CN113379699A - 基于深度学习的输电线路绝缘子缺陷检测方法 - Google Patents
基于深度学习的输电线路绝缘子缺陷检测方法 Download PDFInfo
- Publication number
- CN113379699A CN113379699A CN202110637876.7A CN202110637876A CN113379699A CN 113379699 A CN113379699 A CN 113379699A CN 202110637876 A CN202110637876 A CN 202110637876A CN 113379699 A CN113379699 A CN 113379699A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- transmission line
- network
- deep learning
- 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 97
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 7
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000615 nonconductor Substances 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的输电线路绝缘子缺陷检测方法，包括步骤：S1：对无人机采集到的输电线路绝缘子图像依次进行预处理和数据增强处理；S2：搭建生成基于DeepLabV3+网络的图像语义分割模型，采用训练好的图像语义分割模型对输电线路绝缘子图像进行分割；S3：利用裁剪模块对得到的二值掩模图进行裁剪，裁剪获得绝缘子图片；S4：搭建基于YOLOV4算法的图像检测网络模型，利用训练好的图像检测网络模型对绝缘子图片进行缺陷检测。本发明的一种基于深度学习的输电线路绝缘子缺陷检测方法，采用级联的绝缘子缺陷检测方法完成绝缘子的缺陷检测，可以实现输电线路绝缘子的实时巡检，并大大提高电力巡检的效率。
Description
技术领域
本发明涉及输电线路绝缘子故障检测技术领域，尤其涉及一种基于深度 学习的输电线路绝缘子缺陷检测方法。
背景技术
绝缘子作为电力网络中的重要组成部件，其在输电线路运行中起着支撑 和电气绝缘的作用。然而，长时间高负荷运行以及长期暴露在自然环境中， 受到气候、温度等自然因素的影响，极易发生破损、掉片等故障，一旦输电 线路上的绝缘子发生故障，很容易造成整条线路的供电中断，甚至导致整个 区域的电网故障，对工农业生产造成巨大的经济损失。因此对输电线路上的 绝缘子进行定期巡检是保证电力系统安全稳定运行前提。
输电线路绝缘子图像的缺陷检测方法包括人工巡检的方法、基于图像处 理的方法、基于深度学习的方法。采用人工巡检的方法，耗时耗力且准确率 低。采用基于图像识别的方法，由于需要大量存在缺陷的绝缘子图像数据， 在实际中缺陷样本数量少、获取难度大，且由于运算过于简单，容易受到背 景的影响，没有很高的鲁棒性。基于深度学习的目标检测算法，分为单阶段 和双阶段两种，双阶段的目标检测算法模型的检测准确率高但是训练和测试 速度缓慢，无法满足实际应用要求。单阶段目标检测算法可以达到实时的检 测速度，但是准确率却略有下降。
输电线路的绝缘子数量多、类型多、分布广，采用人工巡检的方法，其 工作强度大、危险系数高且准确率低。传统的目标检测算法是通过人工提取 特征，检测效果的好坏取决于人工对于特征的选择，人为因素过大。基于图 像处理的缺陷检测方法，采用形态学的基本操作以及边缘检测等方法来实现 绝缘子的缺陷识别。方法虽然简单，但是该方法需要大量的绝缘子缺陷图像 数据，而且由于运算过于简单，导致模型的鲁棒性极差。基于深度学习的目 标检测算法分为单阶段的目标检测算法和双阶段的目标检测算法。双阶段的目标检测算法包括：R-CNN(Region-Convolutional Networks)、Fast R-CNN(Fast Region-based Convolutional Network)、Faster R-CNN(Faster Region-based ConvolutionalNetworks)等。该方法虽然再检测准确度上得到了很大的突破， 但是达不到实时检测的速度。单阶段的目标检测算法包括：YOLOV1(You Only Look Once 1)、YOLOV2(You Only LookOnce 2)、YOLOV3(You Only Look Once 3)、SSD(Single Shot Detector)等。该类方法采用端到端的方式，其检测 速度提到了很大的提高，但由于锚框参数上采用K-means(k-meansclustering algorithm)方法导致模型的检测准确率略低于双阶段的目标检测算法。
发明内容
针对上述现有技术中的不足，本发明提供一种基于深度学习的输电线路 绝缘子缺陷检测方法，采用级联的绝缘子缺陷检测方法完成绝缘子的缺陷检 测，可以实现输电线路绝缘子的实时巡检，并大大提高电力巡检的效率。
为了实现上述目的，本发明提供一种基于深度学习的输电线路绝缘子缺 陷检测方法，包括步骤：
S1：对无人机采集到的输电线路绝缘子图像依次进行预处理和数据增强 处理，将数据增强处理后获得的第一数据集的图像按照7：2：1的比例分成 一第一训练集、一第一测试集和一第一验证集；
S2：搭建生成基于DeepLabV3+网络的图像语义分割模型，通过所述第一 数据集对该图像语义分割模型进行训练；再采用训练好的所述图像语义分割 模型对输电线路绝缘子图像进行分割，得到所述输电线路绝缘子图像的二值 掩模图；
S3：利用裁剪模块对得到的二值掩模图进行裁剪，裁剪获得绝缘子图片；
S4：搭建基于YOLOV4算法的图像检测网络模型，利用所述绝缘子图片 制作第二数据集，将所述第二数据集的图片按照7：2：1的比例划分为一第 二训练集、一第二测试集和一第二验证集，利用所述第二训练集对该图像检 测网络模型进行训练；再通过所述第二测试集和所述第二验证集对所述图像 检测网络模型进行验证；利用训练好的所述图像检测网络模型对所述绝缘子 图片进行缺陷检测。
优选地，所述S2步骤中，所述图像语义分割模型包括一编码器结构和一 解码器结构，所述编码器结构包括一特征提取网络和一空洞空间金字塔池化 结构；所述特征提取网络采用MobileNetV3网络。
优选地，所述S4步骤中，所述图像检测网络模型包括一主干特征提取网 络、一三次卷积、一池化结构、一特征融合三次卷积结构和一特征金字塔结 构；所述主干特征提取网络采用CSPDarknet53网络。
优选地，所述S4步骤中，所述通过所述第一数据集对该图像语义分割模 型进行训练步骤中：
首先使用K-means++聚类算法对所述绝缘子图片进行聚类分析，优化 YOLOV4算法的锚点框参数；最终获取9个锚点框参数；
输入所述绝缘子图片采用所述主干特征提取网络提取输入图像的特征， 然后将输入图像划分为S×S的网格，目标中心所在的网格负责完成对目标的 检测；最终直到损失函数值达到稳定，使用所述第二测试集和所述第二验证 集对所述图像检测网络模型进行验证。
优选地，还包括步骤：采用labelme工具对所述二值掩模图进行标注，构 建目标检测标签数据集。
本发明由于采用了以上技术方案，使其具有以下有益效果：
1、本发明采用数据增强的方式对数据集进行扩增，目前没有公开的输电 线路绝缘子数据集，样本过少会导致模型识别效果差或模型不收敛，且采集 到的绝缘子图像正样本居多，故使用数据增强的方法来扩充数据集以及负样 本的数量，数据增强方法包括：翻转变换、垂直(水平)镜像、缩放变换、 裁剪、加噪、背景融合等。通过该方法可以提高模型的鲁棒性。
2、本发明采用基于改进的DeepLabV3+网络对数据集进行分割，该语义 分割网络将DeepLabV3+网络结构的特征提取网络Xception网络换成了轻量 级的卷积神经网络MobilenetV3网络，所述的MobilenetV3网络采用了深度可 分离卷积、线性瓶颈逆残差结构、和轻量级注意力机制。这些结构可以大大 减少模型的参数量，减少网络运行时间，加快网络收敛。
3、本发明采用裁减的方式对语义分割的结果图进行处理，对于输电线路 绝缘子图像，相对于整个图片，其所占比率很小，因此采用裁剪的方式对语 义分割的得到的二值掩模图进行裁剪，裁剪出只包含绝缘子的图像。有利于 绝缘子的缺陷检测准确率。
4、本发明采用基于改进的YOLOV4算法对绝缘子图像进行缺陷检测， 使用K-means++聚类算法优化YOLOV4算法的锚点框参数。由于YOLOV4 算法使用无监督学习K-means聚类算法对训练集的目标框进行聚类，该算法 随机选取初始点，聚类效果稳定性差，因此引入初始点选取不敏感的 K-means++聚类算法，提升聚类稳定性。
5、本发明采用级联绝缘子缺陷检测方法对输电线路绝缘子缺陷进行检测。 一级网络主要负责完成绝缘子图像的定位，使用基于改进的DeepLabV3+网络 对绝缘子图像进行分割，接着对分割结果绝缘子图像进行裁剪，保留绝缘子 部分，完成绝缘子图像的定位。二级网络主要完成绝缘子的缺陷检测，使用 YOLOV4算法对一级网络处理后的绝缘子图像进行缺陷检测。完成绝缘子的 缺陷识别。
6、本发明采用labelme工具对对输电线路绝缘子图像进行标注，构建语 义分割标签数据集。采用Labelimg工具完成对分割后的绝缘子图像进行标注， 构建目标检测标签数据集。
本发明方法针对目前输电线路绝缘子图像数据集不足的问题，使用数据 增强的方法扩充数据集，为后面的绝缘子缺陷检测做铺垫。本发明采用级联 的绝缘子缺陷检测方法完成绝缘子的缺陷检测。一级网络采用基于改进的轻 量级DeepLabV3+网络对绝缘子图像进行分割，完成绝缘子的定位。 MobilenetV3网络采用了深度可分离卷积、线性瓶颈逆残差结构、和轻量级注 意力机制。这些结构可以大大减少模型的参数量，减少网络运行时间，加快 网络收敛。将MobilenetV3网络与DeepLabV3+相结合，可以大大的提高模型 的训练速度。由于拍摄到的绝缘子图片占整张图像的比例很小且缺陷块占图 像比例更加微小，故使用裁剪方法对得到的绝缘子掩模图进行裁剪，提升绝 缘子极小缺陷块的检测精度。二级网络使用基于改进的YOLOV4算法完成对 绝缘子的缺陷检测。使用K-means+聚类算法优化YOLOV4算法的锚点框参 数。利用对初始点选取不敏感的K-means++聚类算法完成锚点框的参数设置， 提升聚类稳定性。通过锚点框的改进可以大大提高模型的准确率。
附图说明
图1为本发明实施例的基于深度学习的输电线路绝缘子缺陷检测方法的 流程图；
图2为本发明实施例的图像语义分割模型的结构示意图；
图3为本发明实施例的图像检测网络模型的结构示意图。
具体实施方式
下面根据附图图1～图3，给出本发明的较佳实施例，并予以详细描述， 使能更好地理解本发明的功能、特点。
请参阅图1～图3，本发明实施例的一种基于深度学习的输电线路绝缘子 缺陷检测方法，包括步骤：
S1：对无人机采集到的输电线路绝缘子图像依次进行预处理和数据增强 处理，将数据增强处理后获得的第一数据集的图像按照7：2：1的比例分成 一第一训练集、一第一测试集和一第一验证集；
S2：搭建生成基于DeepLabV3+网络的图像语义分割模型，通过第一数据 集对该图像语义分割模型进行训练；再采用训练好的图像语义分割模型对输 电线路绝缘子图像进行分割，得到输电线路绝缘子图像的二值掩模图；
S2步骤中，图像语义分割模型包括一编码器结构和一解码器结构，编码 器结构包括一特征提取网络和一空洞空间金字塔池化结构；特征提取网络采 用MobileNetV3网络。
训练DeepLabV3+网络的图像语义分割模型的过程如下：首先输入的绝缘 子图片经过MobileNetV3网络结构提取图片特征，经过MobileNetV3网络之 后，一部分进入到了空洞空间金字塔池化结构(ASPP结构)，另一部分直接 进入到了解码器结构(Decoder结构)。ASPP结构采用不同rate(膨胀率)的空 洞卷积对特征提取网络输出的特征图进行多尺度的信息提取。进入ASPP结构 的特征信息通过1×1卷积进行多尺度融合，融合后的结果输入到Decoder结 构。直接进入Decoder结构的低层特征通过一个1×1卷积层进行压缩，减少 特征图的通道数。编码器(Encoder)输出特征图通过双线性插值的方法进行 4倍上采样，最后将该结果与经过Decoder特征细化的特征图结果相融合，使 得网络获取更加丰富的语义信息。对融合之后的特征图再次通过一个3×3卷 积和一个4倍的上采样，得到与输入图像参数相同的分割图像。当损失函数 值趋于稳定，则说明模型逐渐收敛，使用第一验证集和第一测试集验证网络 模型。MobileNetV3网络主要分为3个部分。第一部分(Conv3×3)为一个3 ×3的卷积层，用于提取特征；中间部分(bneck1-4)是多个含有可分离卷积 层块(bneck)的网络结构，由多个1×1和少量3×3、5×5的卷积块组成， 通常深度越深提取到的特征越好；最后一部分通过卷积层(Conv1×1)代替 全连接层，在经过池化等一系列步骤得到输出结果。
S3：利用裁剪模块对得到的二值掩模图进行裁剪，裁剪获得绝缘子图片；
S4：搭建基于YOLOV4算法的图像检测网络模型，利用绝缘子图片制作 第二数据集，将第二数据集的图片按照7：2：1的比例划分为一第二训练集、 一第二测试集和一第二验证集，利用第二训练集对该图像检测网络模型进行 训练；再通过第二测试集和第二验证集对图像检测网络模型进行验证；利用 训练好的图像检测网络模型对绝缘子图片进行缺陷检测。
S4步骤中，图像检测网络模型包括一主干特征提取网络、一三次卷积、 一池化结构、一特征融合三次卷积结构和一特征金字塔结构；主干特征提取 网络采用CSPDarknet53网络。
YOLOV4网络的训练过程如下：
首先使用K-means++聚类算法对绝缘子图片进行聚类分析，优化 YOLOV4算法的锚点框参数；最终获取9个锚点框参数；
输入绝缘子图片采用主干特征提取网络提取输入图像的特征，然后将输 入图像划分为S×S的网格，目标中心所在的网格负责完成对目标的检测；最 终直到损失函数值达到稳定，使用第二测试集和第二验证集对图像检测网络 模型进行验证。
K-means++聚类算法步骤如下：
输入：训练集目标框数据X＝{x1,x2,...,xn}T,锚框个数N；
1、归一化训练集中的目标框；
2、X'＝normlize(X)；
3、随机选取X'中的一个作为聚类中心点c1；
4、计算X'中的每个样本x与c1之间的欧氏距离D(x)；
5、计算概率
6、选取最大概率对应的样本点作为下一个聚类中心点c2；
7、按照轮盘法重复4-6，直至选取N个离散的聚类中心C＝{c1,c2,...,cN}；
针对X中的样本x，计算它到N个聚类中心的距离，并分至到距离最小 的簇中；
8、重新计算聚类中心ci，即
i∈(1,N)；
9、重复8-9，直至聚类中心不再变化；
输出：N个聚类中心。
本实施例还包括步骤：采用labelme工具对二值掩模图进行标注，构建目 标检测标签数据集。
本发明实施例的一种基于深度学习的输电线路绝缘子缺陷检测方法，采 用数据增强的方法扩充数据集，利用级联的缺陷检测方法完成绝缘子的缺陷 检测。一级网络采用基于改进的轻量级语义分割模型DeepLabV3+网络实现绝 完后曾缘子图像的分割，完成绝缘子的定位；由于拍摄的绝缘子图片，绝缘 子占比很小，缺陷块更是微小，裁剪的方式将绝缘子区域裁剪出来，为下面 的绝缘子缺陷检测做铺垫。二级网络采用基于锚点框改进的YOLOV4网络完 成绝缘子的缺陷检测。使用对初始值不敏感的K-means++算法对所述绝缘子分割结果数据集中的故障图像数据进行聚类分析，优化YOLOV4算法的锚点 框参数。提高网络的准确率。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员 可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应 构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的 保护范围。
Claims (5)
1.一种基于深度学习的输电线路绝缘子缺陷检测方法，包括步骤：
S1：对无人机采集到的输电线路绝缘子图像依次进行预处理和数据增强处理，将数据增强处理后获得的第一数据集的图像按照7：2：1的比例分成一第一训练集、一第一测试集和一第一验证集；
S2：搭建生成基于DeepLabV3+网络的图像语义分割模型，通过所述第一数据集对该图像语义分割模型进行训练；再采用训练好的所述图像语义分割模型对输电线路绝缘子图像进行分割，得到所述输电线路绝缘子图像的二值掩模图；
S3：利用裁剪模块对得到的二值掩模图进行裁剪，裁剪获得绝缘子图片；
S4：搭建基于YOLOV4算法的图像检测网络模型，利用所述绝缘子图片制作第二数据集，将所述第二数据集的图片按照7：2：1的比例划分为一第二训练集、一第二测试集和一第二验证集，利用所述第二训练集对该图像检测网络模型进行训练；再通过所述第二测试集和所述第二验证集对所述图像检测网络模型进行验证；利用训练好的所述图像检测网络模型对所述绝缘子图片进行缺陷检测。
2.根据权利要求1所述的基于深度学习的输电线路绝缘子缺陷检测方法，其特征在于，所述S2步骤中，所述图像语义分割模型包括一编码器结构和一解码器结构，所述编码器结构包括一特征提取网络和一空洞空间金字塔池化结构；所述特征提取网络采用MobileNetV3网络。
3.根据权利要求1所述的基于深度学习的输电线路绝缘子缺陷检测方法，其特征在于，所述S4步骤中，所述图像检测网络模型包括一主干特征提取网络、一三次卷积、一池化结构、一特征融合三次卷积结构和一特征金字塔结构；所述主干特征提取网络采用CSPDarknet53网络。
4.根据权利要求3所述的基于深度学习的输电线路绝缘子缺陷检测方法，其特征在于，所述S4步骤中，所述通过所述第一数据集对该图像语义分割模型进行训练步骤中：
首先使用K-means++聚类算法对所述绝缘子图片进行聚类分析，优化YOLOV4算法的锚点框参数；最终获取9个锚点框参数；
输入所述绝缘子图片采用所述主干特征提取网络提取输入图像的特征，然后将输入图像划分为S×S的网格，目标中心所在的网格负责完成对目标的检测；最终直到损失函数值达到稳定，使用所述第二测试集和所述第二验证集对所述图像检测网络模型进行验证。
5.根据权利要求1所述的基于深度学习的输电线路绝缘子缺陷检测方法，其特征在于，还包括步骤：采用labelme工具对所述二值掩模图进行标注，构建目标检测标签数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110637876.7A CN113379699A (zh) | 2021-06-08 | 2021-06-08 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110637876.7A CN113379699A (zh) | 2021-06-08 | 2021-06-08 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379699A true CN113379699A (zh) | 2021-09-10 |
Family
ID=77576543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110637876.7A Pending CN113379699A (zh) | 2021-06-08 | 2021-06-08 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379699A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688836A (zh) * | 2021-09-28 | 2021-11-23 | 四川大学 | 一种基于深度学习的实时性道路图像语义分割方法及系统 |
| CN113702393A (zh) * | 2021-09-29 | 2021-11-26 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
| CN114022432A (zh) * | 2021-10-28 | 2022-02-08 | 湖北工业大学 | 基于改进的yolov5的绝缘子缺陷检测方法 |
| CN114445617A (zh) * | 2021-12-27 | 2022-05-06 | 宁波韵升智能技术有限公司 | 一种基于深度学习的工件目标识别方法 |
| CN114550069A (zh) * | 2022-03-01 | 2022-05-27 | 华南农业大学 | 一种基于深度学习的仔猪乳头计数方法 |
| CN114663375A (zh) * | 2022-03-14 | 2022-06-24 | 中国电子科技集团公司第三十八研究所 | 基于小样本学习的浮空器主缆绳表面缺陷检测方法及系统 |
| CN114743119A (zh) * | 2022-04-28 | 2022-07-12 | 石家庄铁道大学 | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 |
| CN114878005A (zh) * | 2022-04-28 | 2022-08-09 | 广州中科云图智能科技有限公司 | 温度检测方法、装置、系统、电子设备及存储介质 |
| CN114972721A (zh) * | 2022-06-13 | 2022-08-30 | 中国科学院沈阳自动化研究所 | 一种基于深度学习的输电线路绝缘子串识别定位方法 |
| CN114998758A (zh) * | 2022-05-26 | 2022-09-02 | 电子科技大学 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
| CN115018818A (zh) * | 2022-07-01 | 2022-09-06 | 南昌大学 | 一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法 |
| CN115035108A (zh) * | 2022-08-10 | 2022-09-09 | 四川中电启明星信息技术有限公司 | 一种基于深度学习的绝缘子缺陷检测方法 |
| CN115100547A (zh) * | 2022-05-17 | 2022-09-23 | 长春理工大学 | 基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法 |
| CN116863358A (zh) * | 2023-08-18 | 2023-10-10 | 华大天元(北京)科技股份有限公司 | 电网无人机巡检图像绝缘子缺陷识别方法及系统 |
| US11836968B1 (en) * | 2022-12-08 | 2023-12-05 | Sas Institute, Inc. | Systems and methods for configuring and using a multi-stage object classification and condition pipeline |
| CN114445617B (zh) * | 2021-12-27 | 2024-05-31 | 宁波韵升智能技术有限公司 | 一种基于深度学习的工件目标识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399362A (zh) * | 2018-01-24 | 2018-08-14 | 中山大学 | 一种快速行人检测方法及装置 |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN110544258A (zh) * | 2019-08-30 | 2019-12-06 | 北京海益同展信息科技有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
| CN110610483A (zh) * | 2019-08-12 | 2019-12-24 | 全球能源互联网研究院有限公司 | 裂纹图像获取、检测方法、计算机设备及可读存储介质 |
-
2021
- 2021-06-08 CN CN202110637876.7A patent/CN113379699A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399362A (zh) * | 2018-01-24 | 2018-08-14 | 中山大学 | 一种快速行人检测方法及装置 |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN110610483A (zh) * | 2019-08-12 | 2019-12-24 | 全球能源互联网研究院有限公司 | 裂纹图像获取、检测方法、计算机设备及可读存储介质 |
| CN110544258A (zh) * | 2019-08-30 | 2019-12-06 | 北京海益同展信息科技有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| JAMES-ANDREW SARMIENTO: "Pavement Distress Detection and Segmentation using YOLOv4 and DeepLabv3 on Pavements in the Philippines", 《ARXIV》 * |
| YELING BAO 等: "Based on the improved Deeplabv3+ remote sensing image semantic segmentation algorithm", 《IEEE》 * |
| ZIQI DONG 等: "aircraft segmentation algorithm based on Unet and improved Yolov4", 《IEEE》 * |
| 吴涛 等: "轻量级YOLOV3的绝缘子缺陷检测方法", 《计算机工程》 * |
| 聂琳真 等: "基于图像语义分割的道路检测方法研究", 《武汉理工大学学报》 * |
| 钟华赞 等: "基于无人机巡检倾斜影像的绝缘子爆片自动检测方法", 《地理信息世界》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688836A (zh) * | 2021-09-28 | 2021-11-23 | 四川大学 | 一种基于深度学习的实时性道路图像语义分割方法及系统 |
| CN113702393A (zh) * | 2021-09-29 | 2021-11-26 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
| CN113702393B (zh) * | 2021-09-29 | 2023-10-27 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
| CN114022432B (zh) * | 2021-10-28 | 2024-04-30 | 湖北工业大学 | 基于改进的yolov5的绝缘子缺陷检测方法 |
| CN114022432A (zh) * | 2021-10-28 | 2022-02-08 | 湖北工业大学 | 基于改进的yolov5的绝缘子缺陷检测方法 |
| CN114445617A (zh) * | 2021-12-27 | 2022-05-06 | 宁波韵升智能技术有限公司 | 一种基于深度学习的工件目标识别方法 |
| CN114445617B (zh) * | 2021-12-27 | 2024-05-31 | 宁波韵升智能技术有限公司 | 一种基于深度学习的工件目标识别方法 |
| CN114550069A (zh) * | 2022-03-01 | 2022-05-27 | 华南农业大学 | 一种基于深度学习的仔猪乳头计数方法 |
| CN114550069B (zh) * | 2022-03-01 | 2022-10-21 | 华南农业大学 | 一种基于深度学习的仔猪乳头计数方法 |
| CN114663375A (zh) * | 2022-03-14 | 2022-06-24 | 中国电子科技集团公司第三十八研究所 | 基于小样本学习的浮空器主缆绳表面缺陷检测方法及系统 |
| WO2023173798A1 (zh) * | 2022-03-14 | 2023-09-21 | 中国电子科技集团公司第三十八研究所 | 基于小样本学习的浮空器主缆绳表面缺陷检测方法及系统 |
| CN114663375B (zh) * | 2022-03-14 | 2023-07-07 | 中国电子科技集团公司第三十八研究所 | 基于小样本学习的浮空器主缆绳表面缺陷检测方法及系统 |
| CN114743119A (zh) * | 2022-04-28 | 2022-07-12 | 石家庄铁道大学 | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 |
| CN114878005A (zh) * | 2022-04-28 | 2022-08-09 | 广州中科云图智能科技有限公司 | 温度检测方法、装置、系统、电子设备及存储介质 |
| CN114743119B (zh) * | 2022-04-28 | 2024-04-09 | 石家庄铁道大学 | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 |
| CN115100547A (zh) * | 2022-05-17 | 2022-09-23 | 长春理工大学 | 基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法 |
| CN115100547B (zh) * | 2022-05-17 | 2024-06-07 | 长春理工大学 | 基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法 |
| CN114998758A (zh) * | 2022-05-26 | 2022-09-02 | 电子科技大学 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
| CN114998758B (zh) * | 2022-05-26 | 2024-05-03 | 电子科技大学 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
| CN114972721A (zh) * | 2022-06-13 | 2022-08-30 | 中国科学院沈阳自动化研究所 | 一种基于深度学习的输电线路绝缘子串识别定位方法 |
| CN115018818B (zh) * | 2022-07-01 | 2024-03-29 | 南昌大学 | 一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法 |
| CN115018818A (zh) * | 2022-07-01 | 2022-09-06 | 南昌大学 | 一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法 |
| CN115035108A (zh) * | 2022-08-10 | 2022-09-09 | 四川中电启明星信息技术有限公司 | 一种基于深度学习的绝缘子缺陷检测方法 |
| US11836968B1 (en) * | 2022-12-08 | 2023-12-05 | Sas Institute, Inc. | Systems and methods for configuring and using a multi-stage object classification and condition pipeline |
| CN116863358A (zh) * | 2023-08-18 | 2023-10-10 | 华大天元(北京)科技股份有限公司 | 电网无人机巡检图像绝缘子缺陷识别方法及系统 |
| US12002256B1 (en) | 2023-12-04 | 2024-06-04 | Sas Institute Inc. | Systems and methods for configuring and using a multi-stage object classification and condition pipeline |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113379699A (zh) | 基于深度学习的输电线路绝缘子缺陷检测方法 | |
| CN110555474B (zh) | 一种基于半监督学习的光伏面板故障检测方法 | |
| CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
| CN111598860B (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| US20220309772A1 (en) | Human activity recognition fusion method and system for ecological conservation redline | |
| 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 | |
| CN112837315B (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
| CN114092815B (zh) | 一种大范围光伏发电设施遥感智能提取方法 | |
| CN110287777A (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
| CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
| CN115082791A (zh) | 一种基于深度可分离卷积网络的气象锋面自动识别方法 | |
| CN110059625B (zh) | 一种基于mixup的人脸训练与识别方法 | |
| CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
| CN116469005A (zh) | 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法 | |
| CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
| CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
| CN114463340B (zh) | 一种边缘信息引导的敏捷型遥感图像语义分割方法 | |
| CN115908793A (zh) | 一种基于位置注意力机制的编解码结构语义分割模型 | |
| CN113343760A (zh) | 一种基于多尺度特征神经网络的人体行为识别方法 | |
| CN116628626A (zh) | 基于特征交叉融合的短时强降水分型方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
| CN116935226A (zh) | 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质 | |
| CN117078925A (zh) | 一种基于RDSA-DeepLabV3+网络的建筑垃圾年产量精算方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |