CN112836659A - 输电线路智能巡检机器人缺陷识别系统及识别方法 - Google Patents

输电线路智能巡检机器人缺陷识别系统及识别方法 Download PDF

Info

Publication number
CN112836659A
CN112836659A CN202110171981.6A CN202110171981A CN112836659A CN 112836659 A CN112836659 A CN 112836659A CN 202110171981 A CN202110171981 A CN 202110171981A CN 112836659 A CN112836659 A CN 112836659A
Authority
CN
China
Prior art keywords
transmission line
power transmission
inspection robot
tensorrt
model
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
Application number
CN202110171981.6A
Other languages
English (en)
Inventor
喻明江
邵显清
姚翔宇
姚俊
范鹏
徐驰
黎淑娟
胡元
刘启
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.)
Wuhan NARI Ltd
State Grid Electric Power Research Institute
Original Assignee
Wuhan NARI Ltd
State Grid Electric Power Research Institute
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 Wuhan NARI Ltd, State Grid Electric Power Research Institute filed Critical Wuhan NARI Ltd
Priority to CN202110171981.6A priority Critical patent/CN112836659A/zh
Publication of CN112836659A publication Critical patent/CN112836659A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种输电线路智能巡检机器人缺陷识别系统，所述系统包括SDlite‑MobilenetV3轻量级网络、TensorFlow框架、TensorRT技术以及NVIDIA Jetson Nano嵌入式平台，本发明还利用所述系统提供一种缺陷识别方法，所述输电线路智能巡检机器人缺陷识别方法的目标检测模型采用SSDlite‑MobilenetV3轻量级网络，基于TensorFlow框架完成搭建及训练，采用TensorRT技术实现推理加速，在嵌入式平台NVIDIA Jetson Nano中完成部署，实时推理视频通过视频流方式推送至服务器，实现输电线路目标实时检测，通过本发明，能减少10ms的延迟，提高了运算速度，且没有任何精度损失，在保证了精度的前提下降低了运算消耗。

Description

输电线路智能巡检机器人缺陷识别系统及识别方法
技术领域
本发明属于输电线路故障识别领域，具体地讲是一种输电线路智能巡检机器人缺陷识别系统及识别方法。
背景技术
2019年国网公司提出建设世界一流能源互联网，打造“三型两网”企业的战略目标。2019年，国网公司提出构建输变配电设备物联网的建设方案，将其定位为能源互联网的重要组成部分。输变电智能巡检将成为广泛应用在电力物联网建设方向，带动整个巡检管理模式的变革，提升运行检修效率。根据中电联统计数据，截至2019年底，初步统计全国电网35千伏及以上输电线路回路长度194万千米，比上年增长3.4％。电网规模日益扩大和运检人员结构性缺员之间的矛盾日益突出。随着输电线路巡检精细化管理和信息技术的发展，机器人巡检已成为重要的手段，输电线路设备图像数据作为最直观的信息手段在设备状态评价中大量被使用。通过对线路巡检机器人所采集图像数据进行实时目标检测与缺陷分析成为输电线路设备状态评价两项最关键的工作，而实时目标检测作为前序工作尤为重要。对于图像处理来说，输电线路环境复杂，户外光照阴影瞬息万变，设备目标多样普遍重叠，实现实时目标检测异常困难。近年来，伴随人工智能机器学习技术发展，深度学习算法广泛应用于电力相关领域中，这也为实时检测输电线路设备目标提供了可能。
输电线路巡检机器人由自身携带的电池提供动力，其硬件资源及重量都成为输电线路制约因素，现有缺陷识别算法主要有MobileNetV1及MobileNetV2算法，MobileNet v1是一种基于流水线结构，使用深度级可分离卷积构建的轻量级神经网络，通过两个超参数(通道数和分辨率)的引入使得开发人员可以基于自己的应用和资源限制选择合适的模型。MobileNetV2是MobileNetV1的升级版，通过改进，可以用较少的运算量得到较高的精度。上述量算法复杂，运算速度慢，对小型嵌入式输电线路巡检机器人硬件资源有限而言，识别效率低下，不满足高效率缺陷识别的要求。
MobileNet是谷歌专为移动与嵌入式硬件设计的轻量化网络，而MobileNetV3是Google 2019发布的，综合了MobileNetV1的深度可分离卷积、MobileNetV2的具有线性瓶颈的逆残差结构以及MnasNet的轻量级注意力模型三种网络结构优点的轻量化卷积网络模型，非常适用于部署在嵌入式设备中实现边缘智能视觉推理。SSDLite卷积神经网络是一种新的提出的新型卷积神经网络，用于智能物体检测任务，利用SSDlite-MobilenetV3算法实现输电线路巡检机器人的缺陷识别，综合二者的优点，使运算网络轻量化，加速推理运算速度。
注释：
TensorFlow-是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习(machine learning)；
TensorRT-是一个高性能的深度学习推理(Inference)优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理；
NVIDIA Jetson Nano-是适用于边缘人工智能开发的小型AI计算机。
发明内容
本发明的目的是提供一种目标检测模型采用SSDlite-MobilenetV3轻量级网络，基于TensorFlow框架完成搭建及训练，算法的编程实现；并采用TensorRT技术实现推理加速后在嵌入式平台NVIDIA Jetson Nano中完成部署，实时推理视频并通过视频流方式推送至服务器以实现输电线路目标实时检测的输电线路智能巡检机器人缺陷识别系统及识别方法。为了实现上述目的，本发明所采用的技术方案是：
一种输电线路智能巡检机器人缺陷识别系统，所述系统包括SDlite-MobilenetV3轻量级网络、TensorFlow框架、TensorRT技术以及NVIDIA Jetson Nano嵌入式平台。
本发明还提供一种利用所述输电线路智能巡检机器人缺陷识别系统的缺陷识别，所述识别方法的目标检测模型采用SSDlite-MobilenetV3轻量级网络，SSDlite及MobilenetV3都调用TensorFlow深度学习网络框架函数接口，先运用SSDlite均匀地在图片的不同位置进行密集抽样，抽样时采用不同尺度和长宽比，然后利用MobilenetV3提取特征后直接进行分类与回归；上述过程是在服务器中基于TensorFlow框架完成搭建及训练，整个训练过程采用TensorRT技术进行模型压缩实现参数轻量化，进而实现计算推理加速后在嵌入式平台NVIDIA Jetson Nano中部署，实时推理视频通过视频流方式推送至服务器以实现输电线路目标实时检测。
本发明的有益效果是：通过本发明，能减少10ms的延迟，提高了运算速度，且没有任何精度损失，在保证了精度的前提下降低了运算消耗。
附图说明
图1为本发明的方法流程图。
图2为本发明边缘视频接入与智能分析处理技术方案。
图3为本发明Tensorboard训练收敛可视化过程图。
图3中：a：损失函数Loss，b：召回率Recall，c:平均精度mAP。
图4为本发明模型图像测试结果对比图。
图4中：a:左为绝缘子测试结果，右为数据标注，b:左为鸟巢测试结果，右为数据标注。
图5为本发明实时视频流推理界面图。
图5中：a：为原模型，b：为TensorRT加速，c：为TensorFlowLite加速，d:为视频流web界面)
具体实施方式
下面结合附图和实施例对本发明做进一步的详细描述。
本发明所述输电线路智能巡检机器人缺陷识别方法(图1)的目标检测模型采用SSDlite-MobilenetV3轻量级网络，基于TensorFlow框架完成搭建及训练，实施例为突出本发明有益效果，采用TensorRT与TensorFlow Lite技术分别实现推理加速后在嵌入式平台NVIDIA Jetson Nano中完成部署，将二者的识别结果进行对比。优选的实时推理视频可通过视频流方式推送至服务器以实现输电线路目标实时检测。常规TensorFlow Lite-是一种用于设备端推断的开源深度学习框架。
本发明基于推理加速技术，提出了边缘视频接入与智能分析处理整体技术方案，如图2所示，边缘智能终端完成多类型视频接入后，对其进行H.265&H2.464硬件解码后转为RGB目标帧；然后基于TRT、TFLite等构建加速推理引擎，并加载自训练的SSDlite-MobileNETv3典型线路缺陷目标检测模型(云端更新)，对目标帧进行AI分析后生成识别结果帧；最后进行H.265&H2.464编码后打包为RTSP(Real Time Streaming Protocol)等流媒体协议数据包，推流至云端服务器。
本发明实施例考虑同时对TensorRT和TensorFlow Lite两种主流推理加速库的兼容性，采用基于CPU-GPU架构的NVIDIA Jetson Nano嵌入式硬件平台对模型部署和推理，测试模型性能，实现边缘人工智能的嵌入式硬件性能。
本发明实施例用于训练及测试相关模型的数据集是在我国华北某地区500kV输电线路实地采集的图片汇编而成，所采集图片是在秋季早中晚不同时段内不同光照下使用机器人拍摄，图片分辨率为1000*560，并特别采集了设备重叠出现在画面中的图片。原图片集中包含以下常见输电线路设备的缺陷：绝缘子、杆塔、防震锤、间隔棒、导线、地线等，本发明实施例选用绝缘子自爆(700余张)和鸟巢(3200余张)这两种典型故障进行汇总，并基于Pascal voc2007数据集格式完成标注。
本发明实施例采用数据增强(Data Augmentation)技术，Data Augmentation技术是一项生成新训练样本的技术，通过对原始数据采用随机抖动和扰乱而类标签未变化来实现，目标是增加模型的泛化性，使得待训练网络持续不断看到新的、稍微修改过的输入数据点，提升学习的鲁棒性。在计算机视觉领域，传统可以通过简单的几何变换来获得新的训练数据，如翻转(Flip)、旋转(Rotation)、缩放比例(Scale)、裁剪(Crop)、移位(Translation)、高斯噪声(Gaussian Noise)及颜色增强等等。本实施例采用的高级增强技术具备有条件对抗神经网络(Conditional GANs)和神经风格转移(Neural StyleTransfer)等优点。
本发明实施例为提高训练模型的鲁棒性和泛化能力，同时绝缘子的外形特征本身就具备可翻转性和对称性，经翻转、旋转、缩放等方式增强后的照片同样符合真实场景特点，保证训练数据的有效性，本发明实施例采用以上方式对数据进行增强。
Two-Stage方式的Faster R-CNN通过CNN网络先产生一系列候选框，然后对候选框进行分类与回归，此方式可以达到很高的识别精度，代价是推理速度的下降，限制了其在嵌入式边缘端的应用。YOLO和SSD属于One-Stage方式，主要思路是均匀地在图片的不同位置进行密集抽样，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，网络计算量小，适用于嵌入式边缘端。不同于YOLO在全连接层之后做检测，SSD采用多尺度的特征图来检测，提升其对小目标的检测性能，符合输电线路巡检的应用场景。
SSDlite对SSD结构做了进一步的修改，将SSD的预测层中所有标准卷积替换为深度可分离卷积，可使参数量和计算成本大大降低，计算更高效。相比SSD，SSDlite的参数量(Params)和计算消耗(MAdds)都大幅降低。
MobileNetV3的设计使用了NAS(network architecture search)神经网络搜索功能来构建全局的网络结构，随后利用了NetAdapt算法来对每层的核数量进行优化。Block设计时在MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linearbottleneck)基础上引入SE(Squeeze-and-Excite)轻量级的通道注意力模块，集合了上述结构的优点。
本发明实施例利用SSDlite-MobilenetV3，相较MobileNetV3，做出了以下几个方面的网络结构改进。重新设计了计算资源耗费最多的最后层。将MobileNetV3版本的平均池化层(Avg Pool)提前至1x1卷积层的前面，并去掉了MobileNetV2版本的纺锤型卷积的3x3以及1x1卷积。
此外，MobileNetV3将MobileNetV2的头部卷积核的通道数从32缩减至16，在保证了精度的前提下提升了降低了运算消耗；由于嵌入式设备计算sigmoid耗费相当大的计算资源，因此MobileNetV3使用h-switch即ReLU6(x+3)/6来近似替代sigmoid，同时消除了量化时潜在的精度损失。
MobileNetV3共提供了两个版本，分别是Large和Small，对应于高资源和低资源的情况，本发明专利实施例选用了轻量级的MobileNetV3-Small网络。
本发明专利实施例采用TensorFlow深度学习网络框架完成SSDlite-MobileNetV3-Small模型的搭建，训练程序基于Python设计，操作系统为Ubuntu18.04 LTS，用于训练模型的工作站选用NVIDIA RTX 2080GPU，该GPU具备368个Tensor Cores(NVIDIA专门设计用于加速矩阵计算的处理单元)可以加速深度学习模型训练，峰值性能算力可达21.2TFLOPs(FP16)。
由于数据集为小样本集，为了避免训练振荡并使梯度学习更为准确，选用相对较大的batch_size＝128；样本输入Resize尺寸为320x 320；优化器选用Momentum动量优化，动量参数为0.9；学习率采用基于预热的余弦式衰减(Cosine Decay),WarmUp预热学习率为0.013333，预热步数为2000，基础学习率为0.039，训练总步数为200k。
在本发明实施例可视化训练过程中，如图3所示。程随着迭代次数增加，分类损失和边界回归损失逐渐减小，总损失(Total Loss)逐步趋近在0.1-0.2之间；平均召回率(Recall)逐渐趋近于0.88附近；检测框平均精度mAP值逐步趋近于0.85附近，模型总体收敛的过程较为理想。
将权重参数固化后，整个模型尺寸仅4M大小，并对测试集进行了测试，模型检测框平均精度mAP值约为0.85，相应图像测试结果对比图如图3所示。从图4中可以看出，该模型能涵盖多种材质类型、角度、尺寸的绝缘子自爆缺陷和鸟巢检测，对个别被遮挡、截断以及多目标共存的缺陷也成功识别。
TensorRT是一个高性能的深度学习推理优化器，主要用来针对NVIDIA GPU进行推理加速，可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT可以看成一个只有前向传播的深度学习框架，可以对已有网络模型进行解析和优化，具体优化方式包括清除无效层/操作(Elimination of layers/operations)，操作融合(卷积、偏置和激活等)，层间融合(Merging of concatenation layers)，权重量化以及CUDA内核调整(KernelAuto-Tuning)等等。
TensorFlow Lite是TensorFlow针对移动和嵌入式设备的轻量级解决方案。它使设备上的机器学习预测具有低延迟和小的二进制大小，包括解释器(Interpreter)和模型转换器(Converter)两个组件，解释器用于在边缘端不同硬件上运行模型，转换器可将已有模型转为高效的tflite模型提供给解释器。
为了验证不同推理加速技术的性能，本发明实施例分别完成TensorRTv6.0和TensorFlowLitev3推理环境搭建，对比两者在嵌入式平台Nano的推理精度及速度等性能。，经推理优化后，测试集测试的推理精度损失在3％以内；而嵌入端平均推理时间分别减少了15ms(TensorRT)和10ms(TensorFlowLite)。
为进一步测试模型应用于嵌入式平台的动态推理性能，本发明实施例实现了CSI摄像头实时检测视频流http服务，检测对象由可移动终端模拟提供，如图5所示，视频分辨率为1280*720。
经过推理加速，实时视频检测帧率从原始的10-11fps可以分别提升至16-18fps(TensorRT)和13-15fps(TensorFlow Lite)，基本满足线路实时目标检测的需求。本发明专利实施案例结果显示TensorRT更适合CPU-GPU平台的加速，本发明专利实施案例实现了在复杂背景环境图片中高准确率、高检出率目标实时检测。

Claims (2)

1.一种输电线路智能巡检机器人缺陷识别系统，其特征在于，所述系统包括SDlite-MobilenetV3轻量级网络、TensorFlow框架、TensorRT技术以及NVIDIA JetsonNano嵌入式平台。
2.一种利用权利要求1所述输电线路智能巡检机器人缺陷识别系统的缺陷识别方法，所述识别方法的目标检测模型采用SSDlite-MobilenetV3轻量级网络，基于TensorFlow框架完成搭建及训练，并采用TensorRT技术实现推理加速后在嵌入式平台NVIDIA JetsonNano中完成部署，实时推理视频可通过视频流方式推送至服务器以实现输电线路目标实时检测。
CN202110171981.6A 2021-02-08 2021-02-08 输电线路智能巡检机器人缺陷识别系统及识别方法 Pending CN112836659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110171981.6A CN112836659A (zh) 2021-02-08 2021-02-08 输电线路智能巡检机器人缺陷识别系统及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110171981.6A CN112836659A (zh) 2021-02-08 2021-02-08 输电线路智能巡检机器人缺陷识别系统及识别方法

Publications (1)

Publication Number Publication Date
CN112836659A true CN112836659A (zh) 2021-05-25

Family

ID=75932801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110171981.6A Pending CN112836659A (zh) 2021-02-08 2021-02-08 输电线路智能巡检机器人缺陷识别系统及识别方法

Country Status (1)

Country Link
CN (1) CN112836659A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313032A (zh) * 2021-05-31 2021-08-27 广东电网有限责任公司 一种输电线路外力破坏异常目标的检测算法及相关装置
CN116523052A (zh) * 2023-07-05 2023-08-01 成都阿加犀智能科技有限公司 一种快速推理方法、装置及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDRE SILVA PINTO DE AGUIARA 等: "Vineyard trunk detection using deep learning – An experimental device benchmark", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
YUAN ZHAO 等: "Real Time Object Detection for Traffic Based on Knowledge Distillation: 3RD Place Solution to Pair Competition", 《IEEE XPLORE》 *
杨罡 等: "基于无人机前端和SSD 算法的输电线路部件检测模型对比研究", 《太原理工大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313032A (zh) * 2021-05-31 2021-08-27 广东电网有限责任公司 一种输电线路外力破坏异常目标的检测算法及相关装置
CN116523052A (zh) * 2023-07-05 2023-08-01 成都阿加犀智能科技有限公司 一种快速推理方法、装置及设备
CN116523052B (zh) * 2023-07-05 2023-08-29 成都阿加犀智能科技有限公司 一种快速推理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN112836659A (zh) 输电线路智能巡检机器人缺陷识别系统及识别方法
CN114627360A (zh) 基于级联检测模型的变电站设备缺陷识别方法
CN112733824B (zh) 基于视频图像智能前端的变电设备缺陷诊断方法和系统
CN114549563A (zh) 一种基于DeepLabV3+的复合绝缘子实时分割方法及系统
CN110210378A (zh) 一种基于边缘计算的嵌入式视频图像解析方法及装置
CN116342596A (zh) 一种基于YOLOv5改进的变电站设备螺母缺陷识别检测方法
CN113076992A (zh) 一种生活垃圾检测方法及装置
CN113723279A (zh) 边缘计算环境中基于时空间优化的多目标跟踪加速方法
Yang et al. Research on subway pedestrian detection algorithms based on SSD model
CN116740516A (zh) 基于多尺度融合特征提取的目标检测方法及系统
Li et al. A city monitoring system based on real-time communication interaction module and intelligent visual information collection system
CN116580184A (zh) 一种基于YOLOv7的轻量化模型
CN116912774A (zh) 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质
CN115880591A (zh) 一种基于无人机视频流的实时目标检测方法
Zhang et al. Unmanned Aerial Vehicle (UAV) vision-based detection of power line poles by CPU-based deep learning method
CN114898114A (zh) 柑橘花期灰霉病识别方法及SoCFPGA监测系统
Zhou A lightweight improvement of YOLOv5 for insulator fault detection
Li et al. Automated deep learning system for power line inspection image analysis and processing: Architecture and design issues
CN112802026A (zh) 一种基于深度学习实时的交通场景语义分割方法
CN116524328B (zh) 基于改进的轻量化网络的目标识别方法及系统
Chen et al. The design of detector to illegal ingredients of kitchen waste based on embedded device
Maldarella et al. Recognition of Surface Discharges in High-voltage Lines Insulators using Artificial Intelligence
Xiong et al. Research on image recognition of power inspection robot based on improved YOLOv3 model
Dong et al. Research and Implementation of Violation Monitoring System for Electric Customer Service Hall
CN116664490A (zh) 基于结构重参数化的电力设备缺陷检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210525

RJ01 Rejection of invention patent application after publication