CN113449885A - 一种基于深度学习技术混凝土电杆自动状态的评估方法 - Google Patents
一种基于深度学习技术混凝土电杆自动状态的评估方法 Download PDFInfo
- Publication number
- CN113449885A CN113449885A CN202110741543.9A CN202110741543A CN113449885A CN 113449885 A CN113449885 A CN 113449885A CN 202110741543 A CN202110741543 A CN 202110741543A CN 113449885 A CN113449885 A CN 113449885A
- Authority
- CN
- China
- Prior art keywords
- concrete pole
- image set
- training
- distance
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000005516 engineering process Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 238000011179 visual inspection Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims abstract description 4
- 230000036541 health Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习技术混凝土电杆自动状态的评估方法，包括S1、极点选择，选择用于检查的结构集，结构集为包括自上次检查以来的时间间隔、上次记录的基础设施状态、架空输电线路对电力系统安全性的重要性指标及其他外部事件的函数；S2、通过徒步巡逻进行定期目视检查各地的混凝土电杆并获得训练和测试数据的图像集；S3、建立图像集与资产之间的关联，将徒步巡逻获得的混凝土电杆图像集与存储在数据库平台中的物理资产相关联；S4、使用对象检测网络YOLOv2来检测待评估图像集的缺陷；S5、输出检测结果，相比于传统人工目视检测的方法，可以显著减少人工检查的时间，提高了检测的效率，降低了检测成本。
Description
技术领域
本发明涉及自动视觉检测技术领域，尤其涉及一种基于深度学习技术混凝土电杆自动状态的评估方法。
背景技术
架空输电线路(OHL)是电力系统中最重要的资产之一，随着电杆基础设施的使用和环境的作用下，这些电杆基础设施会有不同程度的缺陷，它们会危及系统的可靠性和安全性。因此必须定期检查这些基础设施，所以针对这些电杆基础设施的缺陷检测开发出行之有效的检测方法是亟需解决的问题。
现多数技术公司由于技术的原因，还是采用人工徒步目检的方法，而人工目检的方法存在以下问题：
(1)检测效率低下，人工检测标准因人而异。
(2)未能对检测到的缺陷进行合理的归类和保存。
针对以上的不足，本发明提供了基于深度学习技术混凝土电杆自动状态的评估方法，该方法能够代替人工目检，达到了提高检测效率、降低人工检测成本的目的。
发明内容
针对上述问题，本发明提出一种基于深度学习技术混凝土电杆自动状态的评估方法，主要解决背景技术中的问题。
本发明提出一种基于深度学习技术混凝土电杆自动状态的评估方法，包括以下步骤：
S1、极点选择，选择用于检查的结构集，所述结构集为包括自上次检查以来的时间间隔、上次记录的基础设施状态、架空输电线路对电力系统安全性的重要性指标及其他外部事件的函数；
S2、通过徒步巡逻进行定期目视检查各地的混凝土电杆并获得训练和测试数据的图像集；
S3、建立图像集与资产之间的关联，将徒步巡逻获得的混凝土电杆图像集与存储在数据库平台中的物理资产相关联；
S4、使用对象检测网络YOLOv2来检测待评估图像集的缺陷；
S5、输出检测结果。
2.根据权利要求1所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S3具体包括以下步骤：
S301、通过匹配训练和测试数据的图像集内的每张图像分别到对应的物理资产的最小距离，生成映射到物理资产的混凝土电杆图像的潜在候选列表；
S302、验证映射得到的潜在候选列表中的每个潜在候选，通过查看图像塔距离相对于塔-塔距离的分布，并选择一个距离值Dreal来平衡落在该距离内的极点数量和小于该距离的极点跨度数量，且所选择的距离值Dreal小于指定的阈值Dmax。
进一步改进在于，所述步骤S302中距离值Dreal的计算公式为：
其中，Dreal是两点之间的距离；lat和lon分别指的是纬度和经度，且lon和lat在同一坐标系中使；r指的是地球的半径。
进一步改进在于，所以步骤S4具体包括以下步骤：
S401、对待评估图像集进行图像预处理；
S402、选取训练数据集，所述训练数据集为所述训练和测试数据的图像集，并使用留出法交叉验证来训练和验证所述对象检测网络YOLOv2，其中，所述训练数据集80％的数据用于训练，20％的数据用于验证，并生成对应的健康指数；
S403、使用所述对象检测网络YOLOv2对待评估图像集内的每个特征图像进行目标预测，并使用交并比距离度量的K均值聚集算法生成锚盒大小。
进一步改进在于，所述步骤S403中所述交并比距离度量的K均值聚集算法的公式如下：
其中，A和B分别表示地面真实情况和估计的边界框。
进一步改进在于，所述步骤S403具体还包括：选择Adam随机优化技术来训练网络，动量、小批次大小、时期、初始学习率和衰减因子分别选择为0.9、4、160、0.001和0.0005。
与现有技术相比，本发明的有益效果为：
本发明的方法首先是极点选择，其次是图像收集，再是图像与资产进行相关联，最后是图像移动到对象检测器YOLOv2网络上进行缺陷检测，根据缺陷的严重性使用健康指数对检测到的缺陷进行分类，并将结果保存在资产数据库中，相比于传统人工目视检测的方法，可以显著减少人工检查的时间，提高了检测的效率，降低了检测成本。
附图说明
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
图1为本发明一实施方式的整体流程示意图。
具体实施方式
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。下面结合附图和实施例对本发明的技术方案做进一步的说明。
参照图1，一种基于深度学习技术混凝土电杆自动状态的评估方法，包括以下具体步骤：
S1，极点选择。选择用于检查的结构集是自上次检查以来的时间、上次记录的基础设施状态、线路对系统安全性的重要性以及任何可能引起关注的外部事件的函数。
S2，图像采集。从多个角度拍摄足够清晰的图像，通过徒步巡逻进行定期目视检查获得训练和测试数据的图像。
S3，图像与资产进行相关联。通过徒步巡逻获得的混凝土杆图像与其存储在数据库平台中的物理资产之间的进行联系。进一步的，所述步骤S3中的具体步骤包括：
S301，通过匹配每个图像到物理资产的最小距离，生成映射到物理资产的混凝土柱图像的潜在候选列表。
S302，验证每个潜在的映射候选，距离(地球球体上两个不同点之间的距离可以用哈弗辛公式(1)精确计算)必须小于指定的阈值Dmax，通过查看图像塔距离相对于塔-塔距离的分布，并选择一个值Dreal来平衡落在该距离内的极点数量和小于该距离的极点跨度数量。
式中，Dreal是两点之间的距离；lat和lon是纬度和经度，lon和1at应该在同一坐标系中使用；r是地球的半径(r＝6731km)。
S4，使用训练有素的对象检测网络YOLOv2来检测缺陷。进一步的，所述步骤S4中的具体步骤包括：
S401，在原始图像上放置每个类别缺陷的原标记边界框，所有边界框都保存为图像上的相对坐标。然后将所有图像调整到512×512像素。
S402，选取数据集，数据集由1008幅图像组成，共有3544个独特的特征，将其特征分成9类。下表1给出了训练和测试数据集的特征分类和对应的健康指数(HI)。从数据集中随机选择的数据的80％用于训练，20％用于测试。使用一种留出法交叉验证来训练和测试检测网络。
表1 按缺陷类型划分的训练和测试数据的组成及健康指数
S403，使用YOLOv2对每个特征地图位置进行目标预测，而不需要级联区域分类步骤。特征提取网络由23个卷积、5个最大池、2个路由和1个重组层组成。使用交并比距离度量的K均值聚类算法由下式(2)给出，
式中，A和B分别表示地面真实情况和估计的边界框。
用该方法用于生成锚盒大小。选择Adam随机优化技术来训练网络，动量、小批次大小、时期、初始学习率和衰减因子分别选择为0.9、4、160、0.001和0.0005。
S5，输出检测结果。
图中，描述位置关系仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，包括以下步骤：
S1、极点选择，选择用于检查的结构集，所述结构集为包括自上次检查以来的时间间隔、上次记录的基础设施状态、架空输电线路对电力系统安全性的重要性指标及其他外部事件的函数；
S2、通过徒步巡逻进行定期目视检查各地的混凝土电杆并获得训练和测试数据的图像集；
S3、建立图像集与资产之间的关联，将徒步巡逻获得的混凝土电杆图像集与存储在数据库平台中的物理资产相关联；
S4、使用对象检测网络YOLOv2来检测待评估图像集的缺陷；
S5、输出检测结果。
2.根据权利要求1所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S3具体包括以下步骤：
S301、通过匹配训练和测试数据的图像集内的每张图像分别到对应的物理资产的最小距离，生成映射到物理资产的混凝土电杆图像的潜在候选列表；
S302、验证映射得到的潜在候选列表中的每个潜在候选，通过查看图像塔距离相对于塔-塔距离的分布，并选择一个距离值Dreal来平衡落在该距离内的极点数量和小于该距离的极点跨度数量，且所选择的距离值Dreal小于指定的阈值Dmax。
3.根据权利要求2所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S302中距离值Dreal的计算公式为：
其中，Dreal是两点之间的距离；lat和lon分别指的是纬度和经度，且lon和lat在同一坐标系中使；r指的是地球的半径。
4.根据权利要求1所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所以步骤S4具体包括以下步骤：
S401、对待评估图像集进行图像预处理；
S402、选取训练数据集，所述训练数据集为所述训练和测试数据的图像集，并使用留出法交叉验证来训练和验证所述对象检测网络YOLOv2，其中，所述训练数据集80％的数据用于训练，20％的数据用于验证，并生成对应的健康指数；
S403、使用所述对象检测网络YOLOv2对待评估图像集内的每个特征图像进行目标预测，并使用交并比距离度量的K均值聚集算法生成锚盒大小。
5.根据权利要求4所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S403中所述交并比距离度量的K均值聚集算法的公式如下：
其中，A和B分别表示地面真实情况和估计的边界框。
6.根据权利要求4所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S403具体还包括：选择Adam随机优化技术来训练网络，动量、小批次大小、时期、初始学习率和衰减因子分别选择为0.9、4、160、0.001和0.0005。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110741543.9A CN113449885A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习技术混凝土电杆自动状态的评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110741543.9A CN113449885A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习技术混凝土电杆自动状态的评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449885A true CN113449885A (zh) | 2021-09-28 |
Family
ID=77814552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110741543.9A Pending CN113449885A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习技术混凝土电杆自动状态的评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449885A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080094278A1 (en) * | 2006-10-19 | 2008-04-24 | International Business Machines Corporation | Method and system for distance estimation |
| US20110153419A1 (en) * | 2009-12-21 | 2011-06-23 | Hall Iii Arlest Bryon | System and method for intelligent modeling for insurance marketing |
| CN102483758A (zh) * | 2009-08-24 | 2012-05-30 | 伊斯曼柯达公司 | 处理关联数字图像文件的地理位置信息 |
| US8411969B1 (en) * | 2010-08-06 | 2013-04-02 | The United States Of America As Represented By The Secretary Of The Navy | Method for fusing overhead imagery with automatic vessel reporting systems |
| CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
| CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测系统 |
| CN111738259A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种杆塔状态检测方法及装置 |
| CN112529836A (zh) * | 2020-10-30 | 2021-03-19 | 广州优飞信息科技有限公司 | 高压线路缺陷检测方法、装置、存储介质及电子设备 |
-
2021
- 2021-06-30 CN CN202110741543.9A patent/CN113449885A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080094278A1 (en) * | 2006-10-19 | 2008-04-24 | International Business Machines Corporation | Method and system for distance estimation |
| CN102483758A (zh) * | 2009-08-24 | 2012-05-30 | 伊斯曼柯达公司 | 处理关联数字图像文件的地理位置信息 |
| US20110153419A1 (en) * | 2009-12-21 | 2011-06-23 | Hall Iii Arlest Bryon | System and method for intelligent modeling for insurance marketing |
| US8411969B1 (en) * | 2010-08-06 | 2013-04-02 | The United States Of America As Represented By The Secretary Of The Navy | Method for fusing overhead imagery with automatic vessel reporting systems |
| CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
| CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测系统 |
| CN111738259A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种杆塔状态检测方法及装置 |
| CN112529836A (zh) * | 2020-10-30 | 2021-03-19 | 广州优飞信息科技有限公司 | 高压线路缺陷检测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| HENRI MANNINEN 等: "Toward automatic condition assessment of high-voltage transmission infrastructure using deep learning techniques", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9159132B1 (en) | Process and system for identifying damage | |
| CN111076096B (zh) | 燃气管网泄漏识别方法和装置 | |
| CN103903008A (zh) | 一种基于图像识别输电线路的雾等级的方法以及系统 | |
| CN112668375B (zh) | 景区内游客分布分析系统及方法 | |
| CN111626169A (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
| Manninen et al. | Toward automatic condition assessment of high-voltage transmission infrastructure using deep learning techniques | |
| CN107204117A (zh) | 套牌车的识别方法 | |
| Chen et al. | Building vulnerability assessment in seismic areas using ensemble learning: A Nepal case study | |
| CN110472775A (zh) | 一种系列案件疑犯落脚点预测方法 | |
| Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
| Pittore et al. | Toward a loss‐driven earthquake early warning and rapid response system for Kyrgyzstan (Central Asia) | |
| Zhu et al. | Detection of industrial storage tanks at the city-level from optical satellite remote sensing images | |
| CN117079252A (zh) | 一种基于改进YOLOv5的交通标志检测与测距方法 | |
| CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
| CN114418945A (zh) | 一种光伏组件热斑检测方法及装置 | |
| CN111598885B (zh) | 高速公路团雾图片能见度等级自动标注方法 | |
| KR102602439B1 (ko) | 인공지능 기반 cctv 촬영 이미지 정보를 이용한 이안류 탐지 방법 및 그 장치 | |
| CN114612735A (zh) | 基于深度学习的吊钩防脱装置检测方法 | |
| CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 | |
| CN113449885A (zh) | 一种基于深度学习技术混凝土电杆自动状态的评估方法 | |
| CN112949630B (zh) | 基于边框分级筛选的弱监督目标检测方法 | |
| You et al. | Rapid traffic sign damage inspection in natural scenes using mobile laser scanning data | |
| CN116739357B (zh) | 多模态融合感知的城市既有建筑广域监测预警方法及装置 | |
| Li et al. | Study on road damage assessment based on RS and GIS | |
| Alizadeh Kharazi et al. | Mapping of 2021–2022 floods in North America from street photos with artificial intelligence |
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: 20210928 |
|
| WD01 | Invention patent application deemed withdrawn after publication |