CN114565822A - 一种基于深度学习的高压电网飘挂物检测方法 - Google Patents

一种基于深度学习的高压电网飘挂物检测方法 Download PDF

Info

Publication number
CN114565822A
CN114565822A CN202210103942.7A CN202210103942A CN114565822A CN 114565822 A CN114565822 A CN 114565822A CN 202210103942 A CN202210103942 A CN 202210103942A CN 114565822 A CN114565822 A CN 114565822A
Authority
CN
China
Prior art keywords
power grid
voltage power
feature
hanging object
layer
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
CN202210103942.7A
Other languages
English (en)
Inventor
殷志敏
章旭泳
沈国平
于姜赟
李浩言
戴建华
俞伟勇
寿峰
季世超
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.)
Zhejiang Tailun Electric Power Group Co ltd
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Huzhou Power Supply Co of State Grid Zhejiang 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 Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210103942.7A priority Critical patent/CN114565822A/zh
Publication of CN114565822A publication Critical patent/CN114565822A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本公开揭示了一种基于深度学习的高压电网飘挂物检测方法，包括如下步骤：采集待测高压电网飘挂物标签图像；将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。本公开还提供一种基于深度学习的高压电网飘挂物检测装置，包括：采集单元，用于采集待测高压电网飘挂物标签图像；检测单元，用于将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。

Description

一种基于深度学习的高压电网飘挂物检测方法
技术领域
本公开属于图像处理技术领域，具体涉及一种基于深度学习的高压电网飘挂物检测方法。
背景技术
为了确保电网设备安全稳定运行，对输电线路必须经常进行易漂浮物大排查及清理工作。由于大风可能引发异物搭挂、导线舞动从而造成倒塔断线等设备损伤，需要利用望远镜、无人机等对线路和设备进行详细检查，掌握每条运行线路、检查设备及接点有无悬挂物现象，及时发现隐患。由于高压输电线路存在跨越地区广，线路长等问题，采用人工巡检无法及时排除隐患。随着深度学习的发展，采用基于深度学习的目标检测加无人机智能巡检应运而生，使用无人机拍摄输电线路可以快速完成电网上的信息采集，通过对采集到的图像进行分析可以及时排查出安全隐患。但是通常使用无人机巡检拍照，使用目标检测模型检测电网飘挂物目标存在一些问题，如识别精度较低、召回率低以及检测效率不高的问题。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种基于深度学习的高压电网飘挂物检测方法，该方法能够提高高压电网图像中飘挂物的位置的检测精确度，有效帮助维护人员高效巡检高压电网。
为实现上述目的，本公开提供以下技术方案：
一种基于深度学习的高压电网飘挂物检测方法，包括如下步骤：
S100：采集待测高压电网飘挂物标签图像；
S200：将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
优选的，所述高压电网飘挂物图像识别模型包括：
骨干网，用于对所述待测高压电网飘挂物标签图像进行特征提取和特征融合，以生成特征图；
检测组件，用于对由所述骨干网生成的特征图进行检测。
优选的，所述骨干网包括：
特征提取网络，所述特征提取网络包括第一至第五特征提取层，用于对待测高压电网飘挂物标签图像进行特征提取；
特征融合网络，所述特征融合网络包括第一至第四特征融合层，用于对所提取的待测高压电网飘挂物标签图像的特征进行融合以形成特征图。
优选的，所述检测组件包括：
维度放缩特征融合模块，用于对由所述特征融合网络输出的特征图进行尺度缩减；
检测端注意力模块，用于对由所述维度放缩特征融合模块尺度缩减后的特征图进行特征增强处理；
感兴趣区域池化模块，用于通过插值计算对由所述检测端注意力模块处理后的特征图进行放大获得特征放大图；
非极大值抑制模块，用于对由所述感兴趣区域池化模块输出的相重叠的特征放大图进行合并，以输出预测框。
优选的，所述检测端注意力模块包括依次连接的卷积层、BN层、RULE层、转置卷积层、BN层、转置卷积层以及并行的注意力层。
优选的，所述高压电网飘挂物图像识别模型的训练过程包括以下步骤：
S1000：使用COCO2017数据集对高压电网飘挂物图像识别模型进行预训练；
S2000：将所构建的高压电网飘挂物标签图像数据集划分为训练集和测试集，将训练集输入预训练后的高压电网飘挂物图像识别模型中对模型进行训练，训练完成后，将测试集输入训练后的高压电网飘挂物图像识别模型中对模型进行测试，若测试时模型精确到大于90％且召回率大于90％，测试通过，则获得训练好的高压电网飘挂物图像识别模型。
本公开还提供一种基于深度学习的高压电网飘挂物检测装置，包括：
采集单元，用于采集待测高压电网飘挂物标签图像；
检测单元，用于将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
优选的，所述检测单元包括：
特征提取子单元，用于对所述待测高压电网飘挂物标签图像进行特征提取；
特征融合子单元，用于将由特征提取子单元提取到的图像特征进行融合，以生成特征图。
优选的，所述检测单元还包括：
特征图缩放子单元，用于对由所述特征融合子单元输出的特征图进行尺度缩减；
特征图增强子单元，用于对由所述特征图缩放子单元尺度缩减后的特征图进行特征增强处理；
感兴趣区域池化子单元，用于通过插值计算对由所述特征图增强子单元处理后的特征图进行放大获得特征放大图；
非极大值抑制子单元，用于对由所述感兴趣区域池化子单元输出的相重叠的特征放大图进行合并，以输出预测框。
与现有技术相比，本公开带来的有益效果为：
1、本公开提出的高压电网飘挂物图像检测模型，通过引入使用注意力机制和插值方法检测电网飘挂物可以有效检测出电网上异物信息，提高文本标签检测能力。采用权重交叉熵损失损失，可以使得模型输出特征向量具备更好的训练效果，使用注意力机制可以弥补一般目标检测模型中飘挂物检测能力不足的问题，使在电网中飘挂物的目标位置更加精确，提高检测能力降低电网触网隐患；
2、本公开通过采用ResNet+FPN结构作为骨干网，能够提高高压电网图像中飘挂物的位置的检测精确度，有效帮助维护人员高效巡检高压电网，提高电网系统的安全。
附图说明
图1是本公开一个实施例提供的一种基于深度学习的高压电网飘挂物检测方法流程图；
图2是本公开另一个实施例提供的高压电网飘挂物图像识别模型的结构示意图。
具体实施方式
下面将参照附图1和图2详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，本公开提供一种基于深度学习的高压电网飘挂物检测方法，包括如下步骤：
S100：采集待测高压电网飘挂物标签图像；
S200：将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
另一个实施例中，所述高压电网飘挂物图像识别模型包括：
骨干网，用于对所述待测高压电网飘挂物标签图像进行特征提取和特征融合，以生成特征图；
检测组件，用于对由所述骨干网生成的特征图进行检测。
另一个实施例中，所述骨干网包括：
特征提取网络，所述特征提取网络包括第一至第五特征提取层，用于对待测高压电网飘挂物标签图像进行特征提取；
特征融合网络，所述特征融合网络包括第一至第四特征融合层，用于对所提取的待测高压电网飘挂物标签图像的特征进行融合以形成特征图。
本实施例中，如图2所示，特征提取网络包括依次连接的第一特征提取层C1、第二特征提取层C2、第三特征提取层C3、第四特征提取层C4和第五特征提取层C5，待测高压电网飘挂物标签图像依次经过第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层进行特征提取，每一层均获得高压电网飘挂物图像特征。
特征融合网络包括FPN第一层P2、第二层P3、第三层P4和第四层P5，第五特征提取层C5、第四特征提取层C4的输出特征图融合时使用注意力层后送入FPN第四层处理，第三特征提取层C3、FPN第四层的输出特征图融合使用注意力层后送入FPN第三层处理，第二特征提取层C2、FPN第三层的输出特征图融合使用注意力层后送入FPN第二层处理，第一特征提取层C1、第二FPN层的输出特征图融合使用注意力层后送入FPN第一层处理。
在具体的图像处理过程中，特征提取网络选取ResNet，并使用SKNet注意力层代替原本3×3的卷积进行特征提取，具体的，在FPN结构中，将FPN中每层特征进行上采样扩大尺度后进行融合。其中，FPN输出的特征图是{P2，P3，P4，P5}，将其进行上采样过程为：P2扩大2倍，P3扩大4倍，P4扩大8倍，P5扩大16倍统一尺度后进行拼接融合。
另一个实施例中，所述检测组件包括：
维度放缩特征融合(Conv)模块，用于对由所述特征融合网络输出的特征图进行尺度缩减；
检测端注意力(SKNet)模块，用于对由所述维度放缩特征融合模块尺度缩减后的特征图进行特征增强处理；
感兴趣区域池化(ROIPooling)模块，用于通过插值计算对由所述检测端注意力模块处理后的特征图进行放大获得特征放大图；
非极大值抑制(NMS)模块，用于对由所述感兴趣区域池化模块输出的相重叠的特征放大图进行合并，以输出预测框。
本实施例，特征融合网络输出的特征图被依次送入维度放缩特征融合单元、检测端注意力模块进行处理，其中，维度放缩特征融合模块由特征融合网络输出特征扩大到同一尺度纵轴拼接后进行卷积、批量标准化、最大池化处理后实现尺度缩小成原来的1/4，维度减小到原来的1/4，尺度缩减后的特征图被输入到检测端注意力模块中，然后使用经注意力处理的特征图进行感兴趣区域池化插值生成检测图，最后将检测图送入非极大值抑制模块获取预测结果。
另一个实施例中，所述检测端注意力模块包括依次连接的卷积层、BN层、RULE层、转置卷积层、BN层、转置卷积层以及并行的注意力层。
另一个实施例中，所述高压电网飘挂物图像识别模型的训练过程包括以下步骤：
S1000：使用COCO2017数据集对高压电网飘挂物图像识别模型进行预训练；
该步骤中，通过使用COCO2017数据集对高压电网飘挂物图像识别模型进行预训练，将模型在多次迭代中学习网络参数，能够使得模型具有良好的检测性能。
S2000：将所构建的高压电网飘挂物标签图像数据集划分为训练集和测试集，将训练集输入预训练后的高压电网飘挂物图像识别模型中对模型进行训练，训练完成后，将测试集输入训练后的高压电网飘挂物图像识别模型中对模型进行测试，若测试时模型精确到大于90％且召回率大于90％，测试通过，则获得训练好的高压电网飘挂物图像识别模型。
该步骤中，本实施例使用通用的COCO2017数据集格式来制作高压电网飘挂物图像数据集，首先采用Labelme开源数据集标注工具使用四点标注法来标注高压电网飘挂物图像，然后将标注文件转换成COCO2017数据集格式，所述构建的数据集D中每一张高压电网飘挂物图像对应一个标签文件，最后，将所述数据集D中的高压电网飘挂物图像按照的1∶3比例划分为训练集Dtrain和测试集Dtest。
上述实施例训练得到的高压电网飘挂物图像识别模型与现有图像识别模型的检测结果如表1所示：
表1
Figure BDA0003492593170000081
表1中，采用检测准确率P(Presision，是判断检测指标)、检测召回率R(Recall，是判断漏检的指标)和每秒处理图片数(Frames Per Second，每秒处理图片数记为FPS，是1秒钟处理图片的数量，用于表示模型的计算复杂度，FPS越大代表模型计算复杂度越低)对本公开所述的以及现有的图像识别模型的检测性能进行评估。由表1可见，本公开所述模型的各项指标均由于现有的包括Faster RCNN、YOLOV3和EfficientDet3在内的图像识别模型，说明本公开所述模型对于高压电网飘挂物的检测准确度优于现有模型。
另一个实施例中，本公开还提供一种基于深度学习的高压电网飘挂物检测装置，包括：
采集单元，用于采集待测高压电网飘挂物标签图像；
检测单元，用于将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
另一个实施例中，所述检测单元包括：
特征提取子单元，用于对所述待测高压电网飘挂物标签图像进行特征提取；
特征融合子单元，用于将由特征提取子单元提取到的图像特征进行融合，以生成特征图。
另一个实施例中，所述检测单元还包括：
特征图缩放子单元，用于对由所述特征融合子单元输出的特征图进行尺度缩减；
特征图增强子单元，用于对由所述特征图缩放子单元尺度缩减后的特征图进行特征增强处理；
感兴趣区域池化子单元，用于通过插值计算对由所述特征图增强子单元处理后的特征图进行放大获得特征放大图；
非极大值抑制子单元，用于对由所述感兴趣区域池化子单元输出的相重叠的特征放大图进行合并，以输出预测框。
以上应用了具体实施例对本发明进行了阐述，只是用于帮助理解本公开，并不用于限制本发明。任何熟悉该技术的技术人员在本发明所揭示的技术范围内的局部修改或替换，都应涵盖在本发明的范围之内。

Claims (9)

1.一种基于深度学习的高压电网飘挂物检测方法，包括如下步骤：
S100：采集待测高压电网飘挂物标签图像；
S200：将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
2.根据权利要求1所述的方法，其中，优选的，所述高压电网飘挂物图像识别模型包括：
骨干网，用于对所述待测高压电网飘挂物标签图像进行特征提取和特征融合，以生成特征图；
检测组件，用于对由所述骨干网生成的特征图进行检测。
3.根据权利要求2所述的方法，其中，所述骨干网包括：
特征提取网络，所述特征提取网络包括第一至第五特征提取层，用于对待测高压电网飘挂物标签图像进行特征提取；
特征融合网络，所述特征融合网络包括第一至第四特征融合层，用于对所提取的待测高压电网飘挂物标签图像的特征进行融合以形成特征图。
4.根据权利要求3所述的方法，其中，所述检测组件包括：
维度放缩特征融合模块，用于对由所述特征融合网络输出的特征图进行尺度缩减；
检测端注意力模块，用于对由所述维度放缩特征融合模块尺度缩减后的特征图进行特征增强处理；
感兴趣区域池化模块，用于通过插值计算对由所述检测端注意力模块处理后的特征图进行放大获得特征放大图；
非极大值抑制模块，用于对由所述感兴趣区域池化模块输出的相重叠的特征放大图进行合并，以输出预测框。
5.根据权利要求4所述的方法，其中，所述检测端注意力模块包括依次连接的卷积层、BN层、RULE层、转置卷积层、BN层、转置卷积层以及并行的注意力层。
6.根据权利要求1所述的方法，其中，所述高压电网飘挂物图像识别模型的训练过程包括以下步骤：
S1000：使用COCO2017数据集对高压电网飘挂物图像识别模型进行预训练；
S2000：将所构建的高压电网飘挂物标签图像数据集划分为训练集和测试集，将训练集输入预训练后的高压电网飘挂物图像识别模型中对模型进行训练，训练完成后，将测试集输入训练后的高压电网飘挂物图像识别模型中对模型进行测试，若测试时模型精确到大于90％且召回率大于90％，测试通过，则获得训练好的高压电网飘挂物图像识别模型。
7.一种基于深度学习的高压电网飘挂物检测装置，包括：
采集单元，用于采集待测高压电网飘挂物标签图像；
检测单元，用于将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
8.根据权利要求7所述的装置，其中，所述检测单元包括：
特征提取子单元，用于对所述待测高压电网飘挂物标签图像进行特征提取；
特征融合子单元，用于将由特征提取子单元提取到的图像特征进行融合，以生成特征图。
9.根据权利要求8所述的装置，其中，所述检测单元还包括：
特征图缩放子单元，用于对由所述特征融合子单元输出的特征图进行尺度缩减；
特征图增强子单元，用于对由所述特征图缩放子单元尺度缩减后的特征图进行特征增强处理；
感兴趣区域池化子单元，用于通过插值计算对由所述特征图增强子单元处理后的特征图进行放大获得特征放大图；
非极大值抑制子单元，用于对由所述感兴趣区域池化子单元输出的相重叠的特征放大图进行合并，以输出预测框。
CN202210103942.7A 2022-01-27 2022-01-27 一种基于深度学习的高压电网飘挂物检测方法 Pending CN114565822A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210103942.7A CN114565822A (zh) 2022-01-27 2022-01-27 一种基于深度学习的高压电网飘挂物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210103942.7A CN114565822A (zh) 2022-01-27 2022-01-27 一种基于深度学习的高压电网飘挂物检测方法

Publications (1)

Publication Number Publication Date
CN114565822A true CN114565822A (zh) 2022-05-31

Family

ID=81713921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210103942.7A Pending CN114565822A (zh) 2022-01-27 2022-01-27 一种基于深度学习的高压电网飘挂物检测方法

Country Status (1)

Country Link
CN (1) CN114565822A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311584A (zh) * 2022-08-15 2022-11-08 贵州电网有限责任公司 一种基于深度学习的无人机高压电网视频巡检飘挂物方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858451A (zh) * 2019-02-14 2019-06-07 清华大学深圳研究生院 一种非配合手部检测方法
CN111178213A (zh) * 2019-12-23 2020-05-19 大连理工大学 一种基于深度学习的航拍车辆检测方法
CN111539428A (zh) * 2020-05-06 2020-08-14 中国科学院自动化研究所 基于多尺度特征整合和注意力机制的旋转目标检测方法
CN111582072A (zh) * 2020-04-23 2020-08-25 浙江大学 结合ResNet50+FPN+DCN的变电站图片鸟巢检测方法
CN112164038A (zh) * 2020-09-16 2021-01-01 上海电力大学 一种基于深度卷积神经网络的光伏热斑检测方法
CN112200161A (zh) * 2020-12-03 2021-01-08 北京电信易通信息技术股份有限公司 一种基于混合注意力机制的人脸识别检测方法
CN113486865A (zh) * 2021-09-03 2021-10-08 国网江西省电力有限公司电力科学研究院 一种基于深度学习的输电线路悬挂异物目标检测方法
US20210357640A1 (en) * 2018-10-12 2021-11-18 Nokia Technologies Oy Method, apparatus and computer readable media for object detection
CN113674247A (zh) * 2021-08-23 2021-11-19 河北工业大学 一种基于卷积神经网络的x射线焊缝缺陷检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210357640A1 (en) * 2018-10-12 2021-11-18 Nokia Technologies Oy Method, apparatus and computer readable media for object detection
CN109858451A (zh) * 2019-02-14 2019-06-07 清华大学深圳研究生院 一种非配合手部检测方法
CN111178213A (zh) * 2019-12-23 2020-05-19 大连理工大学 一种基于深度学习的航拍车辆检测方法
CN111582072A (zh) * 2020-04-23 2020-08-25 浙江大学 结合ResNet50+FPN+DCN的变电站图片鸟巢检测方法
CN111539428A (zh) * 2020-05-06 2020-08-14 中国科学院自动化研究所 基于多尺度特征整合和注意力机制的旋转目标检测方法
CN112164038A (zh) * 2020-09-16 2021-01-01 上海电力大学 一种基于深度卷积神经网络的光伏热斑检测方法
CN112200161A (zh) * 2020-12-03 2021-01-08 北京电信易通信息技术股份有限公司 一种基于混合注意力机制的人脸识别检测方法
CN113674247A (zh) * 2021-08-23 2021-11-19 河北工业大学 一种基于卷积神经网络的x射线焊缝缺陷检测方法
CN113486865A (zh) * 2021-09-03 2021-10-08 国网江西省电力有限公司电力科学研究院 一种基于深度学习的输电线路悬挂异物目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAIYOU SONG等: "Multi-Scale Attention Deep Neural Network for Fast Accurate Object Detection", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》, vol. 29, no. 10, 11 October 2018 (2018-10-11), pages 2972 - 2985, XP011748705, DOI: 10.1109/TCSVT.2018.2875449 *
成喆: "基于特征金字塔注意力的遥感影像目标检测算法研究", 《中国优秀硕士学位论文全文数据库：工程科技Ⅱ辑》, no. 2022, 15 January 2022 (2022-01-15), pages 028 - 140 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311584A (zh) * 2022-08-15 2022-11-08 贵州电网有限责任公司 一种基于深度学习的无人机高压电网视频巡检飘挂物方法

Similar Documents

Publication Publication Date Title
Ale et al. Road damage detection using RetinaNet
CN116256586B (zh) 电力设备过热检测方法、装置、电子设备与存储介质
CN112418155B (zh) 一种检测地铁车侧巡检图像上工件的位置和类型的方法
CN112200178A (zh) 基于人工智能的变电站绝缘子红外图像检测方法
CN105654461A (zh) 一种多分裂导线间隔棒断裂的机器视觉检测方法
CN111008576A (zh) 行人检测及其模型训练、更新方法、设备及可读存储介质
CN114565822A (zh) 一种基于深度学习的高压电网飘挂物检测方法
CN115239646A (zh) 输电线路的缺陷检测方法、装置、电子设备及存储介质
CN115356397A (zh) 基于声音信号的钢管混凝土结构脱空缺陷诊断方法及装置
CN115311584A (zh) 一种基于深度学习的无人机高压电网视频巡检飘挂物方法
CN116434051A (zh) 一种输电线路异物检测方法、系统及存储介质
CN113506290A (zh) 一种线路绝缘子缺陷检测方法及装置
CN115953408A (zh) 一种基于YOLOv7的避雷器表面缺陷检测方法
CN115546664A (zh) 一种基于级联网络的绝缘子自爆检测方法及系统
CN113012107B (zh) 电网缺陷检测方法及系统
CN110991414A (zh) 一种交通要素高精度分割方法、电子设备及存储介质
CN117849193A (zh) 钕铁硼烧结的裂纹损伤在线监测方法
CN116596895B (zh) 一种变电设备图像缺陷识别方法及系统
CN117079026A (zh) 一种基于改进YOLOv3网络的无人机电力巡检隐患识别方法
CN113034359A (zh) 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质
CN115063739B (zh) 异常行为的检测方法、装置、设备及计算机存储介质
CN113378918B (zh) 一种基于度量学习的绝缘子绑扎线状态检测方法
CN115100485A (zh) 一种基于电力巡检机器人的仪表异常状态识别方法
CN112508905A (zh) 一种金具锈蚀图像检测方法和计算机可读存储介质
CN112419316A (zh) 一种跨设备可见光纹理缺陷检测方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230602

Address after: 313000 No.777, Fenghuang Road, Wuxing District, Huzhou City, Zhejiang Province

Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Huzhou Power Supply Co.

Applicant after: ZHEJIANG TAILUN ELECTRIC POWER GROUP CO.,LTD.

Address before: 313000 No.777, Fenghuang Road, Wuxing District, Huzhou City, Zhejiang Province

Applicant before: State Grid Zhejiang Electric Power Co., Ltd. Huzhou Power Supply Co.