CN113393453A - 用于检测自爆绝缘子的方法、装置、设备、介质和产品 - Google Patents
用于检测自爆绝缘子的方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN113393453A CN113393453A CN202110717574.0A CN202110717574A CN113393453A CN 113393453 A CN113393453 A CN 113393453A CN 202110717574 A CN202110717574 A CN 202110717574A CN 113393453 A CN113393453 A CN 113393453A
- Authority
- CN
- China
- Prior art keywords
- insulator
- training
- model
- sample
- image
- 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 409
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004880 explosion Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 147
- 238000012360 testing method Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06F18/24—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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了用于检测自爆绝缘子的方法、装置、设备、介质和产品,涉及人工智能领域,尤其涉及计算机视觉和深度学习技术,具体可用于智能云和电网巡检场景下。具体实现方案为:获取绝缘子图像;基于绝缘子图像和预设的绝缘子识别模型,确定绝缘子图像中各个绝缘子的位置信息;基于位置信息,确定绝缘子图像中各组相邻绝缘子之间的距离值;基于距离值,确定绝缘子图像中的自爆绝缘子。本实现方式可以提高自爆绝缘子的检测效率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术,具体可用于智能云和电网巡检场景下。
背景技术
目前,由于输电线路上的绝缘子长时间地暴露在自然环境下,因而容易出现绝缘子自爆的现象,进而导致损害输电线路的使用安全,以及降低输电线路的运行寿命。
对此,经常采用无人机定点拍摄巡检的方式,得到绝缘子图片。再基于人工对这些绝缘子图片进行分析,确定是否存在绝缘子自爆的情况。然而,人工检测的方式存在着效率低下的问题。
发明内容
本公开提供了一种用于检测自爆绝缘子的方法、装置、设备、介质和产品。
根据本公开的一方面,提供了一种用于检测自爆绝缘子的方法,包括:获取绝缘子图像;基于绝缘子图像和预设的绝缘子识别模型,确定绝缘子图像中各个绝缘子的位置信息;基于位置信息,确定绝缘子图像中各组相邻绝缘子之间的距离值;基于距离值,确定绝缘子图像中的自爆绝缘子。
根据本公开的另一方面,提供了一种用于检测自爆绝缘子的装置,包括:图像获取单元,被配置成获取绝缘子图像;绝缘子位置确定单元,被配置成基于绝缘子图像和预设的绝缘子识别模型,确定绝缘子图像中各个绝缘子的位置信息;相邻绝缘子距离确定单元,被配置成基于位置信息,确定绝缘子图像中各组相邻绝缘子之间的距离值;自爆绝缘子检测单元,被配置成基于距离值,确定绝缘子图像中的自爆绝缘子。
根据本公开的另一方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项用于检测自爆绝缘子的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上任意一项用于检测自爆绝缘子的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上任意一项用于检测自爆绝缘子的方法。
根据本公开的技术,提供一种用于检测自爆绝缘子的方法,能够提高自爆绝缘子的检测效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于检测自爆绝缘子的方法的一个实施例的流程图;
图3是根据本公开的用于检测自爆绝缘子的方法的一个应用场景的示意图;
图4是根据本公开的用于检测自爆绝缘子的方法的另一个实施例的流程图;
图5是根据本公开的用于检测自爆绝缘子的装置的一个实施例的结构示意图;
图6是用来实现本公开实施例的用于检测自爆绝缘子的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以为手机、电脑以及平板等电子设备,终端设备101、102、103中安装有用于检测自爆绝缘子的软件,用户可以在用于检测自爆绝缘子的软件中输入需要检测的图像,用以得到针对该图像的绝缘子识别结果。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于电视、智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,在终端设备101、102、103获取到需要识别的绝缘子图像之后,将绝缘子图像输入预设的绝缘子识别模型,得到模型输出的该绝缘子图像的各个绝缘子的位置坐标,基于各个绝缘子的位置坐标,确定相邻的绝缘子之间的距离值,再基于距离值,确定绝缘子图像中的自爆绝缘子,并将标注自爆绝缘子后的绝缘子图像发送给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的用于检测自爆绝缘子的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于检测自爆绝缘子的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于检测自爆绝缘子的方法的一个实施例的流程200。本实施例的用于检测自爆绝缘子的方法,包括以下步骤:
步骤201,获取绝缘子图像。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以获取存储在本地的绝缘子图像,或者可以从预先建立连接的电子设备中获取绝缘子图像,本实施例对此不做限定。其中,执行主体可以和定期巡检高压输电线路的无人机建立连接,定期获取无人机采集的绝缘子图像。其中,绝缘子图像可以是包含绝缘子串的输电线路对应的图像用于采集绝缘子图像的无人机可以预先标记需要进行图像采集的位置,这些位置可以基于人工标注、用于表示存在绝缘子串的输电线路所在的位置。执行主体可以接收无人机在各个预先标记的位置所采集的绝缘子图像,并对这些绝缘子图像进行智能分析,确定是否存在自爆绝缘子。
步骤202,基于绝缘子图像和预设的绝缘子识别模型,确定绝缘子图像中各个绝缘子的位置信息。
在本实施例中,预设的绝缘子识别模型用于根据输入的绝缘子图像,输出该绝缘子图像中各个绝缘子的位置信息。绝缘子识别模型具体可以为预先训练好的用于进行目标检测的神经网络模型,例如区域卷积神经网络模型(Region-CNN,R-CNN)、Fast R-CNN(一种基于对R-CNN进行改进的模型,能够在保证准确率的同时提升处理速度)、Faster R-CNN(一种基于对Fast R-CNN进行改进的模型,模型性能更优)。优选的,采用预先训练好的FasterR-CNN作为上述预设的绝缘子识别模型,绝缘子的位置信息确定更加精准。其中,位置信息可以用于表示各个绝缘子在上述绝缘子图像中的位置,其表现形式可以为位置坐标、位置框、位置描述内容等,本实施例对此不做限定。
步骤203,基于位置信息,确定绝缘子图像中各组相邻绝缘子之间的距离值。
在本实施例中,执行主体在获取到绝缘子图像中各个绝缘子的位置信息之后,可以基于位置信息,确定上述绝缘子图像中的相邻绝缘子。可选的,执行主体可以基于各个绝缘子的中心点的位置坐标,将横坐标相同或近似相同、纵坐标不同、且纵坐标之间的距离差小于预设阈值的两个绝缘子,确定为一组相邻绝缘子。另一种可选的,执行主体可以针对绝缘子图像中的每个绝缘子,基于该绝缘子的横坐标和纵坐标,在绝缘子图像中除该绝缘子之外的所有绝缘子中,确定与该绝缘子的横坐标相同、且在纵坐标正方向上与该绝缘子的距离最近的绝缘子作为该绝缘子的相邻绝缘子;并且还可以基于该绝缘子的横坐标和纵坐标,在绝缘子图像中除该绝缘子之外的所有绝缘子中,确定与该绝缘子的横坐标相同、且在纵坐标负方向上与该绝缘子的距离最近的绝缘子作为该绝缘子的相邻绝缘子。对于在纵坐标正方向或者负方向上不存在距离最近的绝缘子的情况,该绝缘子的相邻绝缘子的数量为一个,对于在纵坐标正方向和纵坐标负方向上均存在距离最近的绝缘子的情况,该绝缘子的相邻绝缘子的数量为两个。将每个绝缘子与该绝缘子的相邻绝缘子组成一组相邻绝缘子,再从所有相邻绝缘子组中筛掉重复的相邻绝缘子组,得到绝缘子图像中各组相邻绝缘子。对于绝缘子串为横向排列或者其他方向排列的情况,绝缘子图像中各组相邻绝缘子的确定方式与绝缘子串竖向排列的确定方式类似,在此不再赘述。
在本实施例的一些可选的实现方式中,在位置信息为位置框的情况下,可以基于图像分析技术,确定绝缘子图像中各个相邻的位置框,如上下相邻的位置框、左右相邻的位置框等。执行主体可以将两个相邻的位置框作为一组相邻绝缘子。进一步的,在执行主体确定出各组相邻绝缘子之后,可以基于每组相邻绝缘子中两个绝缘子的位置信息,计算这两个绝缘子之间的距离,作为该组相邻绝缘子之间的距离值。例如,将每组相邻绝缘子中的两个绝缘子的两个位置坐标,进行欧式几何距离计算,得到该组相邻绝缘子对应的距离值。又或者,确定每组相邻绝缘子中两个绝缘子对应的位置框的中心点坐标,对两个绝缘子的两个中心点坐标进行欧式几何距离计算,得到该组相邻绝缘子对应的距离值。
步骤204,基于距离值,确定绝缘子图像中的自爆绝缘子。
在本实施例中,执行主体可以基于各个相邻绝缘子之间的距离值,确定出距离值异常的位置区域,例如距离值大于阈值的两个相邻绝缘子之间的区域、或者距离值远大于其他相邻绝缘子之间的距离值的两个相邻绝缘子之间的区域。进一步的,执行主体可以将确定出的距离值异常的位置区域作为自爆绝缘子所处的区域,从而实现基于距离值确定绝缘子图像中的自爆绝缘子。
继续参见图3,其示出了根据本公开的用于检测自爆绝缘子的方法的一个应用场景的示意图。在图3的应用场景中,执行主体可以先获取需要检测的绝缘子图像301,其中,绝缘子图像301中包含着绝缘子串。之后,执行主体可以将绝缘子图像301输入绝缘子识别模型302,得到绝缘子识别模型302输出的识别结果303。识别结果303中包含绝缘子图像301中各个绝缘子的位置对应的位置框。之后,执行主体可以根据绝缘子图像301中各个相邻绝缘子的位置框,确定出距离较远的相邻位置框,如识别结果303中由上至下第二个位置框和第四个位置框。之后,执行主体可以将基于识别结果303中由上至下第二个位置框和第四个位置框之间的位置区域,确定得到自爆绝缘子所处的位置,最终输出自爆绝缘子识别结果304。自爆绝缘子识别结果304可以为绝缘子图像中标注自爆绝缘子所处位置的图像。
本公开上述实施例提供的用于检测自爆绝缘子的方法,能够利用预设的绝缘子识别模型,自动检测图像中各个绝缘子的位置,再基于各个绝缘子的位置,确定各个相邻绝缘子之间的距离值,再基于距离值,确定绝缘子图像中的自爆绝缘子。这一过程实现了自爆绝缘子的自动化检测,从而提高了自爆绝缘子的检测效率。
继续参见图4,其示出了根据本公开的用于检测自爆绝缘子的方法的另一个实施例的流程400。如图4所示,本实施例的用于检测自爆绝缘子的方法可以包括以下步骤:
步骤401,获取样本绝缘子图像。
在本实施例中,执行主体可以从本地数据库或者网络数据库中获取用于模型训练的样本绝缘子图像,这些样本绝缘子图像的数量可以相对较少,并且每个样本绝缘子图像具有相应的样本标注信息,用于标注样本绝缘子图像中的绝缘子位置,样本标注信息的形式可以为位置坐标形式、也可以为位置框形式等,本实施例对此不做限定。
步骤402,对样本绝缘子图像进行样本扩充,得到目标样本绝缘子图像。
在本实施例中,执行主体在获取到数量较少的样本绝缘子图像之后,可以对这些样本绝缘子图像进行样本扩充,用以增加图像数量,得到样本扩充后的目标样本绝缘子图像。这一过程可以针对现在的绝缘子图像较少、且人工标注图像效率较低的问题,采用较少的人工标注图像,进行自动化地样本扩充,从而降低人工标注的成本,提高模型训练的效率。其中,样本扩充可以采用现有的数据增强技术,如翻转处理、旋转处理、缩放处理、裁剪处理、噪声处理、颜色扰动处理等技术。也可以采用训练完成的对抗生成网络模型中的生成器生成扩充后的图像,也可以采用训练完成的循环对抗生成网络模型中的生成器生成扩充后的图像,本实施例对此不做限定。
在本实施例的一些可选的实现方式中,对样本绝缘子图像进行样本扩充,得到目标样本绝缘子图像,包括:基于样本绝缘子图像和预设的循环对抗生成网络模型,确定目标样本绝缘子图像。
在本实现方式中,执行主体可以利用已经训练完成的、预设的循环对抗生成网络模型中的生成器,生成与样本绝缘子图像对应的扩充绝缘子图像,将样本绝缘子图像和扩充绝缘子图像共同确定为目标样本绝缘子图像。
可选的,预设的循环对抗生成网络模型可以基于以下步骤训练得到:获取真实绝缘子图像;将真实绝缘子图像输入循环对抗生成网络模型的第一生成器,得到第一生成器输出的第一转换图像;将第一转换图像输入第二生成器,得到第二生成器输出的第二转换图像;基于真实绝缘子图像、第二转换图像、预设的损失函数,对初始的循环对抗生成网络模型进行训练,得到训练完成的预设的循环对抗生成网络模型。其中,初始的循环对抗生成网络模型可以包括两个生成器和两个判别器,以及具有四个损失函数,分别对应着每个生成器和每个判别器。其中,生成器的损失函数构建依据可以为真实绝缘子图像和第二转换图像之间的差异性,判别器的损失函数构建依据可以为判别的准确率。
步骤403,基于目标样本绝缘子图像,对预设的预训练模型进行模型训练,直至预设的预训练模型收敛,得到预设的绝缘子识别模型。
在本实施例中,执行主体可以将样本扩充后的目标样本绝缘子图像作为训练样本,以及将预设的预训练模型作为训练对象,实现基于预训练模型的深度学习模型训练,能够提升模型训练效果。
在本实施例的一些可选的实现方式中,预训练模型基于以下步骤训练得到:获取绝缘子现场图像;基于绝缘子现场图像,对预设的初始模型进行自监督学习训练,直至初始模型收敛,得到训练完成的初始模型;基于训练完成的初始模型,确定预训练模型。
在本实现方式中,绝缘子现场图像可以为未进行标注的包含真实绝缘子串的图像。执行主体可以将绝缘子现场图像作为训练样本,对预设的初始模型进行自监督学习训练。其中,自监督学习训练指的是在样本未经人工标注的情况下,使用大量样本数据,自动训练预设的初始模型,得到预训练模型的过程。对于自监督学习训练的具体方式为现有技术,在此不再赘述。执行主体在对预设的初始模型进行自监督学习训练直至初始模型收敛,可以得到训练完成的初始模型。执行主体可以直接将训练完成的初始模型作为最终的预训练模型,用于绝缘子识别模型的训练。也可以对训练完成的初始模型进行进一步的处理,再得到最终的预训练模型,本实施例对此不做限定。可选的,对预设的初始模型进行自监督学习训练可以采用SimCLR算法(一个生成视觉表达的简单对抗学习框架)。
在本实施例的另一些可选的实现方式中,基于训练完成的初始模型,确定预训练模型,包括:获取已标注边界框的目标识别样本数据集;将目标识别样本数据集中的各个目标识别样本数据输入训练完成的初始模型,得到训练完成的初始模型输出的预测信息;基于预测信息和目标识别样本数据集已标注的边界框,调整训练完成的初始模型的模型参数,直至满足预设的收敛条件,得到预训练模型。
在本实现方式中,执行主体在基于绝缘子现场图像对初始模型进行自监督学习训练之后,还可以进一步对训练完成的初始模型使用已标注边界框的目标识别样本数据集进行进一步的训练。其中,这里的目标识别样本数据集可以使用一些现有的开源数据集,例如Object365数据集(一种包含多种对象类、且已标注边界框的图像数据集)。采用这种已标注边界框的目标识别样本数据集,相对于只包含分类标签的数据集,在训练模型时,能够提升模型训练效果,使得模型进行目标识别更加精准。通过将目标识别样本数据集中的各个目标识别样本数据输入训练完成的初始模型,得到训练完成初始模型输出的预测信息。其中,预测信息为每个图像中预测存在目标的预测框。执行主体基于将预测框和真实框进行比对,可以调整训练完成的初始模型的模型参数,直至训练完成的初始模型满足预设的收敛条件,得到预训练模型。进一步可选的,在基于训练完成的初始模型,得到预训练模型的过程中,可以采用迁移学习技术,将训练完成的初始模型的模型参数迁移到预训练模型的模型参数。可选的,执行主体在对训练完成的初始模型进行迁移学习之后,还可以进一步对预训练模型进行微调,得到微调后的预训练模型,并利用微调后的预训练模型训练绝缘子识别模型。
在本实施例的另一些可选的实现方式中,基于目标样本绝缘子图像,对预设的预训练模型进行模型训练,直至预训练模型收敛,得到预设的绝缘子识别模型,包括:从目标样本绝缘子图像中确定训练绝缘子图像集和测试绝缘子图像集;基于训练绝缘子图像集确定训练样本;基于训练样本,从测试绝缘子图像集中确定正向测试样本和负向测试样本;将训练样本、正向测试样本和负向测试样本输入预设的预训练模型,确定训练样本与正向测试样本之间的相似特征,以及训练样本与负向测试样本之间的差异特征;基于相似特征和差异特征,对预设的预训练模型进行训练,直至预训练模型收敛,得到预设的绝缘子识别模型。
在本实现方式中,执行主体可以优选采用Faster R-CNN模型作为预设的绝缘子识别模型的框架。在对预设的绝缘子识别模型进行训练时,执行主体可以采用现有的少样本学习技术,以Faster R-CNN模型作为预设的绝缘子识别模型的框架,将上述进行样本扩充后的目标样本绝缘子图像作为训练样本。从训练样本中确定训练绝缘子图像集合和测试绝缘子图像集合,分别作为训练集和测试集。其中,训练集的图像可以为需要进行目标检测的图像,测试集的图像可以为具有标注信息的目标特写图像。在模型训练的过程中,对于每轮训练,执行主体可以随机在训练集中选取训练绝缘子图像、再确定与该训练绝缘子图像匹配的正向测试绝缘子图像和负向测试绝缘子图像,将这三张图像构成三元组,输入预设的预训练模型,以使预设的预训练模型基于训练样本与正向测试样本之间的相似特征,以及训练样本与负向测试样本之间的差异特征,从两方面进行特征学习,直至模型收敛,得到预设的绝缘子识别模型。其中,正向测试样本为和训练样本属于同一类别的具有标注信息的目标特写样本,负向测试样本为和训练样本属于不同类别的具有标注信息的目标特写样本。举例来说,如果训练样本为包含自爆绝缘子的图像,正向测试样本可以为包含自爆绝缘子的特写图像,负向测试样本可以为正常绝缘子的特写图像。进一步的,这里的模型训练方式优选采用基于Attention-RPN(注意力机制以及区域生成网络相结合的技术)和Multi-Relation Detector(多关系检测)的少样本目标检测模型训练方式。其中,基于Attention-RPN和Multi-Relation Detector的少样本目标检测模型训练方式是现有技术,在此不再赘述。
步骤404,获取绝缘子图像。
在本实施例中,对于步骤404的详细描述请参照对于步骤201的详细描述,在此不再赘述。
步骤405,基于绝缘子图像和预设的绝缘子识别模型,确定绝缘子图像中各个绝缘子的位置信息。
在本实施例中,对于步骤405的详细描述,请参照对于步骤202的详细描述,在此不再赘述。
步骤406,基于位置信息,确定绝缘子图像中各组相邻绝缘子之间的距离值。
在本实施例中,对于步骤406的详细描述,请参照对于步骤203的详细描述,在此不再赘述。
步骤407,对于绝缘子图像中每组相邻绝缘子之间的距离值,响应于确定该距离值大于预设的距离阈值,基于该组相邻绝缘子的位置信息,确定该组相邻绝缘子对应的自爆绝缘子位置信息。
在本实施例中,执行主体可以将各组相邻绝缘子之间的距离值和预设的距离阈值进行比较,响应于确定某组相邻绝缘子之间的距离值大于预设的距离阈值,将该组相邻绝缘子之间的区域确定为自爆绝缘子的位置区域,基于该位置区域生成自爆绝缘子位置信息。
步骤408,基于各组相邻绝缘子对应的自爆绝缘子位置信息,确定绝缘子图像中的自爆绝缘子。
在本实施例中,执行主体可以在绝缘子图像中根据自爆绝缘子位置信息,标注绝缘子图像中的自爆绝缘子。
本公开的上述实施例提供的用于检测自爆绝缘子的方法,还可以通过样本扩充技术,在绝缘子识别模型的训练阶段,提高样本数量,减少人工标注成本,从而提高模型训练效果。以及基于预训练模型作为绝缘子识别模型的训练基础,能够加快模型训练速度以及提高模型训练效果。并且,在对绝缘子识别模型进行训练的过程中,还可以基于Faster R-CNN进行模型训练,模型训练效果更好。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于检测自爆绝缘子的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种服务器或者终端设备中。
如图5所示,本实施例的用于检测自爆绝缘子的装置500包括:图像获取单元501、绝缘子位置确定单元502、相邻绝缘子距离确定单元503、自爆绝缘子检测单元504。
图像获取单元501,被配置成获取绝缘子图像。
绝缘子位置确定单元502,被配置成基于绝缘子图像和预设的绝缘子识别模型,确定绝缘子图像中各个绝缘子的位置信息。
相邻绝缘子距离确定单元503,被配置成基于位置信息,确定绝缘子图像中各组相邻绝缘子之间的距离值。
自爆绝缘子检测单元504,被配置成基于距离值,确定绝缘子图像中的自爆绝缘子。
在本实施例的一些可选的实现方式中,自爆绝缘子检测单元504进一步被配置成:对于绝缘子图像中每组相邻绝缘子之间的距离值,响应于确定该距离值大于预设的距离阈值,基于该组相邻绝缘子的位置信息,确定该组相邻绝缘子对应的自爆绝缘子位置信息;基于各组相邻绝缘子对应的自爆绝缘子位置信息,确定绝缘子图像中的自爆绝缘子。
在本实施例的一些可选的实现方式中,上述装置还包括:绝缘子识别模型训练单元,被配置成获取样本绝缘子图像;对样本绝缘子图像进行样本扩充,得到目标样本绝缘子图像;基于目标样本绝缘子图像,对预设的预训练模型进行模型训练,直至预设的预训练模型收敛,得到预设的绝缘子识别模型。
在本实施例的一些可选的实现方式中,绝缘子识别模型训练单元进一步被配置成:基于样本绝缘子图像和预设的循环对抗生成网络模型,确定目标样本绝缘子图像。
在本实施例的一些可选的实现方式中,绝缘子识别模型训练单元进一步被配置成:获取绝缘子现场图像;基于绝缘子现场图像,对预设的初始模型进行自监督学习训练,直至初始模型收敛,得到训练完成的初始模型;基于训练完成的初始模型,确定预训练模型。
在本实施例的一些可选的实现方式中,绝缘子识别模型训练单元进一步被配置成:获取已标注边界框的目标识别样本数据集;将目标识别样本数据集中的各个目标识别样本数据输入训练完成的初始模型,得到训练完成的初始模型输出的预测信息;基于预测信息和目标识别样本数据集已标注的边界框,调整训练完成的初始模型的模型参数,直至满足预设的收敛条件,得到预训练模型。
在本实施例的一些可选的实现方式中,绝缘子识别模型训练单元进一步被配置成:从目标样本绝缘子图像中确定训练绝缘子图像集和测试绝缘子图像集;基于训练绝缘子图像集确定训练样本;基于训练样本,从测试绝缘子图像集中确定正向测试样本和负向测试样本;将训练样本、正向测试样本和负向测试样本输入预设的预训练模型,确定训练样本与正向测试样本之间的相似特征,以及训练样本与负向测试样本之间的差异特征;基于相似特征和差异特征,对预设的预训练模型进行训练,直至预训练模型收敛,得到预设的绝缘子识别模型。
应当理解,用于检测自爆绝缘子的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用车载通话的方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如用于检测自爆绝缘子的方法。例如,在一些实施例中,用于检测自爆绝缘子的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的用于检测自爆绝缘子的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于检测自爆绝缘子的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种用于检测自爆绝缘子的方法,包括:
获取绝缘子图像;
基于所述绝缘子图像和预设的绝缘子识别模型,确定所述绝缘子图像中各个绝缘子的位置信息;
基于所述位置信息,确定所述绝缘子图像中各组相邻绝缘子之间的距离值;
基于所述距离值,确定所述绝缘子图像中的自爆绝缘子。
2.根据权利要求1所述的方法,其中,所述基于所述距离值,确定所述绝缘子图像中的自爆绝缘子,包括:
对于所述绝缘子图像中每组相邻绝缘子之间的距离值,响应于确定该距离值大于预设的距离阈值,基于该组相邻绝缘子的位置信息,确定该组相邻绝缘子对应的自爆绝缘子位置信息;
基于各组相邻绝缘子对应的自爆绝缘子位置信息,确定所述绝缘子图像中的所述自爆绝缘子。
3.根据权利要求1所述的方法,其中,所述预设的绝缘子识别模型基于以下步骤训练得到:
获取样本绝缘子图像;
对所述样本绝缘子图像进行样本扩充,得到目标样本绝缘子图像;
基于所述目标样本绝缘子图像,对预设的预训练模型进行模型训练,直至所述预设的预训练模型收敛,得到所述预设的绝缘子识别模型。
4.根据权利要求3所述的方法,其中,所述对所述样本绝缘子图像进行样本扩充,得到目标样本绝缘子图像,包括:
基于所述样本绝缘子图像和预设的循环对抗生成网络模型,确定所述目标样本绝缘子图像。
5.根据权利要求3所述的方法,其中,所述预训练模型基于以下步骤训练得到:
获取绝缘子现场图像;
基于所述绝缘子现场图像,对预设的初始模型进行自监督学习训练,直至所述初始模型收敛,得到训练完成的初始模型;
基于所述训练完成的初始模型,确定所述预训练模型。
6.根据权利要求5所述的方法,其中,所述基于所述训练完成的初始模型,确定所述预训练模型,包括:
获取已标注边界框的目标识别样本数据集;
将所述目标识别样本数据集中的各个目标识别样本数据输入所述训练完成的初始模型,得到所述训练完成的初始模型输出的预测信息;
基于所述预测信息和所述目标识别样本数据集已标注的所述边界框,调整所述训练完成的初始模型的模型参数,直至满足预设的收敛条件,得到所述预训练模型。
7.根据权利要求3所述的方法,其中,所述基于所述目标样本绝缘子图像,对预设的预训练模型进行模型训练,直至所述预训练模型收敛,得到所述预设的绝缘子识别模型,包括:
从所述目标样本绝缘子图像中确定训练绝缘子图像集和测试绝缘子图像集;
基于所述训练绝缘子图像集确定训练样本;
基于所述训练样本,从所述测试绝缘子图像集中确定正向测试样本和负向测试样本;
将所述训练样本、所述正向测试样本和所述负向测试样本输入所述预设的预训练模型,确定所述训练样本与所述正向测试样本之间的相似特征,以及所述训练样本与所述负向测试样本之间的差异特征;
基于所述相似特征和所述差异特征,对所述预设的预训练模型进行训练,直至所述预训练模型收敛,得到所述预设的绝缘子识别模型。
8.一种用于检测自爆绝缘子的装置,包括:
图像获取单元,被配置成获取绝缘子图像;
绝缘子位置确定单元,被配置成基于所述绝缘子图像和预设的绝缘子识别模型,确定所述绝缘子图像中各个绝缘子的位置信息;
相邻绝缘子距离确定单元,被配置成基于所述位置信息,确定所述绝缘子图像中各组相邻绝缘子之间的距离值;
自爆绝缘子检测单元,被配置成基于所述距离值,确定所述绝缘子图像中的自爆绝缘子。
9.根据权利要求8所述的装置,其中,所述自爆绝缘子检测单元进一步被配置成:
对于所述绝缘子图像中每组相邻绝缘子之间的距离值,响应于确定该距离值大于预设的距离阈值,基于该组相邻绝缘子的位置信息,确定该组相邻绝缘子对应的自爆绝缘子位置信息;
基于各组相邻绝缘子对应的自爆绝缘子位置信息,确定所述绝缘子图像中的所述自爆绝缘子。
10.根据权利要求8所述的装置,其中,所述装置还包括:
绝缘子识别模型训练单元,被配置成获取样本绝缘子图像;对所述样本绝缘子图像进行样本扩充,得到目标样本绝缘子图像;基于所述目标样本绝缘子图像,对预设的预训练模型进行模型训练,直至所述预设的预训练模型收敛,得到所述预设的绝缘子识别模型。
11.根据权利要求10所述的装置,其中,所述绝缘子识别模型训练单元进一步被配置成:
基于所述样本绝缘子图像和预设的循环对抗生成网络模型,确定所述目标样本绝缘子图像。
12.根据权利要求10所述的装置,其中,所述绝缘子识别模型训练单元进一步被配置成:
获取绝缘子现场图像;
基于所述绝缘子现场图像,对预设的初始模型进行自监督学习训练,直至所述初始模型收敛,得到训练完成的初始模型;
基于所述训练完成的初始模型,确定所述预训练模型。
13.根据权利要求12所述的装置,其中,所述绝缘子识别模型训练单元进一步被配置成:
获取已标注边界框的目标识别样本数据集;
将所述目标识别样本数据集中的各个目标识别样本数据输入所述训练完成的初始模型,得到所述训练完成的初始模型输出的预测信息;
基于所述预测信息和所述目标识别样本数据集已标注的所述边界框,调整所述训练完成的初始模型的模型参数,直至满足预设的收敛条件,得到所述预训练模型。
14.根据权利要求10所述的装置,其中,所述绝缘子识别模型训练单元进一步被配置成:
从所述目标样本绝缘子图像中确定训练绝缘子图像集和测试绝缘子图像集;
基于所述训练绝缘子图像集确定训练样本;
基于所述训练样本,从所述测试绝缘子图像集中确定正向测试样本和负向测试样本;
将所述训练样本、所述正向测试样本和所述负向测试样本输入所述预设的预训练模型,确定所述训练样本与所述正向测试样本之间的相似特征,以及所述训练样本与所述负向测试样本之间的差异特征;
基于所述相似特征和所述差异特征,对所述预设的预训练模型进行训练,直至所述预训练模型收敛,得到所述预设的绝缘子识别模型。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717574.0A CN113393453A (zh) | 2021-06-28 | 2021-06-28 | 用于检测自爆绝缘子的方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717574.0A CN113393453A (zh) | 2021-06-28 | 2021-06-28 | 用于检测自爆绝缘子的方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393453A true CN113393453A (zh) | 2021-09-14 |
Family
ID=77624067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717574.0A Pending CN113393453A (zh) | 2021-06-28 | 2021-06-28 | 用于检测自爆绝缘子的方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393453A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115442421A (zh) * | 2022-07-22 | 2022-12-06 | 云南电网有限责任公司 | 设备更换方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570853A (zh) * | 2015-10-08 | 2017-04-19 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
CN107808141A (zh) * | 2017-11-08 | 2018-03-16 | 国家电网公司 | 一种基于深度学习的输电线路绝缘子爆裂识别方法 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN111462057A (zh) * | 2020-03-23 | 2020-07-28 | 华南理工大学 | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 |
CN111507189A (zh) * | 2020-03-17 | 2020-08-07 | 国家电网有限公司 | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 |
-
2021
- 2021-06-28 CN CN202110717574.0A patent/CN113393453A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570853A (zh) * | 2015-10-08 | 2017-04-19 | 上海深邃智能科技有限公司 | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 |
CN107808141A (zh) * | 2017-11-08 | 2018-03-16 | 国家电网公司 | 一种基于深度学习的输电线路绝缘子爆裂识别方法 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN111507189A (zh) * | 2020-03-17 | 2020-08-07 | 国家电网有限公司 | 一种基于图像处理技术的绝缘子串缺陷快速检测方法 |
CN111462057A (zh) * | 2020-03-23 | 2020-07-28 | 华南理工大学 | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 |
Non-Patent Citations (1)
Title |
---|
潘晓霞著: "虚拟现实与人工智能技术的综合应用", 中国原子能出版社, pages: 148 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115442421A (zh) * | 2022-07-22 | 2022-12-06 | 云南电网有限责任公司 | 设备更换方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033537B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN113326764A (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN112633384A (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
US11810319B2 (en) | Image detection method, device, storage medium and computer program product | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN113378835A (zh) | 标注模型训练、样本标注方法及相关装置 | |
CN113657467A (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112967248A (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN113393453A (zh) | 用于检测自爆绝缘子的方法、装置、设备、介质和产品 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
US11281912B2 (en) | Attribute classifiers for image classification | |
CN113902899A (zh) | 训练方法、目标检测方法、装置、电子设备以及存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
US20210166129A1 (en) | Multi-scale object detection with a trained neural network | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN114882315A (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
CN114187435A (zh) | 文本识别方法、装置、设备以及存储介质 | |
CN114821309A (zh) | 一种室内变电站开关及指示灯状态识别方法及系统 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 |
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 |