CN113688947B - 一种配电设备红外图像故障识别方法及系统 - Google Patents
一种配电设备红外图像故障识别方法及系统 Download PDFInfo
- Publication number
- CN113688947B CN113688947B CN202111183265.6A CN202111183265A CN113688947B CN 113688947 B CN113688947 B CN 113688947B CN 202111183265 A CN202111183265 A CN 202111183265A CN 113688947 B CN113688947 B CN 113688947B
- Authority
- CN
- China
- Prior art keywords
- image
- power distribution
- equipment
- infrared image
- defect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 7
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 2
- 238000007689 inspection Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 235000005770 birds nest Nutrition 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000005765 wild carrot Nutrition 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种配电设备红外图像故障识别方法及系统，包括：获取配电网场景下的配电设备红外图像；根据配电设备红外图像的设备故障形式与其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；基于图像训练集对分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。实现对少样本数据的扩充，以及红外图像中电力设备的像素级识别。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种配电设备红外图像故障识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
配网车载智能巡检机器人通过拍摄包含背景区域和设备区域的红外图像，对红外图像的设备进行识别后进行故障或缺陷的诊断。在对红外图像进行设备识别时，待识别的设备为感兴趣区域，而背景区域内容大部分为配电线路的建筑、天空及其他电力设备等，因此在进行基于红外图像的设备故障诊断或缺陷诊断前，需要对标注的设备区域进行图像分割操作，将图像中的设备区域与背景区域分开，以便精准识别待测设备，提高配网车载巡检机器人对设备异常缺陷的检测能力。
但是，红外图像不同于可见光图像，采用现有的可见光图像轮廓分割方法直接处理红外图像是不可行的。红外图像灰度的整体分布较低且较集中，并且由于周围环境给红外成像过程带来的随机干扰和热成像系统本身的不完善，红外图像的信噪比和对比度比较低；传统的基于阈值和边缘的图像分割算法对于噪声比较敏感，容易产生连续性差的分割结果，降低图像分割的精度，从而影响故障识别的结果。
另外，智能识别算法主要通过卷积神经网络完成图像识别任务，在数据充足情况下能够具有较高的识别准确率，但是由于配电场景中，发生电力设备故障以及出现异常现象的情况较少，实际设备缺陷样本量与正常设备图像样本数量相比，存在数据失衡的问题，以此训练出来的模型容易出现过拟合和陷入局部最优解等现象；再者，虽然可以利用其他电力场景的缺陷数据作为配网场景缺陷数据的补充，但是由于不同的电力场景数据在缺陷形式和背景形式上都存在较大的不同，如果直接利用其他场景的缺陷数据来训练缺陷识别模型，会出现大量的误检和漏检。
发明内容
为了解决上述问题，本发明提出了一种配电设备红外图像故障识别方法及系统，通过将配电网场景下的配电设备红外图像与其他电力场景的设备故障历史图像进行拼接后，对少样本数据进行扩充，并构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，实现红外图像中电力设备的像素级识别。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种配电设备红外图像故障识别方法，包括：
获取配电网场景下的配电设备红外图像；
根据配电设备红外图像的设备故障形式与预设的其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；
对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；
基于图像训练集对预先构建的分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。
作为可选择的实施方式，裁剪得到缺陷图像块后，对缺陷图像块进行几何变换和像素变换随机的图像变换操作。
作为可选择的实施方式，所述几何变换包括翻转、平移、剪切、旋转和缩放。
作为可选择的实施方式，所述像素变换包括亮度、对比度、饱和度和通道变换以及添加噪声。
作为可选择的实施方式，拼接过程包括：在任一背景图像块中随机选择插入区域，并在插入区域中拼接任一缺陷图像块，以此得到图像训练集。
作为可选择的实施方式，将缺陷图像块与背景图像块分别单独存储。
作为可选择的实施方式，基于图像训练集对预先构建的分割模块采用多次上采样融合方法进行训练的过程为：以轻量化的卷积神经网络结构MobileNetv1作为分割模型的骨干网络，构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，对图像训练集经5次卷积操作后，采用多次上采样融合方法进行训练。
第二方面，本发明提供一种配电设备红外图像故障识别系统，包括：
图像获取模块，被配置为获取配电网场景下的配电设备红外图像；
扩充样本选取模块，被配置为根据配电设备红外图像的设备故障形式与预设的其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；
样本扩充模块，被配置为对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；
故障识别模块，被配置为基于图像训练集对预先构建的分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
为了解决少样本情况下的缺陷识别问题，本发明通过将配电网场景下的配电设备红外图像与其他电力场景的设备故障历史图像进行拼接后，对少样本数据进行扩充增强，以在模型训练的过程中自动进行数据增强，提高缺陷样本的识别效果。
为了解决配电网场景下巡检设备的红外图像分割与识别问题，本发明根据红外图像中配网巡检设备的表现形式和特点，构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，以对配电设备红外轮廓进行分割与识别，实现红外图像中电力设备的像素级识别。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的配电设备红外图像故障识别方法流程图；
图2为本发明实施例1提供的MobileNetv1-FCN语义分割模型示意图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种配电网场景下配电设备红外图像故障识别方法，具体包括如下步骤：
(1)获取配电网场景和预设的其他电力场景下的配电设备历史红外图像，根据配电设备红外图像的设备故障形式与其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；
优选地，采用如结构相似度算法选择缺陷形式相似的样本进行扩充；例如输电场景鸟巢非常多，而配电场景鸟巢非常少，所以可将输电场景的鸟巢和配电背景图片拼接后得到新兔相机，扩充样本数量并降低误检率。
优选地，其他电力场景下可包括输电场景、变电场景等。
(2)对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到新图像集；
优选地，将配电网场景下的少样本缺陷数据和其他电力场景的缺陷图像数据根据缺陷坐标位置，将其裁剪出来并统一存储，将背景图像块单独存储。
优选地，根据缺陷坐标位置采用专有的图像处理库中的函数将所有的缺陷图像裁剪成图像块。
在本实施例中，将缺陷图像块进行几何变换和像素变换随机的图像变换操作，以对缺陷图像块进一步扩充，增加缺陷图像块的数量；
优选地，所述几何变换包括翻转、平移、剪切、旋转和缩放。
优选地，所述像素变换包括亮度、对比度、饱和度、通道变换和添加噪声。
在本实施例中，将缺陷图像块和背景图像块通过图像拼接方法进行合成，以此构建图像训练集；
图像拼接方法包括：在背景图像块中随机选择方形区域，方形区域的坐标位置作为缺陷图像块在背景图像块中的插入位置，将变换后的缺陷图像块和背景图像块通过图像拼接方式进行合成，将其作为新的训练数据以训练分割模型。
(3)基于图像训练集对预先构建的分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。
优选地，标定图像训练集中的巡检目标区域，并标记配电设备在图像中的位置与标签。
优选地，为适应不同网络模型的输入要求，可进行图像尺寸的调整。
在本实施例中，如图2所示，所述分割模型的构建过程为：构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，以轻量化的卷积神经网络结构MobileNetv1作为分割模型的骨干网络，基于图像训练集对该分割模型进行训练。
优选地，所述训练过程包括：对图像训练集先经5次卷积操作后，采用多次上采样融合方法，得到特征图；
具体地，由于图像在经5次卷积操作后，大小变为最初的1/32，若直接使用32倍上采样，会大大降低分割精度；所以，本实施例先将最后的conv_dw5层所得到的特征图进行2倍上采样，并且与conv_dw4相对应的特征图进行融合处理，从而得到一个1/16的特征图；同理，将此特征图进行2倍上采样，并且与conv_dw3相对应的特征图进行融合，得到1/8的特征图；最终，将所得的特征图完成8倍上采样计算；完成对红外图像进行像素级分割，提取巡检设备的轮廓信息，提高轮廓分割的精度。
MobileNetv1的核心思想是使用深度可分离卷积(DepthWise separableConvolution)构建轻量级的深层卷积神经网络，将标准卷积操作分解成一个DepthwiseConvolution和一个Pointwise Convolution的卷积操作，确保分割精度的同时，降低模型的计算复杂度，保证算法运行的实时性，从而实现实时的配电设备红外轮廓分割。
优选地，分割模型的具体结构包含5个conv_dw(深度可分离卷积)以及3个上采样操作，其中2个二倍上采样操作、一个8倍上采样操作。
实施例2
本实施例提供一种配电设备红外图像故障识别系统，包括：
图像获取模块，被配置为获取配电网场景下的配电设备红外图像；
扩充样本选取模块，被配置为根据配电设备红外图像的设备故障形式与预设的其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；
样本扩充模块，被配置为对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；
故障识别模块，被配置为基于图像训练集对预先构建的分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种配电设备红外图像故障识别方法，其特征在于，包括：
获取配电网场景下的配电设备红外图像；
根据配电设备红外图像的设备故障形式与预设的其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；
对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；
基于图像训练集对预先构建的分割模型采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果；
所述基于图像训练集对预先构建的分割模型采用多次上采样融合方法进行训练的过程为：以轻量化的卷积神经网络结构MobileNetv1作为分割模型的骨干网络，构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，对图像训练集经5次卷积操作后，采用多次上采样融合方法进行训练；
所述采用多次上采样融合方法为：
先将最后的conv_dw5层所得到的特征图进行2倍上采样，并且与conv_dw4相对应的特征图进行融合处理，从而得到一个1/16的特征图；同理，将此特征图进行2倍上采样，并且与conv_dw3相对应的特征图进行融合，得到1/8的特征图；最终，将所得的特征图完成8倍上采样计算。
2.如权利要求1所述的一种配电设备红外图像故障识别方法，其特征在于，裁剪得到缺陷图像块后，对缺陷图像块进行几何变换和像素变换随机的图像变换操作。
3.如权利要求2所述的一种配电设备红外图像故障识别方法，其特征在于，所述几何变换包括翻转、平移、剪切、旋转和缩放。
4.如权利要求2所述的一种配电设备红外图像故障识别方法，其特征在于，所述像素变换包括亮度、对比度、饱和度和通道变换以及添加噪声。
5.如权利要求1所述的一种配电设备红外图像故障识别方法，其特征在于，拼接过程包括：在任一背景图像块中随机选择插入区域，并在插入区域中拼接任一缺陷图像块，以此得到图像训练集。
6.如权利要求1所述的一种配电设备红外图像故障识别方法，其特征在于，将缺陷图像块与背景图像块分别单独存储。
7.一种配电设备红外图像故障识别系统，其特征在于，包括：
图像获取模块，被配置为获取配电网场景下的配电设备红外图像；
扩充样本选取模块，被配置为根据配电设备红外图像的设备故障形式与预设的其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；
样本扩充模块，被配置为对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；
故障识别模块，被配置为基于图像训练集对预先构建的分割模型采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果；
所述基于图像训练集对预先构建的分割模型采用多次上采样融合方法进行训练的过程为：以轻量化的卷积神经网络结构MobileNetv1作为分割模型的骨干网络，构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，对图像训练集经5次卷积操作后，采用多次上采样融合方法进行训练；
所述采用多次上采样融合方法为：
先将最后的conv_dw5层所得到的特征图进行2倍上采样，并且与conv_dw4相对应的特征图进行融合处理，从而得到一个1/16的特征图；同理，将此特征图进行2倍上采样，并且与conv_dw3相对应的特征图进行融合，得到1/8的特征图；最终，将所得的特征图完成8倍上采样计算。
8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111183265.6A CN113688947B (zh) | 2021-10-11 | 2021-10-11 | 一种配电设备红外图像故障识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111183265.6A CN113688947B (zh) | 2021-10-11 | 2021-10-11 | 一种配电设备红外图像故障识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688947A CN113688947A (zh) | 2021-11-23 |
| CN113688947B true CN113688947B (zh) | 2024-03-15 |
Family
ID=78587639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111183265.6A Active CN113688947B (zh) | 2021-10-11 | 2021-10-11 | 一种配电设备红外图像故障识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688947B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113601536B (zh) * | 2021-10-11 | 2022-03-18 | 国网智能科技股份有限公司 | 一种配网车载智能巡检机器人系统及方法 |
| CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
| CN114648814A (zh) * | 2022-02-25 | 2022-06-21 | 北京百度网讯科技有限公司 | 人脸活体检测方法及模型的训练方法、装置、设备及介质 |
| CN115830302B (zh) * | 2023-02-24 | 2023-07-04 | 国网江西省电力有限公司电力科学研究院 | 一种多尺度特征提取融合配电网设备定位识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898077A (zh) * | 2018-06-15 | 2018-11-27 | 杭州天铂红外光电技术有限公司 | 电力设备红外热图的识别方法和电力设备红外识别系统 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
| CN111832443A (zh) * | 2020-06-28 | 2020-10-27 | 华中科技大学 | 一种施工违规行为检测模型的构建方法及其应用 |
| CN112016478A (zh) * | 2020-08-31 | 2020-12-01 | 中国电子科技集团公司第三研究所 | 一种基于多光谱图像融合的复杂场景识别方法及系统 |
| CN112508090A (zh) * | 2020-12-04 | 2021-03-16 | 重庆大学 | 一种外包装缺陷检测方法 |
| CN112950606A (zh) * | 2021-03-15 | 2021-06-11 | 重庆邮电大学 | 一种基于小样本的手机屏幕缺陷分割方法 |
| CN113298190A (zh) * | 2021-07-05 | 2021-08-24 | 四川大学 | 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8175394B2 (en) * | 2006-09-08 | 2012-05-08 | Google Inc. | Shape clustering in post optical character recognition processing |
| CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
-
2021
- 2021-10-11 CN CN202111183265.6A patent/CN113688947B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN108898077A (zh) * | 2018-06-15 | 2018-11-27 | 杭州天铂红外光电技术有限公司 | 电力设备红外热图的识别方法和电力设备红外识别系统 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
| CN111832443A (zh) * | 2020-06-28 | 2020-10-27 | 华中科技大学 | 一种施工违规行为检测模型的构建方法及其应用 |
| CN112016478A (zh) * | 2020-08-31 | 2020-12-01 | 中国电子科技集团公司第三研究所 | 一种基于多光谱图像融合的复杂场景识别方法及系统 |
| CN112508090A (zh) * | 2020-12-04 | 2021-03-16 | 重庆大学 | 一种外包装缺陷检测方法 |
| CN112950606A (zh) * | 2021-03-15 | 2021-06-11 | 重庆邮电大学 | 一种基于小样本的手机屏幕缺陷分割方法 |
| CN113298190A (zh) * | 2021-07-05 | 2021-08-24 | 四川大学 | 一种基于大尺寸的不平衡样本的焊缝图像识别分类算法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Faster RCNN的配网设备红外图像缺陷识别方法;薛艺为;孙奇珍;党卫军;;信息技术(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688947A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113688947B (zh) | 一种配电设备红外图像故障识别方法及系统 | |
| CN111523459B (zh) | 遥感影像裸地识别方法、装置、电子设备及存储介质 | |
| CN110991560B (zh) | 一种结合上下文信息的目标检测方法及系统 | |
| CN111667030B (zh) | 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质 | |
| CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
| CN113362331A (zh) | 图像分割方法、装置、电子设备及计算机存储介质 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN111382647B (zh) | 一种图片处理方法、装置、设备及存储介质 | |
| CN111862013A (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
| CN111444847B (zh) | 一种交通标志检测识别方法、系统、装置及存储介质 | |
| US20240029303A1 (en) | Three-dimensional target detection method and apparatus | |
| CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
| CN111444911B (zh) | 车牌识别模型的训练方法及装置、车牌识别方法及装置 | |
| CN111062347B (zh) | 一种自动驾驶中交通要素分割方法、电子设备及存储介质 | |
| CN115965934A (zh) | 一种停车位检测方法及装置 | |
| CN110991414A (zh) | 一种交通要素高精度分割方法、电子设备及存储介质 | |
| CN114693963A (zh) | 基于电力数据特征提取的识别模型训练、识别方法及装置 | |
| CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
| CN111292331B (zh) | 图像处理的方法与装置 | |
| CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
| CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
| CN115861922B (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 | |
| CN116895008A (zh) | 裂缝识别模型确定和裂缝识别方法、装置、设备及介质 | |
| CN111160206A (zh) | 一种交通环境元素视觉感知方法及装置 | |
| CN113609980A (zh) | 一种用于自动驾驶车辆的车道线感知方法及装置 |
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 |