CN114240946B - 一种定位器异常检测方法、系统、存储介质及计算设备 - Google Patents

一种定位器异常检测方法、系统、存储介质及计算设备 Download PDF

Info

Publication number
CN114240946B
CN114240946B CN202210183532.8A CN202210183532A CN114240946B CN 114240946 B CN114240946 B CN 114240946B CN 202210183532 A CN202210183532 A CN 202210183532A CN 114240946 B CN114240946 B CN 114240946B
Authority
CN
China
Prior art keywords
locator
bounding box
angle
value
detection model
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.)
Active
Application number
CN202210183532.8A
Other languages
English (en)
Other versions
CN114240946A (zh
Inventor
吴泽彬
徐洋
马顺萱
詹天明
盛杰
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.)
Nanjing Zhiliansen Information Technology Co ltd
Original Assignee
Nanjing Zhiliansen Information Technology 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 Nanjing Zhiliansen Information Technology Co ltd filed Critical Nanjing Zhiliansen Information Technology Co ltd
Priority to CN202210183532.8A priority Critical patent/CN114240946B/zh
Publication of CN114240946A publication Critical patent/CN114240946A/zh
Application granted granted Critical
Publication of CN114240946B publication Critical patent/CN114240946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本发明公开了一种定位器异常检测方法、系统、存储介质及计算设备，本发明基于定位器区域检测模型进行异常检测，工作效率高、时效性高、稳定性强，同时该定位器区域检测模型的回归损失函数中考虑了定位器区域中心的偏移量、内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示，进一步提高了检测的准确性。

Description

一种定位器异常检测方法、系统、存储介质及计算设备
技术领域
本发明涉及一种定位器异常检测方法、系统、存储介质及计算设备，属于图像处理领域。
背景技术
铁路接触网定位器安全问题的现有管理模式主要分为接触网悬挂状态监测装置自动图像采集、接触网设备管理单位人工图像分析、接触网设备管理单位人工问题追踪。由于严重依赖人工，在图像分析异常检测时，存在工作效率低、时效性差、质量稳定性差的问题。
发明内容
本发明提供了一种定位器异常检测方法、系统、存储介质及计算设备，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种定位器异常检测方法，包括：
获取接触网安全巡检装置数据；
将接触网安全巡检装置数据输入预先训练的定位器区域检测模型，获取定位器区域和定位器基线角度值；其中，定位器区域检测模型为旋转目标检测模型，旋转目标检测模型的回归损失函数中考虑了定位器区域中心的偏移量，旋转目标检测模型的内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示；
提取定位器区域内的定位器轴线，计算定位器轴线角度；
根据定位器基线角度值和定位器轴线角度，获取定位器夹角；
根据定位器夹角，进行定位器异常检测。
在接触网安全巡检装置数据输入定位器区域检测模型之前，还包括对接触网安全巡检装置数据进行预处理的步骤，该步骤包括：
根据接触网安全巡检装置数据，生成接触网安全巡检装置数据热图。
旋转目标检测模型的回归损失函数为：
Figure 338095DEST_PATH_IMAGE001
其中，L O 为考虑了定位器区域中心偏移量的回归损失，N为定位器训练样本总数，O k 为定位器区域中心预测值，
Figure 964380DEST_PATH_IMAGE002
为定位器区域中心真实值，Balanced L1 为改进L1损失函数；
Figure 727936DEST_PATH_IMAGE003
其中，x为定位器区域中心的横坐标值，C为平衡语义特征值，
Figure 765162DEST_PATH_IMAGE004
为控制符合真值 的样本点梯度增长的可调参数，
Figure 246959DEST_PATH_IMAGE005
为控制损失总体提升倍率的可调参数，b为参数，
Figure 660623DEST_PATH_IMAGE006
。
旋转目标检测模型的focal loss损失函数为：
Figure 796463DEST_PATH_IMAGE007
其中，L h 为定位器检测的回归损失，N为定位器训练样本总数，p i 为训练样本集中第i个定位器预测值，
Figure 270169DEST_PATH_IMAGE008
为训练样本集中第i个定位器真值，
Figure 973683DEST_PATH_IMAGE009
为超参数。
提取定位器区域内的定位器轴线，计算定位器轴线角度，包括：
根据定位器区域，采用边缘检测法，提取定位器轮廓；
根据定位器轮廓，采用自适应阈值的直线检测法，提取定位器轴线；
根据定位器轴线，计算定位器轴线角度。
在提取定位器轮廓之前，还包括消减噪声的步骤，该步骤包括：
根据定位器区域，采用横向高斯滤波方法，消减定位器区域内的背景噪声。
一种定位器异常检测系统，包括：
数据获取模块：获取接触网安全巡检装置数据；
检测模型模块：将接触网安全巡检装置数据输入预先训练的定位器区域检测模型，获取定位器区域和定位器基线角度值；其中，定位器区域检测模型为旋转目标检测模型，旋转目标检测模型的回归损失函数中考虑了定位器区域中心的偏移量，旋转目标检测模型的内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示；
轴线角度计算模块：提取定位器区域内的定位器轴线，计算定位器轴线角度；
夹角计算模块：根据定位器基线角度值和定位器轴线角度，获取定位器夹角；
检测模块：根据定位器夹角，进行定位器异常检测。
旋转目标检测模型的回归损失函数为：
Figure 925459DEST_PATH_IMAGE010
其中，L O 为考虑了定位器区域中心偏移量的回归损失，N为定位器训练样本总数，O k 为定位器区域中心预测值，
Figure 663608DEST_PATH_IMAGE002
为定位器区域中心真实值，Balanced L1 为改进L1损失函数；
Figure 793369DEST_PATH_IMAGE003
其中，x为定位器区域中心的横坐标值，C为平衡语义特征值，
Figure 984179DEST_PATH_IMAGE004
为控制符合真值 的样本点梯度增长的可调参数，
Figure 739645DEST_PATH_IMAGE005
为控制损失总体提升倍率的可调参数，b为参数，
Figure 332300DEST_PATH_IMAGE006
。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行定位器异常检测方法。
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行定位器异常检测方法的指令。
本发明所达到的有益效果：本发明基于定位器区域检测模型进行异常检测，工作效率高、时效性高、稳定性强，同时该定位器区域检测模型的回归损失函数中考虑了定位器区域中心的偏移量、内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示，进一步提高了检测的准确性。
附图说明
图1为定位器异常检测方法的流程图；
图2为包围框的示意图；
图3为定位器夹角超限检测流程图。
具体实施方式
下面结合附图对本发明作进一步描述。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发明的保护范围。
如图1所示，一种定位器异常检测方法，包括以下步骤：
步骤1，获取接触网安全巡检装置（后续简称“2C”）数据；
步骤2，将接触网2C数据输入预先训练的定位器区域检测模型，获取定位器区域和定位器基线角度值；其中，定位器区域检测模型为旋转目标检测模型，旋转目标检测模型的回归损失函数中考虑了定位器区域中心的偏移量，旋转目标检测模型的内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示；
步骤3，提取定位器区域内的定位器轴线，计算定位器轴线角度；
步骤4，根据定位器基线角度值和定位器轴线角度，获取定位器夹角；
步骤5，根据定位器夹角，进行定位器异常检测。
上述方法基于定位器区域检测模型进行异常检测，工作效率高、时效性高、稳定性强，同时该定位器区域检测模型的回归损失函数中考虑了定位器区域中心的偏移量、内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示，相较于传统的旋转目标检测模型，进一步提高了检测的准确性。
定位器异常检测主要是对定位器夹角超限问题的检测，检测的难点在于如何准确提取定位器基线（即定位管轴线）与定位器轴线，如何确定定位器包围框区域与轴线夹角方向。
传统的目标检测模型仅可提供定位器包围框区域信息，而旋转目标检测模型可以提供普通目标检测方法无法提供的定位器方向信息，从而确定定位器夹角方向，提高定位器夹角检测准确度。
因此定位器区域检测模型采用为旋转目标检测模型，在使用给模型之前，需要对其进行训练，具体过程可以如下：
先利用接触网悬挂状态检测装置采集接触网2C数据，标记旋转目标定位器，生成热图，构建训练样本。
热图（heatmap）可用于定位关键点，这里用于检测旋转目标定位器中心C=（Cx,Cy），以C为中心构建2D的高斯分布作为热图的真值图，以C为正，其余点为负。
由于热图中C为正，其余点为负，这样会导致样本极度不平衡，因此模型引用focalloss损失函数变体为：
Figure 147810DEST_PATH_IMAGE007
其中，L h 为定位器检测（检测结果是否为定位器）的回归损失，N为定位器训练样本 总数，p i 为训练样本集中第i个定位器预测值，
Figure 825916DEST_PATH_IMAGE008
为训练样本集中第i个定位器真值，focal loss损失函数变体引入超参数
Figure 103182DEST_PATH_IMAGE009
，控制每一点的贡献度。
并且由于下采样的过程中中心坐标点C是浮点值，存在量化误差，因此在预测阶段要考虑中心点偏移量O，即回归损失函数中要考虑定位器区域中心的偏移量，具体可以表示为：
Figure 815923DEST_PATH_IMAGE010
其中，L O 为考虑了定位器区域中心偏移量的回归损失，N为定位器训练样本总数，O k 为定位器区域中心预测值，
Figure 536754DEST_PATH_IMAGE002
为定位器区域中心真实值，Balanced L1 为改进L1损失函数；
Figure 967736DEST_PATH_IMAGE003
其中，x为定位器区域中心的横坐标值，C为平衡语义特征值，
Figure 799426DEST_PATH_IMAGE004
为控制符合真值 的样本点梯度增长的可调参数，
Figure 117406DEST_PATH_IMAGE005
为控制损失总体提升倍率的可调参数，另外，为了函数 在x=1处的连续性，引入参数b，使得Balanced L1 满足
Figure 9138DEST_PATH_IMAGE006
。
最后，由于微小的角度误差也存在对定位管角度值产生较大影响的可能性，因此如图2所示，模型中以定位器基线角度值f1、定位器基线的垂直辅助线角度值f2、内接包围框和外接包围框的宽度比例值r1、以及内接包围框和外接包围框的高度比例值r2（f1,f2,r1,r2），结合外接包围框（水平包围框）的宽度W来表示内接包围框的宽度w=W*r1，结合外接包围框的高度H来表示内接包围框的高度h=H*r2，以旋转目标X'Y'坐标系配合图像XY坐标系，利用外接包围框与内接包围框共同定位旋转目标定位器，提高角度检测精度。
采用构建的训练样本训练旋转目标检测模型，在检测时即可直接使用。同训练时类似，利用接触网悬挂状态检测装置采集接触网2C数据，并生成接触网2C数据热图，将接触网2C数据热图输入旋转目标检测模型，获取定位器区域和定位器基线角度值。
通过对定位器区域分析，在可以发现在该区域中存在接触网高压电线这一干扰项，因此如图3所示，先构建了针对接触网高压电线的横向高斯滤波，采用横向高斯滤波方法，去除定位器区域内的背景噪声：
Figure 927416DEST_PATH_IMAGE011
其中，
Figure 297217DEST_PATH_IMAGE012
为高斯滤波函数，u为图像坐标系下的像素点横坐标，v为图像坐 标系下的像素点纵坐标，
Figure 984550DEST_PATH_IMAGE013
为像素点的标准差。
以卷积核大小为（15，3）、卷积核标准偏差为100的卷积核，确定u方向的标准差
Figure 47184DEST_PATH_IMAGE014
与v方向的标准差
Figure 427657DEST_PATH_IMAGE015
，产生两个方向上的一维卷积核，归一化卷积核，形成高斯核，对 图像的行、列进行卷积，生成横向模糊的图像，对横向模糊后的定位器及其邻近区域进行膨 胀腐蚀，除去横向模糊后接触网高压电线的细微余留，凸显定位器。
然后采用Canny边缘检测法，提取定位器轮廓，即定位器边缘：
Figure 866729DEST_PATH_IMAGE016
其中，M T (u,v)为Canny边缘检测算法，M(u,v)为图像像素矩阵，T为判定是否为物体轮廓的阈值。
根据定位器轮廓及定位器的结构特征，采用自适应阈值的Hough直线检测法，提取定位器轴线。
自适应阈值的Hough直线检测法继承了Hough直线检测法的主要思想，即一条直线 上的点(x,y)唯一对应一个斜率与一个斜距，而引入极坐标系角度
Figure 408569DEST_PATH_IMAGE017
和长度
Figure 642104DEST_PATH_IMAGE019
，能够解决 直角坐标系下垂直斜率无法表示的问题：
Figure 3815DEST_PATH_IMAGE020
Figure 715419DEST_PATH_IMAGE021
其中，自适应阈值的Hough直线检测法利用
Figure 128077DEST_PATH_IMAGE022
参数量化空间区域，划分采样 点处理区域S内采样点，角度差
Figure 798093DEST_PATH_IMAGE023
和长度差
Figure 647100DEST_PATH_IMAGE024
共同量化空间区域划分S，决定了直线检 测的精准度。
为了辅助自适应获取量化单位
Figure 427974DEST_PATH_IMAGE025
，自适应阈值的Hough直线检测法引入 直线误差，可分为直线数量误差L ln 与直线检测误差L le ：
Figure 678827DEST_PATH_IMAGE026
其中，LN为Hough直线检测的实际直线数量，ILN为期望目标直线数量；
Figure 503432DEST_PATH_IMAGE027
其中，n表示S内定位器样本采样点中检测到的直线数量，Line j 表示满足目标直线点集的第j条线，k j 表示满足目标直线点集的第j条线斜率，b j 表示满足目标直线点集的第j条线斜距，(x s,i ,y s,i )表示S内第i个定位器样本采样点，Vmax表示S中最大线段；由此计算满足目标直线的实际点集到目标直线的差距，表示直线检测误差L le 。
实验分析量化单位与样本统计模型参数变化，可获取样本分布信息，从而确定最 优量化单位
Figure 105315DEST_PATH_IMAGE028
，进行自适应Hough直线检测，降低了Hough直线检测对参数空间量 化单位变化的敏感度，降低了Hough直线检测算法的参数调整难度。
然后根据定位器轴线，计算定位器轴线角度，最后计算定位器基线角度值和定位器轴线角度的差值，获取定位器夹角，若定位器夹角不在预设角度范围，则定位器检测异常，即超限，输出定位器夹角超限标记图，若定位器夹角在预设角度范围，则定位器检测正常，即不超限，不输出。
上述方法使用适用于检测铁路接触网2C数据和定位器区域检测模型进行定位器异常检测，可以有效减少定位器异常检测成本，更好地获取定位器角度超限的准确信息。
基于相同的技术方案，本发明还公开了上述方法的软件系统，即一种定位器异常检测系统，包括：
数据获取模块：获取接触网2C数据。
检测模型模块：将接触网2C数据输入预先训练的定位器区域检测模型，获取定位器区域和定位器基线角度值；其中，定位器区域检测模型为旋转目标检测模型，旋转目标检测模型的回归损失函数中考虑了定位器区域中心的偏移量，旋转目标检测模型的内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示；
旋转目标检测模型的L1回归损失函数为：
Figure 424301DEST_PATH_IMAGE010
其中，L O 为考虑了定位器区域中心偏移量的回归损失，N为定位器训练样本总数，O k 为定位器区域中心预测值，
Figure 529660DEST_PATH_IMAGE002
为定位器区域中心真实值，Balanced L1 为改进L1损失函数；
Figure 541479DEST_PATH_IMAGE003
其中，x为定位器区域中心的横坐标值，C为平衡语义特征值，
Figure 99499DEST_PATH_IMAGE004
为控制符合真值 的样本点梯度增长的可调参数，
Figure 238487DEST_PATH_IMAGE005
为控制损失总体提升倍率的可调参数，b为参数，
Figure 198353DEST_PATH_IMAGE006
。
轴线角度计算模块：提取定位器区域内的定位器轴线，计算定位器轴线角度。
夹角计算模块：根据定位器基线角度值和定位器轴线角度，获取定位器夹角。
检测模块：根据定位器夹角，进行定位器异常检测。
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行定位器异常检测方法。
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行定位器异常检测方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，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，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种定位器异常检测方法，其特征在于，包括：
获取接触网安全巡检装置数据；
将接触网安全巡检装置数据输入预先训练的定位器区域检测模型，获取定位器区域和定位器基线角度值；其中，定位器区域检测模型为旋转目标检测模型，旋转目标检测模型的回归损失函数中考虑了定位器区域中心的偏移量，旋转目标检测模型的内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示；在模型中，采样外接包围框的宽度来表示内接包围框的宽度，采样外接包围框的高度来表示内接包围框的高度，以旋转目标X'Y'坐标系配合图像XY坐标系，利用外接包围框与内接包围框共同定位旋转目标定位器；内接包围框的X’轴的正半轴与外接包围框的X轴的正半轴夹角为锐角，内接包围框的Y’轴的正半轴与外接包围框的Y轴的正半轴夹角为优角；
提取定位器区域内的定位器轴线，计算定位器轴线角度；
根据定位器基线角度值和定位器轴线角度，获取定位器夹角；
根据定位器夹角，进行定位器异常检测。
2.根据权利要求1所述的一种定位器异常检测方法，其特征在于，在接触网安全巡检装置数据输入定位器区域检测模型之前，还包括对接触网安全巡检装置数据进行预处理的步骤，该步骤包括：
根据接触网安全巡检装置数据，生成接触网安全巡检装置数据热图。
3.根据权利要求1所述的一种定位器异常检测方法，其特征在于，旋转目标检测模型的回归损失函数为：
Figure DEST_PATH_IMAGE001
其中，L O 为考虑了定位器区域中心偏移量的回归损失，N为定位器训练样本总数，O k 为定 位器区域中心预测值，
Figure 128699DEST_PATH_IMAGE002
为定位器区域中心真实值，Balanced L1 为改进L1损失函数；
Figure DEST_PATH_IMAGE003
其中，x为定位器区域中心的横坐标值，C为平衡语义特征值，
Figure 516472DEST_PATH_IMAGE004
为控制符合真值的样本 点梯度增长的可调参数，
Figure DEST_PATH_IMAGE005
为控制损失总体提升倍率的可调参数，b为参数，
Figure 64609DEST_PATH_IMAGE006
。
4.根据权利要求1所述的一种定位器异常检测方法，其特征在于，旋转目标检测模型的focal loss损失函数为：
Figure DEST_PATH_IMAGE007
其中，L h 为定位器检测的回归损失，N为定位器训练样本总数，p i 为训练样本集中第i个 定位器预测值，
Figure 47959DEST_PATH_IMAGE008
为训练样本集中第i个定位器真值，
Figure DEST_PATH_IMAGE009
为超参数。
5.根据权利要求1所述的一种定位器异常检测方法，其特征在于，提取定位器区域内的定位器轴线，计算定位器轴线角度，包括：
根据定位器区域，采用边缘检测法，提取定位器轮廓；
根据定位器轮廓，采用自适应阈值的直线检测法，提取定位器轴线；
根据定位器轴线，计算定位器轴线角度。
6.根据权利要求5所述的一种定位器异常检测方法，其特征在于，在提取定位器轮廓之前，还包括消减噪声的步骤，该步骤包括：
根据定位器区域，采用横向高斯滤波方法，消减定位器区域内的背景噪声。
7.一种定位器异常检测系统，其特征在于，包括：
数据获取模块：获取接触网安全巡检装置数据；
检测模型模块：将接触网安全巡检装置数据输入预先训练的定位器区域检测模型，获取定位器区域和定位器基线角度值；其中，定位器区域检测模型为旋转目标检测模型，旋转目标检测模型的回归损失函数中考虑了定位器区域中心的偏移量，旋转目标检测模型的内接包围框采用定位器基线角度值、定位器基线的垂直辅助线角度值、内接包围框和外接包围框的宽度比例值、以及内接包围框和外接包围框的高度比例值表示；在模型中，采样外接包围框的宽度来表示内接包围框的宽度，采样外接包围框的高度来表示内接包围框的高度，以旋转目标X'Y'坐标系配合图像XY坐标系，利用外接包围框与内接包围框共同定位旋转目标定位器；内接包围框的X’轴的正半轴与外接包围框的X轴的正半轴夹角为锐角，内接包围框的Y’轴的正半轴与外接包围框的Y轴的正半轴夹角为优角；
轴线角度计算模块：提取定位器区域内的定位器轴线，计算定位器轴线角度；
夹角计算模块：根据定位器基线角度值和定位器轴线角度，获取定位器夹角；
检测模块：根据定位器夹角，进行定位器异常检测。
8.根据权利要求7所述的一种定位器异常检测系统，其特征在于，旋转目标检测模型的回归损失函数为：
Figure 339655DEST_PATH_IMAGE001
其中，L O 为考虑了定位器区域中心偏移量的回归损失，N为定位器训练样本总数，O k 为定 位器区域中心预测值，
Figure 15837DEST_PATH_IMAGE002
为定位器区域中心真实值，Balanced L1 为改进L1损失函数；
Figure 942948DEST_PATH_IMAGE003
其中，x为定位器区域中心的横坐标值，C为平衡语义特征值，
Figure 778924DEST_PATH_IMAGE004
为控制符合真值的样本 点梯度增长的可调参数，
Figure 255952DEST_PATH_IMAGE005
为控制损失总体提升倍率的可调参数，b为参数，
Figure 27337DEST_PATH_IMAGE006
。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
CN202210183532.8A 2022-02-28 2022-02-28 一种定位器异常检测方法、系统、存储介质及计算设备 Active CN114240946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210183532.8A CN114240946B (zh) 2022-02-28 2022-02-28 一种定位器异常检测方法、系统、存储介质及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210183532.8A CN114240946B (zh) 2022-02-28 2022-02-28 一种定位器异常检测方法、系统、存储介质及计算设备

Publications (2)

Publication Number Publication Date
CN114240946A CN114240946A (zh) 2022-03-25
CN114240946B true CN114240946B (zh) 2022-12-02

Family

ID=80748216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210183532.8A Active CN114240946B (zh) 2022-02-28 2022-02-28 一种定位器异常检测方法、系统、存储介质及计算设备

Country Status (1)

Country Link
CN (1) CN114240946B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464785A (zh) * 2020-11-25 2021-03-09 浙江大华技术股份有限公司 一种目标检测方法、装置、计算机设备及存储介质
CN112528971A (zh) * 2021-02-07 2021-03-19 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
WO2021139069A1 (zh) * 2020-01-09 2021-07-15 南京信息工程大学 自适应注意力指导机制的一般性目标检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9135519B2 (en) * 2013-07-10 2015-09-15 Canon Kabushiki Kaisha Pattern matching method and pattern matching apparatus
WO2021263010A2 (en) * 2020-06-26 2021-12-30 X Development Llc Electrical power grid modeling
CN112101277B (zh) * 2020-09-24 2023-07-28 湖南大学 一种图像语义特征约束的遥感目标检测方法
CN112329858B (zh) * 2020-11-06 2021-07-16 哈尔滨市科佳通用机电股份有限公司 一种铁路动车防松铁丝折断故障图像识别方法
CN113326734B (zh) * 2021-04-28 2023-11-24 南京大学 一种基于YOLOv5的旋转目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139069A1 (zh) * 2020-01-09 2021-07-15 南京信息工程大学 自适应注意力指导机制的一般性目标检测方法
CN112464785A (zh) * 2020-11-25 2021-03-09 浙江大华技术股份有限公司 一种目标检测方法、装置、计算机设备及存储介质
CN112528971A (zh) * 2021-02-07 2021-03-19 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统

Also Published As

Publication number Publication date
CN114240946A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN111027343B (zh) 条形码区域定位方法和装置
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN108257125B (zh) 一种基于自然场景统计的深度图像质量无参考评价方法
CN116664559A (zh) 基于机器视觉的内存条损伤快速检测方法
CN117094916B (zh) 一种市政桥梁支座视觉检测方法
CN116485779B (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN113705564B (zh) 一种指针式仪表识别读数方法
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN112396618B (zh) 一种基于图像处理的晶界提取及晶粒度测量方法
CN114240946B (zh) 一种定位器异常检测方法、系统、存储介质及计算设备
CN116740036A (zh) 一种钢管管端引熄弧板切割点位检测方法和系统
CN115761606A (zh) 基于图像处理的箱体电能表识别方法及装置
CN113870328A (zh) 一种液体异物视觉检测方法及系统
CN113723314A (zh) 一种基于YOLOv3算法的甘蔗茎节识别方法
CN113378847A (zh) 字符分割方法、系统、计算机设备和存储介质
CN112419244A (zh) 基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置
CN116977334B (zh) 一种光缆表面瑕疵检测方法及装置
CN117218130B (zh) 用于铁元素偏析缺陷定位的图像降维采集方法及系统
CN115187604B (zh) 一种基于等高线的复材壁板阵列孔检测方法、装置及系统
CN114092695B (zh) 一种基于分割模型的roi提取方法及装置
CN117351240B (zh) 一种正样本采样方法、系统、存储介质和电子设备
US20220019797A1 (en) Methods and systems for agricultural block mapping
CN117808451A (zh) 电网变电设备三维自动化运检方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant