CN112036410B - 基于深度学习和图像梯度的电力设备红外图像分割方法 - Google Patents
基于深度学习和图像梯度的电力设备红外图像分割方法 Download PDFInfo
- Publication number
- CN112036410B CN112036410B CN202010815221.XA CN202010815221A CN112036410B CN 112036410 B CN112036410 B CN 112036410B CN 202010815221 A CN202010815221 A CN 202010815221A CN 112036410 B CN112036410 B CN 112036410B
- Authority
- CN
- China
- Prior art keywords
- power equipment
- infrared image
- temperature
- equipment
- region
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- 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
-
- 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
本发明公开了一种基于深度学习和图像梯度的电力设备红外图像分割方法,利用深度学习对红外图像进行特征挖掘完成第一次分割,结合红外图像温度特征并利用图像的梯度完成第二次分割,可有效提高边界分割的精度;可分离出电气设备关键部位的区域并保留电力设备原始的红外图像信息,为红外图像的诊断分析提供直接的、准确的数据支持;可提高红外图像的诊断效率和智能化水平,缩减人力成本,提高电力设备故障分析工作的效率和准确率。
Description
技术领域
本发明涉及一种基于深度学习和图像梯度的电力设备红外图像分割方法。
背景技术
电力设备作为电力系统的基本组成部分,其安全稳定运行是保障电网安全稳定运行的前提。由于电力设备长期处于运行状态,受设计、工艺及运行环境的影响,往往会发生各种故障,据统计,在电力设备故障的早期阶段其温度会发生异常的变化,通常表现为异常发热,因此可通过检测和分析电气设备的温度来判断设备的运行状态。红外检测技术由于具备非接触式检测、不受电磁干扰、远距离检测快速、结果直观等优点,能够简单快速地判断设备的健康状况,近年来得到了广泛的应用。
目前对红外图像的分析诊断以人工为主,诊断的准确度受技术人员的专业知识水平影响,且人工识别还具有效率低、实时性差等缺点,无法对巨量的红外图像进行分析。为了提高红外图像诊断的智能化水平和工作效率,可以利用计算机代替人工进行智能化的图像处理,对电力设备进行识别诊断。在红外图像分析的过程中,高效准确地识别出红外图像中的电力设备是实现故障诊断的前提,电力设备分割的准确性直接影响故障的诊断结果。电力设备红外图像是一种伪彩色图像,具有强度集中、对比度低、视觉效果模糊等特性,传统的基于阈值的大律法和分水岭法、基于边缘的分割方法和基于区域的分割方法分割精度较低,电力设备和背景的分割效果差,且分割后的图像不具有红外温度信息,不利于后续的诊断工作。
近年来,随着深度学习在计算机视觉领域的兴起,其逐渐成为电力设备红外图像识别的新方法。中国专利CN108898077A公开了一种电力设备红外热图的识别方法和电力设备红外识别系统,其中公开的电力设备红外热图的识别方法,其采用深度学习进行纹理和热分布的识别,对于噪音具有较强的抗干扰能力,但该方法仅能得到红外热图中电力设备的概率,通过概率阈值识别电力设备,分割的准确率较低;中国专利CN109784348A公开了一种红外电力设备识别和在线诊断方法及其系统,其中涉及的电力设备识别方法,通过建立虚拟的具有红外特征的电力设备三维模型生成训练数据,构建深度神经网络模型进行电力设备识别,该方法需建立虚拟的三维模型,操作难度高且工作量大;图像识别的计算量大,降低了诊断的效率;图像识别的精度依赖于三维模型的质量,存在不确定性;文献《基于改进FAsT-Match算法的电力设备红外图像多目标定位》[邹辉,黄福珍等.基于改进FAsT-Match算法的电力设备红外图像多目标定位,中国电机工程学报,2017,37(2):591-598]利用红外图像和可见光图像之间的近似仿射变换关系实现电力设备红外图像的识别,该方法能够较好地解决过分割的问题,但需要同时对电力设备模板、可见光图像和红外图像进行分析,且需要提前计算仿射变换参数,导致该方法耗时较长;中国专利CN108564565A公开的一种基于深度学习的电力设备红外图像多目标定位方法和文献《基于Mask R-CNN的电力设备红外图像分割技术研究》[吴克河,王敏鉴等.基于Mask R-CNN的电力设备红外图像分割技术研究,计算机与数字工程,2020,2(48):417-422]中分别采用Faster R-CNN和Mask R-CNN网络架构构建深度学习模型,实现了特征提取和区域分类,降低了计算量,提高了识别效率,但存在对小目标分割效果不佳、特征提取精度依赖红外图像质量的问题。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种基于深度学习和图像梯度的电力设备红外图像分割方法,利用深度学习对图像进行分割具有准确率高、计算量小、耗时短的优点,对一次分割后的图像进行二次分割,可有效提高分割的精度,提高电力设备故障分析工作的效率和准确率。
实现上述目的的技术方案是:一种基于深度学习和图像梯度的电力设备红外图像分割方法,包括以下步骤:
S1,通过红外采集设备收集不同类型电力设备的红外图像数据,对红外图像中电气设备的关键部位的轮廓进行标注,生成标注文件,标注文件中包含了电力设备的类型、电气设备关键部位名称以及电力设备关键部位在红外图像的位置信息;
S2,根据红外图像的标注文件导出电力设备区域图;电力设备区域图为包含电力设备关键部位以及电力设备关键部位边缘附近背景的图像;
S3,建立包含红外图像、标注文件和电力设备区域图的红外图像数据集,将红外图像数据集分为训练集和测试集,将训练集输入深度神经网络模型进行训练;
S4,对深度神经网络模型进行性能调优:设置深度神经网络模型初始超参数,将测试集输入深度神经网络模型进行测试,得到红外图像分割的准确率、精确率;修改深度神经网络模型的超参数,对比不同超参数时红外图像分割的准确率、精确率;不断调节超参数,得到性能最优的深度神经网络模型;
S5,将待分割的红外图像输入最优的深度神经网络模型中执行图像处理,提取出电力设备区域,完成一次分割;该经过一次分割的电力设备区域为不规则图形,包含电力设备关键部位以及设备关键部位轮廓周围的背景;
S6,提取红外图像的温度矩阵,红外图像中的每个像素点对应一个温度值,所有像素点的温度值组成温度矩阵;
S7,计算电力设备区域内各像素点的梯度;
S8,利用各像素点的梯度对步骤S5得到的电力设备区域进行二次分割。
上述的一种基于深度学习和图像梯度的电力设备红外图像分割方法,步骤S7包括以下工序:
S71:取[[-1,0,1],[-2,0,2],[-1,0,1]]作为基准矩阵1;
S72:取[[-1,-2,1],[0,0,0],[1,2,-1]]作为基准矩阵2;
S73:针对电力设备区域内的任一像素点,取该像素点左下像素点温度、左侧像素点温度和左上像素点温度,构成矩阵规格为1×3的一维矩阵A;取该像素点温度、上方像素点温度和下方像素点温度,构成矩阵规格为1×3的一维矩阵B;取该像素点右下像素点温度、右侧像素点温度和右上像素点温度,构成矩阵规格为1×3的一维矩阵C;当像素点温度不存在时,将像素点温度设置为0;
S74:将矩阵A、B、C组成矩阵规格为3×3的矩阵D,其中:
S75:计算该像素点的梯度值d,公式为:
S76:重复S73~S76,计算得到电力设备区域内所有像素点的梯度。
上述的一种基于深度学习和图像梯度的电力设备红外图像分割方法,步骤S8包括以下工序:
S81:对像素点的梯度进行阈值判断,当梯度值d>dh时,判断该像素点是边界点,其中dh为梯度阈值,8≤dh≤12;
S82:取电力设备区域第n行的像素点,根据步骤S81计算第n行像素点中边界点数量m。
当m≥2时,计算并对比边界点左、右两侧像素点的平均温度Tl和Tr,若Tl>Tr,则该边界点左侧至下一个边界点之间的区域为设备区,该边界点右侧至下一个边界点之间的区域为背景区;若Tl<Tr,则该边界点右侧至下一个边界点之间的区域为设备区,该边界点左侧至下一个边界点之间的区域为背景区;
当m=1时,计算并对比边界点左、右两侧像素点的平均温度Tl和Tr,若Tl>Tr,则该边界点右侧区域为背景区,同时当Tl≥(1+k)Th时,则该边界点左侧区域为设备区,否则该边界点左侧区域为背景区;若Tl<Tr,则该边界点左侧区域为背景区,同时当Tr≥(1+k)Th时,则该边界点右侧区域为设备区,否则该边界点右侧区域为背景区;
当m=0时,计算整行像素点的平均温度Tz,若Tz≥(1+k)Th,则该行像素点均为设备区,否则该行像素点均为背景区;
S83:重复步骤S82,对电力设备区域每行的像素点进行判断,合并电力设备区域中判断为设备区的像素点,得到电力设备红外图像的二次分割结果。
上述的一种基于深度学习和图像梯度的电力设备红外图像分割方法,步骤S1中,所述红外采集设备包括便携式红外热像仪和在线式红外热像仪,所述电力设备的类型包括变压器、断路器和避雷器。
本发明的基于深度学习和图像梯度的电力设备红外图像分割方法,首先构建深度神经网络模型,对红外图像进行一次分割;然后结合红外图像的温度计算图像各像素点的梯度,最后利用梯度及温度的对比分析对红外图像进行二次分割,识别出电力设备所在区域,具有以下有益效果:
1、本发明将红外图像、标注文件、电力设备区域图作为网络模型的训练样本,训练出的深度神经网络模型对电力设备识别的准确率较高;在基于深度学习一次分割的基础上,结合红外图谱温度特征,利用图像的梯度对电力设备区域和背景区域执行二次精细分割,提高了电力设备红外图像边界分割的精度;
2、本发明采用的分割方法可分离出电气设备关键部位的区域并保留电力设备原始的红外图像信息,在后续的故障诊断工作中可直接提取分割后电气设备区域的温度特征,为红外图像的诊断分析提供直接的、准确的数据支持;
3、本发明使用深度神经网络模型对电力设备红外图像进行智能识别,提高了红外图像的诊断效率和智能化水平,解决了人工识别受人员专业水平影响大、人力资本投入高、效率低等问题。
附图说明
图1为本发明的基于深度学习和图像梯度的电力设备红外图像分割方法的流程图;
图2为梯度计算的流程图。
具体实施方式
为了使本技术领域的技术人员能更好地理解本发明的技术方案,下面结合附图对其具体实施方式进行详细地说明:
请参阅图1和图2,本发明的最佳实施例,一种基于深度学习和图像梯度的电力设备红外图像分割方法,包括以下步骤:
S1,通过红外采集设备收集不同类型电力设备的红外图像数据,其中红外采集设备包括便携式红外热像仪和在线式红外热像仪,电力设备类型包括变压器、断路器、避雷器;使用图像标注工具对红外图像中电气设备关键部位的轮廓进行标注,生成json格式的标注文件,标注文件中包含了电力设备的类型、电气设备关键部位名称以及电力设备关键部位在红外图像的位置信息;
S2,根据红外图像的标注文件导出电力设备区域图;电力设备区域图为包含电力设备关键部位以及电力设备关键部位边缘附近背景的图像;
S3,建立包含红外图像、标注文件和电力设备区域图的红外图像数据集,将红外图像数据集按照一定比例分为训练集和测试集,将训练集输入深度神经网络模型进行训练;
S4,对深度神经网络模型进行性能调优:设置深度神经网络模型初始超参数,将测试集输入深度神经网络模型进行测试,得到红外图像分割的准确率、精确率;修改深度神经网络模型的超参数,对比不同超参数时红外图像分割的准确率、精确率;不断调节超参数,得到性能最优的深度神经网络模型;
S5,将待分割的红外图像输入最优的深度神经网络模型中执行图像处理,提取出电力设备区域,完成一次分割;该经过一次分割的电力设备区域为不规则图形,包含电力设备关键部位以及设备关键部位轮廓周围的背景;
S6,提取红外图像的温度矩阵,红外图像中的每个像素点对应一个温度值,所有像素点的温度值组成温度矩阵;
S7,计算电力设备区域内各像素点的梯度,请参阅图2,具体包括以下工序:
S71:取[[-1,0,1],[-2,0,2],[-1,0,1]]作为基准矩阵1;
S72:取[[-1,-2,1],[0,0,0],[1,2,-1]]作为基准矩阵2;
S73:针对电力设备区域内的任一像素点,取该像素点左下像素点温度、左侧像素点温度和左上像素点温度,构成矩阵规格为1×3的一维矩阵A;取该像素点温度、上方像素点温度和下方像素点温度,构成矩阵规格为1×3的一维矩阵B;取该像素点右下像素点温度、右侧像素点温度和右上像素点温度,构成矩阵规格为1×3的一维矩阵C;当像素点温度不存在时,将像素点温度设置为0;
S74:将矩阵A、B、C组成矩阵规格为3×3的矩阵D,其中:
S75:计算该像素点的梯度值d,公式为:
S76:重复S73~S76,计算得到电力设备区域内所有像素点的梯度;
S8,利用各像素点的梯度对步骤S5得到的电力设备区域进行二次分割,具体包括以下工序:
S81:对像素点的梯度进行阈值判断,当梯度值d>dh时,判断该像素点是边界点,其中dh为梯度阈值,8≤dh≤12;
S82:取电力设备区域第n行的像素点,根据步骤S81计算第n行像素点中边界点数量m。
当m≥2时,表示该行像素点中至少包含1个电力设备区域,根据运行中的电力设备本体温度大于周围环境温度的认知,计算并对比边界点左、右两侧像素点的平均温度Tl和Tr,若Tl>Tr,则该边界点左侧至下一个边界点之间的区域为设备区,该边界点右侧至下一个边界点之间的区域为背景区;若Tl<Tr,则该边界点右侧至下一个边界点之间的区域为设备区,该边界点左侧至下一个边界点之间的区域为背景区;
当m=1时,表示该行像素点中至多包含1个电力设备区域,计算并对比边界点左、右两侧像素点的平均温度Tl和Tr,若Tl>Tr,则该边界点右侧区域为背景区,同时当Tl≥(1+k)Th时,则该边界点左侧区域为设备区,否则该边界点左侧区域为背景区;若Tl<Tr,则该边界点左侧区域为背景区,同时当Tr≥(1+k)Th时,则该边界点右侧区域为设备区,否则该边界点右侧区域为背景区;
当m=0时,表示该行像素点全部是电力设备区域或全部是背景区域,计算整行像素点的平均温度Tz,若Tz≥(1+k)Th,则该行像素点均为设备区,否则该行像素点均为背景区;
S83:重复步骤S82,对电力设备区域每行的像素点进行判断,合并电力设备区域中判断为设备区的像素点,得到电力设备红外图像的二次分割结果。可分离出电气设备关键部位的区域并保留电力设备原始的红外图像信息,为红外图像的诊断分析提供直接的、准确的数据支持;可提高红外图像的诊断效率和智能化水平,缩减人力成本。
将本发明的基于深度学习和图像梯度的电力设备红外图像分割方法应用与避雷器红外图形,根据电力设备红外图像的二次分割结果,可以将红外图像分割出避雷器的均压环及主体元件两个关键部位,并可提取关键部位红外图像的温度特征。
本发明的基于深度学习和图像梯度的电力设备红外图像分割方法,利用深度学习对红外图像进行特征挖掘完成第一次分割,结合红外图像温度特征并利用图像的梯度完成第二次分割,可有效提高边界分割的精度;可分离出电气设备关键部位的区域并保留电力设备原始的红外图像信息,为红外图像的诊断分析提供直接的、准确的数据支持;可提高红外图像的诊断效率和智能化水平,缩减人力成本。
综上所述,本发明的基于深度学习和图像梯度的电力设备红外图像分割方法,利用深度学习进行一次分割,再利用图像梯度的对比分析对一次分割后的电力设备红外图像进行二次分割,实现电力设备区域的有效识别,可有效提高分割的精度,提高电力设备故障分析工作的效率和准确率。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (3)
1.基于深度学习和图像梯度的电力设备红外图像分割方法,其特征在于,包括以下步骤:
S1,通过红外采集设备收集不同类型电力设备的红外图像数据,对红外图像中电气设备的关键部位的轮廓进行标注,生成标注文件,标注文件中包含了电力设备的类型、电气设备关键部位名称以及电力设备关键部位在红外图像的位置信息;
S2,根据红外图像的标注文件导出电力设备区域图;电力设备区域图为包含电力设备关键部位以及电力设备关键部位边缘附近背景的图像;
S3,建立包含红外图像、标注文件和电力设备区域图的红外图像数据集,将红外图像数据集分为训练集和测试集,将训练集输入深度神经网络模型进行训练;
S4,对深度神经网络模型进行性能调优:设置深度神经网络模型初始超参数,将测试集输入深度神经网络模型进行测试,得到红外图像分割的准确率、精确率;修改深度神经网络模型的超参数,对比不同超参数时红外图像分割的准确率、精确率;不断调节超参数,得到性能最优的深度神经网络模型;
S5,将待分割的红外图像输入最优的深度神经网络模型中执行图像处理,提取出电力设备区域,完成一次分割;该经过一次分割的电力设备区域为不规则图形,包含电力设备关键部位以及设备关键部位轮廓周围的背景;
S6,提取红外图像的温度矩阵,红外图像中的每个像素点对应一个温度值,所有像素点的温度值组成温度矩阵;
S7,计算电力设备区域内各像素点的梯度;
S8,利用各像素点的梯度对步骤S5得到的电力设备区域进行二次分割,其中:
步骤S7包括以下工序:
S71:取[[-1,0,1],[-2,0,2],[-1,0,1]]作为基准矩阵1;
S72:取[[-1,-2,1],[0,0,0],[1,2,-1]]作为基准矩阵2;
S73:针对电力设备区域内的任一像素点,取该像素点左下像素点温度、左侧像素点温度和左上像素点温度,构成矩阵规格为1×3的一维矩阵A;取该像素点温度、上方像素点温度和下方像素点温度,构成矩阵规格为1×3的一维矩阵B;取该像素点右下像素点温度、右侧像素点温度和右上像素点温度,构成矩阵规格为1×3的一维矩阵C;当像素点温度不存在时,将像素点温度设置为0;
S74:将矩阵A、B、C组成矩阵规格为3×3的矩阵D,其中:
S75:计算该像素点的梯度值d,公式为:
S76:重复S73~S75,计算得到电力设备区域内所有像素点的梯度。
2.根据权利要求1所述的基于深度学习和图像梯度的电力设备红外图像分割方法,其特征在于,步骤S8包括以下工序:
S81:对像素点的梯度进行阈值判断,当梯度值d>dh时,判断该像素点是边界点,其中dh为梯度阈值,8≤dh≤12;
S82:取电力设备区域第n行的像素点,根据步骤S81计算第n行像素点中边界点数量m;
当m≥2时,计算并对比边界点左、右两侧像素点的平均温度Tl和Tr,若Tl>Tr,则该边界点左侧至下一个边界点之间的区域为设备区,该边界点右侧至下一个边界点之间的区域为背景区;若Tl<Tr,则该边界点右侧至下一个边界点之间的区域为设备区,该边界点左侧至下一个边界点之间的区域为背景区;
当m=1时,计算并对比边界点左、右两侧像素点的平均温度Tl和Tr,若Tl>Tr,则该边界点右侧区域为背景区,同时当Tl≥(1+k)Th时,则该边界点左侧区域为设备区,否则该边界点左侧区域为背景区;若Tl<Tr,则该边界点左侧区域为背景区,同时当Tr≥(1+k)Th时,则该边界点右侧区域为设备区,否则该边界点右侧区域为背景区;
当m=0时,计算整行像素点的平均温度Tz,若Tz≥(1+k)Th,则该行像素点均为设备区,否则该行像素点均为背景区;
S83:重复步骤S82,对电力设备区域每行的像素点进行判断,合并电力设备区域中判断为设备区的像素点,得到电力设备红外图像的二次分割结果。
3.根据权利要求1所述的基于深度学习和图像梯度的电力设备红外图像分割方法,其特征在于,步骤S1中,所述红外采集设备包括便携式红外热像仪和在线式红外热像仪,所述电力设备的类型包括变压器、断路器和避雷器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815221.XA CN112036410B (zh) | 2020-08-13 | 2020-08-13 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010815221.XA CN112036410B (zh) | 2020-08-13 | 2020-08-13 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036410A CN112036410A (zh) | 2020-12-04 |
CN112036410B true CN112036410B (zh) | 2022-06-07 |
Family
ID=73577283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010815221.XA Active CN112036410B (zh) | 2020-08-13 | 2020-08-13 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036410B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112539843B (zh) * | 2020-12-11 | 2023-06-02 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392459A (zh) * | 2014-12-15 | 2015-03-04 | 西安电子科技大学 | 基于改进的fcm和均值漂移的红外图像分割方法 |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110782461A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种基于Mask-RCNN的电力设备红外图像分割方法 |
-
2020
- 2020-08-13 CN CN202010815221.XA patent/CN112036410B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392459A (zh) * | 2014-12-15 | 2015-03-04 | 西安电子科技大学 | 基于改进的fcm和均值漂移的红外图像分割方法 |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110782461A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种基于Mask-RCNN的电力设备红外图像分割方法 |
Non-Patent Citations (2)
Title |
---|
"一种红外热图像目标区域分割的深度学习算法";朱莉等;《西安电子科技大学学报》;20190831;第46卷(第4期);论文第1节 * |
热红外图像等温线温度场分割研究;王海元;《科学技术与工程》;20130118(第02期);论文第3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112036410A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
CN105069779B (zh) | 一种建筑陶瓷表面花纹图案质量检测方法 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN107944396A (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN106372638A (zh) | 一种识别电子设备品牌型号的方法和系统 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN108537222A (zh) | 一种用于电力仪表的图像识别方法及系统 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN110070024B (zh) | 一种皮肤压力性损伤热成像图像识别的方法、系统及手机 | |
CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN107657220A (zh) | 一种基于hog特征和svm的白带霉菌自动检测方法 | |
CN102184404A (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN112036410B (zh) | 基于深度学习和图像梯度的电力设备红外图像分割方法 | |
CN115690012A (zh) | 一种电能表接错线的检测方法 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN107944453A (zh) | 基于Hu不变矩和支持向量机SVM的高压套管检测方法 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN110321869A (zh) | 基于多尺度融合网络的人员检测和提取方法 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
Zhang et al. | Design of tire damage image recognition system based on deep learning |
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 |