CN113033556A - 一种基于机器视觉的绝缘子快速辨别定位方法及系统 - Google Patents
一种基于机器视觉的绝缘子快速辨别定位方法及系统 Download PDFInfo
- Publication number
- CN113033556A CN113033556A CN202110353038.7A CN202110353038A CN113033556A CN 113033556 A CN113033556 A CN 113033556A CN 202110353038 A CN202110353038 A CN 202110353038A CN 113033556 A CN113033556 A CN 113033556A
- Authority
- CN
- China
- Prior art keywords
- insulator
- cascade
- image
- processed
- machine vision
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007547 defect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000002950 deficient Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 239000011521 glass Substances 0.000 claims description 2
- 229910052573 porcelain Inorganic materials 0.000 claims description 2
- 230000002269 spontaneous effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 30
- 238000001514 detection method Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000004020 conductor Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- -1 for example Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明公开了一种基于机器视觉的绝缘子快速辨别定位方法及系统,方法包括:通过SSD模型检测待处理图像,标记待处理图像中的绝缘子区域;采集若干个包含缺陷绝缘子的训练样本构成数据集;构建Cascade R‑CNN网络,通过样本集训练Cascade R‑CNN网络;通过训练完成的网络对待处理图像中的绝缘子区域进行识别,得到待处理图像中的绝缘子是否缺陷的辨别结果。本发明不需要人工提取绝缘子区域和绝缘子缺陷特征,在定位绝缘子缺陷的同时还能对绝缘子缺陷进行分类,提升了定位和分类的精确度。
Description
技术领域
本发明涉及输电线路图像处理技术领域,特别涉及一种基于机器视觉的绝缘子快速辨别定位方法及系统。
背景技术
绝缘子是输电线路的重要组成部分,是唯一的电气绝缘件和重要的结构支撑件,绝缘子性能及其配置的合理性直接影响线路的安全稳定运行。绝缘子长期工作在野外的自然环境下,遭受着日晒、雨淋、雷电等恶劣自然环境的侵蚀,还受到自身材料老化的影响。在以上这些因素的影响下,绝缘子容易受到损坏(例如自爆、裂纹和污秽等缺陷),进一步影响电力系统输电网络的正常运行,严重的会造成大面积停电事故的发生,因此及时确定绝缘子的缺陷位置,对于保障电网的安全运行,具有非常重要的实用价值和社会效益。
现阶段对于绝缘子缺陷的巡检方式主要是人工登塔观察,这种方法使得巡检效率低下,人工成本高昂且对巡检人员的威胁较大。随着科学技术的发展,无人机自动化巡检方法进入输电线路巡线行业已经是必然趋势,故如何准确识别输电线路图像中的绝缘子以及准确识别绝缘子的缺陷是一个亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种基于机器视觉的绝缘子快速辨别定位方法及系统,快速的识别输电线路图像中的绝缘子以及准确识别绝缘子的缺陷。
本发明的第一方面,提供了一种基于机器视觉的绝缘子快速辨别定位方法,包括以下步骤:
通过SSD模型检测待处理图像,标记所述待处理图像中的绝缘子区域;
采集若干个包含缺陷绝缘子的训练样本构成数据集;
构建Cascade R-CNN网络,通过所述样本集训练所述Cascade R-CNN网络;
通过训练完成的所述Cascade R-CNN网络对所述待处理图像中的绝缘子区域进行识别,判断所述待处理图像中的绝缘子是否存在缺陷。
根据本发明的实施例,至少具有如下技术效果:
本发明基于Cascade R-CNN作为绝缘子缺陷的检测网络,不需要人工提取绝缘子区域和绝缘子缺陷特征,在定位绝缘子缺陷的同时还能对绝缘子缺陷进行分类。同传统的检测方法相比,本发明采用了Cascade R-CNN作为基础检测网络架构,提升了定位和分类的精确度。
本发明的第二方面,提供了一种基于机器视觉的绝缘子快速辨别定位系统,包括:
标记模块,用于通过SSD模型检测待处理图像,标记所述待处理图像中的绝缘子区域;
采集模块,用于采集若干个包含缺陷绝缘子的训练样本构成数据集;
训练模块,用于构建Cascade R-CNN网络,通过所述样本集训练所述Cascade R-CNN网络;
识别模块,用于通过训练完成的所述Cascade R-CNN网络对所述待处理图像中的绝缘子区域进行识别,判断所述待处理图像中的绝缘子是否存在缺陷。
根据本发明的实施例,至少具有如下技术效果:
本发明基于Cascade R-CNN作为绝缘子缺陷的检测网络,不需要人工提取绝缘子区域和绝缘子缺陷特征,在定位绝缘子缺陷的同时还能对绝缘子缺陷进行分类。同传统的检测方法相比,本发明采用了Cascade R-CNN作为基础检测网络架构,提升了定位和分类的精确度。
本发明的第三方面,提供了一种基于机器视觉的绝缘子快速辨别定位设备,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如本发明第一方面所述的基于机器视觉的绝缘子快速辨别定位方法。
本发明的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如本发明第一方面所述的基于机器视觉的绝缘子快速辨别定位方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于机器视觉的绝缘子快速辨别定位方法的流程示意图;
图2是本发明实施例提供的一种基于机器视觉的绝缘子快速辨别定位系统的结构示意图;
图3是本发明实施例提供的一种基于机器视觉的绝缘子快速辨别定位设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照图1,本发明的一个实施例,提供了一种基于机器视觉的绝缘子快速辨别定位方法,包括以下步骤:
S101:通过SSD模型检测待处理图像,标记待处理图像中的绝缘子区域。
为了使物体识别的算法在较低端的硬件上面能够达到实时性的要求,提出了SSD模型,SSD模型对多个分类目标进行单触发检测它的检测速度优于之前领先的检测技术(YOLO)。在本实施例中,使用离线学习完成的SSD模型对待处理图像进行实时检测,定位并标记绝缘子在待处理图像中的位置信息。
需要说明的是,本发明方法能够适用任意材料的绝缘子,例如这里的绝缘子包括但不仅限于玻璃绝缘子、复合绝缘子和瓷质绝缘子。这里的绝缘子缺陷包括但不仅限于自爆、裂纹和污秽。
S102:采集若干个包含缺陷绝缘子的训练样本构成数据集。
其中数据集包括训练集和测试集,训练集用于对Cascade R-CNN网络(端到端的级联卷积神经网络)进行训练,测试集用于对Cascade R-CNN网络进行测试。训练样本的来源可以是输电线路监控中心数据库中已保存的数据。
S103:构建Cascade R-CNN网络,通过样本集训练Cascade R-CNN网络。
在本步骤S103中,构建Cascade R-CNN网络,包括以下步骤:
S1031:将ResNeXt网络作为特征提取网络,输出特征图至FPN网络。
将Cascade R-CNN原网络中的残差网络ResNet替换成ResNeXt,具体使用了ResNeXt-50(32×4d)网络,在该网络的基本组成单元中,卷积分支数为32,每个单元块的最后输出是这32个卷积分支结果进行叠加再加上原始输入的结果。使用这种结构,在绝缘子图像具有更好的特征提取能力,计算量也较小。
S1032:通过FPN网络输出新特征图至RPN网络。
将ResNeXt网络的5个卷积部分输出的4个不同分辨率大小的特征图作为特征集,网络对每一层的特征图进行上采样,使其同低一层的特征图大小保持一致,同时低一层的特征图使用1×1的卷积核进行处理,使其同高一层的通道数相同。将各个层同高一层的特征图进行横向相加后,再进行3×3的卷积以消除上采样带来的混叠效应,即可得到p2、p3、p4、p5四个特征图,再由最后一个特征图经过步长为2的最大值池化操作后,得到p6,共计5个融合后的特征图,组成FPN结构,并与后续的RPN网络进行连接。
S1033:通过RPN网络在所有新特征图上生成不同大小、不同尺寸的锚点框,由两个3×3卷积层分别预测这些锚点框的分数和坐标修正值,锚点框经坐标修正后,作为候选框输入至级联网络中。
在步骤S1033中,级联网络包括若干个级联的R-CNN网络,每个级联的R-CNN网络设置不同的IOU阈值。每级R-CNN网络的IOU阈值逐级增大。从而对输入的候选框进行优化,达到提升计算精度和效率的目的。由于若干个级联的R-CNN网络为Cascade R-CNN网络中的必要特征,此处不再对级联网络进行细述。
S104:通过训练完成的Cascade R-CNN网络对待处理图像中的绝缘子区域进行识别,得到待处理图像中的绝缘子是否缺陷的辨别结果。
将待处理图像中的绝缘子区域,送入训练好的Cascade R-CNN网络中进行绝缘子是否缺陷的辨别。Cascade R-CNN网络首先将图像输入至ResNeXt网络的5个卷积层来提取特征,分别输出4个不同分辨率大小的特征图;其次通过FPN结构,生成5个融合不同分辨率、不同语义强度的特征图,在这5个特征图上使用RPN,就可以生成不同大小、不同尺度的候选框;得到候选框之后,然后就送入Cascade R-CNN最后三层级联的R-CNN网络,在此级联结构中,每一层的IOU阈值设置都不相同,分别为0.5、0.6、0.7,每一层输出的目标框都会送入下一层进行训练,第三层的边框回归结果为预测的缺陷目标框,即绝缘子缺陷的定位结果,将三层分类分数取平均,即可得到缺陷分类结果。
本方法实施例基于Cascade R-CNN作为绝缘子缺陷的检测网络,不需要人工提取绝缘子区域和绝缘子缺陷特征,在定位绝缘子缺陷的同时还能对绝缘子缺陷进行分类。同传统的检测方法相比,本方法实施例采用了Cascade R-CNN作为基础检测网络架构,提升了定位和分类的精确度。
参照图2,本发明的一个实施例,提供了一种基于机器视觉的绝缘子快速辨别定位系统,包括标记模块11、采集模块12、训练模块13和识别模块14,其中:
标记模块11用于通过SSD模型检测待处理图像,标记待处理图像中的绝缘子区域;
采集模块12用于采集若干个包含缺陷绝缘子的训练样本构成数据集;
训练模块13用于构建Cascade R-CNN网络,通过样本集训练Cascade R-CNN网络;
识别模块14用于通过训练完成的Cascade R-CNN网络对待处理图像中的绝缘子区域进行识别,得到待处理图像中的绝缘子是否缺陷的辨别结果。
由于本实施与上述方法实施例是基于相同的发明构思,因此上述方法实施例的相关内容同样适用于本系统实施例,因此不再细述。
参照图3,本发明的一个实施例,提供了一种基于机器视觉的绝缘子快速辨别定位设备,本基于机器视觉的绝缘子快速辨别定位设备可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
具体地,本基于机器视觉的绝缘子快速辨别定位设备包括:一个或多个控制处理器和存储器。控制处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的基于机器视觉的绝缘子快速辨别定位设备对应的程序指令/模块。控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电缆接头的导体温度计算系统的各种功能应用以及数据处理,即实现上述方法实施例的一种基于机器视觉的绝缘子快速辨别定位方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电缆接头的导体温度计算系统的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该基于机器视觉的绝缘子快速辨别定位设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个控制处理器执行时,执行上述方法实施例中的一种基于机器视觉的绝缘子快速辨别定位方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的一种基于机器视觉的绝缘子快速辨别定位方法。
以上所描述的装置实施例仅仅是示意性的,其中所述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,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。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于机器视觉的绝缘子快速辨别定位方法,其特征在于,包括以下步骤:
通过SSD模型检测待处理图像,标记所述待处理图像中的绝缘子区域;
采集若干个包含缺陷绝缘子的训练样本构成数据集;
构建Cascade R-CNN网络,通过样本集训练所述Cascade R-CNN网络;
通过训练完成的所述Cascade R-CNN网络对所述待处理图像中的绝缘子区域进行识别,判断所述待处理图像中的绝缘子是否存在缺陷。
2.根据权利要求1所述的基于机器视觉的绝缘子快速辨别定位方法,其特征在于,所述通过SSD模型检测待处理图像,包括:
使用所述SSD模型对所述待处理图像中的绝缘子进行实时定位,并标注所述绝缘子在所述待处理图像中的位置信息;
其中,所述SSD模型通过离线学习构建而得。
3.根据权利要求1所述的基于机器视觉的绝缘子快速辨别定位方法,其特征在于:所述构建Cascade R-CNN网络,包括以下步骤:
将ResNeXt网络作为特征提取网络,输出特征图至FPN网络;
通过所述FPN网络输出新特征图至RPN网络;
通过所述RPN网络在所有所述新特征图上生成不同大小、不同尺寸的锚点框,由两个3×3卷积层分别预测这些锚点框的分数和坐标修正值,锚点框经坐标修正后,作为候选框输入至级联网络中。
4.根据权利要求3所述的基于机器视觉的绝缘子快速辨别定位方法,其特征在于:所述级联网络包括若干个级联的R-CNN网络,每个级联的R-CNN网络设置不同的IOU阈值。
5.根据权利要求1所述的基于机器视觉的绝缘子快速辨别定位方法,其特征在于:所述数据集包括训练集和测试集,所述训练集用于对所述Cascade R-CNN网络进行训练;所述测试集用于对所述Cascade R-CNN网络进行测试。
6.根据权利要求1所述的基于机器视觉的绝缘子快速辨别定位方法,其特征在于:所述绝缘子的缺陷包括自爆、裂纹和污秽。
7.根据权利要求1至6任一项所述的基于机器视觉的绝缘子快速辨别定位方法,其特征在于:所述绝缘子的种类包括玻璃绝缘子、复合绝缘子和瓷质绝缘子。
8.一种基于机器视觉的绝缘子快速辨别定位系统,其特征在于,包括:
标记模块,用于通过SSD模型检测待处理图像,标记所述待处理图像中的绝缘子区域;
采集模块,用于采集若干个包含缺陷绝缘子的训练样本构成数据集;
训练模块,用于构建Cascade R-CNN网络,通过所述样本集训练所述Cascade R-CNN网络;
识别模块,用于通过训练完成的所述Cascade R-CNN网络对所述待处理图像中的绝缘子区域进行识别,判断所述待处理图像中的绝缘子是否存在缺陷。
9.一种基于机器视觉的绝缘子快速辨别定位设备,其特征在于,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于机器视觉的绝缘子快速辨别定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于机器视觉的绝缘子快速辨别定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353038.7A CN113033556A (zh) | 2021-03-31 | 2021-03-31 | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353038.7A CN113033556A (zh) | 2021-03-31 | 2021-03-31 | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033556A true CN113033556A (zh) | 2021-06-25 |
Family
ID=76453549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110353038.7A Pending CN113033556A (zh) | 2021-03-31 | 2021-03-31 | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033556A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762384A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种绝缘子图像的缺陷检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN111402226A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种基于级联卷积神经网络的表面疵点检测方法 |
US10713794B1 (en) * | 2017-03-16 | 2020-07-14 | Facebook, Inc. | Method and system for using machine-learning for object instance segmentation |
CN111812096A (zh) * | 2020-06-02 | 2020-10-23 | 国网浙江嘉善县供电有限公司 | 一种绝缘子电弧烧伤的快速定位智能图像检测方法 |
CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
CN112184746A (zh) * | 2020-08-27 | 2021-01-05 | 西北工业大学 | 一种输电线绝缘子缺陷分析方法 |
-
2021
- 2021-03-31 CN CN202110353038.7A patent/CN113033556A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10713794B1 (en) * | 2017-03-16 | 2020-07-14 | Facebook, Inc. | Method and system for using machine-learning for object instance segmentation |
CN110222683A (zh) * | 2019-06-11 | 2019-09-10 | 云南电网有限责任公司曲靖供电局 | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 |
CN111402226A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种基于级联卷积神经网络的表面疵点检测方法 |
CN111812096A (zh) * | 2020-06-02 | 2020-10-23 | 国网浙江嘉善县供电有限公司 | 一种绝缘子电弧烧伤的快速定位智能图像检测方法 |
CN112184746A (zh) * | 2020-08-27 | 2021-01-05 | 西北工业大学 | 一种输电线绝缘子缺陷分析方法 |
CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762384A (zh) * | 2021-09-07 | 2021-12-07 | 南方电网电力科技股份有限公司 | 一种绝缘子图像的缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785289B (zh) | 一种输电线路缺陷检测方法、系统及电子设备 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
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 | |
Adou et al. | Insulator faults detection based on deep learning | |
CN111462109A (zh) | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
CN113449769A (zh) | 输电线路覆冰识别模型训练方法、识别方法及存储介质 | |
CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
CN110910360A (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
CN113033556A (zh) | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN113361473A (zh) | 图像处理、模型训练方法、装置、设备、存储介质及程序 | |
CN110992306B (zh) | 基于深度学习的红外图像中劣化绝缘子的分割方法及装置 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN113592864B (zh) | 基于卷积神经网络的变压器监控方法、装置、系统及介质 | |
CN114821309A (zh) | 一种室内变电站开关及指示灯状态识别方法及系统 | |
CN116309303A (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
Zhang et al. | Improved YOLOv8 Insulator Fault Detection Algorithm Based on BiFormer | |
CN114372922A (zh) | 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 | |
CN114037840A (zh) | 一种基于多特征融合的输电线路视物提取方法及系统 |
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 |