CN114240878A - 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 - Google Patents

面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 Download PDF

Info

Publication number
CN114240878A
CN114240878A CN202111544602.XA CN202111544602A CN114240878A CN 114240878 A CN114240878 A CN 114240878A CN 202111544602 A CN202111544602 A CN 202111544602A CN 114240878 A CN114240878 A CN 114240878A
Authority
CN
China
Prior art keywords
detection
insulator
network
layer
neural 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
Application number
CN202111544602.XA
Other languages
English (en)
Inventor
朱新山
曾筠婷
郭志民
李斌
王帅
屈璐瑶
李亚霖
刘昊
田杨阳
毛万登
赵健
贺翔
张小斐
袁少光
耿俊成
马斌
魏小昭
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.)
Tianjin University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Tianjin University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan 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 Tianjin University, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Tianjin University
Priority to CN202111544602.XA priority Critical patent/CN114240878A/zh
Publication of CN114240878A publication Critical patent/CN114240878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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]

Landscapes

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

Abstract

面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，包括：利用数据标注软件和随机生成算法从输变电巡检绝缘子的图像数据样本中获取缺陷绝缘子样本并构建检测数据集；构建包括多尺度特征提取主干网络、多尺度特征融合网络和检测网络的绝缘子缺陷检测神经网络；多尺度特征提取主干网络包括改进的Resnet残差块，多尺度特征融合网络包括上采样模块和特征融合模块，检测网络包括缺陷分类检测模块和边框回归检测模块；设计目标检测损失函数，使用检测数据集和目标检测损失函数对绝缘子缺陷检测神经网络进行训练，面向输变电巡检场景进行检测。所构建的目标检测网络模型能够实现小尺度的单片绝缘子目标检测，提高绝缘子片和缺陷的定位精度。

Description

面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法
技术领域
本发明属于电力巡检技术领域，具体涉及面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法。
背景技术
绝缘子故障检测为电力巡检中重要的一环。作为输电线路的重要元件，绝缘子的主要功能是实现机械固定与电气绝缘，在架空输电线路中起重要作用。绝缘子铺设在户外加之其长期运行的工作特点，导致其较易遭受大自然的侵蚀、光化学污染等的危害，极易发生破损、掉串、光学腐蚀等故障，是影响电力系统稳定运行的主要因素之一。随着计算机图像处理技术特别是图像识别领域技术的飞速进步、无人机巡检平台搭建的日益完善、以及对智能电网巡检的迫切需求日益增长，无人机电力巡线迎来了巨大的发展空间，电力图像无人机巡检技术可以提高绝缘子缺陷检测效率，大大降低维护成本。
现有技术中，绝缘子故障检测方法的发展主要分为三个阶段：传统绝缘子故障检测方法、基于浅层特征结合机器学习的绝缘子故障分类算法、以及现阶段日益发展的基于深度学习的绝缘子故障分类算法。
传统方法是基于手工提取特征的绝缘子故障检测方法。Zhang等人提出一种基于纹理特征序列的绝缘子故障检测方法(Zhang X,An T,Chen F.A method of insulatorfault detection from airborne images[C]//2010 Second WRI global congress onintelligent systems.IEEE,2010,2:200-203)。该方法将绝缘子图像进行图像增强和形态学处理后分成十个部分，每个部分对应七个纹理值，最后根据特征序列曲线构建故障特征公式进行故障预判。方挺等提出一种采用基于粒子群优化的蚁群算法检测绝缘子自爆缺失故障(方挺，韩家明.航拍图像中绝缘子缺陷的检测与定位[J].计算机科学，2016,43(6A))。该方法利用绝缘子形状特点使用最大类间方差法和滤波进行数据预处理操作，并使用粒子群优化的蚁群算法检测绝缘子的边缘轮廓，最终实现绝缘子自爆缺失故障的检测。上述早期的手工提取特征的绝缘子故障检测方法主要存在以下问题：只能在特定检测条件下定位绝缘体并检测故障，例如当有足够的先验知识、背景环境干扰低、或在特定照明条件下等，普适性和鲁棒性较差，加之一般需要人为设定阈值提取特征信息，容易引入误差和干扰，实现过程复杂且性能受到极大的限制。
随着传统方法的不足逐渐被认识，许多专家学者引入机器学习与浅层信息相结合的方法对绝缘子故障进行检测。2010年，Murthy等人提出一种融合小波多分辨率分析和SVM分类的绝缘子状态识别器(Murthy V S,Tarakanath K,Mohanta D K,et al.Insulatorcondition analysis for overhead distribution lines using combined waveletsupport vector machine(SVM)[J].IEEE Transactions on Dielectrics andElectrical Insulation,2010,17(1):89-99)。该方法基于小波变换提取绝缘子特征，在使用支持向量机分类得到绝缘子故障类别。付炜平等提出一种融合提取颜色特征矩阵和反向传播神经网络算法，从而识别红外图像中绝缘子瓷质劣化缺陷的方法(付炜平,施凤祥,王伟,刘云鹏,纪欣欣,裴少通.基于颜色矩阵的绝缘子单片红外图像故障诊断方法[J].电瓷避雷器,2018(05):226-232+240)。该方法提取绝缘子单片中心线处的颜色矩阵作为特征参量，再输入BP神经网络进行训练，成功实现绝缘子单片故障的红外诊断模型。
随着卷积神经网络的出现以及目标识别算法的飞速发展，深度学习的方法被应用在绝缘子检测算法中。因为卷积神经网络可以自动学习获得有效兼具有鲁棒性的特征，同时对分类器进行优化，从而进一步提高了目标检测的精度。Liu等提出一种基于Faster R-CNN的绝缘子定位方法(Liu X,Jiang H,Chen J,et al.Insulator detection in aerialimages based on faster regions with convolutional neural network[C]//2018IEEE 14th international conference on control and automation(ICCA).IEEE,2018:1082-1086)。该算法包含卷积神经网络层用于提取特征，提升了输电线路中的绝缘子工作状态检测效果,最终在测试集上达到了94％的准确率和88％的召回率。吴涛等提出基于YOLOv3网络的一种改进的轻量级监测模型(吴涛,王伟斌,于力,等.轻量级YOLOV3的绝缘子缺陷检测方法[J].计算机工程,2019,45(8):275-280)。该方法通过航拍图像构建数据集,利用K-means++算法设置先验框的初始值，并最终使用YOLOv3网络进行绝缘子缺陷的识别和定位。实验结果表明,该方法提升绝缘子及其缺陷检测的精度和速度。Miao等提出一种基于SSD的绝缘子定位算法(Miao X,Liu X,Chen J,et al.Insulator detection in aerialimages for transmission line inspection using single shot multibox detector[J].IEEE Access,2019,7:9945-9956)。该算法结合SSD网络的优势以及两阶段微调策略进行训练，能够直接识别绝缘子的位置信息与分类信息。Gao等提出了一种改进的绝缘子缺陷检测网络，具有批量归一化卷积块注意模块(BN-CBAM)和特征融合模块(Gao Z,Yang G,LiE,et al.Novel Feature Fusion Module Based Detector for Small Insulator DefectDetection[J].IEEE Sensors Journal,2021)。该方法中的批量归一化卷积块注意模块增强了不同通道对特征图的影响程度，特征融合模块融合不同层的多尺度特征，并同时使用一种基于目标对象和背景融合的数据增强方法，从而进一步提升了绝缘子缺陷识别的精度。
基于深度学习的绝缘子缺陷识别算法使得识别精度和鲁棒性都有了较大提升，但输变电巡检需要实现对绝缘子小目标的近距离识别，以上基于深度学习的绝缘子定位算法大多是直接将深度学习目标检测算法应用在绝缘子定位场景，其识别对象大多分为整串绝缘子及缺陷部分两类，或是分为正常绝缘子串及含有缺陷的绝缘子串两类，尚未对单片绝缘子的缺陷状态检测提出有效方法。同时，对于绝缘子片这种较小的识别目标，以上网络结构的特征提取能力有待提高，并且上述方法未对检测网络的损失函数进行优化，网络训练所采用的损失函数不能有效体现网络的性能评价指标，绝缘子的识别精度仍有待提升。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，解决绝缘子缺陷检测中存在的现有损失函数不能有效体现网络的性能评价指标及小目标特征提取能力不足的问题，提出一种绝缘子缺陷检测神经网络构建与优化方法，提高识别准确率。
本发明采用如下的技术方案。
面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，包括：
步骤1，获取输变电巡检绝缘子的图像数据样本，利用数据标注软件和随机生成算法从图像数据样本中获取缺陷绝缘子样本，利用缺陷绝缘子样本构建检测数据集；
步骤2，构建绝缘子缺陷检测神经网络；绝缘子缺陷检测神经网络包括多尺度特征提取主干网络、多尺度特征融合网络和检测网络；其中，多尺度特征提取主干网络包括改进的Resnet残差块，多尺度特征融合网络包括上采样模块和特征融合模块，检测网络包括缺陷分类检测模块和边框回归检测模块；
步骤3，基于广义平滑L1损失和多元交叉熵损失设计目标检测损失函数，使用检测数据集和目标检测损失函数对绝缘子缺陷检测神经网络进行训练；
步骤4，以训练好的绝缘子缺陷检测神经网络，面向输变电巡检场景进行检测。
优选地，步骤1包括：
步骤1.1，在不同光照、时间、天气条件下，采集输变电巡检绝缘子的图像数据样本；
步骤1.2，利用数据标注软件对每个图像数据样本记录标签信息；标签信息包括标签区域的类别和标签区域的位置；其中，位置包括：左边界、上边界、右边界和下边界；
步骤1.3，根据标签信息，基于随机生成算法的缺陷模拟技术制作缺陷绝缘子样本；
步骤1.4，利用缺陷绝缘子样本构建检测数据集，检测数据集包括变电站数据集和输电线路数据集；
步骤1.5，对变电站数据集和输电线路数据集进行多次预处理，实现各数据集中的样本数量扩充；其中，预处理包括：裁剪、变形、色域转换、旋转；
步骤1.6，将检测数据集按照4:1:1的比例划分为训练集、验证集和测试集。
优选地，步骤2中，改进的Resnet残差块包括卷积层、池化层和BN层；多个改进的Resnet残差块串联构成特征提取主干网络，多尺度特征提取主干网络以检测数据集为输入，以不同分辨率的特征图为输出。
优选地，基于分组卷积算法，在n个改进的Resnet残差块中分别平行堆叠2n组相同拓扑结构的卷积层，每次卷积操作后输入BN层后，再经过非线性激活层。
优选地，步骤2中，多尺度特征融合网络采用不对称沙漏的网络结构；
主干网络包括：主干网络第一层、主干网络第二层、主干网络第三层、主干网络第四层、主干网络第五层、主干网络第一卷积层、主干网络第二卷积层和主干网络第三卷积层；
上采样模块包括反卷积操作单元，对多尺度特征提取主干网络输出的高层语义特征图进行扩大分辨率操作；
特征融合模块包括通道堆叠层、卷积核层、BN层和非线性激活层；通道堆叠层将扩大分辨率的高层语义特征图与低层语义特征图进行堆叠；堆叠后的结果经过卷积核处理，再经过BN层和非线性激活层得到融合后的特征；其中，
高层语义特征图，是主干网络第三卷积层输出的深层特征图；
低层语义特征图，分别是主干网络第二卷积层、主干网络第一卷积层、主干网络第五层、主干网络第四层与主干网络第三层输出的浅层特征图。
优选地，检测网络还包括残差单元；融合后的特征图经过残差单元后分别输入至缺陷分类检测模块和边框回归检测模块；检测模块在每种分辨率特征图上各个像素的位置，布置多个不同尺寸和纵横比的锚框，基于分类和回归算法对锚框分别进行缺陷分类检测和边框回归检测。
优选地，步骤3包括：
步骤3.1，基于广义平滑L1损失算法构建反映位置信息的回归损失函数FGS(e)，满足如下关系式：
Figure BDA0003415483100000051
式中，e是位置信息，e0是函数的分界切换点；a、b、c和e0都是大于0的常数；
并且当2ae0＝b时，使得函数在分界切换点e0的梯度连续；当
Figure BDA0003415483100000052
时，使得函数在分界切换点e0的值连续；通过改变a、b、c和e0的数值，调整损失函数FGS(e)对缺陷位置的敏感性；
步骤3.2，基于多元交叉熵损失算法构建反映类别信息的分类损失函数FCEL(pt)，满足如下关系式；
FCEL(pt)＝-log(pt)
式中，pt为类别信息，满足如下关系式：
Figure BDA0003415483100000053
式中，p为预测分类概率，y为标签值；
步骤3.3，以反映位置信息的回归损失函数FGS(e)和反映类别信息的分类损失函数FCEL(pt)的加权和，作为目标检测损失函数，满足如下关系式；
Ftotal＝FCEL+αFGS
式中，α取1；
步骤3.4，基于学习率热身操作以及学习率在特定迭代次数衰减的方法，采用引入动量因子的随机梯度下降算法作为学习率更新策略，以检测数据集为输入，对绝缘子缺陷检测神经网络进行迭代训练；
步骤3.5，训练到迭代次数为40000次时停止训练，得到训练好的绝缘子缺陷检测神经网络。
优选地，步骤3.4中，训练优化器采用SGD优化器，批大小设置为8。
优选地，步骤3.4中，检测数据集包括标签区域的类别和标签区域的位置；经由迭代训练得到类别检测值以及位置检测值；将类别检测值与对应标签的类别真实值进行比较，位置检测值与对应标签的位置真实值进行比较，得到类别差异和位置差异；将类别差异和位置差异以梯度流的形式反馈给绝缘子缺陷检测神经网络，对网络参数进行更新。
优选地，步骤4中，将训练好的绝缘子缺陷检测神经网络部署在测试系统上，以输变电巡检绝缘子的图像数据为输入，获得面向输变电巡检场景的绝缘子缺陷检测结果。
本发明的有益效果在于，与现有技术相比，所构建的目标检测网络模型能够实现小尺度的单片绝缘子目标检测，提高绝缘子片和缺陷的定位精度。
采用本发明所述的方法，针对现有技术难以对单片绝缘子的小目标缺陷进行特征提取与精准定位，且网络训练所采用的损失函数不能有效体现网络的性能评价指标的问题，能够自适应地自动提取多尺度特征，并有效融合深层语义信息与浅层结构信息；能够对正常和缺损的绝缘子片进行检测和定位，且定位精度相比于SSD深度网络有效提升；能够通过调节改进的损失函数的参数，从而调整对缺陷识别的敏感度；能够实现端到端的检测；能够在输电线路航拍开源数据集和缺陷模拟技术构建的变电站数据集上均取得较好的性能。
附图说明
图1是本发明面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法的步骤框图；
图2是本发明优选实施例中的变电场景绝缘子合成缺陷数据示意图；
图3是本发明优选实施例中的输电场景绝缘子开源数据示意图；
图4是本发明优选实施例中网络总体结构图；
图4中的附图标记说明如下：
1-反卷积特征融合模块，2-检测模块；
Stage1-主干网络第一层，Stage2-主干网络第二层，Stage3-主干网络第三层，Stage4-主干网络第四层，Stage5-主干网络第五层；
Conv1-主干网络第一卷积层；Conv2-主干网络第二卷积层；Conv3-主干网络第三卷积层；
图5是本发明优选实施例中网络结构中反卷积模块结构图；
图6是本发明优选实施例中的网络结构中检测模块结构图；
图7是本发明优选实施例中的变电站巡检场景的检测效果图；
图8是本发明优选实施例中的输电线路巡检场景的检测效果图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1，面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，包括：
步骤1，获取输变电巡检绝缘子的图像数据样本，利用数据标注软件和随机生成算法从图像数据样本中获取缺陷绝缘子样本，利用缺陷绝缘子样本构建检测数据集。
具体地，步骤1包括：
步骤1.1，在不同光照、时间、天气条件下，采集输变电巡检绝缘子的图像数据样本；
步骤1.2，利用数据标注软件对每个图像数据样本记录标签信息；标签信息包括标签区域的类别和标签区域的位置；其中，位置包括：左边界、上边界、右边界和下边界；
步骤1.3，根据标签信息，基于随机生成算法的缺陷模拟技术制作缺陷绝缘子样本；
步骤1.4，利用缺陷绝缘子样本构建检测数据集，检测数据集包括变电站数据集和输电线路数据集；
步骤1.5，对变电站数据集和输电线路数据集进行多次预处理，实现各数据集中的样本数量扩充；其中，预处理包括：裁剪、变形、色域转换、旋转；
步骤1.6，将检测数据集按照4:1:1的比例划分为训练集、验证集和测试集。
值得注意的是，本发明中将检测数据集按照4:1:1的比例进行划分，是一种非限制性的较优选择。
本发明优选实施例中，使用基于随机生成算法的缺陷模拟技术批量式在真实场景的输变电巡检绝缘子图片中生成逼真的缺陷样本，制作变电场景绝缘子缺陷数据集，并分别选取如图2所示的2110张变电场景的三通道JPEG格式的图片，以及如图3所示的848张输电场景的三通道JPEG格式的图片构建数据集。为了监督训练过程，并给检测器的评价指标计算提供参考，还要为每个图像样本记录对应的标签信息。利用labelling软件进行数据标注并生成XML文件，该文件包含的信息包括每个区域的类别、每个区域的左边界、上边界、右边界和下边界位置。将图像样本送入网络训练，网络的学习过程是使网络模型的预测分布不断接近XML文件中标签信息的真实分布，提高网络模型性能。评价检测器性能就是用客观方法评估网络预测分布与标签的真实分布之间的差异。将数据集按照4：1：1的比例划分为训练集、测试集和验证集。验证集和测试集的效果对比可以及时发现训练是否出现过拟合现象。变电场景中训练集包含1688个样本，测试集和验证集包含422个样本；输电场景中训练集包含679个样本，测试集和验证集包含169个样本。
步骤2，构建绝缘子缺陷检测神经网络；绝缘子缺陷检测神经网络包括多尺度特征提取主干网络、多尺度特征融合网络和检测网络；其中，多尺度特征提取主干网络包括改进的Resnet残差块，多尺度特征融合网络包括上采样模块和特征融合模块，检测网络包括缺陷分类检测模块和边框回归检测模块。
具体地，步骤2中，改进的Resnet残差块包括卷积层、池化层和BN层；多个改进的Resnet残差块串联构成特征提取主干网络，多尺度特征提取主干网络以检测数据集为输入，以不同分辨率的特征图为输出。
优选地，基于分组卷积算法，在n个改进的Resnet残差块中分别平行堆叠2n组相同拓扑结构的卷积层，每次卷积操作后输入BN层后，再经过非线性激活层。
具体地，步骤2中，多尺度特征融合网络采用不对称沙漏的网络结构；
如图4，主干网络包括：主干网络第一层Stage1、主干网络第二层Stage2、主干网络第三层Stage3、主干网络第四层Stage4、主干网络第五层Stage5、主干网络第一卷积层Conv1、主干网络第二卷积层Conv2和主干网络第三卷积层Conv3；
上采样模块包括反卷积操作单元，对多尺度特征提取主干网络输出的高层语义特征图进行扩大分辨率操作；
特征融合模块包括通道堆叠层、卷积核层、BN层和非线性激活层；通道堆叠层将扩大分辨率的高层语义特征图与低层语义特征图进行堆叠；堆叠后的结果经过卷积核处理，再经过BN层和非线性激活层得到融合后的特征；其中，
高层语义特征图，是主干网络第三卷积层Conv3输出的深层特征图；
低层语义特征图，分别是主干网络第二卷积层Conv2、主干网络第一卷积层Conv1、主干网络第五层Stage5、主干网络第四层Stage4与主干网络第三层Stage3输出的浅层特征图。
优选地，检测网络还包括残差单元；融合后的特征图经过残差单元后分别输入至缺陷分类检测模块和边框回归检测模块；检测模块在每种分辨率特征图上各个像素的位置，布置多个不同尺寸和纵横比的锚框，基于分类和回归算法对锚框分别进行缺陷分类检测和边框回归检测。
本发明优选实施例中，采用改进的Resnet残差快作为特征提取的基本模块，串联16个改进的残差块构成提取不同尺度特征的主干网络，联合反卷积模块与改进的检测模块，构建一种面向输变电巡检场景的绝缘子缺陷检测神经网络，网络整体结构如图4所示。具体来说，通过串联一组改进的残差块形成特征提取的主干网络，利用分组卷积的原理，在16个残差块中分别平行堆叠32组相同拓扑结构的卷积层，每次卷积后输入BN层并经过非线性激活层。网络结构及参数配置如表1所示，通过跨步为2的卷积操作使每个残差块输出的特征图分辨率不断下降，同时增加特征图的通道数，每个残差块由卷积、池化层、BN层构成。接下来，对主干网络获得的不同分辨率的特征图进行多尺度特征融合，该过程基于图5所示的反卷积模块，其中，使用反卷积操作代替传统的双线性插值上采样操作将主干网络产生的高层语义特征图经反卷积操作扩大分辨率后，与低层语义特征图进行堆叠，将堆叠后的结果经过尺寸为3×3的卷积核处理，再经过BN层和非线性激活层得到融合后的特征，重复该过程得到其他分辨率的融合特征图。经过以上操作，共得到6种分辨率的特征图，其尺寸分别为40×40，20×20，10×10，5×5，3×3，1×1，分别送入6组检测模块，每层的特征图的每个中心点分别会产生8个默认框，其中纵横比分别为0.33，0.5，0.6，1，2，3。检测模块由一个残差单元与分类分支和边框回归分支模块构成，检测模块接受融合后的特征图，针对主干网络的特征提取部分设计了6个检测模块，分别处理6种分辨率的融合特征图，进一步输出目标检测结果。引入残差单元的检测模块如图6所示，提取的特征通过三层1×1的卷积层，以及一层1×1卷积的捷径连接，输入分类分支和边框回归分支模块。
本发明优选实施例的主干网络参数配置详见表1。对表1中符号标识说明如下：表中C为基数即组数，中括号内为残差块配置的卷积参数，括号外为残差块的堆叠个数，该网络与改进之前的Resnet网络参数总量相近，但性能有所提升。
表1本发明优选实施例的主干网络参数配置
Figure BDA0003415483100000101
Figure BDA0003415483100000111
步骤3，基于广义平滑L1损失和多元交叉熵损失设计目标检测损失函数，使用检测数据集和目标检测损失函数对绝缘子缺陷检测神经网络进行训练；
具体地，步骤3包括：
步骤3.1，基于广义平滑L1损失算法构建反映位置信息的回归损失函数FGS(e)，满足如下关系式：
Figure BDA0003415483100000112
式中，e是位置信息，e0是函数的分界切换点；a、b、c和e0都是大于0的常数；
并且当2ae0＝b时，使得函数在分界切换点e0的梯度连续；当
Figure BDA0003415483100000113
时，使得函数在分界切换点e0的值连续；通过改变a、b、c和e0的数值，调整损失函数FGS(e)对缺陷位置的敏感性；
步骤3.2，基于多元交叉熵损失算法构建反映类别信息的分类损失函数FCEL(pt)，满足如下关系式；
FCEL(pt)＝-log(pt)
式中，pt为类别信息，满足如下关系式：
Figure BDA0003415483100000114
式中，p为预测分类概率，y为标签值；
步骤3.3，以反映位置信息的回归损失函数FGS(e)和反映类别信息的分类损失函数FCEL(pt)的加权和，作为目标检测损失函数，满足如下关系式；
Ftotal＝FCEL+αFGS
式中，α取1；值得注意的是，本发明优选实施例中，α的取值是一种非限制性的较优选择。
步骤3.4，基于学习率热身操作以及学习率在特定迭代次数衰减的方法，采用引入动量因子的随机梯度下降算法作为学习率更新策略，以检测数据集为输入，对绝缘子缺陷检测神经网络进行迭代训练；
优选地，步骤3.4中，训练优化器采用SGD优化器，批大小设置为8。
优选地，步骤3.4中，检测数据集包括标签区域的类别和标签区域的位置；经由迭代训练得到类别检测值以及位置检测值；将类别检测值与对应标签的类别真实值进行比较，位置检测值与对应标签的位置真实值进行比较，得到类别差异和位置差异；将类别差异和位置差异以梯度流的形式反馈给绝缘子缺陷检测神经网络，对网络参数进行更新。
步骤3.5，训练到迭代次数为40000次时停止训练，得到训练好的绝缘子缺陷检测神经网络。
本发明优选实施例中，目标检测网络的总损失采用平滑广义平滑L1损失和多元交叉熵损失的加权和，使用构建的数据集对设计的网络进行训练，得到优化的绝缘子缺陷检测网络模型。计算所用的总损失为反映位置信息的广义平滑L1损失及反映类别信息的多元交叉熵损失的加权和。通过改变参数设置能够调整对缺陷位置的敏感性。最终网络设置a为0.5，b为0.6，c为0.18和e0为0.6进行模型训练。
训练优化器采用SGD优化器，动量因子参数为0.9，学习率初始值设置为5×10-4，批大小设置为8，设置学习率在迭代次数为第25000以及30000处下降至10％，一共训练4×104个迭代次数。
步骤4，以训练好的绝缘子缺陷检测神经网络，面向输变电巡检场景进行检测。
具体地，步骤4中，将训练好的绝缘子缺陷检测神经网络部署在测试系统上，以输变电巡检绝缘子的图像数据为输入，获得面向输变电巡检场景的绝缘子缺陷检测结果。
训练完成后，得到本发明优选实施例中检测模型的最终网络权重。其中测试系统的软件配置为python3.8、pytorch1.9.0、cuda11.2、pycharm2020.3；硬件配置为intelcore i7-11700K 8核16线程cpu、RTX-3070显卡(8G显存)*2、16G内存。加载该权重对测试集进行测试来验证网络效果，分别记录两种场景下不同检测对象的精度(AveragePrecision，AP)指标和总平均精度(mean Average Precision，mAP)指标，如表2和表3所示。变电场景部分测试图片的测试效果如图7所示，红色框标注为正常绝缘子片，蓝色框标注为含缺陷的绝缘子片；输电场景部分测试图片的测试效果如图8所示。
表2模型在变电场景测试集上的测试结果对比
Figure BDA0003415483100000131
由表2数据可知，本实施例检测模型在变电场景数据集上测试，本发明方法能够有效识别出正常绝缘子片和带有缺陷的绝缘子片，对比改进前的SSD模型，精度mAP提升2.14％，识别效果如图7所示。由表3数据可知，本实施例检测模型在输电场景数据集上测试，本发明方法能够有效识别整串绝缘子和绝缘子缺陷处，对比改进前的SSD模型，精度提升3.20％，识别效果如图7所示。
表3模型在输电场景测试集上的测试结果对比
Figure BDA0003415483100000132
综上可见，采用本发明所述的方法，在变电和输电两种不同场景下都能够对正常和缺损的绝缘子片进行精准检测和定位，且定位精度相比于SSD深度网络有效提升，并能够通过调节改进的损失函数的参数，从而调整对缺陷位置检测的敏感度，能够在输电线路航拍开源数据集和缺陷模拟技术构建的变电站数据集上均取得较好的性能。
本发明可以用其它具体形式来实施，而不脱离其精神或本质特征。所描述的实施例在所有方面都被认为仅是说明性的而非限制性的,例如：
1)数据集不限于变电站与输电线绝缘子图像；
2)检测识别对象不局限于实施例中所提到的两种类型；
3)本发明提出的网络结构参数、学习率及优化器等的选择不局限于实施例中的配置；
4)本发明提出的网络也可以应用于视频流的目标检测，不局限于图像检测。
本发明的有益效果在于，与现有技术相比，所构建的目标检测网络模型能够实现小尺度的单片绝缘子目标检测，提高绝缘子片和缺陷的定位精度。
采用本发明所述的方法，针对现有技术难以对单片绝缘子的小目标缺陷进行特征提取与精准定位，且网络训练所采用的损失函数不能有效体现网络的性能评价指标的问题，能够自适应地自动提取多尺度特征，并有效融合深层语义信息与浅层结构信息；能够对正常和缺损的绝缘子片进行检测和定位，且定位精度相比于SSD深度网络有效提升；能够通过调节改进的损失函数的参数，从而调整对缺陷识别的敏感度；能够实现端到端的检测；能够在输电线路航拍开源数据集和缺陷模拟技术构建的变电站数据集上均取得较好的性能。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
所述方法包括：
步骤1，获取输变电巡检绝缘子的图像数据样本，利用数据标注软件和随机生成算法从图像数据样本中获取缺陷绝缘子样本，利用缺陷绝缘子样本构建检测数据集；
步骤2，构建绝缘子缺陷检测神经网络；绝缘子缺陷检测神经网络包括多尺度特征提取主干网络、多尺度特征融合网络和检测网络；其中，多尺度特征提取主干网络包括改进的Resnet残差块，多尺度特征融合网络包括上采样模块和特征融合模块，检测网络包括缺陷分类检测模块和边框回归检测模块；
步骤3，基于广义平滑L1损失和多元交叉熵损失设计目标检测损失函数，使用检测数据集和目标检测损失函数对绝缘子缺陷检测神经网络进行训练；
步骤4，以训练好的绝缘子缺陷检测神经网络，面向输变电巡检场景进行检测。
2.根据权利要求1所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
步骤1包括：
步骤1.1，在不同光照、时间、天气条件下，采集输变电巡检绝缘子的图像数据样本；
步骤1.2，利用数据标注软件对每个图像数据样本记录标签信息；标签信息包括标签区域的类别和标签区域的位置；其中，位置包括：左边界、上边界、右边界和下边界；
步骤1.3，根据标签信息，基于随机生成算法的缺陷模拟技术制作缺陷绝缘子样本；
步骤1.4，利用缺陷绝缘子样本构建检测数据集，检测数据集包括变电站数据集和输电线路数据集；
步骤1.5，对变电站数据集和输电线路数据集进行多次预处理，实现各数据集中的样本数量扩充；其中，预处理包括：裁剪、变形、色域转换、旋转；
步骤1.6，将检测数据集按照4:1:1的比例划分为训练集、验证集和测试集。
3.根据权利要求2所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
步骤2中，改进的Resnet残差块包括卷积层、池化层和BN层；多个改进的Resnet残差块串联构成特征提取主干网络，多尺度特征提取主干网络以检测数据集为输入，以不同分辨率的特征图为输出。
4.根据权利要求3所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
基于分组卷积算法，在n个改进的Resnet残差块中分别平行堆叠2n组相同拓扑结构的卷积层，每次卷积操作后输入BN层后，再经过非线性激活层。
5.根据权利要求2所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
步骤2中，多尺度特征融合网络采用不对称沙漏的网络结构；
主干网络包括：主干网络第一层、主干网络第二层、主干网络第三层、主干网络第四层、主干网络第五层、主干网络第一卷积层、主干网络第二卷积层和主干网络第三卷积层；
上采样模块包括反卷积操作单元，对多尺度特征提取主干网络输出的高层语义特征图进行扩大分辨率操作；
特征融合模块包括通道堆叠层、卷积核层、BN层和非线性激活层；通道堆叠层将扩大分辨率的高层语义特征图与低层语义特征图进行堆叠；堆叠后的结果经过卷积核处理，再经过BN层和非线性激活层得到融合后的特征；其中，
高层语义特征图，是主干网络第三卷积层输出的深层特征图；
低层语义特征图，分别是主干网络第二卷积层、主干网络第一卷积层、主干网络第五层、主干网络第四层与主干网络第三层输出的浅层特征图。
6.根据权利要求5所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
检测网络还包括残差单元；融合后的特征图经过残差单元后分别输入至缺陷分类检测模块和边框回归检测模块；检测模块在每种分辨率特征图上各个像素的位置，布置多个不同尺寸和纵横比的锚框，基于分类和回归算法对锚框分别进行缺陷分类检测和边框回归检测。
7.根据权利要求1所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
步骤3包括：
步骤3.1，基于广义平滑L1损失算法构建反映位置信息的回归损失函数FGS(e)，满足如下关系式：
Figure FDA0003415483090000031
式中，e是位置信息，e0是函数的分界切换点；a、b、c和e0都是大于0的常数；
并且当2ae0＝b时，使得函数在分界切换点e0的梯度连续；当
Figure FDA0003415483090000033
时，使得函数在分界切换点e0的值连续；通过改变a、b、c和e0的数值，调整损失函数FGS(e)对缺陷位置的敏感性；
步骤3.2，基于多元交叉熵损失算法构建反映类别信息的分类损失函数FCEL(pt)，满足如下关系式；
FCEL(pt)＝-log(pt)
式中，pt为类别信息，满足如下关系式：
Figure FDA0003415483090000032
式中，p为预测分类概率，y为标签值；
步骤3.3，以反映位置信息的回归损失函数FGS(e)和反映类别信息的分类损失函数FCEL(pt)的加权和，作为目标检测损失函数，满足如下关系式；
Ftotal＝FCEL+αFGS
式中，α取1；
步骤3.4，基于学习率热身操作以及学习率在特定迭代次数衰减的方法，采用引入动量因子的随机梯度下降算法作为学习率更新策略，以检测数据集为输入，对绝缘子缺陷检测神经网络进行迭代训练；
步骤3.5，训练到迭代次数为40000次时停止训练，得到训练好的绝缘子缺陷检测神经网络。
8.根据权利要求7所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
步骤3.4中，训练优化器采用SGD优化器，批大小设置为8。
9.根据权利要求7所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，
步骤3.4中，检测数据集包括标签区域的类别和标签区域的位置；经由迭代训练得到类别检测值以及位置检测值；将类别检测值与对应标签的类别真实值进行比较，位置检测值与对应标签的位置真实值进行比较，得到类别差异和位置差异；将类别差异和位置差异以梯度流的形式反馈给绝缘子缺陷检测神经网络，对网络参数进行更新。
10.根据权利要求7所述的基于注意力机制与特征平衡性的变电站多目标检测方法，其特征在于，
步骤4中，将训练好的绝缘子缺陷检测神经网络部署在测试系统上，以输变电巡检绝缘子的图像数据为输入，获得面向输变电巡检场景的绝缘子缺陷检测结果。
CN202111544602.XA 2021-12-16 2021-12-16 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 Pending CN114240878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111544602.XA CN114240878A (zh) 2021-12-16 2021-12-16 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111544602.XA CN114240878A (zh) 2021-12-16 2021-12-16 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Publications (1)

Publication Number Publication Date
CN114240878A true CN114240878A (zh) 2022-03-25

Family

ID=80757461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111544602.XA Pending CN114240878A (zh) 2021-12-16 2021-12-16 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Country Status (1)

Country Link
CN (1) CN114240878A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462555A (zh) * 2022-04-13 2022-05-10 国网江西省电力有限公司电力科学研究院 基于树莓派的多尺度特征融合配电网设备识别方法
CN114998758A (zh) * 2022-05-26 2022-09-02 电子科技大学 一种基于多源遥感卫星影像的输电线路绝缘子检测方法
CN115035108A (zh) * 2022-08-10 2022-09-09 四川中电启明星信息技术有限公司 一种基于深度学习的绝缘子缺陷检测方法
CN115063651A (zh) * 2022-07-08 2022-09-16 北京百度网讯科技有限公司 目标对象检测模型的训练方法、装置及计算机程序产品
CN115063725A (zh) * 2022-06-23 2022-09-16 中国民航大学 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN115082835A (zh) * 2022-07-22 2022-09-20 东南大学溧阳研究院 基于小波视频分解和Faster RCNN的变电站故障识别方法
CN115147933A (zh) * 2022-09-01 2022-10-04 深圳市爱深盈通信息技术有限公司 人体预设行为的识别方法、装置、设备终端和存储介质
CN115147348A (zh) * 2022-05-05 2022-10-04 合肥工业大学 基于改进的YOLOv3的轮胎缺陷检测方法及系统
CN115294476A (zh) * 2022-07-22 2022-11-04 武汉大学 面向无人机电力巡检的边缘计算智能检测方法及设备
CN115375677A (zh) * 2022-10-24 2022-11-22 山东省计算中心（国家超级计算济南中心） 基于多路径和多尺度特征融合的酒瓶缺陷检测方法及系统
CN115457553A (zh) * 2022-11-11 2022-12-09 南京信息工程大学 一种基于深度学习的布匹缺陷检测方法
CN115601363A (zh) * 2022-12-14 2023-01-13 中建科技集团有限公司（Cn） 一种基于小目标检测算法的装配式建筑产品缺陷检测方法
CN115880618A (zh) * 2023-03-02 2023-03-31 中铁电气化局集团有限公司 基于随机梯度下降算法的高铁接触网目标的检测方法
CN116402821A (zh) * 2023-06-08 2023-07-07 湖南大学 一种基于神经网络的飞机蒙皮涂胶质量缺陷检测方法
CN116503396A (zh) * 2023-06-26 2023-07-28 广东电网有限责任公司湛江供电局 一种绝缘子污闪快速检测方法、系统和设备
CN116523916A (zh) * 2023-07-03 2023-08-01 北京理工大学 产品表面缺陷检测方法、装置、电子设备及存储介质
CN116665080A (zh) * 2023-07-26 2023-08-29 国网江西省电力有限公司电力科学研究院 基于目标识别的无人机劣化绝缘子检测方法及系统
CN117237286A (zh) * 2023-09-02 2023-12-15 国网山东省电力公司淄博供电公司 一种气体绝缘开关设备内部缺陷检测方法
CN117422689A (zh) * 2023-10-31 2024-01-19 南京邮电大学 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法
CN117437188A (zh) * 2023-10-17 2024-01-23 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462555A (zh) * 2022-04-13 2022-05-10 国网江西省电力有限公司电力科学研究院 基于树莓派的多尺度特征融合配电网设备识别方法
US11631238B1 (en) 2022-04-13 2023-04-18 Iangxi Electric Power Research Institute Of State Grid Method for recognizing distribution network equipment based on raspberry pi multi-scale feature fusion
CN115147348A (zh) * 2022-05-05 2022-10-04 合肥工业大学 基于改进的YOLOv3的轮胎缺陷检测方法及系统
CN114998758B (zh) * 2022-05-26 2024-05-03 电子科技大学 一种基于多源遥感卫星影像的输电线路绝缘子检测方法
CN114998758A (zh) * 2022-05-26 2022-09-02 电子科技大学 一种基于多源遥感卫星影像的输电线路绝缘子检测方法
CN115063725B (zh) * 2022-06-23 2024-04-26 中国民航大学 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN115063725A (zh) * 2022-06-23 2022-09-16 中国民航大学 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN115063651A (zh) * 2022-07-08 2022-09-16 北京百度网讯科技有限公司 目标对象检测模型的训练方法、装置及计算机程序产品
CN115294476A (zh) * 2022-07-22 2022-11-04 武汉大学 面向无人机电力巡检的边缘计算智能检测方法及设备
CN115082835B (zh) * 2022-07-22 2023-02-17 东南大学溧阳研究院 基于小波视频分解和Faster RCNN的变电站故障识别方法
CN115294476B (zh) * 2022-07-22 2024-01-23 武汉大学 面向无人机电力巡检的边缘计算智能检测方法及设备
CN115082835A (zh) * 2022-07-22 2022-09-20 东南大学溧阳研究院 基于小波视频分解和Faster RCNN的变电站故障识别方法
CN115035108A (zh) * 2022-08-10 2022-09-09 四川中电启明星信息技术有限公司 一种基于深度学习的绝缘子缺陷检测方法
CN115147933A (zh) * 2022-09-01 2022-10-04 深圳市爱深盈通信息技术有限公司 人体预设行为的识别方法、装置、设备终端和存储介质
CN115375677A (zh) * 2022-10-24 2022-11-22 山东省计算中心（国家超级计算济南中心） 基于多路径和多尺度特征融合的酒瓶缺陷检测方法及系统
CN115375677B (zh) * 2022-10-24 2023-04-18 山东省计算中心（国家超级计算济南中心） 基于多路径和多尺度特征融合的酒瓶缺陷检测方法及系统
CN115457553A (zh) * 2022-11-11 2022-12-09 南京信息工程大学 一种基于深度学习的布匹缺陷检测方法
CN115601363A (zh) * 2022-12-14 2023-01-13 中建科技集团有限公司（Cn） 一种基于小目标检测算法的装配式建筑产品缺陷检测方法
CN115880618B (zh) * 2023-03-02 2023-06-02 中铁电气化局集团有限公司 基于随机梯度下降算法的高铁接触网目标的检测方法
CN115880618A (zh) * 2023-03-02 2023-03-31 中铁电气化局集团有限公司 基于随机梯度下降算法的高铁接触网目标的检测方法
CN116402821B (zh) * 2023-06-08 2023-09-22 湖南大学 一种基于神经网络的飞机蒙皮涂胶质量缺陷检测方法
CN116402821A (zh) * 2023-06-08 2023-07-07 湖南大学 一种基于神经网络的飞机蒙皮涂胶质量缺陷检测方法
CN116503396B (zh) * 2023-06-26 2024-02-27 广东电网有限责任公司湛江供电局 一种绝缘子污闪快速检测方法、系统和设备
CN116503396A (zh) * 2023-06-26 2023-07-28 广东电网有限责任公司湛江供电局 一种绝缘子污闪快速检测方法、系统和设备
CN116523916A (zh) * 2023-07-03 2023-08-01 北京理工大学 产品表面缺陷检测方法、装置、电子设备及存储介质
CN116523916B (zh) * 2023-07-03 2023-09-22 北京理工大学 产品表面缺陷检测方法、装置、电子设备及存储介质
CN116665080B (zh) * 2023-07-26 2023-11-07 国网江西省电力有限公司电力科学研究院 基于目标识别的无人机劣化绝缘子检测方法及系统
CN116665080A (zh) * 2023-07-26 2023-08-29 国网江西省电力有限公司电力科学研究院 基于目标识别的无人机劣化绝缘子检测方法及系统
CN117237286A (zh) * 2023-09-02 2023-12-15 国网山东省电力公司淄博供电公司 一种气体绝缘开关设备内部缺陷检测方法
CN117237286B (zh) * 2023-09-02 2024-05-17 国网山东省电力公司淄博供电公司 一种气体绝缘开关设备内部缺陷检测方法
CN117437188A (zh) * 2023-10-17 2024-01-23 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统
CN117437188B (zh) * 2023-10-17 2024-05-28 广东电力交易中心有限责任公司 一种用于智慧电网的绝缘子缺陷检测系统
CN117422689A (zh) * 2023-10-31 2024-01-19 南京邮电大学 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法
CN117422689B (zh) * 2023-10-31 2024-05-31 南京邮电大学 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法

Similar Documents

Publication Publication Date Title
CN114240878A (zh) 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法
CN110827251B (zh) 一种基于航拍图像的输电线路锁紧销缺陷检测方法
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
CN112164038A (zh) 一种基于深度卷积神经网络的光伏热斑检测方法
CN108875602A (zh) 监控环境下基于深度学习的人脸识别方法
CN114445706A (zh) 一种基于特征融合的输电线路目标检测与识别方法
CN114283117A (zh) 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法
CN111767927A (zh) 一种基于全卷积网络的轻量级车牌识别方法及系统
CN115731164A (zh) 基于改进YOLOv7的绝缘子缺陷检测方法
CN102385592B (zh) 图像概念的检测方法和装置
CN114841244B (zh) 一种基于鲁棒采样和混合注意力金字塔的目标检测方法
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
CN113297915A (zh) 一种基于无人机巡检的绝缘子识别目标检测方法
CN116681962A (zh) 基于改进YOLOv5的电力设备热图像检测方法及系统
CN114037907A (zh) 输电线路的检测方法、装置、计算机设备、存储介质
CN116994130A (zh) 一种基于知识蒸馏的高精度轻量化桥梁裂缝识别方法
CN112837281B (zh) 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备
CN114241413A (zh) 基于注意力机制与特征平衡性的变电站多目标检测方法
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN112861867A (zh) 指针式仪表盘识别方法、系统及存储介质
CN116580324A (zh) 一种基于YOLOv5的无人机对地目标检测方法
CN117197530A (zh) 一种基于改进YOLOv8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法
CN111931721A (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN116523881A (zh) 一种电力设备异常温度检测方法及装置
CN115249329A (zh) 一种基于深度学习的苹果叶片病害检测方法

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