CN113239994A - 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 - Google Patents
基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113239994A CN113239994A CN202110478465.8A CN202110478465A CN113239994A CN 113239994 A CN113239994 A CN 113239994A CN 202110478465 A CN202110478465 A CN 202110478465A CN 113239994 A CN113239994 A CN 113239994A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- yolov4
- tiny
- power grid
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/25—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
-
- 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
Abstract
本申请实施例公开了一种基于YOLOv4‑tiny算法的电网缺陷检测方法、装置、存储介质及电子设备,属于目标检测领域,该方法包括:基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4‑tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4‑tiny网络结构包括空间金字塔池化SPP层,所述SPP层用于进行特征融合;基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果,可以实现电网缺陷的快速准确的检测。
Description
技术领域
本申请涉及目标检测领域,尤其涉及一种基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备。
背景技术
输电线路无人机巡视检查是工作人员用无人机设备对输电线路的各部件进行观察、检查和测量。目的是为掌握线路的运行状况、及时发现设备缺陷和威胁线路安全的问题。由于架空线路分布很广,又长期处于露天之下运行,所以经常会受到周围环境和大自然变化的影响,加上配电线路设备种类较输电线路多而复杂,很容易对线路的安全运行造成的影响,轻则跳闸,重则使导线断裂或者杆塔倒塌,造成较大面积的停电。
然而,目前缺陷查找手段主要靠人工肉眼判断,由于缺陷种类繁多而且存在某些缺陷较小导致肉眼判断有很大的可能性造成判断错误。因此,需要一套操作简单,处理方便的软件,在无人机巡线拍摄的可见光照片的基础上批量智能分析出缺陷和定位出位置点。如何提高电网缺陷的检测效率和检测准确性是目前亟待解决的问题。
发明内容
本申请实施例提供了一种基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备,可以解决相关技术中检测电网缺陷的效率较低和准确性较差的问题。所述技术方案如下:
第一方面,本申请实施例提供了一种基于YOLOv4-tiny算法的电网缺陷检测方法,所述方法包括:
基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4-tiny网络结构包括SPP层,所述金字塔池化SPP层用于进行特征融合;
基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
第二方面,本申请实施例提供了一种基于YOLOv4-tiny算法的电网缺陷检测装置,包括:
训练单元,用于基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4-tiny网络结构包括金字塔池化SPP层,所述SPP层用于进行特征融合;
检测单元,用于基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括:
首先,本申请在构建样本集时采用mixup算法对原始的数据集进行数据增强,使训练得到的神经网络模型的泛化能力得到增强,提高神经网络模型识别目标的准确性。其次,采用SGDR算法来训练神经网络模型,该学习算法是一种动态调整学习率的策略,可以在训练过程中持续调整学习率,提高神经网络模型的性能;最后,针对不同尺寸的图像输入,SPP层可以将不同层的特征进行融合,产生固定尺寸的图像输出,加强对目标的识别效果。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于YOLOv4-tiny算法的电网缺陷检测方法的流程示意图;
图2是本申请实施例提供的改进型YOLOv4-tiny网络模型的结构示意图;
图3是图2中SPP模块的结构示意图;
图4-图6是本申请实施例提供的3层结构的SPP层的结构示意图;
图7是本申请实施例提供的一种装置的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参见图1,为本申请实施例提供的一种基于YOLOv4-tiny算法的电网缺陷检测方法的流程示意图。如图1所示,本申请实施例的所述方法可以包括以下步骤:
S101、基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络。
其中,本申请在训练过程中采用mixup算法对所述样本集进行数据增强,数据集中包括多个样本数据,各个样本数据已进行标注,即各个样本数据带有标签,样本数据为正样本数据和负样本数据。数据集可以关联一个特定类型的缺陷,例如:该缺陷为导线断裂,正样本数据的标签表示具有导线断裂的缺陷,负样本数据的标签表示不具有导线断裂的缺陷。mixup算法是一种数据增强算法,利用线性插值的方法基于现有的数据集生成得到样本集,样本集中包含的样本数据的数量大于原有的数据集包含的样本数据的数量,利用mix算法得到的样本集进行模型训练可以增强模型的泛化能力。
其中,SGDR(Stochastic Gradient Descent with warm Restarts,热重启随机梯度下降)一种动态调整学习率策略,可以在训练过程中持续调整学习率,提高YOLOv4-tiny网络结构的训练效率。改进型YOLO(You Only Look Once)V4网络结构和现有的YOLOv4-tiny网络结构的区别在于:改进型YOLOv4-tiny网络结构包括SPP(Spatial PyramidPooling,空间金字塔池化)层。在一般的CNN(Convolutional Neural Networks,卷积神经网络)结构中,卷积层后面会连接全连接层,而全连接层的特征数是固定的,因此在网络输入时,输入的大小也是固定的。但是在实际应用场景中,输入的图像的尺寸可能无法满足预设的固定大小,通常需要对输入的图像进行裁剪和拉伸以满足固定大小,这样会对输入的图像造成失真。本申请中的改进型SPP层,可以提取更细粒度的特征,并将输入的不同尺寸的图像产生固定尺寸的输出。
其中,本申请可以从在电网中采集的图像作为样本数据,对获取到的样本数据进行标注,在数据标注完毕后生成包括各个样本数据的标签的标注文件,然后对标注文件进行标签转换,转换为YOLO算法支持的格式。
例如:参见图2所示,图2改进型YOLOv4-tiny网络结构中的特征提取网络的结构示意图,在该网络中,Concatenate表示特征融合处理,upsample表示上采样处理,Conv表示卷积处理。SPP_Module为SPP模块(即本申请的SPP层),SPP模块的结构如图3所示,图3中,Max_pooling表示最大池化处理。
进一步的,SPP层的数量为3个,不同的SPP层用于对不同尺寸的目标进行特征融合。SPP层有以下几个特点:
1)对于同一图像不同尺寸的输入,通过SPP层后都可以产生固定尺寸的输出,从而加强了对小目标的识别效果;
2)使用了多个池化窗口,提取了目标的更多特征;
3)降低了模型过拟合情况,而且训练时更容易收敛;
4)对于特定的CNN网络设计和结构是独立的,无须改变原始网络即可添加。
例如:参见图4-图6的SPP层的结构示意图,图4为第1个SPP层,图8为第2个SPP层,图6为第3个SPP层,第1个SPP层的输出为第2个SPP层的输入,第2个SPP层的输出是第3个SPP层的输入。
本申请的SPP层目的是提取更多尺寸的特征,以提升目标的识别率,小目标尤其明显。但是缺点也比较明显,占用显卡资源增加,使得训练输入尺寸变小。故仅在网络结构较为简单的YOLOv4-tiny中尝试改进。
在电网中的目标检测中,需要检测的目标通常较小,在图片中占的比例较小。YOLOv4-tiny网络层次较少,能够输入较大尺寸的图片,SPP层能够融合多层信息特征,提升模型性能。常规的SPP在进行多层特征融合时,提取到的特征粒度较大。改进后的网络结构共引入了3层SPP结构,分别用于对大、中、小三种不同尺度的目标的特征进行融合。经改进后SPP层能够融合更细粒度的特征,对电网中的目标检测适应性更强。
进一步的,训练的目的在于优化神经网络模型的权重,以实现准确的目标识别,训练后得到权重文件,权重文件包括神经网络模型各个层的权重,基于权重文件更新本申请的改进型YOLOv4-tiny网络结构的权重得到目标检测网络。所述样本集包含训练集和测试集,所述训练集和所述测试集的数据量比例为8:2,将训练集中的样本数据通过不断迭代得到最优的权重文件,其本质是利用损失函数不断调节网络结构中的权重,然后利用测试集验证训练得到的神经网络模型的准确性。在训练过程中,本申请可以使用GIOU loss作为边界框回归效果的度量指标。GIOU loss(Generalized Intersection over Union loss,广义交并比损失)是一种目标检测训练过程中边界框回归好坏的度量指标,能够改善目标检测的边界框回归。
在本申请中,网络的backbone采用YOLOv4-tiny-3l进行特征提取。在neck阶段使用改进后的SPP模块进行特征融合。经改进后SPP能够融合层次更多且更细粒度的特征,对电网中的目标检测适应性更强。在yolo层对融合后的特征进行目标检测。
GIOU loss的定义:对于任意的两个A、B框,首先找到一个能够包住它们的最小方框C。然后计算C\(A∪B)的面积与C的面积的比值,注:C\(A∪B)的面积为C的面积减去A∪B的面积。再用A、B的IOU值减去这个比值得到GIOU。
S102、基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
其中,将待验证电网图像图片输入到目标检测网络进行特征提取以及特征融合,对融合后的特征进行目标检测得到电网缺陷检测结果。
进一步的,所述电网缺陷检测结果为所述待验证电网图像上标记的检测框;
其中,所述方法还包括:
使用NMS(Non-Maximum Suppression,非极大值抑制)算法移除重复的检测框,以及移除置信度小于置信度阈值的检测框。
在本实施例中,首先,本申请在构建样本集时采用mixup算法对原始的数据集进行数据增强,使训练得到的神经网络模型的泛化能力得到增强,提高神经网络模型识别目标的准确性。其次,采用SGDR算法来训练神经网络模型,该学习算法是一种动态调整学习率的策略,可以在训练过程中持续调整学习率,提高神经网络模型的训练效率;最后,针对不同尺寸的图像输入,SPP层可以产生固定尺寸的图像输出,加强对小目标的识别效果。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图7,其示出了本申请一个示例性实施例提供的基于YOLOv4-tiny算法的电网缺陷检测装置的结构示意图。该基于YOLOv4-tiny算法的电网缺陷检测装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该装置7包括:训练单元701和检测单元702。
训练单元701,用于基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4-tiny网络结构包括SPP金字塔池化层,所述SPP层用于进行特征融合;
检测单元702,用于基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
在一个或多个可能的实施例中,所述电网缺陷检测结果为所述待验证电网图像上标记的检测框;
其中,检测单元702还用于:
使用非极大值抑制算法NMS移除重复的检测框,以及移除置信度小于置信度阈值的检测框。
在一个或多个可能的实施例中,在训练过程中,使用广义交并比损失GIOU loss作为边界框回归效果的度量指标。
在一个或多个可能的实施例中,所述SPP层的数量为3个,不同的SPP层用于对不同尺寸的目标进行特征融合。
在一个或多个可能的实施例中,装置7还包括:转换单元,用于:
获取样本数据;
对所述样本数据进行标注后得到标注文件,以及基于标注后的样本数据生成数据集;
将所述标注文件进行格式转换以匹配YOLOv4-tiny算法。
需要说明的是,上述实施例提供的基于YOLOv4-tiny算法的电网缺陷检测装置在执行基于YOLOv4-tiny算法的电网缺陷检测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于YOLOv4-tiny算法的电网缺陷检测装置与基于YOLOv4-tiny算法的电网缺陷检测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1所示实施例的方法步骤,具体执行过程可以参见图1所示实施例的具体说明,在此不进行赘述。
请参见图8,为本申请实施例提供了一种电子设备的结构示意图。如图8所示,电子设备可以包含本申请的基于YOLOv4-tiny算法的电网缺陷检测装置,电子设备800可以包括:至少一个处理器801,至少一个网络接口804,用户接口803,存储器805,至少一个通信总线802。
其中,通信总线802用于实现这些组件之间的连接通信。
其中,用户接口803用于提供用户与设备的交互接口,用户接口可以包括显示屏(Display)、摄像头(Camera),可选用户接口803还可以包括标准的有线接口、无线接口。
其中,网络接口804可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器801可以包括一个或者多个处理核心。处理器801利用各种接口和线路连接整个电子设备800内的各个部分,通过运行或执行存储在存储器805内的指令、程序、代码集或指令集,以及调用存储在存储器805内的数据,执行电子设备800的各种功能和处理数据。可选的,处理器801可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器801可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制,以及对目标检测进行加速;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器801中,单独通过一块芯片进行实现。
其中,存储器805可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器805包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器805可用于存储指令、程序、代码、代码集或指令集。存储器805可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器805可选的还可以是至少一个位于远离前述处理器801的存储装置。如图8所示,作为一种计算机存储介质的存储器805中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图8所示的电子设备800中,用户接口803主要用于为用户提供输入的接口,获取用户输入的数据;而处理器801可以用于调用存储器805中存储的配置应用程序接口的应用程序,并具体执行以下操作:
基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4-tiny网络结构包括金字塔池化SPP层,所述SPP层用于进行特征融合;
基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
在一个或多个可能的实施例中,所述电网缺陷检测结果为所述待验证电网图像上标记的检测框;
其中,处理器801还用于执行:
使用非极大值抑制NMS算法移除重复的检测框,以及移除置信度小于置信度阈值的检测框。
在一个或多个可能的实施例中,在训练过程中,使用广义交并比损失GIOU Loss作为检测效果的度量指标。
在一个或多个可能的实施例中,所述SPP层的数量为3个,不同的SPP层用于对不同尺寸的目标进行特征融合。
在一个或多个可能的实施例中,处理器801还用于执行:
获取样本数据;
对所述样本数据进行标注后得到标注文件,以及基于标注后的样本数据生成数据集;
将所述标注文件进行格式转换以匹配YOLOv4-tiny算法。
在一个或多个可能的实施例中,所述样本集包含训练集和测试集,所述训练集和所述测试集的数据量比例为8:2。
本实施例的构思和图1的方法实施例相同,其带来的技术效果也相同,具体过程可参照图1实施例的描述,此处不再赘述。
本领域普通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,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种基于YOLOv4-tiny算法的电网缺陷检测方法,其特征在于,包括:
基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4-tiny网络结构包括空间金字塔池化SPP层,所述SPP层用于进行特征融合;
基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
2.根据权利要求1所述的方法,其特征在于,所述电网缺陷检测结果为所述待验证电网图像上标记的检测框;
其中,所述方法还包括:
使用非极大值抑制NMS算法移除重复的检测框,以及移除置信度小于置信度阈值的检测框。
3.根据权利要求1或2所述的方法,其特征在于,在训练过程中,使用广义交并比损失GIOU loss作为边界框回归效果的度量指标。
4.根据权利要求1所述的方法,其特征在于,所述SPP层提取更细粒度的特征,且SPP层的数量为3个,不同的SPP层用于对不同尺寸的目标进行特征融合。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取样本数据;
对所述样本数据进行标注后得到标注文件,以及基于标注后的样本数据生成数据集;
将所述标注文件进行格式转换以匹配YOLOv4-tiny算法。
6.根据权利要求1所述的方法,其特征在于,所述样本集包含训练集和测试集,所述训练集和所述测试集的数据量比例为8:2。
7.一种基于YOLOv4-tiny算法的电网缺陷检测装置,其特征在于,包括:
训练单元,用于基于热重启随机梯度下降SGDR算法,使用样本集对改进型YOLOv4-tiny网络结构进行训练得到目标检测网络;其中,在训练过程中采用mixup算法对所述样本集进行数据增强;所述改进型YOLOv4-tiny网络结构包括空间金字塔池化SPP层,所述SPP层用于进行特征融合;
检测单元,用于基于目标检测网络对待验证电网图像进行检测得到电网缺陷检测结果。
8.根据权利要求7所述的装置,其特征在于,在训练过程中,使用广义交并比损失GIOUloss作为边界框回归效果的度量指标。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~6任意一项的方法步骤。
10.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~6任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110478465.8A CN113239994A (zh) | 2021-04-30 | 2021-04-30 | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110478465.8A CN113239994A (zh) | 2021-04-30 | 2021-04-30 | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239994A true CN113239994A (zh) | 2021-08-10 |
Family
ID=77131654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110478465.8A Pending CN113239994A (zh) | 2021-04-30 | 2021-04-30 | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239994A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516655A (zh) * | 2021-09-13 | 2021-10-19 | 常州市宏发纵横新材料科技股份有限公司 | 基于YOLOv4-Tiny神经网络的布面缺陷检测方法、装置及系统 |
-
2021
- 2021-04-30 CN CN202110478465.8A patent/CN113239994A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516655A (zh) * | 2021-09-13 | 2021-10-19 | 常州市宏发纵横新材料科技股份有限公司 | 基于YOLOv4-Tiny神经网络的布面缺陷检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304835A (zh) | 文字检测方法和装置 | |
CN108235116B (zh) | 特征传播方法和装置、电子设备和介质 | |
CN113159091B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111444365B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
CN115880536B (zh) | 数据处理方法、训练方法、目标对象检测方法及装置 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
WO2023001059A1 (zh) | 检测方法、装置、电子设备及存储介质 | |
CN112580558A (zh) | 红外图像目标检测模型构建方法、检测方法、装置及系统 | |
CN111738133A (zh) | 模型训练方法、目标检测方法、装置、电子设备及可读存储介质 | |
CN111353580A (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN111598084A (zh) | 缺陷分割网络训练方法、装置、设备及可读存储介质 | |
CN113239994A (zh) | 基于YOLOv4-tiny算法的电网缺陷检测方法、装置、存储介质及电子设备 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN114693963A (zh) | 基于电力数据特征提取的识别模型训练、识别方法及装置 | |
CN114429640A (zh) | 图纸分割方法、装置及电子设备 | |
CN114863450B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113963167B (zh) | 应用于目标检测的方法、装置及计算机程序产品 | |
CN116071651A (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN112686314B (zh) | 基于远距离拍摄场景的目标检测方法、装置及存储介质 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
CN113033431B (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 | |
CN114022658A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
CN112465859A (zh) | 快速运动目标的检测方法、装置、设备和储存介质 |
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 |