CN111815576A - 金属部件腐蚀状况检测方法、装置、设备和存储介质 - Google Patents
金属部件腐蚀状况检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111815576A CN111815576A CN202010579223.3A CN202010579223A CN111815576A CN 111815576 A CN111815576 A CN 111815576A CN 202010579223 A CN202010579223 A CN 202010579223A CN 111815576 A CN111815576 A CN 111815576A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- network
- image
- metal part
- detection
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 269
- 238000005260 corrosion Methods 0.000 title claims abstract description 269
- 239000002184 metal Substances 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 243
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000007689 inspection Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 23
- 230000008030 elimination Effects 0.000 claims description 18
- 238000003379 elimination reaction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本申请涉及一种金属部件腐蚀状况检测方法、装置、设备和存储介质。方法包括:获取变电站巡检设备采集的金属部件图像;获取基于改进的目标检测网络训练的腐蚀检测模型;所述改进的目标检测网络包括特征提取网络和预测网络,所述特征提取网络为特征金字塔网络,所述预测网络为SSD网络;通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果;根据所述检测结果确定金属部件的腐蚀等级;在所述金属部件图像中标注所述腐蚀区域,并显示所述腐蚀等级。采用本方法能够提高对金属部件腐蚀状况检测的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种金属部件腐蚀状况检测方法、装置、设备和存储介质。
背景技术
变电站是连接发电厂和电力用户的关键枢纽,变电站站内设备的运行状态直接影响电网的安全稳定。由于变电站站内设备的金属部件较多,且金属部件的腐蚀会降低金属材料的力学性能、缩短设备的使用寿命,甚至造成火灾、爆炸等灾难性事故。为了保证变电站内设备的安全运行,需要对变电站内设备的金属部件腐蚀状况进行检测,传统的检测方式是操作人员对设备的金属部件进行巡检。
然而,传统的人工巡检方式无法对站内设备的各个金属部件进行全面检测,例如处于视野死角位置的金属部件是无法被检测到的,导致对金属部件腐蚀状况检测的效率较低。
发明内容
基于此,有必要针对金属部件腐蚀状况检测的效率低的技术问题,提供一种金属部件腐蚀状况检测方法、装置、设备和存储介质。
一种金属部件腐蚀状况检测方法,所述方法包括:
获取变电站巡检设备采集的金属部件图像;
获取基于改进的目标检测网络训练的腐蚀检测模型;所述改进的目标检测网络包括特征提取网络和预测网络,所述特征提取网络为特征金字塔网络,所述预测网络为SSD网络;
通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果;
根据所述检测结果确定金属部件的腐蚀等级;
在所述金属部件图像中标注所述腐蚀区域,并显示所述腐蚀等级。
在一个实施例中,所述通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果,包括:
通过所述腐蚀检测模型对所述金属部件图像进行特征提取,得到不同尺寸的部件特征图;
将所述部件特征图进行融合,得到融合后部件特征图;
对所述融合后部件特征图进行检测,得到检测结果。
在一个实施例中,所述对所述融合后部件特征图进行检测,得到检测结果,包括:
对所述融合后部件特征图进行混叠效应消除处理;
对经过所述混叠效应消除处理后的所述融合后部件特征图进行检测,得到检测结果。
在一个实施例中,所述对所述融合后部件特征图进行检测,得到检测结果,包括:
对所述融合后部件特征图进行检测,得到包围腐蚀区域的预测框和所述预测框对应的置信度分数值;
基于所述置信度分数值、采用非极大值抑制算法对所述预测框进行筛选,得到目标预测框;
将所述目标预测框和所述目标预测框对应的置信度分数值作为检测结果。
在一个实施例中,所述获取基于改进的目标检测网络训练的腐蚀检测模型之前,所述方法还包括:
获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像;
通过改进的目标检测网络对所述第一图像和所述第二图像进行训练,得到腐蚀检测模型。
在一个实施例中,所述不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像,包括:
获取包含腐蚀区域的样本金属部件图像;
对所述样本金属部件图像进行采样,得到不同尺寸的采样图像;
将包含腐蚀区域的采样图像确定为第一图像;
将不包含腐蚀区域的采样图像确定为第二图像。
在一个实施例中,所述根据所述检测结果确定对应的腐蚀等级,包括:
根据所述检测结果确定所述金属部件图像中腐蚀区域的面积;
根据所述面积确定对应的腐蚀等级。
一种金属部件腐蚀状况检测装置,装置包括:
金属部件图像获取模块,用于获取变电站巡检设备采集的金属部件图像;
腐蚀检测模型获取模块,用于获取基于改进的目标检测网络训练的腐蚀检测模型;所述改进的目标检测网络包括特征提取网络和预测网络,所述特征提取网络为特征金字塔网络,所述预测网络为SSD网络;
检测模块,用于通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果;
腐蚀等级确定模块,用于根据所述检测结果确定金属部件的腐蚀等级;
腐蚀区域标注模块,用于在所述金属部件图像中标注所述腐蚀区域,并显示所述腐蚀等级。
在一个实施例中,所述检测模块,还用于:
通过所述腐蚀检测模型对所述金属部件图像进行特征提取,得到不同尺寸的部件特征图;
将所述部件特征图进行融合,得到融合后部件特征图;
对所述融合后部件特征图进行检测,得到检测结果。
在一个实施例中,所述检测模块,还用于:
对所述融合后部件特征图进行混叠效应消除处理;
对经过所述混叠效应消除处理后的所述融合后部件特征图进行检测,得到检测结果。
在一个实施例中,所述对检测模块,还用于:
对所述融合后部件特征图进行检测,得到包围腐蚀区域的预测框和所述预测框对应的置信度分数值;
基于所述置信度分数值、采用非极大值抑制算法对所述预测框进行筛选,得到目标预测框;
将所述目标预测框和所述目标预测框对应的置信度分数值作为检测结果。
在一个实施例中,所述装置还包括:
所述金属部件图像获取模块,还用于获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像;
模型训练模块,用于通过改进的目标检测网络对所述第一图像和所述第二图像进行训练,得到腐蚀检测模型。
在一个实施例中,所述金属部件图像获取模块,还用于:
获取包含腐蚀区域的样本金属部件图像;
对所述样本金属部件图像进行采样,得到不同尺寸的采样图像;
将包含腐蚀区域的采样图像确定为第一图像;
将不包含腐蚀区域的采样图像确定为第二图像。
在一个实施例中,所述腐蚀等级确定模块,还用于:
根据所述检测结果确定所述金属部件图像中腐蚀区域的面积;
根据所述面积确定对应的腐蚀等级。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述金属部件腐蚀状况检测方法、装置、设备和存储介质,在获取到变电站巡检设备采集的金属部件图像后,通过基于改进的目标检测网络训练的腐蚀检测模型对金属部件图像进行检测,进而根据检测结果确定对应的腐蚀等级,并在金属部件图像中标注腐蚀区域以及显示腐蚀等级,从而实现对变电站站内设备的金属部件腐蚀状况的精准检测及展示,提高了对金属部件腐蚀状况检测的效率。
附图说明
图1为一个实施例中金属部件腐蚀状况检测方法的应用环境图;
图2为一个实施例中金属部件腐蚀状况检测方法的流程示意图;
图3为一个实施例中变电站巡检设备采集金属部件图像示意图;
图4为一个实施例中改进的目标网络示意图;
图5为一个实施例中特征提取网络ResNet101-FPN示意图;
图6为一个实施例中预测网络SSD网络示意图;
图7为一个实施例中对融合后部件特征图进行检测步骤的流程示意图;
图8为一个实施例中训练腐蚀检测模型步骤的流程示意图;
图9为另一个实施例中金属部件腐蚀状况检测方法的流程示意图;
图10为一个实施例中金属部件图像示意图;
图11为一个实施例中金属部件图像的检测结果示意图;
图12为一个实施例中金属部件腐蚀状况检测装置的结构框图;
图13为一个实施例中计算机设备的内部结构图;
图14为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的金属部件腐蚀状况检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。上述金属部件腐蚀状况检测方法可以执行于终端102或服务器104,以执行于终端102为例,终端102获取变电站巡检设备采集的金属部件图像;获取基于改进的目标检测网络训练的腐蚀检测模型;改进的目标检测网络包括特征提取网络和预测网络,特征提取网络为特征金字塔网络,预测网络为SSD网络;通过腐蚀检测模型对金属部件图像进行检测,得到检测结果;根据检测结果确定金属部件的腐蚀等级;在金属部件图像中标注腐蚀区域,并显示腐蚀等级。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种金属部件腐蚀状况检测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202,获取变电站巡检设备采集的金属部件图像。
其中,变电站巡检设备用于采集变电站内各设备的图像,以便根据该图像检查对应设备的运行状态,变电站巡检设备可以是巡检机器人,也可以是搭载有摄像头的无人机。金属部件图像是变电站巡检设备采集的变电站站内设备的金属部件的图像。
在一个实施例中,如图3所示,变电站巡检设备在日常巡检过程中按照巡检路径运动,在运动到采集点时对变电站站内设备的金属部件进行拍摄,得到金属部件图像,并将金属部件图像传输到终端或服务器,以便终端对金属部件图像进行分析,以确定变电站站内设备的金属部件是否发生腐蚀。其中,巡检路径为根据待巡检的各个变电站站内设备的位置以及各个变电站站内设备的金属部件位置预先设计好的,采集点为在巡检路径上需要变电站巡检设备停止运动以进行图像采集位置。
在一个实施例中,变电站巡检设备按照巡检路径采集金属部件图像时,可以按照各采集点的标识生成对应的金属部件图像的标识,并将所采集的金属部件图像和对应的图像标识发送至终端,以便终端对金属部件图像进行分析,得到分析结果,进而根据分析结果和对应的图像标识确定发生腐蚀的变电站站内设备。
S204,获取基于改进的目标检测网络训练的腐蚀检测模型。
其中,改进的目标检测网络包括特征提取网络和预测网络,特征提取网络为特征金字塔网络(Feature Pyramid Networks,FPN),FPN的主干网络为残差网络(ResidualNetwork,ResNet),预测网络为SSD(Single Shot MultiBox Detector)网络。
ResNet是由残差块(Residual block)构建的,通过残差块之间的跨层连接可以减轻深度神经网络在训练过程中梯度消散的问题。FPN可以将主干网络ResNet所提取的不同层次的特征图进行融合,得到不同层次的有丰富语义信息的特征图,形成特征金字塔。SSD网络可以对原始图像提取不同尺度的特征图,并根据不同尺度的特征图进行目标检测,本申请中使用SSD网络作为预测网络,具体是使用SSD网络对不同层次的有丰富语义信息的特征图分别进行检测,并采用非极大值抑制算法输出检测结果。
腐蚀检测模型为基于该改进的目标检测网络训练所得到的,本申请中所使用的改进的目标检测网络的FPN的主干网络为101层的ResNet,即ResNet101,目标检测网络如图4所示,在特征提取部分,通过ResNet101进行自底而上的前馈计算,可以得到不同尺度的特征图,然后再对所得到的不同尺度的特征图进行自顶而下的特征融合得到不同尺度的融合后部件特征图,然后在对所得到的融合后部件特征图进行卷积以消除混叠效应,并将消除混叠效应的融合后特征作为预测网络SSD网络的输入,从而实现目标检测。其中,混叠效应指取样信号被还原成连续信号时产生彼此交叠而失真的现象,当混叠发生时,原始信号无法从取样信号还原。
在一个实施例中,终端预先基于改进的目标检测网络训练腐蚀检测模型,并对该腐蚀检测模型进行存储,终端在需要对变电站站内设备的金属部件图像进行腐蚀检测时,直接获取该腐蚀检测模型并通过该腐蚀检测模型对金属部件图像进行腐蚀检测。
S206,通过腐蚀检测模型对金属部件图像进行检测,得到检测结果。
其中,检测结果为金属部件图像中存在腐蚀区域或金属部件图像中不存在腐蚀区域,针对检测结果为金属部件图像中存在腐蚀区域的情况,检测结果还包括包围腐蚀区域的目标预测框和目标预测框对应的置信度分数值。
在一个实施例中,通过腐蚀检测模型对金属部件图像进行检测的具体过程为,通过腐蚀检测模型的特征提取网络对金属部件图像进行特征提取,得到金属部件特征图,然后通过腐蚀检测模型的预测网络对所得到的金属部件特征图进行检测,得到检测结果。
S208,根据检测结果确定金属部件的腐蚀等级。
其中,腐蚀等级用于评价金属部件腐蚀的程度,腐蚀等级可以根据腐蚀的面积与金属部件在金属部件图像中的面积比值进行确定的。
在一个实施例中,终端通过腐蚀检测模型对金属部件图像进行检测,得到检测结果之后,根据检测结果确定金属部件图像中腐蚀区域的面积,根据面积确定对应的腐蚀等级。具体地,终端根据检测结果中各个目标预测框的尺寸计算各个目标预测框的面积,并将各个目标预测框的面积之和作为金属部件图像中腐蚀区域的面积,同时获取金属部件图像中金属部件的面积,从而计算出金属部件图像中腐蚀区域的面积与金属部件的面积的比值,然后根据计算出的比值确定对应对的腐蚀等级。例如,比值为η,当0.6≤η时对应的腐蚀等级为一级;0.3≤η<0.6时对应的腐蚀等级为二级,0≤η<0.3时对应的腐蚀等级为三级。
S210,在金属部件图像中标注腐蚀区域,并显示腐蚀等级。
在一个实施例中,终端得到对金属部件图像的检测结果以及确定出对应的腐蚀等级之后,根据所得到的检测结果中的目标检测框的位置在金属部件图像中标注出腐蚀区域,并显示所确定的金属部件腐蚀等级。其中,不同标注颜色对应不同的腐蚀等级,标注的形式可以是根据所确定的腐蚀等级,确定目标检测框的颜色,以将确定颜色后的目标检测框作为包围框在金属部件图像中标注出腐蚀区域。
上述实施例中,终端在获取到变电站巡检设备采集的金属部件图像后,通过基于改进的目标检测网络训练的腐蚀检测模型对金属部件图像进行检测,进而根据检测结果确定对应的腐蚀等级,并在金属部件图像中标注腐蚀区域以及显示腐蚀等级,从而实现对变电站站内设备的金属部件腐蚀状况的精准检测及展示,提高了对金属部件腐蚀状况检测的效率。
在一个实施例中,上述通过腐蚀检测模型对金属部件图像进行检测,得到检测结果的过程具体包括以下步骤:通过腐蚀检测模型的特征提取网络对金属部件图像进行特征提取,得到不同尺寸的部件特征图;将部件特征图进行融合,得到融合后部件特征图,然后通过腐蚀检测模型的预测网络对融合后部件特征图进行检测,得到检测结果。其中,不同尺寸的部件特征图是通过腐蚀检测模型的特征提取网络的不同卷积层进行卷积得到的。
