CN113012107A - 电网缺陷检测方法及系统 - Google Patents
电网缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN113012107A CN113012107A CN202110199986.XA CN202110199986A CN113012107A CN 113012107 A CN113012107 A CN 113012107A CN 202110199986 A CN202110199986 A CN 202110199986A CN 113012107 A CN113012107 A CN 113012107A
- Authority
- CN
- China
- Prior art keywords
- class
- power grid
- grid
- network
- connected domain
- 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
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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- 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)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种电网缺陷检测方法及系统,该方法包括:获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。本发明实施例对于电网巡检照片这种有复杂背景的数据,缺陷目标占整个图片的比例很低,通过由粗到精的快速电网缺陷检测方法,先提取目标,再将目标进行分类回归,可以明显提高模型的准确度。
Description
技术领域
本发明涉及计算机视觉领域,更具体地,涉及一种电网缺陷检测方法及系统。
背景技术
目标检测是计算机视觉领域的基本任务之一,学术界已有将近二十年的研究历史。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。基于深度学习的目标检测算法在性能上明显好于传统方法,已经广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域,通过计算机视觉减少对人力资本的消耗,具有重要的现实意义。
当前主流的目标检测算法分为one-stage和two-stage两种类型,其中one-stage是一种端到端、由输入直接输出检测结果的目标检测算法,当前性能优异的网络主要有YOLO v4、SSD、FCOS等;two-stage首先使用RPN(region proposal network)提取proposal信息,再使用R-CNN对候选框位置进行预测和物体类别识别,当前主流的网络是Faster R-CNN,这些算法在公开的数据集都有较好的表现,但是对工业具体的数据集,尤其是背景很复杂的工业数据,直接使用这些网络模型往往达不到工业的使用要求。
随着输电线路的不断建设,其寿命管理和腐蚀管理问题越来越突出。输电线路主要由架空导地线、绝缘子、金具、杆塔、基础和接地装置等部件组成,长期运行在野外,受到各种恶劣环境的侵蚀,使得输电线路导线、地线、金具、杆塔和基础等在腐蚀环境下受到严重的腐蚀破坏。当这些部件出现问题时,会危机整个电网运行的稳定性,对人民的生活与生产活动产生不利影响。因此,对关键部件缺陷的智能检测变得尤为重要。
利用无人机进行输电线路巡检时近几年国内外研究的热点技术之一,其具有高效、快捷、可靠、成本低、不受地域影响等优点。与传统人工巡线方式相比,该技术不仅能大幅度提高工作效率,有效保障巡线作业人员的人身安全,降低巡线成本,而且还能大大缩短系统反应时间。“以无人机巡视为主,人工巡视为辅”将是高压、超高压线路巡检的发展方向。
电网巡检数据集是由无人机采集的图片,由于无人机拍摄的角度和拍摄距离等问题,导致电网巡检数据集的图片往往存在图像尺寸大、缺陷目标小的特点,如果直接将这些图片输入到目标检测网络中,模型中存在大量的冗余计算,导致检测效果不佳,很难达到工业使用要求。
为此,需要根据电网巡检数据集的特点,对传统的目标检测算法进行改进,进而提升检测效果,达到工业应用要求。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的电网缺陷检测方法及系统。
第一方面,本发明实施例提供一种电网缺陷检测方法,该方法包括:获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
第二方面,本发明实施例提供了一种电网缺陷检测系统,该系统包括:获取模块,用于获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;分类模块,用于将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;检测模块,用于将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电网缺陷检测方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电网缺陷检测方法。
本发明实施例提供的电网缺陷检测方法及系统,与现有技术相比具有以下技术效果:
(1)准确度高:对于电网巡检照片这种有复杂背景的数据,缺陷目标占整个图片的比例很低,通过由粗到精的快速电网缺陷检测方法,先提取目标,再将目标进行分类回归,这样可以明显提高模型的准确度;
(2)简单有效:思路很直接,只需要对目标检测的网络进行简单的改造,就能明显提高模型的检测性能,方法简单且有效;
(3)拓展性强:对于有复杂背景的目标检测任务,都可以采用这种由粗到精的检测方法,以此来提高模型的性能,达到工业使用要求。
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一些实施例,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,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的电网缺陷检测方法的流程示意图;
图2是本发明实施例提供的基于深度学习的由粗到精的快速电网缺陷检测方法的流程图;
图3为本发明实施例提供的检测结果可视化样例;
图4为本发明实施例提供的电网缺陷检测系统的结构示意图;
图5为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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。
以下首先就本发明实施例中的技术术语进行解释和说明:
FCOS:FCOS是一个基于像素级预测的一阶全卷积目标检测算法,该算法不需要Anchor(锚框),从而避免了关于锚框的复杂计算以及训练过程中Ground Truth之间的匹配,使得训练和测试速度更快,同时训练内存占用更少。另外,由于Anchor-free机制,大大减少了超参数的数量,这也使得检测器的训练变得更加简单,同时也增强了一定的泛化能力。
电网巡检数据集:电网巡检数据集是国家电网江苏方天电力技术有限公司通过无人机采集的14074张电力设施的图片,并用xml的格式对电力设施中有缺陷的部分进行标注,缺陷的类别为37类。
电力巡检数据集中需要检测的目标占整个图像的比例很小,图像的背景较为复杂,因此,直接对数据进行检测存在较大的难度。
参见附图1,本发明实施例提供一种电网缺陷检测方法,包括但不限于如下步骤:
步骤101、获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;
步骤102、将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;
步骤103、将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
基于上述实施例的内容,作为一种可选实施例,所述获取待检测的电网巡检图像对应的特征图,包括:在保持长宽比的条件下,将所述电网巡检图像的较短边缩放至设定大小;将缩放后的所述电网巡检图像输入至ResNet网络,下采样至设定倍数,获得所述特征图。
基于上述实施例的内容,作为一种可选实施例,所述将所述第一类的格点进行合并,获得连通域,包括:采用Two-Pass算法将8邻接的所述第一类的格点进行合并,获得所述连通域。
基于上述实施例的内容,作为一种可选实施例,将所述连通域输入至预先训练好的目标检测网络之前,还包括:通过最小的矩形框的形式将所述连通域裁剪出来。
基于上述实施例的内容,作为一种可选实施例,将所述第一类的格点进行合并,获得连通域,还包括:若没有获得所述连通域,则将所述电网巡检图像输入至所述目标检测网络中,获得所述网络输出的缺陷检测结果。
基于上述实施例的内容,作为一种可选实施例,将所述特征图中的格点分为第一类和第二类,包括:采用预先训练好的二分网络模型将所述特征图中的格点分为第一类和第二类。
基于上述实施例的内容,作为一种可选实施例,所述二分网络模型训练中,采用反向传播的方式。
参见附图2-3,基于深度学习的由粗到精的快速电网缺陷检测方法包括以下步骤:
(1)在训练阶段:
(1.1)在保持长宽比的条件下,将数据集的图片的较短的边缩放到640的大小;
(1.2)将步骤(1.1)输出的结果随机裁剪出512*512的大小;
(1.3)将步骤(1.2)输出的结果输入ResNet网络进行推理,下采样64倍,得到8*8的特征图,特征图中每一个点对应原图上的一个区域,称为格点;
(1.4)将步骤(1.3)的输出结果进行2分类,“1”代表有缺陷区域,“0”代表背景;
(1.5)从步骤(1.4)中获取的结果与真实值计算损失函数,然后利用反向传播的方法进行训练。我们使用交叉熵函数作为损失函数,计算公式为:L=-yi logpi-(1-yi)log(1-pi),其中pi是网络预测格点为”1”的概率,取值区间是[0,1]。yi是格点对应的真实值,其大小为0或1。当格点在原图对应的图像块与任一标注框相交时,yi=1;当格点在原图对应的图像块与所有标注框不相交时,yi=0;
(1.6)利用上述方法得到训练好的二分类网络模型,将模型的输出使用Two-Pass算法将8邻接的分类为“1”的格点合并,得到不同的连通域;
(1.7)将步骤(1.6)中的不同的连通域以最小的矩形框的形式裁剪出来,输入到目标检测网络中(例如FCOS)进行训练;如果步骤(1.6)没有得到连通域,则将原图输入到目标检测网络中(例如FCOS)进行训练;
(1.8)从步骤(1.7)中获取的结果与真实值计算损失函数,然后利用反向传播的方法进行训练,得到目标检测网络的模型。
(2)利用上述训练好的模型对电网巡检数据进行测试,也即实际检测的阶段,包括以下步骤:
(2.1)在保持长宽比的条件下将数据集的图片的较短的边缩放到640的大小;
(2.2)将步骤(2.1)输出的结果输入ResNet网络进行推理,下采样64倍,得到特征图,特征图中每一个点对应原图上的一个区域,称为格点;
(2.3)将步骤(2.2)的输出结果进行2分类,“1”代表有缺陷区域,“0”代表背景;
(2.4)使用Two-Pass算法将步骤(2.3)中8邻接的分类为“1”的格点合并,得到不同的连通域;
(2.5)将步骤(2.4)中的不同的连通域以最小的矩形框的形式裁剪出来,输入到目标检测网络中(例如FCOS)进行推理;如果步骤(2.4)没有得到连通域,则将原图输入到目标检测网络中(例如FCOS)进行推理,最终检测出缺陷目标。
为验证本发明的效果,在电网巡检数据上开展实验验证。方法1为直接将巡检数据直接输入到FCOS进行缺陷检测,方法2使用本发明的方法,其中目标检测网络使用FCOS网络,实验结果如下:
表1电网巡检数据测试结果
模型 | mAP |
方法1 | 28.5 |
方法2 | 33.1 |
在部分类别上的效果:
表2电网巡检数据部分类别测试结果
可视化效果如图2。以上实验可以验证本发明在电网缺陷检测的任务中能有效改善模型,提高模型的性能。
通过本发明所构思的以上技术方案,与现有技术相比,本发明实施例具有以下技术效果:
(1)准确度高:对于电网巡检照片这种有复杂背景的数据,缺陷目标占整个图片的比例很低,通过由粗到精的快速电网缺陷检测方法,先提取目标,再将目标进行分类回归,这样可以明显提高模型的准确度。
(2)简单有效:本发明的思路很直接,只需要对目标检测的网络进行简单的改造,就能明显提高模型的检测性能,方法简单且有效。
(3)拓展性强:对于有复杂背景的目标检测任务,都可以采用这种由粗到精的检测方法,以此来提高模型的性能,达到工业使用要求。
基于上述实施例的内容,本发明实施例提供了一种电网缺陷检测系统,该电网缺陷检测系统用于执行上述方法实施例中的电网缺陷检测方法。参见图4,该系统包括:获取模块301,用于获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;分类模块302,用于将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;检测模块303,用于将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
具体的如何利用获取模块301、分类模块302和检测模块303进行仿真场景三维道路自动化构建,可以参照前述的方法实施例,本发明实施例在此不再赘述。
本发明实施例提供了一种电子设备,如图5所示,该设备包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序,以执行上述各实施例提供的电网缺陷检测方法,例如包括:获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的电网缺陷检测方法,例如包括:获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电网缺陷检测方法,其特征在于,包括:
获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;
将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;
将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测的电网巡检图像对应的特征图,包括:
在保持长宽比的条件下,将所述电网巡检图像的较短边缩放至设定大小;
将缩放后的所述电网巡检图像输入至ResNet网络,下采样至设定倍数,获得所述特征图。
3.根据权利要求1所述的方法,其特征在于,所述将所述第一类的格点进行合并,获得连通域,包括:
采用Two-Pass算法将8邻接的所述第一类的格点进行合并,获得所述连通域。
4.根据权利要求1所述的方法,其特征在于,将所述连通域输入至预先训练好的目标检测网络之前,还包括:
通过最小的矩形框的形式将所述连通域裁剪出来。
5.根据权利要求1所述的方法,其特征在于,将所述第一类的格点进行合并,获得连通域,还包括:
若没有获得所述连通域,则将所述电网巡检图像输入至所述目标检测网络中,获得所述网络输出的缺陷检测结果。
6.根据权利要求1所述的方法,其特征在于,将所述特征图中的格点分为第一类和第二类,包括:
采用预先训练好的二分网络模型将所述特征图中的格点分为第一类和第二类。
7.根据权利要求6所述的方法,其特征在于,所述二分网络模型训练中,采用反向传播的方式。
8.一种电网缺陷检测系统,其特征在于,包括:
获取模块,用于获取待检测的电网巡检图像对应的特征图,其中,所述特征图包括多个格点,每一个所述格点对应所述图像的一个区域;
分类模块,用于将所述特征图中的格点分为第一类和第二类,其中,所述第一类表示缺陷区域,所述第二类表示背景区域;
检测模块,用于将所述第一类的格点进行合并,获得连通域;并将所述连通域输入至预先训练好的目标检测网络中,获得所述网络输出的缺陷检测结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述电网缺陷检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述电网缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199986.XA CN113012107B (zh) | 2021-02-22 | 2021-02-22 | 电网缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199986.XA CN113012107B (zh) | 2021-02-22 | 2021-02-22 | 电网缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012107A true CN113012107A (zh) | 2021-06-22 |
CN113012107B CN113012107B (zh) | 2022-07-08 |
Family
ID=76407039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110199986.XA Active CN113012107B (zh) | 2021-02-22 | 2021-02-22 | 电网缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012107B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689383A (zh) * | 2021-07-27 | 2021-11-23 | 南京旭锐软件科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114281093A (zh) * | 2021-12-27 | 2022-04-05 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于无人机电力巡检的缺陷检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN111650204A (zh) * | 2020-05-11 | 2020-09-11 | 安徽继远软件有限公司 | 基于级联目标检测的输电线路金具缺陷检测方法及系统 |
CN111860439A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种无人机巡检图像缺陷检测方法、系统及设备 |
-
2021
- 2021-02-22 CN CN202110199986.XA patent/CN113012107B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN111650204A (zh) * | 2020-05-11 | 2020-09-11 | 安徽继远软件有限公司 | 基于级联目标检测的输电线路金具缺陷检测方法及系统 |
CN111860439A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种无人机巡检图像缺陷检测方法、系统及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689383A (zh) * | 2021-07-27 | 2021-11-23 | 南京旭锐软件科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113689383B (zh) * | 2021-07-27 | 2024-04-16 | 南京旭锐软件科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114281093A (zh) * | 2021-12-27 | 2022-04-05 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于无人机电力巡检的缺陷检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113012107B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测系统 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113554611A (zh) | 一种绝缘子自爆缺陷检测方法、装置、终端和存储介质 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN114842363A (zh) | 一种数字孪生台区关键电力设备的识别方法及系统 | |
Chen et al. | An improved faster R-CNN transmission line bolt defect detection method | |
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 | |
CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
Wei et al. | Insulator defect detection in transmission line based on an improved lightweight YOLOv5s algorithm | |
CN117671480A (zh) | 基于视觉大模型的滑坡自动识别方法、系统和计算机设备 | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
Wang et al. | An effective method for sensing power safety distance based on monocular vision depth estimation | |
CN114330450B (zh) | 一种多物理场融合探测识别潜航器的方法及系统 | |
CN115409776A (zh) | 一种基于方位推理的输电线路金具图卷积检测方法及系统 | |
CN112529881B (zh) | 一种电力控制柜线缆异常识别方法及装置 | |
CN114648736A (zh) | 基于目标检测的鲁棒工程车辆识别方法及系统 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
Yang et al. | Dense-YOLOv7: improved real-time insulator detection framework based on YOLOv7 | |
CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、存储介质 |
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 |