CN111855500A - 一种基于深度学习的复合绝缘子老化程度智能检测方法 - Google Patents
一种基于深度学习的复合绝缘子老化程度智能检测方法 Download PDFInfo
- Publication number
- CN111855500A CN111855500A CN202010747964.8A CN202010747964A CN111855500A CN 111855500 A CN111855500 A CN 111855500A CN 202010747964 A CN202010747964 A CN 202010747964A CN 111855500 A CN111855500 A CN 111855500A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- deep learning
- hydrophobicity
- detected
- detection method
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 87
- 239000002131 composite material Substances 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 230000032683 aging Effects 0.000 title claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 27
- 230000002209 hydrophobic effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010304 firing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229910052582 BN Inorganic materials 0.000 description 1
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的复合绝缘子老化程度智能检测方法,包括:获得无人机采集的待检测复合绝缘子憎水性图像;利用YOLOv3‑tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标,将复合绝缘子伞裙外接矩形水迹区域输入到插入CBAM卷积注意力机制模块的VGG‑16网络模型中进行水迹类型判别,得到该待检测复合绝缘子的憎水性等级。本发明提供的基于深度学习的复合绝缘子老化程度智能检测方法,基于深度学习算法,对无人机采集图像进行复合绝缘子憎水性等级的自动判定,提高检测效率和准确性。
Description
技术领域
本发明涉及复合绝缘子憎水性检测技术领域,特别是涉及一种基于深度学习的复合绝缘子老化程度智能检测方法。
背景技术
为提高输电线路的安全稳定性,需对复合绝缘子的憎水性进行定期检测,及时将严重老化的绝缘子退出运行。目前评判绝缘子的憎水性的传统方法主要有:静态接触角法、表面张力法和喷水分级法。静态接触角法对实验环境的要求比较严格,只能在实验室条件下进行检测。表面张力法采用的液体对人体有害,限制了其在绝缘子憎水性等级评判中的应用,喷水分级法应用最为广泛。但是喷水分级法需要耗费大量人力、物力和时间将绝缘子从输电杆塔上取下再进行喷水检测,且检测结果受人为主观意识及经验等因素影响较大,因操作人员不同而存在一定的差异。
复合绝缘子憎水性人工巡检方法存在低效和时滞的缺陷,无法满足电力系统对高效性和智能化的要求。为提高输电线路巡检效率,越来越多的线路巡检单位开始使用无人机进行巡线,然后通过无人机拍摄的复合绝缘子憎水性图像实现计算机自动判别其憎水性等级。目前,已有许多传统识别方法应用于判断复合绝缘子憎水性等级,如BP神经网络、SVM等,通过人为提取图片特征来达到分类和识别的目的,而选取特征的好坏就直接影响模型的实用性和准确性。绝缘子状态、覆水量多少、拍摄条件等差别都会模型分析造成很大影响。而深度学习方法释放了人工特征设计的环节,有利于提高憎水性检测的智能化程度。深度学习模型结合特征提取和分类器形成一个框架,利用大量数据去学习特征,进而能够更好地表示数据的特征。
发明内容
本发明的目的是提供一种基于深度学习的复合绝缘子老化程度智能检测方法,基于深度学习算法,对无人机采集图像进行复合绝缘子憎水性等级的自动判定,可以实现复合绝缘子在线带电检测,大大提高了复合绝缘子憎水性检测的工作效率和准确性。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的复合绝缘子老化程度智能检测方法,该方法包括以下步骤:
获得无人机采集的待检测复合绝缘子憎水性图像;
利用YOLOv3-tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标,其中,利用CBAM卷积注意力机制,将注意力集中到对网络输出结果起到作用的通道特征和位置信息;
将复合绝缘子伞裙外接矩形水迹区域输入到VGG-16网络模型中进行水迹类型判别,得到该待检测复合绝缘子的憎水性等级。
可选的,所述利用YOLOv3-tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标,具体包括:
在YOLOv3-tiny模型训练时,导入的训练集只标记大伞裙,模型生成大伞裙的外接矩形框;
对存在多个大伞裙的待检测复合绝缘子憎水性图像,选取长宽比最小的外接矩形框的坐标信息。
可选的,所述利用CBAM卷积注意力机制,将注意力集中到对网络输出结果起到作用的通道特征和位置信息,具体包括:
当输入F作为input feature map时,CBAM主要对其进行以下两个运算:
其中,等号右边的操作符表示的是element-wise的点乘,Mc表示在channel维度上做attention提取的操作,Ms表示的是在spatial维度上做attention提取的操作;
在Channel attention module中,对输入feature map进行spatial维度压缩时,通过average pooling和max pooling两个pooling函数以后总共得到两个一维矢量;global average pooling对feature map上的每一个像素点都有反馈,而global maxpooling在进行梯度反向传播计算只有feature map中响应最大的地方有梯度的反馈,作为GAP的一个补充;
在Spatial attention module中使用average pooling和max pooling对输入feature map进行通道层面的压缩操作,对输入特征分别在通道维度上做mean 和max操作,最后得到两个二维的feature,将其按通道维度拼接在一起得到一个通道数为2的featuremap,使用一个包含单个卷积核的隐藏层对其进行卷积操作,最后得到的feature在spatial维度上与输入的feature map一致,用以下公式表示:
可选的,所述将复合绝缘子伞裙外接矩形水迹区域输入到VGG-16网络模型中进行水迹类型判别,得到该待检测复合绝缘子的憎水性等级,具体包括:
根据复合绝缘子憎水性等级HC1-HC7的标准图像对复合绝缘子被喷水后的图像数据集进行分类标注,对VGG-16网络进行训练,使其按照HC分级判别标准分类不同的憎水性等级下的水迹。
可选的,所述YOLOv3-tiny算法模型是基于YOLOv3算法的一个轻量化目标检测网络,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。
可选的,所述VGG-16网络模型采用13个卷积层和3个全连接层,卷积核大小为3×3,池化核大小为2×2。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于深度学习的复合绝缘子老化程度智能检测方法,利用深度学习算法的神经网络模型进行憎水性等级判定,实现复合绝缘子憎水性测量的带电检测,节省了传统方法中需要人工识别的步骤,减少工作量的同时,大大提高效率和准确度;基于深度学习的图像分割和故障诊断方法,具有很大的实用性,可适应复杂的现场环境,极大减少了误检情况,为现场运维人员提供很大的便利,可以大大提高电力巡检效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于深度学习的复合绝缘子老化程度智能检测方法的流程图;
图2为伞裙外接矩形示意图;
图3为CBAM模块的示意图;
图4为HC1-HC7的标准图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的复合绝缘子老化程度智能检测方法,基于深度学习算法,对无人机采集图像进行复合绝缘子憎水性等级的自动判定,可以实现复合绝缘子在线带电检测,大大提高了复合绝缘子憎水性检测的工作效率和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的基于深度学习的复合绝缘子老化程度智能检测方法,包括:
获得无人机采集的待检测复合绝缘子憎水性图像;
利用YOLOv3-tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标。
将复合绝缘子伞裙外接矩形水迹区域输入到VGG-16网络模型中进行水迹类型判别,其中VGG-16网络模型中集成了CBAM卷积注意力机制模块,通过学习的方式自动获取每个特征通道的重要程度,自动获取每个特征空间的重要程度,利用得到的重要程度来提升特征并抑制对憎水性诊断任务不重要的特征,从而提高VGG-16网络模型对待检测复合绝缘子的憎水性等级诊断的准确率。
其中,如图2所示,所述利用YOLOv3-tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标,具体包括:
在YOLOv3-tiny模型训练时,导入的训练集只标记大伞裙,模型生成大伞裙的外接矩形框;能够保证有效水迹区域;
对存在多个大伞裙的待检测复合绝缘子憎水性图像,选取长宽比最小的外接矩形框的坐标信息。
这是因为矩形识别框长宽比越小可视面积越大,当输入原始复合绝缘子图片中存在多个大伞裙时,为使检测区域最大并保证检测效果,只保留长宽比最小的矩形识别框的坐标信息。
采用CBAM注意力模块使VGG-16网络关注重点信息,即对网络最终输出结果的通道特征和位置信息。CBAM是一个轻量级的通用模块,如图3所示。
所述利用CBAM卷积注意力机制具体包括:
当输入F作为input feature map时,CBAM主要对其进行以下两个运算:
其中,等号右边的操作符表示的是element-wise的点乘,Mc表示在channel维度上做attention提取的操作,Ms表示的是在spatial维度上做attention提取的操作;
在Channel attention module中,对输入feature map进行spatial维度压缩时,通过average pooling和max pooling两个pooling函数以后总共得到两个一维矢量;global average pooling对feature map上的每一个像素点都有反馈,而global maxpooling在进行梯度反向传播计算只有feature map中响应最大的地方有梯度的反馈,作为GAP的一个补充;
在Spatial attention module中使用average pooling和max pooling对输入feature map进行通道层面的压缩操作,对输入特征分别在通道维度上做mean和max操作,最后得到两个二维的feature,将其按通道维度拼接在一起得到一个通道数为2的featuremap,使用一个包含单个卷积核的隐藏层对其进行卷积操作,最后得到的feature在spatial维度上与输入的feature map一致,用以下公式表示:
所述将复合绝缘子伞裙外接矩形水迹区域输入到VGG-16网络模型中进行水迹类型判别,得到该待检测复合绝缘子的憎水性等级,具体包括:
根据复合绝缘子憎水性等级HC1-HC7的标准图像对复合绝缘子被喷水后的图像数据集进行分类标注,对VGG-16网络进行训练,使其按照HC分级判别标准分类不同的憎水性等级下的水迹。
如图4所示,等级HC1:只有分离的水珠,大部分水珠的状态、大小及分布应与标准的等级HC1憎水性图像基本一致;HC2:只有分离的水珠,大部分水珠的状态、大小及分布应与标准的等级HC2憎水性图像基本一致;HC3:只有分离的水珠,水珠一般不再是圆形,大部分水珠的状态、大小及分布应与标准的等级HC3憎水性图像基本一致;HC4:同时存在分离的水珠与水带,完全湿润的水带面积小于2cm2,水带总面积小于被测面积的90%;HC5:一些完全湿润的水带面积大于2cm2,水带总面积小于被测面积的90%;HC6:完全湿润总面积大于90%,仍存在少量干燥区域(或点、带);HC7:整个被试验区域形成连续的水膜。
所述YOLOv3-tiny算法模型是基于YOLOv3算法的一个轻量化目标检测网络,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。网络层数少、参数量少,在一般的嵌入式平台上可以基本保证实时运算。它的网络结构如表1所示。
表1
所述VGG-16网络模型采用13个卷积层和3个全连接层,卷积核大小为3×3,池化核大小为2×2。所述的VGG-16网络的结构如表2所示。
表2
其中卷积层实现通道数的增加;池化层降低特征图尺寸并且提高网络抗干扰能力;卷积层输出的特征图需要进行维度和尺寸变换操作,才能送入全连接层,最后一个全连接层输出的特征数量为7,代表其功能为7分类。
采用3×3的卷积核,3×3是最小的能够捕获像素八邻域信息的尺寸,小尺寸卷积层的堆叠替代大尺寸卷积层,并且感受野大小不变,多个3×3的卷积层比一个大尺寸filter卷积层有更多层的非线性函数,使得判决函数更加具有判决性,多个3×3的卷积层比一个大尺寸的filter有更少的参数。
本发明提供的基于深度学习的复合绝缘子老化程度智能检测方法,利用深度学习算法的神经网络模型进行憎水性等级判定,实现复合绝缘子憎水性测量的带电检测,节省了传统方法中需要人工识别的步骤,减少工作量的同时,大大提高效率和准确度;基于深度学习的图像分割和故障诊断方法,具有很大的实用性,可适应复杂的现场环境,极大减少了误检情况,为现场运维人员提供很大的便利,可以大大提高电力巡检效率。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于深度学习的复合绝缘子老化程度智能检测方法,其特征在于,包括以下步骤:
获得无人机采集的待检测复合绝缘子憎水性图像;
利用YOLOv3-tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标,其中,利用CBAM卷积注意力机制,将注意力集中到对网络输出结果起到作用的通道特征和位置信息;
将复合绝缘子伞裙外接矩形水迹区域输入到VGG-16网络模型中进行水迹类型判别,得到该待检测复合绝缘子的憎水性等级。
2.根据权利要求1所述的基于深度学习的复合绝缘子老化程度智能检测方法,其特征在于,所述利用YOLOv3-tiny算法模型在待检测复合绝缘子憎水性图像上进行复合绝缘子伞裙的识别,得到复合绝缘子伞裙外接矩形的位置坐标,具体包括:
在YOLOv3-tiny模型训练时,导入的训练集只标记大伞裙,模型生成大伞裙的外接矩形框;
对存在多个大伞裙的待检测复合绝缘子憎水性图像,选取长宽比最小的外接矩形框的坐标信息。
3.根据权利要求1所述的基于深度学习的复合绝缘子老化程度智能检测方法,其特征在于,所述利用CBAM卷积注意力机制,将注意力集中到对网络输出结果起到作用的通道特征和位置信息,具体包括:
当输入F作为input feature map时,CBAM主要对其进行以下两个运算:
其中,等号右边的操作符表示的是element-wise的点乘,Mc表示在channel维度上做attention提取的操作,Ms表示的是在spatial维度上做attention提取的操作;
在Channel attentionmodule中,对输入feature map进行spatial维度压缩时,通过average pooling和max pooling两个pooling函数以后总共得到两个一维矢量;globalaverage pooling对feature map上的每一个像素点都有反馈,而global max pooling在进行梯度反向传播计算只有feature map中响应最大的地方有梯度的反馈,作为GAP的一个补充;
在Spatial attentionmodule中使用average pooling和max pooling对输入featuremap进行通道层面的压缩操作,对输入特征分别在通道维度上做mean和max操作,最后得到两个二维的feature,将其按通道维度拼接在一起得到一个通道数为2的feature map,使用一个包含单个卷积核的隐藏层对其进行卷积操作,最后得到的feature在spatial维度上与输入的feature map一致,用以下公式表示:
4.根据权利要求1所述的基于深度学习的复合绝缘子老化程度智能检测方法,其特征在于,所述将复合绝缘子伞裙外接矩形水迹区域输入到VGG-16网络模型中进行水迹类型判别,得到该待检测复合绝缘子的憎水性等级,具体包括:
根据复合绝缘子憎水性等级HC1-HC7的标准图像对复合绝缘子被喷水后的图像数据集进行分类标注,对VGG-16网络进行训练,使其按照HC分级判别标准分类不同的憎水性等级下的水迹。
5.根据权利要求1所述的基于深度学习的复合绝缘子老化程度智能检测方法,其特征在于,所述YOLOv3-tiny算法模型是基于YOLOv3算法的一个轻量化目标检测网络,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。
6.根据权利要求1所述的基于深度学习的复合绝缘子老化程度智能检测方法,其特征在于,所述VGG-16网络模型采用13个卷积层和3个全连接层,卷积核大小为3×3,池化核大小为2×2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747964.8A CN111855500A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747964.8A CN111855500A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111855500A true CN111855500A (zh) | 2020-10-30 |
Family
ID=72946146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010747964.8A Pending CN111855500A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111855500A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163573A (zh) * | 2020-11-09 | 2021-01-01 | 云南电网有限责任公司迪庆供电局 | 一种绝缘子的识别方法及装置 |
CN113129279A (zh) * | 2021-04-08 | 2021-07-16 | 合肥工业大学 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
CN113255690A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
CN113537385A (zh) * | 2021-08-01 | 2021-10-22 | 程文云 | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 |
CN113781498A (zh) * | 2021-08-24 | 2021-12-10 | 南昌大学 | 一种复合绝缘子智能诊断方法 |
CN114324070A (zh) * | 2021-12-10 | 2022-04-12 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种高压套管伞裙表面憎水性户外检测方法、记录媒体及系统 |
CN115631153A (zh) * | 2022-10-14 | 2023-01-20 | 佳源科技股份有限公司 | 一种基于感知学习结构的管廊视觉缺陷检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067484A (zh) * | 2015-07-22 | 2015-11-18 | 国网河南省电力公司濮阳供电公司 | 基于无人机的输电线路复合绝缘子憎水性带电测试装置 |
WO2018120942A1 (zh) * | 2016-12-31 | 2018-07-05 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN109102025A (zh) * | 2018-08-15 | 2018-12-28 | 电子科技大学 | 基于深度学习联合优化的行人重识别方法 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
-
2020
- 2020-07-30 CN CN202010747964.8A patent/CN111855500A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067484A (zh) * | 2015-07-22 | 2015-11-18 | 国网河南省电力公司濮阳供电公司 | 基于无人机的输电线路复合绝缘子憎水性带电测试装置 |
WO2018120942A1 (zh) * | 2016-12-31 | 2018-07-05 | 西安百利信息科技有限公司 | 一种多模型融合自动检测医学图像中病变的系统及方法 |
CN109102025A (zh) * | 2018-08-15 | 2018-12-28 | 电子科技大学 | 基于深度学习联合优化的行人重识别方法 |
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
Non-Patent Citations (1)
Title |
---|
SANGHYUN WOO等: "CBAM: Convolutional Blo ck Attention Mo dule", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163573A (zh) * | 2020-11-09 | 2021-01-01 | 云南电网有限责任公司迪庆供电局 | 一种绝缘子的识别方法及装置 |
CN113129279A (zh) * | 2021-04-08 | 2021-07-16 | 合肥工业大学 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
CN113129279B (zh) * | 2021-04-08 | 2024-04-30 | 合肥工业大学 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
CN113255690A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
CN113255690B (zh) * | 2021-04-15 | 2022-04-12 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
CN113537385A (zh) * | 2021-08-01 | 2021-10-22 | 程文云 | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 |
CN113537385B (zh) * | 2021-08-01 | 2023-12-05 | 国网冀北电力有限公司超高压分公司 | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 |
CN113781498A (zh) * | 2021-08-24 | 2021-12-10 | 南昌大学 | 一种复合绝缘子智能诊断方法 |
CN114324070A (zh) * | 2021-12-10 | 2022-04-12 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种高压套管伞裙表面憎水性户外检测方法、记录媒体及系统 |
CN115631153A (zh) * | 2022-10-14 | 2023-01-20 | 佳源科技股份有限公司 | 一种基于感知学习结构的管廊视觉缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855500A (zh) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 | |
CN109753929B (zh) | 一种高铁绝缘子巡检图像识别方法 | |
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
Liu et al. | High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN110261394A (zh) | 在线风机叶片损伤实时诊断系统和方法 | |
CN106023257B (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
CN109060606A (zh) | 一种复合绝缘子憎水性等级智能判定方法 | |
Lan et al. | Defect detection from UAV images based on region-based CNNs | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN107992899A (zh) | 一种机场场面运动目标检测识别方法 | |
CN106408025A (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
CN111540203B (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
Yan et al. | Insulator detection and recognition of explosion based on convolutional neural networks | |
Chunyang et al. | Sea fog detection using U-Net deep learning model based on MODIS data | |
CN103034868B (zh) | 一种针对小样本以及高维图像的分类方法 | |
CN103295238B (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 | |
Yuan et al. | Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm | |
Bao et al. | E-unet++: A semantic segmentation method for remote sensing images | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |