CN112380952A - 基于人工智能的电力设备红外图像实时检测及识别方法 - Google Patents

基于人工智能的电力设备红外图像实时检测及识别方法 Download PDF

Info

Publication number
CN112380952A
CN112380952A CN202011246971.6A CN202011246971A CN112380952A CN 112380952 A CN112380952 A CN 112380952A CN 202011246971 A CN202011246971 A CN 202011246971A CN 112380952 A CN112380952 A CN 112380952A
Authority
CN
China
Prior art keywords
model
power equipment
data set
real
time 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
Application number
CN202011246971.6A
Other languages
English (en)
Other versions
CN112380952B (zh
Inventor
郑含博
李金恒
平原
刘洋
孙永辉
崔耀辉
张潮海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN202011246971.6A priority Critical patent/CN112380952B/zh
Publication of CN112380952A publication Critical patent/CN112380952A/zh
Application granted granted Critical
Publication of CN112380952B publication Critical patent/CN112380952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明提供一种基于人工智能的电力设备红外图像实时检测及识别方法，包括以下步骤：S1、通过红外热成像仪获取多类电力设备的红外图像；S2、对获取的图像进行预处理，以形成有效的电力设备红外图像数据集；S3、对获取的数据集进行目标的标签处理；将数据集划分为训练集与测试集；S4、构建改进YOLOv4实时检测模型，用于检测和识别电力设备红外图像目标；S5、使用数据集中的训练集进行该模型的训练与参数调节；S6、使用数据集中的测试集对训练完毕的模型进行目标的检测和识别，以证明其有效性；通过以上步骤实现多类电力设备的红外图像的自动检测识别。能够大幅提高识别的准确程度，提高检测识别的效率，有效利用运算资源。

Description

基于人工智能的电力设备红外图像实时检测及识别方法
技术领域
本发明涉及电力设备运行状态安全监测领域，特别是一种基于人工智能的电力设备红外图像实时检测及识别方法。
背景技术
电力设备的安全稳定运行是确保电网可靠供电的关键。通过对设备巡检检测电力设备的运行状态，能够预防由设备缺陷或故障引起的事故发生。红外热成像技术提供了一种非接触的检测方式来获取电力设备的热状态信息，使电力设备的状态检测能在不断电的情况下进行，被广泛应用于电力设备的带电检测中。电力设备的红外图像能够显示其温度分布和范围，通过不同等级的色调和亮度变化来表示设备不同部位的温度。但目前对获取的电力设备红外图像数据仍需依赖经验丰富的电力工程师进行分析及诊断，从而消耗了大量的人力和时间成本，极大降低了电力设备状态检测与评估的效率。因此，研究电力设备状态自动检测的快速、准确方法已成为近年的热点课题，而对设备快速精确地定位是实现自动检测与诊断的前提和关键。
针对电力设备图像目标的精确定位研究，一些传统的目标检测方法通常分三个阶段：1)利用选择性搜索方法在给定的图像上选择候选区域；2)利用构造的特征描述符提取图像特征；3)使用分类器对特征进行分类。其特征提取过程，往往需要人工干预来获取与目标特征相关的原始图像信息，且泛化能力及鲁棒性较差。例如：Almeida C A L,Braga A P,Nascimento S,et al.Intelligent thermographic diagnostic applied to surgearresters:a new approach[J].IEEE Transactions on Power Delivery,2009,24(2):751-757。该文献先使用基于分水岭变换的数字图像处理算法分割出避雷器区域，再用模糊神经网络对分割数据进行训练分类。分水岭算法对图像中噪声和不均匀光照具有较强的鲁棒性，但该方法需要待检测设备位于图像中间才能被正确检测，因此具有一定的应用局限性。例如：Wu Q,An J.An active contour model based on texture distribution forextracting inhomogeneous insulators from aerial images[J].IEEE Transactionson Geoscience and Remote Sensing,2013,52(6):3613-3626。该文献利用半局部算子提取绝缘子图像的纹理特征，再将所定义的新凸能量函数加入主动轮廓模型，进一步提取出绝缘子轮廓，但该方法计算量大且模型不能自动初始化。近年来，基于深度学习的目标检测研究已成为电力设备视觉检测的研究热点。例如：Tao X,Zhang D,Wang Z,etal.Detection of power line insulator defects using aerial images analyzedwith convolutional neural networks[J].IEEE Transactions on Systems,Man,andCybernetics:Systems,2020,50(4):1486-1498。该文献提出了一种新颖的带级联结构的深度卷积神经网络，解决绝缘子定位和缺陷检测的两级问题。该级联结构的上级网络结合了VGG和区域建议网络来确定绝缘子的区域，能够快速定位绝缘子的位置。例如：Liu Z,WangH.Automatic detection of transformer components in inspection images based onimproved faster R-CNN[J].Energies,2018,11(12):3496。