CN114241196A - 一种输电线路金具及绝缘子检测方法 - Google Patents
一种输电线路金具及绝缘子检测方法 Download PDFInfo
- Publication number
- CN114241196A CN114241196A CN202111569209.6A CN202111569209A CN114241196A CN 114241196 A CN114241196 A CN 114241196A CN 202111569209 A CN202111569209 A CN 202111569209A CN 114241196 A CN114241196 A CN 114241196A
- Authority
- CN
- China
- Prior art keywords
- feature
- attention
- network
- transmission line
- feature map
- 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
- 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
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
一种输电线路金具及绝缘子检测方法。该方法针对输电线路上的金具及绝缘子目标检测,保证输电线路安全稳定运行。通过微调YOLOv4模型并且嵌入CBAM模块,在空间和通道两个层面增强目标特征信息,从而实现了对输电线路金具及绝缘子的有效检测,既保证了目标检测的准确,又确保了模型训练测试的速度。模型微调使得网络在针对输电线路金具及绝缘子数据集进行检测时更加高效,CBAM模块的嵌入帮助模型在提取目标特征时提取到的特征信息更丰富,达到提升最终输出结果准确率的目的。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种输电线路金具及绝缘子检测方法。
背景技术
输电线路作为电力系统的重要基础设备之一,其运行状态的安全稳定是电力传输的重要前提保障。金具和绝缘子是输电线路上重要的组成部件,金具主要用于支持、固定、接续裸导线和其他导体,绝缘子则可以防止电流回地,由于输电线路长期暴露在野外恶劣环境下,金具及绝缘子容易出现锈蚀、破损等故障,从而对整个电力系统的稳定运行造成威胁,因此,对金具及绝缘子进行定期检修可以有效保障线路的正常运行。
目前,输电线路金具及绝缘子检测工作也取得了一定的进展,以防震锤、线夹、联板和均压环等金属部件为研究对象,相关的检测算法研究主要以传统图像处理、机器学习方法和深度学习算法两大类。传统算法主要针对绝缘子或单一金具进行检测,并不适用于复杂背景下输电线路的多类部件检测,并且很难达到输电线路部件检测的精度和效率之间的平衡,其具有一定的局限性。随着深度学习研究的逐渐深入,基于深度学习的检测算法越来越多,SSD(Single Shot Detector)、YOLO(You Only Look Once)系列的典型one-stage算法,利用生成的候选目标区域来定位目标并分类的two-stage算法,包括Fast RCNN、Faster RCNN、RFCN等。通常one-stage算法直接在特征图上进行锚框定位,无需候选区域,所以其速度比two-stage算法要快。为满足输电线路金具及绝缘子检测的实时性要求,one-stage算法成为本方法的首选目标。
YOLOv4集成了当下许多优秀的算法,不仅速度块,检测性能也优于大部分算法,故以此模型为基础,研究输电线路上的金具及绝缘子检测具有重大意义。
发明内容
为了提升输电线路金具及绝缘子检测准确率提高输电线路巡检效率,本申请提供了一种输电线路金具及绝缘子检测方法。
本申请实施例提供了如下技术方案:
将标注样本图像输入特征提取网络,得到第一特征图,所述第一特征图包含三种不同尺度的特征图;
将第一特征图输入CBAM注意力模块,得到第二特征图,所述第二特征图包含三种不同尺度的特征图;
将第二特征图输入特征融合网络,得到第三特征图,所述第三特征图包含三种不同尺度的特征图;
将第三特征图输入到YOLO head,得到检测结果。
其中,所述标注样本图像是使用labelimg标注工具对整理好的航拍图像进行标注得到的。
其中,所述特征提取网络采用CSPDarknet53。
其中,CBAM注意力模块在特征提取网络和特征融合网络之间,从空间和通道两个层面分别关注目标区域,增强相关特征、抑制无关特征,帮助信息在网络中的传递。
其中,CBAM注意力模块使用CBAM注意力机制,CBAM注意力机制整体分为两部分,分别为通道注意力部分和空间注意力部分,CBAM注意力模块会将第一特征图的空间维度进行压缩,聚集空间信息,首先通过全局池化和最大池化收集独特的目标特征,用于推断出更为准确的通道关注,提升网络表达能力,池化操作会得到两个不同的1×1×c的特征图,其中c代表通道数,再将这两个特征图送入一个两层的神经网络,最后经sigmoid激活函数完成通道注意力的生成,得到通道注意力Mc(F0):
Mc(F0)=δ(MLP(AvgPool(F0))+MLP(MaxPool(F0))) (1)
式(1)中F0表示输入的第一特征图,δ和MLP分别表示sigmoid激活函数和神经网络运算,AvgPool和MaxPool为平均池化和最大池化。
输出的通道注意力与输入的特征图F0相乘得到第四特征图作为空间注意力的输入特征,空间注意力更加关注特征信息属于哪一类,与通道注意力相辅相成,首先沿着通道方向进行平均池化和最大池化操作,聚合图中的通道信息,得到两个H×W×1的特征图,H与W分别表示特征图的高和宽,再将这两个特征图连接生成一个特征描述,然后经卷积运算再通过sigmoid激活函数生成空间注意力Ms(F1)如下所式:
Ms(F1)=δ(T[AvgPool(F1),MaxPool(F1)]) (2)
式(2)中F1表示输入的第四特征图,T为卷积操作,最终输出的第二特征图用F2表示:
其中,所述特征融合网络为PANet特征融合网络,所述PANet特征融合网络是在特征金字塔的基础上增加了一个自底向上的路径增强,并且将最初提取的特征与最终提取的特征相融合,以缩短底层特征与顶层特征之间的信息路径,利用底层的特征信息增强整体特征,提高其信息的利用率。
与现有技术相比,上述技术方案具有以下优点:
本申请提出了一种基于改进YOLOv4的输电线路金具及绝缘子检测方法。该方法针对输电线路上的金具及绝缘子目标检测,保证输电线路安全稳定运行。通过微调YOLOv4模型并且嵌入CBAM模块,在空间和通道两个层面增强目标特征信息,从而实现了对输电线路金具及绝缘子的有效检测,既保证了目标检测的准确,又确保了模型训练测试的速度。模型微调使得网络在针对输电线路金具及绝缘子数据集进行检测时更加高效,CBAM模块的嵌入帮助模型在提取目标特征时提取到的特征信息更丰富,达到提升最终输出结果准确率的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,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为一种输电线路金具及绝缘子检测方法的流程图;
图2为CBAM注意力模块示意图;
图3为路径融合网络结构图;
图4为另一种输电线路金具及绝缘子检测方法的流程图。
具体实施方式
为了提升输电线路金具及绝缘子检测准确率提高输电线路巡检效率,本申请提供了一种输电线路金具及绝缘子检测方法。具体地,本发明提供了一种针对输电线路金具及绝缘子的检测方法。该方法以YOLOv4模型为基础,对模型进行了微调,并引入了CBAM(Convolutional Block Attention Module,CBAM)注意力机制,充分利用特征图的位置信息与通道关系加深了对图像中目标特征信息的提取,在保证模型检测速度基本不变的前提下提升模型的性能,提高金具及绝缘子的检测准确率。
一种输电线路金具及绝缘子检测方法,包括:
将标注样本图像输入特征提取网络,得到第一特征图,所述第一特征图包含三种不同尺度的特征图;
将第一特征图输入CBAM注意力模块,得到第二特征图,所述第二特征图包含三种不同尺度的特征图;
将第二特征图输入特征融合网络,得到第三特征图,所述第三特征图包含三种不同尺度的特征图;
将第三特征图输入到YOLO head,得到检测结果。
其中,所述标注样本图像是使用labelimg标注工具对整理好的航拍图像进行标注得到的。
其中,所述特征提取网络采用CSPDarknet53。所述特征融合网络为PANet特征融合网络。
其中,CBAM注意力模块在特征提取网络和特征融合网络之间,从空间和通道两个层面分别关注目标区域,增强相关特征、抑制无关特征,帮助信息在网络中的传递。
其中,CBAM注意力模块使用CBAM注意力机制,CBAM注意力机制整体分为两部分,分别为通道注意力部分和空间注意力部分,CBAM注意力模块会将第一特征图的空间维度进行压缩,聚集空间信息,首先通过全局池化和最大池化收集独特的目标特征,用于推断出更为准确的通道关注,提升网络表达能力,池化操作会得到两个不同的1×1×c的特征图,其中c代表通道数,再将这两个特征图送入一个两层的神经网络,最后经sigmoid激活函数完成通道注意力的生成,得到通道注意力Mc(F0):
Mc(F0)=δ(MLP(AvgPool(F0))+MLP(MaxPool(F0))) (1)
式(1)中F0表示输入的第一特征图,δ和MLP分别表示sigmoid激活函数和神经网络运算,AvgPool和MaxPool为平均池化和最大池化。
输出的通道注意力与输入的特征图F0相乘得到第四特征图作为空间注意力的输入特征,空间注意力更加关注特征信息属于哪一类,与通道注意力相辅相成,首先沿着通道方向进行平均池化和最大池化操作,聚合图中的通道信息,得到两个H×W×1的特征图,H与W分别表示特征图的高和宽,再将这两个特征图连接生成一个特征描述,然后经卷积运算再通过sigmoid激活函数生成空间注意力Ms(F1)如下所式:
Ms(F1)=δ(T[AvgPool(F1),MaxPool(F1)]) (2)
式(2)中F1表示输入的第四特征图,T为卷积操作,最终输出的第二特征图用F2表示:
其中,所述特征融合网络为路径融合网络(Path Aggregation Network,PANet)特征融合网络,所述PANet特征融合网络是在特征金字塔的基础上增加了一个自底向上的路径增强,并且将最初提取的特征与最终提取的特征相融合,如图3所示,以缩短底层特征与顶层特征之间的信息路径,利用底层的特征信息增强整体特征,提高其信息的利用率。
可见,本发明提供了一种基于改进YOLOv4的输电线路金具及绝缘子检测方法。该方法针对输电线路上的金具及绝缘子目标检测,保证输电线路安全稳定运行。通过微调YOLOv4模型并且嵌入CBAM模块,在空间和通道两个层面增强目标特征信息,从而实现了对输电线路金具及绝缘子的有效检测,既保证了目标检测的准确,又确保了模型训练测试的速度。模型微调使得网络在针对输电线路金具及绝缘子数据集进行检测时更加高效,CBAM模块的嵌入帮助模型在提取目标特征时提取到的特征信息更丰富,达到提升最终输出结果准确率的目的。
下面对本申请的具体步骤进行如下解释:
1、输电线路金具及绝缘子数据集构建
深度学习模型依赖于大量的图像数据,收集航拍图像中输电线路金具及绝缘子图像,由于无人机航拍图像中存在无效数据,所以本方法首先在航拍图像中挑选金具及绝缘子目标完整清晰的图像,其中本次主要针对的金具包含防震锤、均压环、提包线夹、U型挂环和联板,整理好图像之后使用labelimg标注工具进行样本标注,完成数据集制作后将数据集按4:1的比例划分训练集与测试集。
2、金具及绝缘子图像特征提取
特征提取网络采用CSPDarknet53,该网络借鉴了CSPNet,将特征图跨阶段的进行残差学习,优化了梯度信息的计算问题,减少了模型参数量,既加快了推理的速度又保证了最终的准确率。CSPDarknet53网络提取输出的特征f0表示为:
f0=F(I) (5)
其中I表示网络的输入图像,F()代表特征提取网络。
输出的特征图再经过SPPNet扩大图像的感受野,并且使得网络更加容易收敛。
这里需要注意的是从特征提取网络输出的特征图不仅仅是最终经SPPNet输出的特征,本方法将CSPDarknet53的最后两层以及SPPNet的最终输出三个支路送入特征融合网络。
3、嵌入CBAM注意力机制
为防止因背景复杂、遮挡等问题造成的信息丢失,本方法在特征提取部分与特征融合部分之间加入CBAM注意力模块,从空间和通道两个层面分别关注目标区域,增强相关特征、抑制无关特征,帮助信息在网络中的传递。CBAM注意力机制整体可以分为两部分,分别为通道注意力部分和空间注意力部分,实验证明通道注意力在空间注意力之前的效果更为明显。为有效计算通道注意力,模块会将特征图的空间维度进行压缩,聚集空间信息,首先通过全局池化和最大池化收集独特的目标特征,用于推断出更为准确的通道关注,提升网络表达能力,池化操作会得到两个不同的1×1×c的特征图(其中c代表通道数),再将这两个特征图送入一个两层的神经网络,最后经sigmoid激活函数完成通道注意力的生成,得到通道注意力Mc(F0):
Mc(F0)=δ(MLP(AvgPool(F0))+MLP(MaxPool(F0))) (1)
式中F0表示输入的特征,δ和MLP分别表示sigmoid激活函数和神经网络运算,AvgPool和MaxPool为平均池化和最大池化。
输出的通道注意力会与输入的特征F0相乘得到新的特征图作为空间注意力的输入特征,空间注意力会更加关注特征信息属于哪一类,与通道注意力相辅相成。首先沿着通道方向进行平均池化和最大池化操作,聚合图中的通道信息,得到两个H×W×1的特征图(H与W表示特征图的高和宽),再将这两个特征图连接生成一个特征描述,然后经卷积运算再通过sigmoid激活函数生成空间注意力Ms(F1)如下所式:
Ms(F1)=δ(T[AvgPool(F1),MaxPool(F1)]) (2)
式中F1表示输入的第四特征图,T为卷积操作。空间通道注意力整体结构图如图3所示,最终输出的第二特征图用F2表示:
如上式所示,空间注意力会与输入特征F1相乘再送入特征融合网络,详见图2。
4、PANet特征融合
PANet是在特征金字塔的基础上进行改进的,特征金字塔网络会将图像进行卷积之后得到的特征图上采样,并且逐层与底层特征图连接,通过卷积来匹配不同层次之间的通道数。PANet在其基础上增加了一个自底向上的路径增强,并且将最初提取的特征与最终提取的特征相融合,如图3所示。因为网络的底层特征中包含更多的位置信息,高层特征中含有更多的语义信息,这样可以缩短底层特征与顶层特征之间的信息路径,利用底层的特征信息增强整体特征,提高其信息的利用率。
这里主要运用PANet融合高低层特征并输出三个不同尺度的第三特征图,同样其输入也有三个分支,都是从特征提取网络中输出并经由注意力机制增强得到的。
5、YOLO head输出结果
PANet输出的三个分支(三个不同尺度的第三特征图)送入到YOLO head检测头后,首先通过两个卷积层得到网络需要尺度的张量,再利用聚类算法在特征图上生成锚框,为将锚框更好的划分为正样本与负样本,本方法根据GT box的中心点提前预测锚框位置,这样不但便于计算还能够获取到配对的锚框与GT box,最后要得到锚框中目标的类别,本方法使用多标签分类法来预测每个框中可能包含的类别并输出结果。