在一个实施例中,终端对融合后部件特征图进行检测,得到检测结果的步骤包括对融合后部件特征图进行混叠效应消除处理,对经过混叠效应消除处理后的融合后部件特征图进行检测,得到检测结果。其中,混叠效应指取样信号被还原成连续信号时产生彼此交叠而失真的现象,当混叠发生时,原始信号无法从取样信号还原。
如图5所示,在残差网络ResNet101的最顶层Res5c之后依次添加4组卷积层Conv2~Conv5,从而可以实现从金属部件图像中提取不同尺度的特征C2、C3、C4和C5,然后利用ResNet101的跨层连接,逐步将高层次(小尺度)的部件特征图与低层次(大尺度)的特征图融合,从而得到包含丰富的语义信息的不同尺度的融合后部件特征图M2、M3、M4和M5,然后通过3×3的卷积层消除融合后部件特征图的混叠效应,得到P2、P3、P4和P5。
上述实施例中,终端通过腐蚀检测模型的特征提取网络对金属部件图像进行特征提取、特征融合,从而得到不同尺度的具有丰富语义信息的融合后部件特征,通过腐蚀检测模型的对各个融合后部件特征进行检测,从而得到准确率更高的检测结果,进而提高了对金属部件腐蚀状况检测的准确率。
在一个实施例中,终端对融合后部件特征图进行检测,得到检测结果,具体可以是将所得的不同尺度的融合后部件特征作为图6所示的SSD网络的输入,通过该SSD网络分别对不同尺度的融合特征图进行检测,并采用非极大值抑制算法输出检测结果。如图7所示,终端对融合后部件特征图进行检测,得到检测结果具体以下步骤:
S702,对融合后部件特征图进行检测,得到包围腐蚀区域的预测框和预测框对应的置信度分数值。
在一个实施例中,终端在得到不同尺度的融合后部件特征图之后,通过腐蚀检测模型的预测网络分别对不同尺度的特征图进行检测,可以分别判断各个预测框所包围的区域是否为腐蚀区域,即判断各个预测框所对应的类别,并通过Softmax层计算该预测框属于对应类别的概率,也称为Softmax分数值或置信度分数值,Softmax分数值的计算公式如下:
其中,Vj表示softmax层的前一层网络输出的向量中的第j个值,Vi表示softmax层的前一层网络输出的向量中的第i个值,Si表示softmax分数值,也即预测框属于softmax层的前一层网络输出的向量中的第i个值所对应类别的概率,Si的取值范围为(0,1)。
S704,基于置信度分数值、采用非极大值抑制算法对预测框进行筛选,得到目标预测框。
在一个实施例中,终端基于不同尺度的融合后部件特征图得到包围腐蚀区域的预测框和预测框对应的置信度分数值之后,采用非极大值抑制算法对预测框进行筛选,得到目标预测框。具体可以先选择一个置信度最大的预测框作为参考框,然后将与该参考框的交并比高于第一阈值的其他预测框进行删除,并将该过程递归应用于其余预测框,最终得到目标预测框。其中,第一阈值可以为0.5,交并比计算公式如下:
其中,A表示参考框,B表示预测框,J(A,B)表示参考框和预测框的交并比。
S706,将目标预测框和目标预测框对应的置信度分数值作为检测结果。
上述实施例中,终端通过对具有丰富语义的融合后部件特征图进行检测,得到包围腐蚀区域的预测框和预测框对应的置信度分数值,基于置信度分数值、采用非极大值抑制算法对预测框进行筛选得到目标预测框,从而可以检测出对不同尺度的腐蚀区域,避免对尺度较小的腐蚀区域检测失败,进而提高了对金属部件腐蚀状况检测的准确率。
在一个实施例中,终端在获取基于改进的目标检测网络训练的腐蚀检测模型之前,训练腐蚀检测模型,如图8所示,具体包括以下步骤:
S802,获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像。
其中,第一图像和第二图像可以是样本金属部件图像,也基于样本金属部件图像生成的图像。
在一个实施例中,终端获取包含腐蚀区域的样本金属部件图像,并对样本金属部件图像进行采样,得到不同尺寸的采样图像,将包含腐蚀区域的采样图像确定为第一图像,将不包含腐蚀区域的采样图像确定为第二图像。其中采样所得的第一图像或第二图像与样本金属部件图像的交并比可以为0.1、0.3、0.5、0.7、0.9等,采样所得的第一图像或第二图像是样本金属部件图像面积的0.1~1倍,宽高比在0.5~2之间。
在一个实施例中,终端在对样本金属部件图像进行采样,得到不同尺寸的采样图像之后,还可以对采用图像进行水平和/或垂直翻转,并将水平和/或垂直翻转后的包含腐蚀区域的采样图像确定为第一图像,将水平和/或垂直翻转后的不包含腐蚀区域的采样图像确定为第二图像。
S804,通过改进的目标检测网络对第一图像和第二图像进行训练,得到腐蚀检测模型。
在一个实施例中,终端在对第一图像和第二图像进行分类标记之后,通过该改进的目标监测网络对第一图像和第二图像进行训练,为了使训练所得的腐蚀检测模型的检测结果更为准确,进行训练的第一图像和第二图像的比例为1:3。
在一个实施例中,终端在进行腐蚀检测模型训练时,将与第一图像中所标注的真实框交并比高于第一阈值的预选框确定为预测框,即将该预选框所包围的区域确定为预测网络的预测目标区域(腐蚀区域),并通过Softmax层计算该预测框属于对应类别的概率。
上述实施例中,终端通过获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像,通过改进的目标检测网络对第一图像和第二图像进行训练,得到针对不同尺度的腐蚀区域均能进行检测的腐蚀检测模型,从而使得当通过该腐蚀检测模型对变电站站内设备的金属部件腐蚀状况进行检测时,得到更加准确的检测结果,进而提高了对金属部件腐蚀状况检测的准确率。
在一个实施例中,如图9所示,还提供了一种金属部件腐蚀状况检测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S902,获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像。
其中,第一图像和第二图像的比例为1:3。
S904,通过改进的目标检测网络对第一图像和第二图像进行训练,得到腐蚀检测模型。
其中,改进的目标检测网络包括特征提取网络和预测网络,特征提取网络为特征金字塔网络,预测网络为SSD网络。
S906,获取变电站巡检设备采集的金属部件图像。
S908,通过腐蚀检测模型的特征提取网络对金属部件图像进行特征提取,得到不同尺寸的部件特征图。
S910,将部件特征图进行融合,得到融合后部件特征图。
S912,对融合后部件特征图进行混叠效应消除处理。
S914,通过腐蚀检测模型的预测网络对经过混叠效应消除处理后的融合后部件特征图进行检测,得到检测结果。
上述实施例中,通过改进的目标检测网络对包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像进行训练,得到腐蚀检测模型,从而在获取到变电站巡检设备采集的金属部件图像时(如图10所示),通过腐蚀检测模型对金属部件图像进行特征提取,得到不同尺寸的部件特征图,并对部件特征图进行融合,得到具有丰富语义的融合后部件特征图,对融合后部件特征图进行混叠效应消除处理,腐蚀检测模型的预测网络对经过混叠效应消除处理后的融合后部件特征图进行检测,得到更加准确的检测结果(如图11所示),提高了对金属部件腐蚀状况检测的准确率。
应该理解的是,虽然图2、7、8和9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、7、8和9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种金属部件腐蚀状况检测装置,包括:金属部件图像获取模块1202、腐蚀检测模型获取模块1204、检测模块1206、腐蚀等级确定模块1208和腐蚀区域标注模块1210,其中:
金属部件图像获取模块1202,用于获取变电站巡检设备采集的金属部件图像;
腐蚀检测模型获取模块1204,用于获取基于改进的目标检测网络训练的腐蚀检测模型;所述改进的目标检测网络包括特征提取网络和预测网络,所述特征提取网络为特征金字塔网络,所述预测网络为SSD网络;
检测模块1206,用于通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果;
腐蚀等级确定模块1208,用于根据所述检测结果确定金属部件的腐蚀等级;
腐蚀区域标注模块1210,用于在所述金属部件图像中标注所述腐蚀区域,并显示所述腐蚀等级。
在一个实施例中,所述腐蚀等级确定模块1208,还用于:
根据所述检测结果确定所述金属部件图像中腐蚀区域的面积;
根据所述面积确定对应的腐蚀等级。
上述实施例中,终端在获取到变电站巡检设备采集的金属部件图像后,通过基于改进的目标检测网络训练的腐蚀检测模型对金属部件图像进行检测,进而根据检测结果确定对应的腐蚀等级,并在金属部件图像中标注腐蚀区域以及显示腐蚀等级,从而实现对变电站站内设备的金属部件腐蚀状况的精准检测及展示,提高了对金属部件腐蚀状况检测的效率。
在一个实施例中,所述检测模块1206,还用于:
通过所述腐蚀检测模型对所述金属部件图像进行特征提取,得到不同尺寸的部件特征图;
将所述部件特征图进行融合,得到融合后部件特征图;
对所述融合后部件特征图进行检测,得到检测结果。
在一个实施例中,所述检测模块1206,还用于:
对所述融合后部件特征图进行混叠效应消除处理;
对经过所述混叠效应消除处理后的所述融合后部件特征图进行检测,得到检测结果。
上述实施例中,终端通过腐蚀检测模型的特征提取网络对金属部件图像进行特征提取、特征融合,从而得到不同尺度的具有丰富语义信息的融合后部件特征,通过腐蚀检测模型的对各个融合后部件特征进行检测,从而得到准确率更高的检测结果,进而提高了对金属部件腐蚀状况检测的准确率。
在一个实施例中,所述对检测模块1206,还用于:
对所述融合后部件特征图进行检测,得到包围腐蚀区域的预测框和所述预测框对应的置信度分数值;
基于所述置信度分数值、采用非极大值抑制算法对所述预测框进行筛选,得到目标预测框;
将所述目标预测框和所述目标预测框对应的置信度分数值作为检测结果。
上述实施例中,终端通过对具有丰富语义的融合后部件特征图进行检测,得到包围腐蚀区域的预测框和预测框对应的置信度分数值,基于置信度分数值、采用非极大值抑制算法对预测框进行筛选得到目标预测框,从而可以检测出对不同尺度的腐蚀区域,避免对尺度较小的腐蚀区域检测失败,进而提高了对金属部件腐蚀状况检测的准确率。
在一个实施例中,所述装置还包括:模型训练模块,其中:
所述金属部件图像获取模块1202,还用于获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像;
模型训练模块,用于通过改进的目标检测网络对所述第一图像和所述第二图像进行训练,得到腐蚀检测模型。
在一个实施例中,所述金属部件图像获取模块1202,还用于:
获取包含腐蚀区域的样本金属部件图像;
对所述样本金属部件图像进行采样,得到不同尺寸的采样图像;
将包含腐蚀区域的采样图像确定为第一图像;
将不包含腐蚀区域的采样图像确定为第二图像。
上述实施例中,终端通过获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像,通过改进的目标检测网络对第一图像和第二图像进行训练,得到针对不同尺度的腐蚀区域均能进行检测的腐蚀检测模型,从而使得当通过该腐蚀检测模型对变电站站内设备的金属部件腐蚀状况进行检测时,得到更加准确的检测结果,进而提高了对金属部件腐蚀状况检测的准确率。
关于金属部件腐蚀状况检测装置的具体限定可以参见上文中对于金属部件腐蚀状况检测方法的限定,在此不再赘述。上述金属部件腐蚀状况检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种金属部件腐蚀状况检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储金属部件图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种金属部件腐蚀状况检测方法。
本领域技术人员可以理解,图12或图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下的步骤:获取变电站巡检设备采集的金属部件图像;获取基于改进的目标检测网络训练的腐蚀检测模型;改进的目标检测网络包括特征提取网络和预测网络,特征提取网络为特征金字塔网络,预测网络为SSD网络;通过腐蚀检测模型对金属部件图像进行检测,得到检测结果;根据检测结果确定金属部件的腐蚀等级;在金属部件图像中标注腐蚀区域,并显示腐蚀等级。
在一个实施例中,计算机程序被处理器执行通过腐蚀检测模型对金属部件图像进行检测,得到检测结果的步骤时,使得处理器具体执行以下步骤:通过腐蚀检测模型对金属部件图像进行特征提取,得到不同尺寸的部件特征图;将部件特征图进行融合,得到融合后部件特征图;对融合后部件特征图进行检测,得到检测结果。
在一个实施例中,计算机程序被处理器执行对融合后部件特征图进行检测,得到检测结果的步骤时,使得处理器具体执行以下步骤:对融合后部件特征图进行混叠效应消除处理;对经过混叠效应消除处理后的融合后部件特征图进行检测,得到检测结果。
在一个实施例中,计算机程序被处理器执行对融合后部件特征图进行检测,得到检测结果的步骤时,使得处理器具体执行以下步骤:对融合后部件特征图进行检测,得到包围腐蚀区域的预测框和预测框对应的置信度分数值;基于置信度分数值、采用非极大值抑制算法对预测框进行筛选,得到目标预测框;将目标预测框和目标预测框对应的置信度分数值作为检测结果。
在一个实施例中,计算机程序被处理器执行获取基于改进的目标检测网络训练的腐蚀检测模型的步骤之前,处理器还执行以下的步骤:获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像;通过改进的目标检测网络对第一图像和第二图像进行训练,得到腐蚀检测模型。
在一个实施例中,计算机程序被处理器执行不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像的步骤时,使得处理器具体执行以下步骤:获取包含腐蚀区域的样本金属部件图像;对样本金属部件图像进行采样,得到不同尺寸的采样图像;将包含腐蚀区域的采样图像确定为第一图像;将不包含腐蚀区域的采样图像确定为第二图像。
在一个实施例中,计算机程序被处理器执行根据检测结果确定对应的腐蚀等级的步骤时,使得处理器具体执行以下步骤:根据检测结果确定金属部件图像中腐蚀区域的面积;根据面积确定对应的腐蚀等级。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下的步骤:获取变电站巡检设备采集的金属部件图像;获取基于改进的目标检测网络训练的腐蚀检测模型;改进的目标检测网络包括特征提取网络和预测网络,特征提取网络为特征金字塔网络,预测网络为SSD网络;通过腐蚀检测模型对金属部件图像进行检测,得到检测结果;根据检测结果确定金属部件的腐蚀等级;在金属部件图像中标注腐蚀区域,并显示腐蚀等级。
在一个实施例中,计算机程序被处理器执行通过腐蚀检测模型对金属部件图像进行检测,得到检测结果的步骤时,使得处理器具体执行以下步骤:通过腐蚀检测模型对金属部件图像进行特征提取,得到不同尺寸的部件特征图;将部件特征图进行融合,得到融合后部件特征图;对融合后部件特征图进行检测,得到检测结果。
在一个实施例中,计算机程序被处理器执行对融合后部件特征图进行检测,得到检测结果的步骤时,使得处理器具体执行以下步骤:对融合后部件特征图进行混叠效应消除处理;对经过混叠效应消除处理后的融合后部件特征图进行检测,得到检测结果。
在一个实施例中,计算机程序被处理器执行对融合后部件特征图进行检测,得到检测结果的步骤时,使得处理器具体执行以下步骤:对融合后部件特征图进行检测,得到包围腐蚀区域的预测框和预测框对应的置信度分数值;基于置信度分数值、采用非极大值抑制算法对预测框进行筛选,得到目标预测框;将目标预测框和目标预测框对应的置信度分数值作为检测结果。
在一个实施例中,计算机程序被处理器执行获取基于改进的目标检测网络训练的腐蚀检测模型的步骤之前,处理器还执行以下的步骤:获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像;通过改进的目标检测网络对第一图像和第二图像进行训练,得到腐蚀检测模型。
在一个实施例中,计算机程序被处理器执行不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像的步骤时,使得处理器具体执行以下步骤:获取包含腐蚀区域的样本金属部件图像;对样本金属部件图像进行采样,得到不同尺寸的采样图像;将包含腐蚀区域的采样图像确定为第一图像;将不包含腐蚀区域的采样图像确定为第二图像。
在一个实施例中,计算机程序被处理器执行根据检测结果确定对应的腐蚀等级的步骤时,使得处理器具体执行以下步骤:根据检测结果确定金属部件图像中腐蚀区域的面积;根据面积确定对应的腐蚀等级。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种金属部件腐蚀状况检测方法,其特征在于,所述方法包括:
获取变电站巡检设备采集的金属部件图像;
获取基于改进的目标检测网络训练的腐蚀检测模型;所述改进的目标检测网络包括特征提取网络和预测网络,所述特征提取网络为特征金字塔网络,所述预测网络为SSD网络;
通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果;
根据所述检测结果确定金属部件的腐蚀等级;
在所述金属部件图像中标注所述腐蚀区域,并显示所述腐蚀等级。
2.根据权利要求1所述的方法,其特征在于,所述通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果,包括:
通过所述腐蚀检测模型对所述金属部件图像进行特征提取,得到不同尺寸的部件特征图;
将所述部件特征图进行融合,得到融合后部件特征图;
对所述融合后部件特征图进行检测,得到检测结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述融合后部件特征图进行检测,得到检测结果,包括:
对所述融合后部件特征图进行混叠效应消除处理;
对经过所述混叠效应消除处理后的所述融合后部件特征图进行检测,得到检测结果。
4.根据权利要求2所述的方法,其特征在于,所述对所述融合后部件特征图进行检测,得到检测结果,包括:
对所述融合后部件特征图进行检测,得到包围腐蚀区域的预测框和所述预测框对应的置信度分数值;
基于所述置信度分数值、采用非极大值抑制算法对所述预测框进行筛选,得到目标预测框;
将所述目标预测框和所述目标预测框对应的置信度分数值作为检测结果。
5.根据权利要求1所述的方法,其特征在于,所述获取基于改进的目标检测网络训练的腐蚀检测模型之前,所述方法还包括:
获取不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像;
通过改进的目标检测网络对所述第一图像和所述第二图像进行训练,得到腐蚀检测模型。
6.根据权利要求5所述的方法,其特征在于,所述不同尺寸的包含腐蚀区域的第一图像和不包含腐蚀区域的第二图像,包括:
获取包含腐蚀区域的样本金属部件图像;
对所述样本金属部件图像进行采样,得到不同尺寸的采样图像;
将包含腐蚀区域的采样图像确定为第一图像;
将不包含腐蚀区域的采样图像确定为第二图像。
7.根据权利要求1所述的方法,其特征在于,所述根据所述检测结果确定对应的腐蚀等级,包括:
根据所述检测结果确定所述金属部件图像中腐蚀区域的面积;
根据所述面积确定对应的腐蚀等级。
8.一种金属部件腐蚀状况检测装置,其特征在于,装置包括:
金属部件图像获取模块,用于获取变电站巡检设备采集的金属部件图像;
腐蚀检测模型获取模块,用于获取基于改进的目标检测网络训练的腐蚀检测模型;所述改进的目标检测网络包括特征提取网络和预测网络,所述特征提取网络为特征金字塔网络,所述预测网络为SSD网络;
检测模块,用于通过所述腐蚀检测模型对所述金属部件图像进行检测,得到检测结果;
腐蚀等级确定模块,用于根据所述检测结果确定金属部件的腐蚀等级;
腐蚀区域标注模块,用于在所述金属部件图像中标注所述腐蚀区域,并显示所述腐蚀等级。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010579223.3A CN111815576B (zh) | 2020-06-23 | 2020-06-23 | 金属部件腐蚀状况检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010579223.3A CN111815576B (zh) | 2020-06-23 | 2020-06-23 | 金属部件腐蚀状况检测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815576A true CN111815576A (zh) | 2020-10-23 |
CN111815576B CN111815576B (zh) | 2024-01-19 |
Family
ID=72846398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010579223.3A Active CN111815576B (zh) | 2020-06-23 | 2020-06-23 | 金属部件腐蚀状况检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815576B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160909A (zh) * | 2021-04-30 | 2021-07-23 | 苏州华碧微科检测技术有限公司 | 一种快速鉴定金属腐蚀失效的方法 |
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 |
CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN110751185A (zh) * | 2019-09-26 | 2020-02-04 | 高新兴科技集团股份有限公司 | 目标检测模型的训练方法和装置 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN111126399A (zh) * | 2019-12-28 | 2020-05-08 | 苏州科达科技股份有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
-
2020
- 2020-06-23 CN CN202010579223.3A patent/CN111815576B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
US20190362490A1 (en) * | 2018-05-25 | 2019-11-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for inspecting corrosion defect of ladle |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN110751185A (zh) * | 2019-09-26 | 2020-02-04 | 高新兴科技集团股份有限公司 | 目标检测模型的训练方法和装置 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN111126399A (zh) * | 2019-12-28 | 2020-05-08 | 苏州科达科技股份有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160909A (zh) * | 2021-04-30 | 2021-07-23 | 苏州华碧微科检测技术有限公司 | 一种快速鉴定金属腐蚀失效的方法 |
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 |
CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111815576B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN111815577B (zh) | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN111339858A (zh) | 一种基于神经网络的油气管道标志物识别方法 | |
CN112183414A (zh) | 一种基于混合空洞卷积的弱监督遥感目标检测方法 | |
CN111429482A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN110766027A (zh) | 图像的区域定位方法和目标区域定位模型的训练方法 | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN109711427A (zh) | 目标检测方法及相关产品 | |
CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN113177472A (zh) | 动态手势识别方法、装置、设备以及存储介质 | |
CN112528974B (zh) | 测距方法、装置、电子设备及可读存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN114037907A (zh) | 输电线路的检测方法、装置、计算机设备、存储介质 | |
CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN115984273A (zh) | 道路病害检测方法、装置、计算机设备及可读存储介质 | |
CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
CN114332457A (zh) | 图像实例分割模型训练、图像实例分割方法和装置 | |
CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN115775386A (zh) | 用户界面组件的识别方法、装置、计算机设备和存储介质 | |
Zan et al. | Defect Identification of Power Line Insulators Based on a MobileViT‐Yolo Deep Learning Algorithm | |
CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
CN111738324B (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 | |
CN117523345B (zh) | 一种目标检测数据平衡方法及装置 |
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 |