该文献将多尺度特征图与相对位置特征引入到Faster R-CNN模型中，用于检测变压器的六类组件，获得了较高的识别精度。例如：Gong X,Yao Q,Wang M,et al.A deep learning approach for orientedelectrical equipment detection in thermal images[J].IEEE Access,2018,6:41590-41597。该文献优先考虑目标各部分之间的方向一致性，提出了一种基于任意方向定位的深度卷积神经网络，用来检测红外图像下四类变电设备的小部件。例如：张倩,王建平,李帷韬.基于反馈机制的卷积神经网络绝缘子状态检测方法[J].电工技术学报,2019,34(16):3311-3321.该文献在LeNet_5模型中引入随机配置网络分类器，并添加反馈机制，提高了检测绝缘子的精度。例如：Redmon J,Farhadi A.YOLOv3:An incremental improvement[J/OL]。该文献首次提出了YOLOv3的检测模型，其单步骤的检测算法在检测速度和精度上均表现出了很大优势，因此在不同研究领域得到了推广和应用。中国专利文献CN103136531A记载了一种绝缘子串红外图像自动识别方法，采用监测图像和模板图像进行特征点提取和特征描述，生成描述向量，并进行特征匹配；完成绝缘子串红外图像的自动识别。但该方案对复杂背景、任意方向的情况下的红外图像识别几乎不能适用。CN106919929A一种基于模板匹配的红外图像中绝缘子自动识别方法，也存在相同的问题。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能的电力设备红外图像实时检测及识别方法，能够降低背景复杂、对比度低、目标特征相近、长宽比偏大等因素对检测准确性的影响，减少出现误检、漏检或重复检测的问题，大幅提高检测精度，实现电力设备复杂背景下红外图像的有效监测，确保对电力设备安全、实时的检测。
为解决上述技术问题，本发明所采用的技术方案是：一种基于人工智能的电力设备红外图像实时检测及识别方法，包括以下步骤：
S1、通过红外热成像仪获取多类电力设备的红外图像；
S2、对获取的图像进行预处理，以形成有效的电力设备红外图像数据集；
S3、对获取的数据集进行目标的标签处理；
将数据集划分为训练集与测试集；
S4、构建改进YOLOv4实时检测模型，用于检测和识别电力设备红外图像目标；
S5、使用数据集中的训练集进行该模型的训练与参数调节；
S6、使用数据集中的测试集对训练完毕的模型进行目标的检测和识别，以证明其有效性；
通过以上步骤实现多类电力设备的红外图像的自动检测识别。
优选的方案中，获取的四种电力设备红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像；
优选的方案中，将获取的数据集采用旋转、对称等数据增强方法进行预处理，以扩充数据集，形成应用于模型的数据集；
或者，将多类电力设备的三维形态作为模型，得到多个方向、角度的训练图集，对多类电力设备的数据集采用旋转、对称等数据增强方法进行预处理，以扩充数据集。
优选的方案中，在步骤S3中，通过LabelImg对数据集中的多种电力设备所在的图形区域进行标注，最终制作成PASCAL VOC格式的数据集。
优选的方案中，步骤4中，在改进YOLOv4实时检测模型中，骨干网络为改进的Darknet53结构，即在YOLOv3骨干网络Darknet53的每个残差块中加上跨阶段局部模块CSP；
在改进的Darknet53结构中，CSP模块为将Darknet53的残差模块按照CSPNet结构加以改进，它由多个卷积模块和n个ResBlock的叠加模块组成，用于降低神经网络在推理过程中的计算量，增强CNN的学习能力，以在网络轻量化的同时保持准确性；
在CBM模块中，Mish激活函数替换Leaky_ReLU(LReLU)激活函数；以保持更小的负值，稳定网络的梯度流，获得更好的准确性和泛化性能。
优选的方案中，步骤S5中，在模型的输入端引入Mosaic数据增强处理；
Mosaic每次读取多张图像，通过随机缩放、裁剪及排布或色域变化中一种或多种方法的组合，将多张图拼成一张，以丰富被检测目标的背景，增加了数据集的多样性。
优选的方案中，在改进YOLOv4实时检测模型中，在颈部加入空间金字塔池化SPP，并在其相连的FPN后加入PAN结构；
SPP模块通过池化不同分辨率的特征挖掘出更重要的目标信息，提升模型的感受野；
FPN是一种自顶向下的特征金字塔结构，每个级别的金字塔特征均可用于检测不同比例的物体；FPN模块是通过自顶向下的上采样方式传递目标的强语义特征，FPN与PAN的组合，用于从不同的主干层对不同的检测层进行参数聚合，进一步提高检测模型的特征提取能力。
优选的方案中，在改进YOLOv4实时检测模型中，检测头部分将原始回归损失函数均方误差(Mean Square Error，MSE)替换为目标检测回归损失函数Complete-IoU(CIoU)损失。
优选的方案中，采用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；同样将交叉熵损失函数作为置信度损失的目标函数；对于定位损失，引入CIoU作为边界框回归计算方式，CIoU引入重叠面积、中心点距离和长宽比三种因素，用于在边框回归时取得更佳的收敛速度和精度；
建立损失函数中的表达式为：
Lloss＝LCIOU+Lconf+Lcla
其中，LCIOU表示边界框回归损失函数，Lconf表示置信度损失函数，Lcla表示分类损失函数；
所述的回归损失函数中：
Figure BDA0002770350520000041
其中：
Figure BDA0002770350520000042
Figure BDA0002770350520000043
Figure BDA0002770350520000044
式中，d表示预测框中心点与标签框中心点之间的欧式距离；c表示预测框与标签框的最小包围框的对角线距离；boxv表示预测框；boxgt表示标签框；r用于衡量预测框和标签框两者宽高比的一致性；α为平衡比例的权衡参数，这个约束量用于控制预测框的宽高尽快地与标签框的宽高接近；
所述分类损失函数中：
Lcla＝-y(1-Pi)log(Pi)
其中：
Figure BDA0002770350520000051
其中y表示目标标签类别是否为预测类别i，其值为0或1；使用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；
所述置信度损失函数中：
Lconf＝-[y(1-C)log(C)+(1-y)Clog(1-C))]
其中：
Figure BDA0002770350520000052
其中y表示预测框中是否存在目标，其值为0或1。
优选的方案中，在步骤S4中，结合K-means聚类分析方法；其通过一种距离函数，来寻找瞄框与标签框尺寸的最佳匹配值，即最大的IoU值；对多类电力设备数据标签进行重新聚类，以获得更具代表性的瞄框参数。使瞄框与标签框更紧密地匹配，提高定位精度；
优选的方案中，步骤S5中，引入迁移学习思想，对骨干网络CSPDarkNet53进行初始化；将训练集输入模型进行训练，训练过程采用批归一化的方式优化，一个批次训练64个样本，每次将1个样本送入模型进行前向计算，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试；
优选的方案中，步骤S5中，模型共训练30000次；数据输入尺寸为608×608像素，一个批次训练64个样本，设置模型的初始学习率为1.3×10-3，动量为0.949，权重衰减为0.0005。
本发明提供一种基于人工智能的电力设备红外图像实时检测及识别方法，通过采用人工智能处理及检测的方案，能够大幅提高识别的准确程度，提高检测识别的效率，有效利用运算资源。能够降低背景复杂、对比度低、目标特征相近、长宽比偏大等因素对检测准确性的影响。减少出现误检、漏检或重复检测的问题，大幅提高检测精度，实现电力设备复杂背景下红外图像的有效监测，确保对电力设备安全、实时的检测。通过采用改进的DarkNet53结构使其适用于检测及识别任务，在YOLOv3骨干网络Darknet53的每个残差块中加上跨阶段局部模块CSP，将梯度的变化集成到特征图中，通过分割梯度流，使梯度流通过不同的网络路径传播。增强CNN的学习能力，能够在网络轻量化的同时保持准确性，降低计算瓶颈，降低计算机内存成本。将其中的Leaky_ReLU(LReLU)激活函数替换为Mish激活函数，稳定网络的梯度流，获得更好的准确性和泛化性能，表现出更高的测试精度。在模型的输入端引入Mosaic数据增强处理，通过随机缩放、裁剪及排布、色域变化等方法把四张图拼成一张，增加了数据集的多样性，随机缩放进一步增加了不同尺度的目标，使网络的鲁棒性更强。在颈部加入空间金字塔池化SPP，并在其相连的FPN后加入PAN结构，通过池化不同分辨率的特征挖掘出更重要的目标信息，提升模型的感受野。具有自顶向下的特征金字塔结构的FPN和通过自底向上的下采样方式传递的PAN相结合，从不同的主干层对不同的检测层进行参数聚合，进一步提高了检测模型的特征提取能力。在检测头部分将原始回归损失函数均方误差(Mean Square Error，MSE)替换为目标检测回归损失函数Complete-IoU(CIoU)损失。使用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；同样将交叉熵损失函数作为置信度损失的目标函数；对于定位损失，本发明引入了CIoU作为边界框回归计算方式，CIoU考虑了重叠面积、中心点距离、长宽比三种因素，能在边框回归时取得更好的收敛速度和精度。进一步优选方案中，通过对现场获取的数据集进行不同的预处理可以提高数据的多样性，防止训练过拟合；结合K-means聚类分析方法，其通过一种距离函数，来寻找瞄框与标签框尺寸的最佳匹配值，即最大的IoU值。对本发明的多类电力设备数据标签进行重新聚类，以获得更具代表性的瞄框参数。使瞄框与标签框更紧密地匹配，提高定位精度；采用迁移学习的思想是防止模型从零开始训练，减少模型训练的时间并提高其鲁棒性。本发明能够成功解决神经网络容易出现误检、漏检或重复检测的问题，大幅提高检测精度，实现电力设备复杂背景下红外图像的有效监测，确保对电力设备安全、实时的检测。并且可适用于多种电气设备的红外图像检测，具有普适性和有效性，尤其是能够完全满足实时性检测的要求。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明实施例的流程示意图。
图2为本发明实施例的四种电力设备的数据集图像样图。
图3为本发明实施例的改进YOLOv4的电力设备红外图像检测及识别模型结构图。
图4为本发明实施例的两种激活函数对比图。
图5为本发明实施例的Mosaic数据增强图。
图6为本发明实施例的FPN+PAN特征融合组合图。
图7为本发明实施例的边界框回归预测图。
图8为本发明实施例的数据集标签中的K-means聚类结果图。
图9为本发明实施例的部分测试集电力设备的检测效果图。
具体实施方式
如图1中，一种基于人工智能的电力设备红外图像实时检测及识别方法，包括以下步骤：
S1、通过红外热成像仪获取多种电力设备的红外图像；如图2中所示，优选出四种电力设备，包括避雷器、互感器、绝缘子、断路器。
优选的方案中，获取的四种电力设备红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像。
可选的方案中，将获取的数据集采用旋转、对称等数据增强方法进行预处理，以扩充数据集，形成应用于模型的数据集。
S2、对获取的图像进行预处理，以形成有效的电力设备红外图像数据集；
优选的方案中，将避雷器、互感器、绝缘子、断路器四种电力设备的3d形态作为模型，得到多个方向、角度的训练图集；进一步优选的，对四种电力设备的数据集采用旋转、对称等数据增强方法进行预处理，以扩充数据集。
S3、对获取的数据集进行目标的标签处理；
优选的方案中，通过LabelImg图片标注软件对数据集中的四种电力设备所在的图形区域进行标注，最终制作成PASCAL VOC格式的数据集，并将数据集制作成待训练与待检测的数据集。
将数据集划分为训练集与测试集；
优选的方案中，数据集共包含4323张设备图像，包括635个避雷器、2470个互感器、6084个绝缘子和1291个断路器设备。为了较好地评估网络性能、验证模型训练测试的泛化性，将数据集随机分为比例基本相同的训练和测试数据，即训练与测试集分别包括2162和2161张图像。
S4、构建改进特征融合单发多盒检测器的红外图像检测模型；
优选的方案如图3、4中所示，改进YOLOv4的电力设备红外图像实时检测模型的主干网络结构采用改进的Darknet53结构，即在YOLOv3骨干网络Darknet53的每个残差块中加上跨阶段局部模块CSP。在颈部加入空间金字塔池化SPP。并在CBM模块中，将Leaky_ReLU(LReLU)激活函数替换为Mish激活函数。
优选的方案中，在改进的Darknet53结构中，CSP模块是将Darknet53的残差模块按照CSPNet结构改进所产生的，它由多个卷积模块和n个ResBlock的叠加模块组成。由此方案，解决了神经网络在推理过程中需要较大计算量的问题，增强CNN的学习能力，能够在网络轻量化的同时保持准确性，降低计算瓶颈，降低计算机内存成本。SPP模块通过池化不同分辨率的特征挖掘出更重要的目标信息，提升模型的感受野。如图4中，采用本发明的方案与LReLU函数相比，Mish函数有助于保持更小的负值，从而稳定网络的梯度流；其平滑特性能有效地允许信息深入地渗透到神经网络中，从而获得更好的准确性和泛化性能。因此，随着网络层数的增加，使用Mish函数的网络比使用LReLU函数的网络表现出更高的测试精度，这对于复杂网络的优化效果更加有效。
优选的方案如图5中，在模型的输入端引入Mosaic数据增强处理。通过随机缩放、裁剪及排布和色域变化中的一种或多种方法的组合，优选的把四张图拼成一张，由此方案，丰富了被检测目标的背景，增加了数据集的多样性。特别是随机缩放进一步增加了不同尺度的目标，使网络的鲁棒性更强。此外，网络能一次计算四张图片的数据，具有更低的训练门槛，能在GPU(图形运算单元)资源有限的条件下也可获得较好的结果。
优选的方案如图6中，在FPN后加入PAN结构。FPN与PAN是两种特征的融合优化方案，FPN是一种自顶向下的特征金字塔结构，每个级别的金字塔特征均可用于检测不同比例的物体。分辨率较低的特征图会产生较粗略的物体特征，可用于大型目标物体检测；分辨率较高的特征图具有更细粒度的特征，可用于检测较小的目标物体。FPN模块是通过自顶向下的上采样方式传递目标的强语义特征，对目标的定位信息传递较少。以将低层的强定位特征通过自底向上的下采样方式传递上去，是对FPN模块的补充优化。FPN与PAN的组合，从不同的主干层对不同的检测层进行参数聚合，进一步提高了检测模型的特征提取能力。
优选的方案中，在检测头部分将原始回归损失函数均方误差(Mean SquareError，MSE)替换为目标检测回归损失函数Complete-IoU(CIoU)损失。使用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；同样将交叉熵损失函数作为置信度损失的目标函数；对于定位损失，本文引入了CIoU作为边界框回归计算方式，CIoU考虑了重叠面积、中心点距离、长宽比三种因素，能在边框回归时取得更好的收敛速度和精度。
优选的方案中，通过对特征图分别进行32、16和8倍下采样，得到分辨率为19×19、38×38和76×76三种不同尺度的特征图，分别用于定位大尺度、中尺度和小尺度的设备目标，其中19,38,76表示最后三个检测层输出的网格数。在三个特征图的每个网格单元上预测三个边界框，每个预测框均带有类别、置信度和位置信息，共包括4个类别变量vi(i＝1，2，3，4)，一个置信度变量vc和4个位置变量(vx，vy，vw，vh)，以上变量组成了模型的预测结果。
优选的方案中，所述目标检测网络预测特征层中目标的位置和角度信息时，所述建立损失函数中的表达式为：
Lloss＝LCIOU+Lconf+Lcla公式1；
公式1中，LCIOU表示边界框回归损失函数，Lconf表示置信度损失函数，Lcla表示分类损失函数。
优选的方案中，所述的回归损失函数中：
Figure BDA0002770350520000091
公式2中：
Figure BDA0002770350520000092
Figure BDA0002770350520000093
Figure BDA0002770350520000101
上式2～5中，d表示预测框中心点与标签框中心点之间的欧式距离；c表示预测框与标签框的最小包围框的对角线距离；boxv表示预测框；boxgt表示标签框；r用于衡量预测框和标签框两者宽高比的一致性；α为平衡比例的权衡参数，这个约束量能够控制预测框的宽高尽快地与标签框的宽高接近，如图7所示。
所述分类损失函数中：
Lcla＝-y(1-Pi)log(Pi)公式6；
公式6中：
Figure BDA0002770350520000102
公式6中，y表示目标标签类别是否为预测类别i，其值为0或1。使用softmax函数将输出的类别变量按多类概率分布进行变换，这里将交叉熵损失函数作为分类损失的目标函数。
所述置信度损失函数中：
Lconf＝-[y(1-C)log(C)+(1-y)Clog(1-C))]公式8；
公式8中：
Figure BDA0002770350520000103
公式8中，y表示预测框中是否存在目标，其值为0或1。
优选的方案如图8中，结合K-means聚类分析方法。其通过一种距离函数，来寻找瞄框与标签框尺寸的最佳匹配值，即最大的IoU值。对本文的四类电力设备数据标签进行重新聚类，以获得更具代表性的瞄框参数。使瞄框与标签框更紧密地匹配，提高定位精度。
S5、使用数据集中的训练集进行该模型的训练与参数调节；
优选的方案中，引入迁移学习思想，对骨干网络CSPDarkNet53进行初始化；将训练集输入模型进行训练，训练过程采用批归一化的方式优化，一个批次训练64个样本，每次将1个样本送入模型进行前向计算，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试。
S6、使用数据集中的测试集对训练完毕的模型进行目标的检测和识别，以证明其有效性；
通过以上步骤实现避雷器、互感器、绝缘子、断路器四类电力设备的红外图像的自动检测识别。本发明通过以上步骤能够成功解决这四类电力设备红外图像的背景复杂、对比度低、目标特征相近、长宽比偏大等因素导致检测效果不佳的问题，减少出现误检、漏检或重复检测的问题，大幅提高检测精度，并且可适用于多种电气设备的红外图像检测，具有普适性和有效性，同样满足实时性检测的要求。
优选的方案中，模型共训练30000次。数据输入尺寸为608×608像素，一个批次训练64个样本，设置模型的初始学习率为1.3×10-3，动量为0.949，权重衰减为0.0005。模型测试结果如图9所示，检测取得了很好的效果。对整个测试集进行测试，在IoU阈值为0.5和0.75时，其平均精度均值分别高达96.04％和89.58％。
实例表明，本发明的方法不仅能准确识别电力设备类别，而且能快速精确地定位到设备所在位置，为进一步对电力设备的带电状态评估与诊断奠定了基础。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是包括以下步骤：
S1、通过红外热成像仪获取多类电力设备的红外图像；
S2、对获取的图像进行预处理，以形成有效的电力设备红外图像数据集；
S3、对获取的数据集进行目标的标签处理；
将数据集划分为训练集与测试集；
S4、构建改进YOLOv4实时检测模型，用于检测和识别电力设备红外图像目标；
S5、使用数据集中的训练集进行该模型的训练与参数调节；
