CN113327255A - 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 - Google Patents

基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 Download PDF

Info

Publication number
CN113327255A
CN113327255A CN202110589371.8A CN202110589371A CN113327255A CN 113327255 A CN113327255 A CN 113327255A CN 202110589371 A CN202110589371 A CN 202110589371A CN 113327255 A CN113327255 A CN 113327255A
Authority
CN
China
Prior art keywords
image
transmission line
training
power transmission
model
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
CN202110589371.8A
Other languages
English (en)
Inventor
张锡波
张艳
何德勇
琚小明
胡妙
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.)
Ningbo Xinsheng Medium Voltage Electrical Co ltd
East China Normal University
Original Assignee
Ningbo Xinsheng Medium Voltage Electrical Co ltd
East China 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 Ningbo Xinsheng Medium Voltage Electrical Co ltd, East China Normal University filed Critical Ningbo Xinsheng Medium Voltage Electrical Co ltd
Priority to CN202110589371.8A priority Critical patent/CN113327255A/zh
Publication of CN113327255A publication Critical patent/CN113327255A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Abstract

本发明公开了一种基于YOLOv3检测定位裁剪及fine‑tune的输电线路巡检图像处理方法，针对无人机在输电线路巡检中所采集到的图像或视频，进行输电线路的缺陷检测，比如鸟巢以及绝缘子爆裂等。方法具体包括：利用CycleGAN网络和常见数据扩增方法进行负样本的扩充；采用直方图均衡化、中值滤波进行图像预处理；使用YOLOv3实现目标检测定位，剪裁掉图像中的无关内容，构成训练集；训练基于fine‑tune方法构建的resnet152缺陷识别网络，确定缺陷检测模型。本发明可以降低人工巡检成本，自动检测输电线路上的缺陷，保障国家电力系统的安全运行。

