CN112396578B - 基于目标检测与语义分割的隔离开关开合状态识别方法 - Google Patents

基于目标检测与语义分割的隔离开关开合状态识别方法 Download PDF

Info

Publication number
CN112396578B
CN112396578B CN202011137320.3A CN202011137320A CN112396578B CN 112396578 B CN112396578 B CN 112396578B CN 202011137320 A CN202011137320 A CN 202011137320A CN 112396578 B CN112396578 B CN 112396578B
Authority
CN
China
Prior art keywords
image
switch
segmentation
pixel
isolating switch
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
Application number
CN202011137320.3A
Other languages
English (en)
Other versions
CN112396578A (zh
Inventor
乐全明
孙智卿
赵健
尤振飞
宣羿
蒋建
刘剑
屠永伟
来益博
陈益芳
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.)
Shanghai University of Electric Power
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Shanghai University of Electric Power
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Shanghai University of Electric Power, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Shanghai University of Electric Power
Priority to CN202011137320.3A priority Critical patent/CN112396578B/zh
Publication of CN112396578A publication Critical patent/CN112396578A/zh
Application granted granted Critical
Publication of CN112396578B publication Critical patent/CN112396578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像检测领域，尤其涉及一种基于目标检测与语义分割的隔离开关开合状态识别方法，包括：从图像中逐个提取隔离开关；对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像；利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记；根据隔离开关分割图像中连通区域个数判断隔离开关状态。通过使用本发明，可以实现以下效果：从图像中逐个提取隔离开关，对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像，利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记，根据隔离开关分割图像中连通区域个数判断隔离开关状态，从而实现对隔离开关开合状态进行识别，进而保证电网的安全性。

Description

基于目标检测与语义分割的隔离开关开合状态识别方法
技术领域
本发明涉及图像检测领域，尤其涉及一种基于目标检测与语义分割的隔离开关开合状态识别方法。
背景技术
在变电站中，安排电力设备检修、改变系统运行方式时，需由运维人员按照操作票指令完成分合闸。隔离开关是电力系统中广泛应用的电力元件，数量众多。在电力系统的倒闸过程中为了保证断路器和隔离开关在不动作或误动作后下一步操作的安全性，就需要对每个隔离开关的状态进行人工检查，如此众多的隔离开关的开合状态仅依靠传统的技术人员进行人工检查不仅费时费力而且增加了人力成本。
传统人工方法不仅存在流程复杂、重复工作量大、操作效率低下、安全风险高等问题，而且由于人工疲劳等原因，可能造成误操作、误判断。
发明内容
为解决上述问题，本发明提出一种基于目标检测与语义分割的隔离开关开合状态识别方法。
基于目标检测与语义分割的隔离开关开合状态识别方法，包括：
从图像中逐个提取隔离开关；
对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像；
利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记；
根据隔离开关分割图像中连通区域个数判断隔离开关状态。
优选的，所述从图像中逐个提取隔离开关包括：
利用YOLOv3目标检测算法定位图像中的隔离开关并给出位置坐标，利用该坐标从图像中逐个提取隔离开关。
优选的，所述对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像包括：
利用全卷积语义分割算法FCN对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像，其中属于隔离开关的像素赋值为1，分类为背景的像素赋值为0。
优选的，所述利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记包括：
对分割图像进行扫描，若像素点的值为1，且未标记，则进行标记，并检查该点的八邻接像素点的连通情况，若值为1且未标记，则进行标记，并将新标记的像素点加入列表L，直到分割图像中所有像素值为1的像素点都完成标记，表示所有连通区域标记完成；
取出列表L中的一个像素，检查该点的八邻接像素点的连通情况，若像素点的值为1且未标记，则进行标记，并将新标记的像素点加入列表L，直到列表中的元素为空，表示一个连通区域标记完成。
优选的，所述根据隔离开关分割图像中连通区域个数判断隔离开关状态包括：
若连通区域个数为1，则判断隔离开关处于关闭状态；若连通区域的个数为2，则判断隔离开关处于打开状态。
优选的，还包括：
通过风格迁移算法，生成包含隔离开关图像内容特征以及风格图像风格特征的风格化隔离开关图像，增强隔离开关训练集，提升恶劣天气隔离开关图像中隔离开关定位准确性。
优选的，还包括：
设置连通区域面积阈值的方法进行去除非开关臂区域。
优选的，所述设置连通区域面积阈值的方法进行去除非开关臂区域包括：
抽取N张打开状态的隔离开关分割图像，对分割图像进行连通区域标记；
分别统计分割图像中各个连通区域中像素点个数，构成数组A1,A2,...An；
对每个数组中元素按降序排序，选出每个数组中排第三的元素构成新数组B1；
对数组B1进行降序排序，选取排第一的元素加上一个较小的正值，作为面积阈值S1；
抽取N张关闭状态的隔离开关分割图像，对分割图像进行连通区域标记；
分别统计分割图像中各个连通区域中像素点个数，构成数组A1,A2,...An；
对每个数组中元素按降序排序，选出每个数组中排第二的元素构成新数组B1；
对数组B1进行降序排序，选取排第一的元素加上一个较小的正值，作为面积阈值S2；
取S＝max{S1,S2},将小于面积阈值S的连通区域中的像素值置零。
通过使用本发明，可以实现以下效果：
1.从图像中逐个提取隔离开关，对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像，利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记，根据隔离开关分割图像中连通区域个数判断隔离开关状态，从而实现对隔离开关开合状态进行识别，进而保证电网的安全性；
2.设置连通区域面积阈值的方法进行去除非开关臂区域，以提高隔离开关开合状态识别的准确性。
附图说明
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。
图1是本发明实施例一种基于目标检测与语义分割的隔离开关开合状态识别方法的示意流程图；
图2是本发明实施例一种基于目标检测与语义分割的隔离开关开合状态识别方法步骤S5的示意流程图；
图3是本发明实施例一种基于目标检测与语义分割的隔离开关开合状态识别方法步骤S501～S509的示意流程图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明的基本思想是从图像中逐个提取隔离开关，对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像，利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记，根据隔离开关分割图像中连通区域个数判断隔离开关状态，从而实现对隔离开关开合状态进行识别，进而保证电网的安全性。
基于上述思想，本发明实施例提出一种基于目标检测与语义分割的隔离开关开合状态识别方法，如图1所示，包括以下步骤：
S1：从图像中逐个提取隔离开关。
利用风格迁移算法对隔离开关图像进行风格化。使用labelImg工具对风格化图像及原图像中隔离开关的位置进行标注，并按照PASCAL VOC数据集格式制作数据集一。
利用数据集一对YOLOv3模型进行训练，得到训练好的模型用于识别图像中隔离开关并给出位置坐标，利用该坐标将隔离开关提取。
对提取的隔离开关进行风格化，使用labelme工具对提取图像及其风格化图像中隔离开关的开关臂轮廓进行标注，并按照ADEChallengeData2016格式制作数据集二。
利用数据集二训练FCN模型，利用训练好的模型分割YOLOv3提取图像中隔离开关的开关臂。从而得到分割图像，其中属于隔离开关的像素赋值为1，分类为背景的像素赋值为0。
通过风格迁移算法，生成包含隔离开关图像内容特征以及风格图像风格特征的风格化隔离开关图像，加入YOLOv3算法及FCN算法的训练集中，抑制卷积神经网络的纹理偏好，提升目标检测及语义分割模型对雨、雪、雾、拍摄失焦图像中隔离开关的定位及分割准确性。
S2：对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像。
利用全卷积语义分割算法FCN对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像，其中属于隔离开关的像素赋值为1，分类为背景的像素赋值为0。
FCN模型是全卷积网络，没有全连接层，能够适应任意大小的输入图像，完整接受图像信息。通过对深层的特征图上采样后与浅层特征图融合，提升像素分类准确性。
S3：利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记。
对分割图像进行扫描，若像素点的值为1，且未标记，则进行标记，并检查该点的八邻接像素点的连通情况，若值为1且未标记，则进行标记，并将新标记的像素点加入列表L，直到分割图像中所有像素值为1的像素点都完成标记，表示所有连通区域标记完成；
取出列表L中的一个像素，检查该点的八邻接像素点的连通情况，若像素点的值为1且未标记，则进行标记，并将新标记的像素点加入列表L，直到列表中的元素为空，表示一个连通区域标记完成。
S4：根据隔离开关分割图像中连通区域个数判断隔离开关状态。
对分割得到的隔离开关分割图像进行连通区域的标记。当一个值为1的像素点的相邻像素点也为1，即认为这两个像素点连通。一个连通区域中的的所有像素点使用同一个值进行标记。像素标记范围采用八邻接像素，即对一个像素点的上下左右和四个对角共八个像素点进行检查，是否满足连通条件。通过去噪处理后，隔离开关分割图中一般只剩下1个或2个连通区域。若连通区域个数为1，认为隔离开关处于关闭状态；连通区域的个数为2，认为隔离开关处于打开状态。
在一些实施例中，在隔离开关开合状态识别中，隔离开关分割图像中有部分非开关臂区域，非开关臂区域的存在会增加连通区域的个数。因此，如图2所示，本发明还包括以下步骤：
S5：设置连通区域面积阈值的方法进行去除非开关臂区域。
如图3所示，具体包括以下步骤：
S501：抽取N张打开状态的隔离开关分割图像，对分割图像进行连通区域标记；
S502：分别统计分割图像中各个连通区域中像素点个数，构成数组A1,A2,...An；
S503：对每个数组中元素按降序排序，选出每个数组中排第三的元素构成新数组B1；
S504：对数组B1进行降序排序，选取排第一的元素加上一个较小的正值，作为面积阈值S1；
S505：抽取N张关闭状态的隔离开关分割图像，对分割图像进行连通区域标记；
S506：分别统计分割图像中各个连通区域中像素点个数，构成数组A1,A2,...An；
S507：对每个数组中元素按降序排序，选出每个数组中排第二的元素构成新数组B1；
S508：对数组B1进行降序排序，选取排第一的元素加上一个较小的正值，作为面积阈值S2；
S509：取S＝max{S1,S2}，将小于面积阈值S的连通区域中的像素值置零。
通过去除非开关臂区域处理后，隔离开关分割图中一般只剩下1个或2个连通，从而提高隔离开关开合状态识别的准确性。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.基于目标检测与语义分割的隔离开关开合状态识别方法，其特征在于，包括：
从图像中逐个提取隔离开关；
对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像；
利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记；
根据隔离开关分割图像中连通区域个数判断隔离开关状态；
设置连通区域面积阈值的方法进行去除非开关臂区域；
所述设置连通区域面积阈值的方法进行去除非开关臂区域包括：
抽取N张打开状态的隔离开关分割图像，对分割图像进行连通区域标记；
分别统计分割图像中各个连通区域中像素点个数，构成数组A1,A2,...An；
对每个数组中元素按降序排序，选出每个数组中排第三的元素构成新数组B1；
对数组B1进行降序排序，选取排第一的元素加上一个较小的正值，作为面积阈值S1；
抽取N张关闭状态的隔离开关分割图像，对分割图像进行连通区域标记；
分别统计分割图像中各个连通区域中像素点个数，构成数组A1,A2,...An；
对每个数组中元素按降序排序，选出每个数组中排第二的元素构成新数组B1；
对数组B1进行降序排序，选取排第一的元素加上一个较小的正值，作为面积阈值S2；
取S＝max{S1,S2},将小于面积阈值S的连通区域中的像素值置零。
2.根据权利要求1所述的基于目标检测与语义分割的隔离开关开合状态识别方法，其特征在于，所述从图像中逐个提取隔离开关包括：
利用YOLOv3目标检测算法定位图像中的隔离开关并给出位置坐标，利用该坐标从图像中逐个提取隔离开关。
3.根据权利要求1所述的基于目标检测与语义分割的隔离开关开合状态识别方法，其特征在于，所述对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像包括：
利用全卷积语义分割算法FCN对提取到的单个隔离开关进行像素级别的密集分类，得到分割图像，其中属于隔离开关的像素赋值为1，分类为背景的像素赋值为0。
4.根据权利要求3所述的基于目标检测与语义分割的隔离开关开合状态识别方法，其特征在于，所述利用区域生长算法对分割得到的隔离开关分割图像进行连通区域的标记包括：
对分割图像进行扫描，若像素点的值为1，且未标记，则进行标记，并检查该点的八邻接像素点的连通情况，若值为1且未标记，则进行标记，并将新标记的像素点加入列表L，直到分割图像中所有像素值为1的像素点都完成标记，表示所有连通区域标记完成；
取出列表L中的一个像素，检查该点的八邻接像素点的连通情况，若像素点的值为1且未标记，则进行标记，并将新标记的像素点加入列表L，直到列表中的元素为空，表示一个连通区域标记完成。
5.根据权利要求1所述的基于目标检测与语义分割的隔离开关开合状态识别方法，其特征在于，所述根据隔离开关分割图像中连通区域个数判断隔离开关状态包括：
若连通区域个数为1，则判断隔离开关处于关闭状态；若连通区域的个数为2，则判断隔离开关处于打开状态。
6.根据权利要求1～5任一项所述的基于目标检测与语义分割的隔离开关开合状态识别方法，其特征在于，还包括：
通过风格迁移算法，生成包含隔离开关图像内容特征以及风格图像风格特征的风格化隔离开关图像，增强隔离开关训练集，提升恶劣天气隔离开关图像中隔离开关定位准确性。
CN202011137320.3A 2020-10-22 2020-10-22 基于目标检测与语义分割的隔离开关开合状态识别方法 Active CN112396578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011137320.3A CN112396578B (zh) 2020-10-22 2020-10-22 基于目标检测与语义分割的隔离开关开合状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011137320.3A CN112396578B (zh) 2020-10-22 2020-10-22 基于目标检测与语义分割的隔离开关开合状态识别方法

Publications (2)

Publication Number Publication Date
CN112396578A CN112396578A (zh) 2021-02-23
CN112396578B true CN112396578B (zh) 2022-11-11

Family

ID=74595661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011137320.3A Active CN112396578B (zh) 2020-10-22 2020-10-22 基于目标检测与语义分割的隔离开关开合状态识别方法

Country Status (1)

Country Link
CN (1) CN112396578B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657175A (zh) * 2021-07-21 2021-11-16 山东爱普电气设备有限公司 配电柜开关状态智能识别方法、系统、存储介质及设备
CN113822200B (zh) * 2021-09-24 2024-03-26 成都交大光芒科技股份有限公司 牵引变电所辅助监控多视角档位开关自动识别方法及装置
CN118365955A (zh) * 2024-05-14 2024-07-19 广东电网有限责任公司 隔离开关开合状态识别方法、装置、计算机程序产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923788A (en) * 1995-03-06 1999-07-13 Kabushiki Kaisha Toshiba Image processing apparatus
CN111767777A (zh) * 2020-01-08 2020-10-13 杭州健而控科技有限公司 一种基于图像处理算法的变电站隔离开关状态分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037067B2 (en) * 2017-07-10 2021-06-15 Infrared Integrated Systems Limited Apparatus and method for occupancy detection
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN110826564A (zh) * 2019-11-01 2020-02-21 山东浪潮人工智能研究院有限公司 一种复杂场景图像中的小目标语义分割方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923788A (en) * 1995-03-06 1999-07-13 Kabushiki Kaisha Toshiba Image processing apparatus
CN111767777A (zh) * 2020-01-08 2020-10-13 杭州健而控科技有限公司 一种基于图像处理算法的变电站隔离开关状态分析方法

Also Published As

Publication number Publication date
CN112396578A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN112396578B (zh) 基于目标检测与语义分割的隔离开关开合状态识别方法
CN108765373B (zh) 一种基于集成分类器在线学习的绝缘子异常自动检测方法
CN107507194B (zh) 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法
CN109376768B (zh) 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法
CN112199993A (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
CN107506768A (zh) 一种基于全卷积神经网络的输电线路导线断股识别方法
CN111784692B (zh) 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备
CN107680090A (zh) 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN108986104B (zh) 基于距离变换和标记分水岭算法的绝缘子图像分割方法
CN107492094A (zh) 一种高压电线绝缘子的无人机视觉检测方法
CN103940824A (zh) 一种空中输电线路绝缘子检测方法
CN111461238A (zh) 模型训练方法、字符识别方法、装置、设备及存储介质
CN106408025B (zh) 基于图像处理的航拍图像绝缘子分类识别方法
CN110008877B (zh) 一种基于Faster RCNN的变电站隔离开关检测识别方法
CN105678760A (zh) 一种基于Canny边缘检测算法的绝缘子图像识别方法
CN110991448A (zh) 电力设备铭牌图像的文本检测方法及装置
CN105426825A (zh) 一种基于航拍图像识别的电网地理接线图绘制方法
CN111814742A (zh) 基于深度学习的刀闸状态识别方法
CN113065484A (zh) 一种基于紫外图谱的绝缘子污秽状态评估方法
CN115588021A (zh) 一种瓷绝缘子及金具无人机红外巡检图像融合分割方法
CN114187505A (zh) 输电线路防振锤脱落的检测方法、装置、介质及终端设备
CN113888462A (zh) 一种裂纹识别方法、系统、可读介质及存储介质
CN112837313A (zh) 一种输电线路异物的图像分割的方法
CN109902730B (zh) 基于深度学习的输电线路断股检测方法
CN109884468B (zh) 一种基于图像像素积累分析的绝缘子自爆缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant