CN113283361B - 一种绝缘层破损识别模型训练方法、识别方法和装置 - Google Patents
一种绝缘层破损识别模型训练方法、识别方法和装置 Download PDFInfo
- Publication number
- CN113283361B CN113283361B CN202110614575.2A CN202110614575A CN113283361B CN 113283361 B CN113283361 B CN 113283361B CN 202110614575 A CN202110614575 A CN 202110614575A CN 113283361 B CN113283361 B CN 113283361B
- Authority
- CN
- China
- Prior art keywords
- image
- overhead conductor
- conductor
- network
- intersection point
- 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.)
- Active
Links
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
- G06V20/13—Satellite images
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Abstract
本申请公开了一种绝缘层破损识别模型训练方法、识别方法和装置,训练方法包括:通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各架空导线图像是否存在绝缘层破损进行标注以及各架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;结合所有的架空导线图像和架空导线图像对应的标签文件获取训练集;通过训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。本申请解决了现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种绝缘层破损识别模型训练方法、识别方法和装置。
背景技术
为了减少数木、鸟类等导致的架空导线故障停电,城镇地区的配电网络大量采用架空绝缘导线。由于架空绝缘导线所处环境不稳定因素较多,例如受到外力破坏、绝缘层烧蚀、施工人员包扎不严密等原因,致使架空导线绝缘层产生破损。
架空导线的绝缘层破损会形成线路薄弱点,一方面会增加线路遭受雷击的概率,导致雷击断线故障;另一方面雨水容易顺着绝缘层破损处渗进导线内部,使线路老坏破损,严重可发生停电故障;除此之外,靠近居民楼的架空导线绝缘层破损还会增加触电风险。因此,如何快速有效识别架空导线的绝缘层破损,进而对绝缘层破损处进行处理是本领域技术人员目前亟需解决的技术问题。
现有技术主要通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,该方法巡检速度慢,效率低。
发明内容
本申请提供了一种绝缘层破损识别模型训练方法、识别方法和装置,用于解决现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
有鉴于此,本申请第一方面提供了一种绝缘层破损识别模型训练方法,包括:
通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各所述架空导线图像是否存在绝缘层破损进行标注以及各所述架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;
结合所有的所述架空导线图像和所述架空导线图像对应的所述标签文件获取训练集;
通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
可选的,所述通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,包括:
对预置卷积神经网络的网络参数进行随机初始化,通过所述训练集对初始化后的所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
可选的,所述通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,包括:
通过所述训练集对第一卷积神经网络进行架空导线与图像边界交点识别任务训练,得到训练好的所述第一卷积神经网络;
通过所述训练集对第二卷积神经网络进行绝缘层破损识别任务训练,得到训练好的所述第二卷积神经网络;
将训练好的所述第一卷积神经网络的网络参数和训练好的所述第二卷积神经网络的网络参数作为初始网络参数加载到预置卷积神经网络,并通过所述训练集对所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,其中,所述预置卷积神经网络由两个子网络构成,所述两个子网络中的一个子网络与所述第一卷积神经网络的网络结构一致,另一个子网络与所述第二卷积神经网络的网络结构一致。
可选的,所述交点位置参数包括目标比值和交点位置编码,对各所述架空导线图像中的架空导线与图像边界的交点位置参数进行标注,包括:
根据各所述架空导线图像中的架空导线与图像边界的交点位置和各所述架空导线图像的大小计算目标比值,所述目标比值为该交点与该交点所在的图像边界上的一个边界点之间的距离和该交点所在的图像边界的长度的比值;
根据各所述架空导线图像中的架空导线与图像边界的交点位置对各所述架空导线图像的4个图像边界进行one-hot编码,生成交点位置编码。
本申请第二方面提供了一种绝缘层破损识别方法,包括:
通过无人机采集待识别导线图像;
