CN114170515A - 一种配电网设备异常类型检测方法 - Google Patents
一种配电网设备异常类型检测方法 Download PDFInfo
- Publication number
- CN114170515A CN114170515A CN202111500076.7A CN202111500076A CN114170515A CN 114170515 A CN114170515 A CN 114170515A CN 202111500076 A CN202111500076 A CN 202111500076A CN 114170515 A CN114170515 A CN 114170515A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- equipment
- data set
- model
- distribution network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 239000003242 anti bacterial agent Substances 0.000 claims description 3
- 229940088710 antibiotic agent Drugs 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000012855 volatile organic compound 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
- G06F18/24—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种配电网设备异常类型检测方法,涉及配电设备检测技术领域,通过采集配电网的设备异常样本图片并做异常类型标注,形成数据集;对数据集进行预处理;以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R‑CNN检测模型,将预处理后的数据集对Faster R‑CNN检测模型进行训练和调参,得到最终设备异常类型检测模型,将待检测的配电异常设备的图片通过最终设备异常类型检测模型进行检测,识别出设备的异常类型。因此,本发明可实现对配电网设备图片中设备异常类型的自动识别,具有较高的准确性和抗干扰能力,可用于配电网的智能运维与配电房的无人巡检等。
Description
技术领域
本发明属于配电设备异常类型检测技术领域,尤其涉及一种配电网设备异常类型检测方法。
背景技术
随着国民经济的快速发展,电力系统的规模也在不断扩大,对电力系统特别是直接服务于用户的配电网提出了更高的要求。电力表计、配电房开关柜等电力设备是配电网最为核心的基础设施之一,对于配电网的安全经济稳定运行至关重要。目前配电网中存在大量的电力表计、监测设备等,不仅数量繁多而且分布在变电站、配变电房等的各个角落,巡检人员需要在密闭、高压等环境下巡视配电网设备的状况,不仅工作劳动强度大、难以在长时间高强度的重复劳动中保证巡检工作的高质量完成,而且部分变电站、配电房等存在高压放电、雷击等危险,环境恶劣,极大影响巡视的效率。因此,通过视频监视、无人巡检机器人等对电力设备特别是电力设备的异常情况进行图像采集,并利用人工智能技术对电力设备的破损等异常类型进行快速准确的检测对于构建配电网的智能运检系统具有非常重要的意义。因此,需要一种提供巡视效率的配电网设备异常类型检测方法。
发明内容
本发明的目的在于提供一种配电网设备异常类型检测方法,从而克服了现有配电网设备异常检测效率低的缺点。
为实现上述目的,本发明提供了一种配电网设备异常类型检测方法,包括以下步骤:
采集配电网的设备异常样本图片并做异常类型标注,形成数据集,所述数据集为Pascal VOC数据集;
对所述数据集的样本图片进行预处理;
以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型;
将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,得到最终设备异常类型检测模型;
将待检测的配电异常设备的图片通过所述最终设备异常类型检测模型进行检测,识别出设备的异常类型。
优选地,采集配电网的设备异常样本图片为利用无人巡检机器人、移动设备或固定摄像头拍摄的存在异常的设备的图片。
优选地,所述数据集的图片数据格式为JPGE格式,并存放在JPEGImages目录下;标注的图片数据采用xml格式,并存放在Annotations目录;所述数据集分为训练集和测试集,所述训练集和测试集的划分文件采用txt格式,并存放在ImageSets/Main目录下,其中,JPEGImages、Annotations和ImageSets在同一个目录下。
优选地,所述预处理包括对样本图片进行平移、翻转、旋转、缩放、随机亮度、去噪或裁剪操作中的一种或多种组合。
优选地,以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型,具体包括以下步骤:
在Faster R-CNN检测网络模型中的输入端到中间端的特征图之间的卷积模块部分采用ResNet50神经网络模型和FPN特征图金字塔网络模型交叉结合所代替,图像输入到ResNet50神经网络模型的输入层,并且在ResNet50神经网络模型的第二特征提取阶段到第五特征提取阶段的输出均连接到FPN特征图金字塔网络模型的输入,FPN特征图金字塔网络模型对ResNet50神经网络模型的第二特征提取阶段到第五特征提取阶段输出的阶段特征图进行插值融合并输出不同尺度的特征图。
优选地,所述ResNet50采用ResNet50模型在Pascal VOC、Miscrosoft COCO或其他数据集上的预训练模型。
优选地,将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参前,将预处理后的数据集中的训练图片统一缩放到指定的参数大小。
优选地,将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,具体包括:
选择Faster R-CNN检测模型中ResNet50神经网络模型;
设置Faster R-CNN检测模型的训练参数,并将预处理后的数据集对对设置好参数的Faster R-CNN检测模型进行训练。
与现有的技术相比,本发明具有如下有益效果:
1.本发明的方法可以充分利用现有的预训练模型ResNet50,可有效提升配电网设备异常类型识别性能的同时减少大量计算资源和时间资源;
2.本发明的方法以ResNet50为网络框架,解决了深度学习网络在深度增加时准确率饱和退化问题,可提高模型的训练速度和提升模型预测性能。
3.本发明的方法通过使用FPN方法来实现了对图像浅层几何信息与深层语义信息的融合,提升了模型的检测效果。
4.本发明所提供的配电网设备异常类型检测方法,通过采集配电网的设备异常样本图片并做异常类型标注,形成数据集,所述数据集为Pascal VOC数据集;对所述数据集的样本图片进行预处理;以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型,将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,得到最终设备异常类型检测模型,将待检测的配电异常设备的图片通过所述最终设备异常类型检测模型进行检测,识别出设备的异常类型,通过预处理的数据集和训练后的最终设备异常类型检测模型使得本发明方法具有较高的检测精度和鲁棒性强的特点。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种配电网设备异常类型检测方法的流程图;
图2为本发明其中一个实施例的Faster R-CNN检测模型的结构示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明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的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。
如图1所示,本发明所提供的其中一个实施例配电网设备异常类型检测方法,包括以下步骤:
S1、采集配电网的设备异常样本图片并做异常类型标注,形成数据集,所述数据集为Pascal VOC数据集;
S2、对所述数据集的样本图片进行预处理;
S3、以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型;
S4、将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,得到最终设备异常类型检测模型;
S5、将待检测的配电异常设备的图片通过所述最终设备异常类型检测模型进行检测,识别出设备的异常类型。
上述的配电网设备异常类型检测方法,通过采集配电网的设备异常样本图片并做异常类型标注,形成数据集,所述数据集为Pascal VOC数据集;对所述数据集的样本图片进行预处理,通过对数据集进行预处理,可以效提升配电网设备异常类型识别性能的同时减少大量计算资源和时间资源;以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型,通过ResNet50为框架解决了深度学习网络在深度增加时准确率饱和退化问题,可提高模型的训练速度和提升模型预测性能,而使用FPN方法来实现了对图像浅层几何信息与深层语义信息的融合,提升了模型的检测效果;将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,得到最终设备异常类型检测模型,将待检测的配电异常设备的图片通过所述最终设备异常类型检测模型进行检测,识别出设备的异常类型。本发明方法具有较高的检测精度和鲁棒性强的特点。
其中一个实施例,步骤S1包括以下步骤:
S11、采集配电网的设备异常样本图片;
S12、按照Pascal VOC数据集的格式对步骤S11的样本图片进行标注,形成数据集。
其中一个实施例,步骤S11中,采集配电网的设备异常样本图片为利用无人巡检机器人、移动设备或固定摄像头拍摄的存在异常的设备的图片。通过设备获取异常的设备的图片,大大的减少了工人工作量,能够提高巡检工人的工作效率,从而提供配单设备异常类型判断的工作效率,从而为配电网异常数据提供数据支撑。
具体的,S11具体包括以下步骤:
S111、采集配电网设备异常样本图片时,对存在异常的配电网设备,从设备左右偏差15度、设备仰视30度、正对设备等多个角度对设备进行拍照,分别作为配电网设备异常样本图片;
S112、步骤S111中的配电网设备的异常类型包括:表盘破损、表盘模糊、外壳破损、读数错误、接线脱落等,为步骤S12的异常类型标注提供数据支撑。
其中一个实施例,步骤S12中,所述数据集的图片数据格式为JPGE格式,并存放在JPEGImages目录下;标注的图片数据采用xml格式,并存放在Annotations目录;所述数据集分为训练集和测试集,所述训练集和测试集的划分文件采用txt格式,并存放在ImageSets/Main目录下,其中,JPEGImages、Annotations和ImageSets在同一个目录下。
其中一个实施例,步骤S2中,所述预处理包括对样本图片进行平移、翻转、旋转、缩放、随机亮度等变换以及去噪或裁剪操作中的一种或多种组合。通过对样本图片进行预处理,能够为后续异常类型判断减少大量计算资源和时间资源。
其中一个实施例,步骤S3、以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型,具体包括以下步骤:
在Faster R-CNN检测网络模型中的输入端到中间端的特征图之间的卷积模块部分采用ResNet50神经网络模型和FPN特征图金字塔网络模型交叉结合所代替,图像输入到ResNet50神经网络模型的输入层,并且在ResNet50神经网络模型的第二特征提取阶段到第五特征提取阶段的输出均连接到FPN特征图金字塔网络模型的输入,FPN特征图金字塔网络模型对ResNet50神经网络模型的第二特征提取阶段到第五特征提取阶段输出的阶段特征图进行插值融合并输出不同尺度的特征图。
以ResNet50为网络框架和FPN方法,解决了深度学习网络在深度增加时准确率饱和退化问题,可提高模型的训练速度和提升模型预测性能,也能够实现对图像浅层几何信息与深层语义信息的融合,提升了模型的检测效果。
其中一个实施例,步骤S4中,将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参包括:
S41、将预处理后的数据集中的训练图片统一缩放到指定的参数大小,选择FasterR-CNN检测模型中ResNet50神经网络模型;
S42、设置Faster R-CNN检测模型的训练参数,并将预处理后的数据集对对设置好参数的Faster R-CNN检测模型进行训练;
其中,训练参数设置包括:训练时的参数更新方式为SGD,初始学习率为0.005,动量项为0.9,权值衰减系数1×10-4,批训练大小为2,训练总时期为50。
对本发明配电网设备异常类型检测方法的实施例进行详细说明,以使本领域技术人员更了解本发明:
步骤S1、采集配电网中的存在异常问题的设备的JPEG图片形成图片库,并对图片按Pascal VOC数据格式进行标注,标注文件xml标签中包含图像名称、图像路径、图像的高度、图像宽度、设备左上角坐标、设备的高度和宽度等信息。设备图片库和设备标注信息按Pascal VOC数据集的格式整理后,确保所有训练数据集的格式为图片数据采用JPEG格式并存放在JPEGImages目录下、标注文件采用xml格式并存放在Annotations目录下,训练集和测试集等的划分文件采用txt格式并存放在ImageSets/Main目录下,其中JPEGImages、Annotations和ImageSets在同一个目录下。
步骤S2、对步骤S1中的异常设备的图片,进行随机缩放、随机旋转和取随机亮度;
步骤S3、以ResNet50为网络框架、以Faster R-CNN为检测算法、以FPN为改进方法,搭建Faster R-CNN检测模型,其网络结构如图2所示;
步骤S4、加载基于Pascal VOC 2012训练的ResNet50预训练模型,以步骤S2的数据对步骤S3的Faster R-CNN检测模型进行训练,其中训练时的参数更新方式为SGD,初始学习率为0.005,动量项为0.9,权值衰减系数1×10-4,批训练大小为2,训练总时期为50,得到最终设备异常类型检测模型;
步骤S5、将带检测的设备图片输入步骤S4所训练出的最终设备异常类型检测模型,输出设备图片的设备异常类型,作为设备异常类型的检测结果。
本发明的基本原理是:首先依照Pascal VOC数据集的格式采集和准备配电网设备异常类型数据集,使得可以方便的利用pytorch或keras等深度学习库的接口来方便读取配电网设备异常类型数据库,同时可以充分利用基于Pascal VOC数据集的预训练模型。其次,以ResNet50为网络框架,可通过ResNet50中的残差学习模块的设置(即卷积模块的设置)来解决神经网络的准确率饱和退化和训练效率等问题。以Faster R-CNN中的FPN为改进方法,实现了图像浅层几何信息与深层语义信息的融合,改善了Faster R-CNN,提升了模型对设备异常类型的检测精度。
本发明可实现对配电网设备图片中设备异常类型的自动识别,具有较高的准确性和抗干扰能力,可用于配电网的智能运维与配电房的无人巡检等
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,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发明的范围。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种配电网设备异常类型检测方法,其特征在于,包括以下步骤:
采集配电网的设备异常样本图片并做异常类型标注,形成数据集,所述数据集为Pascal VOC数据集;
对所述数据集的样本图片进行预处理;
以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型;
将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,得到最终设备异常类型检测模型;
将待检测的配电异常设备的图片通过所述最终设备异常类型检测模型进行检测,识别出设备的异常类型。
2.根据权利要求1所述的配电网设备异常类型检测方法,其特征在于,采集配电网的设备异常样本图片为利用无人巡检机器人、移动设备或固定摄像头拍摄的存在异常的设备的图片。
3.根据权利要求1所述的配电网设备异常类型检测方法,其特征在于,所述数据集的图片数据格式为JPGE格式,并存放在JPEGImages目录下;标注的图片数据采用xml格式,并存放在Annotations目录;所述数据集分为训练集和测试集,所述训练集和测试集的划分文件采用txt格式,并存放在ImageSets/Main目录下,其中,JPEGImages、Annotations和ImageSets在同一个目录下。
4.根据权利要求1所述的配电网设备异常类型检测方法,其特征在于,所述预处理包括对样本图片进行平移、翻转、旋转、缩放、随机亮度、去噪或裁剪操作中的一种或多种组合。
5.根据权利要求1所述的配电网设备异常类型检测方法,其特征在于,以ResNet50为框架结合FPN特征图金字塔网络模型构建Faster R-CNN检测模型,具体包括以下步骤:
在Faster R-CNN检测网络模型中的输入端到中间端的特征图之间的卷积模块部分采用ResNet50神经网络模型和FPN特征图金字塔网络模型交叉结合所代替,图像输入到ResNet50神经网络模型的输入层,并且在ResNet50神经网络模型的第二特征提取阶段到第五特征提取阶段的输出均连接到FPN特征图金字塔网络模型的输入,FPN特征图金字塔网络模型对ResNet50神经网络模型的第二特征提取阶段到第五特征提取阶段输出的阶段特征图进行插值融合并输出不同尺度的特征图。
6.根据权利要求5所述的配电网设备异常类型检测方法,其特征在于,所述ResNet50采用ResNet50模型在Pascal VOC、Miscrosoft COCO或其他数据集上的预训练模型。
7.根据权利要求1所述的配电网设备异常类型检测方法,其特征在于,将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参前,将预处理后的数据集中的训练图片统一缩放到指定的参数大小。
8.根据权利要求1所述的配电网设备异常类型检测方法,其特征在于,将预处理后的数据集对所述Faster R-CNN检测模型进行训练和调参,具体包括:
选择Faster R-CNN检测模型中ResNet50神经网络模型;
设置Faster R-CNN检测模型的训练参数,并将预处理后的数据集对对设置好参数的Faster R-CNN检测模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111500076.7A CN114170515A (zh) | 2021-12-09 | 2021-12-09 | 一种配电网设备异常类型检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111500076.7A CN114170515A (zh) | 2021-12-09 | 2021-12-09 | 一种配电网设备异常类型检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170515A true CN114170515A (zh) | 2022-03-11 |
Family
ID=80484801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111500076.7A Pending CN114170515A (zh) | 2021-12-09 | 2021-12-09 | 一种配电网设备异常类型检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170515A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205905A (zh) * | 2023-04-25 | 2023-06-02 | 合肥中科融道智能科技有限公司 | 基于移动端的配电网施工安全及质量图像检测方法及系统 |
-
2021
- 2021-12-09 CN CN202111500076.7A patent/CN114170515A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205905A (zh) * | 2023-04-25 | 2023-06-02 | 合肥中科融道智能科技有限公司 | 基于移动端的配电网施工安全及质量图像检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN113252701B (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN112989995A (zh) | 文本检测方法、装置及电子设备 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN112349057A (zh) | 基于深度学习的室内烟雾和火灾检测方法 | |
CN114170515A (zh) | 一种配电网设备异常类型检测方法 | |
CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
CN117095275A (zh) | 一种数据中心资产盘点方法、系统、装置及存储介质 | |
CN117292126A (zh) | 一种利用重复纹理约束的建筑物立面解析方法、系统及电子设备 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN116385465A (zh) | 图像分割模型的构建及图像分割方法、系统、设备和介质 | |
CN113642582B (zh) | 电表读数识别方法、装置、电子设备和存储介质 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN115187568A (zh) | 一种电力开关柜状态检测方法及系统 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN113518205A (zh) | 一种基于ai分析的视频巡查处理方法 | |
CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
CN113033446A (zh) | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 | |
CN112651954A (zh) | 一种绝缘子掉串区域的检测方法及装置 | |
Di et al. | Research on Real-Time Power Line Damage Detection Method Based on YOLO Algorithm | |
CN116309849B (zh) | 一种基于视觉雷达的起重机定位方法 | |
CN111783794B (zh) | 一种基于深度可分离卷积残差块和改进nms的多尺度目标检测方法 |
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 |