CN113297915A - 一种基于无人机巡检的绝缘子识别目标检测方法 - Google Patents

一种基于无人机巡检的绝缘子识别目标检测方法 Download PDF

Info

Publication number
CN113297915A
CN113297915A CN202110468064.4A CN202110468064A CN113297915A CN 113297915 A CN113297915 A CN 113297915A CN 202110468064 A CN202110468064 A CN 202110468064A CN 113297915 A CN113297915 A CN 113297915A
Authority
CN
China
Prior art keywords
insulator
unmanned aerial
aerial vehicle
image
network
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
Application number
CN202110468064.4A
Other languages
English (en)
Inventor
丁晨寅
段纳
任星光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202110468064.4A priority Critical patent/CN113297915A/zh
Publication of CN113297915A publication Critical patent/CN113297915A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，具体涉及一种基于无人机巡检的绝缘子识别目标检测方法，本发明利用绝缘子检测结果进行识别，来确定绝缘子的类别。通过获得绝缘子图片，对图片进行数据集制作后，经过Yolo网络对训练集进行训练从而获得检测模型，再对测试集模型进行检测后输出绝缘子检测结果，从而实现了对绝缘子图片的快速检测及识别，提高电力巡检的准确率和检测效率。

Description

一种基于无人机巡检的绝缘子识别目标检测方法
技术领域
本发明涉及电力系统巡检领域，具体为一种基于无人机巡检的绝缘子识别目标检测方法。
背景技术
近年来，中国电力系统发展迅速，输电线路横跨中国大江南北。一些输配电线路部件比如绝缘子、导线、金具等长时间过风吹日晒后容易出现生锈等故障，传统的人为巡检方式不仅消耗的人力物力大，而且巡检效率低。随着无人机技术的不断发展进步，现无人机已经在电力巡检中得到了广泛的应用，无人机具有体积小，重量轻，携带方便等特点，此外，无人机巡检检测具有准确率高、成本低、操控简单等特点。人们只需在地面操控无人机对输电线路进行拍照，传回的照片通过深度学习对图片进行分类，进而达到判断目标是否存在故障。
绝缘子是一种特殊的绝缘控件，在电力系统的架空输电线中起到了非常重要的作用，其运行状态的稳定与否直接影响着输电的可靠性和安全性。在整个电网中，由于绝缘子引起的输电线路故障在所有电力故障中占比最高。所以要及时对绝缘子进行排查，否则可能会引起严重的后果。随着智能电网建设推进以及无人机技术的不断发展进步，无人机已经在电力巡检中得到了广泛的应用。Yolo算法是继R-CNN、fast-RCNN和faster-RCNN之后的，针对深度学习中目标检测速度问题提出的一种算法，它在测试时会对整个图像进行分割，所以它的预测利用了图像中的全局信息。与需要数千张单一目标图像的R-CNN不同，只经过一个神经网络直接从完整图像预测出类概率和预测框，整个检测通道是一个单一网络，这令Yolov4的预测速度非常快，一般它比Fast R-CNN快几百倍。
发明内容
本发明的目的在于提供一种基于无人机巡检的绝缘子识别目标检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明是通过以下技术方案实现的：
本发明提供一种基于无人机巡检的绝缘子识别目标检测方法，本发明系统包括：照相机系统、飞行控制器、图像处理系统、网络计算系统，其中照相机系统是通过搭载在无人机上的照相机获取预期需要的绝缘子的图像；飞行器控制器是地面站通过人为操控或者程序控制无人机的飞行，图像处理系统是为了解决光照、大雾等原因影响目标物的检测，通过同态滤波的方法来增加图片的清晰度，再对绝缘子的图像进行预处理生成绝缘子数据集；网络计算模块利用Yolov4神经网络来对数据集中训练集图片输入到中进行训练，来获得绝缘子的检测模型，将测试数据放入到绝缘子检测模型中进行检测，输出绝缘子的检测结果；利用绝缘子检测结果进行识别，来确定绝缘子的类别。
进一步的，加入Yolov4深度学习算法的网络计算系统，建立网络结构，所述网络结构为Yolov4网络，以CSPdarknet53作为主干网络，空间金字塔池化模块和路径聚合网络模块作为颈部，Yolov3作为头部预测输出；
进一步的，通过照相机系统获取图像，采用搭载在无人机上的照相机或者其他拍摄设备对绝缘子图像采集。
进一步的，根据图像的照明部分是集中在低频部分，而光反射部分集中在高频部分原理，利用同态滤波的方法对图片进行频域滤波来增强图片。
同态滤波表达式:
Figure 691658DEST_PATH_IMAGE001
Figure 548756DEST_PATH_IMAGE002
表示为照明-反射模型，
Figure 429993DEST_PATH_IMAGE003
表示照明部分，
Figure 81554DEST_PATH_IMAGE004
表示反射部分；
对上式进行变换：
Figure 126870DEST_PATH_IMAGE005
对变换后的式子进行傅里叶变换并进行化简：
Figure 459763DEST_PATH_IMAGE006
其中，
Figure 8556DEST_PATH_IMAGE007
和
Figure 96598DEST_PATH_IMAGE008
分别表示
Figure 43257DEST_PATH_IMAGE009
和
Figure 242157DEST_PATH_IMAGE010
的傅里叶变换。
使用一个频域滤波器，对
Figure 645457DEST_PATH_IMAGE011
进行滤波得到：
Figure 842083DEST_PATH_IMAGE012
将得到滤波后的结果从频率再变回空域，对公式4进行反傅里叶变换
Figure 596412DEST_PATH_IMAGE013
Figure 333424DEST_PATH_IMAGE014
其中，
Figure 43760DEST_PATH_IMAGE015
为经过滤波后的图像。
进一步的，用labelimg对所述获取的绝缘子图像进行标注，包括：类别，中心点横坐标，中心点纵坐标，目标宽度和目标长度；
进一步的，绝缘子的图像数量少，需要进行图像扩增；通过步骤5中得到的XML文件，再对图片进行旋转或者Mosaic数据增强方法对图像进行扩充，得到扩充后的数据集；并将扩增完的图像划分为训练集和测试集，训练集和测试机的比例为9：1。
进一步的，使用PASCAL VOC大型数据集或者自制数据集对网络结构进行训练，，得到预训练模型，然后在对网络结构进行特定训练参数设定；
进一步的，对所述通过把所述训练数据集中的训练图片输入Yolov4网络进行训练，包括：
把训练集中的图像输入至Yolov4网络，为了防止图片失真，给图片加上灰度；
通过网络得到感受野最小而尺度最大、感受野中等且尺度中等和感受野最大而尺度最小的三种不同尺度的特征图；
基于所述三种不同尺度的特征图进行采样和特征融合后分别得到最大尺度下的张量数据、中等尺度下的张量数据和最小尺度下的张量数据；
通过损失函数对张量数据相对于真实值进行计算，并经过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于Yolov4网络的绝缘子检测模型及检测结果。
进一步的，所述将所述测试数据集输入绝缘子检测模型中进行检测，包括：通过训练数据和验证数据进行迭代检测。
进一步的，用上述测试集对无人机场景检测模型进行测试，并且判断是否符合要求，若不符合，继续进行权利要求9，继续进行迭代训练直到测试结果符合要求；批次batch＝64，每张图的大小为416×416，初始学习率为0.00095；
进一步的，利用所述绝缘子检测结果进行绝缘子类型识别，通过损失平均交并比损失函数的方法计算出交并比的值和损失率。
一种基于无人机巡检的绝缘子识别目标检测方法，优点在于：
1：在自然条件下，在用无人机拍摄照片的时候，会受到太阳光照导致目标物表面光照不均匀或者在大雾大雨等能见度低的气候下，使得对目标物的识别的准确性价格低，本发明在图片预处理的时候采用了同态滤波的方法，增加识别的准确度。
1：在图像数据增强方面用了Mosaic数据增强的方法来解决小目标平均准确率低且分布不均匀的问题。Mosaic数据增强丰富数据集，随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好。并且直接计算4张图片，减少GPU的使用。还用了旋转的方法，在图像用labelimg标注完之后，通过XML文件修改图片的坐标来使图像进行旋转扩充数据集。由于绝缘子的图像收集困难，Mosaic和旋转数据增强方法能很好的扩充测试的数据集。
2：CSPDarknet53是Yolov4的主干提取网络，通过不断地卷积和残差网络堆叠，增强卷积神经网络的学习能力，使得在轻量化的同时保持准确性，并且降低计算瓶颈和内存存储。CSPDarknet53能更好的提取出绝缘子的特征，可以有效地提高识别地准确率。
3：针对识别效率低的问题，使用正则化的方法来优化特征量，应用到每一个特征图上，通过删除减少神经元的数量，使网络变得简单，从而能很好地解决过拟合的问题，从而大大的增加识别的速度。
4：在计算置信度时采用了完全交并比损失函数的目标回归函数方式，将重叠面积、中心点距离，长宽比三个重要几何因素考虑在内，使得预测框回归的速度和精度更高一些。由于绝缘子图像的复杂度高、目标物小，用平均交并比的方法能更好的减少背景错误，提高识别的准确度。
附图说明
图1为一种基于无人机巡检的绝缘子识别目标检测方法的系统结构图；
图2为一种基于无人机巡检的绝缘子识别目标检测方法的方法流程图；
图3为Yolov4的网络结构图；
图4为一种基于Yolov4的绝缘子目标识别训练集制作示意图；
图4中的选中区域为标记的目标物，并输入标记目标物的类别，选中框大小等；
图5为一种基于Yolov4的绝缘子目标识别结果示意图；
图5中深色区域为预测框，框的左上角英文单词为目标物的种类，数字为预测结果的置信度。
具体实施方式
Yolov4的核心思想是将目标检测视为单一的回归问题，直接在输出层输出预测先验框坐标和预测目标所属类别．将输入图像统一成416×416的尺寸后送入卷积神经网络进行特征提取和目标预测。另外，Yolo算法直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，然后用每个元素来可以预测那些中心点在该小方格内的目标，而滑动窗口技术，将图像的目标检测问题转化成分类问题，但由于滑动窗口有一定的步长不能很好的一次完全转换，所以运算量会变成很庞大，相比滑动窗口，Yolo将输入图片分割成S×S的网格可以减少很大的计算量且提高准确率。
定义初始化函数包括：选定测试参数数据，批次batch＝64，初始学习率为0.00095；设置参数数据的图像大小，优选的，图像大小为32的倍数。设置数据增强方式，设置训练数据输入大小，选择采样方式，以及训练数据的类别和数目。用Mosaic图像增强过程包括：随机水平翻转数据图像、随机剪裁数据图像和随机水平旋转数据图像，以保证数据图像的一致性；
图像预处理：根据图像的照明部分是集中在低频部分，而光反射部分集中在高频部分原理，利用同态滤波的方法对图片进行频域滤波来增强图片。
同态滤波表达式:
Figure 473605DEST_PATH_IMAGE016
Figure 449651DEST_PATH_IMAGE002
表示为照明-反射模型，
Figure 928037DEST_PATH_IMAGE003
表示照明部分，
Figure 571508DEST_PATH_IMAGE004
表示反射部分；
对上式进行变换：
Figure 906674DEST_PATH_IMAGE005
对变换后的式子进行傅里叶变换并进行化简：
Figure 324011DEST_PATH_IMAGE006
其中，
Figure 402826DEST_PATH_IMAGE007
和
Figure 900803DEST_PATH_IMAGE008
分别表示
Figure 344554DEST_PATH_IMAGE009
和
Figure 560772DEST_PATH_IMAGE010
的傅里叶变换。
使用一个频域滤波器，对
Figure 443277DEST_PATH_IMAGE011
进行滤波得到：
Figure 982711DEST_PATH_IMAGE012
将得到滤波后的结果从频率再变回空域，对公式4进行反傅里叶变换
Figure 925260DEST_PATH_IMAGE013
Figure 363194DEST_PATH_IMAGE014
其中，
Figure 721494DEST_PATH_IMAGE015
为经过滤波后的图像。
在经过同态滤波后，需要使用labelimg数据进行标注，在对绝缘子图像进行标注的时候，正常的标注为insulator，故障的标注为defect-insulator，标注后默认保存为Yolo数据格式，为后期进行模型的训练做好准备；
图像分割：图片传入Yolo网络时，先将图片调整成416×416的大小，随后为了防止图片失真，在图片边缘加上灰条，随后将图片分割成13×13、26×26、52×52的网格，由于图片在多次卷积压缩后小物体的特征容易消失，所以52×52用于检测小物体；
特征提取：Yolov4提取多特征层进行目标检测，一共提取三个特征层，分别位于主干特征网络的中间层，中下层，底层，三个特征层的图片大小分别为(52,52,256)、(26,26,512)、(13,13,1024)，最底层特征层经过池化后与中间层和中下层一起进行卷积采样，来提取图片中的更多特征参数；
输出特征：输出层的图片大小分别为(13,13,75)，(26,26,75)，(52,52,75)，最后一个维度为75是因为该图是基于VOC数据集的，它的类为20种，Yolov4只有针对每一个特征层存在3个先验框，所以最后维度为3x25；
在目标检测过程中，对目标物进行全局交并比计算筛选，使预测的精度更加大、效率更加高。其中，b为预测框的中心点，
Figure 194064DEST_PATH_IMAGE017
为真实框的中心点，
Figure 727420DEST_PATH_IMAGE018
则代表了预测框和真实框的中心点之间欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，
Figure 652651DEST_PATH_IMAGE019
是权重函数，
Figure 876959DEST_PATH_IMAGE020
是用来度量长宽比的相似性。
Figure 141718DEST_PATH_IMAGE021
Figure 426069DEST_PATH_IMAGE022
Figure 838596DEST_PATH_IMAGE023
Figure 787966DEST_PATH_IMAGE024
式子一为全局交并比公式计算，式子二为权重函数
Figure 969549DEST_PATH_IMAGE025
，式子三为长宽比的相似性
Figure 424801DEST_PATH_IMAGE026
，式子四为全局交并比的损失函数公式计算。
预测解码：在解码前，预测框的中心在整个框的左上角。解码过程就是将每个网格点加上设定的长和宽，加完后的结果就是预测框的中心，然后再利用先验框和高、宽度结合，计算出预测框的长和宽。最后，通过非极大值抑制的方法选取置信度最高的预测框最后最终预测得到的图片以及相对应的置信度大小。
经实验发现，在相同的数据条件下，本发明使用的同态滤波和Yolov4结合的模型比不经过同态滤波的Yolov4模型的mAP提高了0.52%。可见，本发明可以提高检测的准确率。

Claims (10)

1.一种基于无人机巡检的绝缘子识别目标检测方法，本发明系统包括：照相机系统、飞行控制器、图像处理系统、网络计算系统，其中照相机系统是通过搭载在无人机上的照相机获取预期需要的绝缘子的图像；飞行器控制器是地面站通过人为操控或者程序控制无人机的飞行，图像处理系统是为了解决光照、大雾等原因影响目标物的检测，通过同态滤波的方法来增加图片的清晰度，再对绝缘子的图像进行预处理生成绝缘子数据集；网络计算模块利用Yolov4神经网络来对数据集中训练集图片输入到中进行训练，来获得绝缘子的检测模型，将测试数据放入到绝缘子检测模型中进行检测，输出绝缘子的检测结果；利用绝缘子检测结果进行识别，来确定绝缘子的类别。
2.根据权利要求1所述的一种基于无人机巡检的绝缘子识别目标检测方法，加入Yolov4深度学习算法的网络计算系统，其特征在于，建立网络结构，所述网络结构为Yolov4网络，以CSPdarknet53作为主干网络，空间金字塔池化模块和路径聚合网络模块作为颈部，Yolov3作为头部预测输出。
3.根据权利要求2所述的一种基于无人机巡检的绝缘子识别目标检测方法，通过照相机系统获取图像，其特征在于，采用搭载在无人机上的照相机或者其他拍摄设备对绝缘子图像采集。
4.根据权利要求3所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，根据图像的照明部分是集中在低频部分，而光反射部分集中在高频部分原理，利用同态滤波的方法对图片进行频域滤波来增强图片；
根据图像的照明部分是集中在低频部分，而光反射部分集中在高频部分原理，利用同态滤波的方法对图片进行频域滤波来增强图片；
同态滤波表达式:
Figure DEST_PATH_IMAGE001
Figure 993463DEST_PATH_IMAGE002
表示为照明-反射模型，
Figure DEST_PATH_IMAGE003
表示照明部分，
Figure 574617DEST_PATH_IMAGE004
表示反射部分；
对上式进行变换：
Figure DEST_PATH_IMAGE005
对变换后的式子进行傅里叶变换并进行化简：
Figure 909783DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
和
Figure 825655DEST_PATH_IMAGE008
分别表示
Figure DEST_PATH_IMAGE009
和
Figure 842153DEST_PATH_IMAGE010
的傅里叶变换；
使用一个频域滤波器，对
Figure DEST_PATH_IMAGE011
进行滤波得到：
Figure 340130DEST_PATH_IMAGE012
将得到滤波后的结果从频率再变回空域，对公式4进行反傅里叶变换
Figure DEST_PATH_IMAGE013
Figure 797263DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
为经过滤波后的图像。
5.根据权利要求4所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，用labelimg对所述获取的绝缘子图像进行标注，包括：类别，中心点横坐标，中心点纵坐标，目标宽度和目标长度。
6.根据权利要求5所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，绝缘子的图像数量少，需要进行图像扩增；通过步骤5中得到的XML文件，再对图片进行旋转或者Mosaic数据增强方法对图像进行扩充，得到扩充后的数据集，并将扩增完的图像划分为训练集和测试集，训练集和测试集的比例为9：1。
7.根据权利要求6所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，使用VOC大型数据集或者自制数据集对网络结构进行训练，得到预训练模型，然后在对网络结构进行特定训练参数设定，设定批次batch＝64，每张图的大小为416×416，初始学习率为0.00095。
8.根据权利要求1所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，对所述通过把所述训练数据集中的训练图片输入Yolov4网络进行训练，包括：
把训练集中的图像输入至Yolov4网络，为了防止图片失真，给图片加上灰度；
通过网络得到感受野最小而尺度最大、感受野中等且尺度中等和感受野最大而尺度最小的三种不同尺度的特征图；
基于所述三种不同尺度的特征图进行采样和特征融合后分别得到最大尺度下的张量数据、中等尺度下的张量数据和最小尺度下的张量数据；
通过损失函数对张量数据相对于真实值进行计算，并经过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于Yolov4网络的绝缘子检测模型及检测结果。
9.根据权利要求8所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，将所述测试数据集输入绝缘子检测模型中进行检测，包括：通过训练数据和验证数据进行迭代检测。
10.根据权利要求9所述的一种基于无人机巡检的绝缘子识别目标检测方法，其特征在于，用上述测试集对无人机场景检测模型进行测试，并且判断是否符合要求，符合的标准为能识别出绝缘子并且得到其置信度；若不符合，继续进行权利要求9，继续进行迭代训练直到测试结果符合要求。
CN202110468064.4A 2021-04-28 2021-04-28 一种基于无人机巡检的绝缘子识别目标检测方法 Pending CN113297915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110468064.4A CN113297915A (zh) 2021-04-28 2021-04-28 一种基于无人机巡检的绝缘子识别目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110468064.4A CN113297915A (zh) 2021-04-28 2021-04-28 一种基于无人机巡检的绝缘子识别目标检测方法