将所述待识别导线图像输入到绝缘层破损识别模型,使得所述绝缘层破损识别模型对所述待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果,并根据所述交点位置识别结果确定所述待识别导线图像中的架空导线区域,对所述架空导线区域中的架空导线进行绝缘层破损识别,得到所述待识别导线图像的绝缘层破损识别结果,其中,所述绝缘层破损识别模型通过第一方面任一种所述的绝缘层破损识别模型训练方法训练得到。
可选的,所述交点位置识别结果包括交点在所述架空导线图像的4个图像边界的位置概率,所述方法还包括:
对各交点对应的所述位置概率进行可靠性检测和合法性检测。
本申请第三方面提供了一种绝缘层破损识别模型训练装置,包括:
标注单元,用于通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各所述架空导线图像是否存在绝缘层破损进行标注以及各所述架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;
获取单元,用于结合所有的所述架空导线图像和所述架空导线图像对应的所述标签文件获取训练集;
训练单元,用于通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
可选的,所述训练单元具体用于:
对预置卷积神经网络的网络参数进行随机初始化,通过所述训练集对初始化后的所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
可选的,所述训练单元具体用于:
通过所述训练集对第一卷积神经网络进行架空导线与图像边界交点识别任务训练,得到训练好的所述第一卷积神经网络;
通过所述训练集对第二卷积神经网络进行绝缘层破损识别任务训练,得到训练好的所述第二卷积神经网络;
将训练好的所述第一卷积神经网络的网络参数和训练好的所述第二卷积神经网络的网络参数作为初始网络参数加载到预置卷积神经网络,并通过所述训练集对所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,其中,所述预置卷积神经网络由两个子网络构成,所述两个子网络中的一个子网络与所述第一卷积神经网络的网络结构一致,另一个子网络与所述第二卷积神经网络的网络结构一致。
本申请第四方面提供了一种绝缘层破损识别装置,包括:
采集单元,用于通过无人机采集待识别导线图像;
识别单元,用于将所述待识别导线图像输入到绝缘层破损识别模型,使得所述绝缘层破损识别模型对所述待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果,并根据所述交点位置识别结果确定所述待识别导线图像中的架空导线区域,对所述架空导线区域中的架空导线进行绝缘层破损识别,得到所述待识别导线图像的绝缘层破损识别结果,其中,所述绝缘层破损识别模型通过第一方面任一种所述的绝缘层破损识别模型训练方法训练得到。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种绝缘层破损识别模型训练方法,包括:通过无人机采集若干架空导线图像,并对各架空导线图像是否存在绝缘层破损进行标注以及各架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;结合所有的架空导线图像和架空导线图像对应的标签文件获取训练集;通过训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
本申请中,通过无人机对架空导线进行巡检,避免了运维人员进行巡检,提高了巡检效率;对无人机机巡时采集的架空导线图像进行标签信息标注以获取训练集,通过该训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,通过该绝缘层破损识别模型可以进行架空导线的绝缘层破损识别,解决了现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种绝缘层破损识别模型训练方法的一个流程示意图;
图2为本申请实施例提供的一张架空导线图像示意图;
图3为本申请实施例提供的第一卷积神经网络的网络结构示意图;
图4为本申请实施例提供的特征提取网络的网络结构示意图;
图5为本申请实施例提供的第二卷积神经网络的网络结构示意图;
图6为本申请实施例提供的一种绝缘层破损识别方法的一个流程示意图;
图7为本申请实施例提供的绝缘层破损识别模型的结构示意图;
图8为本申请实施例提供的一种绝缘层破损识别模型训练装置的一个结构示意图;
图9为本申请实施例提供的一种绝缘层破损识别装置的一个结构示意图。
具体实施方式
本申请提供了一种绝缘层破损识别模型训练方法、识别方法和装置,用于解决现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种架空导线的绝缘层破损识别方法的一个实施例,包括:
步骤101、通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各架空导线图像是否存在绝缘层破损进行标注以及各架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件。
本申请实施例中通过无人机巡检架空导线区域,并在巡检时通过无人机实时采集架空导线图像,其中,架空导线图像满足图像中的架空导线和两个不同图像边界存在相交的情况;若不存在相交的情况,可以对采集的架空导线图像进行裁剪以满足图像中的架空导线和两个不同图像边界相交。
获取到架空导线图像后,对各架空导线图像是否存在绝缘层破损进行标注,若架空导线图像存在绝缘层破损,则标注参数γ=1,若架空导线图像不存在绝缘层破损,则标注参数γ=0。
对各架空导线图像中的架空导线与图像边界的交点位置参数进行标注,其中,交点位置参数包括目标比值和交点位置编码,具体过程为:
根据各架空导线图像中的架空导线与图像边界的交点位置和各架空导线图像的大小计算目标比值,目标比值为该交点与该交点所在的图像边界上的一个边界点之间的距离和该交点所在的图像边界的长度的比值;根据各架空导线图像中的架空导线与图像边界的交点位置对各架空导线图像的4个边界进行one-hot编码,生成交点位置编码。
以图2提供的一张架空导线图像为例,图2中的架空导线与该图的左边界和右边界存在相交的情况,假设左边界的交点为交点0,右边界的交点为交点1,交点0的目标比值ρ0和交点1的目标比值ρ1的计算公式可以为:
其中,a为交点0和交点1所在的图像边界的长度,b为交点0与架空导线图像左边界的上边界点之间的距离,c为交点1与架空导线图像右边界的上边界点之间的距离。可以理解的是,交点0的目标比值ρ0还可以为b/a,交点1的目标比值ρ1可以为(a-c)/a。
对图2提供的架空导线图像的4个图像边界进行one-hot编码时,由于交点0在左边界上,因此,交点0在架空导线图像的4个图像边界的交点位置编码αj(j=0,1,2,3)分别为1,0,0,0,j=0表示左边界,j=1表示上边界,j=2表示右边界,j=3表示下边界;由于交点1在右边界上,因此,交点1在架空导线图像的4个图像边界的交点位置编码βj(j=0,1,2,3)分别为0,0,1,0。交点在哪个图像边界上,该图像边界对应的交点位置编码值为1,反之,则为0。
通过上述步骤对架空导线图进行标注后,得到相关标签信息,将这些标签信息放在label.txt文件中,生成标签文件,架空导线图像统一放在training_data文件中,架空导线图像命名为i.jpg。其中,标签文件中每一行表示一张架空导线图像的标签信息,格式为:
步骤102、结合所有的架空导线图像和架空导线图像对应的标签文件获取训练集。
结合所有的架空导线图像和架空导线图像对应的标签文件获取训练集属于现有技术,在此不再进行赘述。
步骤103、通过训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
本申请实施例中的预置卷积神经网络包括两个子网络,分别为第一子网络N1和第二子网络N2,第一子网络N1进行架空导线与图像边界交点识别任务训练,第二子网络N2进行绝缘层破损识别任务训练。
在一种实施例中,预置卷积神经网络的训练过程为:对预置卷积神经网络的网络参数进行随机初始化,通过训练集对初始化后的预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
通过训练集直接训练预置卷积神经网络,先对预置卷积神经网络的网络参数进行随机初始化,设置步长为step0,采用随机梯度下降法,每次以batch0张训练样本批量对预置卷积神经网络进行迭代训练,共迭代epoch0次,得到绝缘层破损识别模型。
在另一种实施例中,预置卷积神经网络的训练过程还可以为:
S1、通过训练集对第一卷积神经网络进行架空导线与图像边界交点识别任务训练,得到训练好的第一卷积神经网络;
第一卷积神经网络包括4个相同网络结构的特征提取网络B、特征融合层和两个全连接层,具体结构如图3所示。其中,特征提取网络B的网络结构如图4所示,该特征提取网络B的输入图像大小为s×h×3,通过大小为s×1的二维卷积核进行卷积操作,得到1×h×64的卷积特征;然后分别经过6次平均池化层,在第二维度方向对卷积特征进行池化操作,分别提取得到1×32×64、1×16×64、1×8×64、1×4×64、1×2×64、1×1×64的池化特征;接着对这6个池化特征进行拼接,得到1×63×64的拼接特征;最后,利用1×1的二维卷积核对拼接特征进一步处理,得到1×63×8的卷积特征。该特征提取网络B是为了获取不同输入尺寸图片的统一大小的特征,输入图像的宽和高必须大于或等于32像素。
假设输入的架空导线图像i(即训练集中的训练样本i)左上右下4个边界长度分别为l,t,r,b,裁剪4个边界得到大小分别为s×l×3、t×s×3、s×r×3、b×s×3的左、上、右、下边界图像,将上、下边界图像进行转置处理,得到大小为s×t×3、s×b×3的上、下边界图像;训练第一卷积神经网络时,通过4个特征提取网络B分别对s×l×3、s×t×3、s×r×3、s×b×3的左、上、右、下边界图像进行特征提取,分别得到4个大小为1×63×8的卷积特征;然后通过特征融合层将这4个卷积特征在第二维进行拼接,得到1×252×64大小的融合特征;然后经过一个包含64个输出节点、激活函数为relu的全连接层,再经过一个包含10个输出节点的全连接层,得到的训练样本i的输出结果为交点0和1在所在图像边界的目标比值,以及交点0和1落在各图像边界的概率,即[ρ0,i,ρ1,i,α0,i,α1,i,α2,i,α3,i,β0,i,β1,i,β2,i,β3,i]。其中,最后一个全连接层的1~2输出节点采用relu激活函数,3~10输出节点采用softmax激活函数。
在训练第一卷积神经网络时,对第一卷积神经网络的网络参数进行随机初始化,设置步长为step1,采用随机梯度下降法,每次以batch1张训练样本批量对第一卷积神经网络进行迭代训练,共迭代epoch1次,得到训练好的第一卷积神经网络的网络参数W1。
进一步,第一卷积神经网络的损失函数为:
其中,n为当前批次的训练样本数量,λp为坐标损失权重,λd为交点位置损失权重。
S2、通过训练集对第二卷积神经网络进行绝缘层破损识别任务训练,得到训练好的第二卷积神经网络;
第二卷积神经网络的网络结构如图5所示,根据训练集中训练样本i的标签信息,可以确定训练样本i中架空导线与图像边界交点的坐标分别为(x0,y0)、(x1,y1),在训练第二卷积神经网络时,将训练样本i输入到第二卷积神经网络后,通过大小为m×m的二维卷积核沿训练样本中(x0,y0)到(x1,y1)的方向进行卷积运算,得到大小为1×k×64的卷积特征;然后分别经过6次平均池化层的池化操作,提取得到1×32×64、1×16×64、1×8×64、1×4×64、1×2×64、1×1×64的池化特征;接着对这6个池化特征进行拼接,得到大小为1×63×64的拼接特征;再通过1×1的二维卷积核进一步提取卷积特征,得到1×63×8的卷积特征;最后,先经过一个包含32个输出节点、激活函数为relu的全连接层处理,再经过一个包含一个输出节点、激活函数为softmax的全连接层,得到训练样本i的绝缘层破损识别率,当绝缘层破损识别率>0.6,则输出γi=1,即绝缘层存在破损;当绝缘层破损识别率≤0.6,则输出γi=0,即绝缘层不存在破损。
在训练第二卷积神经网络时,对第二卷积神经网络的网络参数进行随机初始化,设置步长为step2,采用随机梯度下降法,每次以batch2张训练样本批量对第二卷积神经网络进行迭代训练,共迭代epoch2次,得到训练好的第二卷积神经网络的网络参数W2。
进一步,第二卷积神经网络的损失函数为:
S3、将训练好的第一卷积神经网络的网络参数和训练好的第二卷积神经网络的网络参数作为初始网络参数加载到预置卷积神经网络,并通过训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型
本申请实施例中的预置卷积神经网络中的第一子网络与第一卷积神经网络的网络结构一致,第二子网络与第二卷积神经网络的网络结构一致。因此,可以将训练好的第一卷积神经网络的网络参数W1和训练好的第二卷积神经网络的网络参数W2作为初始网络参数加载到预置卷积神经网络,然后设置步长为step3,采用随机梯度下降法,每次以batch3张训练样本批量对预置卷积神经网络进行迭代训练,共迭代epoch3次,得到绝缘层破损识别模型。
本申请实施例通过对第一卷积神经网络和第二卷积神经网络进行训练获取网络参数,然后将该网络参数作为预置卷积神经网络的初始网络参数再进行训练,相比于前述直接对预置卷积神经网络进行训练,该训练方式可以提高预置卷积神经网络的收敛速度和训练效果。
进一步,预置卷积神经网络的损失函数为:
Loss0=λ1Loss1+λ2Loss2;
其中,λ1、λ2为权重参数,可以根据实际情况设置具体取值。
本申请中,通过无人机对架空导线进行巡检,避免了运维人员进行巡检,提高了巡检效率;对无人机机巡时采集的架空导线图像进行标签信息标注以获取训练集,通过该训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,通过该绝缘层破损识别模型可以进行架空导线的绝缘层破损识别,解决了现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
以上为本申请实施例提供的一种绝缘层破损识别模型训练方法的一个实施例,以下为本申请提供的一种绝缘层破损识别方法的一个实施例。
请参考图6,本申请实施例提供的一种绝缘层破损识别方法,包括:
步骤201、通过无人机采集待识别导线图像。
本申请实施例中通过无人机巡检架空导线区域,并在巡检时通过无人机实时采集待识别导线图像,其中,待识别导线图像满足图像中的架空导线和两个不同图像边界存在相交的情况;若不存在相交的情况,可以对采集的待识别导线图像进行裁剪以满足图像中的架空导线和两个不同图像边界相交。
步骤202、将待识别导线图像输入到绝缘层破损识别模型,使得绝缘层破损识别模型对待识别导线图像中的架空导线与图像边界的交点进行识别,得到待识别导线图像的交点位置识别结果,并根据交点位置识别结果确定待识别导线图像中的架空导线区域,对架空导线区域中的架空导线进行绝缘层破损识别,得到待识别导线图像的绝缘层破损识别结果。
将待识别导线图像输入到绝缘层破损识别模型,使得绝缘层破损识别模型中的第一子网络N1对待识别导线图像中的架空导线与图像边界的交点进行识别,得到待识别导线图像的交点位置识别结果[ρ0,ρ1,α0,α1,α2,α3,β0,β1,β2,β3],根据ρ0,α0,α1,α2,α3可以确定交点0的坐标(x0,y0),根据ρ1,β0,β1,β2,β3可以确定交点1的坐标(x1,y1),再将交点0和1的坐标和待识别导线图像输入到绝缘层破损识别模型中的第二子网络N2,第二子网络N2根据交点0和1的坐标可以确定待识别导线图像中的架空导线区域,对架空导线区域中的架空导线进行绝缘层破损识别,得到待识别导线图像的绝缘层破损识别结果γ。绝缘层破损识别模型最终输出[ρ0,ρ1,α0,α1,α2,α3,β0,β1,β2,β3,γ],可以参考图7。其中,绝缘层破损识别模型通过前述方法实施例中的绝缘层破损识别模型训练方法训练得到。
进一步,为了保证识别结果的准确性,对交点位置识别结果进行可靠性检测和合法性检测,其中,交点位置识别结果包括交点在待识别导线图像的4个图像边界的位置概率α0,α1,α2,α3,β0,β1,β2,β3。具体的,对交点位置识别结果中各交点对应的位置概率进行可靠性检测和合法性检测。
可靠性检测是指αj(j=0,1,2,3)和βj(j=0,1,2,3)差别不应该太小,如果差别太小,表示架空导线与图像边界交点区分度低,即交点有可能位于左上右下任何一个边界。
可靠性检测方法为,经过softmax激活函数后,αj(j=0,1,2,3)和βj(j=0,1,2,3)需要满足:
maxα>0.5;
maxβ>0.5;
maxα-secmaxα>0.2;
maxβ-secmaxβ>0.2
其中,α=(α0,…,α3),β=(β0,…,β3),secmax表示获取序列中第二大的元素。
合法性检测是指,识别出来的交点位置不应该位于同一个图像边界,即架空导线与图像边界的交点必须是位于两个不同图像边界的。
合法性检测方法为:
index(maxα)≠index(maxβ);
其中,index表示获取某个数在序列中的索引。
若α、β不满足可靠性和合法性检测,则直接输出αj(j=0,1,2,3)和βj(j=0,1,2,3)为0。
本申请实施例中,通过绝缘层破损识别模型进行架空导线的绝缘层破损识别,避免了人工进行绝缘层破损识别,解决了现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
以上为本申请提供的一种绝缘层破损识别方法的一个实施例,以下为本申请提供的一种绝缘层破损识别模型训练装置的一个实施例。
请参考图8,本申请实施例提供的一种绝缘层破损识别模型训练装置,包括:
标注单元,用于通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各架空导线图像是否存在绝缘层破损进行标注以及各架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;
获取单元,用于结合所有的架空导线图像和架空导线图像对应的标签文件获取训练集;
训练单元,用于通过训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
作为进一步地改进,训练单元具体用于:
对预置卷积神经网络的网络参数进行随机初始化,通过训练集对初始化后的预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
作为进一步地改进,训练单元具体用于:
通过训练集对第一卷积神经网络进行架空导线与图像边界交点识别任务训练,得到训练好的第一卷积神经网络;
通过训练集对第二卷积神经网络进行绝缘层破损识别任务训练,得到训练好的第二卷积神经网络;
将训练好的第一卷积神经网络的网络参数和训练好的第二卷积神经网络的网络参数作为初始网络参数加载到预置卷积神经网络,并通过训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,其中,预置卷积神经网络由两个子网络构成,两个子网络中的一个子网络与第一卷积神经网络的网络结构一致,另一个子网络与第二卷积神经网络的网络结构一致。
作为进一步地改进,交点位置参数包括目标比值和交点位置编码,对各架空导线图像中的架空导线与图像边界的交点位置参数进行标注,包括:
根据各架空导线图像中的架空导线与图像边界的交点位置和各架空导线图像的大小计算目标比值,目标比值为该交点与该交点所在的图像边界上的一个边界点之间的距离和该交点所在的图像边界的长度的比值;
根据各架空导线图像中的架空导线与图像边界的交点位置对各架空导线图像的4个图像边界进行one-hot编码,生成交点位置编码。
本申请实施例中,通过无人机对架空导线进行巡检,避免了运维人员进行巡检,提高了巡检效率;对无人机机巡时采集的架空导线图像进行标签信息标注以获取训练集,通过该训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,通过该绝缘层破损识别模型可以进行架空导线的绝缘层破损识别,解决了现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
以上为本申请提供的一种绝缘层破损识别模型训练装置的一个实施例,以下为本申请提供的一种绝缘层破损识别装置的一个实施例。
请参考图9,本申请实施例提供的一种绝缘层破损识别装置,包括:
采集单元,用于通过无人机采集待识别导线图像;
识别单元,用于将待识别导线图像输入到绝缘层破损识别模型,使得绝缘层破损识别模型对待识别导线图像中的架空导线与图像边界的交点进行识别,得到待识别导线图像的交点位置识别结果,并根据交点位置识别结果确定待识别导线图像中的架空导线区域,对架空导线区域中的架空导线进行绝缘层破损识别,得到待识别导线图像的绝缘层破损识别结果,其中,绝缘层破损识别模型通过前述方法实施例中的绝缘层破损识别模型训练方法训练得到。
作为进一步的改进,交点位置识别结果包括交点在架空导线图像的4个图像边界的位置概率,装置还包括:检测单元,用于:
对各交点对应的位置概率进行可靠性检测和合法性检测。
本申请实施例中,通过绝缘层破损识别模型进行架空导线的绝缘层破损识别,避免了人工进行绝缘层破损识别,解决了现有技术通过运维人员定时巡检,通过肉眼识别或借助望远镜识别架空导线的绝缘层是否破损,存在的巡检速度慢和效率低的技术问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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,本申请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全部或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,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种绝缘层破损识别模型训练方法,其特征在于,包括:
通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各所述架空导线图像是否存在绝缘层破损进行标注以及各所述架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;
结合所有的所述架空导线图像和所述架空导线图像对应的所述标签文件获取训练集;
通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型;
所述绝缘层破损识别模型用于对待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果;所述绝缘层破损识别模型包括第一子网络N1和第二子网络N2,所述第一子网络N1包括四个特征提取网络、一个特征融合层、一个包含64个输出节点、激活函数为relu的全连接层和一个包含10个输出节点的全连接层;
所述绝缘层破损识别模型对所述待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果具体包括:
将所述待识别导线图像输入到所述第一子网络N1,通过四个特征提取网络分别对所述待识别导线图像的左、上、右、下边界图像进行特征提取,分别得到所述左、上、右、下边界图像对应的卷积特征;通过特征融合层将所述卷积特征在第二维进行拼接得到融合特征;将所述融合特征通过一个包含64个输出节点、激活函数为relu的全连接层,再通过一个包含10个输出节点的全连接层,得到所述待识别导线图像的交点位置识别结果;
将所述交点位置识别结果输入所述第二子网络N2中得到所述待识别导线图像中的架空导线区域,使得所述第二子网络N2对所述架空导线区域中的架空导线进行绝缘层破损识别,得到所述待识别导线图像的绝缘层破损识别结果。
2.根据权利要求1所述的绝缘层破损识别模型训练方法,其特征在于,所述通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,包括:
对预置卷积神经网络的网络参数进行随机初始化,通过所述训练集对初始化后的所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
3.根据权利要求1所述的绝缘层破损识别模型训练方法,其特征在于,所述通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,包括:
通过所述训练集对第一卷积神经网络进行架空导线与图像边界交点识别任务训练,得到训练好的所述第一卷积神经网络;
通过所述训练集对第二卷积神经网络进行绝缘层破损识别任务训练,得到训练好的所述第二卷积神经网络;
将训练好的所述第一卷积神经网络的网络参数和训练好的所述第二卷积神经网络的网络参数作为初始网络参数加载到预置卷积神经网络,并通过所述训练集对所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,其中,所述预置卷积神经网络由两个子网络构成,所述两个子网络中的一个子网络与所述第一卷积神经网络的网络结构一致,另一个子网络与所述第二卷积神经网络的网络结构一致。
4.根据权利要求1所述的绝缘层破损识别模型训练方法,其特征在于,所述交点位置参数包括目标比值和交点位置编码,对各所述架空导线图像中的架空导线与图像边界的交点位置参数进行标注,包括:
根据各所述架空导线图像中的架空导线与图像边界的交点位置和各所述架空导线图像的大小计算目标比值,所述目标比值为该交点与该交点所在的图像边界上的一个边界点之间的距离和该交点所在的图像边界的长度的比值;
根据各所述架空导线图像中的架空导线与图像边界的交点位置对各所述架空导线图像的4个图像边界进行one-hot编码,生成交点位置编码。
5.一种绝缘层破损识别方法,其特征在于,包括:
通过无人机采集待识别导线图像;
将所述待识别导线图像输入到绝缘层破损识别模型,使得所述绝缘层破损识别模型对所述待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果,所述绝缘层破损识别模型包括第一子网络N1和第二子网络N2,所述第一子网络N1包括四个特征提取网络、一个特征融合层、一个包含64个输出节点、激活函数为relu的全连接层和一个包含10个输出节点的全连接层;
所述绝缘层破损识别模型对所述待识别导线图像 中架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果具体包括:
将所述待识别导线图像输入到所述第一子网络N1,通过四个特征提取网络分别对所述待识别导线图像的左、上、右、下边界图像进行特征提取,分别得到所述左、上、右、下边界图像对应的卷积特征;通过特征融合层将所述卷积特征在第二维进行拼接得到融合特征;将所述融合特征通过一个包含64个输出节点、激活函数为relu的全连接层,再通过一个包含10个输出节点的全连接层,得到所述待识别导线图像的交点位置识别结果;
将所述交点位置识别结果输入所述第二子网络N2中得到所述待识别导线图像中的架空导线区域,使得所述第二子网络N2对所述架空导线区域中的架空导线进行绝缘层破损识别,得到所述待识别导线图像的绝缘层破损识别结果,其中,所述绝缘层破损识别模型通过权利要求1-4任一项所述的绝缘层破损识别模型训练方法训练得到。
6.根据权利要求5所述的绝缘层破损识别方法,其特征在于,所述交点位置识别结果包括交点在所述架空导线图像的4个图像边界的位置概率,所述方法还包括:
对各交点对应的所述位置概率进行可靠性检测和合法性检测。
7.一种绝缘层破损识别模型训练装置,其特征在于,包括:
标注单元,用于通过无人机在巡检架空导线区域时采集若干架空导线图像,并对各所述架空导线图像是否存在绝缘层破损进行标注以及各所述架空导线图像中的架空导线与图像边界的交点位置参数进行标注,生成标签文件;
获取单元,用于结合所有的所述架空导线图像和所述架空导线图像对应的所述标签文件获取训练集;
训练单元,用于通过所述训练集对预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型;
所述绝缘层破损识别模型用于对待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果;所述绝缘层破损识别模型包括第一子网络N1和第二子网络N2,所述第一子网络N1包括四个特征提取网络、一个特征融合层、一个包含64个输出节点、激活函数为relu的全连接层和一个包含10个输出节点的全连接层;
所述绝缘层破损识别模型对所述待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果具体包括:
将所述待识别导线图像输入到所述第一子网络N1,通过四个特征提取网络分别对所述待识别导线图像的左、上、右、下边界图像进行特征提取,分别得到所述左、上、右、下边界图像对应的卷积特征;通过特征融合层将所述卷积特征在第二维进行拼接得到融合特征;将所述融合特征通过一个包含64个输出节点、激活函数为relu的全连接层,再通过一个包含10个输出节点的全连接层,得到所述待识别导线图像的交点位置识别结果;
将所述交点位置识别结果输入所述第二子网络N2中得到所述待识别导线图像中的架空导线区域,使得所述第二子网络N2对所述架空导线区域中的架空导线进行绝缘层破损识别,得到所述待识别导线图像的绝缘层破损识别结果。
8.根据权利要求7所述的绝缘层破损识别模型训练装置,其特征在于,所述训练单元具体用于:
对预置卷积神经网络的网络参数进行随机初始化,通过所述训练集对初始化后的所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型。
9.根据权利要求7所述的绝缘层破损识别模型训练装置,其特征在于,所述训练单元具体用于:
通过所述训练集对第一卷积神经网络进行架空导线与图像边界交点识别任务训练,得到训练好的所述第一卷积神经网络;
通过所述训练集对第二卷积神经网络进行绝缘层破损识别任务训练,得到训练好的所述第二卷积神经网络;
将训练好的所述第一卷积神经网络的网络参数和训练好的所述第二卷积神经网络的网络参数作为初始网络参数加载到预置卷积神经网络,并通过所述训练集对所述预置卷积神经网络进行架空导线与图像边界交点识别任务和绝缘层破损识别任务训练,得到绝缘层破损识别模型,其中,所述预置卷积神经网络由两个子网络构成,所述两个子网络中的一个子网络与所述第一卷积神经网络的网络结构一致,另一个子网络与所述第二卷积神经网络的网络结构一致。
10.一种绝缘层破损识别装置,其特征在于,包括:
采集单元,用于通过无人机采集待识别导线图像;
识别单元,用于将所述待识别导线图像输入到绝缘层破损识别模型,使得所述绝缘层破损识别模型对所述待识别导线图像中的架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果,所述绝缘层破损识别模型包括第一子网络N1和第二子网络N2,所述第一子网络N1包括四个特征提取网络、一个特征融合层、一个包含64个输出节点、激活函数为relu的全连接层和一个包含10个输出节点的全连接层;
所述绝缘层破损识别模型对所述待识别导线图像 中架空导线与图像边界的交点进行识别,得到所述待识别导线图像的交点位置识别结果具体包括:
将所述待识别导线图像输入到所述第一子网络N1,通过四个特征提取网络分别对所述待识别导线图像的左、上、右、下边界图像进行特征提取,分别得到所述左、上、右、下边界图像对应的卷积特征;通过特征融合层将所述卷积特征在第二维进行拼接得到融合特征;将所述融合特征通过一个包含64个输出节点、激活函数为relu的全连接层,再通过一个包含10个输出节点的全连接层,得到所述待识别导线图像的交点位置识别结果;
将所述交点位置识别结果输入所述第二子网络N2中得到所述待识别导线图像中的架空导线区域,使得所述第二子网络N2对所述架空导线区域中的架空导线进行绝缘层破损识别,得到所述待识别导线图像的绝缘层破损识别结果,其中,所述绝缘层破损识别模型通过权利要求1-4任一项所述的绝缘层破损识别模型训练方法训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614575.2A CN113283361B (zh) | 2021-06-02 | 2021-06-02 | 一种绝缘层破损识别模型训练方法、识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110614575.2A CN113283361B (zh) | 2021-06-02 | 2021-06-02 | 一种绝缘层破损识别模型训练方法、识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283361A CN113283361A (zh) | 2021-08-20 |
CN113283361B true CN113283361B (zh) | 2022-08-12 |
Family
ID=77283154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110614575.2A Active CN113283361B (zh) | 2021-06-02 | 2021-06-02 | 一种绝缘层破损识别模型训练方法、识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283361B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05203584A (ja) * | 1991-06-28 | 1993-08-10 | Toyota Motor Corp | ワーク表面特徴量検出装置 |
CN103400379A (zh) * | 2013-07-25 | 2013-11-20 | 江西省电力公司检修分公司 | 一种基于图像的覆冰检测和厚度估计方法 |
WO2017038134A1 (ja) * | 2015-08-28 | 2017-03-09 | 株式会社日立製作所 | ランドマーク認識装置及び認識方法 |
CN112325781A (zh) * | 2020-10-16 | 2021-02-05 | 易思维(杭州)科技有限公司 | 轨道交通接触线磨耗检测装置及方法 |
CN112528917A (zh) * | 2020-12-18 | 2021-03-19 | 深兰科技(上海)有限公司 | 斑马线区域识别方法、装置、电子设备和存储介质 |
CN112578218A (zh) * | 2019-09-30 | 2021-03-30 | 中国电力科学研究院有限公司 | 一种架空导线断股识别方法和装置 |
WO2021078040A1 (zh) * | 2019-10-21 | 2021-04-29 | 推想医疗科技股份有限公司 | 一种病灶的定位方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009236784A (ja) * | 2008-03-27 | 2009-10-15 | Seiko Precision Inc | 位置検出装置、位置検出方法、及び位置検出用マーク |
US8121415B2 (en) * | 2008-10-28 | 2012-02-21 | Quality Vision International, Inc. | Combining feature boundaries |
JP6906177B2 (ja) * | 2016-11-18 | 2021-07-21 | パナソニックIpマネジメント株式会社 | 交点検出装置、カメラ校正システム、交点検出方法、カメラ校正方法、プログラムおよび記録媒体 |
CN110619327A (zh) * | 2018-06-20 | 2019-12-27 | 湖南省瞬渺通信技术有限公司 | 一种复杂场景下基于深度学习的实时车牌识别方法 |
-
2021
- 2021-06-02 CN CN202110614575.2A patent/CN113283361B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05203584A (ja) * | 1991-06-28 | 1993-08-10 | Toyota Motor Corp | ワーク表面特徴量検出装置 |
CN103400379A (zh) * | 2013-07-25 | 2013-11-20 | 江西省电力公司检修分公司 | 一种基于图像的覆冰检测和厚度估计方法 |
WO2017038134A1 (ja) * | 2015-08-28 | 2017-03-09 | 株式会社日立製作所 | ランドマーク認識装置及び認識方法 |
CN112578218A (zh) * | 2019-09-30 | 2021-03-30 | 中国电力科学研究院有限公司 | 一种架空导线断股识别方法和装置 |
WO2021078040A1 (zh) * | 2019-10-21 | 2021-04-29 | 推想医疗科技股份有限公司 | 一种病灶的定位方法及装置 |
CN112325781A (zh) * | 2020-10-16 | 2021-02-05 | 易思维(杭州)科技有限公司 | 轨道交通接触线磨耗检测装置及方法 |
CN112528917A (zh) * | 2020-12-18 | 2021-03-19 | 深兰科技(上海)有限公司 | 斑马线区域识别方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
"Defect Detection of Pantograph Slide Based on Deep Learning and Image Processing Technology";X. Wei等;《IEEE Transactions on Intelligent Transportation Systems》;20190315;第21卷(第3期);全文 * |
"基于图像处理技术的配电线路导线断股散股缺陷检测";王照等;《电视技术》;20200630;第44卷(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113283361A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
CN110363134B (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN109949209B (zh) | 一种基于深度学习的绳索检测与去除方法 | |
CN112906620B (zh) | 无人机辅助的绝缘子故障检测方法、装置和电子设备 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN112325785A (zh) | 基于顶部平面拟合的铁塔变形监测方法及系统 | |
CN111723749A (zh) | 一种安全帽佩戴识别方法、系统及设备 | |
CN113252701A (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
CN108171229A (zh) | 一种空心粘连验证码的识别方法及系统 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN114119528A (zh) | 一种配电线路绝缘子的缺陷检测方法及装置 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN113283361B (zh) | 一种绝缘层破损识别模型训练方法、识别方法和装置 | |
CN112953948A (zh) | 一种实时网络横向蠕虫攻击流量检测方法及装置 | |
CN108693441B (zh) | 一种输电线路绝缘子识别方法及系统 | |
CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及系统 | |
CN112102302B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN113538411A (zh) | 一种绝缘子缺陷检测方法及装置 | |
CN113822373A (zh) | 一种基于集成与知识蒸馏的图像分类模型训练方法 | |
CN111860344A (zh) | 确定图像中目标对象数量的方法及装置 |
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 |