CN112598054A - 基于深度学习的输变电工程质量通病防治检测方法 - Google Patents
基于深度学习的输变电工程质量通病防治检测方法 Download PDFInfo
- Publication number
- CN112598054A CN112598054A CN202011517762.0A CN202011517762A CN112598054A CN 112598054 A CN112598054 A CN 112598054A CN 202011517762 A CN202011517762 A CN 202011517762A CN 112598054 A CN112598054 A CN 112598054A
- Authority
- CN
- China
- Prior art keywords
- data
- detection
- power transmission
- training
- prediction
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000009466 transformation Effects 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000002265 prevention Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/21—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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的输变电工程质量通病防治检测方法，包括以下步骤:步骤S1:获取输变电工程电力箱接地连接检测数据,并预处理；步骤S2:根据训练算法要求,构建输变电工程电力箱接地连接检测数据集；步骤S3:对深度学习算法yolov4‑tiny的训练超参数进行调优，采用优化算法优化训练模型，并根据数据集进行训练并得到yolov4‑tiny检测模型；步骤S4:根据训练后得到的yolov4‑tiny检测模型对输入图片进行目标检测，获取初步检测结果；步骤S5:对初步检测结果进行解码,并采用改进的非极大值抑制算法筛选出最终的检测结果，最后在输入图片中绘制检测框。本发明能够有效识别判断电力箱是否进行接地连接，具有较好的泛化能力和鲁棒性，在复杂环境下能具有较好的检测性能。
Description
技术领域
本发明涉及图像识别与计算机视觉领域，具体涉及一种基于深度学习的输变电工程质量通病防治检测方法。
背景技术
随着电力系统正常运行在国民生产生活中重要性的不断增加，输变电工程建设中存在的质量通病问题也因此得到了高度关注。早在2010年，国家电网公司依据国家及行业有关工程建设质量标准及规范，编制了《国家电网公司输变电工程质量通病防治工作要求及技术措施》，对输变电工程常见的质量通病从技术角度提出具体防治措施，并结合工程通病治理成效及新生问题，不断更新防治工作要求和技术措施。输变电工程质量通病的防治是工程质量管理的重要环节，在输变电工程中，能够导致质量问题的通病有很多，接地连接不规范是其中的典型问题。电力设备接地连接不规范可能会导致电路损毁甚至整个电力系统的瘫痪。因此，在施工的过程中，工作人员应加强对电力设备接地连接的检查。然而当前针对电力设备是否进行接地连接的检测主要以人工检查为主，人工检查容易被各种各样的因素干扰降低效率，并且相当浪费人力资源，所以这种方法效率比较低下，各安全监管部门的实际需求无法得到充分满足。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的输变电工程质量通病防治检测方法，能够有效识别判断电力箱是否进行接地连接。
为实现上述目的，本发明采用如下技术方案：
一种基于深度学习的输变电工程质量通病防治检测方法，包括以下步骤:
步骤S1:获取输变电工程电力箱接地连接检测数据,并预处理；
步骤S2:根据训练算法要求,构建输变电工程电力箱接地连接检测数据集；
步骤S3:对深度学习算法yolov4-tiny的训练超参数进行调优，采用优化算法优化训练模型，并根据数据集进行训练并得到yolov4-tiny检测模型；
步骤S4:根据训练后得到的yolov4-tiny检测模型对输入图片进行目标检测，获取初步检测结果；
步骤S5:对初步检测结果进行解码,并采用改进的非极大值抑制算法筛选出最终的检测结果，最后在输入图片中绘制检测框。
进一步的，所述步骤S1具体为：
步骤S11:获取输变电工程电力箱接地连接相关的数据图片，筛选数据；
步骤S12:采用数据图像归一化、噪声过滤对筛选后的图片数据进行预处理；
步骤S13:；利用标注工具labelImg对预处理后的数据图片进行标注，得到并保存标注信息；
步骤S14:采用几何变换、颜色变换和图像混合进行数据增强，扩充数据图像样本。
进一步的，所述步骤S2具体为：
步骤S21：对所有数据图片进行统一格式命名，并根据yolov4-tiny模型要求将所有数据图片按预设比例分为训练集和测试集；
步骤S22：将图片数据标注信息的物体坐标进行归一化处理，并映射物体类别信息，生成训练模型所需的txt文件。
进一步的，所述步骤S3具体为：
步骤S31：获取超参数的最优值，通过调优超参数使训练模型的性能达到最优；
步骤S32：预设在yolov4-tiny的训练配置文件中将动量梯度下降中的动量参数momentum和权重衰减的正则系数decay；
步骤S33：采取steps方法进行学习率调整；
步骤S34：利用k-means聚类算法计算anchor，使用数据图片的宽高对boundingbox的宽高做归一化；
步骤S35：采用入Lable Smoothing方法，改进类别标签的one-hot编码形式；
步骤S36：加入Focus模块，对输入图像进行切片操作后得到多个特征图，然后对特征图进行一次32个卷积核的卷积操作，得到训练所需特征图。
进一步的，所述使用数据图片的宽高对bounding box的宽高做归一化具体为：
令anchor＝(wa,ha),box＝(wb,hb)，使用IOU作为度量，其计算方式如下：
IOU的取值在0到1之间，两个box越相似则IOU值越大，最终的度量公式为：
d(box,anchor)＝1-IOU(box,anchor)
在数据集中随机选取k个bounding box作为初始anchor，使用IOU度量将每个bounding box分配给与其距离最近的anchor，遍历所有boundingbox后，计算每个簇中所有bounding box宽和高的均值，更新anchor，重复以上步骤直到anchor不再变化或者达到了最大迭代次数。
进一步的，所述步骤S4具体为：
步骤S41：利用训练得到的模型检测图片，输入数据图片经过特征提取网络处理后将得到三个不同尺寸的特征图；
步骤S42：根据提取到三个不同尺寸的特征图，对三个初始特征图进行卷积得到的结果一部分用于输出该特征图对应的预测结果，另一部分用于进行反卷积后与其他特征图进行结合，最终得到三个有效特征图的预测结果。
进一步的，所述步骤S5具体为：
步骤S51：根据得到的预测结果对预先设定好的先验框进行调整，得到预测框的大小和位置信息；
步骤S52：根据调整后的得到预测框，利用改进的非极大值抑制进行处理，根据class-agnostic的思想将预测框坐标的偏移值置为0，在候选目标中进行局部搜索寻找置信度最高的预测框并抑制置信度较低的预测框；
步骤S53：根据得到检测框中心点坐标以及宽高计算得出检测框的在输出图片中的位置信息并绘制在原图中，得到输出结果。
进一步的，所述步骤S51具体为：
(a)将特征图划分为S×S个网格，然后将预先设置好的先验框调整到有效特征图上；
(b)从网络预测结果中获取先验框的坐标信息x_offset，y_offset，h和w；
(c)将网格对应的先验框的中心点坐标进行sigmoid函数处理后加上对应的x_offset和y_offset得到预测框的中心，再利用h和w计算得到预测框的宽和高，最终得到预测框的大小和位置信息。
进一步的，所述步骤S52，具体为：
(a)在进行非极大值抑制时，将同一个目标的预测框按置信度从大到小进行排序，取出置信度最高的预测框分别与其余预测框计算IOU；
按照交并比IOU寻找局部最大值的过程，设两个检测框B1和B2，则二者之间的交并比如下：
(b)若计算结果大于所设定阈值则该预测框被抑制，不会作为结果输出，计算完所有预测框后，取出剩余预测框中拥有最大置信度的预测框。
本发明与现有技术相比具有以下有益效果：
本发明能够有效识别判断电力箱是否进行接地连接，具有较好的泛化能力和鲁棒性，在复杂环境下能具有较好的检测性能。
附图说明
图1是本发明原理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于深度学习的输变电工程质量通病防治检测方法，包括以下步骤:
步骤S1:获取输变电工程电力箱接地连接检测数据,并预处理；
步骤S2:根据训练算法要求,构建输变电工程电力箱接地连接检测数据集；
步骤S3:对深度学习算法yolov4-tiny的训练超参数进行调优，采用优化算法优化训练模型，并根据数据集进行训练并得到yolov4-tiny检测模型；
步骤S4:根据训练后得到的yolov4-tiny检测模型对输入图片进行目标检测，获取初步检测结果；
步骤S5:对初步检测结果进行解码,并采用改进的非极大值抑制算法筛选出最终的检测结果，最后在输入图片中绘制检测框。
在本实施例中，所述步骤S1具体为：
步骤S11:获取输变电工程电力箱接地连接相关的数据图片，筛选数据；
步骤S12:采用数据图像归一化、噪声过滤对筛选后的图片数据进行预处理；
步骤S13:；利用标注工具labelImg对预处理后的数据图片进行标注，得到并保存标注信息；
步骤S14:采用几何变换、颜色变换和图像混合进行数据增强，扩充数据图像样本。
在本实施例中，所述步骤S2具体为：
步骤S21：对所有数据图片进行统一格式命名，并根据yolov4-tiny模型要求将所有数据图片按预设比例分为训练集和测试集；
步骤S22：将图片数据标注信息的物体坐标进行归一化处理，并映射物体类别信息，生成训练模型所需的txt文件。
在本实施例中，所述步骤S3具体为：
步骤S31：获取超参数的最优值，通过调优超参数使训练模型的性能达到最优；
步骤S32：在yolov4-tiny的训练配置文件中将动量梯度下降中的动量参数momentum设为0.9，能够有效防止网络训练中损失函数陷入局部最小值，加快梯度收敛到最优值的速度；将权重衰减的正则系数decay设为0.0005，可以有效防止过拟合；
步骤S33：学习率过大则权重更新速度快，但容易错过最优值的选取，学习率过小则权重更新速度缓慢，训练效率低下，设置相对合适的学习率可以有效提高训练速度与最优值选取，学习率调整方式采取steps方法，在达到一定迭代次数时学习率将会以一定倍数衰减；
步骤S34：利用k-means聚类算法计算anchor，使用数据图片的宽高对boundingbox的宽高做归一化；
令anchor＝(wa,ha),box＝(wb,hb)，使用IOU作为度量，其计算方式如下：
IOU的取值在0到1之间，两个box越相似则IOU值越大，最终的度量公式为：
d(box,anchor)＝1-IOU(box,anchor)
在数据集中随机选取k个bounding box作为初始anchor，使用IOU度量将每个bounding box分配给与其距离最近的anchor，遍历所有bounding box后，计算每个簇中所有bounding box宽和高的均值，更新anchor，重复以上步骤直到anchor不再变化或者达到了最大迭代次数。
步骤S35：采用入Lable Smoothing方法，改进类别标签的one-hot编码形式，物体样本则在one-hot标签中的值非0即1，过于绝对化，利用label smoothing方法将硬标签转为软标签，更改物体样本标签值，可以防止模型过拟合，同时增加泛化能力；
步骤S36：加入Focus模块，对输入图像进行切片操作后得到多个特征图，然后对特征图进行一次32个卷积核的卷积操作，得到训练所需特征图，相比直接利用Conv2d卷积核得到特征图的方法，Focus模块可以有效减少FLOPS(每秒浮点运算次数)与网络层深度并提高模型推理速度，然后开始训练模型。
在本实施例中，所述步骤S4,具体为：
步骤S41：利用训练得到的模型检测图片，输入数据图片经过特征提取网络处理后将得到三个不同尺寸的特征图；
步骤S42：根据提取到三个不同尺寸的特征图，对三个初始特征图进行卷积得到的结果一部分用于输出该特征图对应的预测结果，另一部分用于进行反卷积后与其他特征图进行结合，最终得到三个有效特征图的预测结果。
在本实施例中，所述步骤S5具体为：
步骤S51：将得到的三个特征图划分为S×S个网格，然后将预先设置好的先验框调整到有效特征图上，接着从网络预测结果中获取先验框的坐标信息x_offset，y_offset，h和w，然后将网格对应的先验框的中心点坐标进行sigmoid函数处理后加上对应的x_offset和y_offset得到预测框的中心，再利用h和w计算得到预测框的宽和高，最终得到预测框的大小和位置信息；
步骤S52：根据调整后的得到预测框，利用改进的Non-Maximum Suppression(非极大值抑制)进行处理，根据class-agnostic的思想将预测框坐标的偏移值置为0，可以大幅减少bbox回归的参数量，同时降低模型检测时的误检目标框重叠情况，在候选目标中进行局部搜索寻找置信度最高的预测框并抑制置信度较低的预测框。在进行非极大值抑制时，将同一个目标的预测框按置信度从大到小进行排序，取出置信度最高的预测框分别与其余预测框计算IOU，按照交并比IOU寻找局部最大值的过程，设两个检测框B1和B2，则二者之间的交并比如下：
若计算结果大于所设定阈值则该预测框被抑制，不会作为结果输出，计算完所有预测框后，取出剩余预测框中拥有最大置信度的预测框重复以上操作，得到最终的检测结果；
步骤S53：根据得到检测框中心点坐标以及宽高计算得出检测框的在输出图片中的位置信息并绘制在原图中，得到输出结果。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (9)
1.一种基于深度学习的输变电工程质量通病防治检测方法，其特征在于，包括以下步骤:
步骤S1:获取输变电工程电力箱接地连接检测数据,并预处理；
步骤S2:根据训练算法要求,构建输变电工程电力箱接地连接检测数据集；
步骤S3:对深度学习算法yolov4-tiny的训练超参数进行调优，采用优化算法优化训练模型，并根据数据集进行训练并得到yolov4-tiny检测模型；
步骤S4:根据训练后得到的yolov4-tiny检测模型对输入图片进行目标检测，获取初步检测结果；
步骤S5:对初步检测结果进行解码,并采用改进的非极大值抑制算法筛选出最终的检测结果，最后在输入图片中绘制检测框。
2.根据权利要求1所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S1具体为：
步骤S11:获取输变电工程电力箱接地连接相关的数据图片，筛选数据；
步骤S12:采用数据图像归一化、噪声过滤对筛选后的图片数据进行预处理；
步骤S13:；利用标注工具labelImg对预处理后的数据图片进行标注，得到并保存标注信息；
步骤S14:采用几何变换、颜色变换和图像混合进行数据增强，扩充数据图像样本。
3.根据权利要求1所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S2具体为：
步骤S21：对所有数据图片进行统一格式命名，并根据yolov4-tiny模型要求将所有数据图片按预设比例分为训练集和测试集；
步骤S22：将图片数据标注信息的物体坐标进行归一化处理，并映射物体类别信息，生成训练模型所需的txt文件。
4.根据权利要求1所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S3具体为：
步骤S31：获取超参数的最优值，通过调优超参数使训练模型的性能达到最优；
步骤S32：预设在yolov4-tiny的训练配置文件中将动量梯度下降中的动量参数momentum和权重衰减的正则系数decay；
步骤S33：采取steps方法进行学习率调整；
步骤S34：利用k-means聚类算法计算anchor，使用数据图片的宽高对bounding box的宽高做归一化；
步骤S35：采用入Lable Smoothing方法，改进类别标签的one-hot编码形式；
步骤S36：加入Focus模块，对输入图像进行切片操作后得到多个特征图，然后对特征图进行一次32个卷积核的卷积操作，得到训练所需特征图。
5.根据权利要求4所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述使用数据图片的宽高对bounding box的宽高做归一化具体为：
令anchor＝(wa,ha),box＝(wb,hb)，使用IOU作为度量，其计算方式如下：
IOU的取值在0到1之间，两个box越相似则IOU值越大，最终的度量公式为：
d(box,anchor)＝1-IOU(box,anchor)
在数据集中随机选取k个bounding box作为初始anchor，使用IOU度量将每个boundingbox分配给与其距离最近的anchor，遍历所有boundingbox后，计算每个簇中所有boundingbox宽和高的均值，更新anchor，重复以上步骤直到anchor不再变化或者达到了最大迭代次数。
6.根据权利要求1所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S4具体为：
步骤S41：利用训练得到的模型检测图片，输入数据图片经过特征提取网络处理后将得到三个不同尺寸的特征图；
步骤S42：根据提取到三个不同尺寸的特征图，对三个初始特征图进行卷积得到的结果一部分用于输出该特征图对应的预测结果，另一部分用于进行反卷积后与其他特征图进行结合，最终得到三个有效特征图的预测结果。
7.根据权利要求1所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S5具体为：
步骤S51：根据得到的预测结果对预先设定好的先验框进行调整，得到预测框的大小和位置信息；
步骤S52：根据调整后的得到预测框，利用改进的非极大值抑制进行处理，根据class-agnostic的思想将预测框坐标的偏移值置为0，在候选目标中进行局部搜索寻找置信度最高的预测框并抑制置信度较低的预测框；
步骤S53：根据得到检测框中心点坐标以及宽高计算得出检测框的在输出图片中的位置信息并绘制在原图中，得到输出结果。
8.根据权利要求7所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S51具体为：
(a)将特征图划分为S×S个网格，然后将预先设置好的先验框调整到有效特征图上；
(b)从网络预测结果中获取先验框的坐标信息x_offset，y_offset，h和w；
(c)将网格对应的先验框的中心点坐标进行sigmoid函数处理后加上对应的x_offset和y_offset得到预测框的中心，再利用h和w计算得到预测框的宽和高，最终得到预测框的大小和位置信息。
9.根据权利要求7所述的基于深度学习的输变电工程质量通病防治检测方法，其特征在于，所述步骤S52，具体为：
(a)在进行非极大值抑制时，将同一个目标的预测框按置信度从大到小进行排序，取出置信度最高的预测框分别与其余预测框计算IOU；
按照交并比IOU寻找局部最大值的过程，设两个检测框B1和B2，则二者之间的交并比如下：
(b)若计算结果大于所设定阈值则该预测框被抑制，不会作为结果输出，计算完所有预测框后，取出剩余预测框中拥有最大置信度的预测框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011517762.0A CN112598054B (zh) | 2020-12-21 | 2020-12-21 | 基于深度学习的输变电工程质量通病防治检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011517762.0A CN112598054B (zh) | 2020-12-21 | 2020-12-21 | 基于深度学习的输变电工程质量通病防治检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598054A true CN112598054A (zh) | 2021-04-02 |
| CN112598054B CN112598054B (zh) | 2023-09-22 |
Family
ID=75200138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011517762.0A Active CN112598054B (zh) | 2020-12-21 | 2020-12-21 | 基于深度学习的输变电工程质量通病防治检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598054B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095321A (zh) * | 2021-04-22 | 2021-07-09 | 武汉菲舍控制技术有限公司 | 一种带式输送机的滚轮轴承测温及故障预警方法及装置 |
| CN113420716A (zh) * | 2021-07-16 | 2021-09-21 | 南威软件股份有限公司 | 基于改进Yolov3算法的违规行为识别预警的方法 |
| CN114723939A (zh) * | 2022-04-12 | 2022-07-08 | 国网四川省电力公司营销服务中心 | 基于注意力机制的非极大值抑制方法、系统、设备和介质 |
| CN115100495A (zh) * | 2022-07-08 | 2022-09-23 | 福州大学 | 基于子特征融合的轻量化安全帽检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376580A (zh) * | 2018-08-30 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度学习的电力塔架部件识别方法 |
| CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
| 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 |
| CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
| CN111931623A (zh) * | 2020-07-31 | 2020-11-13 | 南京工程学院 | 一种基于深度学习的人脸口罩佩戴检测方法 |
| CN112001318A (zh) * | 2020-08-25 | 2020-11-27 | 广东光速智能设备有限公司 | 一种身份证件信息采集方法及其系统 |
| CN112085010A (zh) * | 2020-10-28 | 2020-12-15 | 成都信息工程大学 | 一种基于图像识别的口罩检测和部署系统及方法 |
| CN112101221A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种用于交通信号灯实时检测与识别的方法 |
-
2020
- 2020-12-21 CN CN202011517762.0A patent/CN112598054B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376580A (zh) * | 2018-08-30 | 2019-02-22 | 杭州电子科技大学 | 一种基于深度学习的电力塔架部件识别方法 |
| CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
| 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 |
| CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
| CN111931623A (zh) * | 2020-07-31 | 2020-11-13 | 南京工程学院 | 一种基于深度学习的人脸口罩佩戴检测方法 |
| CN112001318A (zh) * | 2020-08-25 | 2020-11-27 | 广东光速智能设备有限公司 | 一种身份证件信息采集方法及其系统 |
| CN112101221A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种用于交通信号灯实时检测与识别的方法 |
| CN112085010A (zh) * | 2020-10-28 | 2020-12-15 | 成都信息工程大学 | 一种基于图像识别的口罩检测和部署系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| YUCHAO L , SUNAN Z , ZIYUE L , ET AL: "Abnormal Behavior Recognition Based on Key Points of Human Skeleton", IFAC PAPERSONLINE * |
| 李佳禧;邱东;杨宏韬;刘克平;: "基于改进的YOLO v3的工件识别方法研究", 组合机床与自动化加工技术, no. 08 * |
| 马鹏;樊艳芳;: "基于深度迁移学习的小样本智能变电站电力设备部件检测", 电网技术, no. 03 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095321A (zh) * | 2021-04-22 | 2021-07-09 | 武汉菲舍控制技术有限公司 | 一种带式输送机的滚轮轴承测温及故障预警方法及装置 |
| CN113420716A (zh) * | 2021-07-16 | 2021-09-21 | 南威软件股份有限公司 | 基于改进Yolov3算法的违规行为识别预警的方法 |
| CN113420716B (zh) * | 2021-07-16 | 2023-07-28 | 南威软件股份有限公司 | 基于改进Yolov3算法的违规行为识别预警的方法 |
| CN114723939A (zh) * | 2022-04-12 | 2022-07-08 | 国网四川省电力公司营销服务中心 | 基于注意力机制的非极大值抑制方法、系统、设备和介质 |
| CN114723939B (zh) * | 2022-04-12 | 2023-10-31 | 国网四川省电力公司营销服务中心 | 基于注意力机制的非极大值抑制方法、系统、设备和介质 |
| CN115100495A (zh) * | 2022-07-08 | 2022-09-23 | 福州大学 | 基于子特征融合的轻量化安全帽检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598054B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598054A (zh) | 基于深度学习的输变电工程质量通病防治检测方法 | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| US11429818B2 (en) | Method, system and device for multi-label object detection based on an object detection network | |
| CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
| CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
| CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
| CN108470022B (zh) | 一种基于运维管理的智能工单质检方法 | |
| CN110533022B (zh) | 一种目标检测方法、系统、装置及存储介质 | |
| CN111900694B (zh) | 一种基于自动识别的继电保护设备信息采集方法及系统 | |
| CN113643228B (zh) | 一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法 | |
| CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
| WO2023050738A1 (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| Ni et al. | An improved Faster R-CNN for defect recognition of key components of transmission line | |
| CN114299036B (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
| CN115908407B (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
| CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
| CN115830533A (zh) | 基于K-means聚类改进YOLOv5算法的安全帽佩戴检测方法 | |
| CN111680759A (zh) | 一种电网巡检绝缘子检测分类方法 | |
| CN113569656A (zh) | 一种基于深度学习的考场监控方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN113888358A (zh) | 基于深度学习的架空线路工程质量通病检测方法及系统 | |
| CN109657577B (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
| CN116665390A (zh) | 基于边缘计算及优化YOLOv5的火灾检测系统 | |
| CN111523576B (zh) | 一种适用于电子质量检测的密度峰值聚类离群点检测方法 |
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 |