CN114445615A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114445615A CN114445615A CN202111569713.6A CN202111569713A CN114445615A CN 114445615 A CN114445615 A CN 114445615A CN 202111569713 A CN202111569713 A CN 202111569713A CN 114445615 A CN114445615 A CN 114445615A
- Authority
- CN
- China
- Prior art keywords
- image
- scale
- clustering
- target
- insulator
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种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,使用超分辨率重建提升图像质量,有效解决小尺度目标特征信息不足的问题;针对绝缘子尺度特点,使用K‑means++进行聚类处理,改进先验框参数设置;选用ResNet50主干网络,并经过尺度不变金字塔结构处理,有效提高对绝缘子目标的检测精度。
Description
技术领域
本发明涉及一种目标检测技术,特别涉及一种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。
背景技术
绝缘子是输变电线路的重要组成部分,也为输电设备提供保护。绝缘子的失效和损坏将直接威胁到输电线路的稳定性和安全性。大多数绝缘子暴露在野外恶劣的气候条件下,容易出现裂纹、污垢、破损或雷击等安全隐患。据不完全统计,因绝缘子缺陷或故障引起的线路跳闸等事故。雷击占电力系统故障的最高百分比。传统的巡检技术较为落后,主要依靠人工巡检的方式,存在耗时长,故障识别率低等问题,尤其是在复杂环境(如光照不均、建筑物等背景影响、其他电力设备遮挡、天气恶劣等)下检测设备,人工巡检弊端更为凸显,若不能及时处理故障,将会给设备正常运转造成严重影响。
近年来,随着无人机航拍的高速发展,其高效、准确、安全等特点受到许多行业青睐,目前,采用无人机航拍已成为输电线路巡检的重要手段。平台上内置的摄像头用于获取大量检测图像,其中包括在用的绝缘子目标信息。将深度学习中的目标检测技术应用于输电线路巡检,可以有效减少人工识别的工作量,减少工作人员检测时的危险性,提高检测效率,避免漏检和误判。
虽然目前主流的目标检测算法如YOLOv3和Faster RCNN都具有较好的检测性能,但它们均采用水平框检测方式,而绝缘子目标一般具有倾斜角度,使用水平框检测方法会产生较多的背景信息,使网络无法精准学习到目标的信息,并对网络运行过程中的非极大抑制造成影响,导致网络出现过拟合现象。并且由于检测距离的不同,绝缘子目标在图像中的尺度变化很大,针对这种问题通常使用特征金字塔结构来处理,但是传统的特征金字塔结构忽视了不同尺度特征图融合时会出现混淆现象,产生多余的计算量,因此如何处理特征金字塔结构尺度归一化问题并准确地检测输电线路中的绝缘子是当前研究的热点。
发明内容
针对图像中绝缘子精确检测问题,提出了一种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,有效改善特征金字塔结构中出现特征融合缺陷的问题,并通过对数据集进行超分辨率生成和K-means++处理以提升检测精度。
本发明的技术方案为:一种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,具体包括如下步骤:
1)构建绝缘子图像数据集:通过无人机航拍绝缘子图像,筛选出清晰度较高的图像,并统一处理为同等分辨率大小;使用软件对数据集进行标注,采用旋转框标注形式,并保存图像中目标的位置信息和角度信息;
2)对图像数据集中的每副图像数据使用超分辨率生成网络处理进行处理,生成高质量图像数据集,处理后图像突出目标物体信息;
3)采用K-means++聚类算法对步骤2)处理后图像数据集进行聚类处理,生成具有旋转绝缘子特点的聚类中心参数,用作后续目标检测模型的先验框的超参数设置;
4)将步骤2)处理后的图像数据库输入ResNet50主干网络,进行特征识别,获得的特征图送入尺度不变金字塔结构处理,获得网络预测模型结果与图像真实框进行损失函数计算,完成一轮次的训练,完成训练后获得网络预测模型用于对图像进行绝缘子目标位置识别。
进一步,所述步骤2)具体方法如下:采用SRCNN对图像进行超分辨重建:首先提取图像特征,通过一组滤波器对图像进行卷积,表示为:
F1(Y)=max(0,W1×Y+B1)
其中W1和B1分别代表滤波器和偏置值,其中W1的大小为c×f1×f1×n1,c为输入图像中的通道数,f1为滤波器大小,n1为滤波器的数量;
然后、非线性映射:通过卷积操作将n1维向量映射为n2维向量,计算表示为:
F2(Y)=max(0,W2×F1(Y)+B2)
其中W2的大小为n1×1×1×n2,B2为n2维向量;
最后、重构图像:通过反卷积操作将n2维度的向量还原为超分辨率图像。
进一步,所述步骤3)采用K-means++聚类算法对步骤2)处理后图像数据集进行聚类处理的方法:
A:从数据集中随机选择一个目标真实框样本作为初始的聚类中心c1;
B:计算数据集中每个真实框样本与初始聚类中心之间的最短距离,并计算每个样本被选为下一个聚类中心的概率,再根据轮盘法选择出下一个聚类中心;
C:重复B步骤直至选出自定义的K个聚类中心;
D:计算数据集中每个真实框样本到K个聚类中心的距离,并将该样本分到距离最近的聚类中心所对应的类中;
E:重新计算每个类别的聚类中心并重复步骤D直到聚类中心目标框大小不变,最终得到9个聚类中心用作先验框的初始参数。
进一步,所述尺度不变金字塔结构处理:使用一种跨越尺度和空间维度的三维卷积PConv,通过使用不同步长的卷积核对对应层、高层和低层特征图经常处理后结果相加,实现可形变卷积将特征金字塔的各层次特征均衡化,使得PConv可从特征金字塔提取尺度不变特征;PConv在底层特征图的卷积核固定大小,使用可变形卷积预测卷积核在共享核尺度上的偏移量,并在FPN的高层特征图通过偏移量进行均衡,保持特征金字塔结构的尺度不变性,缓解模糊效应。
本发明的有益效果在于:本发明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,使用超分辨率重建提升图像质量,有效解决小尺度目标特征信息不足的问题;针对绝缘子尺度特点,使用K-means++进行聚类处理,改进先验框参数设置;有效提高对绝缘子目标的检测精度。
附图说明
图1为本发明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流程图;
图2为本发明方法中SRCNN结构图;
图3为本发明方法中PConv结构图;
图4为本发明方法中尺度不变特征金字塔结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种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,如图1所示,包括以下部分:
1、构建绝缘子图像数据集:通过无人机航拍绝缘子图像,筛选出清晰度较高的图像,并统一处理为同等分辨率大小;使用RoLabelImg软件对数据集进行标注,采用旋转框标注形式,以VOC格式保存图像中目标的位置信息和角度信息;
2、对图像数据集中的每副图像数据使用超分辨率生成网络处理进行处理,生成高质量图像数据集,处理后图像突出目标物体信息,提升对小目标的检测精度。
针对小目标像素点较少和绝缘子图像背景清晰度不足的问题,采用SRCNN对原始图像进行超分辨重建,提高图像的清晰度。SRCNN算法由三部分组成,其结构如图2,首先提取图像特征,通过一组滤波器对图像进行卷积,在形式上第一步操作F1可表示为:
F1(Y)=max(0,W1×Y+B1)
其中W1和B1分别代表滤波器和偏置值。其中W1的大小为c×f1×f1×n1,c为输入图像中的通道数,f1为滤波器大小,n1为滤波器的数量。
第二步非线性映射,通过卷积操作将n1维向量映射为n2维向量,其计算可表示为:
F2(Y)=max(0,W2×F1(Y)+B2)
其中W2的大小为n1×1×1×n2,B2为n2维向量。
第三步重构图像,通过反卷积操作将n2维度的向量还原为超分辨率图像。
其计算可表示为:
F(Y)=W3×F2(Y)+B3
其中W3的大小为n2×f3×f3×c,B3是c维向量。
3、针对绝缘子目标的尺度特点,采用K-means++聚类算法对步骤2处理后数据集进行聚类处理,针对本文数据集生成具有旋转绝缘子特点的聚类中心参数,用作后续目标检测模型的先验框的超参数设置,进而减少网络训练过程中的收敛时间以及提升预测框的准确度。
对绝缘子图像数据集进行K-means++处理,步骤如下:
1)从数据集中随机选择一个目标真实框样本作为初始的聚类中心c1。
2)计算数据集中每个真实框样本与初始聚类中心之间的最短距离,并计算每个样本被选为下一个聚类中心的概率,再根据轮盘法选择出下一个聚类中心。
3)重复2)步骤直至选出K个聚类中心,K值自定,不宜过大。
4)计算数据集中每个真实框样本到K个聚类中心的距离,并将该样本分到距离最近的聚类中心所对应的类中。
5)重新计算每个类别的聚类中心并重复4步骤直到聚类中心目标框大小不变,最终得到9个聚类中心用作先验框的初始参数。
4、将增强后的图像输入ResNet50主干网络,并经过尺度不变金字塔结构处理。
在训练阶段,图像经过ResNet50主干网络处理。图像以416×416大小输入ResNet50网络,网络主要包括4个部分,每个部分分别由数个Res Block组成,不同部分间使用Conv Block进行连接。Res Block由残差结构组成,通过将输入特征层直接与卷积处理后的特征层进行维度相加,实现浅层对底层特征的映射。Conv Block由两条支路组成,第一条支路包括三个卷积层,第二条支路包括一个卷积层,最后将两条支路的输出结果相加,以改变特征图维度。图像经ResNet50处理后得到四个不同的特征图,大小分别为13×13,26×26,52×52,104×104,将四个特征图输入尺度不变金字塔结构。
尺度不变特征金字塔使用一种跨越尺度和空间维度的三维卷积PConv,并利用可形变卷积将特征金字塔的各层次特征进行均衡化,使得PConv可从特征金字塔提取尺度不变特征。PConv的原理图如图3所示,通过在不同尺寸的特征图上进行不同步长的卷积操作,以解决由于特征金字塔尺度变换所导致的特征信息大小不匹配问题。对第一、二、三层特征图分别使用步长为2、1、0.5的卷积核进行处理,然后将三层结果相加,对第二、三、四层特征图分别使用步长为2、1、0.5的卷积核进行处理,然后将三层结果相加,得到处理后的特征层,融合跨层特征信息,计算公式如下:
为了缓解特征金字塔中多层卷积与非线性操作所导致的模糊效应,借鉴可变性卷积的思想,使用可变形卷积预测卷积核在共享核尺度上的偏移量,并在FPN(利用常规CNN模型来高效提取图片中各维度特征的方法)的高层特征图通过偏移量进行均衡。整体结构如图4所示,PConv在底层(一层)特征图的卷积核固定为3×3大小,PConv在高层(二、三、四层)特征图上使用可变形卷积,既保持特征金字塔结构的尺度不变性,又缓解了模糊效应,提升检测精度。
将特征金字塔结构输出的特征图分别划分为N×N个单元格,每个单元格输出四个预测框,每个预测框包括五个值:tl、ts、(tw,th)、σ(t0)、θ,其中tl、ts为先验框长边和短边的长度,(tw,th)为先验框中心点坐标,σ(t0)为预测框的置信度,θ为旋转角度。
预测框的置信度计算公式如下:
Pr(object)*IOU(b,object)=σ(t0)
式中σ(t0)为边界框置信度,Pr(object)为单元格中包含物体的概率值,若待检目标的中点落在单元格内,则Pr(object)为1,否则为0,IOU(b,object)为模型输出的预测框与真实框的交并比。通过NMS(非极大抑制)筛选掉与目标真实框重复度大于0.5的框,最终得到被检目标的位置与种类信息。
通过将网络的预测结果与真实框进行损失函数计算,完成每轮次的训练过程。
损失函数计算可表示为:Loss=Lossxy+Losswh+Lossconf+Lossclass+Lossθ
其中Lossxy和Losswh为边框损失,Lossconf为置信度损失,Lossclass为分类损失,Lossθ为角度分类损失。
5、获得训练后绝缘子目标检测模型,将待检测的绝缘子图像数据输入模型,通过解码得到模型输出的预测值,获得图像中目标位置。解码计算过程如下:
tx=(x-xa)/wa;ty=(y-ya)/ha
tw=log(w/wa);th=log(h/ha)
tθ=(θ-θa)·π/180
t'x=(x'-xa)/wa;t'y=(y'-ya)/ha
t'w=log(w'/wa);th=log(h'/ha)
t'θ=(θ'-θa)·π/180
其中x,y,w,h,θ真实框的中心点坐标,宽高以及角度值,xa,ya,wa,ha,θa分别为候选框的中心点坐标,宽高以及角度值,x',y',w',h',θ'为预测框的中心点坐标,宽高以及角度值,tx,ty,tw,th,tθ分别为真实框的解码值,t′x,t′y,t′w,t′h,t′θ分别为预测框的解码值。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种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,其特征在于,具体包括如下步骤:
1)构建绝缘子图像数据集:通过无人机航拍绝缘子图像,筛选出清晰度较高的图像,并统一处理为同等分辨率大小;使用软件对数据集进行标注,采用旋转框标注形式,并保存图像中目标的位置信息和角度信息;
2)对图像数据集中的每副图像数据使用超分辨率生成网络处理进行处理,生成高质量图像数据集,处理后图像突出目标物体信息;
3)采用K-means++聚类算法对步骤2)处理后图像数据集进行聚类处理,生成具有旋转绝缘子特点的聚类中心参数,用作后续目标检测模型的先验框的超参数设置;
4)将步骤2)处理后的图像数据库输入ResNet50主干网络,进行特征识别,获得的特征图送入尺度不变金字塔结构处理,获得网络预测模型结果与图像真实框进行损失函数计算,完成一轮次的训练,完成训练后获得网络预测模型用于对图像进行绝缘子目标位置识别。
2.根据权利要求1所述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,其特征在于,所述步骤2)具体方法如下:采用SRCNN对图像进行超分辨重建:首先提取图像特征,通过一组滤波器对图像进行卷积,表示为:
F1(Y)=max(0,W1×Y+B1)
其中W1和B1分别代表滤波器和偏置值,其中W1的大小为c×f1×f1×n1,c为输入图像中的通道数,f1为滤波器大小,n1为滤波器的数量;
然后、非线性映射:通过卷积操作将n1维向量映射为n2维向量,计算表示为:F2(Y)=max(0,W2×F1(Y)+B2)
其中W2的大小为n1×1×1×n2,B2为n2维向量;
最后、重构图像:通过反卷积操作将n2维度的向量还原为超分辨率图像。
3.根据权利要求1所述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,其特征在于,所述步骤3)采用K-means++聚类算法对步骤2)处理后图像数据集进行聚类处理的方法:
A:从数据集中随机选择一个目标真实框样本作为初始的聚类中心c1;
B:计算数据集中每个真实框样本与初始聚类中心之间的最短距离,并计算每个样本被选为下一个聚类中心的概率,再根据轮盘法选择出下一个聚类中心;
C:重复B步骤直至选出自定义的K个聚类中心;
D:计算数据集中每个真实框样本到K个聚类中心的距离,并将该样本分到距离最近的聚类中心所对应的类中;
E:重新计算每个类别的聚类中心并重复步骤D直到聚类中心目标框大小不变,最终得到9个聚类中心用作先验框的初始参数。
4.根据权利要求1所述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,其特征在于,所述尺度不变金字塔结构处理:使用一种跨越尺度和空间维度的三维卷积PConv,通过使用不同步长的卷积核对对应层、高层和低层特征图经常处理后结果相加,实现可形变卷积将特征金字塔的各层次特征均衡化,使得PConv可从特征金字塔提取尺度不变特征;PConv在底层特征图的卷积核固定大小,使用可变形卷积预测卷积核在共享核尺度上的偏移量,并在FPN的高层特征图通过偏移量进行均衡,保持特征金字塔结构的尺度不变性,缓解模糊效应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569713.6A CN114445615A (zh) | 2021-12-21 | 2021-12-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569713.6A CN114445615A (zh) | 2021-12-21 | 2021-12-21 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445615A true CN114445615A (zh) | 2022-05-06 |
Family
ID=81363590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111569713.6A Pending CN114445615A (zh) | 2021-12-21 | 2021-12-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445615A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898089A (zh) * | 2022-05-18 | 2022-08-12 | 中国矿业大学(北京) | 一种融合高分影像和poi数据的功能区提取与分类方法 |
CN117152221A (zh) * | 2023-10-26 | 2023-12-01 | 山东科技大学 | 一种图像非刚性配准方法、系统、设备和存储介质 |
-
2021
- 2021-12-21 CN CN202111569713.6A patent/CN114445615A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898089A (zh) * | 2022-05-18 | 2022-08-12 | 中国矿业大学(北京) | 一种融合高分影像和poi数据的功能区提取与分类方法 |
CN114898089B (zh) * | 2022-05-18 | 2022-10-25 | 中国矿业大学(北京) | 一种融合高分影像和poi数据的功能区提取与分类方法 |
CN117152221A (zh) * | 2023-10-26 | 2023-12-01 | 山东科技大学 | 一种图像非刚性配准方法、系统、设备和存储介质 |
CN117152221B (zh) * | 2023-10-26 | 2024-01-16 | 山东科技大学 | 一种图像非刚性配准方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI762860B (zh) | 目標檢測及目標檢測網路的訓練方法、裝置、設備及儲存媒體 | |
CN109740665B (zh) | 基于专家知识约束的遮挡图像船只目标检测方法及系统 | |
CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN111047554A (zh) | 一种基于实例分割的复合绝缘子过热缺陷检测方法 | |
CN111914795A (zh) | 一种航拍图像中旋转目标检测方法 | |
CN111914720B (zh) | 一种输电线路绝缘子爆裂识别方法及装置 | |
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 | |
CN114266891A (zh) | 基于图像与激光数据融合的铁路运行环境异常辨识方法 | |
CN112837315A (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN111079739A (zh) | 一种多尺度注意力特征检测方法 | |
CN103353941B (zh) | 基于视角分类的自然标志物注册方法 | |
CN113505726A (zh) | 一种地图中的光伏组串识别与定位方法 | |
CN112750125A (zh) | 一种基于端到端关键点检测的玻璃绝缘子片定位方法 | |
CN110084743A (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
Ji et al. | An evaluation of conventional and deep learning‐based image‐matching methods on diverse datasets | |
CN116128820A (zh) | 一种基于改进yolo模型的销钉状态的识别方法 | |
CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
CN114677357A (zh) | 航拍绝缘子自爆缺陷的检测模型、方法、设备及存储介质 | |
CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
CN114119987A (zh) | 基于卷积神经网络的特征提取和描述子生成方法及系统 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN117576461A (zh) | 一种用于变电站场景的语义理解方法、介质及系统 |
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 |