Publications (1)

Publication Number Publication Date
CN113297915A true CN113297915A (zh) 2021-08-24

Family

ID=77320411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110468064.4A Pending CN113297915A (zh) 2021-04-28 2021-04-28 一种基于无人机巡检的绝缘子识别目标检测方法

Country Status (1)

Country Link
CN (1) CN113297915A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919421A (zh) * 2021-09-30 2022-01-11 国网北京市电力公司 调整目标检测模型的方法、装置和设备
CN114003062A (zh) * 2021-12-30 2022-02-01 拓普思(常州)智能科技有限公司 一种输电线路的无人机智能图像采集方法及系统
CN114035606A (zh) * 2021-11-05 2022-02-11 中国南方电网有限责任公司超高压输电公司广州局 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质
CN115825945A (zh) * 2022-12-16 2023-03-21 深圳金三立视频科技股份有限公司 一种基于视频数据与雷达数据的对象检测方法与终端
CN116580285A (zh) * 2023-07-14 2023-08-11 西安益迪惟科智能科技有限责任公司 铁路绝缘子夜间目标识别检测方法
CN117315570A (zh) * 2023-09-08 2023-12-29 浪潮智慧科技有限公司 一种基于实时视频分析的野外游泳监测方法、设备及介质
CN117876879A (zh) * 2024-03-11 2024-04-12 四川农业大学 一种基于空域与频域特征融合的猕猴桃花朵识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411710A (zh) * 2011-12-09 2012-04-11 东南大学 一种基于车脸特征的车辆类型识别方法
CN110033453A (zh) * 2019-04-18 2019-07-19 国网山西省电力公司电力科学研究院 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法
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
CN110866897A (zh) * 2019-10-30 2020-03-06 上海联影智能医疗科技有限公司 一种图像检测方法及计算机可读存储介质
CN112541389A (zh) * 2020-09-29 2021-03-23 西安交通大学 一种基于EfficientDet网络的输电线路故障检测方法
CN112561899A (zh) * 2020-12-23 2021-03-26 镇江市高等专科学校 电力巡检图像识别方法
CN112699900A (zh) * 2021-01-05 2021-04-23 东北林业大学 一种改进YOLOv4的交通标志识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411710A (zh) * 2011-12-09 2012-04-11 东南大学 一种基于车脸特征的车辆类型识别方法
CN110033453A (zh) * 2019-04-18 2019-07-19 国网山西省电力公司电力科学研究院 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法
CN110866897A (zh) * 2019-10-30 2020-03-06 上海联影智能医疗科技有限公司 一种图像检测方法及计算机可读存储介质
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
CN112541389A (zh) * 2020-09-29 2021-03-23 西安交通大学 一种基于EfficientDet网络的输电线路故障检测方法
CN112561899A (zh) * 2020-12-23 2021-03-26 镇江市高等专科学校 电力巡检图像识别方法
CN112699900A (zh) * 2021-01-05 2021-04-23 东北林业大学 一种改进YOLOv4的交通标志识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐小煜: "基于U-net和YOLOv4的绝缘子图像分割与缺陷检测", 华南师范大学学报（自然科学版）, vol. 52, no. 6 *
林茂森: "电力巡检中绝缘子缺陷问题研究", 数学建模及其应用, vol. 9, no. 4 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919421A (zh) * 2021-09-30 2022-01-11 国网北京市电力公司 调整目标检测模型的方法、装置和设备
CN114035606A (zh) * 2021-11-05 2022-02-11 中国南方电网有限责任公司超高压输电公司广州局 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质
CN114003062A (zh) * 2021-12-30 2022-02-01 拓普思(常州)智能科技有限公司 一种输电线路的无人机智能图像采集方法及系统
CN114003062B (zh) * 2021-12-30 2022-03-15 拓普思(常州)智能科技有限公司 一种输电线路的无人机智能图像采集方法及系统
CN115825945A (zh) * 2022-12-16 2023-03-21 深圳金三立视频科技股份有限公司 一种基于视频数据与雷达数据的对象检测方法与终端
CN116580285A (zh) * 2023-07-14 2023-08-11 西安益迪惟科智能科技有限责任公司 铁路绝缘子夜间目标识别检测方法
CN116580285B (zh) * 2023-07-14 2023-09-22 西安益迪惟科智能科技有限责任公司 铁路绝缘子夜间目标识别检测方法
CN117315570A (zh) * 2023-09-08 2023-12-29 浪潮智慧科技有限公司 一种基于实时视频分析的野外游泳监测方法、设备及介质
CN117876879A (zh) * 2024-03-11 2024-04-12 四川农业大学 一种基于空域与频域特征融合的猕猴桃花朵识别方法
CN117876879B (zh) * 2024-03-11 2024-05-07 四川农业大学 一种基于空域与频域特征融合的猕猴桃花朵识别方法

Similar Documents

Publication Publication Date Title
CN113297915A (zh) 一种基于无人机巡检的绝缘子识别目标检测方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN110909666B (zh) 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法
CN109117858B (zh) 监测风力发电机叶片结冰的方法及装置
CN108596055B (zh) 一种复杂背景下高分辨遥感图像的机场目标检测方法
CN110210362A (zh) 一种基于卷积神经网络的交通标志检测方法
CN112801270B (zh) 融合深度卷积与注意力机制的u形网络槽自动识别方法
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN112766184B (zh) 基于多层级特征选择卷积神经网络的遥感目标检测方法
Lan et al. Defect detection from UAV images based on region-based CNNs
CN112837315A (zh) 一种基于深度学习的输电线路绝缘子缺陷检测方法
CN111639530B (zh) 一种输电线路的输电塔和绝缘子的检测和识别方法及系统
CN113591617B (zh) 基于深度学习的水面小目标检测与分类方法
CN113780132A (zh) 一种基于卷积神经网络的车道线检测方法
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN114119621A (zh) 基于深度编解码融合网络的sar遥感图像水域分割方法
CN113111740A (zh) 一种遥感图像目标检测的特征编织方法
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法
CN114565824B (zh) 基于全卷积网络的单阶段旋转舰船检测方法
CN117079097A (zh) 一种基于视觉显著性的海面目标识别方法
CN115631411A (zh) 基于sten网络对不同环境中的绝缘子破损检测方法
CN116597438A (zh) 一种基于Yolov5的改进型水果识别方法及识别系统
CN112365508A (zh) 基于视觉注意与残差网络的sar遥感图像水域分割方法
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
CN116363610A (zh) 一种基于改进YOLOv5的航拍车辆旋转目标检测方法

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