CN113034446A - 一种变电站设备缺陷自动识别方法及系统 - Google Patents
一种变电站设备缺陷自动识别方法及系统 Download PDFInfo
- Publication number
- CN113034446A CN113034446A CN202110251707.XA CN202110251707A CN113034446A CN 113034446 A CN113034446 A CN 113034446A CN 202110251707 A CN202110251707 A CN 202110251707A CN 113034446 A CN113034446 A CN 113034446A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- defect identification
- target
- regional recommendation
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站设备缺陷自动识别方法及系统,包括:获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;将预处理后的图像,提取特征图谱;将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。本发明通过改进的残差神经网络和区域推荐网络进行结合,通过改进的残差神经网络提取目标设备的特征图谱,利用区域推荐网络得到目标设备的位置,然后通过分类网络进行缺陷识别;能够同时识别目标位置并定位缺陷类型,减少人工参与程度,提高缺陷识别的效率和准确率。
Description
技术领域
本发明属于变电站设备缺陷识别领域,尤其涉及一种变电站设备缺陷自动识别方法及系统。
背景技术
变电站是电力系统中重要的组成部分之一,其场所内部有着众多的电力设备,电力设备在长时间的工作使用后,其表面容易产生破损,从而导致内部金属容易产生锈蚀现象;
现有技术中通过人工根据破损情况来判断设备是否存在缺陷,这种方式面临着工作量激增与人员相对短缺的问题;并且,这样的方式容易出现误判从而导致检测结果的不精确性。
现有技术中通过巡检机器人或视频监控装置辅助完成变电设备的少部分巡视工作,包括运维人员操控巡检装置进行巡检或者机器人和摄像头按照预置点位及预设角度进行巡检;但伴随着无人化智能变电站的日渐普及,对变电站中的智能巡检机器人的巡检可靠性要求越来越高。而变电站中设备多样、表计种类繁多,使用传统的模式识别方式已经难以准确、可靠的识别各类设备,做到及时排查隐患,发现缺陷。
发明内容
为了解决上述问题,本发明提出了一种变电站设备缺陷自动识别方法及系统,能够解决现有变电站设备缺陷识别准确率低的问题。
为了实现上述目的,在一些实施方式中,本发明采用如下技术方案:
一种变电站设备缺陷自动识别方法,包括:
获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;
将预处理后的图像,提取特征图谱;
将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。
在另一些实施方式中,采用如下技术方案:
一种变电站设备缺陷自动识别系统,包括:
数据获取模块,用于获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;
特征图谱获取模块,用于将预处理后的图像,提取特征图谱;
缺陷识别模块,用于将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器、GPU显卡和存储器,处理器用于实现各指令;GPU用于高效的神经网络计算;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的变电站设备缺陷自动识别方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的变电站设备缺陷自动识别方法。
与现有技术相比,本发明的有益效果是:
本发明通过改进的残差神经网络和区域推荐网络进行结合,通过改进的残差神经网络提取目标设备的特征图谱,利用区域推荐网络得到目标设备的位置,然后通过分类网络进行缺陷识别;能够同时识别目标位置并定位缺陷类型,减少人工参与程度,提高缺陷识别的效率和准确率。
本发明对进行样本图像增强处理,解决了缺陷样本数量不足的问题,进一步提高缺陷识别的准确率。
本发明附加方面的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
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明实施例中变电站设备缺陷自动识别方法流程图;
图2是本发明实施例中改进的残差模块结构示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种变电站设备缺陷自动识别方法,参照图1,具体包括如下步骤:
(1)获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;进行预处理的方法包括对于图像的尺度调整和图像的归一化操作。
(2)将预处理后的图像,提取特征图谱;
具体地,利用改进的残差神经网络对输入图像进行特征提取;传统的残差神经网络通过串联大量的残差模块来构建。设串联的模块个数为K,则前向传播和反向传播可以分别表示为:
其中,Loss为神经网络总体的损失函数;x0和xk分别为残差模块的输入和输出。对于普通的神经网络结构,当层数较多网络结构较深时,反向传播过程中在0附近的偏导数不断相乘,最终会导致梯度趋于0,产生梯度消失。式(2)中的“1”能够使得偏导数多在1附近,从而有效缓解了梯度消失的问题。
本实施例中,为了提升模型的学习能力,在传统的残差神经网络的基础上,并联连接若干残差模块,参照图2,以从输入数据中学习到多角度的特征信息。通过并联多个残差网络,可以从输入数据中学习到多角度的特征信息,进一步提升了网络的效果。
(3)将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。
区域推荐网络在每个像素点对应的原图像区域生成设定数量的锚框,计算每一个锚框和输入图像标记框之间的偏差,采用梯度下降法对所述的偏差进行学习,最终输出目标设备的位置信息。
将区域推荐网络的结果输出到池化层分类器中,利用Softmax函数对目标进行分类。Soft损失函数的表达式为:
本实施例中,区域推荐网络RPN的实现方式为:在conv5-3的卷积feature map上用一个n*n的滑窗(选取n=3,即3*3的滑窗)生成一个长度为256或512维长度的全连接特征。然后在这个256维或512维的特征后产生两个分支的全连接层。
对于区域推荐网络RPN的训练过程包括:
选取采集到的的不同变电站设备的图像作为样本图像;对样本图像进行去噪、裁剪等预处理操作,使其满足神经网络模型的维度相匹配。
考虑到变电站设备缺陷的样本图像数据量有限,因此,对样本图像进行数据增强处理。包括对图像的翻转、缩放、平移和填充等操作。
在另一些实施方式中,为了增加变电站设备缺陷样本(负样本)的数据量,本实施例将与待测目标设备具有相似缺陷图像的设备图像数据,比如,对于变电站某设备的外观缺陷数据,可以采集到其他设备的生锈、油污等具有相似特征的样本图像;利用深度卷积神经网络,通过浅层的卷积层提取到图像的局部表征纹理的特征,通过深层的卷积层提取到图像的内容特征;为了得到更为真实的图像,将生成的局部表征纹理的特征、图像的内容特征以及原始图像进行融合,得到新的负样本数据。
样本数据集构建完成后,选取设定比例的正样本和负样本数量,对区域推荐网络进行训练,直到满足收敛条件为止。
实施例二
在一个或多个实施方式中,公开了一种变电站设备缺陷自动识别系统,包括:
数据获取模块,用于获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;
特征图谱获取模块,用于将预处理后的图像,提取特征图谱;
缺陷识别模块,用于将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了说明,此处不再赘述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、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,所述处理器执行所述程序时实现实施例一中的变电站设备缺陷自动识别方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的变电站设备缺陷自动识别方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的变电站设备缺陷自动识别方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种变电站设备缺陷自动识别方法,其特征在于,包括:
获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;
将预处理后的图像,提取特征图谱;
将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。
2.如权利要求1所述的一种变电站设备缺陷自动识别方法,其特征在于,将预处理后的图像,提取特征图谱,具体包括:
将预处理后的图像输入到改进的残差神经网络,提取特征图谱;其中,所述改进的残差神经网络在传统的残差神经网络的基础上,并联连接若干残差模块,以从输入数据中学习到多角度的特征信息。
3.如权利要求1所述的一种变电站设备缺陷自动识别方法,其特征在于,所述区域推荐网络在每个像素点对应的原图像区域生成设定数量的锚框,计算每一个锚框和输入图像标记框之间的偏差,并对该偏差量采用梯度下降法进行学习,得到区域推荐网络的输出结果。
4.如权利要求1所述的一种变电站设备缺陷自动识别方法,其特征在于,对于区域推荐网络进行训练的过程,具体包括:
对原始图像数据进行样本数据增强预处理,构建样本数据集;
所述样本数据集中包含正样本和负样本,选取设定比例的正负样本,对构建的区域推荐网络进行训练,直到满足收敛条件。
5.如权利要求4所述的一种变电站设备缺陷自动识别方法,其特征在于,对原始图像数据进行样本数据增强预处理,具体包括:
通过图像增强的方法对训练样本进行预处理操作,包括:翻转、缩放、平移和填充操作。
6.如权利要求4所述的一种变电站设备缺陷自动识别方法,其特征在于,对原始图像数据进行样本数据增强预处理,具体包括:
将与待测目标设备具有相似缺陷图像的设备图像数据,利用深度卷积神经网络,通过浅层的卷积层提取到图像的局部表征纹理的特征,通过深层的卷积层提取到图像的内容特征;
将生成的局部表征纹理的特征、图像的内容特征以及原始图像进行融合,得到新的负样本数据。
7.如权利要求1所述的一种变电站设备缺陷自动识别方法,其特征在于,将区域推荐网络的结果输出到池化层分类器中,利用Softmax函数对目标进行分类。
8.一种变电站设备缺陷自动识别系统,其特征在于,包括:
数据获取模块,用于获取包含变电站目标设备的图像数据,并对所述图像数据进行预处理;
特征图谱获取模块,用于将预处理后的图像,提取特征图谱;
缺陷识别模块,用于将提取的特征图谱输入到训练好的区域推荐网络,将区域推荐网络的结果输出到分类网络对目标进行分类,得到目标设备的位置以及缺陷识别结果。
9.一种终端设备,其包括处理器、GPU显卡和存储器,处理器用于实现各指令;GPU用于高效的神经网络计算;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的变电站设备缺陷自动识别方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的变电站设备缺陷自动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251707.XA CN113034446A (zh) | 2021-03-08 | 2021-03-08 | 一种变电站设备缺陷自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251707.XA CN113034446A (zh) | 2021-03-08 | 2021-03-08 | 一种变电站设备缺陷自动识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034446A true CN113034446A (zh) | 2021-06-25 |
Family
ID=76466918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110251707.XA Pending CN113034446A (zh) | 2021-03-08 | 2021-03-08 | 一种变电站设备缺陷自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034446A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004519A (zh) * | 2021-11-05 | 2022-02-01 | 国网山东省电力公司青岛供电公司 | 一种配电可视化系统及方法 |
CN114647762A (zh) * | 2022-03-23 | 2022-06-21 | 中国水利水电科学研究院 | 一种基于图谱对比的堤坝探测方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN108648169A (zh) * | 2018-03-20 | 2018-10-12 | 中国科学院自动化研究所 | 高压输电塔绝缘子缺陷自动识别的方法及装置 |
CN109740539A (zh) * | 2019-01-04 | 2019-05-10 | 上海理工大学 | 基于超限学习机和融合卷积网络的3d物体识别方法 |
CN109800697A (zh) * | 2019-01-09 | 2019-05-24 | 国网浙江省电力有限公司舟山供电公司 | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 |
CN110147837A (zh) * | 2019-05-14 | 2019-08-20 | 中国电子科技集团公司第二十八研究所 | 基于特征聚焦的任意方向密集目标检测方法、系统及设备 |
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN110570410A (zh) * | 2019-09-05 | 2019-12-13 | 河北工业大学 | 一种自动识别检测焊缝缺陷的检测方法 |
CN110705847A (zh) * | 2019-09-18 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于图像识别技术的变电站智能巡检方法及系统 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN111008959A (zh) * | 2019-11-22 | 2020-04-14 | 江苏方天电力技术有限公司 | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 |
CN111461221A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 |
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 |
CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112070720A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于深度学习模型的变电站设备缺陷识别方法 |
-
2021
- 2021-03-08 CN CN202110251707.XA patent/CN113034446A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN108648169A (zh) * | 2018-03-20 | 2018-10-12 | 中国科学院自动化研究所 | 高压输电塔绝缘子缺陷自动识别的方法及装置 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN109740539A (zh) * | 2019-01-04 | 2019-05-10 | 上海理工大学 | 基于超限学习机和融合卷积网络的3d物体识别方法 |
CN109800697A (zh) * | 2019-01-09 | 2019-05-24 | 国网浙江省电力有限公司舟山供电公司 | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 |
CN110147837A (zh) * | 2019-05-14 | 2019-08-20 | 中国电子科技集团公司第二十八研究所 | 基于特征聚焦的任意方向密集目标检测方法、系统及设备 |
CN110309865A (zh) * | 2019-06-19 | 2019-10-08 | 上海交通大学 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
CN110570410A (zh) * | 2019-09-05 | 2019-12-13 | 河北工业大学 | 一种自动识别检测焊缝缺陷的检测方法 |
CN110705847A (zh) * | 2019-09-18 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于图像识别技术的变电站智能巡检方法及系统 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN111008959A (zh) * | 2019-11-22 | 2020-04-14 | 江苏方天电力技术有限公司 | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 |
CN111563893A (zh) * | 2019-11-22 | 2020-08-21 | 江苏方天电力技术有限公司 | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 |
CN111461221A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 |
CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
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 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112070720A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于深度学习模型的变电站设备缺陷识别方法 |
Non-Patent Citations (6)
Title |
---|
KAIMING HE等: "Deep Residual Learning for Image Recognition", 《ARXIV:1512.03385V1 [CS.CV]》 * |
KAIMING HE等: "Identity Mappings in Dee p Residual Networks", 《ARXIV:1603.05027V3 [CS.CV]》 * |
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV:1506.01497V3 [CS.CV]》 * |
刘虎等: "基于多尺度双线性卷积神经网络的多角度下车型精细识别", 《计算机应用》 * |
李国强等: "全卷积多并联残差神经网络", 《小型微型计算机系统》 * |
黄强等: "感知器残差网络和超限学习机融合的3D物体识别", 《中国图象图形学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004519A (zh) * | 2021-11-05 | 2022-02-01 | 国网山东省电力公司青岛供电公司 | 一种配电可视化系统及方法 |
CN114647762A (zh) * | 2022-03-23 | 2022-06-21 | 中国水利水电科学研究院 | 一种基于图谱对比的堤坝探测方法 |
CN114647762B (zh) * | 2022-03-23 | 2023-01-24 | 中国水利水电科学研究院 | 一种基于图谱对比的堤坝探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN115131283B (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN112348787A (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
CN110610475A (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113034446A (zh) | 一种变电站设备缺陷自动识别方法及系统 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN117853492A (zh) | 一种基于融合模型的智能化工业缺陷检测方法及系统 | |
Dong et al. | Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning | |
CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 | |
Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN115931895A (zh) | 一种输电线路缺陷的校验方法和装置 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN114331987A (zh) | 一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |