CN112069894A - 一种基于Faster-RCNN模型的导线散股识别方法 - Google Patents
一种基于Faster-RCNN模型的导线散股识别方法 Download PDFInfo
- Publication number
- CN112069894A CN112069894A CN202010769384.9A CN202010769384A CN112069894A CN 112069894 A CN112069894 A CN 112069894A CN 202010769384 A CN202010769384 A CN 202010769384A CN 112069894 A CN112069894 A CN 112069894A
- Authority
- CN
- China
- Prior art keywords
- image
- wire
- target
- power transmission
- lead
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 239000004020 conductor Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 13
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005491 wire drawing Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Faster‑RCNN模型的导线散股识别方法,将待测试的目标导线图像进行归一化处理之后,输入经过训练的Faster‑RCNN深度卷积神经网络模型,进行目标导线识别,判断导线是否存在散股现象,能够实现智能识别输电线路巡检图像中导线散股现象,提高巡检效率。本发明的识别方法能够针对复杂输电线路的背景图像信息,快速高效地获取上述导线散股的图像特征,检测出待识别目标导线,并准确地确定该导线在图片中的区域。
Description
技术领域
本发明涉及输电线路检测相关领域,尤其涉及一种基于Faster-RCNN模型的导线散股识别方法。
背景技术
高压架空输电导线由于所处的地理环境及气候环境往往比较恶劣,受到风载、舞动、四季气候变化、空气污染、甚至施工破坏,以及导线本身结构的原因,例如:扭转疲劳载荷下的剪切断裂、结构共振引起的导线疲劳、线夹两侧附近的导线拉应力较大等影响,容易产生散股的现象。导线散股会直接影响导电及性能,降低导线输送效率,引发安全隐患。因此对输电线路定期进行巡检,排除线路运行存在的安全隐患具有十分重要的意义。
但是随着输电线路大规模增长,传统人工巡检模式由于工作量骤增、检测精度和效率已不能适应电网发展。近年来,计算机视觉技术迅猛发展,利用无人机巡检输电线路,并对其航拍图像进行智能处理,成为目前输电线路巡检的主要方式。
导线散股的主要表现为:导线形态发生变化,例如导线分叉形成多股散乱的细线、沿导线方向粗度发生改变、散股点处导线的灰度值下降、散股点附件导线有凸起情况以及在导线散股点的边缘,图像梯度有明显增强等图像特征。如何针对复杂输电线路背景图像信息,快速高效地获取上述导线散股的图像特征,检测出待识别目标导线,并确定该导线在图片中的区域,是现阶段一个技术难点。
发明内容
基于现有技术的上述情况,本发明的目的在于提供一种导线散股的识别方法,以实现智能识别输电线路巡检图像中导线散股现象,提高巡检效率。该方法能够针对复杂输电线路的背景图像信息,快速高效地获取上述导线散股的图像特征,检测出待识别目标导线,并准确地确定该导线在图片中的区域。
为达到上述目的,本发明提供了一种基于Faster-RCNN模型的导线散股识别方法,包括如下步骤:
S1、将巡线无人机搭载的可见光摄像机获取的输电线路可见光图像,传输到输变电识别系统服务器,并自动按照统一文件命名模板进行存储;
S2、对所述步骤S1中的包含目标导线信息的输电线路可见光图像样本,进行归一化均衡化预处理,对所述预处理后的可见光图像样本,进行目标导线的标注;
S3、基于Tensorflow平台和Faster-RCNN深度卷积神经网络模型,对所述标注后的输电线路可见光图像样本进行目标检测及模型训练;
S4、对待检测的目标导线图像进行归一化处理,输入所述步骤S3中训练好的模型进行目标导线识别,判断导线是否存在散股现象,并输出识别结果。
进一步的,所述统一文件命名模板,符合输电线路模型定义规则,包括线路名称、区段、拍摄时间。
进一步的,所述预处理包括:Gauss滤波器去除噪声、彩色图像直方图均衡化、以及采用对数变换的图像增强算法。
进一步的,所述进行目标导线的标注,包括正常导线及存在散股特征的导线。
进一步的,进行目标导线的标注采用LabelImg标注工具,以生成xml文件。
进一步的,所述步骤S4中,将待检测的目标导线图像输入训练好的模型进行目标导线识别之前,基于目标导线预测框对原图进行裁剪,以减少计算量。
进一步的,对待检测的目标导线图像进行归一化处理,包括:
将可见光图像转化为灰度图;
采用otsu对所述灰度图进行二值化处理;
利用canny算子对所述二值化后的图像进行边缘检测,并提取导线轮廓信息;
自适应选取合适的卷积核进行形态学闭运算,利用优化的Hough直线检测;对所述检测出的直线图像进行形态学膨胀运算;
将所述边缘检测闭运算图像与所述直线图像进行减运算,如果所述相减结果大于散股置信度,则认为存在导线散股特征,标出散股区域;否则,认为导线正常,退出检测流程。
进一步的,所述识别结果的输出格式为JSON串。
进一步的,根据所述识别结果在输变电识别系统中进行消息推送以及结果展示。
综上所述,本发明提供了一种基于Faster-RCNN模型的导线散股识别方法,将待测试的目标导线图像进行归一化处理之后,输入经过训练的Faster-RCNN深度卷积神经网络模型,进行目标导线识别,判断导线是否存在散股现象,能够实现智能识别输电线路巡检图像中导线散股现象,提高巡检效率。本发明的识别方法能够针对复杂输电线路的背景图像信息,快速高效地获取上述导线散股的图像特征,检测出待识别目标导线,并准确地确定该导线在图片中的区域。
附图说明
图1是根据本发明的导线散股识别方法流程图;
图2是标注图像样例示意图,其中图2-a是正常导线图,图2-b是存在散股特征的导线图;
图3是导线散股识别流程各阶段示意图,其中图3-a是利用canny算子提取的导线轮廓信息图,图3-b是对导线轮廓进行形态学闭运算结果图,图3-c是对二值化后图像进行Hough检测的结果图,图3-d是对3-c图进行形态学膨胀运算结果图,图3-e是检测到的导线散股信息图,图3-f是标出导线散股区域的输电线路原图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提供了一种基于Faster-RCNN模型的导线散股识别方法,将待测试的目标导线图像进行归一化处理之后,输入经过训练的Faster-RCNN深度卷积神经网络模型,进行目标导线识别,判断导线是否存在散股现象,能够实现智能识别输电线路巡检图像中导线散股现象,提高巡检效率。
下面对结合附图对本发明的技术方案进行详细说明。本发明提供了一种基于Faster-RCNN模型的导线散股识别方法,包括如下步骤:
第一步:将巡线无人机搭载的可见光摄像机获取的输电线路可见光图像,传输到输变电识别系统服务器,并自动按照统一文件命名模板进行存储;
第二步:对第一步的包含目标导线信息的输电线路图像样本,进行归一化均衡化预处理;对处理后的样本图像,进行目标导线的标注,包括正常导线及存在散股特征的导线。
第三步:基于Tensorflow平台和Faster-RCNN深度卷积神经网络模型,对标注后的输电线路图像进行目标检测及模型训练。
第四步:对待检测目标导线图像进行归一化处理,输入步骤3训练好的模型进行目标导线识别,判断导线是否存在散股现象,输出识别结果。
根据某些实施例,所述第一步中的统一文件命名模板,需符合输电线路模型定义规则,必须包含线路名称、区段、拍摄时间等信息等。例如,某输电线路可见光图像命名为:“110kV龙石线_100_150_20200506112025.jpg”,则表示该图像拍摄于2020年5月6日11:20:25,名称为110kV龙石线100~150m段的导线图像信息。采用该种方式进行命名,便于在识别出散股导线区域时,将结果信息推送给巡检人员,提高人员确认及处理故障信息的效率。在某些其他实施例中,该统一文件命名模板也可以定义为其他方式,基本原则是只要能够定位输电线路的信息,从而便于在识别出散股导线区域时,将结果信息推送给巡检人员即可。
根据某些实施例,在所述第二步中,对第一步的包含目标导线信息的输电线路图像样本,进行归一化均衡化图像预处理,目的是去除干扰、噪声及明亮度对图像的影响。其中,所述图像预处理包括Gauss滤波器去除噪声、彩色图像直方图均衡化、对数变换等图像增强算法,旨在提高样本图像清晰度,提高算法准确度。所述第二步中,对处理后的样本图像,进行目标导线的标注,所述标注采用LabelImg标注工具,标注生成xml文件,标注样例如图2所示,其中图2-a为正常导线,图2-b为存在散股特征的导线。
根据某些实施例,在所述第三步中,将imdb.py文件中的self._num_classes设置为4,即数据集类别数加1,初试学习率设置为0.001,迭代次数设置为7000次。训练步长STEPSIZE设置为小于70000的数值,每次输入faster-rcnn网络中图片数量__C.TRAIN.IMS_PER_BATCH设置为1,训练batch的大小__C.TRAIN.BATCH_SIZES=128,迭代多少次保存一次模型__C.TRAIN.SNAPSHOT_ITERS设置为10000。
根据某些实施例,所述第四步中,将待识别图像输入至所述第三步中训练好的模型中,完成目标导线的识别。基于目标导线预测框对原图进行裁剪,将大尺寸的待识别输电线路数据图像,裁剪为一个800×600图像,可以大大地减少计算量。
对目标导线区域图像进行归一化处理,包括将可见光图像转化为灰度图,通过otsu对灰度图进行二值化处理,利用canny算子对二值化后的图像进行边缘检测,提取导线轮廓信息,自适应选取合适的卷积核进行形态学闭运算,利用优化的Hough直线检测。根据某些实施例,所述Hough直线检测的参数可以设置为rho=1,theta=np.pi/180,threshold=50,min_line_len=100,max_line_gap=100,并进一步对检测出来的直线图像进行形态学膨胀运算。上述Hough直线检测算法的参数仅仅为实例性的设置,也可以根据实际应用的情况对所述参数进行设置。
将边缘检测闭运算图像与直线图像进行减运算,若相减结果大于散股置信度则存在导线散股特征,标出散股区域,否则表示导线正常,退出检测流程。
根据上文所述的具体检测流程,流程的各个阶段图像如图3所示,其中图3-a为利用canny算子提取的导线轮廓信息,图3-b为对导线轮廓进行形态学闭运算结果,图3-c为对二值化后图像进行Hough检测的结果,图3-d为对图3-c进行形态学膨胀运算的结果,图3-e为检测到的导线散股信息,图3-f为标出出导线散股区域的输电线路原图。
根据某些实施例,在所述第四步中,识别结果输出格式为JSON串,示例如下文所示:
[{
″imageID″:″110kV龙石线_100_150_20200506112025.jpg″,
″loosestrand″:″1″,
″coordinate″:{
″x″:200;
″y″:153;
″height″:389;
″width″:543;
}
}]
根据输出结果在输变电识别系统中进行消息推送及结果展示。
模型训练过程中,调整训练参数时,相关参数也可不必为第三步所述参数。
综上所述,本发明涉及一种基于Faster-RCNN模型的导线散股识别方法,将待测试的目标导线图像进行归一化处理之后,输入经过训练的Faster-RCNN深度卷积神经网络模型,进行目标导线识别,判断导线是否存在散股现象,能够实现智能识别输电线路巡检图像中导线散股现象,提高巡检效率。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (9)
1.一种基于Faster-RCNN模型的导线散股识别方法,其特征在于,包括如下步骤:
S1、将巡线无人机搭载的可见光摄像机获取的输电线路可见光图像,传输到输变电识别系统服务器,并自动按照统一文件命名模板进行存储;
S2、对所述步骤S1中的包含目标导线信息的输电线路可见光图像样本,进行归一化均衡化预处理,对所述预处理后的可见光图像样本,进行目标导线的标注;
S3、基于Tensorflow平台和Faster-RCNN深度卷积神经网络模型,对所述标注后的输电线路可见光图像样本进行目标检测及模型训练;
S4、对待检测的目标导线图像进行归一化处理,输入所述步骤S3中训练好的模型进行目标导线识别,判断导线是否存在散股现象,并输出识别结果。
2.根据权利要求1所述的识别方法,其特征在于,所述统一文件命名模板,符合输电线路模型定义规则,包括线路名称、区段、拍摄时间。
3.根据权利要求1所述的识别方法,其特征在于,所述预处理包括:Gauss滤波器去除噪声、彩色图像直方图均衡化、以及采用对数变换的图像增强算法。
4.根据权利要求1所述的识别方法,其特征在于,所述进行目标导线的标注,包括正常导线及存在散股特征的导线。
5.根据权利要求1所述的识别方法,其特征在于,进行目标导线的标注采用LabelImg标注工具,以生成xml文件。
6.根据权利要求1所述的识别方法,其特征在于,所述步骤S4中,将待检测的目标导线图像输入训练好的模型进行目标导线识别之前,基于目标导线预测框对原图进行裁剪,以减少计算量。
7.根据权利要求1所述的识别方法,其特征在于,所述步骤S4中,对待检测的目标导线图像进行归一化处理,包括:
将可见光图像转化为灰度图;
采用otsu对所述灰度图进行二值化处理;
利用canny算子对所述二值化后的图像进行边缘检测,并提取导线轮廓信息;
自适应选取合适的卷积核进行形态学闭运算,利用优化的Hough直线检测;
对所述检测出的直线图像进行形态学膨胀运算;
将所述边缘检测闭运算图像与所述直线图像进行减运算,如果所述相减结果大于散股置信度,则认为存在导线散股特征,标出散股区域;否则,认为导线正常,退出检测流程。
8.根据权利要求1所述的识别方法,其特征在于,所述识别结果的输出格式为JSON串。
9.根据权利要求1所述的识别方法,其特征在于,根据所述识别结果在输变电识别系统中进行消息推送以及结果展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769384.9A CN112069894A (zh) | 2020-08-03 | 2020-08-03 | 一种基于Faster-RCNN模型的导线散股识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769384.9A CN112069894A (zh) | 2020-08-03 | 2020-08-03 | 一种基于Faster-RCNN模型的导线散股识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069894A true CN112069894A (zh) | 2020-12-11 |
Family
ID=73657009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010769384.9A Pending CN112069894A (zh) | 2020-08-03 | 2020-08-03 | 一种基于Faster-RCNN模型的导线散股识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069894A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
