CN113205019A - 一种缺陷绝缘子的检测方法 - Google Patents
一种缺陷绝缘子的检测方法 Download PDFInfo
- Publication number
- CN113205019A CN113205019A CN202110437478.0A CN202110437478A CN113205019A CN 113205019 A CN113205019 A CN 113205019A CN 202110437478 A CN202110437478 A CN 202110437478A CN 113205019 A CN113205019 A CN 113205019A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- defective insulator
- defective
- detection
- insulator
- 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 99
- 230000002950 deficient Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000005516 engineering process Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种缺陷绝缘子的检测方法,具有这样的特征,包括:步骤一,采用第一技术建立缺陷绝缘子的数据库;步骤二,采用第一算法对数据库中边界框的宽和高进行聚类,以获取缺陷绝缘子的锚点框信息;步骤三,通过第一特征提取网络获取缺陷绝缘子的第一特征;步骤四,使用第二算法对缺陷绝缘子进行检测,将检测尺度由3个扩展至4个,得到4尺度预测边界框,从而获取缺陷绝缘子的深层次位置信息;步骤五,将第二算法中的4尺度预测边界框经过第三算法计算后,输出得分高的预测框,从而完成对缺陷绝缘子的检测,得到检测结果,其中检测结果包括缺陷绝缘子的锚点框信息、第一特征及缺陷绝缘子的深层次位置信息。
Description
技术领域
本发明涉及缺陷绝缘子的检测技术领域,具体涉及一种缺陷绝缘子的检测方法。
背景技术
随着输电线路的不断建设以及电网技术的创新发展,基于机器人和无人机的智能电力巡检技术已经被广泛应用。电力绝缘子是对输电线路起到支撑与绝缘作用的重要电力部件,主要有陶瓷、玻璃和复合绝缘子三种类型,但其长期暴露在野外容易出现故障,一旦出现故障将会严重影响稳定的电能输送。为保障电网稳定运行,对输电线路巡检中故障绝缘子的检测尤为重要,其中绝缘子缺陷则是常见的故障类别之一。由于绝缘子常处于森林、房屋、河流和不同天气(如雨、雪、雾)等复杂场景,且出现缺陷的区域较小,所以会给绝缘子的缺陷检测带来一定的挑战。
目前绝缘子缺陷的检测方法可分为人工巡检、基于机器学习的图像识别技术和基于深度学习的目标检测算法。人工巡检主要通过人工排查绝缘子明显、直观的故障,费时费力且存在安全隐患。基于机器学习的图像识别技术如局部二值模式特征(Local BinaryPattern,LBP),方向梯度直方图特征(Histogram of Oriented Gradient,HOG)和Deformable Part Models(DPM)目标检测算法等虽已取得一定的效果,但其主要使用单一特征(如颜色、纹理、形状等)进行检测,同时依赖人工提取特征,工作量大,检测效率低。
随着智能电网和深度学习技术的不断发展,研究人员开始将深度学习的技术应用到电力巡检领域。对于缺陷绝缘子的检测,目前较多的方法是通过模型组合或者直接将基于深度学习的目标检测算法应用到缺陷绝缘子的检测任务。虽然现有的研究取得了一定的检测效果,但对于复杂场景下的缺陷绝缘子识别仍然存在精度偏低、检测耗时等问题,且现有研究中缺陷绝缘子数据量相对太少,阻碍故障绝缘子的进一步研究。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种缺陷绝缘子的检测方法。
本发明提供了一种缺陷绝缘子的检测方法,具有这样的特征,包括:
步骤一,采用第一技术建立缺陷绝缘子的数据库。
步骤二,采用第一算法对数据库中边界框的宽和高进行聚类,以获取缺陷绝缘子的锚点框信息。
步骤三,通过第一特征提取网络获取缺陷绝缘子的第一特征。
步骤四,使用第二算法对缺陷绝缘子进行检测,将检测尺度由3个扩展至4个,得到4尺度预测边界框,从而获取缺陷绝缘子的深层次位置信息。
步骤五,将第二算法中的4尺度预测边界框经过第三算法计算后,输出得分高的预测框,从而完成对缺陷绝缘子的检测,得到检测结果,其中检测结果包括缺陷绝缘子的锚点框信息、第一特征及缺陷绝缘子的深层次位置信息。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:其中,步骤一中,第一技术包括数据增强技术和图像标注技术。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:数据增强技术,是使用翻转、旋转、随机颜色及随机裁剪的方法扩充数据库。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:图像标注技术,是通过LabelImg完成标注的绝缘子图像,绝缘子图像的最终的输出格式为Pascal VOC数据格式,Pascal VOC数据格式由Annotations,ImageSets和JPEGImage三个文件夹组成。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:其中,步骤二中,第一算法是K-means++算法,步骤如下:
(1)输入:目标框样本集D={x1,x2,...,xn},锚点框聚类簇数为K。
(2)从D中随机选取一个数据点作为初始聚类中心C1。
(3)计算每个样本点x与初始聚类中心c1的最短距离d(x)。
(5)利用轮盘法选择下一个聚类中心C2。
(6)重复2-4,直到选出K个聚类中心C={c1,c2,...,cn}。
(7)计算样本集D中的每个x到K个聚类中心的距离,将其分至相应的簇中。
(9)重复6-7,直至聚类中心不发生更改。
(10)输出K个聚类中心。
K-means++算法的距离函数公式如下:
d(box,centroid)=1-IOU(box,centroid)
其中,centroid表示聚类中心,box表示样本的目标框,IOU表示聚类中心框与聚类框的交并比。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:其中,步骤三中,第一特征提取网络是SE-Darknet53特征提取网络。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:SE-Darknet53特征提取网络,是通过在Darknet53特征提取网络中引入SENet注意力机制模块设计的。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:其中,步骤四中,第二算法是YOLOv3算法,YOLOv3算法进行检测的具体步骤如下:
(1)在特征提取网络的卷积层第79层之后经过3次卷积操作得到第1个检测尺度为13×13的32倍采样特征图。
(2)将第79层的上采样结果与第61层进行特征融合,得到第2个检测尺度为26×26的16倍下采样特征图,即第91层。
(3)将第91层的上采样结果与第36层进行特征融合,得到第3个检测尺度为52×52的8倍下采样特征图,即第103层。
(4)将第103层的上采样结果与第11层进行特征融合,得到第4个检测尺度为104×104的4倍下采样特征图。
在本发明提供的缺陷绝缘子的检测方法中,还可以具有这样的特征:其中,步骤五中,第三算法是非极大值抑制算法,非极大值抑制算法的评分函数如下:
其中,首先根据得分对所有目标框B={b1,b2,...,bn}进行排序,从中选取得分最高的目标框bm放入检测集D中,并通过设定阈值Nt将与bm相近检测的分数设置为零。
发明的作用与效果
根据本发明所涉及的一种缺陷绝缘子的检测方法,因为本发明在YOLOv3算法的基础上,使用了K-means++算法对缺陷绝缘子数据集中边界框的宽和高进行聚类,因此本发明获取初始聚类中心的随机性更小,能够获得更优的锚点框。同时,本发明的将通道注意力机制SENet结构融入特征提取网络Darknet53中,增加多个检测尺度提升检测精度,通过特征重标定策略学习更丰富的绝缘子缺陷特征,从而使得网络的特征提取性能更好,并使用数据增强技术扩充了缺陷绝缘子的数据库。最终本发明构建的数据库包含2448张缺陷绝缘子图像,以供系统深度学习、训练模型并满足检测需求。本发明还将YOLOv3算法中的3检测尺度扩展为4个,以获取更深层次的缺陷绝缘子位置信息,进而提高对缺陷绝缘子的检测精度。本发明所提检测模型能够实时有效地识别出电力绝缘子的缺陷位置,进而提高了电力巡检和缺陷绝缘子识别的智能化水。
附图说明
图1为本发明实施例中缺陷绝缘子的检测方法流程图。
图2为本发明实施例中针对不同天气环境下缺陷绝缘子的识别结果图。
图3为本发明实施例中缺陷绝缘子特征提取网络的结构示意图。
图4为本发明实施例中缺陷绝缘子检测模型的结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明缺陷绝缘子的检测方法作具体阐述。
图1为本实施例中缺陷绝缘子的检测方法流程图。
如图1所示,一种缺陷绝缘子的检测方法,具体步骤如下:
S1,采用第一技术建立缺陷绝缘子的数据库,其中第一技术包括数据增强技术和图像标注技术。
数据增强技术,是使用翻转、旋转、随机颜色及随机裁剪的方法扩充数据库。其中,翻转是指将图像绕对称轴进行镜像操作,利用水平和垂直变换绝缘子图像,增加绝缘子的数据量。旋转是指图像根据特定的位置以一定的角度旋转,且在旋转过程中保持图像的原始大小。在现实环境中,不同拍摄角度的绝缘子图像存在差异,通过旋转可以获取不同角度的绝缘子图像。
图2是本实施例中针对不同天气环境下缺陷绝缘子的识别结果图。如图2所示,随机颜色是指由于电力绝缘子图像中的物体可能会由于外部光照、天气和其他因素而改变其颜色,因此本发明采用随机颜色的技术来获得更多具有不同颜色特征的绝缘子数据库。随机裁剪是指通过裁剪的方式克服因遮挡而导致的目标图片不完整的缺陷,从而扩充绝缘子数据库。
图像标注技术,是通过LabelImg完成标注的绝缘子图像,绝缘子图像的最终的输出格式为Pascal VOC数据格式,Pascal VOC数据格式由Annotations,ImageSets和JPEGImage三个文件夹组成。其中,Annotations文件夹中保存的是xml文本,用于存储包含绝缘子和缺陷绝缘子位置坐标信息的标签数据。ImageSets文件夹则是缺陷绝缘子图像的存储路径。JPEGImages文件夹用于存储.jpg格式的图片。本发明构建的数据库共包含2448张缺陷绝缘子图像,以供深度学习、训练模型及满足检测需求。
S2,采用第一算法对数据库中边界框的宽和高进行聚类,以获取缺陷绝缘子的锚点框信息,其中第一算法是K-means++算法,步骤如下:
(1)输入:目标框样本集D={x1,x2,...,xn},锚点框聚类簇数为K。
(2)从D中随机选取一个数据点作为初始聚类中心c1。
(3)计算每个样本点x与初始聚类中心c1的最短距离d(x)。
(5)利用轮盘法选择下一个聚类中心c2。
(6)重复2-4,直到选出K个聚类中心C={c1,c2,...,cn}。
(7)计算样本集D中的每个x到K个聚类中心的距离,将其分至相应的簇中。
(9)重复6-7,直至聚类中心不发生更改。
(10)输出K个聚类中心。
K-means++算法的距离函数公式如下:
d(box,centroid)=1-IOU(box,centroid)
其中,centroid表示聚类中心,box表示样本的目标框,IOU表示聚类中心框与聚类框的交并比。
S3,通过第一特征提取网络获取缺陷绝缘子的第一特征。其中的第一特征提取网络是SE-Darknet53特征提取网络。
图3为本发明实施例中缺陷绝缘子特征提取网络的结构示意图。
如图3所示,SE-Darknet53特征提取网络,是通过在Darknet53特征提取网络中引入SENet注意力机制模块设计的。
S4,使用第二算法对缺陷绝缘子进行检测,将检测尺度由3个扩展至4个,得到4尺度预测边界框,从而获取缺陷绝缘子的深层次位置信息。其中的第二算法是YOLOv3算法,如图3所示,具体步骤如下:
(1)在特征提取网络的卷积层第79层之后经过3次卷积操作得到第1个检测尺度为13×13的32倍采样特征图。
(2)将第79层的上采样结果与第61层进行特征融合,得到第2个检测尺度为26×26的16倍下采样特征图,即第91层。
(3)将第91层的上采样结果与第36层进行特征融合,得到第3个检测尺度为52×52的8倍下采样特征图,即第103层。
(4)将第103层的上采样结果与第11层进行特征融合,得到第4个检测尺度为104×104的4倍下采样特征图。
S5,将第二算法中的4尺度预测边界框经过第三算法计算后,输出得分高的预测框,从而完成对缺陷绝缘子的检测,得到检测结果,其中检测结果包括缺陷绝缘子的锚点框信息、第一特征及缺陷绝缘子的深层次位置信息。其中的第三算法是非极大值抑制算法,非极大值抑制算法的评分函数如下:
其中,首先根据得分对所有目标框B={b1,b2,...,bn}进行排序,从中选取得分最高的目标框bm放入检测集D中,并通过设定阈值Nt将与bm相近检测的分数设置为零。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (9)
1.一种缺陷绝缘子的检测方法,其特征在于,包括以下步骤:
步骤一,采用第一技术建立缺陷绝缘子的数据库;
步骤二,采用第一算法对所述数据库中边界框的宽和高进行聚类,以获取所述缺陷绝缘子的锚点框信息;
步骤三,通过第一特征提取网络获取所述缺陷绝缘子的第一特征;
步骤四,使用第二算法对所述缺陷绝缘子进行检测,将检测尺度由3个扩展至4个,得到4尺度预测边界框,从而获取所述缺陷绝缘子的深层次位置信息;
步骤五,将所述第二算法中的4尺度预测边界框经过第三算法计算后,输出得分高的预测框,从而完成对缺陷绝缘子的检测,得到检测结果,其中所述检测结果包括所述缺陷绝缘子的锚点框信息、所述第一特征及所述缺陷绝缘子的深层次位置信息。
2.根据权利要求1所述的缺陷绝缘子的检测方法,其特征在于:
其中,步骤一中,所述第一技术包括数据增强技术和图像标注技术。
3.根据权利要求2所述的缺陷绝缘子的检测方法,其特征在于:
所述数据增强技术,是使用翻转、旋转、随机颜色及随机裁剪的方法扩充数据库。
4.根据权利要求2所述的缺陷绝缘子的检测方法,其特征在于:
所述图像标注技术,是通过LabelImg完成标注的绝缘子图像,所述绝缘子图像的最终的输出格式为Pascal VOC数据格式,所述Pascal VOC数据格式由Annotations,ImageSets和JPEGImage三个文件夹组成。
5.根据权利要求1所述的缺陷绝缘子的检测方法,其特征在于:
其中,步骤二中,所述第一算法是K-means++算法,步骤如下:
(1)输入:目标框样本集D={x1,x2,...,xn},锚点框聚类簇数为K;
(2)从D中随机选取一个数据点作为初始聚类中心c1;
(3)计算每个样本点x与初始聚类中心c1的最短距离d(x);
(5)利用轮盘法选择下一个聚类中心c2;
(6)重复2-4,直到选出K个聚类中心C={c1,c2,...,cn};
(7)计算样本集D中的每个x到K个聚类中心的距离,将其分至相应的簇中;
(9)重复6-7,直至聚类中心不发生更改;
(10)输出K个聚类中心;
所述K-means++算法的距离函数公式如下:
d(box,centroid)=1-IOU(box,centroid)
其中,centroid表示聚类中心,box表示样本的目标框,IOU表示聚类中心框与聚类框的交并比。
6.根据权利要求1所述的缺陷绝缘子的检测方法,其特征在于:
其中,步骤三中,所述第一特征提取网络是SE-Darknet53特征提取网络。
7.根据权利要求6所述的缺陷绝缘子的检测方法,其特征在于:
所述SE-Darknet53特征提取网络,是通过在Darknet53特征提取网络中引入SENet注意力机制模块设计的。
8.根据权利要求1所述的缺陷绝缘子的检测方法,其特征在于:
其中,步骤四中,所述第二算法是YOLOv3算法,所述YOLOv3算法进行检测的具体步骤如下:
(1)在所述特征提取网络的卷积层第79层之后经过3次卷积操作得到第1个检测尺度为13×13的32倍采样特征图;
(2)将所述第79层的上采样结果与第61层进行特征融合,得到第2个检测尺度为26×26的16倍下采样特征图,即第91层;
(3)将所述第91层的上采样结果与第36层进行特征融合,得到第3个检测尺度为52×52的8倍下采样特征图,即第103层;
(4)将所述第103层的上采样结果与第11层进行特征融合,得到第4个检测尺度为104×104的4倍下采样特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437478.0A CN113205019A (zh) | 2021-04-22 | 2021-04-22 | 一种缺陷绝缘子的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437478.0A CN113205019A (zh) | 2021-04-22 | 2021-04-22 | 一种缺陷绝缘子的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205019A true CN113205019A (zh) | 2021-08-03 |
Family
ID=77028006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110437478.0A Pending CN113205019A (zh) | 2021-04-22 | 2021-04-22 | 一种缺陷绝缘子的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205019A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870265A (zh) * | 2021-12-03 | 2021-12-31 | 绵阳职业技术学院 | 一种工业零件表面缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN110838112A (zh) * | 2019-11-08 | 2020-02-25 | 上海电机学院 | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 |
CN111428550A (zh) * | 2019-11-29 | 2020-07-17 | 长沙理工大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN112348783A (zh) * | 2020-10-27 | 2021-02-09 | 基建通(三亚)国际科技有限公司 | 基于图像的人物识别方法、装置及计算机可读存储介质 |
CN112580575A (zh) * | 2020-12-28 | 2021-03-30 | 镇江市高等专科学校 | 电力巡检绝缘子图像识别方法 |
-
2021
- 2021-04-22 CN CN202110437478.0A patent/CN113205019A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN110838112A (zh) * | 2019-11-08 | 2020-02-25 | 上海电机学院 | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 |
CN111428550A (zh) * | 2019-11-29 | 2020-07-17 | 长沙理工大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN112348783A (zh) * | 2020-10-27 | 2021-02-09 | 基建通(三亚)国际科技有限公司 | 基于图像的人物识别方法、装置及计算机可读存储介质 |
CN112580575A (zh) * | 2020-12-28 | 2021-03-30 | 镇江市高等专科学校 | 电力巡检绝缘子图像识别方法 |
Non-Patent Citations (2)
Title |
---|
武建华 等: "基于YOLOv3算法的绝缘子红外图像故障检测方法", 《广东电力》 * |
谢晓竹 等: "改进YOLOv3模型对航拍汽车的目标检测", 《装甲兵工程学院学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870265A (zh) * | 2021-12-03 | 2021-12-31 | 绵阳职业技术学院 | 一种工业零件表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816725B (zh) | 一种基于深度学习的单目相机物体位姿估计方法及装置 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN112633277A (zh) | 基于深度学习的航道船牌检测、定位及识别方法 | |
CN111582104B (zh) | 基于自注意特征聚合网络的遥感图像语义分割方法及装置 | |
CN104134234A (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN110909623B (zh) | 三维目标检测方法及三维目标检测器 | |
CN116052094B (zh) | 一种船舶检测方法、系统及计算机存储介质 | |
CN111640116A (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN114117614A (zh) | 一种建筑物立面纹理自动生成方法和系统 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
CN115661404A (zh) | 一种多细粒度树木实景参数化建模方法 | |
CN113076804A (zh) | 基于YOLOv4改进算法的目标检测方法、装置及系统 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN116579992A (zh) | 一种用于无人机巡检的小目标螺栓缺陷检测方法 | |
CN114066937B (zh) | 一种大尺度遥感影像多目标跟踪方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN113205019A (zh) | 一种缺陷绝缘子的检测方法 | |
CN116805360B (zh) | 一种基于双流门控渐进优化网络的显著目标检测方法 |
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 |
Application publication date: 20210803 |
|
RJ01 | Rejection of invention patent application after publication |