可见,本申请一种基于改进YOLOv4的输电线路金具及绝缘子检测方法,详见图4,该方法针对输电线路上的金具及绝缘子目标检测,保证输电线路安全稳定运行。通过微调YOLOv4模型并且嵌入CBAM模块,在空间和通道两个层面增强目标特征信息,从而实现了对输电线路金具及绝缘子的有效检测,既保证了目标检测的准确,又确保了模型训练测试的速度。模型微调使得网络在针对输电线路金具及绝缘子数据集进行检测时更加高效,CBAM模块的嵌入帮助模型在提取目标特征时提取到的特征信息更丰富,达到提升最终输出结果准确率的目的。
本说明书中各个部分采用递进的方式描述,每个部分重点说明的都是与其他部分的不同之处,各个部分之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种输电线路金具及绝缘子检测方法,其特征在于,包括:
将标注样本图像输入特征提取网络,得到第一特征图,所述第一特征图包含三种不同尺度的特征图;
将第一特征图输入CBAM注意力模块,得到第二特征图,所述第二特征图包含三种不同尺度的特征图;
将第二特征图输入特征融合网络,得到第三特征图,所述第三特征图包含三种不同尺度的特征图;
将第三特征图输入到YOLO head,得到检测结果。
2.根据权利要求1所述方法,其特征在于,所述标注样本图像是使用labelimg标注工具对整理好的航拍图像进行标注得到的。
3.根据权利要求1所述方法,其特征在于,所述特征提取网络采用CSPDarknet53。
4.根据权利要求1所述方法,其特征在于,CBAM注意力模块在特征提取网络和特征融合网络之间,从空间和通道两个层面分别关注目标区域,增强相关特征、抑制无关特征,帮助信息在网络中的传递。
5.根据权利要求1所述方法,其特征在于,CBAM注意力模块使用CBAM注意力机制,CBAM注意力机制整体分为两部分,分别为通道注意力部分和空间注意力部分,CBAM注意力模块会将第一特征图的空间维度进行压缩,聚集空间信息,首先通过全局池化和最大池化收集独特的目标特征,用于推断出更为准确的通道关注,提升网络表达能力,池化操作会得到两个不同的1×1×c的特征图,其中c代表通道数,再将这两个特征图送入一个两层的神经网络,最后经sigmoid激活函数完成通道注意力的生成,得到通道注意力Mc(F0):
Mc(F0)=δ(MLP(AvgPool(F0))+MLP(MaxPool(F0))) (1)
式(1)中F0表示输入的第一特征图,δ和MLP分别表示sigmoid激活函数和神经网络运算,AvgPool和MaxPool为平均池化和最大池化。
输出的通道注意力与输入的特征图F0相乘得到第四特征图作为空间注意力的输入特征,空间注意力更加关注特征信息属于哪一类,与通道注意力相辅相成,首先沿着通道方向进行平均池化和最大池化操作,聚合图中的通道信息,得到两个H×W×1的特征图,H与W分别表示特征图的高和宽,再将这两个特征图连接生成一个特征描述,然后经卷积运算再通过sigmoid激活函数生成空间注意力Ms(F1)如下所式:
Ms(F1)=δ(T[AvgPool(F1),MaxPool(F1)]) (2)
式(2)中F1表示输入的第四特征图,T为卷积操作,最终输出的第二特征图用F2表示:
6.根据权利要求1所述方法,其特征在于,所述特征融合网络为PANet特征融合网络,所述PANet特征融合网络是在特征金字塔的基础上增加了一个自底向上的路径增强,并且将最初提取的特征与最终提取的特征相融合,以缩短底层特征与顶层特征之间的信息路径,利用底层的特征信息增强整体特征,提高其信息的利用率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569209.6A CN114241196A (zh) | 2021-12-21 | 2021-12-21 | 一种输电线路金具及绝缘子检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569209.6A CN114241196A (zh) | 2021-12-21 | 2021-12-21 | 一种输电线路金具及绝缘子检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241196A true CN114241196A (zh) | 2022-03-25 |
Family
ID=80760100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111569209.6A Pending CN114241196A (zh) | 2021-12-21 | 2021-12-21 | 一种输电线路金具及绝缘子检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241196A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071309A (zh) * | 2022-12-27 | 2023-05-05 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 元器件的声扫缺陷检测方法、装置、设备和存储介质 |
-
2021
- 2021-12-21 CN CN202111569209.6A patent/CN114241196A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071309A (zh) * | 2022-12-27 | 2023-05-05 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 元器件的声扫缺陷检测方法、装置、设备和存储介质 |
CN116071309B (zh) * | 2022-12-27 | 2024-05-17 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 元器件的声扫缺陷检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An edge traffic flow detection scheme based on deep learning in an intelligent transportation system | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN107291945B (zh) | 基于视觉注意力模型的高精度服装图像检索方法及系统 | |
CN111431986B (zh) | 基于5g和ai云边协同的工业智能质检系统 | |
CN109977895B (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
Chen et al. | Pointgpt: Auto-regressively generative pre-training from point clouds | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN110163060B (zh) | 图像中人群密度的确定方法及电子设备 | |
Yang et al. | Spatio-temporal domain awareness for multi-agent collaborative perception | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN114897889B (zh) | 电池组点焊自动化全检方法及其系统 | |
CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN115937774A (zh) | 一种基于特征融合和语义交互的安检违禁品检测方法 | |
Jiang et al. | A real-time rural domestic garbage detection algorithm with an improved YOLOv5s network model | |
CN111275694B (zh) | 一种注意力机制引导的递进式划分人体解析系统及方法 | |
CN114241196A (zh) | 一种输电线路金具及绝缘子检测方法 | |
CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
Yang et al. | Research on subway pedestrian detection algorithms based on SSD model | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
Sung et al. | TL–LED arc Net: Transfer Learning Method for Low-Energy Series DC Arc-Fault Detection in Photovoltaic Systems | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN116579345B (zh) | 命名实体识别模型的训练方法、命名实体识别方法及装置 | |
CN117150068A (zh) | 基于自监督对比学习概念对齐的跨模态检索方法及系统 | |
Zhang et al. | An industrial interference-resistant gear defect detection method through improved YOLOv5 network using attention mechanism and feature fusion | |
Ni et al. | Edge guidance network for semantic segmentation of high resolution remote sensing images |
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 |