CN113628131A (zh) * | 2021-07-22 | 2021-11-09 | 济南驰昊电力科技有限公司 | 雾天场景下变电站指针式油位表的智能识别方法 |
CN114724091A (zh) * | 2022-06-07 | 2022-07-08 | 智洋创新科技股份有限公司 | 一种输电线路导线异物识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734689A (zh) * | 2018-02-07 | 2018-11-02 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN110751211A (zh) * | 2019-10-21 | 2020-02-04 | 中国计量大学 | 一种基于深度学习和机器视觉的包裹分类输送系统 |
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 |
-
2020
- 2020-08-03 CN CN202010769384.9A patent/CN112069894A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734689A (zh) * | 2018-02-07 | 2018-11-02 | 西安工程大学 | 一种基于区域生长的导线散股检测方法 |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN110751211A (zh) * | 2019-10-21 | 2020-02-04 | 中国计量大学 | 一种基于深度学习和机器视觉的包裹分类输送系统 |
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 |
Non-Patent Citations (1)
Title |
---|
王照等: "基于图像处理技术的配电线路导线断股散股缺陷检测", 《电视技术》, pages 2 - 6 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
CN113628131A (zh) * | 2021-07-22 | 2021-11-09 | 济南驰昊电力科技有限公司 | 雾天场景下变电站指针式油位表的智能识别方法 |
CN114724091A (zh) * | 2022-06-07 | 2022-07-08 | 智洋创新科技股份有限公司 | 一种输电线路导线异物识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069894A (zh) | 一种基于Faster-RCNN模型的导线散股识别方法 | |
CN109255288A (zh) | 一种路面破损检测方法、装置及终端设备 | |
CN113822880A (zh) | 一种基于深度学习的裂缝识别方法 | |
CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
CN111899219A (zh) | 一种输电线路机巡的图像识别方法及系统 | |
CN114022671A (zh) | 一种基于残差神经网络的索道缆绳绳位智能识别方法 | |
CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检系统及方法 | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN112991432A (zh) | 基于图像处理的覆冰冰形识别方法 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN115546099A (zh) | 一种基于卷积神经网络的锻件探伤缺陷检测方法及装置 | |
CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN112801120A (zh) | 一种无人机巡检图像缺陷智能分析的方法 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
Bian et al. | Fault identification of catenary dropper based on improved CapsNet | |
CN115620496B (zh) | 应用于输电线路的故障报警方法、装置、设备和介质 | |
CN117315515B (zh) | 一种配电线路视觉辅助巡检方法及系统 | |
CN117690096B (zh) | 一种适应不同场景的接触网安全巡检系统 | |
CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 | |
CN115200784B (zh) | 基于改进ssd网络模型的漏粉检测方法、装置及可读介质 |
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 |