S6、使用数据集中的测试集对训练完毕的模型进行目标的检测和识别，以证明其有效性；
通过以上步骤实现多类电力设备的红外图像的自动检测识别。
2.根据权利要求1或2任一项所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：获取的四种电力设备红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像。
3.根据权利要求1所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：将获取的数据集采用旋转、对称等数据增强方法进行预处理，以扩充数据集，形成应用于模型的数据集；
或者，将多类电力设备的三维形态作为模型，得到多个方向、角度的训练图集，对多类电力设备的数据集采用旋转、对称等数据增强方法进行预处理，以扩充数据集。
4.根据权利要求1所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：在步骤S3中，通过LabelImg对数据集中的多种电力设备所在的图形区域进行标注，最终制作成PASCAL VOC格式的数据集。
5.根据权利要求1所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：步骤4中，在改进YOLOv4实时检测模型中，骨干网络为改进的Darknet53结构，即在YOLOv3骨干网络Darknet53的每个残差块中加上跨阶段局部模块CSP；
在改进的Darknet53结构中，CSP模块为将Darknet53的残差模块按照CSPNet 结构加以改进，它由多个卷积模块和n个ResBlock的叠加模块组成，用于降低神经网络在推理过程中的计算量，增强CNN的学习能力，以在网络轻量化的同时保持准确性；
在CBM模块中，Mish激活函数替换Leaky_ReLU(LReLU)激活函数；以保持更小的负值，稳定网络的梯度流，获得更好的准确性和泛化性能。
6.根据权利要求5所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：步骤S5中，在模型的输入端引入Mosaic数据增强处理；
Mosaic每次读取多张图像，通过随机缩放、裁剪及排布或色域变化中一种或多种方法的组合，将多张图拼成一张，以丰富被检测目标的背景，增加了数据集的多样性。
7.根据权利要求5所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：在改进YOLOv4实时检测模型中，在颈部加入空间金字塔池化SPP，并在其相连的FPN后加入PAN结构；
SPP模块通过池化不同分辨率的特征挖掘出更重要的目标信息，提升模型的感受野；
FPN是一种自顶向下的特征金字塔结构，每个级别的金字塔特征均可用于检测不同比例的物体；FPN模块是通过自顶向下的上采样方式传递目标的强语义特征，FPN与PAN的组合，用于从不同的主干层对不同的检测层进行参数聚合，进一步提高检测模型的特征提取能力。
8.根据权利要求5所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：在改进YOLOv4实时检测模型中，在检测头部分将原始回归损失函数均方误差(Mean Square Error，MSE)替换为目标检测回归损失函数Complete-IoU(CIoU)损失。
9.根据权利要求8所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：采用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；同样将交叉熵损失函数作为置信度损失的目标函数；对于定位损失，引入CIoU作为边界框回归计算方式，CIoU引入重叠面积、中心点距离和长宽比三种因素，用于在边框回归时取得更佳的收敛速度和精度；
建立损失函数中的表达式为：
Lloss＝LCIOU+Lconf+Lcla
其中，LCIOU表示边界框回归损失函数，Lconf表示置信度损失函数，Lcla表示分类损失函数；
所述的回归损失函数中：
Figure FDA0002770350510000031
其中：
Figure FDA0002770350510000032
Figure FDA0002770350510000033
Figure FDA0002770350510000034
式中，d表示预测框中心点与标签框中心点之间的欧式距离；c表示预测框与标签框的最小包围框的对角线距离；boxv表示预测框；boxgt表示标签框；r用于衡量预测框和标签框两者宽高比的一致性；α为平衡比例的权衡参数，这个约束量用于控制预测框的宽高尽快地与标签框的宽高接近；
所述分类损失函数中：
Lcla＝-y(1-Pi)log(Pi)
其中：
Figure FDA0002770350510000035
其中y表示目标标签类别是否为预测类别i，其值为0或1；使用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；
所述置信度损失函数中：
Lconf＝-[y(1-C)log(C)+(1-y)Clog(1-C))]
其中：
Figure FDA0002770350510000036
其中y表示预测框中是否存在目标，其值为0或1。
10.根据权利要求1所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：在步骤S4中，结合K-means聚类分析方法；其通过一种距离函数，来寻找瞄框与标签框尺寸的最佳匹配值，即最大的IoU值；对多类电力设备数据标签进行重新聚类，以获得更具代表性的瞄框参数。使瞄框与标签框更紧密地匹配，提高定位精度；
步骤S5中，引入迁移学习思想，对骨干网络CSPDarkNet53进行初始化；将训练集输入模型进行训练，训练过程采用批归一化的方式优化，一个批次训练64个样本，每次将1个样本送入模型进行前向计算，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试；
步骤S5中，模型共训练30000次；数据输入尺寸为608×608像素，一个批次训练64个样本，设置模型的初始学习率为1.3×10-3，动量为0.949，权重衰减为0.0005。
CN202011246971.6A 2020-11-10 2020-11-10 基于人工智能的电力设备红外图像实时检测及识别方法 Active CN112380952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011246971.6A CN112380952B (zh) 2020-11-10 2020-11-10 基于人工智能的电力设备红外图像实时检测及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011246971.6A CN112380952B (zh) 2020-11-10 2020-11-10 基于人工智能的电力设备红外图像实时检测及识别方法

Publications (2)

Publication Number Publication Date
CN112380952A true CN112380952A (zh) 2021-02-19
CN112380952B CN112380952B (zh) 2022-10-11

Family

ID=74579182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011246971.6A Active CN112380952B (zh) 2020-11-10 2020-11-10 基于人工智能的电力设备红外图像实时检测及识别方法

Country Status (1)

Country Link
CN (1) CN112380952B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906829A (zh) * 2021-04-13 2021-06-04 成都四方伟业软件股份有限公司 一种基于Mnist数据集的数字识别模型构建方法及装置
CN113065511A (zh) * 2021-04-21 2021-07-02 河南大学 基于深度学习的遥感图像飞机检测模型及方法
CN113095127A (zh) * 2021-03-01 2021-07-09 兰州大学 一种基于卫星图像的建筑震后定位与破坏状态评估方法
CN113160062A (zh) * 2021-05-25 2021-07-23 烟台艾睿光电科技有限公司 一种红外图像目标检测方法、装置、设备及存储介质
CN113177499A (zh) * 2021-05-11 2021-07-27 上海道生医疗科技有限公司 基于计算机视觉的舌裂纹形状识别方法及识别系统
CN113221646A (zh) * 2021-04-07 2021-08-06 山东捷讯通信技术有限公司 一种基于Scaled-YOLOv4的城市地下综合管廊异常物检测方法
CN113221961A (zh) * 2021-04-20 2021-08-06 山东师范大学 一种能够缓和表达瓶颈的目标果实检测方法及系统
CN113221823A (zh) * 2021-05-31 2021-08-06 南通大学 一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113344847A (zh) * 2021-04-21 2021-09-03 安徽工业大学 一种基于深度学习的长尾夹缺陷检测方法及系统
CN113436259A (zh) * 2021-06-23 2021-09-24 国网智能科技股份有限公司 基于深度学习的变电站设备实时定位方法及系统
CN113449806A (zh) * 2021-07-12 2021-09-28 苏州大学 基于层次结构的二阶段林业害虫识别与检测系统及方法
CN113469254A (zh) * 2021-07-02 2021-10-01 上海应用技术大学 基于目标检测模型的目标检测方法及系统
CN113516069A (zh) * 2021-07-08 2021-10-19 北京华创智芯科技有限公司 基于尺寸鲁棒的道路标识实时检测方法及装置
CN113592828A (zh) * 2021-08-03 2021-11-02 南京市特种设备安全监督检验研究院 基于工业内窥镜的无损检测方法及系统
CN113724153A (zh) * 2021-08-02 2021-11-30 电子科技大学 一种基于机器学习的图像多余人物消除方法
CN113822844A (zh) * 2021-05-21 2021-12-21 国电电力宁夏新能源开发有限公司 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
CN113850324A (zh) * 2021-09-24 2021-12-28 郑州大学 一种基于Yolov4的多光谱目标检测方法
CN113971811A (zh) * 2021-11-16 2022-01-25 北京国泰星云科技有限公司 一种基于机器视觉和深度学习的集装箱特征智能识别方法
CN115063418A (zh) * 2022-08-10 2022-09-16 北京航空航天大学 一种基于图像识别的动力电池温度检测方法
CN115170829A (zh) * 2022-08-03 2022-10-11 无锡中车时代智能装备研究院有限公司 发电机转子通风孔异物监控识别系统及方法
CN116452972A (zh) * 2023-03-17 2023-07-18 兰州交通大学 一种基于Transformer端到端的遥感图像车辆目标检测方法
CN116776130A (zh) * 2023-08-23 2023-09-19 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置
CN116843941A (zh) * 2023-05-15 2023-10-03 北京中润惠通科技发展有限公司 电力设备检测数据智能分析系统
CN117115178A (zh) * 2023-08-23 2023-11-24 国网四川省电力公司电力科学研究院 一种基于半参数共享的电力红外巡检图像分割、检测方法
CN117541890A (zh) * 2023-11-08 2024-02-09 北京天易数聚科技有限公司 一种电网设备目标检测方法、系统、设备及介质
CN117893975A (zh) * 2024-03-18 2024-04-16 南京邮电大学 一种电力监控识别场景下的多精度残差量化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742093A (zh) * 2017-09-01 2018-02-27 国网山东省电力公司电力科学研究院 一种红外图像电力设备部件实时检测方法、服务器及系统
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
CN109446925A (zh) * 2018-10-08 2019-03-08 中山大学 一种基于卷积神经网络的电力设备检测算法
CN109784336A (zh) * 2019-01-30 2019-05-21 云南电网有限责任公司电力科学研究院 一种基于yolo目标检测算法的红外图像故障点识别方法
CN110889324A (zh) * 2019-10-12 2020-03-17 南京航空航天大学 一种基于yolo v3面向末端制导的热红外图像目标识别方法
CN111798412A (zh) * 2020-06-04 2020-10-20 国网山东省电力公司电力科学研究院 一种基于红外图像的变电设备缺陷智能诊断方法及系统
KR20200123324A (ko) * 2019-04-18 2020-10-29 주식회사 클래스액트 연결 요소 분석 기법과 yolo 알고리즘을 이용한 돼지 겹침 객체 분리 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742093A (zh) * 2017-09-01 2018-02-27 国网山东省电力公司电力科学研究院 一种红外图像电力设备部件实时检测方法、服务器及系统
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
CN109446925A (zh) * 2018-10-08 2019-03-08 中山大学 一种基于卷积神经网络的电力设备检测算法
CN109784336A (zh) * 2019-01-30 2019-05-21 云南电网有限责任公司电力科学研究院 一种基于yolo目标检测算法的红外图像故障点识别方法
KR20200123324A (ko) * 2019-04-18 2020-10-29 주식회사 클래스액트 연결 요소 분석 기법과 yolo 알고리즘을 이용한 돼지 겹침 객체 분리 방법
CN110889324A (zh) * 2019-10-12 2020-03-17 南京航空航天大学 一种基于yolo v3面向末端制导的热红外图像目标识别方法
CN111798412A (zh) * 2020-06-04 2020-10-20 国网山东省电力公司电力科学研究院 一种基于红外图像的变电设备缺陷智能诊断方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALEXEY BOCHKOVSKIY等: "YOLOv4: Optimal Speed and Accuracy of Object Detection", 《ARXIV.ORG》 *
BBLINGBBLING: "yolov3和yolov4损失函数", 《HTTPS://BLOG.CSDN.NET/BBLINGBBLING/ARTICLE/DETAILS/106910026》 *
YUNPENG LIU等: "Research on automatic location and recognition of insulators in substation based on YOLOv3", 《HIGH VOLTAGE》 *
ZHAOHUI ZHENG等: "Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression", 《ARXIV.ORG》 *
李浩: "基于计算机视觉的电力设备红外检测研究", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》 *
王永平等: "基于YOLO v3 的高压开关设备异常发热点目标检测方法", 《红外技术》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095127A (zh) * 2021-03-01 2021-07-09 兰州大学 一种基于卫星图像的建筑震后定位与破坏状态评估方法
CN113095127B (zh) * 2021-03-01 2022-06-17 兰州大学 一种基于卫星图像的建筑震后定位与破坏状态评估方法
CN113221646A (zh) * 2021-04-07 2021-08-06 山东捷讯通信技术有限公司 一种基于Scaled-YOLOv4的城市地下综合管廊异常物检测方法
CN112906829A (zh) * 2021-04-13 2021-06-04 成都四方伟业软件股份有限公司 一种基于Mnist数据集的数字识别模型构建方法及装置
CN113221961A (zh) * 2021-04-20 2021-08-06 山东师范大学 一种能够缓和表达瓶颈的目标果实检测方法及系统
CN113344847A (zh) * 2021-04-21 2021-09-03 安徽工业大学 一种基于深度学习的长尾夹缺陷检测方法及系统
CN113065511A (zh) * 2021-04-21 2021-07-02 河南大学 基于深度学习的遥感图像飞机检测模型及方法
CN113065511B (zh) * 2021-04-21 2024-02-02 河南大学 基于深度学习的遥感图像飞机检测模型及方法
CN113344847B (zh) * 2021-04-21 2023-10-31 安徽工业大学 一种基于深度学习的长尾夹缺陷检测方法及系统
CN113256562B (zh) * 2021-04-22 2021-12-14 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113256562A (zh) * 2021-04-22 2021-08-13 深圳安德空间技术有限公司 基于雷达图像和人工智能的道路地下隐患检测方法和系统
CN113177499A (zh) * 2021-05-11 2021-07-27 上海道生医疗科技有限公司 基于计算机视觉的舌裂纹形状识别方法及识别系统
CN113822844A (zh) * 2021-05-21 2021-12-21 国电电力宁夏新能源开发有限公司 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
CN113160062A (zh) * 2021-05-25 2021-07-23 烟台艾睿光电科技有限公司 一种红外图像目标检测方法、装置、设备及存储介质
CN113221823A (zh) * 2021-05-31 2021-08-06 南通大学 一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法
