CN112529836A - 高压线路缺陷检测方法、装置、存储介质及电子设备 - Google Patents
高压线路缺陷检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112529836A CN112529836A CN202011188673.6A CN202011188673A CN112529836A CN 112529836 A CN112529836 A CN 112529836A CN 202011188673 A CN202011188673 A CN 202011188673A CN 112529836 A CN112529836 A CN 112529836A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- input image
- images
- feature images
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种高压线路缺陷检测方法、装置、存储介质及电子设备,所述方法包括:获取待检测区域对应的输入图像;将所述输入图像进行压缩处理得到预设尺寸的图像;通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像;基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果,本申请在Yolov3算法上优化添加了SPP层,可以提高缺陷检测的准确率和效率。
Description
技术领域
本申请涉及电力巡检领域,尤其涉及一种高压线路缺陷检测方法、装置、存储介质及电子设备。
背景技术
输电线路无人机巡视检查是工作人员用无人机设备对输电线路的各部件进行观察、检查和测量。目的是为掌握线路的运行状况、及时发现设备缺陷和威胁线路安全的问题。由于架空线路分布很广,又长期处于露天之下运行,所以经常会受到周围环境和大自然变化的影响,加上配电线路设备种类较输电线路多而复杂,很容易对线路的安全运行造成的影响,轻则跳闸,重则使导线断裂或者杆塔倒塌,造成较大面积的停电。
然而目前的缺陷查找手段主要靠人工肉眼判断,由于缺陷种类繁多而且存在某些缺陷较小导致肉眼判断有很大的可能性造成判断错误。因此,需要一套操作简单,处理方便的软件,在无人机巡线拍摄的可见光照片的基础上批量智能分析出缺陷和定位出位置点。
发明内容
本申请实施例提供了一种高压线路缺陷检测方法、装置、存储介质及电子设备,可以解决相关技术中人工检测电力通道缺陷存在的效率低和准确性低的问题。所述技术方案如下:
第一方面,本申请实施例提供了一种高压线路缺陷检测方法,所述方法包括:
获取待检测区域对应的输入图像;
将所述输入图像进行压缩处理得到预设尺寸的图像;
通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像;
基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果。
第二方面,本申请实施例提供了一种高压线路缺陷检测装置,所述装置包括:
获取单元,用于获取待检测区域对应的输入图像;
压缩单元,用于将所述输入图像进行压缩处理得到预设尺寸的图像;
提取单元,用于通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像;
检测单元,用于基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括:
1、支持多种飞机影像数据:可支持多种无人机或有人机可见光数据源,如固定翼、多旋翼等无人机搭载普通可见光相机所摄取影像或视频,或者直升机、大型固定翼等有人机等搭载专业量测相机所摄取的图像或视频;2、自动获取相机参数:自动从影像exif中上读取相机的基本参数,例如:相机型号、焦距、像主点等。智能识别自定义参数,节省时间;3、无需专业操作员:只需要简单点击几下,不需要专业知识,班组人员就能够直接处理和查看结果;4、实时获取结果:只需要在后台进行简单配置即可切换实时检测模式;5、充分利用硬件资源:原生64位软件,在整个处理过程中,能自动调用无人机所有的处理器内核和内存资源,提高数据处理速度;开启批量检测后无需人值守,充分利用机器资源,从而节省人力物力;6、数据能力强大:支持多达10000张影像同时处理—在同一工程中处理来自不同相机的数据—多架次、大于2000张数据全自动处理—直观便捷的界面;7、操作简单:简化操作流程,班组人员可快速掌握该软件;8、成果可靠:实测比人眼亲自查找缺陷准确率高10%以上,当图像或视频光线较暗时或者缺陷较小时效果尤其显著;9、自动化程度高:选择需要检测的图像或视频可一键完成检测、标注、生成报告一系列流程;10、作业效率高:实测带有GTX1080显卡的机器检测1000张图片只需不到15分钟,而人工至少需要4小时,大大提高了作业效率,而且无需人值守。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的网络结构图;
图1B是本申请实施例提供的终端的软件结构示意图;
图2A是本申请实施例提供的一种高压线路缺陷检测方法的流程示意图;
图2B是本申请实施例提供的检测电力通道缺陷的原理示意图;
图2C是本申请实施例提供的计算合并比的原理示意图;
图2D是本申请实施例提高的混淆矩阵的示意图;
图2E是本申请实施例提供的混淆矩阵的应用原理示意图;
图2F是本申请实施例提供的精准度和召回率的关系曲线图;
图3是本申请实施例提供的一种高压线路缺陷检测装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参见图1A,为本申请实施例提供的一种网络架构图,本申请的网络架构包括:图像采集装置11和终端设备12,图像采集装置11用于对待检测区域进行图像采集得到输入图像,图像采集装置11可以为无人机或有人机,例如:搭载有普通可见光相机的固定翼无人机或多旋翼无人机,搭载有专业测量相机的相机。终端设备12可以为笔记本电脑、移动终端或台式计算机等,终端设备12的数量可以是一个或多个,多个终端设备可以组成终端集群,终端集群协作完成对图像采集装置11采集的图像进行分析得出电力通道的缺陷位置和缺陷类型。图像采集装置11和终端设备12之间的通信的方式可以是无线通信方式,例如:终端设备内置有蜂窝网络数据模块或WIFI模块,基于蜂窝网络或WIFI网络与终端设备12之间进行通信,例如:蜂窝网络包括但不限于2G、3G、4G、5G或下一代网络。
参见图1B为本申请实施例的终端设备的软件结构图,其软件架构包括:基础层、数据层、学习与训练层、模型层、应用层,基础层包括终端设备的硬件资源,例如:处理器资源、CPU资源和磁盘资源等。数据层包括多个不同类型的数据库,数据层用于存储巡检数据、缺陷数据、样本数据和测试数据等,例如:巡检原始数据库、缺陷数据库、智能分析样本库、测试与验证库。学习与训练层包括缺陷识别模型深度学习模块和深度学习训练平台,用于训练目标识别模型。模型层包括含有多个神经网络模型的神经网络模型库。应用层用于调用下层进行目标检测,以检测电力通道的缺陷类型和缺陷位置,例如:应用层包括缺陷分析软件,电力通道的缺陷分析软件是基于Yolov3目标检测算法技术,针对无人机进行输电线路通道巡检获取的相关图像、视频,从而进行分析出现的缺陷隐患问题,相比人工校验降低了技术门槛的同时还节省了大量的人力投入。
请参见图2A,为本申请实施例提供的一种高压线路缺陷检测方法的流程示意图。如图2A所示,本申请实施例的所述方法可以包括以下步骤:
S201、获取待检测区域对应的输入图像。
其中,获取图像采集装置在待检测区域采集的输入图像,输入图像可以为图片或视频,输入图像的数量可以为多个。例如:图像采集装置为无人机,无人机为保证覆盖足够大的待检测区域,在规划的区域内按照一定规则飞行,同时无人机上搭载的相机按照一定规则对待检测区域内的电力实施进行牌子,得到多个图片或视频。
S202、将所述输入图像进行压缩处理得到预设尺寸的图像。
其中,将输入图像的尺寸进行缩放处理得到预设尺寸的图像,例如:预设尺寸为416*416。
S203、通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像。
其中,通过特征提取网络(Darknet53 without FC layer)对输入图像提取特征得到多个不同尺寸的特征图像。
其中,Yolov3神经网络算法模型包括SPP(Spatial Pyramid Pooling,空间金字塔池化)层,SPP层和YOLO(YouOnlyLookOnce)层连接,YOLO层为一个全连接层,本申请的YOLO层使用Yolov3算法对目标进行检测。YOLO层具有如下特性:
1、SPP层有以下几个特点:1)对于同一图像不同尺寸的输入,通过SPP层后都可以产生固定尺寸的输出,从而加强了对小目标的识别效果;2)使用了多个池化窗口,提取了目标的更多特征;3)降低了模型过拟合情况,而且训练时更容易收敛;4)对于特定的CNN网络设计和结构是独立的,无须改变原始网络即可添加。
其中,本实施例可以使用MIxup算法训练Yolov3神经网络算法模型,Mixup是一种非常规的数据增强方法,一个和数据无关的简单数据增强原则,其以线性插值的方式来构建新的训练样本和标签,从而使模型泛化能力加强。
其中,本实施例可以使用Cutmix训练Yolov3神经网络算法模型,Cutmix需要一对图片来进行做操作,简单讲就是随机生成一个裁剪框Box,裁剪掉A图的相应位置,然后用B图片相应位置放到A图中被裁剪的区域形成新的样本,计算损失时同样采用加权求和的方式进行求解,也是增强模型泛化能力手段。
其中,本实施例可以使用Label Smooth训练Yolov3神经网络算法模型,标签平滑可以改善目标的极端全概率或零概率,并缩小所属类别和其他类别之间的差距,也是增强模型泛化能力手段。
其中,本实施例可以使用Sgdr(Stochastic Gradient Descent,随机梯度下降)学习率策略训练Yolov3神经网络算法模型,在训练时,梯度下降算法可能陷入局部最小值,而不是全局最小值。sgdr算法可以通过突然提高学习率,来“跳出”局部最小值并找到通向全局最小值的路径,从而使得模型训练更加容易。
其中,本实施例可以使用Giou损失函数训练Yolov3神经网络算法模型,如果两个目标没有重叠,原始普通IoU将会为0,并且不会反应两个目标之间的距离,在这种无重叠目标的情况下梯度为0,无法优化,而且法区分两个对象之间不同的对齐方式。将GIoU作为比较任意两个边框的度量,可以改善对目标检测的准确度,一般搭配greedy_nms一起使用。
其中,本实施例可以使用Scale_X_Y训练Yolov3神经网络算法模型,多尺寸加缩放检测,提高小目标检测效果。
S204、基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果。
其中,缺陷检测结果包括待检测区域内电力设施发生缺陷的位置和类型。
在一种可能的实施方式中,所述输入图像划分为n*n个网格,所述目标网格用于预测目标,所述目标网格为所述目标的中心坐标落入到所述n*n个网格中的网格。
在一种可能的实施方式中,所述输入图像的数量为多个,多个所述输入图像为图像采集装置通过不同角度采集到的。例如:无人机通过多个角度对待检测区域进行图像采集得到多个输入图像。
在一种可能的实施方式中,还包括:
训练所述Yolov3神经网络算法模型;其中,所述Yolov3神经网络算法模型的最优权重值是通过BP算法得到的。
其中,Yolov3神经网络算法模型主要是由三个部分组成的,分别是:网络架构、激活函数、找出最优权重值的参数学习算法。其中BP(back propagation)算法就是目前使用较为广泛的一种参数学习算法,照误差逆向传播算法训练的多层前馈神经网络。它的基本思想:学习过程由信号的正向传播(求损失)与误差的反向传播(误差回传)两个过程组成。算法一般流程如下:
1、正向传播FP(foward propogation求损失),在这个过程中,我们根据输入的样本,给定的初始化权重值和偏置项的值,计算最终输出值以及输出值与实际值之间的损失值.如果损失值不在给定的范围内则进行反向传播的过程;否则停止权重值和偏置值的更新;
2、反向传播BP(回传误差),将输出以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。
在一种可能的实施方式中,所述训练所述Yolov3神经网络算法模型,包括:
评估当前的Yolov3神经网络算法模型的指标;其中,所述指标包括:并交比、精准率、召回率和F1分数和平均精度均值中的一种或多种;
在所述指标满足预设条件时,停止训练过程。
其中,Yolov3神经网络算法模型的评价主要有以下指标:
1、IOU(Intersection over Union)。
IOU的中文名称是交并比,在目标检测的评价体系中用来表示产生的候选框和原标记的候选框的交叠率。IOU的计算过程与计算公式如下:
IOU=Area(A∩B)/Area(A∪B)。
其中,A表示模型的预测框,B表示标注的Ground Truth即真实框,Area表示的是面积。参见图2C所示,实际上IOU计算的是模型的预测框与真实框的交并比。IOU越大,说明模型预测的窗口和真实框越接近,模型效果越好。在实际检测中,IOU大于一定的阈值,才认为是有效的预测框,通常情况下IOU的阈值设置为0.5。
2、精准率,召回率,F1-score(F1分数)。
在目标检测模型评价中,精准率与召回率也经常会用到。精准率表示的是,模型预测的正例当中,真正的正例所占的比例。召回率表示的是,真正的正例被模型预测为正例的比例。对于同一个模型而言,精准率与召回率是难以调和的两个概念,一个提升,势必会导致另外一个下降。F1-score的出现,就是为了调和精准率与召回率。
对于二分类而言,根据模型的输出结果和真实结果对比,可以分为四种情况:TP(True Positive),FP(False positive),FN(False Negative),TN(True Negative)。参见图2D和图2E所示,TP,FP,FN,TN之间的关系可以使用一个混淆矩阵进行表示。
以下以目标检测为例,说明混淆矩阵中各个名称的含义:
正确检测框TP(True Positive):预测框正确地与标签框匹配了,两者间的IoU大于0.5,如图上图中右下方。
误检框FP(False Positive):将背景预测成了物体,如上图中左下方的检测框,通常这种框与图中所有标签的IoU都不会超过0.5。
漏检框FN(False Negative):本来需要模型检测出的物体,模型没有检测出,如上图中左上方的杯子。
正确背景(True Negative):本身是背景,模型也没有检测出来,这种情况在物体检测中通常不需要考虑。
根据上图的混淆矩阵可以得到精准率、召回率、F1-score的计算公式。
precision(精准率)=TP/(TP+FP),即模型预测为positive的所有结果中,真实结果为positive的数据所占的比重。
recall(召回率)=TP/(TP+FN),即真实结果为positive的所有数据中,模型预测为positive的数据所占的比重。
F1-score(F1分数)=2*precision*recall/(precision+recall),精确率和召回率的调和平均数。
3、map(mean average precision)。
在目标检测中,每遇到一个预测框,都可以生成相对应的精准率和召回率,对应到二维坐标系上就可以形成一个点(R,P)。然后将所有的预测框形成的精准率和召回率都对应到二维坐标上,就可以形成P-R(precision-recall)曲线。目标检测中的P-R曲线可以用图2F进行表示。
有了P-R曲线,虽然可以根据P-R曲线下面的面积评估目标检测模型的性能优劣。P-R曲线下面面积越大,目标检测模型性能就越好,反之就越差。说到这里AP的概念就呼之欲出了,AP的计算公式如下:
从公式中可以看出,AP代表了曲线的面积,综合考量了不同召回率下的准确率,不会对P与R有任何偏好。每个类别的AP是相互独立的,将每个类别的AP进行平均,即可得到mAP。mAP的值越大,表示其对应的P-R曲线面积越大,模型性能也就越好。在目标检测中,通常以IOU 0.5为阈值判断目标是否被检出,IOU大于0.5说明目标被检出,map和相应的IOU0.5组合就形成了新的评价指标map@0.5。
在一种可能的实施方式中,所述输入图像携带属性信息;
所述方法还包括:
解析所述输入图像中携带属性信息,以及通过显示单元显示所述属性信息;其中,所述属性信息包括:相机型号、焦距、曝光度和地理位置坐标中的一种或多种。
在一种可能的实施方式中,参见图2B所示,所述预设尺寸为416*416,所述多个不同尺寸的特征图像为:32*32的特征图像、16*16的特征图像和8*8的特征图像。
本申请的有益效果包括:Yolov3算法采用了称之为Darknet-53的网络结构(含有53个卷积层),利用多尺度特征进行对象检测,在精确度相当的情况下,其识别速度是其他模型的3-4倍的一个深度学习算法。然而Yolov3对小目标检测效果较差,重叠度较高的目标检测定位不准。因此,需要在原本的算法基础上进行优化改进,从而在实际应用中得到更好的检测效果。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图3,其示出了本申请一个示例性实施例提供的高压线路缺陷检测装置的结构示意图。该高压线路缺陷检测装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该装置3包括:获取单元30、压缩单元31、提取单元32和检测单元33。
获取单元30,用于获取待检测区域对应的输入图像;
压缩单元31,用于将所述输入图像进行压缩处理得到预设尺寸的图像;
提取单元32,用于通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像;
检测单元33,用于基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果。
所述输入图像划分为n*n个网格,所述目标网格用于预测目标,所述目标网格为所述目标的中心坐标落入到所述n*n个网格中的网格。
在一个或多个实施例中,所述输入图像的数量为多个,多个所述输入图像为图像采集装置通过不同角度采集到的。
在一个或多个实施例中,装置3还包括:
训练单元,用于训练所述Yolov3神经网络算法模型;其中,所述Yolov3神经网络算法模型的最优权重值是通过BP算法得到的。
在一个或多个实施例中,所述训练所述Yolov3神经网络算法模型,包括:
评估当前的Yolov3神经网络算法模型的指标;其中,所述指标包括:并交比、精准率、召回率和F1分数和平均精度均值中的一种或多种;
在所述指标满足预设条件时,停止训练过程。
在一个或多个实施例中,所述输入图像携带属性信息;
所述装置还包括:
解析单元,用于解析所述输入图像中携带属性信息,以及通过显示单元显示所述属性信息;其中,所述属性信息包括:相机型号、焦距、曝光度和地理位置坐标中的一种或多种。
在一个或多个实施例中,所述预设尺寸为416*416,所述多个不同尺寸的特征图像为:32*32的特征图像、16*16的特征图像和8*8的特征图像。
需要说明的是,上述实施例提供的高压线路缺陷检测装置在执行高压线路缺陷检测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的高压线路缺陷检测装置与高压线路缺陷检测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图2A所示实施例的方法步骤,具体执行过程可以参见图2A所示实施例的具体说明,在此不进行赘述。
请参见图4,为本申请实施例提供了一种电子设备的结构示意图。如图4所示,电子设备可以是图1A中的终端设备11,所述电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图4所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的配置应用程序接口的应用程序,并具体执行图2A所示的方法。
本实施例的构思和图2A的方法实施例相同,其带来的技术效果也相同,具体过程可参照图2A实施例的描述,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种高压线路缺陷检测方法,其特征在于,包括:
获取待检测区域对应的输入图像;
将所述输入图像进行压缩处理得到预设尺寸的图像;
通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像;
基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果。
2.根据权利要求1所述的方法,其特征在于,所述输入图像划分为n*n个网格,所述目标网格用于预测目标,所述目标网格为所述目标的中心坐标落入到所述n*n个网格中的网格。
3.根据权利要求1所述的方法,其特征在于,所述输入图像的数量为多个,多个所述输入图像为图像采集装置通过不同角度采集到的。
4.根据权利要求1所述的方法,其特征在于,还包括:
训练所述Yolov3神经网络算法模型;其中,所述Yolov3神经网络算法模型的最优权重值是通过BP算法得到的。
5.根据权利要求1所述的方法,其特征在于,所述训练所述Yolov3神经网络算法模型,包括:
评估当前的Yolov3神经网络算法模型的指标;其中,所述指标包括:并交比、精准率、召回率和F1分数和平均精度均值中的一种或多种;
在所述指标满足预设条件时,停止训练过程。
6.根据权利要求1所述的方法,其特征在于,所述输入图像携带属性信息;
所述方法还包括:
解析所述输入图像中携带属性信息,以及通过显示单元显示所述属性信息;其中,所述属性信息包括:相机型号、焦距、曝光度和地理位置坐标中的一种或多种。
7.根据权利要求1所述的方法,其特征在于,所述预设尺寸为416*416,所述多个不同尺寸的特征图像为:32*32的特征图像、16*16的特征图像和8*8的特征图像。
8.一种高压线路缺陷检测装置,其特征在于,包括:
获取单元,用于获取待检测区域对应的输入图像;
压缩单元,用于将所述输入图像进行压缩处理得到预设尺寸的图像;
提取单元,用于通过特征提取网络对所述预设尺寸的图像进行特征提取得到的多个不同尺寸的特征图像;
检测单元,用于基于Yolov3神经网络算法模型中的SPP层和YOLO层对所述多个不同尺寸的特征图像进行检测得到缺陷检测结果。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~7任意一项的方法步骤。
10.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~7任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188673.6A CN112529836A (zh) | 2020-10-30 | 2020-10-30 | 高压线路缺陷检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188673.6A CN112529836A (zh) | 2020-10-30 | 2020-10-30 | 高压线路缺陷检测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529836A true CN112529836A (zh) | 2021-03-19 |
Family
ID=74979281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188673.6A Pending CN112529836A (zh) | 2020-10-30 | 2020-10-30 | 高压线路缺陷检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529836A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449885A (zh) * | 2021-06-30 | 2021-09-28 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习技术混凝土电杆自动状态的评估方法 |
CN114937023A (zh) * | 2022-06-02 | 2022-08-23 | 北京远舢智能科技有限公司 | 一种承压设备的缺陷识别方法及装置 |
-
2020
- 2020-10-30 CN CN202011188673.6A patent/CN112529836A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449885A (zh) * | 2021-06-30 | 2021-09-28 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习技术混凝土电杆自动状态的评估方法 |
CN114937023A (zh) * | 2022-06-02 | 2022-08-23 | 北京远舢智能科技有限公司 | 一种承压设备的缺陷识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN111160469A (zh) | 一种目标检测系统的主动学习方法 | |
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN111985325A (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
CN117456198A (zh) | 一种基于改进的Yolov5神经网络的输电线路故障检测方法 | |
CN112037255A (zh) | 目标跟踪方法和装置 | |
CN111444833A (zh) | 果实测产方法、装置、计算机设备及存储介质 | |
CN117094660A (zh) | 一种基于数字孪生技术的施工监控方法及系统 | |
CN116152685A (zh) | 一种基于无人机视野下行人检测方法及系统 | |
CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 | |
CN113239994A (zh) | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 | |
CN112989957A (zh) | 适用于设备柜的安全监测方法及系统 | |
CN112016515A (zh) | 一种档案柜空位检测方法及装置 |
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 |