CN112966788A - 基于深度学习的输电线路间隔棒故障检测方法 - Google Patents

基于深度学习的输电线路间隔棒故障检测方法 Download PDF

Info

Publication number
CN112966788A
CN112966788A CN202110418841.4A CN202110418841A CN112966788A CN 112966788 A CN112966788 A CN 112966788A CN 202110418841 A CN202110418841 A CN 202110418841A CN 112966788 A CN112966788 A CN 112966788A
Authority
CN
China
Prior art keywords
spacer
power transmission
image
transmission line
deep learning
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
CN202110418841.4A
Other languages
English (en)
Inventor
高绅
陈万培
韩恒
张涛
高阳
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.)
Yangzhou University
Original Assignee
Yangzhou University
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 Yangzhou University filed Critical Yangzhou University
Priority to CN202110418841.4A priority Critical patent/CN112966788A/zh
Publication of CN112966788A publication Critical patent/CN112966788A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了高压输电领域中的一种基于深度学习的输电线路间隔棒故障检测方法，通过采集间隔棒图像数据，使用图像数据增广和图像预处理方式，构建训练数据集，然后使用数据集对改进的SSD神经网络进行训练，使得改进后的网络模型可以准确识别间隔棒故障问题，这样不仅降低了人工巡检成本，还提升了输电线路的可靠性和安全性，以解决由于航拍图像中间隔棒背景复杂导致间隔棒故障区域的定位及检测精度收到影响的问题。

Description

基于深度学习的输电线路间隔棒故障检测方法
技术领域
本发明涉及高压输电技术领域，特别涉及一种高压输电巡检方法。
背景技术
伴随着国家经济发展水平和人民生活水平的提高，电网的规模也在不断扩大啊，如何保障电网的安全可靠地运行开始被关注。输电线路是连接国家电力网络的部件，而输电线间隔棒作为输电线重要的金具，能够保持多分类子导线间距，保证线路的电力运输能力，防止导线间的鞭击、抑制微风振动、次档距振荡等。因此，对输电线路间隔棒的检测是保障电力网络运检维护的必要程序之一。
目前，电力设备的维护检查一般通过人工巡检的方式完成，由于架空线路和输电隧道架设的特殊性，线路巡检通常会对工人的生命安全造成一定的威胁。无人机和监控摄像头的应用，通过图像识别技术代替人工进行安全检查已经成为较为有效的巡检方案。但是这些方式存在诸多问题，在无人机拍摄电力部件的过程中，由于距离的因素，电力部件距离无人机较远，在图像上显示的尺寸较小；监控摄像头只有录像和视频监控功能，无法对所需要的监控目标进行智能化的识别分析，都需要进一步借助人工完成最后的故障分析检测，降低了自动化程度的同时，也延长了故障的修复时间。
深度学习算法的发展和硬件运算水平的提高，卷积神经网络逐渐应用在计算机视觉和自然语言处理等领域，作为计算机视觉的重要研究分支，基于卷积神经网络的目标检测算法在许多层面上都超越了传统的图像处理算法。因此本发明基于深度学习技术设计输电线路间隔棒故障目标检测算法，自动化检测间隔棒使用状态。本发明有助于提升输电线路间隔棒巡检效率、解放部分生产力、提高经济效益、更适合在工业现场和无人机系统中进行应用。
发明内容
本发明的目的是提供一种基于深度学习的输电线路间隔棒故障检测方法采用图像自动识别的方式可提高输电线路间隔棒故障检测效率，采用深度学习进行间隔棒的故障识别，可有效提高检测准确率。
本发明的目的是这样实现的：一种基于深度学习的输电线路间隔棒故障检测方法，包括如下步骤：
步骤一、获取间隔棒图像样本，使用图像数据增广方式对图像样本进行扩充；
步骤二、对图像数据增广后的部分图像进行预处理，得到间隔棒图像数据训练集和间隔棒图像数据测试集；
步骤三、将间隔棒图像数据训练集输入到DenseNet-32卷积神经网络中，利用DenseNet-32卷积神经网络对所述间隔棒图像数据训练集进行图像分割，获取间隔棒图像分割结果数据集；
步骤四、将所述间隔棒图像分割结果数据集输入到SDD layers网络中，建立SSD算法权重模型；
步骤五、利用所述SSD算法权重模型对间隔棒图像数据测试集进行检测，获得间隔棒故障检测结果。
作为本发明的进一步限定，步骤一中对图像数据进行数据增广的方式包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换。
作为本发明的进一步限定，所述数据增广的方式以图像为中心点，分为如下几个步骤：
a)将旋转点移动到原点处；
b)绕原点进行旋转；
c)再将旋转点移回到原来的位置。
4.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤二中图像预处理包括分段线性变换、直方图均衡化和平滑去噪。
作为本发明的进一步限定，所述分段线性变换的数学表达式为：
Figure BDA0003027087830000031
式中f为变换前灰度空间，灰度区间为[a，b]，进行线性拉伸，g为变换后灰度空间，gmax为可设置亮色，亮色区间为[0，255]，则灰度区间[0，a]和[b，fmax]被压缩。仔细调整折线拐点的位置并控制分段直线的概率，可以对图像的任一灰度区间进行拉伸或压缩；
所述直方图均衡化的数学过程描述为：
设原始图像在(x，y)处的灰度为f，取值范围为[0，L-1]，f＝0时表示黑色，f＝L-1时表示白色，均衡化后的灰度为j，则该变换过程可描述为：
j(x，y)＝T[f(x，y)]，0≤f≤L-1
式中变换T需满足以下条件：
(a).T(r)在灰度区间[0，L-1]上严格递增；
(b).当0≤f≤L-1时，0≤T(r)≤L-1，其中L≤256；
所述平滑处理过程的数学描述为：
Figure BDA0003027087830000041
式中，T≥0，Q为邻域S中像素的个数，g(x，y)是已增强的图片。
作为本发明的进一步限定，步骤三中在获取间隔棒图像分割结果数据集后，将间隔棒图像数据测试集与间隔棒图像分割结果数据集中图像进行逻辑运算，获取去除背景区域后的间隔棒图像分割结果数据集。
作为本发明的进一步限定，步骤三中采用步长为2的卷积代替池化层进行降采样操作。
作为本发明的进一步限定，步骤三中在DenseNet-32卷积神经网络后面添加了五个不同卷积核大小和卷积步长的卷积层。
作为本发明的进一步限定，步骤三中DenseNet-32卷积神经网络中的激活函数选用了LeakyRelu激活函数。
作为本发明的进一步限定，步骤四中建立SSD算法权重模型时，神经网络经过损失函数和优化器后，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代，完成固定次数的迭代，直到网络拟合，得到最优的权重系数，得到训练好的SSD深度卷积神经网络。
与现有技术相比，本发明的有益效果在于：
1、利用图像自动识别技术代替传统的人工巡检方式，能够自动识别间隔棒的故障并发出报警，不再受巡检员的经验、理解和认知程度不同的影响，提高检测效率与准确率；
2、将深度学习算法应用到输电线路间隔棒的故障自动识别中，提高整体算法的稳定性及精度；
3、对于采集的原始图像数量少，容易导致卷积神经网络发生过拟合现象，使用图像数据增广和图像预处理的方式，进一步扩大数据集样本数量，满足卷积神经网络的训练要求，免网络过拟合；
4、对于最大池化操作会造成部分特征信息的丢失，本文使用步长为2的1×1conv代替池化操作，有效避免模型过拟合，进一步提高识别准确率，同时不影响识别整体的原有速度。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明故障识别流程图。
图2为本发明中最大池化操作示意图。
图3为本发明中隔棒故障检测网络结构图。
图4为本发明中部分检测结果案例。
图5为本发明中DenseNet-32网络结构参数表。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示的一种基于深度学习的输电线路间隔棒故障检测方法，具体流程为：
步骤一、获取间隔棒图像样本，使用图像数据增广方式对图像样本进行扩充；
a)间隔棒图像样本：由于目前暂无公开的间隔棒图像数据集，为了验证本发明方法，自助获取整理的间隔棒故障数据集，以无人机航拍的方式获取了部分间隔棒图像数据，为了满足神经网络的训练要求，使用图像数据增广的方式包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换的这五种处理方式，对数据集样本扩充；
b)图像数据增广：所使用的数据增广方法在实际操作时默认是以图像为中心点进行的；从数学的角度，可以分为如下几个步骤：
1)将旋转点移动到原点处；
2)绕原点进行旋转；
3)再将旋转点移回到原来的位置。
假设图像的原始坐标为[x0，y0，1]T，平移后的坐标为[x，y，1]T则平移前和平移后的坐标关系为：
Figure BDA0003027087830000061
图像平移是指所有的像素在x和y方向上的平移和，平移对应的数学矩阵为：
Figure BDA0003027087830000062
其中dx，dy，分别表示水平和垂直方向移动的距离；
图像旋转主要是通过指定的旋转中心点(默认为图像中心点)进行任意角度的旋转，数学矩阵表示为：
Figure BDA0003027087830000071
其中θ为旋转的角度(非弧度制)；
图像翻转包括水平翻转和垂直翻转，水平翻转数学矩阵表示为：
Figure BDA0003027087830000072
垂直翻转数学矩阵表示为：
Figure BDA0003027087830000073
深度学习任务中使用图像裁剪常用的做法是将原图缩放原图的某一倍(本文为1.1倍)，然后在缩放后图片上进行裁剪操作，缩放数学矩阵表示为：
Figure BDA0003027087830000074
在深度学习任务中数据增广一般会采用多种组合的数据增广方式，由矩阵运算知识可知，不同的组合顺序结果是不一样的，为了更直观的解释这个过程，假定平移变换矩阵为Hshift，旋转变换矩阵为Hrotate，本文主要使用平移旋转组合数据增广方式，则存在两种不同的组合变换，一是先平移再旋转，则其变换结果数学矩阵可表示为：
Figure BDA0003027087830000075
二是先旋转再平移，则其变换结果数学矩阵可表示为：
Figure BDA0003027087830000076
步骤二、对图像数据增广后的部分图像进行预处理，得到间隔棒图像数据集；
图像预处理：为了提升训练模型的泛化能力，需要进行一定的图像增强操作，调节图片的饱和度、曝光度、亮度和像素的对比度等参数，通过处理有选择地突出某些感兴趣的信息，抑制一些无用的信息，借以提高图像的使用价值；本发明方法使用分段线性变换、直方图均衡化和平滑去噪对部分图像进行预处理；
1)分段线性变换的数学表达式为：
Figure BDA0003027087830000081
式中f为变换前灰度空间，灰度区间为[a，b]，进行线性拉伸，g为变换后灰度空间，gmax为可设置亮色，亮色区间为[0，255]，则灰度区间[0，a]和[b，fmax]被压缩。仔细调整折线拐点的位置并控制分段直线的概率，可以对图像的任一灰度区间进行拉伸或压缩。
2)直方图均衡化数学过程描述为：
设原始图像在(x，y)处的灰度为f，取值范围为[0，L-1]，f＝0时表示黑色，f＝L-1时表示白色，均衡化后的灰度为j，则该变换过程可描述为：
j(x，y)＝T[f(x，y)]，0≤f≤L-1
式中变换T需满足以下条件：
(a).T(r)在灰度区间[0，L-1]上严格递增；
(b).当0≤f≤L-1时，0≤T(r)≤L-1，其中L≤256。
3)平滑处理过程数学描述为：
Figure BDA0003027087830000082
式中，T≥0，Q为邻域S中像素的个数，g(x，y)是已增强的图片；
由于计算资源的限制，且航拍设备拍摄获得的图像样本尺寸不一，大增加了绝缘子定位难度，根据图像短边长度，等比例对所有图像的分辨率统一归一化处理，调整为300×300大小，使用LabelImg标注工具对原始数据集图片进行标注，标注方式可以自定义，可以编辑、标注结果和原始图片并可以协同管理。
步骤三、对原SSD卷积神经网络做出部分改进，原SSD由VGG-16主干特征提取网络和SSD Layers网络两部分组成，为了满足实际需求，进一步加深网络深度，提高网络的特征提取能力，使用DenseNet-32卷积神经网络代替原SSD中的VGG-16主干特征提取网络，将间隔棒数据集输入到改进后的SSD模型，利用DenseNet-32出色的特征提取能力，对所述间隔棒图像数据集进行图像分割，获取间隔棒图像分割结果数据集；
在获取间隔棒图像分割结果数据集后，将间隔棒图像测试数据集图像与间隔棒图像分割结果数据集中图像进行逻辑与运算，获取去除背景区域后的间隔棒图像分割结果数据集；
为避免池化操作产生的梯度消失和梯度爆炸的负面影响，采用步长为2的卷积代替池化层进行降采样操作，最大池化操作示意图如图2所示。
通过使用在DenseNet-32卷积神经网络后面添加了五个不同卷积核大小和卷积步长的卷积层，这五个添加的卷积层共同组成SSD Layers网络DenseNet-32网络结构参数如图5所示。完整的隔棒故障检测网络结构图如图3所示。
为了进一步提高网络的表达能力，使用非饱和的LeakyRelu激活函数代替DenseNet-32神经网络卷积层设计中常用的Relu激活函数，当输入为负时，给其一个很小的坡度αi,可以减少死神经元的出现，其计算公式为：
Figure BDA0003027087830000101
步骤四、将所述间隔棒分割结果数据集输入到SSD Layers网络中，建立改进后的SSD算法权重模型。
建立SSD算法权重模型时，为了避免网络过拟合的发生，采用Adam优化器、位置损失函数和置信度损失函数，实现神经网络的端到端训练。神经网络经过损失函数和优化器后，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代，完成固定次数的迭代，直到网络拟合，得到最优的权重系数，得到训练好的SSD深度卷积神经网络。
步骤五、利用所述改进的SSD算法权重对间隔棒待检测图像数据进行检测，首先将待检测的间隔棒图片或者视频输入到固化后的间隔棒检测模型中，经过前向传播后得到间隔棒区域的边界框坐标与置信度得分，将间隔棒特征提取出来，然后经过回归，获得间隔棒故障检测结果。
本发明最终在间隔棒故障检测测试数据集取得91.2％的平均准确率，检测速度为40毫秒一张图片(不包括读取图片时间)。
本发明可以利用无人机平台搭建高清成像设备，对输电线路进行拍摄，获取高清图像。利用深度学习SSD卷积神经网络框架，对图像中输电线路间隔部件进行精确定位后对定位部件区域进行故障分析，判断其是否发生歪斜/断裂。对发生故障的部件进行上传报警，工作人员根据识别结果进行相应的处理，保证输电线路安全运行。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于深度学习的输电线路间隔棒故障检测方法，其特征在于，包括如下步骤：
步骤一、获取间隔棒图像样本，使用图像数据增广方式对图像样本进行扩充；
步骤二、对图像数据增广后的部分图像进行预处理，得到间隔棒图像数据训练集和间隔棒图像数据测试集；
步骤三、将间隔棒图像数据训练集输入到DenseNet-32卷积神经网络中，利用DenseNet-32卷积神经网络对所述间隔棒图像数据训练集进行图像分割，获取间隔棒图像分割结果数据集；
步骤四、将所述间隔棒图像分割结果数据集输入到SDD layers网络中，建立SSD算法权重模型；
步骤五、利用所述SSD算法权重模型对间隔棒图像数据测试集进行检测，获得间隔棒故障检测结果。
2.根据权利要求1所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤一中对图像数据进行数据增广的方式包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换。
3.根据权利要求2所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，所述数据增广的方式以图像为中心点，分为如下几个步骤：
a)将旋转点移动到原点处；
b)绕原点进行旋转；
c)再将旋转点移回到原来的位置。
4.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤二中图像预处理包括分段线性变换、直方图均衡化和平滑去噪。
5.根据权利要求4所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，所述分段线性变换的数学表达式为：
Figure FDA0003027087820000021
式中f为变换前灰度空间，灰度区间为[a，b]，进行线性拉伸，g为变换后灰度空间，gmax为可设置亮色，亮色区间为[0，255]，则灰度区间[0，a]和[b，fmax]被压缩。仔细调整折线拐点的位置并控制分段直线的概率，可以对图像的任一灰度区间进行拉伸或压缩。
所述直方图均衡化的数学过程描述为：
设原始图像在(x，y)处的灰度为f，取值范围为[0，L-1]，f＝0时表示黑色，f＝L-1时表示白色，均衡化后的灰度为j，则该变换过程可描述为：
j(x，y)＝T[f(x，y)]，0≤f≤L-1
式中变换T需满足以下条件：
(a).T(r)在灰度区间[0，L-1]上严格递增；
(b).当0≤f≤L-1时，0≤T(r)≤L-1，其中L≤256；
所述平滑处理过程的数学描述为：
Figure FDA0003027087820000022
式中，T≥0，Q为邻域S中像素的个数，g(x，y)是已增强的图片。
6.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中在获取间隔棒图像分割结果数据集后，将间隔棒图像数据测试集与间隔棒图像分割结果数据集中图像进行逻辑运算，获取去除背景区域后的间隔棒图像分割结果数据集。
7.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中采用步长为2的卷积代替池化层进行降采样操作。
8.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中在DenseNet-32卷积神经网络后面添加了五个不同卷积核大小和卷积步长的卷积层。
9.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中DenseNet-32卷积神经网络中的激活函数选用了LeakyRelu激活函数。
10.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤四中建立SSD算法权重模型时，神经网络经过损失函数和优化器后，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代，完成固定次数的迭代，直到网络拟合，得到最优的权重系数，得到训练好的SSD深度卷积神经网络。
CN202110418841.4A 2021-04-19 2021-04-19 基于深度学习的输电线路间隔棒故障检测方法 Pending CN112966788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110418841.4A CN112966788A (zh) 2021-04-19 2021-04-19 基于深度学习的输电线路间隔棒故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110418841.4A CN112966788A (zh) 2021-04-19 2021-04-19 基于深度学习的输电线路间隔棒故障检测方法

Publications (1)

Publication Number Publication Date
CN112966788A true CN112966788A (zh) 2021-06-15

Family

ID=76280895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110418841.4A Pending CN112966788A (zh) 2021-04-19 2021-04-19 基于深度学习的输电线路间隔棒故障检测方法

Country Status (1)

Country Link
CN (1) CN112966788A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113928558A (zh) * 2021-09-16 2022-01-14 上海合时无人机科技有限公司 一种基于无人机的自动拆装间隔棒方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654461A (zh) * 2014-12-02 2016-06-08 中国科学院沈阳自动化研究所 一种多分裂导线间隔棒断裂的机器视觉检测方法
CN109886359A (zh) * 2019-03-25 2019-06-14 西安电子科技大学 基于卷积神经网络的小目标检测方法及检测模型
WO2019232830A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物检测方法、装置、计算机设备及存储介质
CN111696070A (zh) * 2020-04-09 2020-09-22 华北电力大学 基于深度学习的多光谱图像融合电力物联网故障点检测方法
CN111881937A (zh) * 2020-06-22 2020-11-03 深圳金三立视频科技股份有限公司 输电线路金具目标检测和缺陷识别方法及终端
CN112070715A (zh) * 2020-07-30 2020-12-11 许继集团有限公司 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654461A (zh) * 2014-12-02 2016-06-08 中国科学院沈阳自动化研究所 一种多分裂导线间隔棒断裂的机器视觉检测方法
WO2019232830A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物检测方法、装置、计算机设备及存储介质
CN109886359A (zh) * 2019-03-25 2019-06-14 西安电子科技大学 基于卷积神经网络的小目标检测方法及检测模型
CN111696070A (zh) * 2020-04-09 2020-09-22 华北电力大学 基于深度学习的多光谱图像融合电力物联网故障点检测方法
CN111881937A (zh) * 2020-06-22 2020-11-03 深圳金三立视频科技股份有限公司 输电线路金具目标检测和缺陷识别方法及终端
CN112070715A (zh) * 2020-07-30 2020-12-11 许继集团有限公司 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUAN LIU ET AL,: ""ISSD: Improved SSD for Insulator and Spacer Online Detection Based on UAV System"", 《SENSOR》 *
李伟性等: ""基于SSD算法的输电线路上绝缘子缺陷检测方法研究"", 《仪器仪表用户》, vol. 26, no. 8, pages 1 - 4 *
董永昌等: ""基于改进SSD算法的行人检测算法"", 《计算机工程与设计》, vol. 41, no. 10, pages 2921 - 2926 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113928558A (zh) * 2021-09-16 2022-01-14 上海合时无人机科技有限公司 一种基于无人机的自动拆装间隔棒方法

Similar Documents

Publication Publication Date Title
CN110956126B (zh) 一种联合超分辨率重建的小目标检测方法
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN112686833B (zh) 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置
US11657513B2 (en) Method and system for generating a tri-map for image matting
CN111339902B (zh) 一种数显仪表的液晶屏示数识别方法及装置
CN115797350B (zh) 桥梁病害检测方法、装置、计算机设备和存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN112446356B (zh) 基于多重极坐标的自然场景下任意形状文本的检测方法
CN111428664A (zh) 一种基于人工智能深度学习技术的计算机视觉的实时多人姿态估计方法
CN114332942A (zh) 基于改进YOLOv3的夜间红外行人检测方法及系统
Zhao et al. Research on detection method for the leakage of underwater pipeline by YOLOv3
CN111915558A (zh) 一种高压输电线销钉状态检测方法
CN112966788A (zh) 基于深度学习的输电线路间隔棒故障检测方法
CN109726754A (zh) 一种lcd屏缺陷识别方法及装置
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
CN116258715B (zh) 一种粉尘回收方法、装置及电子设备
CN116778164A (zh) 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法
CN111738264A (zh) 一种机房设备显示面板数据的智能采集方法
CN115937492A (zh) 一种基于特征识别的变电设备红外图像识别方法
CN115410154A (zh) 一种风电机舱电气设备热故障识别方法
CN115100546A (zh) 一种基于mobilenet的电力设备小目标缺陷识别方法及系统
CN108830166B (zh) 一种公交车客流量实时统计方法
CN111783794B (zh) 一种基于深度可分离卷积残差块和改进nms的多尺度目标检测方法
CN115909334A (zh) 一种基于自监督特征小样本学习的目标施工现场车辆检测方法
Chen et al. Real time monitoring system for steel plate laser cleaning based on deep learning

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