CN113610252B - 一种元学习小样本输电线缺陷目标检测和告警系统及方法 - Google Patents
一种元学习小样本输电线缺陷目标检测和告警系统及方法 Download PDFInfo
- Publication number
- CN113610252B CN113610252B CN202110942748.3A CN202110942748A CN113610252B CN 113610252 B CN113610252 B CN 113610252B CN 202110942748 A CN202110942748 A CN 202110942748A CN 113610252 B CN113610252 B CN 113610252B
- Authority
- CN
- China
- Prior art keywords
- defect
- module
- image
- transmission line
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 112
- 230000005540 biological transmission Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F18/24—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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种元学习小样本输电线缺陷目标检测和告警系统及方法，包括实现电网的缺陷检测、告警和维护过程。该方法主要分为两个部分：离线训练模块和在线检测模块，前者实现基于元学习的小样本目标检测模型的构建和训练过程；后者则将采集的图像输入到训练好的模型中，实现输电线路的缺陷检测，同时确定缺陷的严重等级，利用等级、类别和经纬度生成对应的告警信息，实现输电线缺陷检测‑信息告警‑人员维护的流水线。
Description
技术领域
本发明涉及计算机视觉、元学习、目标检测和系统安全等领域，具体地说是一种元学习小样本输电线缺陷目标检测和告警系统及方法，应用于电力系统的缺陷检测问题。
背景技术
电网的安全涉及到国家、企业的利益，近年来，电网快速发展，输电线设备数量快速增加，存在输电线路老化的情况，同时，输电线路暴露于室外环境中，受恶劣天气影响，输电线路缺陷的情况时有发生，但是如何定位和检测输电线缺陷，目前的方法是依靠人力识别和维护，成本高，速度慢。
近年来，深度学习在图像分类、目标检测等计算机视觉问题上取得了巨大的成绩，可以考虑利用深度卷积网络识别输电线缺陷，然而，深度学习需要充足的样本训练网络，才能取得很好的效果。但是，在输电线缺陷识别问题中，缺少大量的标注样本，每一类缺陷只有几张或者十几张样本，利用深度学习网络训练，极易造成过拟合。
因此，针对电网输电线路缺陷检测问题，最大的挑战和困难在于：
1.采样难；难以取得充足样本数据，数据采集难度大，成本高；
2.标注难；缺陷检测需要正确的标注，目前的标注方法是人工标注，人力成本高，且样本标注具有主观性，若标准存在偏差，则会导致样本的不统一；
3.每一类缺陷少；每一类的缺陷图像甚至只有个位数。
输电线路的缺陷检测问题，实质上属于小样本学习的范畴，元学习为解决该问题提供了思路，该方法基于先验知识，能够从有限样本中学习，从而解决样本不足的问题。因此，本发明基于元学习方法识别输电线路的缺陷问题。
发明内容
本发明的目的是根据现有技术的不足，提供一种元学习小样本输电线缺陷目标检测和告警系统，实现输电线的缺陷检测，然后告警信息发送给维护工作人员，实现输电线缺陷检测、告警和维护。
为实现上述目的，本发明采取的技术方案为：设计一种元学习小样本输电线缺陷目标检测和告警系统，该方法分为两个部分：离线训练模块和在线检测模块；
所述离线训练模块用于训练基于元学习的目标检测模型，用于实现从有限图像样本中学习准确分类和精准定位；该模型基于元学习的思想，利用先验知识，从有限的样本中学习，并能够快速泛化到新任务中。
进一步地，所述离线训练模块主包括的训练步骤为：
步骤一，在样本充足的基类Cbase上进行训练，样本包括图像信息以及对应的标注信息；
步骤二，在Cbase和带有标签的输电线路缺陷Cdefect上同时训练，由于输电线路缺陷图像样本数量少，第二阶段的训练需要配合Cdefect，为了避免类别不均衡，基类Cbase和Cdefect均对应使用N个类别中k个bbox，满足Nclass-Kbbox。
进一步地，所述离线训练模块中基于元学习的目标检测模型包括三个模块：特征提取模块、元学习模块和目标检测子网络；
所述特征提取模块采用了ResNet，实现query图像的特征提取，生成对应的特征向量：Fquery＝D(I)，其中D代表特征提取网络，I代表输入图像，F代表特征向量。
所述元学习模块用于生成具有权重系数的权重向量，N个类别中每一类随机抽取一张图像组成support set，每张图像包括图像信息以及对应的标注信息，元学习模块学习预测系数αi，调整特定类图像特征的权重，推理query图像中更重要的部分，得到特定类的特征Fi。
所述目标检测子网络获取元学习模块得到的特定类的特征，对bbox位置偏移量和分类分数进行回归，得到输入图像中目标的类别以及位置信息。
进一步地，所述在线部分采集输电线路缺陷图像，将图像传输给训练好的目标检测模型进行缺陷检测，获得输电线路缺陷的类别和位置信息，然后根据缺陷类别对应的等级，发送相应的告警信息。
进一步地，所述在线检测模块主要分为图像采集模块、输电线缺陷检测模块和告警模块。
进一步地，所述图像采集模块用于采集输电线路缺陷图像数据，并且图像以拍摄位置的经纬度和采集时间作为图像名称。
进一步地，所述输电线缺陷检测模块即离线训练的基于元学习的目标检测模块，将采集的实时图像输入训练好的模型，得到输电线路缺陷的类别和位置信息，并将信息传递给告警模块。
进一步地，所述输电线检测模块同样包括离线训练中的三个模块，特征提取模块、元学习模块和目标检测子网络，特征提取模块提取待测图像的特征，元学习模块调整权重系数，得到特定类别的特征，传输给目标检测子网络，预测待测图像的目标类别和位置信息。
一种元学习小样本输电线缺陷目标检测和告警方法，包括告警模块方法步骤为：步骤一：告警模块首先获取待测图像的名称，名称中包括拍摄图像的经纬度信息Iloc以及拍摄图像的时间Itime，其次，获取模型推断的结果-检测目标的类别Icls以及位置信息，根据目标类别判断输电线缺陷等级Igrade，输电线路缺陷等级共分为三类：一般缺陷、严重缺陷和紧急缺陷，从左到右，严重程度递增：Gdsfect＝{g1，g2，g3}；
步骤二：生成对应的告警信息，告警信息由拍摄图像的经纬度信息、缺陷类别以及缺陷等级三个信息组成：Assert＝Iloc+Igrade+Icls；
步骤三：判断告警信息是否冲突，若无冲突，则直接将告警信息发送给工作人员；若告警信息冲突，则比较缺陷等级，缺陷等级越高优先级越高，按照优先级顺序发送告警信息，告警信息由拍摄图像的经纬度信息、采集时间以及缺陷等级三个信息组成，时间冲突的情况下，按照缺陷等级进行判断依据，缺陷等级越高，优先级越高，优先反馈给维护工作人员。
本发明的有益效果在于：
1.将元学习与目标检测模型结合，基于先验知识，从有限样本中学习知识，并且能够快速泛化到新任务中，处理小样本学习问题。
2.利用基于元学习的目标检测方法，能够从少量的样本中学习输电线路缺陷的特征，实现输电线路的缺陷检测。
3.将输电线路缺陷等级分为三类：一般缺陷、严重缺陷和紧急缺陷，实现了缺陷的分级管理；为缺陷的优先级判断提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的一种元学习小样本输电线缺陷目标检测和告警系统及方法的总体框架图；
图2为本发明离线训练模块的组织架构图；
图3为线检测模块的组织架构图；
图4为告警模块的流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1-4，本发明的一种元学习小样本输电线缺陷目标检测和告警系统，包括两个部分，离线训练模块和在线检测模块。
以下针对本发明的总体框架的两个部分进行具体阐述。
一、离线训练模块
所述离线训练模块用于训练基于元学习的小样本目标检测模型，用于实现从有限图像样本中学习准确分类和精准定位；该模型基于元学习的思想，利用先验知识，从有限的样本中学习，并能够快速泛化到新任务中。
具体的，所述离线训练模块包括的训练步骤为：
步骤一，在样本充足的基类Cbase上进行训练，样本包括图像信息以及对应的标注信息；
步骤二，在Cbase和带有标签的输电线路缺陷Cdefect上同时训练，由于输电线路缺陷图像样本数量少，第二阶段的训练需要配合Cdefect，为了避免类别不均衡，基类cbase和Cdefect均对应使用N个类别中k个bbox，满足Nclass-Kbbox。
如图2所示，具体的，所述离线训练模块中基于元学习的目标检测模型包括三个模块：特征提取模块、元学习模块和目标检测子网络；
具体的，所述特征提取模块采用了ResNet，实现query图像的特征提取，生成对应的特征向量：Fquery＝D(I)其中D代表特征提取网络，I代表输入图像，F代表特征向量；
所述元学习模块用于生成具有权重系数的权重向量。N个类别中每一类随机抽取一张图像组成support set，每张图像包括图像信息以及对应的标注信息，元学习模块学习预测系数αi，调整特定类图像特征的权重，推理query图像中更重要的部分，得到特定类的特征Fi；
所述目标检测子网络获取元学习模块得到的特定类的特征，对bbox位置偏移量和分类分数进行回归，得到输入图像中目标的类别以及位置信息。
二、在线检测模块
具体的，所述在线部分采集输电线路缺陷图像，将图像传输给训练好的目标检测模型进行缺陷检测，获得输电线路缺陷的类别和位置信息，然后根据缺陷类别对应的等级，发送相应的告警信息。
如图3所示，更加具体的，所述在线检测模块主要分为图像采集模块、输电线缺陷检测模块和告警模块。
具体的，图像采集模块用于采集输电线路缺陷图像数据，并且图像以拍摄位置的经纬度和采集时间作为图像名称。
具体的，输电线缺陷检测模块即离线训练的基于元学习的目标检测模块，将采集的实时图像输入训练好的模型，得到输电线路缺陷的类别和位置信息，并将信息传递给告警模块。
具体的，所述输电线检测模块同样包括离线训练中的三个模块，特征提取模块、元学习模块和目标检测子网络，特征提取模块提取待测图像的特征，元学习模块调整权重系数，得到特定类别的特征，传输给目标检测子网络，预测待测图像的目标类别和位置信息。
如图4所示，更加具体的，一种元学习小样本输电线缺陷目标检测和告警方法，包括告警模块，根据待测图像的缺陷检测结果，发送对应的告警信息，所述告警模方法包括的步骤为：
步骤一：告警模块首先获取待测图像的名称，名称中包括拍摄图像的经纬度信息Iloc以及拍摄图像的时间Itime；其次，获取模型推断的结果-检测目标的类别Icls以及位置信息Ibbox，根据目标类别判断输电线缺陷等级Igrade，输电线路缺陷等级共分为三类：一般缺陷、严重缺陷和紧急缺陷，从左到右，严重程度递增：Gdefect＝{g1，g2，g3}
步骤二，生成对应的告警信息，告警信息由拍摄图像的经纬度信息、缺陷类别以及缺陷等级三个信息组成：
Assert＝Iloc+Igrade+Icls
步骤三，判断告警信息是否冲突，若无冲突，则直接将告警信息发送给工作人员；若告警信息冲突，则比较缺陷等级，缺陷等级越高优先级越高，按照优先级顺序发送告警信息，告警信息由拍摄图像的经纬度信息、采集时间以及缺陷等级三个信息组成，时间冲突的情况下，按照缺陷等级进行判断依据，缺陷等级越高，优先级越高，优先反馈给维护工作人员。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (6)
1.一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述目标检测和告警系统包括离线训练模块和在线检测模块：
所述离线训练模块包括用于训练基于元学习的目标检测模型，该模型实现从有限图像样本中学习准确分类和精准定位；
所述在线检测模块采集输电线路缺陷图像，将图像传输给训练好的目标检测模型进行缺陷检测，根据缺陷类别等级，发送对应的告警信息；
所述离线训练模块包括的训练步骤为：
步骤一，在样本充足的基类Cbase上进行训练，样本包括标注信息；
步骤二，在Cbase和带有标签的输电线路缺陷Cdefect上同时训练，由于输电线路缺陷图像样本数量少，步骤二的训练需要配合Cdefect，满足Nclass-Kbbox；
所述基于元学习的目标检测模型包括三个模块：特征提取模块、元学习模块和目标检测子网络：
所述特征提取模块以ResNet网络为主体，实现query图像的特征提取，生成对应的特征向量Fquery＝D(I),其中D代表特征提取网络，I代表输入图像，F代表特征向量；
所述元学习模块用于生成具有权重系数的权重向量，元学习模块N个类别中每一类随机抽取一张图像组成supportset,学习预测系数αi,调整特定类图像特征的权重，推理query图像中更重要的部分，得到特定类的特征Fi；
所述目标检测子网络接收元学习模块得到的特定类的特征，对bbox位置偏移量和分类分数进行回归，得到输入图像中目标的类别以及位置信息。
2.根据权利要求1所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述在线检测模块包括图像采集模块、输电线缺陷检测模块和告警模块。
3.根据权利要求2所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述图像采集模块用于采集输电线路缺陷图像数据，并且图像以拍摄位置的经纬度和采集时间作为图像名称。
4.根据权利要求3所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述输电线缺陷检测模块即离线训练的基于元学习的目标检测模块，将采集的实时图像输入训练好的模型，得到输电线路缺陷的类别和位置信息，并将信息传递给告警模块。
5.根据权利要求4所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述输电线检测模块同样包括离线训练中的三个模块，特征提取模块、元学习模块和目标检测子网络，特征提取模块提取待测图像的特征，元学习模块调整权重系数，得到特定类别的特征，传输给目标检测子网络，预测待测图像的目标类别和位置信息。
6.一种元学习小样本输电线缺陷目标检测和告警方法，通过权利要求1-5中任意一项权利要求所述的系统实施，其特征在于，还包括告警模快，所述告警方法步骤为：步骤一：告警模块首先获取待测图像的名称，名称中包括拍摄图像的经纬度信息Iloc以及拍摄图像的时间Itime，其次，获取模型推断的结果-检测目标的类别Icls以及位置信息，根据目标类别判断输电线缺陷等级Igrade，输电线路缺陷等级共分为三类：一般缺陷、严重缺陷和紧急缺陷，从左到右，严重程度递增：Gdefect＝{g1，g2，g3}；
步骤二：生成对应的告警信息，告警信息由拍摄图像的经纬度信息、缺陷类别以及缺陷等级三个信息组成：Assert＝Iloc+Igrade+Icls；
步骤三：判断告警信息是否冲突，若无冲突，则直接将告警信息发送给工作人员；若告警信息冲突，则比较缺陷等级，缺陷等级越高优先级越高，按照优先级顺序发送告警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942748.3A CN113610252B (zh) | 2021-08-17 | 2021-08-17 | 一种元学习小样本输电线缺陷目标检测和告警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942748.3A CN113610252B (zh) | 2021-08-17 | 2021-08-17 | 一种元学习小样本输电线缺陷目标检测和告警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610252A CN113610252A (zh) | 2021-11-05 |
| CN113610252B true CN113610252B (zh) | 2023-09-19 |
Family
ID=78340965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110942748.3A Active CN113610252B (zh) | 2021-08-17 | 2021-08-17 | 一种元学习小样本输电线缺陷目标检测和告警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610252B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113971746B (zh) * | 2021-12-24 | 2022-03-11 | 季华实验室 | 基于单次人手示教的垃圾分类方法、装置及分拣智能系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
| CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 |
| CN111881937A (zh) * | 2020-06-22 | 2020-11-03 | 深圳金三立视频科技股份有限公司 | 输电线路金具目标检测和缺陷识别方法及终端 |
| CN113205176A (zh) * | 2021-04-19 | 2021-08-03 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
| CN113222896A (zh) * | 2021-04-12 | 2021-08-06 | 河海大学 | 一种基于元学习的光伏面板缺陷检测方法 |
-
2021
- 2021-08-17 CN CN202110942748.3A patent/CN113610252B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
| CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 |
| CN111881937A (zh) * | 2020-06-22 | 2020-11-03 | 深圳金三立视频科技股份有限公司 | 输电线路金具目标检测和缺陷识别方法及终端 |
| CN113222896A (zh) * | 2021-04-12 | 2021-08-06 | 河海大学 | 一种基于元学习的光伏面板缺陷检测方法 |
| CN113205176A (zh) * | 2021-04-19 | 2021-08-03 | 重庆创通联达智能技术有限公司 | 训练缺陷分级检测模型的方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于航拍图像的输电线检测方法;陈建;沈潇军;姚一杨;刘雄;琚小明;;计算机工程与设计;39(04);1155-1160 * |
| 深度学习目标检测方法及其主流框架综述;段仲静;李少波;胡建军;杨静;王铮;;激光与光电子学进展;57(12);1-16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610252A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310947A (zh) | 基于5g的建筑设施运维方法、设备、存储介质及系统 | |
| CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
| WO2020038138A1 (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
| CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
| CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
| CN113610252B (zh) | 一种元学习小样本输电线缺陷目标检测和告警系统及方法 | |
| CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
| CN113139594A (zh) | 一种机载图像无人机目标自适应检测方法 | |
| CN114821852A (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统 | |
| CN113989487A (zh) | 一种面向实景调度的故障缺陷检测方法及系统 | |
| CN111931573A (zh) | 基于yolo进化深度学习模型的安全帽检测与预警方法 | |
| CN117498225B (zh) | 一种无人机智能电力线路巡检系统 | |
| CN114460519A (zh) | 基于电力互感器检验的现场与终端融合管理系统和方法 | |
| Wang et al. | Insulator defects detection for aerial photography of the power grid using you only look once algorithm | |
| CN114417981A (zh) | 一种智能河长巡测系统 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN108681802A (zh) | 一种电动汽车充电设施信息互操作评价方法 | |
| CN115471456A (zh) | 一种基于改进yolov5的飞机起落架检测方法 | |
| Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
| CN115083212A (zh) | 一种基于三维建模的无人机定位智能管理系统 | |
| CN114782679A (zh) | 一种基于级联网络的输电线路中金具缺陷检测方法、装置 | |
| CN113780352B (zh) | 一种基于神经网络的卫星接收机健康管理方法 | |
| CN116468205B (zh) | 一种机动车环保检测质量监测方法及系统 | |
| CN116193239B (zh) | 一种基于位置信息的视频智能分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |