CN114359619A - 基于增量学习的电网缺陷检测方法、装置、设备和介质 - Google Patents
基于增量学习的电网缺陷检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114359619A CN114359619A CN202111456451.2A CN202111456451A CN114359619A CN 114359619 A CN114359619 A CN 114359619A CN 202111456451 A CN202111456451 A CN 202111456451A CN 114359619 A CN114359619 A CN 114359619A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- defect
- target detection
- classification
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 167
- 238000001514 detection method Methods 0.000 title claims abstract description 138
- 238000013145 classification model Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000004821 distillation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 206010070245 Foreign body Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及电网缺陷检测技术领域，公开了一种基于增量学习的电网缺陷检测方法，包括在采集得到的图像当中，在存在缺陷的图像上标注出缺陷信息，以便于从采集得到的图像当中筛选出缺陷图像，对缺陷图像进行处理制作出目标检测数据集；构建目标检测网络，且将目标检测数据集划分为训练数据集与测试数据集；对测试数据集进行处理，制作分类数据集；基于分类数据集构建适应增量学习的图像分类模型；组合目标检测网络模型和适应增量学习的图像分类模型；基于增量学习的电网缺陷检测方法可以对已训练好的目标检测模型进行改动，使得网络模型能够学习新增缺陷数据中所蕴涵的特征。
Description
技术领域
本发明涉及电网缺陷检测技术领域，特别是涉及基于增量学习的 电网缺陷检测方法、装置、设备和介质。
背景技术
传统的变电站巡检方式采用人工巡检，近年来电力机器人巡视方 式的加入，避免了人工巡检方式的诸多弊端。无人机电力巡检已经被 广泛应用，电力巡检效率得到了极大程度的提升。通过无人机进行巡 检，无人机能够大范围的对巡检线路进行针对性的检查，及时发现潜 在危险，对于电网安全的维护至关重要。
然而在实际的环境中，缺陷问题的种类并非单一，并且随着时间 的推移，必定会产生新的缺陷种类。当前的目标检测模型不能识别出 没有学习过的缺陷。如果重新训练目标检测模型，会浪费大量的时间。
发明内容
本发明提供基于增量学习的电网缺陷检测方法、装置、设备和介 质，通过不断的学习新增缺陷，从而识别出没有学习过的缺陷。
第一方面，基于增量学习的电网缺陷检测方法，包括：
在采集得到的图像当中，在存在缺陷的图像上标注出缺陷信息， 以便于从采集得到的图像当中筛选出缺陷图像，对缺陷图像进行处理 制作出目标检测数据集；
构建目标检测网络，且将目标检测数据集划分为训练数据集与测 试数据集；
对测试数据集进行处理，制作分类数据集；
基于分类数据集构建适应增量学习的图像分类模型；
组合目标检测网络模型和适应增量学习的图像分类模型。
第二方面，基于增量学习的电网缺陷检测装置，包括：
制作目标检测数据集模块，用于对采集的图像标注缺陷信息确定 缺陷图像，对缺陷图像进行处理制作出目标检测数据集；
构建目标检测网络模型模块，用于构建目标检测网络模型，且将 目标检测数据集划分为训练数据集与测试数据集；
制作分类数据集模块，用于对测试数据集进行处理，制作分类数 据集；
构建图像分类模型模块，用于基于分类数据集构建适应增量学习 的图像分类模型；
模型组合模块，用于组合目标检测网络模型和适应增量学习的图 像分类模型。
第三方面，一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现第一 方面所述基于增量学习的电网缺陷检测方法。
第四方面，一种计算机可读存储介质，存储有可执行指令，用于 被处理器执行时，实现第一方面所述基于增量学习的电网缺陷检测方 法。
本发明的基于增量学习的电网缺陷检测方法、装置、设备和存储 介质与现有技术相比，其有益效果在于：
1.在缺陷检测任务中，新的缺陷数据量可能会逐步上升，面临新 的缺陷数据，基于增量学习的电网缺陷检测方法可以对已训练好的目 标检测模型进行改动，使得网络模型能够学习新增缺陷数据中所蕴涵 的特征。
2.对于训练好的目标检测模型，修改模型的时间代价要远远低于 重新训练一个目标检测模型所需代价，且需要数据量少。
附图说明
图1是本发明实施例的基于增量学习的电网缺陷检测方法的流图 图。
图2是本发明实施例的通过图像采集终端采集真实环境下的待检 测的图像的流程图。
图3是本发明实施例的搭建目标检测网络并设置初始训练参数和 测试参数的流程图。
图4是本发明实施例的对测试数据集进行处理，制作分类数据集的 流程图。
图5是本发明实施例的选用深度残差网络方法搭建标准分类网络 模型的流程图。
图6是本发明实施例的将目标检测网络模型和适应增量学习的图 像分类模型组合的流程图。
图7是本发明目标检测算法的示意图。
图8是本发明实施例的用图像缺陷标签标注出图像中的缺陷的位 置的示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，应当理解的是，本发明中采用术语：
SSD网络：是一种使用单一深度神经网络检测图像中对象的方法。 SSD网络使用更小的卷积滤波器应用在特征图上，SSD网络的优势在于 根据特征图的纵横比以及尺度不同，生成不用尺度的预测，以实现高 精度检测。
深度残差网络：深度残差网络在一定程度上解决信息传递中的信 息丢失和损耗的问题。深度残差网络直接将输入的图片信息绕道传输 到输出，保护信息的完整性。
增量学习：其目的是使设备像人类一样能够对缺陷图像进行增量 式的学习，使得计算机终身学习成为可能。增量学习思想主要体现在 两个方面：
1.在缺陷检测任务中，新的缺陷的数量会逐步上升，面对新的缺 陷数据，增量学习方法可以对已训练好的目标检测网络模型进行改动， 使得目标检测网络模型能够学习新增的缺陷数据中所蕴涵的特征。
2.对于已经训练好的目标检测网络模型，修改目标检测网络模型 的时间代价要低于重新训练一个目标检测网络模型。修改目标检测网 络模型需要的数据量少。
如图1、图2所示，本发明实施例提供的基于增量学习的电网缺陷 检测方法，包括：
步骤S1：在采集得到的图像当中，在存在缺陷的图像上标注出缺陷 信息，以便于从采集得到的图像当中筛选出缺陷图像，对缺陷图像进 行处理制作出目标检测数据集，包括：
步骤S101：通过图像采集终端采集真实环境下的待检测的图像。
本申请利用无人机采集待检测的图像，采集得到的待检测的图像 当中，有的图像可能包含有缺陷。
步骤S102：在待检测的图像上标注出缺陷的位置以及缺陷的类别， 被标注了缺陷的位置和缺陷的类别的图像是缺陷图像。
在待检测的所有图像当中，如果某个或某些图像确实存在缺陷， 在本申请中，采用Labelme标注工具将确实存在缺陷的某个或某些图 像中的缺陷的位置和缺陷的类别标注出来。
步骤S103：将待检测的图像集划分为训练数据集和测试数据集。
其中，采集到的所有待检测的图像组成待检测的图像集。在本实 施例中，将待检测的图像集按照7：3的比例划分为训练数据集和测试 数据集。
步骤S104：对缺陷图像进行处理制作出目标检测数据集，目标检测 数据集包含缺陷图像的存储路径、缺陷图像中缺陷的位置和缺陷图像 中缺陷的类别。
本实施例中，采用Python的固定格式从待检测的图像获取缺陷图 像的存储路径、缺陷图像中缺陷的位置和缺陷图像中缺陷的类别，获 取的所有缺陷图像的缺陷存储路径、缺陷的位置和缺陷的类别组成目 标检测数据集。目标检测数据集是VOC文本格式或者JSON文本格式。
如图3所示，步骤S2：构建目标检测网络模型，且将目标检测数据 集划分为训练数据集与测试数据集，包括：
步骤S201：搭建目标检测网络并设置初始训练参数和测试参数。
本申请选用SSD网络搭建目标检测网络。
参照图7，SSD网络的骨干网络是基于VGG－16改进得到的。对于 输入的一张图片，经过SSD的特征提取网络的卷积运算形成一系列的 特征层，SSD选取其中的6个特征层作为提取信息的特征层。分别对6 个特征层进行卷积运算获得对象(本实施例中，对象就是图像中的缺 陷)的位置信息与类别信息，合并获取的位置信息与类别信息，计算 不同框(每个框对应一个缺陷的位置信息)中的得分以及其他框与得 分最大框的重叠程度。不断的迭代计算保留目标的得分最大框，即为 目标使用非极大值抑制筛选出检测的结果。
步骤S202：将目标检测数据集按照7：3的比例随机划分为训练数 据集与测试数据集。
步骤S203：目标检测网络模型对训练数据集的数据进行运算得到 预测结果。
步骤S204：计算预测结果和目标检测数据集内的实际的缺陷位置、 缺陷类别之间的损失函数。其中，预测结果包括预测的缺陷位置和预测 的缺陷类别。
本实施例中目标检测网络模型采用了标准的目标检测算法来计算 预测结果和实际缺陷位置，以及损失函数，具体的计算过程可以参考 常规的目标检测算法的计算过程，在此不再一一赘述。
步骤S205：损失函数通过优化算法更新目标检测网络模型，使得目 标检测网络收敛得到最终的目标检测网络模型。
本实施例中SSD目标检测算法中的分类损失函数和定位损失函数 通过Adam优化算法更新目标检测网络模型，使得目标检测网络模型收 敛得到最终的目标检测网络模型。
其中，经过训练得到的目标检测网络模型能够识别待检测的图像 中可能包含的缺陷。
如图4所示，步骤S3：对测试数据集进行处理，制作分类数据集， 包括：
步骤S301：测试数据集被输入目标检测网络模型中，目标检测网络 模型从测试数据集的待检测图像中选择缺陷图像。本实施例中，通过 候选框将缺陷图像中的缺陷位置框选出来。
步骤S302：裁剪候选框选中的缺陷图像得到缺陷图片，将缺陷类别 相同的缺陷图片存储在同一个文件夹内。
步骤S303：对多个文件夹中的缺陷图片分别进行图像处理，相应的 得到多组待训练的分类数据，多组待训练的分类数据组成待训练的分 类数据集。
其中，图像处理操作包括图像旋转、图像翻转和图像融合。
其中，对一个文件夹的缺陷图片分别进行图像处理，相应的得到 一组待训练的分类数据。
例如，图像分类数据的图像尺寸为320＊320的RGB彩色图像。每 一类图像是100张图，4类图像的总计是400张，按照7比3的比例划 分为训练数据集和测试数据集，之后标注图像缺陷标签。
如图5所示，图像缺陷标签用于在图像中标注出图像中的缺陷的 位置。例如，图像缺陷的标签定义为0，1，2，3，4，其中1对应的是 销钉缺陷，2代表的是鸟巢缺陷。当图像中标注1时表示图像中的销钉 存在缺陷。
步骤S4：基于分类数据集构建适应增量学习的图像分类模型，包 括：
步骤S401：选用深度残差网络方法(ResNet)搭建标准分类网络模 型。
步骤S402：设置标准分类网络模型中的初始训练参数和测试参数。
步骤S403：用分类数据集对标准分类网络模型进行训练，得到能够 识别已知类别的缺陷的图像分类模型。
步骤S404：用新增类别的缺陷对图像分类模型进行训练，得到具备 增量学习功能的图像分类模型。
步骤S405：调整输出的缺陷类别的数量，通过蒸馏损失函数和交叉 熵分类损失函数来更新图像分类模型的参数，添加新的偏置校正结构 (Bias correction)，以提高图像分类模型的增量学习能力。
本实施例采用34层的深度残差网络(ResNet)结构，以两个3＊3的 卷积网络串接在一起作为一个残差网络模块。深度残差网络(ResNet) 在一定程度上解决信息传递中的信息丢失和损耗的问题。深度残差网 络将接收到的图片信息直接传输到输出，保护信息的完整性。
将新增缺陷图像的表示式为：
Xm＝{(xi,yi),1≤i≤M,yi∈[n+1,...,n+m]}。
其中，M代表的是新增缺陷图像数据集中缺陷图像的数量，和分 别表示的是新增缺陷的图像和标签。
定义已知缺陷图像数据集中选择部分示例表示为
其中，Ns代表的是已知缺陷图像的图像数。
定义步骤S404中构建的图像分类模型中全连接层的logits输出 和适应增量学习的图像分类模型的全连接层的logits输出分别表示为 
和
则修改原先分类模型的损失函数为L(θ)＝λLd(θ)+(1-λ)Lc(θ)。
其中，蒸馏损失函数为
其中，交叉熵分类损失函数为
其中，pk(x)代表的是n+m新增缺陷的图像数据集和已知缺陷的图 像数据集中的第k个类别的输出概率。
为了提升增量学习算法模型的准确率，定义增量学习算法模型的 全连接层为W＝(Wknown,Wnew)。
其中，
表示增量学习算法模型在已知缺陷图 像的全连接层的权重，已知缺陷图像总共包含cknown类，其中第cknown类的 权重为
其中，
表示增量学习算法模型在已知缺陷图像 的全连接层的权重，已知缺陷图像总共包含cnew类，其中第cnew类的权重 为
定义参数θ＝Mean(||Wknown||)/Mean(||Wnew||)。
其中，
其中，
其中，||||表示二范数计算，Mean()表示计算均值。
采用，修改后的增量学习算法模型的全连接层W'＝(Wknown,θ*Wnew) 去替换原增量学习算法模型的全连接层W＝(Wknown,Wnew)。
如图6所示，步骤S5：将目标检测网络模型和适应增量学习的图像 分类模型组合，包括：
步骤S501：用目标检测网络模型中的候选框从待检测的图像中选 择包含缺陷的图像。
步骤S502：通过增量学习的方法优化图像分类模型，优化后得到的 图像分类模型能够将已知类别的缺陷和新增类别的缺陷准确分类。
步骤S503：目标检测数据集经过步骤对测试数据集进行处理，制作 分类数据集和步骤基于分类数据集构建适应增量学习的图像分类模型 处理，处理得到第一实验数据处理结果。
步骤S504：将目标检测数据集和第一实验数据处理结果比较，以验 证基于增量学习的电网缺陷检测方法识别缺陷图像的准确度，验证适 应增量学习的图像分类模型的性能。本实施例中，例如新增缺陷样本 为异物缠绕，则实验结果如下表所示。
由实验得，采用增量学习策略后的目标检测缺陷能够识别出新增加 的缺陷图像，相比于未采用增量学习方法(步骤3、步骤4)的目标检 测方法，本发明能够使算法类似与人类一样具有不断学习的能力，大 幅度的提升了在新增样本下的目标缺陷识别准确率。
本实施例提供基于增量学习的电网缺陷检测装置，包括：
制作目标检测数据集模块，用于对采集的图像标注缺陷信息确定 缺陷图像，对缺陷图像进行处理制作出目标检测数据集。
构建目标检测网络模型模块，用于构建目标检测网络模型，且将 目标检测数据集划分为训练数据集与测试数据集。
制作分类数据集模块，用于对测试数据集进行处理，制作分类数 据集。
构建图像分类模型模块，用于基于分类数据集构建适应增量学习 的图像分类模型。
模型组合模块，用于组合目标检测网络模型和适应增量学习的图 像分类模型。
本实施提供一种电子设备，包括：
存储器，用于存储可执行指令。
处理器，用于执行所述存储器中存储的可执行指令时，实现所述 基于增量学习的电网缺陷检测方法。
本实施提供一种计算机可读存储介质，存储有可执行指令，用于 被处理器执行时，实现所述基于增量学习的电网缺陷检测方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领 域的普通计数人员来说，在不脱离本发明计数原理的前提下，还可以 做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (9)
1.基于增量学习的电网缺陷检测方法，其特征在于，包括：
在采集得到的图像当中，在存在缺陷的图像上标注出缺陷信息，以便于从采集得到的图像当中筛选出缺陷图像，对缺陷图像进行处理制作出目标检测数据集；
构建目标检测网络，且将目标检测数据集划分为训练数据集与测试数据集；
对测试数据集进行处理，制作分类数据集；
基于分类数据集构建适应增量学习的图像分类模型；
组合目标检测网络模型和适应增量学习的图像分类模型。
2.根据权利要求1所述基于增量学习的电网缺陷检测方法，其特征在于，所述在采集得到的图像当中，在存在缺陷的图像上标注出缺陷信息，以便于从采集得到的图像当中筛选出缺陷图像，对缺陷图像进行处理制作出目标检测数据集包括：
通过图像采集终端采集真实环境下的待检测的图像；
在待检测的图像上标注出缺陷的位置以及缺陷的类别，被标注了缺陷的位置和缺陷的类别的图像是缺陷图像；
将待检测的图像集划分为训练数据集和测试数据集；
其中，采集到的所有待检测的图像组成待检测的图像集；
对缺陷图像进行处理制作出目标检测数据集，目标检测数据集包含缺陷图像的路径、缺陷的位置和缺陷的类别；
其中，对缺陷图像进行的处理方式是：使用方法就是Python的固定格式读取数据集。
3.根据权利要求1所述基于增量学习的电网缺陷检测方法，其特征在于，所述构建目标检测网络，且将目标检测数据集划分为训练数据集与测试数据集包括：
搭建目标检测网络模型并设置初始训练参数和测试参数；
将目标检测数据集按照7：3的比例随机划分为训练数据集与测试数据集；
目标检测网络模型对训练数据集的数据进行运算得到预测结果；
计算预测结果和目标检测数据集内的缺陷位置、缺陷类别的损失函数；
其中，预测结果包括预测的缺陷位置和预测的缺陷类别；
损失函数通过优化算法更新目标检测网络模型，使得目标检测网络收敛得到最终的目标检测网络模型。
4.根据权利要求1所述基于增量学习的电网缺陷检测方法，其特征在于，所述对测试数据集进行处理，制作分类数据集包括：
测试数据集被输入目标检测网络模型中，目标检测网络模型通过候选框选择缺陷图像；
裁剪候选框选中的缺陷图像得到缺陷图片，将缺陷类别相同的缺陷图片存储在同一个文件夹内；
对多个文件夹的缺陷图片分别进行图像处理，相应的得到多组待训练的分类数据，多组待训练的分类数据组成待训练的分类数据集；
其中，图像处理操作包括图像旋转、图像翻转和图像融合；
其中，对一个文件夹的缺陷图片分别进行图像处理，相应的得到一组待训练的分类数据。
5.根据权利要求1所述基于增量学习的电网缺陷检测方法，其特征在于，所述基于分类数据集构建适应增量学习的图像分类模型包括：
选用深度残差网络方法搭建标准分类网络模型；
设置标准分类网络模型中的初始训练参数和测试参数；
用分类数据集对标准分类网络模型进行训练，得到能够识别已知类别的缺陷的图像分类模型；
用新增类别的缺陷对图像分类模型进行训练，得到具备增量学习功能的图像分类模型；
调整输出的缺陷类别的数量，通过蒸馏损失函数和交叉熵分类损失函数来更新图像分类模型的参数，添加新的偏置校正结构，以提高图像分类模型的增量学习能力。
6.根据权利要求1所述基于增量学习的电网缺陷检测方法，其特征在于，所述组合目标检测网络模型和适应增量学习的图像分类模型包括：
用目标检测网络模型中的候选框从待检测的图像中选择包含缺陷的图像；
通过增量学习的方法优化图像分类模型，优化后得到的图像分类模型能够将已知类别的缺陷和新增类别的缺陷准确分类；
目标检测数据集经过步骤对测试数据集进行处理，制作分类数据集和步骤基于分类数据集构建适应增量学习的图像分类模型处理得到第一实验数据处理结果；
将目标检测数据集和第一实验数据处理结果比较，以验证所述基于增量学习的电网缺陷检测方法识别缺陷图像的准确度。
7.基于增量学习的电网缺陷检测装置，其特征在于，包括：
制作目标检测数据集模块，用于对采集的图像标注缺陷信息确定缺陷图像，对缺陷图像进行处理制作出目标检测数据集；
构建目标检测网络模型模块，用于构建目标检测网络模型，且将目标检测数据集划分为训练数据集与测试数据集；
制作分类数据集模块，用于对测试数据集进行处理，制作分类数据集；
构建图像分类模型模块，用于基于分类数据集构建适应增量学习的图像分类模型；
模型组合模块，用于组合目标检测网络模型和适应增量学习的图像分类模型。
8.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至6任一项所述基于增量学习的电网缺陷检测方法。
9.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至6任一项所述基于增量学习的电网缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111456451.2A CN114359619A (zh) | 2021-12-01 | 2021-12-01 | 基于增量学习的电网缺陷检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111456451.2A CN114359619A (zh) | 2021-12-01 | 2021-12-01 | 基于增量学习的电网缺陷检测方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114359619A true CN114359619A (zh) | 2022-04-15 |
Family
ID=81097747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111456451.2A Pending CN114359619A (zh) | 2021-12-01 | 2021-12-01 | 基于增量学习的电网缺陷检测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359619A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757308A (zh) * | 2022-06-15 | 2022-07-15 | 科大天工智能装备技术（天津）有限公司 | 基于开集缺陷识别的智能电网巡检方法、装置及存储介质 |
| CN114998236A (zh) * | 2022-05-25 | 2022-09-02 | 征图新视(江苏)科技股份有限公司 | 基于目标检测的缺陷提取算法 |
| CN115115552A (zh) * | 2022-08-25 | 2022-09-27 | 腾讯科技（深圳）有限公司 | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
-
2021
- 2021-12-01 CN CN202111456451.2A patent/CN114359619A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998236A (zh) * | 2022-05-25 | 2022-09-02 | 征图新视(江苏)科技股份有限公司 | 基于目标检测的缺陷提取算法 |
| CN114757308A (zh) * | 2022-06-15 | 2022-07-15 | 科大天工智能装备技术（天津）有限公司 | 基于开集缺陷识别的智能电网巡检方法、装置及存储介质 |
| CN115115552A (zh) * | 2022-08-25 | 2022-09-27 | 腾讯科技（深圳）有限公司 | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN114359619A (zh) | 基于增量学习的电网缺陷检测方法、装置、设备和介质 | |
| CN108520229B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
| CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
| CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
| CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
| CN110059539A (zh) | 一种基于图像分割的自然场景文本位置检测方法 | |
| CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 | |
| CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
| CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
| CN113610069A (zh) | 基于知识蒸馏的目标检测模型训练方法 | |
| CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
| CN114445615A (zh) | 基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法 | |
| CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
| CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
| JP2020064364A (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
| CN113327238A (zh) | 一种胃镜图像分类模型构建方法及胃镜图像分类方法 | |
| CN112966762A (zh) | 一种野生动物检测方法、装置、存储介质及电子设备 | |
| CN111091533B (zh) | 一种基于改进ssd算法的电池片el缺陷检测方法 | |
| CN111340093A (zh) | 云状识别的方法和装置 | |
| CN116503398A (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
| CN111027551A (zh) | 图像处理方法、设备和介质 | |
| CN115661117A (zh) | 一种接触网绝缘子可见光图像检测方法 |
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 |