CN113436259A (zh) * 2021-06-23 2021-09-24 国网智能科技股份有限公司 基于深度学习的变电站设备实时定位方法及系统
CN113469254A (zh) * 2021-07-02 2021-10-01 上海应用技术大学 基于目标检测模型的目标检测方法及系统
CN113469254B (zh) * 2021-07-02 2024-04-16 上海应用技术大学 基于目标检测模型的目标检测方法及系统
CN113516069A (zh) * 2021-07-08 2021-10-19 北京华创智芯科技有限公司 基于尺寸鲁棒的道路标识实时检测方法及装置
CN113449806A (zh) * 2021-07-12 2021-09-28 苏州大学 基于层次结构的二阶段林业害虫识别与检测系统及方法
CN113724153A (zh) * 2021-08-02 2021-11-30 电子科技大学 一种基于机器学习的图像多余人物消除方法
CN113592828B (zh) * 2021-08-03 2023-06-30 南京市特种设备安全监督检验研究院 基于工业内窥镜的无损检测方法及系统
CN113592828A (zh) * 2021-08-03 2021-11-02 南京市特种设备安全监督检验研究院 基于工业内窥镜的无损检测方法及系统
CN113850324A (zh) * 2021-09-24 2021-12-28 郑州大学 一种基于Yolov4的多光谱目标检测方法
CN113971811A (zh) * 2021-11-16 2022-01-25 北京国泰星云科技有限公司 一种基于机器视觉和深度学习的集装箱特征智能识别方法
CN115170829A (zh) * 2022-08-03 2022-10-11 无锡中车时代智能装备研究院有限公司 发电机转子通风孔异物监控识别系统及方法
CN115063418B (zh) * 2022-08-10 2022-11-01 北京航空航天大学 一种基于图像识别的动力电池温度检测方法
CN115063418A (zh) * 2022-08-10 2022-09-16 北京航空航天大学 一种基于图像识别的动力电池温度检测方法
CN116452972A (zh) * 2023-03-17 2023-07-18 兰州交通大学 一种基于Transformer端到端的遥感图像车辆目标检测方法
CN116843941A (zh) * 2023-05-15 2023-10-03 北京中润惠通科技发展有限公司 电力设备检测数据智能分析系统
CN117115178A (zh) * 2023-08-23 2023-11-24 国网四川省电力公司电力科学研究院 一种基于半参数共享的电力红外巡检图像分割、检测方法
CN116776130A (zh) * 2023-08-23 2023-09-19 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置
CN117541890A (zh) * 2023-11-08 2024-02-09 北京天易数聚科技有限公司 一种电网设备目标检测方法、系统、设备及介质
CN117893975A (zh) * 2024-03-18 2024-04-16 南京邮电大学 一种电力监控识别场景下的多精度残差量化方法

Also Published As

Publication number Publication date
CN112380952B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
Wang et al. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
Liu et al. Recurrent attentive zooming for joint crowd counting and precise localization
Davari et al. Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN105404886B (zh) 特征模型生成方法和特征模型生成装置
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN112233073A (zh) 一种变电设备红外热成像异常实时检测方法
CN112200178B (zh) 基于人工智能的变电站绝缘子红外图像检测方法
Wu et al. UAV imagery based potential safety hazard evaluation for high-speed railroad using Real-time instance segmentation
Geng et al. An improved helmet detection method for YOLOv3 on an unbalanced dataset
CN113469950A (zh) 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法
Tan Automatic insulator detection for power line using aerial images powered by convolutional neural networks
Liu et al. Ground-based cloud classification using weighted local binary patterns
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
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
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN111597900B (zh) 非法遛狗识别方法
Akanksha et al. A Feature Extraction Approach for Multi-Object Detection Using HoG and LTP.
CN111898427A (zh) 一种基于特征融合深度神经网络的多光谱行人检测方法
CN115272882A (zh) 一种基于遥感影像的离散建筑物检测方法及系统

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