CN112884738A - 一种基于斜框标注的悬垂线夹倾斜故障检测方法 - Google Patents
一种基于斜框标注的悬垂线夹倾斜故障检测方法 Download PDFInfo
- Publication number
- CN112884738A CN112884738A CN202110187751.9A CN202110187751A CN112884738A CN 112884738 A CN112884738 A CN 112884738A CN 202110187751 A CN202110187751 A CN 202110187751A CN 112884738 A CN112884738 A CN 112884738A
- Authority
- CN
- China
- Prior art keywords
- suspension clamp
- inclined frame
- inclination
- detection method
- labeling
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于斜框标注的悬垂线夹倾斜故障检测方法。提供了一种减少训练集中干扰信息,提高目标检测精度的基于斜框标注的悬垂线夹倾斜故障检测方法。包括如下步骤:S1、采集样本;S2、数据扩增;S3、训练模型;S4、利用训练的模型对测试样本进行检测,输出结果;S5、根据输出结果进行计算,判断是否倾斜。本发明通过标注斜框,减少背景区域的干扰,提高算法学习特征的性能,提高分类准确度;将悬垂线夹拆成两个部分,分别用斜框输出两个组成部分的方向信息,通过计算方向信息的夹角,根据需求设置阈值,通过判断夹角大小和阈值之间的关系进而判定悬垂线夹是否存在倾斜故障。
Description
技术领域
本发明涉及电力系统,尤其涉及一种基于斜框标注的悬垂线夹倾斜故障检测方法。
背景技术
目标检测是计算机视觉领域的基本任务之一,近些年随着深度学习技术的火热发展,目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
目前,绝缘子图像识别的算法主要包括传统的方法和深度学习方法,其中,传统方法:如基于绝缘子的轮廓、颜色、纹理等特征;深度学习:如faster-rcnn等基于正框标注的算法。
其存在缺陷为:
传统方法:识别精度不高,运算速度较慢,效率低,尤其是其识别效果严重依赖设定参数,算法对于不同背景适应性较差,识别率稳定性差。
深度学习:以faster-rcnn为代表的基于正框标注的算法,相对于传统算法来说,精度有了很大的提升。但是,对小目标的检测效果欠佳,对背景干扰严重的图片识别准确度还有待提高,同时只能输出正框的坐标信息,不能满足某些需要输出方向的场景。
发明内容
本发明针对以上问题,提供了一种减少训练集中干扰信息,提高目标检测精度的基于斜框标注的悬垂线夹倾斜故障检测方法。
本发明的技术方案为:包括如下步骤:
S1、采集样本;
S2、数据扩增;
S3、训练模型;
S4、利用训练的模型对测试样本进行检测,输出结果;
S5、根据输出结果进行计算,判断是否倾斜。
步骤S1中,采集悬垂线夹,剔除模糊照片,进行标注,采用斜框标注悬垂线夹的水平部和垂直部。
步骤S1中,其中,边缘无法用斜框标注,采用扩边进行标注。
步骤S2中,通过对采集后的原始图片采用水平、竖直翻转、调整明暗度和饱和度进行扩增。
步骤S3中,通过网络训练,调整网络权重参数,设置迭代次数,确定最终的网络模型。
步骤S4中,输出斜框检测结果,输出水平部和垂直部的类别信息。
步骤S5中,计算垂直部的竖直中轴线以及水平部的水平中轴线两者之间的夹角,根据需求设置阈值进行判定倾斜角度是否正常,当超出区间范围时,判断线夹倾斜,需要进行维护。
本发明的优点为:
1)、通过标注斜框,减少背景区域的干扰,提高算法学习特征的性能,提高分类准确度;
2)、将悬垂线夹拆成两个部分,分别用斜框输出两个组成部分的方向信息,通过计算方向信息的夹角,根据需求设置阈值,通过判断夹角大小和阈值之间的关系进而判定悬垂线夹是否存在倾斜故障。
附图说明
图1是本发明的流程图,
图2是本发明的检测状态图。
具体实施方式
本发明如图1-2所示,包括以下步骤:
S1:采集样本,主要采集悬垂线夹,剔除模糊图片后,共3000张,标注方法:以斜框标注两个目标物PB(即垂直部)和XCXJ(即水平部),如图2所示,对于边缘无法用斜框标注的情况,采用扩边的方法标注,由于有些图片通过斜框标注无法包全,因此,采用扩边进行操作。
S2:数据扩增,通过对采集后的原始图片采用水平、竖直翻转、调整明暗度、饱和度等方法扩增。数据扩增是为了增加目标物在不同场景下的情况,提高精度。
S3:训练模型,通过网络训练,不断调整网络权重参数,设置一定的迭代次数,确定最终的网络模型。
模型训练为常规手段,训练模型的目的是学习感兴趣的物体的特征,当输入一张待检测图片时,会根据学习到的特征检测出目标物。
S4:利用训练的模型对测试样本检测,分别输出正框、斜框检测结果,此处只用斜框检测结果,输出类别PB和XCXJ的类别信息以及坐标信息(x,y,w,h,theta),其中,坐标信息为中矩形框的信息(中心点的横坐标,中心点的纵坐标,矩形的宽,矩形的高,以及角度)。
S5:计算PB的竖直中轴线以及XCXJ的水平中轴线,并计算两者之间的夹角,根据需求设置阈值,比如5度,故当夹角在[85,95]区间时,可判定倾斜角度正常,当超出区间范围时,判断线夹倾斜,此时需要进行维护。
其中,阈值可以根据需求设置,正常情况下,应该是90度,但稍微偏一点,也可认为正常,比如偏离3度,那么这个阈值可以设置为3,正常区间范围为90±3度。
对悬垂线夹倾斜判定的检测难点在于场景比较复杂,背景干扰性强,目前主流方法基于正框的深度学习方法,当目标物很大,同时倾斜角度很大时,干扰物更多,精确度受影响,同时对于倾斜目标,无法输出方向信息。
本发明一方面可以通过减少训练集中干扰信息进而提高目标检测精度,另一方面通过输出方向信息判断悬垂线夹是否倾斜。
对于本案所公开的内容,还有以下几点需要说明:
(1)、本案所公开的实施例附图只涉及到与本案所公开实施例所涉及到的结构,其他结构可参考通常设计;
(2)、在不冲突的情况下,本案所公开的实施例及实施例中的特征可以相互组合以得到新的实施例;
以上,仅为本案所公开的具体实施方式,但本公开的保护范围并不局限于此,本案所公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,包括如下步骤:
S1、采集样本;
S2、数据扩增;
S3、训练模型;
S4、利用训练的模型对测试样本进行检测,输出结果;
S5、根据输出结果进行计算,判断是否倾斜。
2.根据权利要求1所述的一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,步骤S1中,采集悬垂线夹,剔除模糊照片,进行标注,采用斜框标注悬垂线夹的水平部和垂直部。
3.根据权利要求2所述的一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,步骤S1中,其中,边缘无法用斜框标注,采用扩边进行标注。
4.根据权利要求3所述的一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,步骤S2中,通过对采集后的原始图片采用水平、竖直翻转、调整明暗度和饱和度进行扩增。
5.根据权利要求4所述的一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,步骤S3中,通过网络训练,调整网络权重参数,设置迭代次数,确定最终的网络模型。
6.根据权利要求5所述的一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,步骤S4中,输出斜框检测结果,输出水平部和垂直部的类别信息。
7.根据权利要求6所述的一种基于斜框标注的悬垂线夹倾斜故障检测方法,其特征在于,步骤S5中,计算垂直部的竖直中轴线以及水平部的水平中轴线两者之间的夹角,根据需求设置阈值进行判定倾斜角度是否正常,当超出区间范围时,判断线夹倾斜,需要进行维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110187751.9A CN112884738A (zh) | 2021-02-18 | 2021-02-18 | 一种基于斜框标注的悬垂线夹倾斜故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110187751.9A CN112884738A (zh) | 2021-02-18 | 2021-02-18 | 一种基于斜框标注的悬垂线夹倾斜故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884738A true CN112884738A (zh) | 2021-06-01 |
Family
ID=76057597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110187751.9A Pending CN112884738A (zh) | 2021-02-18 | 2021-02-18 | 一种基于斜框标注的悬垂线夹倾斜故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884738A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378221A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN111402247A (zh) * | 2020-03-23 | 2020-07-10 | 华南理工大学 | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 |
CN111462235A (zh) * | 2020-03-31 | 2020-07-28 | 武汉卓目科技有限公司 | 基于yolo v3算法的倾斜目标检测方法、装置及存储介质 |
CN111539924A (zh) * | 2020-04-20 | 2020-08-14 | 广东电网有限责任公司 | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 |
-
2021
- 2021-02-18 CN CN202110187751.9A patent/CN112884738A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378221A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN111402247A (zh) * | 2020-03-23 | 2020-07-10 | 华南理工大学 | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 |
CN111462235A (zh) * | 2020-03-31 | 2020-07-28 | 武汉卓目科技有限公司 | 基于yolo v3算法的倾斜目标检测方法、装置及存储介质 |
CN111539924A (zh) * | 2020-04-20 | 2020-08-14 | 广东电网有限责任公司 | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN112184759A (zh) | 一种基于视频的运动目标检测与跟踪方法及系统 | |
CN110647836B (zh) | 一种鲁棒的基于深度学习的单目标跟踪方法 | |
CN111489330B (zh) | 基于多源信息融合的弱小目标检测方法 | |
CN110889827A (zh) | 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法 | |
CN113221976A (zh) | 基于时空光流网络的多视频帧黑烟柴油车检测方法及系统 | |
CN114463619B (zh) | 基于集成融合特征的红外弱小目标检测方法 | |
CN116385758A (zh) | 基于YOLOv5网络对传送带表面损伤的检测方法 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN111476314B (zh) | 一种融合光流算法与深度学习的模糊视频检测方法 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
CN117115412A (zh) | 一种基于加权得分标签分配的小目标检测方法 | |
CN112884738A (zh) | 一种基于斜框标注的悬垂线夹倾斜故障检测方法 | |
CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
CN115471773B (zh) | 一种面向智慧教室的学生跟踪方法及系统 | |
CN111339824A (zh) | 基于机器视觉的路面抛洒物检测方法 | |
CN110443277A (zh) | 基于注意力模型的少量样本分类方法 | |
CN113450321B (zh) | 基于边缘检测的单阶段目标检测方法 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
CN112686285A (zh) | 一种基于计算机视觉的工程质量检测方法及系统 | |
CN111640071A (zh) | 基于卷积神经网络修复帧差法获取全景前景目标的方法 | |
CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |