CN113723536A - 一种电力巡检目标识别方法及系统 - Google Patents
一种电力巡检目标识别方法及系统 Download PDFInfo
- Publication number
- CN113723536A CN113723536A CN202111026201.5A CN202111026201A CN113723536A CN 113723536 A CN113723536 A CN 113723536A CN 202111026201 A CN202111026201 A CN 202111026201A CN 113723536 A CN113723536 A CN 113723536A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- power inspection
- target identification
- training
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种电力巡检目标识别方法及系统，获取电力巡检历史图像数据，形成训练样本集；选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。
Description
技术领域
本发明属于目标识别技术领域，具体涉及一种电力巡检目标识别方法及系统。
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。
计算机视觉中目标检测与识别在电力行业巡检工作中得到了广泛的应用，其深度学习工作可以简单划分为训练、预测两部分工作。其中训练模型的挑选，以及预测部分各类置信度的优化选取对最终实际应用效果影响巨大。
目前，电力巡检目标识别工作中，根据建立的数学模型和输出结果做人工筛选与参数调整，这个过程常常是漫长复杂的，而且最终得到的很可能也不是最优的模型与参数；而更换一代数据模型，则需要根据目标发现率与精确率平衡调整置信度参数组。如果需要调整的变量很多，那么调节的可能性组合就更多，这个工作常常不是非专业人士所能胜任的，这给电力巡检目标识别工作带来很大不便，不利于及时发现运行问题。
发明内容
本发明为了解决上述问题，提出了一种电力巡检目标识别方法及系统，本发明在目标识别过程中，对深度学习模型的选择，及其参数择优，能够加快目标识别效率，提升目标识别的准确性。
根据一些实施例，本发明采用如下技术方案：
一种电力巡检目标识别方法，包括以下步骤：
获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；
选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；
准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；
运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；
利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。
作为可选择的实施方式，所述深度学习模型为一级检测模型，所述一级检测模型不产生候选框，直接将目标边框定位的问题转化为回归问题处理。
作为可选择的实施方式，所述深度学习模型为二级检测模型，所述二级检测模型先生成样本的候选框，再通过神经网络模型进行样本分类。
作为可选择的实施方式，选定目标函数的具体过程包括：确定问题的目标函数和变量，然后对变量进行浮点数编码，遗传算子直接对串进行操作，将模型代数设为编码串的首个元素，模型输出类别设为编码串的剩余元素。
作为可选择的实施方式，对适应度函数进行迭代求解时，利用轮盘赌方法、最佳个体保留法、期望值法、排序选择法、竞争法或线性标准化法进行迭代求解。
作为可选择的实施方式，对适应度函数进行迭代求解时，当满足设定条件时，目标函数值越大则挑选出的模型与各类置信度指标越优秀，极大值下的模型代数与置信度参数组则为此次模型组中最优解。
作为进一步的限定，所述设定条件包括召回率和精确率。
一种电力巡检目标识别系统，包括：
样本构建模块，被配置为获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；
深度学习模块，被配置为选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；
参数选定模块，被配置为准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；
最优解计算模块，被配置为运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；
识别模块，被配置为利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。
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，完成上述一种方法中的步骤。
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，完成上述一种方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提出的一种电力巡检目标识别方法，运用遗传算法实现深度学习训练模型的搜索筛选，极大降低研发复杂度，实现最优模型的高效筛选，最优解的获取取代了以往人工筛选导致的次优模型参数组作为生产使用的弊端。
本发明提出了一种巡检目标缺陷检测类别置信度查找方法，运用遗传算法实现深度学习各检测类的置信度查找，均衡化召回率与精确率，提供高效实用化模型配置方案，在配置过程，根据深度学习与实用化需求设计遗传算法适应度函数，提供算法筛选依据，实现最优筛选准则。解决的了依靠人工搜索出现的最优解漏选问题，大大降低研发复杂度，提高了电力巡检目标的识别率。
本发明提出整型与浮点型混合编码方式，设计整型与浮点型混合编码的编码方式，实现遗传染色体的构建，同时完成模型与参数的筛选，能够实现目标识别模型的自主挑选与置信度组的自主设置，极大的简化了实际应用的参数配置工作。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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为本实施例的流程示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，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，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种电力巡检目标识别方法，包括以下步骤：
获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；
运用深度学习检测算法实现迭代式逐级精细化目标区域检测训练。其中深度学习检测算法可以选择一级或二级检测算法。一级检测算法指不产生候选框，直接将目标边框定位的问题转化为回归问题处理，如SSD、YOLO、RetinaNet等。二级检测算法指先生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类，如RCNN、Faster-RCNN等。
选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；
准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数设计，作为遗传算法适应度函数；
运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行遗传算法迭代求解，求取目标函数最大值，确定各训练模型组中的最优解。
最终利用最优解对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别等工作。
下面对每个步骤进行细节描述：
1、训练目标检测识别模型
准备具有矩形标注的图片样本，选取深度学习网络架构，此处选取Faster-RCNN作为示例算法框架，实现目标的定位与识别训练，获取训练模型组。
2、准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数设计，作为遗传算法适应度函数；
3、设计深度学习预测参数编码方式
首先确定问题的目标函数和变量,然后对变量进行编码,遗传算子直接对串进行操作。编码方式选取浮点数编码法。将模型代数设为编码串的首个元素，模型输出类别设为编码串的剩余元素。如：X＝{epoch,class1,class2,…classn}，其中epoch为每个模型的代数，classn指模型预测输出n类目标。
4、利用深度学习预测评价指标设计遗传算法适应度函数
其中，epoch∈N+，召回率(reccall)定义为
精确率(precision)定义为
xi为其中一代模型中一类目标检测的置信度，模型预测n种目标。TP指在判定为positive的样本中，判断正确的数目。FP指在判定为positive的样本中，判断错误的数目。FN指在判定为negative的样本中，判断错误的数目。当满足设定条件的情况下，目标函数F(X)值越大则挑选出的模型与各类置信度指标越优秀，极大值下的模型代数与置信度参数组则为此次模型组中最优解。
5、遗传操作-选择
选择是指从群体中选择优良个体并淘汰劣质个体的操作。它建立在适应度评估的基础上。适应度越大的个体,被选中上的可能性就越大,他的“子孙”在下一代中的个数就越多,选择出来的个体就被放入配对库中。目前常用的选择方法有轮盘赌方法、最佳个体保留法、期望值法、排序选择法、竞争法、线性标准化法。
其中如轮盘赌具体操作如下：
(1)计算出群体中每个个体的适应度f(i＝1，2，…，M)，M为群体大小；
(2)计算出每个个体被遗传到下一代群体中的概率；
(3)计算出每个个体的累积概率；
(4)在[0，1]区间内产生一个均匀分布的伪随机数r；
(5)若r<q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]<r≤q[k]成立；
(6)重复(4)、(5)共M次。
6、遗传操作-交叉
交叉就是指把两个父代个体的部分结构加以替换重组而生成新的个体的操作。交叉操作是按照一定的交叉概率在匹配库中随机的选取两个个体进行的,交叉位置也是随机的,交叉概率一般取得较大。
其中，
和
是交叉之后的个体，
和
是随机选择的两个个体，α是交叉的一个常数，取值为(0,1]。
7、遗传操作-变异
变异就是以很小的变异概率Pm随机地改变种群中个体的某些基因的值,变异操作的基本过程是:产生一个(0,1]之间的随机数rand,如果rand＜Pm,则进行变异操作。变异操作本身是一种局部随机搜索,与选择、交叉算子结合在一起,能够避免由于选择和交叉算子而引起的某些信息永久性丢失,保证了遗传算法的有效性,使遗传算法具有了局部随机搜索能力,同时使得遗传算法能够保持群体的多样性,以防出现未成熟收敛。在变异操作中,变异概率不宜取得过大,如果Pm>0.5,遗传算法就退化为随机搜索。
本发明还提供以下产品实施例：
一种电力巡检目标识别系统，包括：
样本构建模块，被配置为获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；
深度学习模块，被配置为选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；
参数选定模块，被配置为准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；
最优解计算模块，被配置为运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；
识别模块，被配置为利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。
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，完成上述方法中的步骤。
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，完成上述方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)
1.一种电力巡检目标识别方法，其特征是：包括以下步骤：
获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；
选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；
准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；
运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；
利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。
2.如权利要求1所述的一种电力巡检目标识别方法，其特征是：所述深度学习模型为一级检测模型，所述一级检测模型不产生候选框，直接将目标边框定位的问题转化为回归问题处理。
3.如权利要求1所述的一种电力巡检目标识别方法，其特征是：所述深度学习模型为二级检测模型，所述二级检测模型先生成样本的候选框，再通过神经网络模型进行样本分类。
4.如权利要求1所述的一种电力巡检目标识别方法，其特征是：选定目标函数的具体过程包括：确定问题的目标函数和变量，然后对变量进行浮点数编码，遗传算子直接对串进行操作，将模型代数设为编码串的首个元素，模型输出类别设为编码串的剩余元素。
5.如权利要求1所述的一种电力巡检目标识别方法，其特征是：对适应度函数进行迭代求解时，利用轮盘赌方法、最佳个体保留法、期望值法、排序选择法、竞争法或线性标准化法进行迭代求解。
6.如权利要求1所述的一种电力巡检目标识别方法，其特征是：对适应度函数进行迭代求解时，当满足设定条件时，目标函数值越大则挑选出的模型与各类置信度指标越优秀，极大值下的模型代数与置信度参数组则为此次模型组中最优解。
7.如权利要求6所述的一种电力巡检目标识别方法，其特征是：所述设定条件包括召回率和精确率。
8.一种电力巡检目标识别系统，其特征是：包括：
样本构建模块，被配置为获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；
深度学习模块，被配置为选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；
参数选定模块，被配置为准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；
最优解计算模块，被配置为运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；
识别模块，被配置为利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。
9.一种电子设备，其特征是：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1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质，其特征是：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1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111026201.5A CN113723536B (zh) | 2021-09-02 | 2021-09-02 | 一种电力巡检目标识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111026201.5A CN113723536B (zh) | 2021-09-02 | 2021-09-02 | 一种电力巡检目标识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723536A true CN113723536A (zh) | 2021-11-30 |
| CN113723536B CN113723536B (zh) | 2024-01-26 |
Family
ID=78681042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111026201.5A Active CN113723536B (zh) | 2021-09-02 | 2021-09-02 | 一种电力巡检目标识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723536B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292119A (zh) * | 2023-11-24 | 2023-12-26 | 国网智能科技股份有限公司 | 一种输电多尺度目标检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147722A1 (en) * | 2014-06-30 | 2017-05-25 | Evolving Machine Intelligence Pty Ltd | A System and Method for Modelling System Behaviour |
| CN106897744A (zh) * | 2017-02-27 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种自适应设置深度置信网络参数的方法及系统 |
| CN110163093A (zh) * | 2019-04-15 | 2019-08-23 | 浙江工业大学 | 一种基于遗传算法的路牌识别对抗防御方法 |
| US20200143248A1 (en) * | 2017-07-12 | 2020-05-07 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and device, and expression image classification method and device |
| CN111598210A (zh) * | 2020-04-30 | 2020-08-28 | 浙江工业大学 | 面向基于人工免疫算法对抗攻击的对抗防御方法 |
| CN111753886A (zh) * | 2020-06-09 | 2020-10-09 | 上海电气集团股份有限公司 | 一种设备故障处理方法、装置及终端 |
| WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
-
2021
- 2021-09-02 CN CN202111026201.5A patent/CN113723536B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147722A1 (en) * | 2014-06-30 | 2017-05-25 | Evolving Machine Intelligence Pty Ltd | A System and Method for Modelling System Behaviour |
| CN106897744A (zh) * | 2017-02-27 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种自适应设置深度置信网络参数的方法及系统 |
| US20200143248A1 (en) * | 2017-07-12 | 2020-05-07 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and device, and expression image classification method and device |
| CN110163093A (zh) * | 2019-04-15 | 2019-08-23 | 浙江工业大学 | 一种基于遗传算法的路牌识别对抗防御方法 |
| WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
| CN111598210A (zh) * | 2020-04-30 | 2020-08-28 | 浙江工业大学 | 面向基于人工免疫算法对抗攻击的对抗防御方法 |
| CN111753886A (zh) * | 2020-06-09 | 2020-10-09 | 上海电气集团股份有限公司 | 一种设备故障处理方法、装置及终端 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292119A (zh) * | 2023-11-24 | 2023-12-26 | 国网智能科技股份有限公司 | 一种输电多尺度目标检测方法及系统 |
| CN117292119B (zh) * | 2023-11-24 | 2024-03-22 | 国网智能科技股份有限公司 | 一种输电多尺度目标检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723536B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10818000B2 (en) | Iterative defect filtering process | |
| CN109948522B (zh) | 一种基于深度神经网络的x光片手骨成熟度判读方法 | |
| CN106096661B (zh) | 基于相对属性随机森林的零样本图像分类方法 | |
| KR20160134740A (ko) | 결함 분류기들 및 뉴슨스 필터들의 생성 | |
| CN111210869A (zh) | 一种蛋白质冷冻电镜结构解析模型训练方法和解析方法 | |
| CN109741410A (zh) | 基于深度学习的荧光编码微球图像生成及标注方法 | |
| CN111046930A (zh) | 一种基于决策树算法的供电服务满意度影响因素识别方法 | |
| Mahasin et al. | Comparison of CSPDarkNet53, CSPResNeXt-50, and EfficientNet-B0 backbones on YOLO v4 as object detector | |
| CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
| CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
| CN113723536A (zh) | 一种电力巡检目标识别方法及系统 | |
| CN114399763B (zh) | 一种单样本与小样本微体古生物化石图像识别方法及系统 | |
| CN115272252A (zh) | 一种基于改进yolox的碳纤维缺陷的检测方法、装置及系统 | |
| CN113408802B (zh) | 能耗预测网络的训练、能耗预测方法、装置和计算机设备 | |
| CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
| CN113705763B (zh) | 一种基于神经计算棒的配网变压器实时检测方法及系统 | |
| CN116029617B (zh) | 质量验收表单的生成方法、装置、设备及可读存储介质 | |
| CN112598050A (zh) | 生态环境数据质量控制方法 | |
| CN110135592B (zh) | 分类效果确定方法、装置、智能终端及存储介质 | |
| CN111967168A (zh) | 一种加速退化试验方案优化设计方法 | |
| CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
| CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
| CN110427973A (zh) | 一种面向歧义标注样本的分类方法 | |
| Hattak et al. | Benchmarking YOLO Models for Automatic Reading in Smart Metering Systems: A Performance Comparison Analysis | |
| CN115576288B (zh) | 一种过滤材料的生产控制方法和系统 |
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 |