CN112529881B - 一种电力控制柜线缆异常识别方法及装置 - Google Patents

一种电力控制柜线缆异常识别方法及装置 Download PDF

Info

Publication number
CN112529881B
CN112529881B CN202011492580.2A CN202011492580A CN112529881B CN 112529881 B CN112529881 B CN 112529881B CN 202011492580 A CN202011492580 A CN 202011492580A CN 112529881 B CN112529881 B CN 112529881B
Authority
CN
China
Prior art keywords
cable
image
control cabinet
power control
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.)
Active
Application number
CN202011492580.2A
Other languages
English (en)
Other versions
CN112529881A (zh
Inventor
郑鑫
程鑫星
张涛
史俊炜
叶煜媛
孙子昌
佘昌佳
杜斆
陈昊
张兆君
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.)
Nanjing Chiebot Robot Technology Co ltd
Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing Chiebot Robot Technology Co ltd
Maintenance Branch of State Grid Jiangsu 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 Nanjing Chiebot Robot Technology Co ltd, Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing Chiebot Robot Technology Co ltd
Priority to CN202011492580.2A priority Critical patent/CN112529881B/zh
Publication of CN112529881A publication Critical patent/CN112529881A/zh
Application granted granted Critical
Publication of CN112529881B publication Critical patent/CN112529881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种电力控制柜线缆异常识别方法及装置。方法包括：获得电力控制柜线缆图像；基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框；根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。本发明可以在一张图片中检测出多个目标，具有较快的检测识别速度，能够提高电力控制柜线缆异常图像识别的准确度和效率。

Description

一种电力控制柜线缆异常识别方法及装置
技术领域
本发明涉及一种电力控制柜线缆异常识别方法及装置，属于电力设备线缆识别技术领域。
背景技术
电力控制柜在国家电网建设中具有广泛的应用，其中线缆作为控制柜的重要组成部分，对于设备的正常运行起着至关重要的作用。目前对于线缆异常的识别主要通过监测电气量指标进行，然而当电气量指标异常时通常说明设备已发生故障，极易产生严重后果，因此对电气指标的监测难以起到较好的预警作用。而线缆外观作为线缆最直接的表现特征，其外观异常很大程度影响着设备的运行状况，同时线缆外观发生破损时并不会立即导致设备产生严重故障，对其进行监测可以起到设备故障预警的作用。因此进行线缆外观的异常检测对于电力设备的可靠运行具有重要意义。
由于电力控制柜内部的线缆数目较多，排线也较为密集，此外不同设备内部的线缆类型、颜色也有较大差异。人工巡检的方式比较耗时、费力，此外在设备运行过程中近距离巡视也存在较大安全隐患，通过图像识别技术可以较好解决这些问题。现阶段针对线缆的图像识别技术通常使用传统的图像分析方法，如边缘特征提取、支持向量机分类等。此类方法针对单根线缆进行分析或许拥有较好的识别结果，但是对于电力控制柜这种线缆分布密集、类型不一的情况难以准确识别，此外综合运用多种图像分析方法又会极大增加检测耗时。
发明内容
本发明的目的在于提供一种电力控制柜线缆异常识别方法及装置，以解决现有技术中传统图像分析方法对于电力控制柜这种线缆分布密集、类型不一的情况难以准确识别的技术问题。
为实现上述目的，本发明采用如下技术方案：
一方面，本发明提供一种电力控制柜线缆异常识别方法，包括：
获得电力控制柜线缆图像；
基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；
将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框；
根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；
根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。
进一步地，所述线缆外观异常检测模型的网络参数初始化的数学表达式为：
其中，n为网络所在层数；ni为该层网络输入单位数量。
进一步地，所述线缆外观异常检测模型的激活函数公式的数学表达式为：
其中，xi为激活函数输入。
进一步地，所述线缆外观异常检测模型包含依次连接的多个网络块，每个网络块对其输入进行下采样后，将本网络块的特征图输出到次一个网络块，同时，从依序第二个网络块开始，每个网络块的特征图通过插值算法上采样到和前一网络块特征图一样的尺寸，然后将本网络块和前一网络快特征图相加作为本网络块的输出特征图；
将多个网络块的输出特征图分别经过一个卷积层，以及一个全局平均池化层，合并后经过一个一层感知机和sigmoid非线性变换层，将获得结果分别与多个网络块的输出特征图相乘得到多个最终特征图，所述最终特征图用于线缆外观异常检测模型的回归/分类。
进一步地，所述线缆外观异常检测模型包括若干先验检测框，所述先验检测框基于k-means聚类算法对线缆破损样本的标注边界框做聚类分析获取。
进一步地，前述的一种电力控制柜线缆异常识别方法，还包括：在根据多个图像样本的位置关系，融合多个图像样本的检测框信息之后，通过非最大抑制方法去除其中重叠的冗余检测框信息。
进一步地，根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线，包括：
对电力控制柜线缆图像进行增强处理，然后采用Sobel算子进行边缘提取，得到二值边缘图像，再采用Hough变换从二值边缘图像中提取特征曲线。
进一步地，前述的一种电力控制柜线缆异常识别方法，还包括：当电力控制柜线缆异常检测结果为电力控制柜线缆图像存在外观异常区域后，发出设备故障预警。
另一方面，本发明提供一种电力控制柜线缆异常识别装置，包括：
图像获取单元，配置为获得电力控制柜线缆图像；
样本获取单元，配置为基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；
异常检测框确定单元，配置为将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框；
特性曲线确定单元，配置为根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；
检测结果判定单元，配置为根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。
另一方面，本发明提供一种计算机存储介质，所述计算机存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述的一种电力控制柜线缆异常识别方法。
与现有技术相比，本发明所达到的有益技术效果：本发明可以在一张图片中检测出多个目标，具有较快的检测识别速度，能够克服电力控制柜线缆分布密集、分析速度较慢等缺点，可以嵌入到大型的资源管理平台，对电力控制柜内部的密集线缆进行智能分析，降低人工巡检分析的依赖性，提高电力控制柜线缆异常图像识别的准确度和效率。
附图说明
图1为本发明实施例的一种电力控制柜线缆异常识别方法的流程图；
图2为电力控制柜线缆分布图；
图3为通过线缆外观异常检测模型检测后得到的线缆异常识别图；
图4为线缆外观异常检测模型的网络结构图；
图5为电力控制柜线缆异常识别整体流程图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如前所述，现阶段针对线缆的图像识别技术通常使用传统的图像分析方法，如边缘特征提取、支持向量机分类等。此类方法针对单根线缆进行分析或许拥有较好的识别结果，但是对于电力控制柜这种线缆分布密集、类型不一的情况难以准确识别，此外综合运用多种图像分析方法又会极大增加检测耗时。
为解决该技术问题，本发明提供一种电力控制柜线缆异常识别方法。图1为本发明实施例的一种电力控制柜线缆异常识别方法的流程图，如图1所示，该方法包括：
步骤11，获得电力控制柜线缆图像；
在一个实施例中，可以通过人工巡检或其他巡检设备如巡检机器人、固定式摄像头等方式进行拍照，获得电力控制柜线缆照片，如图2所示。
步骤12，基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；
由于一张电力控制柜线缆照片中的外观异常区域通常较小，即一处破损区域只占整幅图片极小的比例，为提高检测精度，将线缆照片进行裁剪操作。在一个实施例中，具体的，为了不影响裁剪边缘的线缆缺陷区域检测，采用滑框的方式进行裁剪。原始图片的尺寸为(w*h)，滑框的大小设置为(0.5w*0.6h)，滑框的步长设置为宽度方向0.25w、高度方向0.4h，通过滑框剪裁最终获得6个样本图片。之后样本图片resize为832*832*3，分别传入自主设计的线缆外观异常检测模型进行分析。
步骤13，将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框，如图3所示；
在一个实施例中，使用自定义的初始化方法对线缆外观异常检测模的网络参数进行初始化操作，使用自主设计的激活函数增加模型的非线性化，提高模型的泛化能力，有利于线缆异常部位的检测。
其中初始化方法计算公式如下：
其中，n为网络所在层数；ni为该层网络输入单位数量。
在一个实施例中，其中激活函数公式如下：
其中，xi为激活函数输入。
根据一种实施方式，线缆外观异常检测模型可以包含依次连接的多个网络块，每个网络块对其输入进行下采样后，将本网络块的特征图输出到次一个网络块，同时，从依序第二个网络块开始，每个网络块的特征图通过插值算法上采样到和前一网络块特征图一样的尺寸，然后将本网络块和前一网络快特征图相加作为本网络块的输出特征图；
将多个网络块的输出特征图分别经过一个卷积层，以及一个全局平均池化层，合并后经过一个一层感知机和sigmoid非线性变换层，将获得结果分别与多个网络块的输出特征图相乘得到多个最终特征图，所述最终特征图用于线缆外观异常检测模型的回归/分类。
在一个实施例中，模型包含50个卷积层，16个残差块，5个大的网络模块，每个网络模块进行一次下采样，如图4所示。卷积层的卷积核为3*3，每次卷积前边缘扩充1位，卷积核移动步长为1。下采样使用步长为2的卷积，可以在减小计算量的同时聚合底层特征信息。若按照常规做法，仅选取高层卷积特征图作为最终回归和分类的特征，5次下采样之后的线缆异常部位的特征将严重丢失，导致模型精度严重下降。而若不使用下采样，一方面高分辨的特征图会使模型的运算量急剧增大，使得模型即便是在推理阶段也难以达到实时，另一方面高层卷积层的感受野也会大大减小，难以聚合底层卷积层的信息，使模型难以学习到图片的全局信息。针对这个问题，发明人创新性的设计了带有注意力机制的多尺度金字塔结构层来帮助网络有侧重的融合各层网络特征，让模型自己选择合适的网络层特征，进而提升模型最终性能。
在一个具体的实施例中，将高层网络块的特征图通过双线性插值上采样到和前一网络块特征图一样的尺寸，然后将两个特征图相加作为本网络块的输出特征图。之后将所有网络块特征图分别经过一个3*3卷积，再进行一个全局平均池化，然后经过一个一层感知机和sigmoid非线性变换层。最后将得到的权重和各个网络块的特征图相乘得到最终的特征图，用于最后的回归和分类特征。
在一个实施例中，线缆外观异常检测模型可以包括若干先验检测框，如图5所示，所述先验检测框基于k-means聚类算法对线缆破损样本的标注边界框做聚类分析获取。
在一个具体的实施例中，模型设置6个尺寸的先验锚框。常规的先验锚框通常长宽比为1：2，2：1，1：1，可能和线缆破损的形状大小不太契合，会加大模型回归的难度，进而导致模型精度下降。针对这个问题，我们使用k-means聚类算法对线缆破损样本的标注边界框做聚类分析，使模型中先验框的大小更适合线缆异常部位的检测。通过计算得到6个尺度的先验框，具体为(15,16)、(25,22)、(35,42)、(53,51)、(63、55)、(78,70)。
在一个实施例中，每份裁剪后的样本图片将得到一系列检测框信息(x,y,w,h,class,confidence)，其中x,y,w,h为位置信息，class、confidence为标签信息。根据6张裁剪样本的位置关系将获得的所有检测框信息进行融合，使其与原始图片的像素信息匹配。
步骤14，根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；
在步骤13后可获得整张电力控制柜线缆照片的所有异常区域检测框，在一个实施例中，可以首先通过非最大抑制方法初步去除重叠的冗余检测框信息。
为了进一步减少非线缆异常区域的误识别，还可以根据线缆的外观特征，进行二次判定。在一个实施例中，具体的，先将原始拍摄图片进行增强处理，然后采用Sobel算子对图像进行边缘提取，从而得到二值边缘图像，再采用Hough变换对结果图像进行特征曲线提取，认为提取的特征曲线包含了图片中的所有线缆。
步骤15，根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。
在一个实施例中，由于线缆异常区域一定处于线缆上，依次判定所有检测框坐标是否与图片的特征曲线存在一定的重合，去除不满足重合要求的错误检测框。将其余满足要求的线缆外观异常框画在原始图片上进行备份保存，得到最终电力控制柜线缆异常检测结果。
根据一种实施方式，当电力控制柜线缆异常检测结果为电力控制柜线缆图像存在外观异常区域后，还可以发出设备故障预警。
在一个实施例中，当检测过程中发现有线缆图片存在外观异常区域后，后台服务器端将线缆异常图片发送到设备维护部门，发出设备故障预警。
在另一实施例中，本发明提供一种电力控制柜线缆异常识别装置，该装置包括：
图像获取单元，配置为获得电力控制柜线缆图像；
样本获取单元，配置为基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；
异常检测框确定单元，配置为将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框；
特性曲线确定单元，配置为根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；
检测结果判定单元，配置为根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。
在另一实施例中，本发明提供一种计算机存储介质，所述计算机存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行前述的一种电力控制柜线缆异常识别方法。
本发明可以在一张图片中检测出多个目标，具有较快的检测识别速度，能够克服电力控制柜线缆分布密集、分析速度较慢等缺点，可以嵌入到大型的资源管理平台，对电力控制柜内部的密集线缆进行智能分析，降低人工巡检分析的依赖性，提高电力控制柜线缆异常图像识别的准确度和效率。
以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种电力控制柜线缆异常识别方法，其特征在于，包括：
获得电力控制柜线缆图像；
基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；
将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框；
根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；
根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。
2.根据权利要求1的方法，其特征在于，所述线缆外观异常检测模型的网络参数初始化的数学表达式为：
其中，n为网络所在层数；ni为该层网络输入单位数量。
3.根据权利要求1的方法，其中所述线缆外观异常检测模型的激活函数公式的数学表达式为：
其中，xi为激活函数输入。
4.根据权利要求1的方法，其特征在于，所述线缆外观异常检测模型包含依次连接的多个网络块，每个网络块对其输入进行下采样后，将本网络块的特征图输出到次一个网络块，同时，从依序第二个网络块开始，每个网络块的特征图通过插值算法上采样到和前一网络块特征图一样的尺寸，然后将本网络块和前一网络块特征图相加作为本网络块的输出特征图；
将多个网络块的输出特征图分别经过一个卷积层，以及一个全局平均池化层，合并后经过一个一层感知机和sigmoid非线性变换层，将获得结果分别与多个网络块的输出特征图相乘得到多个最终特征图，所述最终特征图用于线缆外观异常检测模型的回归/分类。
5.根据权利要求1的方法，其特征在于，所述线缆外观异常检测模型包括若干先验检测框，所述先验检测框基于k-means聚类算法对线缆破损样本的标注边界框做聚类分析获取。
6.根据权利要求1的方法，其特征在于，还包括：在根据多个图像样本的位置关系，融合多个图像样本的检测框信息之后，通过非最大抑制方法去除其中重叠的冗余检测框信息。
7.根据权利要求1的方法，其特征在于，根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线，包括：
对电力控制柜线缆图像进行增强处理，然后采用Sobel算子进行边缘提取，得到二值边缘图像，再采用Hough变换从二值边缘图像中提取特征曲线。
8.根据权利要求1的方法，其特征在于，还包括：当电力控制柜线缆异常检测结果为电力控制柜线缆图像存在外观异常区域后，发出设备故障预警。
9.一种电力控制柜线缆异常识别装置，其特征在于，包括：
图像获取单元，配置为获得电力控制柜线缆图像；
样本获取单元，配置为基于所述电力控制柜线缆图像，通过滑框剪裁，获得多个图像样本；
异常检测框确定单元，配置为将所述多个图像样本输入线缆外观异常检测模型，根据每个图像样本获得若干检测框信息；根据多个图像样本的位置关系，融合多个图像样本的检测框信息，并与所述电力控制柜线缆图像相匹配，获得所述电力控制柜线缆图像的多个异常区域检测框；
特性曲线确定单元，配置为根据电力控制柜线缆图像，获取包含其线缆特征的特性曲线；
检测结果判定单元，配置为根据多个异常区域检测框和特性曲线的重合判定，确定电力控制柜线缆异常检测结果。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-8任一项所述的方法。
CN202011492580.2A 2020-12-16 2020-12-16 一种电力控制柜线缆异常识别方法及装置 Active CN112529881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011492580.2A CN112529881B (zh) 2020-12-16 2020-12-16 一种电力控制柜线缆异常识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492580.2A CN112529881B (zh) 2020-12-16 2020-12-16 一种电力控制柜线缆异常识别方法及装置

Publications (2)

Publication Number Publication Date
CN112529881A CN112529881A (zh) 2021-03-19
CN112529881B true CN112529881B (zh) 2024-02-27

Family

ID=75000874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492580.2A Active CN112529881B (zh) 2020-12-16 2020-12-16 一种电力控制柜线缆异常识别方法及装置

Country Status (1)

Country Link
CN (1) CN112529881B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610874B (zh) * 2021-06-21 2024-03-12 福建睿思特科技股份有限公司 一种基于ai深度学习的多功能电力图像智能分析装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015136566A (ja) * 2014-01-24 2015-07-30 コニカミノルタ株式会社 画像処理装置、およびプログラム
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN112057776A (zh) * 2020-09-21 2020-12-11 中建空列（北京）工程设计研究院有限公司 悬挂式空中列车自动消防系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015136566A (ja) * 2014-01-24 2015-07-30 コニカミノルタ株式会社 画像処理装置、およびプログラム
CN111444809A (zh) * 2020-03-23 2020-07-24 华南理工大学 一种基于改进YOLOv3的输电线路异常目标检测方法
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN112057776A (zh) * 2020-09-21 2020-12-11 中建空列（北京）工程设计研究院有限公司 悬挂式空中列车自动消防系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于YOLO v3的输电线路缺陷快速检测方法;周仿荣;方明;马御棠;潘浩;;云南电力技术;20200815(第04期);116-120+124 *

Also Published As

Publication number Publication date
CN112529881A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN110232380B (zh) 基于Mask R-CNN神经网络的火灾夜间场景复原方法
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN112734692A (zh) 一种变电设备缺陷识别方法及装置
CN112183313B (zh) 一种基于SlowFast的电力作业现场动作识别方法
Jha et al. Deep CNN-based visual defect detection: Survey of current literature
CN116256586B (zh) 电力设备过热检测方法、装置、电子设备与存储介质
CN113920097A (zh) 一种基于多源图像的电力设备状态检测方法及系统
CN116883801A (zh) 基于注意力机制与多尺度特征融合的YOLOv8目标检测方法
CN114170144A (zh) 一种输电线路销钉缺陷检测方法、设备及介质
CN112529881B (zh) 一种电力控制柜线缆异常识别方法及装置
CN115937736A (zh) 基于注意力和上下文感知的小目标检测方法
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
Yuan et al. Identification method of typical defects in transmission lines based on YOLOv5 object detection algorithm
CN113012107B (zh) 电网缺陷检测方法及系统
CN111079645A (zh) 一种基于AlexNet网络的绝缘子自爆识别方法
CN112837281B (zh) 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备
CN112950576B (zh) 基于深度学习的输电线路缺陷智能识别方法及系统
Zhang et al. LDD-Net: Lightweight printed circuit board defect detection network fusing multi-scale features
CN116543333A (zh) 电力系统的目标识别方法、训练方法、装置、设备和介质
CN116030050A (zh) 基于无人机与深度学习的风机表面缺陷在线检测分割方法
CN116012363A (zh) 一种变电站刀闸开合识别方法、装置、设备及存储介质
CN115861922A (zh) 一种稀疏烟火检测方法、装置、计算机设备及存储介质
CN116503398B (zh) 绝缘子污闪检测方法、装置、电子设备及存储介质
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN117152646B (zh) 无人电力巡检ai轻量大模型方法及系统

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