CN113920450A - 基于本征图像分解的绝缘子rtv涂层识别方法及装置 - Google Patents

基于本征图像分解的绝缘子rtv涂层识别方法及装置 Download PDF

Info

Publication number
CN113920450A
CN113920450A CN202111139957.0A CN202111139957A CN113920450A CN 113920450 A CN113920450 A CN 113920450A CN 202111139957 A CN202111139957 A CN 202111139957A CN 113920450 A CN113920450 A CN 113920450A
Authority
CN
China
Prior art keywords
insulator
target
string
rtv
insulator string
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
Application number
CN202111139957.0A
Other languages
English (en)
Inventor
林承华
陈伯建
吴文斌
张伟豪
王仁书
梁曼舒
韩腾飞
刘志鹏
王晓杰
黄友聪
李哲舟
雷锌
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.)
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power 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 Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd, Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN202111139957.0A priority Critical patent/CN113920450A/zh
Publication of CN113920450A publication Critical patent/CN113920450A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明提出一种基于本征图像分解的绝缘子RTV涂层识别方法及装置，一般基于无人机巡检拍摄的绝缘子串影像，针对绝缘子RTV存在的类间差异小，仅存在细微颜色和光泽差异，直接分类效果不佳，提出了以本征图像分解的反射率图像作为分类器的输入，提高了分类准确率；在此基础上，采用了由ResNeSt101、ResNet101和ViT‑Large三种分类器组成的集成学习器，进一步提高了分类性能。针对无人机杆塔精细化巡检作业特点，本发明提出的绝缘子串样本标注方法结合最小中心距离筛选方法，可较准确提取出拍摄点单一目标绝缘子串，不同于传统的目标检测要求尽量检测出全部实例，可进一步应用在巡检缺陷识别等类似场景。

Description

基于本征图像分解的绝缘子RTV涂层识别方法及装置
技术领域
本发明涉及电力设施巡检、图像识别、绝缘子检测等技术领域，尤其涉及一种基于本征图像分解的绝缘子RTV涂层识别方法及系统装置。
背景技术
随着社会经济快速发展，各地污染源不断增多，有些污区的绝缘子需要喷涂RTV来提高绝缘性能。近年来，因输电线路绝缘子应涂未涂RTV防污闪涂料而发生的污闪事故时有发生，污闪威胁着输电线路的安全稳定运行。同时，线路设备的变更，绝缘子台账与实际不符的情况普遍存在，需要耗费大量的人力对台账数据进行治理。
近年来，无人机巡检的在电网公司广泛开展，成为了立体巡检体系的重要一环，并积累了海量的巡检影像数据，可以利用这些数据进行绝缘子RTV漏涂排查。但是，人工排查效率低下，容易出错，工作量巨大。因而，需要考虑利用机器学习等智能方法来识别绝缘子是否喷涂了RTV涂层，自动对海量的巡检影像数据进行智能排查，挖掘无人机杆塔精细化巡检数据价值，提升数据治理效率。
在无人机杆塔精细化巡检场景中，一个拍摄点的图片往往包含多串绝缘子，如何识别定位出对应安装位置的那串绝缘子比较困难。因相机拍摄色差、曝光不当等缘故，绝缘子有无喷涂RTV涂层，往往仅存在细微的颜色与光泽差异，如何准确细粒度分类存在困难。
在现有技术当中，对RTV涂层尚无快速、有效的准确的识别方法，如中国专利CN201510800260绝缘子RTV涂层脱落面积检测方法及检测装置的方案中，依靠人工对RTV涂层缺损部位进行涂色，后进行拓印并采集图像，显然与无人机巡检拍摄方式有本质区别；CN201911226484一种绝缘子RTV涂层缺陷识别方法的方案中，只能对单片绝缘子影像进行处理，通过阈值分解的方法区分有明显灰度区别的RTV涂层及其破损部位，但显然无法提取绝缘子串并对有无RTV涂层的绝缘子进行识别和判断。
发明内容
本发明针对现有技术存在的缺陷和不足，本发明提出一种基于本征图像分解的绝缘子RTV涂层识别方法及装置，用于解决绝缘子RTV涂层应涂未涂的排查问题。一般基于无人机巡检拍摄绝缘子影像，针对绝缘子RTV存在的类间差异小，仅存在细微颜色和光泽差异，直接分类效果不佳，提出了以本征图像分解的反射率图像作为分类器的输入，提高了分类准确率；在此基础上，采用了由ResNeSt101、ResNet101和ViT-Large三种分类器组成的集成学习器，进一步提高了分类性能。针对无人机杆塔精细化巡检作业特点，本发明提出的绝缘子串样本标注方法结合最小中心距离筛选方法，可较准确提取出拍摄点单一目标绝缘子串，不同于传统的目标检测要求尽量检测出全部实例，可进一步应用在巡检缺陷识别等类似场景。
本发明具体采用以下技术方案：
一种基于本征图像分解的绝缘子RTV涂层识别方法绝缘子RTV涂层识别方法，其特征在于，包括以下步骤：
采用目标检测的方法提取出候选绝缘子串；并提取所述候选绝缘子串拍摄点图片对应的目标绝缘子串；之后扩张目标绝缘子串的边界，在原始图片上切出目标绝缘子串对应位置的局部图像；对所述局部图像进行本征图像分解；并以所述本征图像分解得到的反射率图像作为输入，进行绝缘子RTV细粒度分类，确定绝缘子是否涂有RTV。
其中，目标检测方法提取的对象，即原始图片一般为无人机对绝缘子串的巡检图像，当然，也可以适用于其他类型的带有绝缘子串的拍摄图像。
进一步地，采用目标检测的训练样本标注方法为：串型的一组绝缘子作为一个绝缘子串目标；跳线整组绝缘子作为一个绝缘子串目标；仅标注出拍摄点对应的目标绝缘子串，其它背景绝缘子串均不标注。
进一步地，采用YOLOv5-l模型进行绝缘子目标检测，并对YOLOv5-l进行优化如下：对锚点尺寸重新计算，优化后的尺寸为【110，410，117，494，157，297】，【151，588，516，141，821，200】，【485，467，665，274，839，375】；模型的img-size参数设为1024；momentum设为0.937，weight_decay设为0.0005，giou设为0.05，cls设为0.5，cls_pw设为1.0，obj设为1.0，obj_pw设为3.0，iou_t设为0.2，anchor_t设为5.3，hsv_h设为0.015，hsv_s设为0.75，hsv_v设为0.45，degrees设为10.0，scale设为0.5，perspective设为0.0005，fliplr设为0.5。
进一步地，采用最小中心距离法从候选绝缘子串中筛选出目标绝缘子串，提取出一串拍摄点图片对应的目标绝缘子串。
进一步地，中心距离计算公式为：
Figure BDA0003283380300000031
式中，(x,y)为候选绝缘子串的归一化后的中心点坐标。
进一步地，切分目标绝缘子串之前，对边界进行扩张，长度与宽度均扩张为目标绝缘子串的1.1倍；
扩张方法为：在长度和宽度两个方向上，分别进行扩张；如果原图的边距空间充足，则向边界扩张0.05倍，如果原图的边距空间不足，则只扩到原图最大边界。
进一步地，采用USI3D网络对目标绝缘子串局部图片进行本征图像分解，得到反射率图像；并对USI3D做优化如下：λ1设为15.0，λ2设为0.15，λ3设为15，λ4设为0.15，λ5设为5.0。
进一步地，以本征图像分解得到的反射率图像作为输入，经过ResNeXt101、ResNet101和ViT-Large三种分类器的独立分类，然后由集成学习器最终判断绝缘子是否涂有RTV。
进一步地，对ResNeXt101做优化如下：groups设为32，width_per_group设为8，img_size设为512；
对ResNet101做优化如下：损失函数采用LabelSmoothLoss；label_smooth_val设为0.15，loss_weight设为1.0；img_size设为512；
对ViT-Large做优化如下：patch_size设为32，img_size设为512；
所述集成学习器采用等权投票方式，ResNeXt101、ResNet101和ViT-Large三种分类器的权重均为1，得票多者为最终结果。
以及，一种基于本征图像分解的绝缘子RTV涂层识别装置，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；
所述计算机程序包括：绝缘子目标检测模块、目标绝缘子串判别模块、绝缘子串局部切图模块、本征图像分解模块和RTV细粒度分类模块；
所述绝缘子目标检测模块采用YOLOv5-l模型进行绝缘子目标检测，用于提取含有完整绝缘子串的拍摄点图片中的所有候选绝缘子串；
所述目标绝缘子串判别模块采用最小中心距离法从候选绝缘子串中筛选出目标绝缘子串，用于对候选绝缘子串进一步筛选，提取出拍摄点图片对应的一串目标绝缘子串；
所述绝缘子串局部切图模块用于扩张目标绝缘子串的边界，在原图上切出目标绝缘子串对应位置的局部图像；
所述本征图像分解模块采用USI3D网络对目标绝缘子串局部图片进行本征图像分解，用于对目标绝缘子串局部图像进行本征图像分解；
所述RTV细粒度分类模块包括由ResNeSt101、ResNet101和ViT-Large三种分类器组成的集成学习器，用于以本征图像分解得到的反射率图像作为输入，进行绝缘子RTV细粒度分类，判断绝缘子是否涂有RTV。
以及，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的绝缘子RTV涂层识别方法的步骤。
以及，一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述的绝缘子RTV涂层识别方法的步骤。
本发明及其优选方案具有如下优点或有益效果：
本发明针对绝缘子RTV存在的类间差异小，仅存在细微颜色和光泽差异，直接分类效果不佳的问题，提出了以本征图像分解的反射率图像作为分类器的输入，有效提高了分类准确率；在此基础上，采用了由ResNeSt101、ResNet101和ViT-Large三种分类器组成的集成学习器，进一步提高了分类性能。针对无人机杆塔精细化作业特点，本发明提出的绝缘子串样本标注方法结合最小中心距离筛选，可较准确提取出拍摄点单一目标绝缘子串，不同于传统的目标检测要求尽量检测出全部实例，可进一步应用在巡检缺陷识别等类似场景。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例绝缘子RTV涂层识别方法流程示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：
如图1所示，本实施例提供了一种基于本征图像分解的绝缘子RTV涂层智能识别方法的具体方案，包括以下步骤：
(1)提取拍摄点图片中的所有候选绝缘子串；
(2)对候选绝缘子串进一步筛选，提取出拍摄点图片对应的一串目标绝缘子串；
(3)扩张目标绝缘子串的边界，在原图上切出目标绝缘子串对应位置的局部图像；
(4)对目标绝缘子串局部图像进行本征图像分解；
(5)以本征图像分解得到的反射率图像作为输入，进行绝缘子RTV细粒度分类，判断绝缘子是否涂有RTV。
其中，需要说明的是，以上步骤流程仅代表本实施例实施过程中所具体采用的步骤，其顺序不作为对本发明方案技术特征的限定。
步骤1中，以无人机等采集工具近距离拍摄的含有完整绝缘子串的影像作为输入，采用YOLOv5-l模型进行绝缘子目标检测。
本发明实施例中对YOLOv5-l方法所做的优化为：对锚点尺寸重新计算，优化后的尺寸为【110,410,117,494,157,297】，【151,588,516,141,821,200】，【485,467,665,274,839,375】；模型的img-size参数设为1024；并优化了一系列超参数，momentum设为0.937，weight_decay设为0.0005，giou设为0.05，cls设为0.5，cls_pw设为1.0，obj设为1.0，obj_pw设为3.0，iou_t设为0.2，anchor_t设为5.3，hsv_h设为0.015，hsv_s设为0.75,hsv_v设为0.45，degrees设为10.0，scale设为0.5，perspective设为0.0005，fliplr设为0.5。以上参数设置实现绝缘子目标检测准确率得到有效提高，能够直接应用于目前输电线路无人机巡检采集获得的海量影像数据，得到良好的效果。
本发明实施例中对目标检测训练样本标注方法为：将“V”、“I”、“II”、双“II”、“V+I”等串型的一组绝缘子作为一个绝缘子串目标；跳线整组绝缘子作为一个绝缘子串目标；仅标注出拍摄点对应的目标绝缘子串，其它背景绝缘子串均不标注。
步骤2中，采用最小中心距离从候选绝缘子串中筛选出目标绝缘子串，提取出一串拍摄点图片对应的目标绝缘子串。
进一步地，所述中心距离计算公式为：
Figure BDA0003283380300000061
式中，(x,y)为候选绝缘子串的归一化后的中心点坐标。
步骤3中，切分目标绝缘子串之前，对边界进行扩张，长度与宽度均扩张为目标绝缘子串的1.1倍。
进一步地，具体的扩张方法为：在长度和宽度两个方向上，分别进行扩张；如果原图的边距空间充足，则向边界扩张0.05倍，如果原图的边距空间不足，则只扩到原图最大边界。
步骤4中，采用USI3D网络对目标绝缘子串局部图片进行本征图像分解，得到反射率图像。
本发明实施例中对USI3D所做的优化为：λ1设为15.0，λ2设为0.15，λ3设为15，λ4设为0.15，λ5设为5.0。该参数调优使本征图像分解效果更优。
步骤5中，以本征图像分解得到的反射率图像作为输入，经过ResNeXt101、ResNet101和ViT-Large三种分类器的独立分类，然后由集成学习器最终判断绝缘子是否涂有RTV。
本发明实施例中对ResNeXt101所做的优化为：groups设为32，width_per_group设为8，img_size设为512。
本发明实施例中对ResNet101所做的优化为：损失函数采用LabelSmoothLoss；，label_smooth_val设为0.15,loss_weight设为1.0；img_size设为512。
本发明实施例中对ViT-Large所做的优化为：patch_size设为32，img_size设为512。
本发明实施例中集成学习器采用等权投票方式，ResNeXt101、ResNet101和ViT-Large三种分类器的权重均为1，依“少数服从多数”原则，得票多者为最终结果。
本实施例提供的以上方法可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
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、装置、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(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。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图中指定的功能。
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中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于本征图像分解的绝缘子RTV涂层识别方法及装置，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (10)

1.一种绝缘子RTV涂层识别方法，其特征在于，包括以下步骤：
采用目标检测的方法提取出候选绝缘子串；并提取所述候选绝缘子串拍摄点图片对应的目标绝缘子串；之后扩张所述目标绝缘子串的边界，在原始图片上切出目标绝缘子串对应位置的局部图像；对所述局部图像进行本征图像分解；并以所述本征图像分解得到的反射率图像作为输入，进行绝缘子RTV细粒度分类，确定绝缘子是否涂有RTV。
2.根据权利要求1所述的绝缘子RTV涂层识别方法，其特征在于：所述目标检测的训练样本标注方法为：各种串型的一组绝缘子均只作为一个绝缘子串目标；跳线整组绝缘子作为一个绝缘子串目标；仅标注出拍摄点对应的目标绝缘子串，其它背景绝缘子串均不标注。
3.根据权利要求2所述的绝缘子RTV涂层识别方法，其特征在于：采用YOLOv5-l模型进行绝缘子目标检测，并对YOLOv5-l进行优化如下：对锚点尺寸重新计算，优化后的尺寸为【110，410，117，494，157，297】，【151，588，516，141，821，200】，【485，467，665，274，839，375】；模型的img-size参数设为1024；momentum设为0.937，weight_decay设为0.0005，giou设为0.05，cls设为0.5，cls_pw设为1.0，obj设为1.0，obj_pw设为3.0，iou_t设为0.2，anchor_t设为5.3，hsv_h设为0.015，hsv_s设为0.75，hsv_v设为0.45，degrees设为10.0，scale设为0.5，perspective设为0.0005，fliplr设为0.5。
4.根据权利要求1所述的绝缘子RTV涂层识别方法，其特征在于：采用最小中心距离法从候选绝缘子串中筛选出目标绝缘子串，提取出一串拍摄点图片对应的目标绝缘子串。
5.根据权利要求4所述的绝缘子RTV涂层识别方法，其特征在于：中心距离计算公式为：
Figure FDA0003283380290000011
式中，(x,y)为候选绝缘子串的归一化后的中心点坐标。
6.根据权利要求1所述的绝缘子RTV涂层识别方法，其特征在于：切分目标绝缘子串之前，对边界进行扩张，长度与宽度均扩张为目标绝缘子串的1.1倍；扩张方法为：在长度和宽度两个方向上，分别进行扩张；如果原图的边距空间充足，则向边界扩张0.05倍，如果原图的边距空间不足，则只扩到原图最大边界。
7.根据权利要求1所述的绝缘子RTV涂层识别方法，其特征在于：采用USI3D网络对目标绝缘子串局部图片进行本征图像分解，得到反射率图像；并对USI3D做优化如下：λ1设为15.0，λ2设为0.15，λ3设为15，λ4设为0.15，λ5设为5.0。
8.根据权利要求1所述的绝缘子RTV涂层识别方法，其特征在于：以本征图像分解得到的反射率图像作为输入，经过ResNeXt101、ResNet101和ViT-Large三种分类器的独立分类，然后由集成学习器最终判断绝缘子是否涂有RTV。
9.根据权利要求7所述的绝缘子RTV涂层识别方法，其特征在于：
对ResNeXt101做优化如下：groups设为32，width_per_group设为8，img_size设为512；
对ResNet101做优化如下：损失函数采用LabelSmoothLoss；label_smooth_val设为0.15，loss_weight设为1.0；img_size设为512；
对ViT-Large做优化如下：patch_size设为32，img_size设为512；
所述集成学习器采用等权投票方式，ResNeXt101、ResNet101和ViT-Large三种分类器的权重均为1，得票多者为最终结果。
10.一种基于本征图像分解的绝缘子RTV涂层识别装置，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；
所述计算机程序包括：绝缘子目标检测模块、目标绝缘子串判别模块、绝缘子串局部切图模块、本征图像分解模块和RTV细粒度分类模块；
所述绝缘子目标检测模块采用YOLOv5-l模型进行绝缘子目标检测，用于提取含有完整绝缘子串的拍摄点图片中的所有候选绝缘子串；
所述目标绝缘子串判别模块采用最小中心距离法从候选绝缘子串中筛选出目标绝缘子串，用于对候选绝缘子串进一步筛选，提取出拍摄点图片对应的一串目标绝缘子串；
所述绝缘子串局部切图模块用于扩张目标绝缘子串的边界，在原图上切出目标绝缘子串对应位置的局部图像；
所述本征图像分解模块采用USI3D网络对目标绝缘子串局部图片进行本征图像分解；
所述RTV细粒度分类模块包括由ResNeSt101、ResNet101和ViT-Large三种分类器组成的集成学习器，以本征图像分解得到的反射率图像作为输入，进行绝缘子RTV细粒度分类，判断绝缘子是否涂有RTV。
CN202111139957.0A 2021-09-28 2021-09-28 基于本征图像分解的绝缘子rtv涂层识别方法及装置 Pending CN113920450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111139957.0A CN113920450A (zh) 2021-09-28 2021-09-28 基于本征图像分解的绝缘子rtv涂层识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111139957.0A CN113920450A (zh) 2021-09-28 2021-09-28 基于本征图像分解的绝缘子rtv涂层识别方法及装置

Publications (1)

Publication Number Publication Date
CN113920450A true CN113920450A (zh) 2022-01-11

Family

ID=79236569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111139957.0A Pending CN113920450A (zh) 2021-09-28 2021-09-28 基于本征图像分解的绝缘子rtv涂层识别方法及装置

Country Status (1)

Country Link
CN (1) CN113920450A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071368A (zh) * 2023-04-07 2023-05-05 国网山西省电力公司电力科学研究院 绝缘子污秽多角度图像检测与精细度分析方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071368A (zh) * 2023-04-07 2023-05-05 国网山西省电力公司电力科学研究院 绝缘子污秽多角度图像检测与精细度分析方法及装置

Similar Documents

Publication Publication Date Title
CN111784685B (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN101576956B (zh) 基于机器视觉的在线字符检测方法和系统
CN109816024A (zh) 一种基于多尺度特征融合与dcnn的实时车标检测方法
CN108596221B (zh) 标尺读数的图像识别方法及设备
CN111985499B (zh) 一种基于计算机视觉的高精度桥梁表观病害识别方法
CN110610483B (zh) 裂纹图像获取、检测方法、计算机设备及可读存储介质
CN104809481A (zh) 一种基于自适应色彩聚类的自然场景文本检测的方法
CN102289686A (zh) 一种基于迁移学习的运动目标分类识别方法
CN111767927A (zh) 一种基于全卷积网络的轻量级车牌识别方法及系统
CN113822247B (zh) 基于航拍影像的违章建筑识别方法及系统
CN111522951A (zh) 一种基于图像识别的敏感数据识别与分类的技术方法
CN110175519B (zh) 一种变电站的分合标识仪表识别方法、装置与存储介质
CN107330027A (zh) 一种弱监督的深度台标检测方法
CN111260645B (zh) 基于分块分类深度学习的篡改图像检测方法及系统
CN108960412A (zh) 图像识别方法、装置及计算机可读存储介质
CN112215190A (zh) 基于yolov4模型的违章建筑检测方法
CN111220619B (zh) 一种绝缘子自爆检测方法
CN115100497A (zh) 基于机器人的通道异常物体巡检方法、装置、设备及介质
CN105426926B (zh) 一种对amoled进行检测分类的方法及装置
CN113920450A (zh) 基于本征图像分解的绝缘子rtv涂层识别方法及装置
CN105469099B (zh) 基于稀疏表示分类的路面裂缝检测和识别方法
CN111241905A (zh) 基于改进ssd算法的输电线路鸟窝检测方法
Calefati et al. Reading meter numbers in the wild
CN115546666A (zh) 基于无人机巡检的电力设备螺栓检测方法及系统
CN114359716A (zh) 一种基于多遥感火指数自动化集成的火烧迹地制图方法

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