-CNN网络,每个级联的R-CNN网络设置不同的IOU阈值。
4.根据权利要求1或2所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
步骤三中构建的Cascade R-CNN网络中,使用FPN特征提取获得每层图像的特征图,根据特征图对应的感受野和表达的信息抽象程度融合特征图,获得图像的特征表达。
5.根据权利要求3所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
步骤三中构建的级联的R-CNN网络,包括GAN网络,GAN网络对小目标生成Super-resolved Feature,在步骤四中,将小目标的Super-resolved Feature叠加到图像的相应区域。
6.根据权利要求1或2所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
在步骤三中构建的Cascade R-CNN网络包括动态Anchor框密度调整模块,若图像数据中分析框小于预设阈值,则增加Anchor框密度,在分析框内生成多个Anchor框,所述多个Anchor框根据分析框中图像的边界线条密度分布。
7.根据权利要求1或2所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
步骤四中,将无人机巡视拍摄图片导入典型缺陷智能分析模块,典型缺陷智能分析模块分析出待分析区域,将无人机巡视拍摄图片按待分析区域裁剪,将裁剪后的图片导入到步骤三中训练的Cascade R-CNN网络,分别获得每个裁剪区域的故障检测结果。
8.根据权利要求1或2所述的一种绝缘子电弧烧伤的快速定位智能图像检测方法,其特征在于,
绝缘子数据集包括绝缘子种类,所述绝缘子种类包括玻璃绝缘子、复合绝缘子以及瓷质绝缘子;
所述绝缘子故障数据集包括钢帽烧伤、钢帽灼伤、玻璃绝缘片电弧烧伤花纹痕迹、复合绝缘子电弧烧伤白灼伤、复合绝缘子钢帽电弧烧伤、瓷质绝缘子钢帽烧伤白灼伤、瓷质绝缘子片烧伤白灼伤以及表面涂层剥落。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489541.0A CN111812096B (zh) | 2020-06-02 | 2020-06-02 | 一种绝缘子电弧烧伤的快速定位智能图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489541.0A CN111812096B (zh) | 2020-06-02 | 2020-06-02 | 一种绝缘子电弧烧伤的快速定位智能图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812096A true CN111812096A (zh) | 2020-10-23 |
CN111812096B CN111812096B (zh) | 2023-07-07 |
Family
ID=72847900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489541.0A Active CN111812096B (zh) | 2020-06-02 | 2020-06-02 | 一种绝缘子电弧烧伤的快速定位智能图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812096B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033556A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 |
CN113052832A (zh) * | 2021-04-19 | 2021-06-29 | 广东电网有限责任公司肇庆供电局 | 一种输电线路的金具锈蚀图像检测方法及装置 |
CN113762384A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种绝缘子图像的缺陷检测方法及装置 |
CN113884497A (zh) * | 2021-09-09 | 2022-01-04 | 上海深视信息科技有限公司 | 一种基于复合光源的fpca飞拍检测方法 |
CN115526874A (zh) * | 2022-10-08 | 2022-12-27 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器控制杆圆销和圆销开口销丢失检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101645722B1 (ko) * | 2015-08-19 | 2016-08-05 | 아이디어주식회사 | 자동추적 기능을 갖는 무인항공기 및 그 제어방법 |
US20170024921A1 (en) * | 2015-07-23 | 2017-01-26 | Disney Enterprises, Inc. | Real-time high-quality facial performance capture |
CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
CN108765279A (zh) * | 2018-03-19 | 2018-11-06 | 北京工业大学 | 一种面向监控场景的行人人脸超分辨率重建方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
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 |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109409374A (zh) * | 2018-10-11 | 2019-03-01 | 东莞市七宝树教育科技有限公司 | 一种基于联合的同批次试卷答案区域切割方法 |
CN110188807A (zh) * | 2019-05-21 | 2019-08-30 | 重庆大学 | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 |
CN111047554A (zh) * | 2019-11-13 | 2020-04-21 | 华南理工大学 | 一种基于实例分割的复合绝缘子过热缺陷检测方法 |
CN111046950A (zh) * | 2019-12-11 | 2020-04-21 | 北京迈格威科技有限公司 | 一种图像处理方法、装置、存储介质和电子装置 |
CN111179262A (zh) * | 2020-01-02 | 2020-05-19 | 国家电网有限公司 | 一种结合形状属性的电力巡检图像金具检测方法 |
-
2020
- 2020-06-02 CN CN202010489541.0A patent/CN111812096B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024921A1 (en) * | 2015-07-23 | 2017-01-26 | Disney Enterprises, Inc. | Real-time high-quality facial performance capture |
KR101645722B1 (ko) * | 2015-08-19 | 2016-08-05 | 아이디어주식회사 | 자동추적 기능을 갖는 무인항공기 및 그 제어방법 |
CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
CN108765279A (zh) * | 2018-03-19 | 2018-11-06 | 北京工业大学 | 一种面向监控场景的行人人脸超分辨率重建方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
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 |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109409374A (zh) * | 2018-10-11 | 2019-03-01 | 东莞市七宝树教育科技有限公司 | 一种基于联合的同批次试卷答案区域切割方法 |
CN110188807A (zh) * | 2019-05-21 | 2019-08-30 | 重庆大学 | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 |
CN111047554A (zh) * | 2019-11-13 | 2020-04-21 | 华南理工大学 | 一种基于实例分割的复合绝缘子过热缺陷检测方法 |
CN111046950A (zh) * | 2019-12-11 | 2020-04-21 | 北京迈格威科技有限公司 | 一种图像处理方法、装置、存储介质和电子装置 |
CN111179262A (zh) * | 2020-01-02 | 2020-05-19 | 国家电网有限公司 | 一种结合形状属性的电力巡检图像金具检测方法 |
Non-Patent Citations (2)
Title |
---|
JIANAN LI 等: "Perceptual Generative Adversarial Networks for Small Object Detection", pages 1951 * |
石书山: "基于深度学习技术的输电线路缺陷智能分析系统研究与应用", vol. 37, no. 6, pages 74 - 75 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033556A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 |
CN113052832A (zh) * | 2021-04-19 | 2021-06-29 | 广东电网有限责任公司肇庆供电局 | 一种输电线路的金具锈蚀图像检测方法及装置 |
CN113762384A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种绝缘子图像的缺陷检测方法及装置 |
CN113884497A (zh) * | 2021-09-09 | 2022-01-04 | 上海深视信息科技有限公司 | 一种基于复合光源的fpca飞拍检测方法 |
CN113884497B (zh) * | 2021-09-09 | 2023-03-14 | 上海深视信息科技有限公司 | 一种基于复合光源的fpca飞拍检测方法 |
CN115526874A (zh) * | 2022-10-08 | 2022-12-27 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器控制杆圆销和圆销开口销丢失检测方法 |
CN115526874B (zh) * | 2022-10-08 | 2023-05-12 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器控制杆圆销和圆销开口销丢失检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111812096B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812096A (zh) | 一种绝缘子电弧烧伤的快速定位智能图像检测方法 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
US11361423B2 (en) | Artificial intelligence-based process and system for visual inspection of infrastructure | |
CN111832398B (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
WO2021082594A1 (zh) | 一种绝缘材料表面的藻类检测方法、装置和设备 | |
CN109389160A (zh) | 基于深度学习的电力绝缘端子缺陷检测方法 | |
CN111986187A (zh) | 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 | |
CN107238610A (zh) | 基于微波波段反射特性的复合绝缘子缺陷无损检测系统 | |
CN102081045B (zh) | 一种基于激光电视全息技术的结构损伤识别方法 | |
CN114724042B (zh) | 一种输电线路中零值绝缘子自动检测方法 | |
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 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
CN116596854A (zh) | 一种设备缺陷的识别方法、装置、设备及介质 | |
CN116476060B (zh) | 基于巡检机器人实现的变电站设备智能运检方法及系统 | |
CN107247059A (zh) | 基于空气热纹影分布的绝缘子故障检测装置及其方法 | |
CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
Tang et al. | Fault diagnosis of the external insulation infrared images based on Mask Region convolutional neural network and perceptual hash joint algorithm | |
CN113033556A (zh) | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 | |
Zan et al. | Defect Identification of Power Line Insulators Based on a MobileViT‐Yolo Deep Learning Algorithm | |
CN112884720A (zh) | 一种配电线路污闪绝缘子检测方法及系统 | |
CN117612047B (zh) | 基于ai大模型的电网用无人机巡检图像识别方法 | |
Lasalvia et al. | Intelligent acoustic detection of defective porcelain station post insulators | |
CN115187151B (zh) | 基于联邦学习的排放可信分析方法及金融信息评价方法 |
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 | ||
GR01 | Patent grant |