Description

基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像 处理方法
技术领域
本发明涉及电网运维技术领域，并且更具体地，涉及一种基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法。
背景技术
电力系统是国家的命脉，输电线路是电力系统中重要的组成部分，输电线路正常有序的运行是国家经济平稳发展的重要保证。随着我国电力建设的发展，输电线路的距离越来越长，也越来越远离城市和主要交通干道，对其的巡检维护面临着诸多的困难。传统输电线路检查维护基本采用人工操作，主要检测方式为使用肉眼或望远镜进行观测，对于观察存在困难的，还需要攀爬线路杆塔进行逐个排查，这种传统的线路巡检方式难以满足目前的发展需求。
无人机具备小巧灵便、容易操控、成本低廉等优势，且无人机巡检成本仅为人工巡检的30％，因此无人机越来越多地被使用在电力巡检工作中。但无人机提供了大量设备巡检图像，仅依靠人工难以满足图像的物体识别与处理及时性，需要使用基于人工智能深度学习的图像物体自动识别与处理技术。
发明内容
本发明的目的是提供一种基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法，该方法能够实现无人机巡检图片的缺陷识别，保证电网的运行安全。
实现本发明目的的具体技术方案是：
本发明提供的一种基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法，包括：
利用无人机进行电网输电线巡检，获得巡检图像；
缺陷数据集构建：利用CycleGAN网络实现正常样本和故障样本之间相互转化，另外采用常见数据扩增方法进行负样本的扩充，主要包括平移、旋转和改变图像亮度、饱和度的方式，并且人工标注缺陷图像。
图像预处理：对训练数据集采用直方图均衡化进行图像增强，利用中值滤波进行滤波去噪；
目标检测：利用YOLOv3对训练集进行目标检测定位，并针对识别框剪裁掉图像中的无关内容,得到裁剪后的训练集。
缺陷识别:利用裁剪后的训练集训练基于fine-tune方法构建的resnet152网络，确定模型缺陷检测模型。若实际巡检图像输入缺陷检测模型，相应的缺陷类型的置信度大于预先设定的检出阈值，则判断该缺陷存在。
进一步地，利用CycleGAN网络实现正常样本和故障样本之间相互转化，具体实现方法为：
将相同数目的正负样本作为训练集，训练基于Tensorflow实现的CycleGAN网络，确定模型。再输入无缺陷的样本，便可得到相应的有缺陷样本，解决正负样本数量差距问题。
进一步地，采用常见数据扩增方法进行负样本的扩充，具体通过keras自带的keras.preprocessing.image.ImageDataGenerator类来实现。
进一步地，采用直方图均衡化进行图像增强，具体为：
对红、绿、蓝三个颜色通道分开处理，设原始图像在(x,y)处的灰度为f，而均衡化后的灰度为g，则该过程可表述为将(x,y)处的灰度f映射为g，数学方法可定义为公式
g(x,y)＝T[f(x,y)]，
其中
Figure BDA0003088822150000021
L＝256，n为图像的总像素个数，h(i)为直方图中每个灰度级像素个数，对每个通道进行处理即可。
进一步地，利用中值滤波进行滤波去噪，具体操作为：
某一像素点的值等于其邻域窗口内的像素值排序后的中值，公式为：
q(x,y)＝mid{f(x-i,y-j)}(i,j)∈W
其中q(x,y)代表(x，y)点中值滤波后的灰度值，f(x,y)代表(x,y)处的灰度值，mid表示计算其领域窗口内的像素点排序后的中值，W表示滑动窗口取3*3。
进一步地，针对识别框裁剪，具体操作为：
当识别结果大于门限值0.25时，YOLOv3算法输出当前所检测目标的类别和位置尺寸，包含其在图像中的横纵坐标与其自身的长度与宽度，据此利用opencv在原图上绘制边框和类别，根据绘制的矩形框进行裁剪，裁剪代码为：
cut＝image[y:(y+h),x:(x+w)]，
其中image为原图，cut为裁剪后的图片，(x,y)边框左上角坐标，h为边框的高，w为边框的宽。
进一步地，确定模型缺陷检测模型，具体操作为：
(1)基于裁剪后的训练集训练一个全连接层。
(2)实例化预训练模型resnet152卷积基(即不包含全连接层)并加载基于超大图像数据集ImageNet预训练好的权重。
(3)将(1)中的全连接层加到(2)中的模型上，并加载该全连接层的权重，构成一整个完整的模型。
(4)因为底层卷积块学习的特征更普遍，所以冻结(3)中模型的卷积层参数，利用裁剪后的训练集进行模型的训练，只微调模型全连接层的参数，采用binary_crossentropy损失函数，SGD优化器。
另外由于yolo的识别边框大小不一定，所以需要针对模型进行多尺度训练，这样训练出来的模型鲁棒性强，其可以接受任意大小的图片作为输入。
多尺度训练时，预先定义3个固定的尺度，每个epoch随机选择一个尺度进行训练。测试时，生成几个不同尺度的feature map，对每个Region Proposal，在不同的featuremap上也有不同的尺度，随机选两个相邻尺度，经过Pooling后使用Maxout进行合并。
本发明可以降低人工巡检成本，自动检测输电线路上的缺陷，保障国家电力系统的安全运行。
附图说明
图1为本发明流程图；
图2为本发明的检测模型结构框图。
具体实施方式
为了使本发明的目的更加清楚明了，以下结合附图对本发明进行进一步详细说明。
实施例
参阅图1-2，本发明提供了一种基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法。接下来详细叙述工作过程：
利用无人机进行电网输电线路巡检，获得历史巡检图像1024张，其中有缺陷的列为负样本，没有缺陷的列为正样本，最终得到正样本800张，负样本224张；
负样本扩充：将正负样本各224张作为训练集，训练基于Tensorflow实现的CycleGAN网络，确定模型；再输入576张正样本，便可生成对应的负样本，选取生成效果比较好的200张负样本纳入数据集中，通过开源人工神经网络库keras中自带的keras.preprocessing.image.ImageDataGenerator类实现图像平移、旋转和改变图像亮度、饱和度常见数据扩增方法，最终负样本数目达到640张，解决了正负样本不均衡问题。
随后进行图像预处理，基于扩充的负样本和历史样本，按3:1划分为测试集和训练集，对训练集采用直方图均衡化进行图像增强，利用中值滤波进行滤波去噪。直方图均衡化具体为：
对红、绿、蓝三个颜色通道分开处理，设原始图像在坐标(x,y)处的灰度为f，而均衡化后的灰度为g，则该过程可表述为将(x,y)处的灰度f通过方法T映射为g，数学方法可定义为公式
g(x,y)＝T[f(x,y)]，
其中
Figure BDA0003088822150000041
L为灰度级范围，取256，n为图像的总像素个数，h(i)为直方图中每个灰度级i对应的像素个数，对每个通道进行处理即可。
中值滤波也就是将某一像素点的值赋值为其邻域窗口内的像素值排序后的中值，公式为：
q(x,y)＝mid{f(x-i,y-j)}(i,j)∈W
其中q(x,y)代表(x，y)点中值滤波后的灰度值，f(x,y)代表(x,y)处的灰度值，mid表示计算其领域窗口内的像素点排序后的中值，W表示滑动窗口取3*3。
利用YOLOv3完成训练集中待缺陷检测目标的识别定位，当识别结果大于门限值0.25时，即代表该检测框中含有待检测目标，根据YOLOv3模型输出的当前检测框所检测目标的类别和位置尺寸，包含其在图像中的横纵坐标与其自身的长度与宽度进行裁剪，裁剪代码为：
cut＝image[y:(y+h),x:(x+w)]，
其中image为原图，cut为裁剪后的图片，(x,y)边框左上角坐标，h为边框的高，w为边框的宽。
识别框裁剪后得到待缺陷检测目标，构成裁剪后的训练集；
最后利用裁剪后的训练集训练基于fine-tune方法构建的resnet152网络，具体训练操作为：
(1)基于裁剪后的训练集训练一个全连接层；
(2)加载基于超大图像数据集ImageNet预训练好的resnet152模型的卷积基(即不包含全连接层)权重；
(3)将(1)中的全连接层加到(2)中的模型上，并加载该全连接层的权重，构成一整个完整的模型；
(4)因为底层卷积块学习的特征更普遍，所以冻结(3)中完整模型的卷积层参数，利用裁剪后的训练集进行模型的训练，只微调模型全连接层的参数，采用binary_crossentropy二进制交叉熵损失函数，SGD优化器进行训练优化。
最终得到缺陷检测模型，可用于输电线路缺陷检测。
本发明可以降低人工巡检成本，自动检测输电线路上的缺陷，保障国家电力系统的安全运行。

Claims (7)

1.一种基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法，其特征在于，该方法包括以下具体步骤：
步骤1：利用无人机进行电网输电线巡检，获得历史巡检图像；其中，有缺陷的列为负样本，没有缺陷的列为正样本；
步骤2：扩充构造负样本
利用CycleGAN网络，以及图像平移、旋转和改变图像亮度、饱和度常见数据扩增方法进行负样本的扩充；
步骤3：图像预处理
基于扩充的负样本和历史巡检图像样本，按3:1划分为测试集和训练集，对训练集采用直方图均衡化进行图像增强，利用中值滤波进行滤波去噪；
利用YOLOv3完成训练集中待缺陷检测目标的识别定位，根据识别框裁剪得到待缺陷检测目标，构成裁剪后的训练集；
步骤4：缺陷识别
利用裁剪后的训练集训练基于fine-tune方法构建的resnet152网络，得到最终缺陷检测模型；若实际巡检图像输入缺陷检测模型，对应的缺陷类型的置信度大于预先设定的检出阈值，则判断该缺陷存在。
2.如权利要求1所述的输电线路巡检图像处理方法，其特征在于，步骤2所述利用CycleGAN网络进行负样本的扩充，具体为：
将相同数目的正负样本作为训练集，训练基于Tensorflow实现的CycleGAN网络，确定模型；再输入正样本，便可生成对应的负样本，解决正负样本数量不均衡问题。
3.如权利要求1所述的输电线路巡检图像处理方法，其特征在于，步骤2所述利用图像平移、旋转和改变图像亮度、饱和度常见数据扩增方法进行负样本的扩充，具体通过开源人工神经网络库keras中自带的keras.preprocessing.image.ImageDataGenerator类来实现。
4.如权利要求1所述的输电线路巡检图像处理方法，其特征在于，步骤3所述采用直方图均衡化进行图像增强，具体操作为：
对红、绿、蓝三个颜色通道分开处理，设原始图像在坐标(x,y)处的灰度为f，而均衡化后的灰度为g，则该过程表述为将(x,y)处的灰度f通过方法T映射为g，数学方法定义为公式：
g(x,y)＝T[f(x,y)]，
其中
Figure FDA0003088822140000011
L为灰度级范围，取256，n为图像的总像素个数，h(i)为直方图中每个灰度级i对应的像素个数，对每个通道进行处理。
5.如权利要求1所述的输电线路巡检图像处理方法，其特征在于，步骤3所述利用中值滤波进行滤波去噪，具体操作为：
某一像素点的值等于其邻域窗口内的像素值排序后的中值，公式为：
q(x,y)＝mid{f(x-i,y-j)}(i,j)∈W
其中q(x,y)代表(x，y)点中值滤波后的灰度值，f(x,y)代表(x,y)处的灰度值，mid表示计算其领域窗口内的像素点排序后的中值，W表示滑动窗口取3*3模版。
6.如权利要求1所述的输电线路巡检图像处理方法，其特征在于，步骤3所述根据识别框裁剪，具体操作为：
当识别结果大于门限值0.25时，即代表该检测框中含有待检测目标，根据YOLOv3模型输出的当前检测框所检测目标的类别和位置尺寸，包含其在图像中的横纵坐标与其自身的长度与宽度进行裁剪，裁剪代码为：
cut＝image[y:(y+h),x:(x+w)]，
其中image为原图，cut为裁剪后的图片，(x,y)边框左上角坐标，h为边框的高，w为边框的宽。
7.如权利要求1所述的输电线路巡检图像处理方法，其特征在于，步骤4所述利用裁剪后的训练集训练基于fine-tune方法构建的resnet152网络，得到最终缺陷检测模型，具体操作为：
(1)基于裁剪后的训练集训练一个全连接层；
(2)加载基于超大图像数据集ImageNet预训练好的resnet152模型的卷积基权重；
(3)将(1)中的全连接层加到(2)中的模型上，并加载(1)中的全连接层的权重，构成完整的模型；
(4)冻结(3)中完整模型的卷积层参数，利用裁剪后的训练集进行模型的训练，只微调模型全连接层的参数，采用binary_crossentropy二进制交叉熵损失函数，SGD优化器进行训练优化。
CN202110589371.8A 2021-05-28 2021-05-28 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 Pending CN113327255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589371.8A CN113327255A (zh) 2021-05-28 2021-05-28 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589371.8A CN113327255A (zh) 2021-05-28 2021-05-28 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法

Publications (1)

Publication Number Publication Date
CN113327255A true CN113327255A (zh) 2021-08-31

Family

ID=77422039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589371.8A Pending CN113327255A (zh) 2021-05-28 2021-05-28 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法

Country Status (1)

Country Link
CN (1) CN113327255A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359282A (zh) * 2022-03-17 2022-04-15 南方电网数字电网研究院有限公司 融合多视角的输电线路鸟巢缺陷识别方法和装置
CN115965582A (zh) * 2022-11-22 2023-04-14 哈尔滨岛田大鹏工业股份有限公司 一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法
CN117079044A (zh) * 2023-08-25 2023-11-17 华大天元(北京)科技股份有限公司 架空线路外力破坏的识别模型训练方法、预警方法及装置
CN117253179A (zh) * 2023-11-20 2023-12-19 合肥中科类脑智能技术有限公司 配电线路鸟巢检测方法、存储介质和电子设备
CN117409083A (zh) * 2023-12-14 2024-01-16 珠海市金锐电力科技有限公司 一种基于红外图像和改进yolov5的电缆终端识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022235A (zh) * 2017-11-23 2018-05-11 中国科学院自动化研究所 高压输电铁塔关键部件缺陷识别方法
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN110569762A (zh) * 2019-08-27 2019-12-13 许昌许继软件技术有限公司 一种基于多级神经网络的销钉脱落检测方法及装置
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111797890A (zh) * 2020-05-18 2020-10-20 中国电力科学研究院有限公司 一种用于检测输电线路设备缺陷的方法及系统
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022235A (zh) * 2017-11-23 2018-05-11 中国科学院自动化研究所 高压输电铁塔关键部件缺陷识别方法
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN110569762A (zh) * 2019-08-27 2019-12-13 许昌许继软件技术有限公司 一种基于多级神经网络的销钉脱落检测方法及装置
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111797890A (zh) * 2020-05-18 2020-10-20 中国电力科学研究院有限公司 一种用于检测输电线路设备缺陷的方法及系统
CN112233092A (zh) * 2020-10-16 2021-01-15 广东技术师范大学 一种用于无人机电力巡检智能缺陷检测的深度学习方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEIXIN_39996134: "keras冻结_【Keras实践】 VGG-16基础上fine-tune", 《CSDN》, 28 November 2020 (2020-11-28), pages 1 - 2 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359282A (zh) * 2022-03-17 2022-04-15 南方电网数字电网研究院有限公司 融合多视角的输电线路鸟巢缺陷识别方法和装置
CN115965582A (zh) * 2022-11-22 2023-04-14 哈尔滨岛田大鹏工业股份有限公司 一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法
CN115965582B (zh) * 2022-11-22 2024-03-08 哈尔滨岛田大鹏工业股份有限公司 一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法
CN117079044A (zh) * 2023-08-25 2023-11-17 华大天元(北京)科技股份有限公司 架空线路外力破坏的识别模型训练方法、预警方法及装置
CN117253179A (zh) * 2023-11-20 2023-12-19 合肥中科类脑智能技术有限公司 配电线路鸟巢检测方法、存储介质和电子设备
CN117253179B (zh) * 2023-11-20 2024-02-02 合肥中科类脑智能技术有限公司 配电线路鸟巢检测方法、存储介质和电子设备
CN117409083A (zh) * 2023-12-14 2024-01-16 珠海市金锐电力科技有限公司 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN117409083B (zh) * 2023-12-14 2024-03-22 珠海市金锐电力科技有限公司 一种基于红外图像和改进yolov5的电缆终端识别方法及装置

Similar Documents

Publication Publication Date Title
CN109859171B (zh) 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法
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
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN113327255A (zh) 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
CN109147254B (zh) 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法
CN107871119B (zh) 一种基于目标空间知识和两阶段预测学习的目标检测方法
CN111339882B (zh) 基于实例分割的输电线路隐患检测方法
CN107705288B (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN110796009A (zh) 基于多尺度卷积神经网络模型的海上船只检测方法及系统
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN109767422A (zh) 基于深度学习的管道检测识别方法、存储介质及机器人
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN114743119B (zh) 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN112258490A (zh) 基于光学和红外图像融合的低发射率涂层智能探损方法
CN111353396A (zh) 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN114359245A (zh) 一种工业场景下产品表面缺陷检测方法
CN111667461B (zh) 一种输电线路异常目标检测方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN114005081A (zh) 一种烟丝异物智能检测装置及方法
CN115829995A (zh) 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210831

WD01 Invention patent application deemed withdrawn after publication