CN113592839A - 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 - Google Patents

基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 Download PDF

Info

Publication number
CN113592839A
CN113592839A CN202110900924.7A CN202110900924A CN113592839A CN 113592839 A CN113592839 A CN 113592839A CN 202110900924 A CN202110900924 A CN 202110900924A CN 113592839 A CN113592839 A CN 113592839A
Authority
CN
China
Prior art keywords
distribution network
defect
network line
image
inspection 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.)
Granted
Application number
CN202110900924.7A
Other languages
English (en)
Other versions
CN113592839B (zh
Inventor
高冬良
王维权
何彧
李志鹏
黄城
袁国治
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.)
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110900924.7A priority Critical patent/CN113592839B/zh
Publication of CN113592839A publication Critical patent/CN113592839A/zh
Application granted granted Critical
Publication of CN113592839B publication Critical patent/CN113592839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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]

Landscapes

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

Abstract

本申请公开了一种基于改进FasterRCNN的配网线路典型缺陷诊断方法及系统，其通过对配网线路巡检图像数据集进行数据增广处理以增加样本数量和多样性，并通过以在ImageNet数据集中预训练得到的ResNet101网络结构作为改进FasterRCNN目标检测算法的骨干网络，并结合BiFPN特征融合网络能够提取多尺度特征，利用多尺度特征进行缺陷分类及缺陷定位，实现了多尺度缺陷目标检测，能够同时检测同一巡检图像中尺寸差异较大的缺陷，提高了不同尺寸的部件的缺陷的准确度。

Description

基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统
技术领域
本申请涉及配网设备配网线路巡检图像技术领域，尤其涉及一种基于改进FasterRCNN的配网线路典型缺陷诊断方法及系统。
背景技术
目前，无人机巡检技术在配网线路巡检领域中广泛应用，其是利用无人机的灵活性，可以拍摄大量配网线路图像，再回传到后台进行缺陷定位和类型分析。
但是，在后台进行缺陷定位和类型分析时，传统的图像分析是需要人工进行图像分析，这使得无法在短时间内快速分析海量图像数据，且工作人员容易因疲劳或个人经验的影响，经常出现检测错误的现象。
因此，目前针对人工检测效率低下且易出错的问题，通常使用深度学习目标检测算法进行图像分析，以检测配网线路缺陷。但由于配网线路各部件大小差异较大，在使用深度学习目标检测算法过程中，通过采用单尺度特征的方法捕捉配网线路图像，但对于配网线路图像中不同尺寸部件的缺陷情况，应用单尺度特征的方法就难以同时检测各尺度下的缺陷信息，造成检测缺陷的准确度较低。
发明内容
本申请提供了一种基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统，用于解决检测不同尺寸的部件的缺陷的准确度较低的技术问题。
有鉴于此，本申请第一方面提供了一种基于改进Faster RCNN的配网线路典型缺陷诊断方法，包括以下步骤：
S1、对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，将所述配网线路巡检图像数据集分为图像训练集和图像测试集；
S2、基于图像处理算法对所述配网线路巡检图像数据集进行数据增广处理，以对所述配网线路巡检图像数据集进行数据增强；
S3、基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，所述改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；
S4、利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，根据测试结果判断所述配网线路缺陷识别模型的识别精度是否满足预设要求，若不满足预设要求，则调整网络参数并转至步骤S3进行迭代训练，直至所述配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。
优选地，步骤S1中的对预先获取的每张配网线路巡检图像进行人工标注具体包括：
S101、根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；
S102、根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。
优选地，步骤S2中的数据增广处理的方式采用随机裁剪、随机亮度变换、随机色相和饱和度变换中的一种处理方式或多种处理方式组合。
优选地，随机亮度变换的步骤具体包括：
S211、确定待处理的配网线路巡检图像中的某像素点在RGB空间中的初始像素值；
S212、根据预设的亮度变化量上下限约束，随机确定所述待处理的配网线路巡检图像中均匀分布的亮度变化量；
S213、根据所述初始像素值和若干个所述亮度变化量确定所述待处理的配网线路巡检图像经随机亮度变换后的像素值。
优选地，步骤S3之前包括：
S301、获取公开的ImageNet数据集；
S302、利用ImageNet数据集对ResNet 101网络结构进行训练，以进行图像分类任务，所述ResNet 101网络结构包括卷积操作层、残差块、平均值池化层和全连接网络层；
S303、向所述卷积操作层输入配网线路巡检图像数据，将所述配网线路巡检图像数据利用卷积核进行卷积操作；
S304、对所述卷积操作层输出的配网线路巡检图像数据进行标准化处理，以得到标准图像样本集合；
S305、利用非线性激活函数对所述标准图像样本集合进行激活，以得到激活图像样本集合，所述激活图像样本集合再经过最大池化以输出新的特征图像；
S306、将所述新的特征图像输入到残差块进行处理，所述残差块为四个残差子块堆叠而成，所述新的特征图像每经过一个残差子块，则所述新的特征图像的数量增大至原来的两倍且其尺寸缩短至原来的一半；
S307、将经残差块处理后的新的特征图像输入至所述平均值池化层，利用平均值池化函数对所述新的特征图像进行综合特征；
S308、将经所述平均值池化层处理后的新的特征图像输入至所述全连接网络层，以对所述新的特征图像进行分类，再经由softmax函数将输出结果映射到[0,1]区间内且使其总和为1，从而得到新的特征图像的分类概率；
S309、依据所述新的特征图像的分类概率判断相应的类别，从而完成对ResNet101网络结构进行训练。
优选地，步骤S3中的基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框的步骤具体包括：
S311、基于预训练得到的ResNet 101网络结构提取所述配网线路巡检图像中的特征，以获得特征图，将所述特征图输入所述BiFPN特征融合网络中进行特征融合，从而输出多尺度特征图；
S312、将所述多尺度特征图输入到RPN网络中进行锚框参数的学习，并生成相应的候选框，判断所述多尺度特征图中每个候选框是否包含待检测缺陷类型，若所述候选框包含所述待检测缺陷类型，则回归所述候选框的坐标偏移量，以修正所述候选框的位置；
S313、利用非极大值抑制算法处理所述候选框，以剔除位置重复的候选框；
S314、根据所述候选框提取感兴趣区域，利用感兴趣区域池化将所述感兴趣区域变换为固定尺寸，再基于ResNet 101网络结构对每一个感兴趣区域进行缺陷分类和缺陷定位。
优选地，步骤S3之后包括：
S315、计算配网线路缺陷识别模型的缺陷分类和缺陷定位的总损失函数，利用所述缺陷分类和缺陷定位的总损失函数结合Adam算法对所述配网线路缺陷识别模型进行迭代更新相应的神经网络的权重和偏置值，直到收敛，从而输出训练完成后的配网线路缺陷识别模型。
优选地，步骤S4具体包括：
S401、利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，从而输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框以及定位框是否包含缺陷的置信分数；
S402、遍历所述图像测试集中的每个缺陷类型，根据所述置信分数将同一缺陷类型对应的所述定位框进行排序；
S403、遍历每个定位框，计算得到每个定位框与相应的真实框的IOU值；
S404、遍历每个IOU值，判断所述IOU值是否大于IOU阈值，若判断所述IOU值大于IOU阈值时，则将所述IOU值对应的定位框标记为正样本，若判断所述IOU值不大于IOU阈值时，则将所述IOU值对应的定位框标记为负样本；
S405、根据所述正样本、所述负样本和预先获取的真值样本计算召回率和准确率；
S406、根据召回率和准确率得到召回率—准确率曲线，根据所述召回率—准确率曲线下的面积，从而得到平均精度；
S407、根据步骤S402～406对每个缺陷类型进行遍历处理，从而得到每个缺陷类型的平均精度，根据每个缺陷类型的平均精度计算得到平均精度均值；
S408、判断所述平均精度均值是否大于预设的平均精度均值阈值，若判断为是，则输出相应的配网线路缺陷识别模型，若判断为否，则调整网络参数，并转至步骤S3进行迭代训练，直至所述平均精度均值大于所述预设的平均精度均值阈值。
第二方面，本发明还提供了一种基于改进Faster RCNN的配网线路典型缺陷诊断系统，包括：
标注模块，用于对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，还用于将所述配网线路巡检图像数据集分为图像训练集和图像测试集；
数据增广模块，用于基于图像处理算法对所述配网线路巡检图像数据集进行数据增广处理，以对所述配网线路巡检图像数据集进行数据增强；
训练模块，用于基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，所述改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet101网络结构作为骨干网络；
测试模块，用于利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，还用于根据测试结果判断所述配网线路缺陷识别模型的识别精度是否满足预设要求，还用于若不满足预设要求，则调整网络参数以通过所述训练模块进行迭代训练，直至所述配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。
优选地，所述标注模块包括：
标注子模块，用于根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；
确定子模块，用于根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过对配网线路巡检图像数据集进行数据增广处理以增加样本数量和多样性，并通过以在ImageNet数据集中预训练得到的ResNet 101网络结构作为改进FasterRCNN目标检测算法的骨干网络，并结合BiFPN特征融合网络能够提取多尺度特征，利用多尺度特征进行缺陷分类及缺陷定位，实现了多尺度缺陷目标检测，能够同时检测同一巡检图像中尺寸差异较大的缺陷，提高了不同尺寸的部件的缺陷的准确度。
附图说明
图1为本申请实施例提供的一种基于改进Faster RCNN的配网线路典型缺陷诊断方法的流程图；
图2为本申请实施例提供的一种基于改进Faster RCNN的配网线路典型缺陷诊断系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种基于改进Faster RCNN的配网线路典型缺陷诊断方法，包括以下步骤：
S1、对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，将配网线路巡检图像数据集分为图像训练集和图像测试集；
S2、基于图像处理算法对配网线路巡检图像数据集进行数据增广处理，以对配网线路巡检图像数据集进行数据增强；
S3、基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；
S4、利用图像测试集输入至配网线路缺陷识别模型中进行测试，根据测试结果判断配网线路缺陷识别模型的识别精度是否满足预设要求，若不满足预设要求，则调整网络参数并转至步骤S3进行迭代训练，直至配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。
本实施例通过对配网线路巡检图像数据集进行数据增广处理以增加样本数量和多样性，并通过以在ImageNet数据集中预训练得到的ResNet 101网络结构作为改进FasterRCNN目标检测算法的骨干网络，并结合BiFPN特征融合网络能够提取多尺度特征，利用多尺度特征进行缺陷分类及缺陷定位，实现了多尺度缺陷目标检测，能够同时检测同一巡检图像中尺寸差异较大的缺陷，提高了不同尺寸的部件的缺陷的准确度。
以下为本发明提供的一种基于改进Faster RCNN的配网线路典型缺陷诊断方法的实施例的具体描述。
S100、对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，将配网线路巡检图像数据集分为图像训练集和图像测试集；
具体地，在步骤S100中，对预先获取的每张配网线路巡检图像进行人工标注具体包括：
S101、根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；
需要说明的是，缺陷认定规则是通过历史人工标注数据进行设定的，在一个具体示例中，首先获取历史已正确人工标注的配网线路巡检图像，确定配网线路巡检图像中被框的缺陷部件图像上的特点，根据《Q_GDW 645-2011配网设备状态评价导则》中的架空线路单元的评价方法，进行人工标注预先获取的每张配网线路巡检图像中的各个部件的缺陷类型，其中，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签编码[00001]、树枝遮挡标签编码[00010]、绝缘子缺陷标签编码[00100]、销钉缺陷标签编码[01000]、杆塔雷击缺陷编码[10000]。
S102、根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。
需要说明的是，在一个具体示例中，以巡检图像的左下角的顶点为原点，单个像素的宽度为单位长度建立局部坐标系，缺陷定位框使用(xc gt,yc gt,wgt,hgt)表示，其中xc gt和yc gt分别表示缺陷定位框中心的横纵坐标，wgt和hgt分别表示缺陷定位框的宽和高。其具体确定方式为：人工输入缺陷定位框对角线上两个顶点的横纵坐标，通过求其横纵坐标的平均值，确定缺陷定位框中心的横纵坐标，通过求其横坐标之差的绝对值、纵坐标之差的绝对值，分别确定缺陷定位框的宽和高。
S200、基于图像处理算法对配网线路巡检图像数据集进行数据增广处理，以对配网线路巡检图像数据集进行数据增强；
需要说明的是，步骤S200中的数据增广处理的方式采用随机裁剪、随机亮度变换、随机色相和饱和度变换中的一种处理方式或多种处理方式组合。
具体地，随机裁剪的步骤具体包括：
201、在配网线路巡检图像数据集中随机采样100张巡检图像，作为进行数据增广的原始图像；
202、使用随机裁剪算法，从100张原始图像中分别裁剪出正方形区域，并调整原始图像对应的缺陷定位框，具体地，首先，记原始图像宽和高中的最小值为lmin，即lmin＝min(wgt,hgt)，其中，wgt和hgt分别表示缺陷定位框的宽和高。按均匀分布l～(0.3lmin,lmin)采样，并从原始图像中随机裁剪以l为边长的正方形区域。然后，计算原图像中缺陷定位框在随机裁剪后图像中的坐标。最后，去掉裁剪区域中不完整的缺陷检测框，最终得到随机裁剪后的图像样本。
随机亮度变换的步骤具体包括：
S211、确定待处理的配网线路巡检图像中的某像素点在RGB空间中的初始像素值，记为(r0,g0,b0)；
S212、根据预设的亮度变化量上下限约束，随机确定待处理的配网线路巡检图像中均匀分布的亮度变化量，即
δb-U(δminb,δmaxb)
式中，δb表示亮度变化量，U(δminb,δmaxb)表示预设的亮度变化量上下限约束，δminb表示预设的亮度变化量下限，δmaxb表示预设的亮度变化量上限；
S213、根据初始像素值和若干个亮度变化量确定待处理的配网线路巡检图像经随机亮度变换后的像素值，即变换后的像素值为，
Figure BDA0003199749020000091
式中，(r1,g1,b1)表示经随机亮度变换后的像素值，clip(·)表示限幅函数，对于24位RGB图像，限幅函数将输出的像素值限制在0～255之间。
随机色相和饱和度变换的步骤具体包括：
S221、使用随机色相和饱和度变换算法，调节图像的饱和度，具体地，首先，将待处理的图像中的各像素点变换到HSV空间，记为pmax＝max(r0,g0,b0)，pmin＝min(r0,g0,b0)，则待处理的图像从RGB空间像素点(r0,g0,b0)变换到HSV空间像素点(h0,s0,v0)的公式为，
Figure BDA0003199749020000092
Figure BDA0003199749020000093
v0＝pmax
S222、按照均匀分布重新采样色相和饱和度的变化量δh和δs，明度v2保持不变，即
h2＝clip(h0+δh),δh～U(δminh,δmaxh)
s2＝clip(s0+δs),δs～U(δmins,δmaxs)
v2＝v0
式中，δminh和δmaxh分别为色相变化量的下限和上限，δmins和δmaxs分别为饱和度变化量的下限和上限，(h2,s2,v2)为变换后图像从HSV空间的像素点；
S223、将变换后图像从HSV空间的像素点(h2,s2,v2)变换为RGB空间上的像素点(r2,g2,b2)，即
Figure BDA0003199749020000101
Figure BDA0003199749020000102
e2＝v2×(1-s2)
q2＝v2×(1-f2×s2)
t2＝v2×(1-(1-f2)×s2)
Figure BDA0003199749020000103
式中，f2、e2、q2、t2为中间变量。
S300、基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；
需要说明的是，步骤S300之前包括：
S301、获取公开的ImageNet数据集；
S302、利用ImageNet数据集对ResNet 101网络结构进行训练，以进行图像分类任务，ResNet 101网络结构包括卷积操作层、残差块、平均值池化层和全连接网络层；
S303、向卷积操作层输入配网线路巡检图像数据，将配网线路巡检图像数据利用卷积核进行卷积操作；
S304、对卷积操作层输出的配网线路巡检图像数据进行标准化处理，以得到标准图像样本集合；
S305、利用非线性激活函数对标准图像样本集合进行激活，以得到激活图像样本集合，激活图像样本集合再经过最大池化以输出新的特征图像；
S306、将新的特征图像输入到残差块进行处理，残差块为四个残差子块堆叠而成，新的特征图像每经过一个残差子块，则新的特征图像的数量增大至原来的两倍且其尺寸缩短至原来的一半；
需要说明的是，四个残差块分别包含了3个瓶颈层、4个瓶颈层、23个瓶颈层和3个瓶颈层，每个瓶颈层中包含两种层，分别是卷积层和残差层。
S307、将经残差块处理后的新的特征图像输入至平均值池化层，利用平均值池化函数对新的特征图像进行综合特征；
S308、将经平均值池化层处理后的新的特征图像输入至全连接网络层，以对新的特征图像进行分类，再经由softmax函数将输出结果映射到[0,1]
区间内且使其总和为1，从而得到新的特征图像的分类概率；
S309、依据新的特征图像的分类概率判断相应的类别，从而完成对ResNet101网络结构进行训练。
具体地，在步骤S3中的基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框的步骤具体包括：
S311、基于预训练得到的ResNet 101网络结构提取配网线路巡检图像中的特征，以获得特征图，将特征图输入BiFPN特征融合网络中进行特征融合，从而输出多尺度特征图；
需要说明的是，在一个具体实施例中，将配网线路巡检图像输入到ResNet101网络结构中，得到经过卷积操作和四个残差子块提取的五个特征图，将五个特征图输入到BiFPN特征融合网络中进行多尺度特征融合，记五个特征图为
Figure BDA0003199749020000121
则经过BiFPN特征融合网络输出的中间特征图为，
Figure BDA0003199749020000122
式中，
Figure BDA0003199749020000123
表示第i个中间特征图，Conv(·)表示卷积操作，Resize(·)表示改变尺寸操作，wi1和wi2为第i个中间层的可学习特征图权重，
Figure BDA0003199749020000124
为第i个输入特征图，ε取0.0001。利用中间特征图，可得输出多尺度特征图为，
Figure BDA0003199749020000125
式中，
Figure BDA0003199749020000126
表示第i个多尺度特征图，w'i1、w'i2、w'i3为第i个输出层的可学习特征图权重。
S312、将多尺度特征图输入到RPN网络中进行锚框参数的学习，并生成相应的候选框，判断多尺度特征图中每个候选框是否包含待检测缺陷类型，若候选框包含待检测缺陷类型，则回归候选框的坐标偏移量，以修正候选框的位置；
S313、利用非极大值抑制算法处理候选框，以剔除位置重复的候选框；
S314、根据候选框提取感兴趣区域，利用感兴趣区域池化将感兴趣区域变换为固定尺寸，再基于ResNet 101网络结构对每一个感兴趣区域进行缺陷分类和缺陷定位。
S400、计算配网线路缺陷识别模型的缺陷分类和缺陷定位的总损失函数，利用缺陷分类和缺陷定位的总损失函数结合Adam算法对配网线路缺陷识别模型进行迭代更新相应的神经网络的权重和偏置值，直到收敛，从而输出训练完成后的配网线路缺陷识别模型。
S500、利用图像测试集输入至配网线路缺陷识别模型中进行测试，根据测试结果判断配网线路缺陷识别模型的识别精度是否满足预设要求，若不满足预设要求，则调整网络参数并转至步骤S3进行迭代训练，直至配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型；
具体地，步骤S500具体包括：
S501、利用图像测试集输入至配网线路缺陷识别模型中进行测试，从而输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框以及定位框是否包含缺陷的置信分数；
S502、遍历图像测试集中的每个缺陷类型，根据置信分数将同一缺陷类型对应的定位框进行排序；
在本实施例中，根据置信分数将同一缺陷类型对应的定位框进行由大至小排列。
S503、遍历每个定位框，计算得到每个定位框与相应的真实框的IOU值；
需要说明的是，IOU(Intersection overUnion)值又称交集并集比。
S504、遍历每个IOU值，判断IOU值是否大于IOU阈值，若判断IOU值大于IOU阈值时，则将IOU值对应的定位框标记为正样本，若判断IOU值不大于IOU阈值时，则将IOU值对应的定位框标记为负样本；
S505、根据正样本、负样本和预先获取的真值样本计算召回率和准确率；
S506、根据召回率和准确率得到召回率—准确率曲线，根据召回率—准确率曲线下的面积，从而得到平均精度；
需要说明的是，计算召回率和准确率为现有技术，在此不再赘述，而平均精度的计算公式为，
Figure BDA0003199749020000131
式中，R为召回率，P为准确率，AP为平均精度。
S507、根据步骤S502～506对每个缺陷类型进行遍历处理，从而得到每个缺陷类型的平均精度，根据每个缺陷类型的平均精度计算得到平均精度均值；
需要说明的是，平均精度均值的计算公式为，
Figure BDA0003199749020000132
式中，mAP为平均精度均值，n为类型数量，
Figure BDA0003199749020000141
表示所有类型的平均精度的集合。
S508、判断平均精度均值是否大于预设的平均精度均值阈值，若判断为是，则输出相应的配网线路缺陷识别模型，若判断为否，则调整网络参数，并转至步骤S300进行迭代训练，直至平均精度均值大于预设的平均精度均值阈值。
以上为本发明提供的基于改进Faster RCNN的配网线路典型缺陷诊断方法的实施例的具体描述，以下为本发明提供的基于改进Faster RCNN的配网线路典型缺陷诊断系统的实施例的具体描述。
为了方便理解，请参阅图2，本发明提供的一种基于改进Faster RCNN的配网线路典型缺陷诊断系统，包括：
标注模块100，用于对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，还用于将配网线路巡检图像数据集分为图像训练集和图像测试集；
数据增广模块200，用于基于图像处理算法对配网线路巡检图像数据集进行数据增广处理，以对配网线路巡检图像数据集进行数据增强；
训练模块300，用于基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；
测试模块400，用于利用图像测试集输入至配网线路缺陷识别模型中进行测试，还用于根据测试结果判断配网线路缺陷识别模型的识别精度是否满足预设要求，还用于若不满足预设要求，则调整网络参数以通过训练模块300进行迭代训练，直至配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。
进一步地，标注模块包括：
标注子模块，用于根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；
确定子模块，用于根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。
进一步地，本系统还包括：
获取模块，用于获取公开的ImageNet数据集；
分类训练子模块，用于利用ImageNet数据集对ResNet 101网络结构进行训练，以进行图像分类任务，ResNet 101网络结构包括卷积操作层、残差块、平均值池化层和全连接网络层；
卷积子模块，用于向卷积操作层输入配网线路巡检图像数据，将配网线路巡检图像数据利用卷积核进行卷积操作；
标准化子模块，用于对卷积操作层输出的配网线路巡检图像数据进行标准化处理，以得到标准图像样本集合；
激活子模块，用于利用非线性激活函数对标准图像样本集合进行激活，以得到激活图像样本集合，激活图像样本集合再经过最大池化以输出新的特征图像；
残差子模块，用于将新的特征图像输入到残差块进行处理，残差块为四个残差子块堆叠而成，还用于将新的特征图像每经过一个残差子块，则新的特征图像的数量增大至原来的两倍且其尺寸缩短至原来的一半；
池化子模块，用于将经残差块处理后的新的特征图像输入至平均值池化层，还用于利用平均值池化函数对新的特征图像进行综合特征；
分类输出子模块，用于将经平均值池化层处理后的新的特征图像输入至全连接网络层，以对新的特征图像进行分类，再经由softmax函数将输出结果映射到[0,1]区间内且使其总和为1，从而得到新的特征图像的分类概率；
类别判断子模块，用于依据新的特征图像的分类概率判断相应的类别，从而完成对ResNet 101网络结构进行训练。
进一步地，训练模块包括：
多尺度特征子模块，用于基于预训练得到的ResNet 101网络结构提取配网线路巡检图像中的特征，以获得特征图，还用于将特征图输入BiFPN特征融合网络中进行特征融合，从而输出多尺度特征图；
锚框子模块，用于将多尺度特征图输入到RPN网络中进行锚框参数的学习，并生成相应的候选框，还用于判断多尺度特征图中每个候选框是否包含待检测缺陷类型，还用于若候选框包含待检测缺陷类型，则回归候选框的坐标偏移量，以修正候选框的位置；
剔除子模块，用于利用非极大值抑制算法处理候选框，以剔除位置重复的候选框；
感兴趣子模块，用于根据候选框提取感兴趣区域，还用于利用感兴趣区域池化将感兴趣区域变换为固定尺寸，还用于基于ResNet 101网络结构对每一个感兴趣区域进行缺陷分类和缺陷定位。
进一步地，本系统还包括：
第一计算子模块，用于计算配网线路缺陷识别模型的缺陷分类和缺陷定位的总损失函数，还用于利用缺陷分类和缺陷定位的总损失函数结合Adam算法对配网线路缺陷识别模型进行迭代更新相应的神经网络的权重和偏置值，直到收敛，从而输出训练完成后的配网线路缺陷识别模型。
进一步地，测试模块具体包括：
测试子模块，用于利用图像测试集输入至配网线路缺陷识别模型中进行测试，从而输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框以及定位框是否包含缺陷的置信分数；
第一遍历子模块，用于遍历图像测试集中的每个缺陷类型，还用于根据置信分数将同一缺陷类型对应的定位框进行排序；
第二遍历子模块，用于遍历每个定位框，计算得到每个定位框与相应的真实框的IOU值；
第三遍历子模块，用于遍历每个IOU值，判断IOU值是否大于IOU阈值，还用于若判断IOU值大于IOU阈值时，则将IOU值对应的定位框标记为正样本，还用于若判断IOU值不大于IOU阈值时，则将IOU值对应的定位框标记为负样本；
第二计算子模块，用于根据正样本、负样本和预先获取的真值样本计算召回率和准确率；
第三计算子模块，用于根据召回率和准确率得到召回率—准确率曲线，根据召回率—准确率曲线下的面积，从而得到平均精度；
判断子模块，用于判断平均精度均值是否大于预设的平均精度均值阈值，还用于若判断为是，则输出相应的配网线路缺陷识别模型，还用于若判断为否，则调整网络参数，并通知训练模块进行迭代训练，直至平均精度均值大于预设的平均精度均值阈值。
本实施例通过对配网线路巡检图像数据集进行数据增广处理以增加样本数量和多样性，并通过以在ImageNet数据集中预训练得到的ResNet 101网络结构作为改进FasterRCNN目标检测算法的骨干网络，并结合BiFPN特征融合网络能够提取多尺度特征，利用多尺度特征进行缺陷分类及缺陷定位，实现了多尺度缺陷目标检测，能够同时检测同一巡检图像中尺寸差异较大的缺陷，提高了不同尺寸的部件的缺陷的准确度。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，包括以下步骤：
S1、对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，将所述配网线路巡检图像数据集分为图像训练集和图像测试集；
S2、基于图像处理算法对所述配网线路巡检图像数据集进行数据增广处理，以对所述配网线路巡检图像数据集进行数据增强；
S3、基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，所述改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；
S4、利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，根据测试结果判断所述配网线路缺陷识别模型的识别精度是否满足预设要求，若不满足预设要求，则调整网络参数并转至步骤S3进行迭代训练，直至所述配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。
2.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S1中的对预先获取的每张配网线路巡检图像进行人工标注具体包括：
S101、根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；
S102、根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。
3.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S2中的数据增广处理的方式采用随机裁剪、随机亮度变换、随机色相和饱和度变换中的一种处理方式或多种处理方式组合。
4.根据权利要求3所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，随机亮度变换的步骤具体包括：
S211、确定待处理的配网线路巡检图像中的某像素点在RGB空间中的初始像素值；
S212、根据预设的亮度变化量上下限约束，随机确定所述待处理的配网线路巡检图像中均匀分布的亮度变化量；
S213、根据所述初始像素值和若干个所述亮度变化量确定所述待处理的配网线路巡检图像经随机亮度变换后的像素值。
5.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S3之前包括：
S301、获取公开的ImageNet数据集；
S302、利用ImageNet数据集对ResNet 101网络结构进行训练，以进行图像分类任务，所述ResNet 101网络结构包括卷积操作层、残差块、平均值池化层和全连接网络层；
S303、向所述卷积操作层输入配网线路巡检图像数据，将所述配网线路巡检图像数据利用卷积核进行卷积操作；
S304、对所述卷积操作层输出的配网线路巡检图像数据进行标准化处理，以得到标准图像样本集合；
S305、利用非线性激活函数对所述标准图像样本集合进行激活，以得到激活图像样本集合，所述激活图像样本集合再经过最大池化以输出新的特征图像；
S306、将所述新的特征图像输入到残差块进行处理，所述残差块为四个残差子块堆叠而成，所述新的特征图像每经过一个残差子块，则所述新的特征图像的数量增大至原来的两倍且其尺寸缩短至原来的一半；
S307、将经残差块处理后的新的特征图像输入至所述平均值池化层，利用平均值池化函数对所述新的特征图像进行综合特征；
S308、将经所述平均值池化层处理后的新的特征图像输入至所述全连接网络层，以对所述新的特征图像进行分类，再经由softmax函数将输出结果映射到[0,1]区间内且使其总和为1，从而得到新的特征图像的分类概率；
S309、依据所述新的特征图像的分类概率判断相应的类别，从而完成对ResNet 101网络结构进行训练。
6.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S3中的基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框的步骤具体包括：
S311、基于预训练得到的ResNet 101网络结构提取所述配网线路巡检图像中的特征，以获得特征图，将所述特征图输入所述BiFPN特征融合网络中进行特征融合，从而输出多尺度特征图；
S312、将所述多尺度特征图输入到RPN网络中进行锚框参数的学习，并生成相应的候选框，判断所述多尺度特征图中每个候选框是否包含待检测缺陷类型，若所述候选框包含所述待检测缺陷类型，则回归所述候选框的坐标偏移量，以修正所述候选框的位置；
S313、利用非极大值抑制算法处理所述候选框，以剔除位置重复的候选框；
S314、根据所述候选框提取感兴趣区域，利用感兴趣区域池化将所述感兴趣区域变换为固定尺寸，再基于ResNet 101网络结构对每一个感兴趣区域进行缺陷分类和缺陷定位。
7.根据权利要求6所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S3之后包括：
S315、计算配网线路缺陷识别模型的缺陷分类和缺陷定位的总损失函数，利用所述缺陷分类和缺陷定位的总损失函数结合Adam算法对所述配网线路缺陷识别模型进行迭代更新相应的神经网络的权重和偏置值，直到收敛，从而输出训练完成后的配网线路缺陷识别模型。
8.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S4具体包括：
S401、利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，从而输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框以及定位框是否包含缺陷的置信分数；
S402、遍历所述图像测试集中的每个缺陷类型，根据所述置信分数将同一缺陷类型对应的所述定位框进行排序；
S403、遍历每个定位框，计算得到每个定位框与相应的真实框的IOU值；
S404、遍历每个IOU值，判断所述IOU值是否大于IOU阈值，若判断所述IOU值大于IOU阈值时，则将所述IOU值对应的定位框标记为正样本，若判断所述IOU值不大于IOU阈值时，则将所述IOU值对应的定位框标记为负样本；
S405、根据所述正样本、所述负样本和预先获取的真值样本计算召回率和准确率；
S406、根据召回率和准确率得到召回率—准确率曲线，根据所述召回率—准确率曲线下的面积，从而得到平均精度；
S407、根据步骤S402～406对每个缺陷类型进行遍历处理，从而得到每个缺陷类型的平均精度，根据每个缺陷类型的平均精度计算得到平均精度均值；
S408、判断所述平均精度均值是否大于预设的平均精度均值阈值，若判断为是，则输出相应的配网线路缺陷识别模型，若判断为否，则调整网络参数，并转至步骤S3进行迭代训练，直至所述平均精度均值大于所述预设的平均精度均值阈值。
9.基于改进Faster RCNN的配网线路典型缺陷诊断系统，其特征在于，包括：
标注模块，用于对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，还用于将所述配网线路巡检图像数据集分为图像训练集和图像测试集；
数据增广模块，用于基于图像处理算法对所述配网线路巡检图像数据集进行数据增广处理，以对所述配网线路巡检图像数据集进行数据增强；
训练模块，用于基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，所述改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；
测试模块，用于利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，还用于根据测试结果判断所述配网线路缺陷识别模型的识别精度是否满足预设要求，还用于若不满足预设要求，则调整网络参数以通过所述训练模块进行迭代训练，直至所述配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。
10.根据权利要求9所述的基于改进Faster RCNN的配网线路典型缺陷诊断系统，其特征在于，所述标注模块包括：
标注子模块，用于根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；
确定子模块，用于根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。
CN202110900924.7A 2021-08-06 2021-08-06 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 Active CN113592839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110900924.7A CN113592839B (zh) 2021-08-06 2021-08-06 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110900924.7A CN113592839B (zh) 2021-08-06 2021-08-06 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113592839A true CN113592839A (zh) 2021-11-02
CN113592839B CN113592839B (zh) 2023-01-13

Family

ID=78255843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110900924.7A Active CN113592839B (zh) 2021-08-06 2021-08-06 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113592839B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419049A (zh) * 2022-03-31 2022-04-29 科大天工智能装备技术（天津）有限公司 一种桥梁钢索断裂探测方法及系统
CN116225062A (zh) * 2023-03-14 2023-06-06 广州天勤数字科技有限公司 一种应用于桥梁巡检的无人机导航方法及无人机

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784685A (zh) * 2020-07-17 2020-10-16 国网湖南省电力有限公司 一种基于云边协同检测的输电线路缺陷图像识别方法
CN111951212A (zh) * 2020-04-08 2020-11-17 北京交通大学 对铁路的接触网图像进行缺陷识别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951212A (zh) * 2020-04-08 2020-11-17 北京交通大学 对铁路的接触网图像进行缺陷识别的方法
CN111784685A (zh) * 2020-07-17 2020-10-16 国网湖南省电力有限公司 一种基于云边协同检测的输电线路缺陷图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
顾超越等: "基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测", 《高电压技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419049A (zh) * 2022-03-31 2022-04-29 科大天工智能装备技术（天津）有限公司 一种桥梁钢索断裂探测方法及系统
CN116225062A (zh) * 2023-03-14 2023-06-06 广州天勤数字科技有限公司 一种应用于桥梁巡检的无人机导航方法及无人机
CN116225062B (zh) * 2023-03-14 2024-01-16 广州天勤数字科技有限公司 一种应用于桥梁巡检的无人机导航方法及无人机

Also Published As

Publication number Publication date
CN113592839B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN108648169B (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN109543665B (zh) 图像定位方法及装置
CN113592839B (zh) 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统
CN111639629B (zh) 一种基于图像处理的猪只体重测量方法、装置及存储介质
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN110648322A (zh) 一种子宫颈异常细胞检测方法及系统
CN113313047B (zh) 一种基于车道结构先验的车道线检测方法及系统
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN115294145A (zh) 一种输电线路弧垂的测量方法及系统
CN114581419A (zh) 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN111179242A (zh) 图像处理方法及其装置
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN116110006B (zh) 一种用于智慧旅游系统的景区游客异常行为识别方法
CN111104965A (zh) 车辆目标识别的方法及装置
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN115690934A (zh) 基于批量人脸识别的师生考勤打卡方法及装置
CN114821165A (zh) 一种轨道检测图像采集分析方法
CN113947563A (zh) 一种基于深度学习的电缆工艺质量动态缺陷检测方法
CN115731458A (zh) 一种遥感影像的处理方法、装置和电子设备
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备

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
GR01 Patent grant
GR01 Patent grant