CN114037907A - 输电线路的检测方法、装置、计算机设备、存储介质 - Google Patents
输电线路的检测方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114037907A CN114037907A CN202111347193.4A CN202111347193A CN114037907A CN 114037907 A CN114037907 A CN 114037907A CN 202111347193 A CN202111347193 A CN 202111347193A CN 114037907 A CN114037907 A CN 114037907A
- Authority
- CN
- China
- Prior art keywords
- detection model
- test
- sample
- trained
- verification
- 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
Links
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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种输电线路的检测方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:通过获取对目标输电线路进行拍摄所得到的待检测图像。通过训练完成的第一检测模型,对待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于悬垂线夹位置信息,从待检测图像中划分出包括有悬垂线夹区域的目标图像。这样,基于训练完成的第一检测模型,将待检测图像所对应的区域精准定位到悬垂线夹区域。通过训练完成的第二检测模型,对目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到目标平垫圈的状态。因此,通过训练完成的第二检测模型能够准确定目标平垫圈的状态,大大增加了对超小目标检测准确度。
Description
技术领域
本申请涉及图像检测技术领域,特别是涉及一种输电线路的检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力系统的高速发展,输电线路的规模也越来越大。为了固定和支持输电线路,常常采用大量的悬垂线夹来固定输电线路。其中,在悬垂线夹连接处需要安装平垫圈等金属部件。
对于长期暴露在室外的输电线路,一旦受到恶劣环境的危害或者施工人员的疏忽,悬垂线夹上的平垫圈会出现脱落等问题,大大影响了输电线路的正常使用。
在现有技术中,为了确保输电线路的正常使用,常常通过一个YOLO(you onlylook once)模型对输电线路中相关零件进行检测。然而,在对超小目标的平垫圈进行检测时,常常会出现大量的漏检和误检的情况,存在对超小目标检测准确度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种输电线路的检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种输电线路的检测方法。所述方法包括:
获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
第二方面,本申请还提供了一种输电线路的检测装置。所述装置包括:
获取模块,用于获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
检测模块,用于通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
识别模块,用于通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
上述输电线路的检测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取对目标输电线路进行拍摄所得到的待检测图像,该目标输电线路中包含悬垂线夹和平垫圈。通过训练完成的第一检测模型,对该待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于该悬垂线夹位置信息,从该待检测图像中划分出包括有悬垂线夹区域的目标图像。这样,基于训练完成的第一检测模型,可以将待检测图像所对应的区域精准定位到悬垂线夹区域,降低了与悬垂线夹无关的图像信息,进一步突出了悬垂线夹所在区域的图像信息。通过训练完成的第二检测模型,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。因此,通过训练完成的第二检测模型对包括有悬垂线夹区域的目标图像进行检测,能够快速且精准的确定悬垂线夹区域中的目标平垫圈,并能够准确识别出目标平垫圈的状态,从而,大大增加了对超小目标检测准确度。
附图说明
图1为一个实施例中输电线路的检测方法的应用环境图;
图2为一个实施例中输电线路的检测方法的流程示意图;
图3为另一个实施例中输电线路的检测方法的流程示意图;
图4为一个实施例中确定预训练好的第一检测模型步骤的流程示意图;
图5为一个实施例中确定预训练好的第二检测模型步骤的流程示意图;
图6为一个实施例中确定叠加训练步骤的流程示意图;
图7为另一个实施例中输电线路的检测方法的流程示意图;
图8为一个实施例中输电线路的检测装置的结构框图;
图9为另一个实施例中输电线路的检测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的输电线路的检测方法,可以应用于如图1所示的应用环境中。其中,无人机102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。无人机102将拍摄的待检测的图像发送至服务器104,服务器104获取对目标输电线路进行拍摄所得到的待检测图像,该目标输电线路中包含悬垂线夹和平垫圈。服务器104通过训练完成的第一检测模型,对该待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于该悬垂线夹位置信息,从该待检测图像中划分出包括有悬垂线夹区域的目标图像。服务器104通过训练完成的第二检测模型,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。其中,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种输电线路的检测方法,以该方法应用于计算机设备为例进行说明,该计算机设备可以是图1中的服务器,或者终端。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。该输电线路的检测方法,包括以下步骤:
步骤S202,获取对目标输电线路进行拍摄所得到的待检测图像,该目标输电线路中包含悬垂线夹和平垫圈。
其中,输电线路为从发电厂或变电站升压,将电力输送到降压变电站的高压电力线路。悬垂线夹为将导(地)线悬挂至悬垂绝缘子串(组)或金具串(组)上的金具。该悬垂线夹用于将导线固定在直线杆塔的绝缘子串子,或将避雷针悬挂在直线杆塔上,亦可用于换位杆塔上支持换位导线以及耐张转角杆塔跳线的固定。该平垫圈通常是各种形状的薄片,用于减少摩擦、防止泄露、隔离、防止松脱或分散压力。其中,平垫圈是安装在悬垂线夹上。
具体地,计算机设备获取对目标输电线路进行拍摄所得到的待检测图像,该待检测图像包含有目标线路中悬垂线夹信息和平垫圈信息。该目标输电线路中包含悬垂线夹和平垫圈。该待检测图像可以是具有飞行和拍照功能的机器在广角情况下对目标输电线路进行拍摄得到的,该机器可以是无人机。
步骤S204,通过训练完成的第一检测模型,对该待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于该悬垂线夹位置信息,从该待检测图像中划分出包括有悬垂线夹区域的目标图像。
其中,该训练完成的第一检测模型为YOLOv5模型(you only look once第5版),该YOLO模型为目标检测模型,可以基于one-stage(单阶段)算法实现。该训练完成的第一检测模型用于确定目标输电线路中的悬垂线夹。其中,该训练完成的第一检测模型由四个部分组成,分别是第一输入端、第一BackBone(基准网络)、第一Neck(中间层)、第一Head(输出层)。
具体地,计算机设备获取训练完成的第一检测模型,并通过训练完成的第一检测模型,对该待检测图像进行悬垂线夹的检测,确定待检测图像中悬垂线夹坐标信息。计算机设备基于该悬垂线夹坐标信息,从该待检测图像中划分出包括有悬垂线夹区域的高清目标图像。其中,该训练完成的第一检测模型基于悬垂线夹的多个滑动窗口构建得到,该悬垂线夹的多个滑动窗口通过对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类得到。
步骤S206,通过训练完成的第二检测模型,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。
其中,该训练完成的第二检测模型为YOLOv5模型(you only look once第5版),该模型为一种基于one-stage(单阶段)算法实现目标检测的模型。该训练完成的第二检测模型用于检测目标平垫圈的状态。该状态分为平垫圈缺失状态、平垫圈正常状态。该训练完成的第二检测模型由四个部分组成,分别是第二输入端、第二BackBone(基准网络)、第二Neck(中间层)、第二Head(输出层)。
具体地,计算机设备获取训练完成的第二检测模型,并将该目标图像输入至该训练完成的第二检测模型中,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。其中,该训练完成的第二检测模型基于平垫圈的多个滑动窗口构建得到,该平垫圈的多个滑动窗口通过对多个样本标注图像中的平垫圈的尺寸进行聚类得到。
例如,计算机设备获得训练完成的第二YOLOv5模型,通过该训练完成的第二YOLOv5模型,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。若该目标平垫圈的状态为平垫圈缺失状态,则计算机设备发送告警信息,以指示技术人员进行巡查;若该目标平垫圈的状态为平垫圈正常状态,则计算机设备获取下一目标输电线路对应的下一待检测图像,基于第一YOLOv5模型和第二YOLOv5模型对下一目标输电线路中的平垫圈状态进行检测。
上述输电线路的检测方法中,通过获取对目标输电线路进行拍摄所得到的待检测图像,该目标输电线路中包含悬垂线夹和平垫圈。通过训练完成的第一检测模型,对该待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于该悬垂线夹位置信息,从该待检测图像中划分出包括有悬垂线夹区域的目标图像。这样,基于第一检测模型,可以将待检测图像所对应的区域精准定位到悬垂线夹区域,降低了与悬垂线夹无关的图像信息,进一步突出了悬垂线夹所在区域的图像信息。通过训练完成的第二检测模型,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。因此,通过第二检测模型对包括有悬垂线夹区域的目标图像进行检测,能够快速且精准的确定悬垂线夹区域中的目标平垫圈,并能够准确识别出目标平垫圈的状态,从而,大大增加了对超小目标检测准确度。
在一个实施例中,如图3所示,该方法包括:
步骤S302,获取输电线路的多个样本图像,对于每个样本图像,将相应样本图像中样本悬垂线夹的样本位置、以及样本平垫圈的样本状态,均进行标注,得到由多个样本标注图像组成的第一数据集。
具体地,计算机设备获取对输电线路进行拍摄所得到的多个样本图像,对于每个样本图像,计算机设备将相应样本图像中样本悬垂线夹的样本位置、以及样本平垫圈的样本状态,均进行标注,得到各个标注样本图像。计算机设备将该多个样本标注图像组合得到第一数据集。其中,每个标注样本图像中均包含有两种标注,即样本位置标注、样本状态标注。该样本位置标注用于表征样本悬垂线夹的坐标信息,该样本状态标注用于表征样本平垫圈是否缺失的状态。
例如,对于样本图像A,该样本图像A对应为输电线路中的某一线段的图像,该样本图像A中包含有某一线段对应的输电线路段、该线段中的样本悬垂线夹、样本平垫圈、该线段对应的环境信息(比如线段背景为山)。计算机设备将样本图像A中的样本悬垂线夹用第一字符标注,并将样本图像A中的样本平垫圈用第二字符标注,得到标注样本图像a。
步骤S304,基于该第一数据集中的多个样本标注图像,通过对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类,确定悬垂线夹的多个滑动窗口,并通过对多个样本标注图像中的样本平垫圈的尺寸进行聚类,确定平垫圈的多个滑动窗口。
具体地,计算机设备基于该第一数据集中的多个样本标注图像,基于第一K-means聚类算法对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类,确定悬垂线夹的多个滑动窗口,并基于悬垂线夹的多个滑动窗口确定与悬垂线夹对应的超参数。基于第二K-means聚类算法对多个样本标注图像中的样本平垫圈的尺寸进行聚类,确定平垫圈的多个滑动窗口,并基于平垫圈的多个滑动窗口确定与平垫圈对应的超参数。
其中,与悬垂线夹对应的超参数包含有悬垂线夹的多个滑动窗口、第一输入图像的尺寸、第一批大小、第一初始学习率、第一初始化网络参数等。与平垫圈对应的超参数包含有平垫圈的多个滑动窗口、第二输入图像的尺寸、第二批大小、第二初始学习率、第二初始化网络参数。其中,第一初始化网络参数和第二初始化网络参数均可以通过coco预训练权重得到。
例如,计算机设备基于该第一数据集中的多个样本标注图像,基于第一K-means聚类算法对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类,得到悬垂线夹对应的9个不同大小和宽高比的anchor(锚),其中,9个anchor包含有三种不同尺度的张量,用于识别小目标、中等目标和大目标。计算机设备基于悬垂线夹对应的9个anchor、尺寸为608*608的第一输入图像、第一批大小为8、第一初始学习率为0.001、第一初始化网络参数,确定与悬垂线夹对应的超参数。计算机设备基于第二K-means聚类算法对多个样本标注图像中的样本平垫圈的尺寸进行聚类,得到平垫圈对应的9个不同大小和宽高比的anchor(锚)。其中,9个anchor包含有三种不同尺度的张量,用于识别小目标、中等目标和大目标。计算机设备基于平垫圈对应的9个anchor、尺寸为608*608的第二输入图像、第二批大小为8、第二初始学习率为0.001、第二初始化网络参数,确定与平垫圈对应的超参数。其中,与悬垂线夹的anchor对应于悬垂线夹的滑动窗口。其中,与平垫圈的anchor对应于平垫圈的滑动窗口
步骤S306,基于该悬垂线夹的多个滑动窗口,构建初始第一检测模型,并基于该第一数据集对该初始第一检测模型进行预训练,得到预训练好的第一检测模型。
具体地,计算机设备基于该悬垂线夹的多个滑动窗口,确定与悬垂线夹对应的超参数,并基于与悬垂线夹对应的超参数,构建由第一输入端、第一Backbone、第一Neck、第一head组成的初始第一检测模型。计算机设备基于该第一数据集对该初始第一检测模型进行预训练,得到预训练好的第一检测模型。
例如,计算机设备基于该悬垂线夹的9个anchor、尺寸为608*608的第一输入图像、第一批大小为8、第一初始学习率为0.001、第一初始化网络参数,确定与悬垂线夹对应的超参数。计算机设备基于与悬垂线夹对应的超参数,构建由第一输入端、第一Backbone、第一Neck、第一head组成的初始第一检测模型。计算机设备基于第一输入端对第一数据集进行预处理和数据增强,得到了处理后的第一数据集,该处理后的第一数据集中包含有多张处理后的新图片。基于第一Backbone(基准网络)对处理后的第一数据集进行数据特征提取,得到提取后的第一数据集,该提取后的第一数据集中包含多张特征图。计算机设备基于第一Neck(中间层)对提取后的第一数据集进行识别,输入三种不同尺度的张量,基于第一Head(输出层)对三种不同尺度的张量进行边框和类别的识别,得到第一数据集中目标物体的边框与相应的类别。计算机设备通过GIOU_loss确定检测边框与真实边框的差异,并对调整模型参数,得到预训练好的第一检测模型,具体的计算公式如下:
其中,a为检测框,b为真实框。IOU为交并比,即检测框与真实框的交集和并集的比值,C为能够包住a和b的最小外接矩阵。其中,基于该预训练好的第一检测模型对图像进行目标识别,每张图像都会产生22743个预选框,每个预选框包含5+n个值,分别是预选框的中心点坐标x,y和宽高w,h以及置信度c和n个类别的概率。首先根据置信度c的值,先过滤掉一些低置信度的预选框,在本模型中置信度阈值为0.5,对保留下来的预选框进行DIOU-NMS筛选,以筛除过多重复的预选框,剩余的预选框作为最终的检测结果。
步骤S308,基于该平垫圈的多个滑动窗口,构建初始第二检测模型,并对该第一数据集进行图像裁剪处理,得到第二数据集,并基于该第二数据集,对该初始第二检测模型进行训练,得到预训练好的第二检测模型。
具体地,计算机设备基于该平垫圈的多个滑动窗口,确定与平垫圈对应的超参数,并基于与平垫圈对应的超参数,构建由第二输入端、第二Backbone、第二Neck、第二head组成的初始第二检测模型。计算机设备对第一数据集进行图像裁剪处理,得到第二数据集。计算机设备基于该第二数据集对该初始第二检测模型进行预训练,得到预训练好的第二检测模型。
例如,计算机设备基于该平垫圈的9个anchor、尺寸为608*608的第二输入图像、第二批大小为8、第二初始学习率为0.001、第二初始化网络参数,确定与平垫圈对应的超参数。计算机设备基于与平垫圈对应的超参数、构建由第二输入端、第二Backbone、第二Neck、第二head组成的初始第二检测模型。计算机设备对第一数据集进行图像裁剪处理,得到第二数据集。计算机设备基于第二输入端对第二数据集进行预处理和数据增强,得到了处理后的第二数据集,该处理后的第二数据集中包含有多张处理后的新图片。基于第二Backbone(基准网络)对处理后的第二数据集进行数据特征提取,得到提取后的第二数据集,该提取后的第二数据集中包含多张特征图。计算机设备基于第二Neck(中间层)对提取后的第二数据集进行识别,输入三种不同尺度的张量,基于第二Head(输出层)对三种不同尺度的张量进行边框和类别的识别,得到第二数据集中目标物体的边框与相应的类别。计算机设备通过GIOU_loss确定检测边框与真实边框的差异,并对调整模型参数,得到预训练好的第二检测模型。其中,基于该预训练好的第二检测模型对图像进行目标识别,每张图像都会产生22743个预选框,每个预选框包含5+n个值,分别是预选框的中心点坐标x,y和宽高w,h以及置信度c和n个类别的概率。首先根据置信度c的值,先过滤掉一些低置信度的预选框,在本模型中置信度阈值为0.5,对保留下来的预选框进行DIOU-NMS筛选,以筛除过多重复的预选框,剩余的预选框作为最终的检测结果。
步骤S310,从该第二数据集中获取第二验证集,并基于该第二验证集,对预训练好的第一检测模型、以及预训练好的第二检测模型进行叠加训练,得到训练完成的第一检测模型和训练完成的第二检测模型。
具体地,计算机设备从该第二数据集中获取第二验证集,并将该第二验证集通过预训练好的第一检测模型进行处理,得到预训练第一结果,并将该预训练第一结果通过预训练好的第二检测模型进行处理,得到训练完成的第一检测模型和训练完成的第二检测模型。
在本实施例中,基于每个输电线路的样本图像,将相应样本图像中样本悬垂线夹的样本位置、以及样本平垫圈的样本状态,均进行标注,得到由多个样本标注图像组成的第一数据集。通过对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类,确定悬垂线夹的多个滑动窗口,并通过对多个样本标注图像中的样本平垫圈的尺寸进行聚类,确定平垫圈的多个滑动窗口。基于该悬垂线夹的多个滑动窗口,构建初始第一检测模型,并基于该第一数据集对该初始第一检测模型进行预训练,得到能够从样本图像中检测出悬垂线夹的预训练好的第一检测模型。基于该平垫圈的多个滑动窗口,构建初始第二检测模型,并对该第一数据集进行图像裁剪处理,得到第二数据集,并基于该第二数据集,对该初始第二检测模型进行训练,得到能够快速检测出悬垂线夹中平垫圈状态的预训练好的第二检测模型。从该第二数据集中获取第二验证集,并基于该第二验证集,对预训练好的第一检测模型、以及预训练好的第二检测模型进行叠加训练,得到训练完成的第一检测模型和训练完成的第二检测模型。这样,通过叠加训练,进一步提高了用于检测悬垂线区域的训练完成的第一检测模型的准确度、以及提高了用于检测平垫圈状态的训练完成的第二检测模型的准确度。
在一个实施例中,如图4所示,所述第一数据集由第一训练集、第一测试集、以及第一验证集组成,所述基于所述第一数据集对所述初始第一检测模型进行预训练,得到预训练好的第一检测模型,包括:
步骤S402,基于该第一训练集中的多个第一训练样本标注图像,对该初始第一检测模型进行预训练,得到当前周期下的待测试的第一检测模型,并基于该第一测试集,对该待测试的第一检测模型进行测试,得到多个测试样本悬垂线夹的理论测试位置。
具体地,计算机设备基于该第一训练集中的多个第一训练样本标注图像,对该初始第一检测模型进行预训练,得到当前周期下的待测试的第一检测模型。计算机设备通过当前周期下的待测试的第一检测模型,对第一测试集进行处理,得到当前周期下的多个测试样本悬垂线夹的理论测试坐标信息。其中,周期对应为训练轮次。
步骤S404,基于该第一测试集中多个第一测试样本标注图像,确定多个测试样本悬垂线夹的实际测试位置,并基于该多个测试样本悬垂线夹的实际测试位置、该多个测试样本悬垂线夹的理论测试位置,得到多个第一测试评价指标结果,该第一测试评价指标结果包括第一测试召回率、第一测试准确度、以及第一测试平均准确率。
其中,召回率即为查全率,用于表征正样本的正确率。该准确度即用于表征预测正确的概率。该平均准确率(Mean Average Precision,mAP)用于衡量目标检测算法的性能。
具体地,计算机设备基于该第一测试集确定多个第一测试样本标注图像,对于每个第一测试样本标注图像,基于相应第一测试样本标注图像中测试样本位置标注,确定多个测试样本悬垂线夹的理论测试位置。计算机设备将属于同一测试样本悬垂线夹的实际测试位置与理论测试位置进行比较,确定第一测试召回率、第一测试准确度、以及第一测试平均准确率。
步骤S406,基于该多个第一测试评价指标结果,对该待测试的第一检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于该第一测试集,对该待测试的第一检测模型进行测试的步骤继续执行,直至多个第一测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的多个第一测试评价指标结果作为相应评价指标的第一目标评价阈值。
具体地,计算机设备基于多个第一测试评价指标结果,对该待测试的第一检测模型的参数进行调整,并进入下一周期的循环迭代,并返回至基于该第一测试集,对该待测试的第一检测模型进行测试的步骤继续执行,确定各个周期对应的多个第一测试评价指标结果。计算机设备基于各个周期对应的多个第一测试评价指标结果,判断多个第一测试评价指标结果是否满足指标条件,若多个第一测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的多个第一测试评价指标结果作为相应评价指标的第一目标评价阈值。
例如,若当前周期为第30个周期,若当前周期中第一测试召回率与前一次周期第一测试召回率之间的差异不大、且当前周期中第一测试准确度与前一次周期第一测试准确度之间的差异不大、且当前周期中第一测试平均准确率与前一次周期第一测试平均准确率之间的差异不大,即当前周期的第一测试召回率的变化率、第一测试准确度的变化率、第一测试平均准确率的变化率均趋于不变,则确定当前周期多个第一测试指标结果均满足指标条件,则确定将当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的第一测试召回率作为第一评价指标的第一目标评价阈值,将当前周期下的第一测试准确度作为第二评价指标的第一目标评价阈值,将当前周期下的第一测试平均准确率作为第三评价指标的第一目标评价阈值。其中第一评价指标对应为召回率指标,第二评价指标对应为准确度指标,第三评价指标对应为平均准确率。
步骤S408,通过该第一中间检测模型对第一验证集进行处理,得到多个第一验证评价指标结果,若该每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值相匹配,则确定第一中间检测模型为预训练好的第一检测模型。
具体地,计算机设备通过该第一中间检测模型对第一验证集进行处理,得到多个第一验证评价指标结果,并将每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值进行比较。若存在第一验证评价指标结果与相应评价指标的第一目标评价阈值之间的差值在差异范围之内,则确该第一验证评价指标结果与相应评价指标的第一目标评价阈值相匹配。若每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值相匹配,则确定第一中间检测模型为预训练好的第一检测模型。
在本实施例中,通过该第一训练集中的多个第一训练样本标注图像,对该初始第一检测模型进行预训练,得到当前周期下的待测试的第一检测模型,并基于该第一测试集,对该待测试的第一检测模型进行测试,得到多个测试样本悬垂线夹的理论测试位置。基于该多个测试样本悬垂线夹的实际测试位置、该多个测试样本悬垂线夹的理论测试位置,得到多个第一测试评价指标结果。基于该多个第一测试评价指标结果,对该待测试的第一检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于该第一测试集,对该待测试的第一检测模型进行测试的步骤继续执行,直至多个第一测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的多个第一测试评价指标结果作为相应评价指标的第一目标评价阈值。通过该第一中间检测模型对第一验证集进行处理,得到多个第一验证评价指标结果,若该每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值相匹配,则确定第一中间检测模型为预训练好的第一检测模型。这样,基于第一训练集和第一测试集,能够得到可以从样本图像中检测出悬垂线夹的第一中间检测模型,再基于第一验证集的验证,确保了通过第一中间检测模型确定的预训练好的第一检测模型的检测效果更加理想,准确度更高。
在一个实施例中,如图5所示,该第二数据集包含第二训练集、第二测试集、以及第二验证集,该基于该第二数据集,对该初始第二检测模型进行训练,得到预训练好的第二检测模型,包括:
步骤502,基于该第二训练集中的多个第二训练样本标注图像,对该初始第二检测模型进行预训练,得到当前周期下待测试的第二检测模型,并基于该第二测试集,对该待测试的第二检测模型进行测试,得到多个测试样本平垫圈的理论测试状态。
具体地,计算机设备基于该第二训练集中的多个第二训练样本标注图像,对该初始第二检测模型进行预训练,得到当前周期下待测试的第二检测模型。计算机设备通过当前周期下的待测试的待测试的第二检测模型,对第二测试集进行处理,得到当前周期下的多个测试样本平垫圈的理论测试状态。该状态可以是平垫圈缺失状态、可以是平垫圈正常状态。
步骤504,基于该第二测试集中多个第二测试样本标注图像,确定多个测试样本平垫圈的实际测试状态,并基于该多个测试样本平垫圈的实际测试状态、该多个测试样本平垫圈的理论测试状态,得到多个第二测试评价指标结果,该第二测试评价指标结果包括第二测试召回率、第二测试准确度、以及第二测试平均准确率。
其中,召回率即为查全率,用于表征正样本的正确率。该准确度即用于表征预测正确的概率。该平均准确率(MeanAverage Precision,mAP)用于衡量目标检测算法的性能。
具体地,计算机设备基于该第二测试集,确定多个第二测试样本标注图像。对于每个第二测试样本标注图像,基于相应第二测试样本标注图像中测试样本状态标注,确定多个测试样本平垫圈的实际测试状态。计算机设备将属于同一测试样本平垫圈的实际测试状态与理论测试状态进行比较,确定第二测试召回率、第二测试准确度、以及第二测试平均准确率。
步骤506,基于该多个第二测试评价指标结果,对该待测试的第二检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于该第二测试集,对该待测试的第二检测模型进行测试的步骤继续执行,直至多个第二测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的多个第二测试评价指标结果作为相应评价指标的第二目标评价阈值。
具体地,计算机设备基于多个第二测试评价指标结果,对该待测试的第二检测模型的参数进行调整,并进入下一周期的循环迭代,并返回至基于该第二测试集,对该待测试的第二检测模型进行测试的步骤继续执行,确定各个周期对应的多个第二测试评价指标结果。计算机设备基于各个周期对应的多个第二测试评价指标结果,判断多个第二测试评价指标结果是否满足指标条件,若多个第二测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的多个第二测试评价指标结果作为相应评价指标的第二目标评价阈值。
例如,若当前周期为第40个周期,若当前周期中第二测试召回率与前一次周期第二测试召回率之间的差异不大、且当前周期中第二测试准确度与前一次周期第二测试准确度之间的差异不大、且当前周期中第二测试平均准确率与前一次周期第二测试平均准确率之间的差异不大,即当前周期的第二测试召回率的变化率、第二测试准确度的变化率、第二测试平均准确率的变化率均趋于不变,则确定当前周期多个第二测试指标结果均满足指标条件,则确定将当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的第二测试召回率作为第一评价指标的第二目标评价阈值,将当前周期下的第二测试准确度作为第二评价指标的第二目标评价阈值,将当前周期下的第二测试平均准确率作为第三评价指标的第二目标评价阈值。其中第一评价指标对应为召回率指标,第二评价指标对应为准确度指标,第三评价指标对应为平均准确率。
步骤508,通过该第二中间检测模型,对第二验证集进行处理,得到多个第二验证评价指标结果,若该每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值相匹配,则确定第二中间检测模型为预训练好的第二检测模型。
具体地,计算机设备通过该第二中间检测模型对第二验证集进行处理,得到多个第二验证评价指标结果,并将每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值进行比较。若存在第二验证评价指标结果与相应评价指标的第二目标评价阈值之间的差值在差异范围之内,则确定该第二验证评价指标结果与相应评价指标的第二目标评价阈值相匹配。若每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值相匹配,则确定第二中间检测模型为预训练好的第二检测模型。
在本实施例中,通过该第二训练集中的多个第二训练样本标注图像,对该初始第二检测模型进行预训练,得到当前周期下待测试的第二检测模型,并基于该第二测试集,对该待测试的第二检测模型进行测试,得到多个测试样本平垫圈的理论测试状态。基于该多个测试样本平垫圈的实际测试状态、该多个测试样本平垫圈的理论测试状态,得到多个第二测试评价指标结果。基于该多个第二测试评价指标结果,对该待测试的第二检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于该第二测试集,对该待测试的第二检测模型进行测试的步骤继续执行,直至多个第二测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的多个第二测试评价指标结果作为相应评价指标的第二目标评价阈值。通过该第二中间检测模型,对第二验证集进行处理,得到多个第二验证评价指标结果,若该每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值相匹配,则确定第二中间检测模型为预训练好的第二检测模型。这样,基于第二训练集和第二测试集,能够得到可以检测出超小目标平垫圈状态的第二中间检测模型,再基于第二验证集的验证,确保了通过第二中间检测模型确定的预训练好的第二检测模型的识别效果更加理想,准确度更高。
在一个实施例中,该第一数据集由第一训练集、第一测试集、以及第一验证集组成,该对该第一数据集进行图像裁剪处理,得到第二数据集,包括:将该第一训练集中的多个第一训练样本标注图像中包含有悬垂线夹的图像进行截取,得到第二训练集。将该第一测试集中的多个第一测试样本标注图像中包含有悬垂线夹的图像进行截取,得到第二测试集。将该第一验证集中的多个第一验证样本标注图像中包含有悬垂线夹的图像进行截取,得到第二验证集。将该第二训练集、该第二测试集和该第二验证集构成第二数据集。
具体地,对于第一训练集中的多个第一训练样本标注图像,计算机设备确定每个第一训练样本标注图像中包含有悬垂线夹的图像,并通过裁剪进行截取,得到第二训练集。对于第二测试集中多个第一测试样本标注图像,计算机设备确定每个第二测试样本标注图像中包含有悬垂线夹的图像,并通过裁剪进行截取,得到第二测试集。对于第二验证集中多个第一验证样本标注图像,计算机设备确定每个第二验证样本标注图像中包含有悬垂线夹的图像,并通过裁剪进行截取,得到第二验证集。计算机设备将该第二训练集、该第二测试集和第二验证集构成第二数据集。
在本实施例中,将该第一训练集中的多个第一训练样本标注图像中包含有悬垂线夹的图像进行截取,得到第二训练集。将该第一测试集中的多个第一测试样本标注图像中包含有悬垂线夹的图像进行截取,得到第二测试集。将该第一验证集中的多个第一验证样本标注图像中包含有悬垂线夹的图像进行截取,得到第二验证集。将该第二训练集、该第二测试集和该第二验证集构成第二数据集。这样,通过对第一数据集进行截取得到第二测试集,突出了小目标悬垂线夹所在区域,从而能够对悬垂线夹所在区域中平垫圈进行强化,能够大大增加模型训练的精准度,有利于后续得到能够快速检测出悬垂线夹中平垫圈状态的预训练好的第二检测模型。
在一个实施例中,如图6所示,该基于该第二验证集,对预训练好的第一检测模型、以及预训练好的第二检测模型进行叠加训练,得到训练完成的第一检测模型和训练完成的第二检测模型,包括:
步骤S602,通过预训练好的第一检测模型,对第二验证集中多个第二验证样本标注图像进行处理,得到多个携带有悬垂线夹位置信息的第一样本目标图像。
具体地,计算机设备获取预训练好的第一检测模型,并通过该预训练好的第一检测模型对第二验证集中多个第二验证样本标注图像进行悬垂线夹的检测,确定多个第二验证样本标注图像中悬垂线夹坐标信息。对于每一个第二验证样本标注图像,计算机设备基于多个第二验证样本标注图像中悬垂线夹坐标信息,从相应第二验证样本标注图像中划分出包括有悬垂线夹区域的第一样本目标图像。
步骤S604,通过预训练好的第二检测模型,对多个第一样本目标图像进行悬垂线夹的检测,得到各个第一样本目标图像对应的样本平垫圈状态。
具体地,计算机设备获取预训练好的第二检测模型,对于每个第一样本目标图像,计算机设备基于该预训练好的第二检测模型,对相应第一样本目标图像中位于悬垂线夹区域内的平垫圈状态进行识别,得到各个第一样本目标图像对应的样本平垫圈状态。
步骤S606,基于该第二验证集中多个第二验证样本标注图像,确定多个验证样本平垫圈的实际验证状态。
具体地,计算机设备获取该第二验证集中多个第二验证样本标注图像,并基于每个第二验证样本标注图像中验证样本状态标注,确定多个验证样本平垫圈的实际验证状态。
步骤S608,基于该多个验证样本平垫圈的实际验证状态、该多个样本平垫圈状态,确定多个第三验证评价指标结果,若每个第三验证评价指标结果均满足相应评价指标的阈值评价条件,则确定预训练好的第一检测模型为训练完成的第一检测模型、以及预训练好的第二检测模型为训练完成的第二检测模型。
具体地,计算机设备基于多个验证样本平垫圈的实际验证状态、该各个第一样本目标图像对应的样本平垫圈状态,确定多个第三验证评价指标结果。计算机设备获取各个评价指标的阈值评价参数,若每个第三验证评价指标结果均大于相应评价指标的阈值评价参数,则确定预训练好的第一检测模型为训练完成的第一检测模型、以及预训练好的第二检测模型为训练完成的第二检测模型。
在本实施例中,通过预训练好的第一检测模型,对第二验证集中多个第二验证样本标注图像进行处理,得到多个携带有悬垂线夹位置信息的第一样本目标图像。通过预训练好的第二检测模型,对多个第一样本目标图像进行悬垂线夹的检测,得到各个第一样本目标图像对应的样本平垫圈状态。基于该第二验证集中多个第二验证样本标注图像,确定多个验证样本平垫圈的实际验证状态。基于该多个验证样本平垫圈的实际验证状态、该多个样本平垫圈状态,确定多个第三验证评价指标结果,若每个第三验证评价指标结果均满足相应评价指标的阈值评价条件,则确定预训练好的第一检测模型为训练完成的第一检测模型、以及预训练好的第二检测模型为训练完成的第二检测模型。这样,通过叠加训练,进一步提高了用于检测悬垂线区域的训练完成的第一检测模型的准确度、以及提高了用于检测平垫圈状态的训练完成的第二检测模型的准确度。
为了更加清楚的了解训练完成的第一检测模型和训练完成第二检测模型的训练过程,提供一个更为详细实施例进行描述。如图7所示,步骤S1:无人机采集输电线路图片,计算机设备获取输电线路图片,并对悬垂线夹位置和平垫圈状态进行标注,构建第一数据集。其中,步骤S1具体包括:利用无人机采集输电线路沿线图片,计算机设备获取输电线路沿线图片,并利用标注工具用矩形框将图片中悬垂线夹的位置和悬垂线夹上平垫圈应在的位置(即悬垂线夹挂轴以及挂板上方的螺母)标注出来,并且标注出平垫圈状态,该平垫圈状态可以为平垫圈缺失状态、平垫圈正常状态。计算机设备将包含悬垂线夹的图片挑选出来作为第一数据集D,该第一数据集D按照8:1:1划分为第一训练集(即Train_D)、第一测试集(即Test_D)和第一验证集(即Verification_D)。计算机设备分别将第一训练集、第一测试集、第一验证集中悬垂线夹位置图像裁剪出来,形成第二训练集(即Train_D1)、第二测试集(即Test_D1)和第二验证集(即Verification_D1)。
步骤S2:计算机设备根据第一数据集,分别对悬垂线夹的尺寸和平垫圈尺寸进行聚类。具体地:计算机设备采用K-means聚类算法分别对悬垂线夹的尺寸和平垫的尺寸进行聚类,得到8个不同大小和宽高比的anchor(即对应于悬垂线夹的多个滑动窗口和对应于平垫圈的多个滑动窗口)。
步骤S3:计算机设备构建悬垂线夹的YOLOv5模型和平垫圈状态YOLOv5模型,并基于该悬垂线夹的9个anchor、尺寸为608*608的第一输入图像、第一批大小为8、第一初始学习率为0.001、第一初始化网络参数,确定与悬垂线夹对应的超参数(即设置与悬垂线夹对应的相关参数),以及基于该平垫圈的9个anchor、尺寸为608*608的第二输入图像、第二批大小为8、第二初始学习率为0.001、第二初始化网络参数,确定与平垫圈对应的超参数(即设置与平垫圈对应的相关参数)。计算机设备基于第一数据集进行训练并测试效果,确定预训练好的第一检测模型,以及基于第二数据集进行训练并测试效果,确定预训练好的第二检测模型。其中,YOLO模型由四个部分组成,分别是输入端、BackBone(基准网络)、Neck(中间层)、Head(输出层)。对于输入端,主要是对输入数据进行预处理与数据增强。其中,预处理包括对输入图像进行缩放以满足网络所需的尺寸,对图像进行标准化处理,以提高训练的速度和网络的精度。该数据增强包括对输入图像进行随机擦除、平移、旋转、镜像、随机增加噪声、使用Mix-up、Mosaic、SAT对数据进行扩充。其中,Mosaic数据增强利用了四张包含有标注的图片,并对四张图片进行拼接,得到了包含有四张图片标注的新图片。基于该输入端对输入进行处理,不仅被检测物体相对变小,也丰富了被检物体的背景,有效提升了模型对小目标的检测能力。对于BackBone(基准网络),主要是对输入图像进行数据特征提取,即输入图像先经过Facus模块进行没有信息损失的下采样,利用感受野大的深层网络机构CSPDarknet提取数据特征,该CSPDarknet在Darknet的基础上添加了CSP模块以解决大型网络优化时梯度信息重复的问题。CSP模块通过将基础层的特征映射划分为两部分处理,使梯度流通过不同的网络路径传播,降低梯度的重复计算。然后通过跨层拼接结构将它们合并,保证了模型精度且降低了计算量。同时该基准网络通过使用平滑的Mish激活函数,避免了ReLU的硬零边界,允许更多信息深入神经网络,提升了模型的准确性和泛化能力。此外,在模型中穿插使用Dropblock,对相邻区域的特征进行丢弃,克服Dropout对卷积层作用不明显的缺点,防止了过拟合,从而提高模型的泛化能力。对于Neck(中间层),对BackBone提取的数据特征进行提取,并且根据待识别物体的尺寸,输出三种不同尺度的张量,分别用于识别小目标、中等目标和大目标。该层中通过添加CSP2模块、SPP模块和FPN+PAN结构,进一步融合与提取多样性特征。其中,CSP2借鉴了CSP模块,将CSP中的残差结构换成了卷积结构,CSP2进一步加强了网络对特征融合的能力。其中,SPP(Spatial Pyramid PoolingNetworks)利用1*1、5*5、9*9、13*13尺寸的池化核进行最大池化,再将结果拼接在一起,对特征进行多尺度融合,更有效的增加了主干特征的接收范围,显著的分离了上下文特征。其中,FPN(Feature Pyramid Networks)特征金字塔网络,通过反卷积自顶向下将原有特征图,层层放大构建特征金字塔,有利于网络提取到的不同尺寸物体的语义特征,使得模型能够识别不同大小和尺度的同一个物体。PAN(Path Aggregation Network)借鉴了图像分割领域PANet算法,自底向上提取特征,并且通过拼接的方法对来自FPN的不同层参数进行聚合,进而增强网络的定位能力。对于输出层,针对三种不同的尺寸,输出识别到物体的边界框与相应的类别。
具体地,对于预训练好的第一检测模型,计算机设备基于该悬垂线夹的9个anchor、尺寸为608*608的第一输入图像、第一批大小为8、第一初始学习率为0.001、第一初始化网络参数,确定与悬垂线夹对应的超参数。计算机设备基于与悬垂线夹对应的超参数,构建由第一输入端、第一Backbone、第一Neck、第一head组成的初始第一检测模型。计算机设备基于第一数据集对初始第一检测模型进行测试,分析其召回率、准确度等评价指标,针对测试集中出现的漏检误报情况,进行参数调整等处理方式,直至达到理想效果。具体地:计算机设备基于该第一训练集中的多个第一训练样本标注图像,对该初始第一检测模型进行预训练,得到当前周期下的待测试的第一检测模型。计算机设备通过当前周期下的待测试的第一检测模型,对第一测试集进行处理,得到当前周期下的多个测试样本悬垂线夹的理论测试坐标信息。计算机设备基于该第一测试集确定多个第一测试样本标注图像,对于每个第一测试样本标注图像,基于相应第一测试样本标注图像中测试样本位置标注,确定多个测试样本悬垂线夹的理论测试位置。计算机设备将属于同一测试样本悬垂线夹的实际测试位置与理论测试位置进行比较,确定第一测试召回率、第一测试准确度、以及第一测试平均准确率。计算机设备基于多个第一测试评价指标结果,对该待测试的第一检测模型的参数进行调整,并进入下一周期的循环迭代,并返回至基于该第一测试集,对该待测试的第一检测模型进行测试的步骤继续执行,确定各个周期对应的多个第一测试评价指标结果。计算机设备基于各个周期对应的多个第一测试评价指标结果,判断多个第一测试评价指标结果是否满足指标条件,若多个第一测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的多个第一测试评价指标结果作为相应评价指标的第一目标评价阈值。计算机设备通过该第一中间检测模型对第一验证集进行处理,得到多个第一验证评价指标结果,并将每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值进行比较。若存在第一验证评价指标结果与相应评价指标的第一目标评价阈值之间的差值在差异范围之内,则确该第一验证评价指标结果与相应评价指标的第一目标评价阈值相匹配。若每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值相匹配,则确定第一中间检测模型为预训练好的第一检测模型。
对于预训练好的第二检测模型,基于该平垫圈的9个anchor、尺寸为608*608的第二输入图像、第二批大小为8、第二初始学习率为0.001、第二初始化网络参数,确定与平垫圈对应的超参数。计算机设备基于与平垫圈对应的超参数、构建由第二输入端、第二Backbone、第二Neck、第二head组成的初始第二检测模型。计算机设备对第一数据集进行图像裁剪处理,得到第二数据集。计算机设备基于第二数据集对初始第二检测模型进行测试,分析其召回率、准确度等评价指标,针对测试集中出现的漏检误报情况,进行参数调整等处理方式,直至达到理想效果。具体地:计算机设备基于该第二训练集中的多个第二训练样本标注图像,对该初始第二检测模型进行预训练,得到当前周期下待测试的第二检测模型。计算机设备通过当前周期下的待测试的待测试的第二检测模型,对第二测试集进行处理,得到当前周期下的多个测试样本平垫圈的理论测试状态。该状态可以是平垫圈缺失状态、可以是平垫圈正常状态。计算机设备基于该第二测试集,确定多个第二测试样本标注图像。对于每个第二测试样本标注图像,基于相应第二测试样本标注图像中测试样本状态标注,确定多个测试样本平垫圈的实际测试状态。计算机设备将属于同一测试样本平垫圈的实际测试状态与理论测试状态进行比较,确定第二测试召回率、第二测试准确度、以及第二测试平均准确率。计算机设备基于多个第二测试评价指标结果,对该待测试的第二检测模型的参数进行调整,并进入下一周期的循环迭代,并返回至基于该第二测试集,对该待测试的第二检测模型进行测试的步骤继续执行,确定各个周期对应的多个第二测试评价指标结果。计算机设备基于各个周期对应的多个第二测试评价指标结果,判断多个第二测试评价指标结果是否满足指标条件,若多个第二测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的多个第二测试评价指标结果作为相应评价指标的第二目标评价阈值。计算机设备通过该第二中间检测模型对第二验证集进行处理,得到多个第二验证评价指标结果,并将每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值进行比较。若存在第二验证评价指标结果与相应评价指标的第二目标评价阈值之间的差值在差异范围之内,则确定该第二验证评价指标结果与相应评价指标的第二目标评价阈值相匹配。若每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值相匹配,则确定第二中间检测模型为预训练好的第二检测模型。
步骤S4:两个模型叠加在对预处理后的验证集(即第二验证集)数据进行检测,即,将预训练好的第一检测模型和预训练好的第二检测模型叠加在一起测试。具体地,计算机设备通过该预训练好的第一检测模型对第二验证集中多个第二验证样本标注图像进行悬垂线夹的检测,确定多个第二验证样本标注图像中悬垂线夹坐标信息。对于每一个第二验证样本标注图像,计算机设备基于多个第二验证样本标注图像中悬垂线夹坐标信息,从相应第二验证样本标注图像中划分出包括有悬垂线夹区域的第一样本目标图像。对于每个第一样本目标图像,计算机设备基于该预训练好的第二检测模型,对相应第一样本目标图像中位于悬垂线夹区域内的平垫圈状态进行识别,得到各个第一样本目标图像对应的样本平垫圈状态。
步骤S5:根据检测结果调整模型参数或数据集(第一数据集或第二数据集),以达到理想效果。具体地,计算机设备基于每个第二验证样本标注图像中验证样本状态标注,确定多个验证样本平垫圈的实际验证状态。计算机设备基于多个验证样本平垫圈的实际验证状态、该各个第一样本目标图像对应的样本平垫圈状态,确定多个第三验证评价指标结果。计算机设备获取各个评价指标的阈值评价参数,若每个第三验证评价指标结果均大于相应评价指标的阈值评价参数,则确定预训练好的第一检测模型为训练完成的第一检测模型、以及预训练好的第二检测模型为训练完成的第二检测模型。若存在至少一个第三验证评价指标结果小于相应评价指标的阈值评价参数,则调整预训练好的第一检测模型和预训练好的第二检测模型、或者第一数据集、第二数据集,以使得调整后的每个第三验证评价指标结果均大于相应评价指标的阈值评价参数。
在本实施例中,首先基于训练完成的第一检测模型,对悬垂线夹大区域进行定位,获取到悬垂线夹的高清大图,再利用训练完成的第二检测模型检测悬垂线夹区域内平垫圈状态。因此,通过训练完成的第一检测模型和训练完成的第二检测模型的叠加检测,能够大大提高对平垫圈的检测召回率和准确率,即大大增加了对超小目标检测准确度。即通过两步检测的方案,克服了单一算法对超小目标检测能力差的缺点,进而提高变电站日常运行管理维护的效率,降低发生事故的概率。此外,基于无人机拍摄技术,实现无人化检测,大大节省了人力,克服了巡检人员潜在人身安全风险,大大提高了巡检效率。同时,训练完成的第一检测模型和训练完成的第二检测模型均是采用YOLOv5模型,该YOLOv5模型具有更小的模型规模,对计算机设备的算力要求低,便于部署在设备上。该YOLOv5算法运算速度快,可以达到实施检测的效果,进一步提高了检测的效率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的输电线路的检测方法的输电线路的检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个输电线路的检测装置实施例中的具体限定可以参见上文中对于输电线路的检测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种输电线路的检测装置,该装置800包括:获取模块802、检测模块804和识别模块806,其中:
获取模块802,用于获取对目标输电线路进行拍摄所得到的待检测图像,该目标输电线路中包含悬垂线夹和平垫圈。
检测模块804,用于通过训练完成的第一检测模型,对该待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于该悬垂线夹位置信息,从该待检测图像中划分出包括有悬垂线夹区域的目标图像。
识别模块806,用于通过训练完成的第二检测模型,对该目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到该目标平垫圈的状态。
在一个实施例中,如图9所示,该装置800包括标注模块808、聚类模块810、第一预训练模块812、第二预训练模块814、叠加训练模块816,其中:
标注模块808,用于获取输电线路的多个样本图像,对于每个样本图像,将相应样本图像中样本悬垂线夹的样本位置、以及样本平垫圈的样本状态,均进行标注,得到由多个样本标注图像组成的第一数据集。
聚类模块810,用于基于该第一数据集中的多个样本标注图像,通过对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类,确定悬垂线夹的多个滑动窗口,并通过对多个样本标注图像中的样本平垫圈的尺寸进行聚类,确定平垫圈的多个滑动窗口。
第一预训练模块812,用于基于该悬垂线夹的多个滑动窗口,构建初始第一检测模型,并基于该第一数据集对该初始第一检测模型进行预训练,得到预训练好的第一检测模型。
第二预训练模块814,用于基于该平垫圈的多个滑动窗口,构建初始第二检测模型,并对该第一数据集进行图像裁剪处理,得到第二数据集,并基于该第二数据集,对该初始第二检测模型进行训练,得到预训练好的第二检测模型;
叠加训练模块816,用于从该第二数据集中获取第二验证集,并基于该第二验证集,对预训练好的第一检测模型、以及预训练好的第二检测模型进行叠加训练,得到训练完成的第一检测模型和训练完成的第二检测模型。
在一个实施例中,该第一预训练模块812,用于基于该第一训练集中的多个第一训练样本标注图像,对该初始第一检测模型进行预训练,得到当前周期下的待测试的第一检测模型,并基于该第一测试集,对该待测试的第一检测模型进行测试,得到多个测试样本悬垂线夹的理论测试位置。基于该第一测试集中多个第一测试样本标注图像,确定多个测试样本悬垂线夹的实际测试位置,并基于该多个测试样本悬垂线夹的实际测试位置、该多个测试样本悬垂线夹的理论测试位置,得到多个第一测试评价指标结果,该第一测试评价指标结果包括第一测试召回率、第一测试准确度、以及第一测试平均准确率。基于该多个第一测试评价指标结果,对该待测试的第一检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于该第一测试集,对该待测试的第一检测模型进行测试的步骤继续执行,直至多个第一测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的多个第一测试评价指标结果作为相应评价指标的第一目标评价阈值。通过该第一中间检测模型对第一验证集进行处理,得到多个第一验证评价指标结果,若该每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值相匹配,则确定第一中间检测模型为预训练好的第一检测模型。
在一个实施例中,该第二预训练模块814,用于基于该第二训练集中的多个第二训练样本标注图像,对该初始第二检测模型进行预训练,得到当前周期下待测试的第二检测模型,并基于该第二测试集,对该待测试的第二检测模型进行测试,得到多个测试样本平垫圈的理论测试状态。基于该第二测试集中多个第二测试样本标注图像,确定多个测试样本平垫圈的实际测试状态,并基于该多个测试样本平垫圈的实际测试状态、该多个测试样本平垫圈的理论测试状态,得到多个第二测试评价指标结果,该第二测试评价指标结果包括第二测试召回率、第二测试准确度、以及第二测试平均准确率。基于该多个第二测试评价指标结果,对该待测试的第二检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于该第二测试集,对该待测试的第二检测模型进行测试的步骤继续执行,直至多个第二测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的多个第二测试评价指标结果作为相应评价指标的第二目标评价阈值。通过该第二中间检测模型,对第二验证集进行处理,得到多个第二验证评价指标结果,若该每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值相匹配,则确定第二中间检测模型为预训练好的第二检测模型。
在一个实施例中,该第二预训练模块814,用于将该第一训练集中的多个第一训练样本标注图像中包含有悬垂线夹的图像进行截取,得到第二训练集。将该第一测试集中的多个第一测试样本标注图像中包含有悬垂线夹的图像进行截取,得到第二测试集。将该第一验证集中的多个第一验证样本标注图像中包含有悬垂线夹的图像进行截取,得到第二验证集。将该第二训练集、该第二测试集和该第二验证集构成第二数据集。
在一个实施例中,该叠加训练模块816,用于通过预训练好的第一检测模型,对第二验证集中多个第二验证样本标注图像进行处理,得到多个携带有悬垂线夹位置信息的第一样本目标图像。通过预训练好的第二检测模型,对多个第一样本目标图像进行悬垂线夹的检测,得到各个第一样本目标图像对应的样本平垫圈状态。基于该第二验证集中多个第二验证样本标注图像,确定多个验证样本平垫圈的实际验证状态。基于该多个验证样本平垫圈的实际验证状态、该多个样本平垫圈状态,确定多个第三验证评价指标结果,若每个第三验证评价指标结果均满足相应评价指标的阈值评价条件,则确定预训练好的第一检测模型为训练完成的第一检测模型、以及预训练好的第二检测模型为训练完成的第二检测模型。
上述输电线路的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储输电线路的检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路的检测方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种输电线路的检测方法,其特征在于,所述方法包括:
获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取输电线路的多个样本图像,对于每个样本图像,将相应样本图像中样本悬垂线夹的样本位置、以及样本平垫圈的样本状态,均进行标注,得到由多个样本标注图像组成的第一数据集;
基于所述第一数据集中的多个样本标注图像,通过对多个样本标注图像中的样本悬垂线夹的尺寸进行聚类,确定悬垂线夹的多个滑动窗口,并通过对多个样本标注图像中的样本平垫圈的尺寸进行聚类,确定平垫圈的多个滑动窗口;
基于所述悬垂线夹的多个滑动窗口,构建初始第一检测模型,并基于所述第一数据集对所述初始第一检测模型进行预训练,得到预训练好的第一检测模型;
基于所述平垫圈的多个滑动窗口,构建初始第二检测模型,并对所述第一数据集进行图像裁剪处理,得到第二数据集,并基于所述第二数据集,对所述初始第二检测模型进行训练,得到预训练好的第二检测模型;
从所述第二数据集中获取第二验证集,并基于所述第二验证集,对预训练好的第一检测模型、以及预训练好的第二检测模型进行叠加训练,得到训练完成的第一检测模型和训练完成的第二检测模型。
3.根据权利要求2所述的方法,其特征在于,所述第一数据集由第一训练集、第一测试集、以及第一验证集组成,所述基于所述第一数据集对所述初始第一检测模型进行预训练,得到预训练好的第一检测模型,包括:
基于所述第一训练集中的多个第一训练样本标注图像,对所述初始第一检测模型进行预训练,得到当前周期下的待测试的第一检测模型,并基于所述第一测试集,对所述待测试的第一检测模型进行测试,得到多个测试样本悬垂线夹的理论测试位置;
基于所述第一测试集中多个第一测试样本标注图像,确定多个测试样本悬垂线夹的实际测试位置,并基于所述多个测试样本悬垂线夹的实际测试位置、所述多个测试样本悬垂线夹的理论测试位置,得到多个第一测试评价指标结果,所述第一测试评价指标结果包括第一测试召回率、第一测试准确度、以及第一测试平均准确率;
基于所述多个第一测试评价指标结果,对所述待测试的第一检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于所述第一测试集,对所述待测试的第一检测模型进行测试的步骤继续执行,直至多个第一测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第一检测模型为第一中间检测模型,并将当前周期下的多个第一测试评价指标结果作为相应评价指标的第一目标评价阈值;
通过所述第一中间检测模型对第一验证集进行处理,得到多个第一验证评价指标结果,若所述每个第一验证评价指标结果均与相应评价指标的第一目标评价阈值相匹配,则确定第一中间检测模型为预训练好的第一检测模型。
4.根据权利要求2所述的方法,其特征在于,所述第二数据集包含第二训练集、第二测试集、以及第二验证集,所述基于所述第二数据集,对所述初始第二检测模型进行训练,得到预训练好的第二检测模型,包括:
基于所述第二训练集中的多个第二训练样本标注图像,对所述初始第二检测模型进行预训练,得到当前周期下待测试的第二检测模型,并基于所述第二测试集,对所述待测试的第二检测模型进行测试,得到多个测试样本平垫圈的理论测试状态;
基于所述第二测试集中多个第二测试样本标注图像,确定多个测试样本平垫圈的实际测试状态,并基于所述多个测试样本平垫圈的实际测试状态、所述多个测试样本平垫圈的理论测试状态,得到多个第二测试评价指标结果,所述第二测试评价指标结果包括第二测试召回率、第二测试准确度、以及第二测试平均准确率;
基于所述多个第二测试评价指标结果,对所述待测试的第二检测模型的参数进行调整,进入下一周期的循环迭代,并返回至基于所述第二测试集,对所述待测试的第二检测模型进行测试的步骤继续执行,直至多个第二测试评价指标结果均满足指标条件,则确定与当前周期对应的待测试的第二检测模型为第二中间检测模型,并将当前周期下的多个第二测试评价指标结果作为相应评价指标的第二目标评价阈值;
通过所述第二中间检测模型,对第二验证集进行处理,得到多个第二验证评价指标结果,若所述每个第二验证评价指标结果均与相应评价指标的第二目标评价阈值相匹配,则确定第二中间检测模型为预训练好的第二检测模型。
5.根据权利要求2所述的方法,其特征在于,所述第一数据集由第一训练集、第一测试集、以及第一验证集组成,所述对所述第一数据集进行图像裁剪处理,得到第二数据集,包括:
将所述第一训练集中的多个第一训练样本标注图像中包含有悬垂线夹的图像进行截取,得到第二训练集;
将所述第一测试集中的多个第一测试样本标注图像中包含有悬垂线夹的图像进行截取,得到第二测试集;
将所述第一验证集中的多个第一验证样本标注图像中包含有悬垂线夹的图像进行截取,得到第二验证集;
将所述第二训练集、所述第二测试集和所述第二验证集构成第二数据集。
6.根据权利要求2所述的方法,其特征在于,所述基于所述第二验证集,对预训练好的第一检测模型、以及预训练好的第二检测模型进行叠加训练,得到训练完成的第一检测模型和训练完成的第二检测模型,包括:
通过预训练好的第一检测模型,对第二验证集中多个第二验证样本标注图像进行处理,得到多个携带有悬垂线夹位置信息的第一样本目标图像;
通过预训练好的第二检测模型,对多个第一样本目标图像进行悬垂线夹的检测,得到各个第一样本目标图像对应的样本平垫圈状态;
基于所述第二验证集中多个第二验证样本标注图像,确定多个验证样本平垫圈的实际验证状态;
基于所述多个验证样本平垫圈的实际验证状态、所述多个样本平垫圈状态,确定多个第三验证评价指标结果,若每个第三验证评价指标结果均满足相应评价指标的阈值评价条件,则确定预训练好的第一检测模型为训练完成的第一检测模型、以及预训练好的第二检测模型为训练完成的第二检测模型。
7.一种输电线路的检测装置,其特征在于,所述装置包括:
获取模块,用于获取对目标输电线路进行拍摄所得到的待检测图像,所述目标输电线路中包含悬垂线夹和平垫圈;
检测模块,用于通过训练完成的第一检测模型,对所述待检测图像进行悬垂线夹的检测,得到悬垂线夹位置信息,并基于所述悬垂线夹位置信息,从所述待检测图像中划分出包括有悬垂线夹区域的目标图像;
识别模块,用于通过训练完成的第二检测模型,对所述目标图像中位于悬垂线夹区域内的目标平垫圈的状态进行识别,得到所述目标平垫圈的状态。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111347193.4A CN114037907A (zh) | 2021-11-15 | 2021-11-15 | 输电线路的检测方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111347193.4A CN114037907A (zh) | 2021-11-15 | 2021-11-15 | 输电线路的检测方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037907A true CN114037907A (zh) | 2022-02-11 |
Family
ID=80144321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111347193.4A Pending CN114037907A (zh) | 2021-11-15 | 2021-11-15 | 输电线路的检测方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037907A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109956A (zh) * | 2023-04-12 | 2023-05-12 | 安徽省空安信息技术有限公司 | 一种无人机自适应变焦高精度目标检测智能巡检方法 |
CN116227306A (zh) * | 2023-05-08 | 2023-06-06 | 中汽研(天津)汽车工程研究院有限公司 | 用于有限元网格划分的零件连接结构自动识别方法 |
CN116993743A (zh) * | 2023-09-28 | 2023-11-03 | 南方电网数字电网研究院有限公司 | 输电线路舞动幅度检测方法、装置、设备和存储介质 |
-
2021
- 2021-11-15 CN CN202111347193.4A patent/CN114037907A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109956A (zh) * | 2023-04-12 | 2023-05-12 | 安徽省空安信息技术有限公司 | 一种无人机自适应变焦高精度目标检测智能巡检方法 |
CN116227306A (zh) * | 2023-05-08 | 2023-06-06 | 中汽研(天津)汽车工程研究院有限公司 | 用于有限元网格划分的零件连接结构自动识别方法 |
CN116227306B (zh) * | 2023-05-08 | 2023-07-28 | 中汽研(天津)汽车工程研究院有限公司 | 用于有限元网格划分的零件连接结构自动识别方法 |
CN116993743A (zh) * | 2023-09-28 | 2023-11-03 | 南方电网数字电网研究院有限公司 | 输电线路舞动幅度检测方法、装置、设备和存储介质 |
CN116993743B (zh) * | 2023-09-28 | 2024-03-19 | 南方电网数字电网研究院有限公司 | 输电线路舞动幅度检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN112580439B (zh) | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 | |
CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
CN114037907A (zh) | 输电线路的检测方法、装置、计算机设备、存储介质 | |
CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN110378222A (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
CN110555420B (zh) | 一种基于行人区域特征提取和重识别融合模型网络及方法 | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
CN115294473A (zh) | 一种基于目标检测与实例分割的绝缘子故障识别方法及系统 | |
Manninen et al. | Toward automatic condition assessment of high-voltage transmission infrastructure using deep learning techniques | |
CN117152484B (zh) | 基于改进的YOLOv5s的小目标布匹瑕疵检测方法 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
CN113706481A (zh) | 精子质量检测方法、装置、计算机设备和存储介质 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN109934147B (zh) | 基于深度神经网络的目标检测方法、系统及装置 | |
CN116580324A (zh) | 一种基于YOLOv5的无人机对地目标检测方法 |
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 |