CN115049678A - 基于夜间紫外成像技术的输电线电晕放电图像分割方法 - Google Patents
基于夜间紫外成像技术的输电线电晕放电图像分割方法 Download PDFInfo
- Publication number
- CN115049678A CN115049678A CN202210985708.1A CN202210985708A CN115049678A CN 115049678 A CN115049678 A CN 115049678A CN 202210985708 A CN202210985708 A CN 202210985708A CN 115049678 A CN115049678 A CN 115049678A
- Authority
- CN
- China
- Prior art keywords
- image
- ultraviolet
- corona discharge
- segmentation
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 title claims abstract description 21
- 238000003384 imaging method Methods 0.000 title claims abstract description 15
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000003709 image segmentation Methods 0.000 title claims description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims description 35
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 10
- 238000012805 post-processing Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像目标检测技术领域，具体涉及一种基于夜间紫外成像技术的输电线电晕放电图像分割方法，通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值。本发明利用改进Otsu算法对Deeplabv3+语义分割结果进行后处理，从而提高放电目标区域的分割精度。
Description
技术领域
本发明属于图像目标检测技术领域，具体涉及一种基于夜间紫外成像技术的输电线电晕放电图像分割方法。
背景技术
电晕放电会产生可听噪音和电磁干扰，造成电能损耗，甚至对输电线路的安全运行构成严重威胁。因此，对电晕放电进行有效的检测成为必要。目前，针对电晕放电的检测方法主要有红外热像、超高频、超声波和紫外放电检测等。红外热像根据放电引起的温升变化来进行检测，灵敏度不高，易受环境温度、风速等因素的干扰，且检测及时性不足；超高频法受限于现在的工艺水平，还不能很好的投入生产实际；脉冲电流法属于接触式检测，且易受无线电干扰，会很大程度影响检测精度；超声波检测通过接收放电时发出的声波定位放电点，再根据幅值来判断放电情况，检测精度低，易被其他放电干扰。紫外成像检测技术基于其直观方便、快速准确、抗干扰能力强以及全天候使用等优势，已经成为高压电晕放电的主要检测手段。
目前对于紫外图像中电晕放电检测的研究还在探索中，仍有许多问题亟待解决，譬如图像分割，特征量分析，缺陷诊断等关键性问题。其中放电区域图像准确分割是关键环节，分割准确性直接影响放电强度量化及诊断准确性。
目前对紫外成像放电目标区域的分割提取，都是基于电晕放电区域光斑非常清晰，与背景对比度明显的情况。此外，以上这些方法都是基于日盲型紫外成像仪拍摄的成像效果较好的放电图像，并不适用于夜间型紫外成像仪拍摄的图像。夜间型紫外成像仪拍摄的紫外图像效果受环境影响和设备限制，其光斑区域与背景对比度不明显，因而识别分割效果并不理想。
Deeplab系列语义分割算法结合了深度卷积神经网络与条件随机场，使得语义分割结果更加准确。例如CN110346699A公开了基于紫外图像处理技术的绝缘子放电信息提取方法及，采用了Deeplabv2网络。
Otsu算法是一种自适应阈值分割算法，也称为最大类间方差阈值分割法，其通过计算图像的最大类间方差来分离背景与目标，当背景部分与目标部分的方差达到最大时，其分割效果最佳。
发明内容
为了实现夜间输电线电晕放电的精确分割，本发明提供了基于夜间紫外成像技术的输电线电晕放电图像分割方法，引入Deeplabv3+深度学习语义分割模型对紫外图像放电区域整体进行类别分割，结合改进Otsu算法对语义分割结果进行后处理，从而实现对电晕放电区域的精确分割。
本发明采用的技术方案是：基于夜间紫外成像技术的输电线电晕放电图像分割方法，通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值。
进一步优选，所述Deeplabv3+网络包括编码器、解码器两部分，选取ResNet50网络作为Deeplabv3+网络的特征提取主干网络，在编码过程中，首先通过ResNet50网络对输入的紫外巡检图像进行特征提取，并由ResNet50网络末端的空洞卷积空间金字塔模块接收提取的特征图作为输入，再经过具有多个不同采样率的空洞卷积捕获电晕放电的特征信息，最后得到放电紫外图像的高层次特征经通道拼接后卷积得到高层次特征图像，并将高层次特征图像输入到解码器中进行处理；在解码过程中，首先将编码器提取到的高层次特征图像进行上采样操作，然后经通道拼接和卷积层处理，将高层特征图与编码过程中的浅层特征相结合，最后再次将结合后的特征进行上采样处理，还原成与输入时同等尺寸图像，从而完成电晕放电分割，输出分割后的紫外巡检图像。
进一步优选，构建紫外巡检图像数据集，并分为训练部分和测试部分，对Deeplabv3+网络进行训练。
进一步优选，所述改进Otsu算法分割原理为：假设图像像素点总数为N，将其灰度分为m个等级，x i 表示图像的灰度级为i时的像素点数量，则灰度级i出现的概率为：p i =x i /N；引入初始阈值t，根据灰度级是否大于t可将图像的像素点分成目标M 0和背景M 1两类，灰度级为1～t的像素点属于目标M 0，灰度级为t+1～m的像素点属于背景M 1；P 0(t)、P 1(t)分别表示目标M 0和背景M 1出现的概率；Q 0(t)、Q 1(t)分别表示目标M 0和背景M 1的平均灰度级，则有：
类间方差定义为：
令t从1-m变化，当类间方差
达到最大时，t为所求的最佳阈值，记作t best ，Otsu
算法的最佳阈值等于最佳阈值时目标M 0的平均灰度级Q 0(t best )和最佳阈值时背景M 1的平均
灰度级的平均值Q 1(t best )，即：
改进Otsu算法类间方差定义为：
其中ω为权重，其值范围为[0,1]；令ω=P 0(t)，当图像中光斑比较多，P 0(t)值较大，赋予放电目标区域方差的权重ω较大，反之，ω较小，从而实现对放电目标区域方差自适应加权。
进一步优选，所述ResNet50网络由4个卷积残差块和12个恒等残差块组成，结构依次为：第1个卷积残差块后接2个恒等残差块，第2个卷积残差块后接3个恒等残差块，第3个卷积残差块后接5个恒等残差块，第4个卷积残差块后接2个恒等残差块。
本发明的有益效果：基于Deeplabv3+语义分割方法的引入，有效解决了图像中放电区域与背景区域对比度不明显导致难以分割的问题，在输电线电晕放电检测中，夜间型紫外成像仪拍摄的图像，其电火花形态的光斑区域与电力设备区别明显，由于其放电区域形态与背景区别明显，通过Deeplabv3+可以将放电区域大致分割出来；改进Otsu算法的加入会调整放电图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值，此时利用改进Otsu算法对Deeplabv3+语义分割结果进行后处理，从而提高放电目标区域的分割精度。
附图说明
图1为Deeplabv3+网络结构图。
图2 为Deeplabv3+训练损失函数曲线。
图3为 Deeplabv3+测试集分割精度。
具体实施方式
下面结合附图进一步详细阐明本发明。
基于夜间紫外成像技术的输电线电晕放电图像分割方法，通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值，从而提高放电目标区域的分割精度。紫外巡检图像在经过语义分割处理后，其电晕放电区域的灰度值与背景的灰度值对比明显，从而便于阈值分割算法从语义分割结果中精确分割出放电区域；根据语义分割后紫外巡检图像特点，本发明采用改进Otsu算法对分割后的紫外巡检图像分别进行阈值分割。
本实施例中，Deeplabv3+网络包括编码器、解码器两部分，如图1所示，选取ResNet50网络作为Deeplabv3+网络的特征提取主干网络，ResNet50网络用于克服Deeplabv3+网络加深导致的学习效率低、无法有效提高准确率的问题。ResNet50网络主要由4个卷积残差块（Conv-block）和12个恒等残差块（Identity-block）组成，结构依次为：第1个卷积残差块后接2个恒等残差块，第2个卷积残差块后接3个恒等残差块，第3个卷积残差块后接5个恒等残差块，第4个卷积残差块后接2个恒等残差块。其中卷积残差块用来调整输入图像的尺寸和通道数，恒等残差块用以串联网络及增加网络层数。在编码过程中，首先通过ResNet50网络对输入的紫外巡检图像进行特征提取，并由ResNet50网络末端的空洞卷积空间金字塔模块（Atrous Spatial Pyramid Pooling, ASPP）接收提取的特征图作为输入，再经过具有多个不同采样率的空洞卷积捕获电晕放电的特征信息，多个不同采样率的空洞卷积包括1×1卷积、卷积核r=6的3×3卷积、卷积核r=12的3×3卷积、卷积核r=18的3×3卷积和全局池化，最后得到放电紫外图像的高层次特征经通道拼接后1×1卷积得到高层次特征图像，并将高层次特征图像输入到解码器中进行处理。在解码过程中，首先将编码器提取到的高层次特征图像进行4倍上采样操作，然后经通道拼接和3×3卷积层处理，将高层特征图与编码过程中的浅层特征相结合，最后再次将结合后的特征进行4倍上采样处理，还原成与输入时同等尺寸图像，从而完成电晕放电分割，输出分割后的紫外巡检图像。
本实施例中，紫外巡检图像是某网省公司利用FiLin-6夜间型紫外成像仪进行输电线电晕放电检测时保留的巡检图像资料。对获取的紫外巡检图像进行逐个处理，处理后的图像大小统一缩放为 640*368，并剔除缺陷图像。将紫外巡检图像分为电晕光斑和背景两类，背景主要有输电线、其他电力部件、天空等；紫外巡检图像中能明显判断出电晕光斑的部分逐个标注，标注区域内尽可能包含较完整的光斑；多个电晕光斑堆叠时，尽量单独标注每个光斑区域。所有图像标签均采用Labelme自行标注，生成 json格式文件，并用于训练Deeplabv3+网络。本实施例构建了共含有1286张图像的紫外巡检图像数据集，随机选取已标注图像中的1028张图像构成紫外巡检图像数据集的训练部分，剩余的258张图像构成了测试部分。对Deeplabv3+网络进行训练时，经过多次实验优化，最终参数设置为：训练最小批次为20，初始学习率为0.001，最大迭代次数为300次以控制Deeplabv3+网络训练时间成本。
Deeplabv3+网络采用交叉熵作为损失函数，定义如式（1）所示：
其中：E为交叉熵，w c 为真实类别c的损失权重；z j 为第j个像素，p c (z j )为像素z j 属于真实类别c的概率，C为总的类别数。
训练过程如图2和图3所示，Deeplabv3+网络在epoch为250左右趋于收敛，验证准确率为 84.94%，验证损失为 0.164。
为了验证Deeplabv3+网络的性能，选取平均交并比（MIoU）作为评价语义分割精度的指标，MIoU表示的是真实标签与分割结果的交集与并集之比的平均值，可以用来反映真实标签与模型分割目标区域的重合度。为分析Deeplabv3+网络的有效性，将Deeplabv3+与Unet、FCN以及Segnet等三种语义分割模型分别进行实验对比，各语义分割模型的在测试集上的测试效果如表1所示。
测试分割结果显示，Deeplabv3+网络能够从复杂背景中识别分割出放电位置，得到大致的放电区域，但仍难以避免会误分割一些非放电背景区域。
Otsu算法分割原理为：假设图像像素点总数为N，将其灰度分为m个等级，x i 表示图像的灰度级为i时的像素点数量，则灰度级i出现的概率为：p i =x i /N；引入初始阈值t，根据灰度级是否大于t可将图像的像素点分成目标M 0和背景M 1两类，灰度级为1～t的像素点属于目标M 0，灰度级为t+1～m的像素点属于背景M 1；P 0(t)、P 1(t)分别表示目标M 0和背景M 1出现的概率；Q 0(t)、Q 1(t)分别表示目标M 0和背景M 1的平均灰度级。则有：
类间方差定义为：
令t从1-m变化，当类间方差
达到最大时，t为所求的最佳阈值，记作t best ，Otsu算
法的最佳阈值等于最佳阈值时目标M 0的平均灰度级Q 0(t best )和最佳阈值时背景M 1的平均灰
度级的平均值Q 1(t best )，即：
Otsu算法中，阈值会靠近方差较大的一类，将其所属类别的区域分割成方差较小的另一类，使得两类区域大小接近。由于检测紫外巡检图像放电目标区域较小，背景区域较大，需要使放电区域方差变小才能使Otsu算法分割阈值逼近理想阈值。于是，考虑对放电目标区域方差加权使之小于原始方差，改进Otsu算法类间方差定义为：
其中ω为权重，其值范围为[0,1]。本发明令ω=P 0(t)，当图像中光斑比较多，P 0(t)值较大，赋予放电目标区域方差的权重ω较大，反之，ω较小，从而实现对放电目标区域方差自适应加权。
为了评判分割效果，引入平均像素精度（MPA）、平均交并比（MIoU）这两个指标作为衡量分割方法精度的标准。MPA表示所有类别像素正确分类概率的均值，其侧重表现像素分类的准确率，而MIoU侧重表现模型分割目标区域的完整性以及分割位置的准确性。
为了说明本发明的有效性，先使用传统的Otsu算法对电晕放电目标进行分割，进行实验对比，发现Otsu算法能够分割部分放电区域，但是紫外巡检图像中还存在大量噪声，分割效果不佳。而后使用本发明提出的改进Otsu算法，实验表明，改进Otsu算法具有良好的分割效果。实验过程中先使用基础模型分割，即传统Otsu算法对Deeplabv3+网络处理得到的放电区域进行分割，然后对Otsu算法进行改进，引入本发明分割方法（改进Otsu算法+Deeplabv3+网络）再次进行实验，实验对比结果如表2所示。
以上三种分割方法的实验结果对比，Otsu算法分割结果存在大量噪声，对电晕放电的检测能力差，由于夜间型紫外成像仪拍摄的放电图像中光斑与背景的对比度不明显，从而无法实现有效识别及分割；Otsu算法+Deeplabv3+网络可以较好地分割出电晕放电信息，但对于光斑细节处分割不佳，这是因为紫外图像中光斑区域较小，其分割阈值大于理想阈值，于是在对DeepLabv3+语义分割结果进行后处理分割时，导致会误分割部分背景区域；改进Otsu算法+ Deeplabv3+网络考虑了放电区域较小情况下，对放电目标区域方差加权使之小于原始方差，从而实现对放电目标区域方差自适应加权，改善了对背景区域误分割的问题，能够完整地分割电晕放电区域，效果最好。
针对夜间输电线电晕放电的紫外巡检图像的分割问题，本发明提出了放电目标区域精确分割方法。首先通过Deeplabv3+网络对紫外巡检图像放电区域整体进行类别分割得到大致区域，再利用Otsu算法对语义分割结果进行后处理，从而得到对电晕放电区域精确分割的结果。实验表明：（1）Otsu算法无法对夜间电晕放电紫外巡检图像进行有效的识别分割；（2）本发明提出的DeepLabv3+网络结合改进Otsu算法，平均像素精度为93.97%，平均交并比为 90.85%，分割效果良好；（3）本发明的方法可用于对输电线的紫外巡检图像实现电晕放电精准快速分割。
以上所述仅表达了本发明的优选实施方式，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的内容加以更改或改型为等同变化的等效实施例。但是，凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：通过紫外成像仪进行输电线电晕放电检测，采集紫外巡检图像，通过Deeplabv3+网络对紫外巡检图像进行电晕放电分割，然后通过改进Otsu算法调整紫外巡检图像的类间方差，对放电区域方差自适应加权使得分割阈值逼近理想阈值。
2.根据权利要求1所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：所述Deeplabv3+网络包括编码器、解码器两部分，选取ResNet50网络作为Deeplabv3+网络的特征提取主干网络，在编码过程中，首先通过ResNet50网络对输入的紫外巡检图像进行特征提取，并由ResNet50网络末端的空洞卷积空间金字塔模块接收提取的特征图作为输入，再经过具有多个不同采样率的空洞卷积捕获电晕放电的特征信息，最后得到放电紫外图像的高层次特征经通道拼接后卷积得到高层次特征图像，并将高层次特征图像输入到解码器中进行处理；在解码过程中，首先将编码器提取到的高层次特征图像进行上采样操作，然后经通道拼接和卷积层处理，将高层特征图与编码过程中的浅层特征相结合，最后再次将结合后的特征进行上采样处理，还原成与输入时同等尺寸图像，从而完成电晕放电分割，输出分割后的紫外巡检图像。
3.根据权利要求2所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：构建紫外巡检图像数据集，并分为训练部分和测试部分，对Deeplabv3+网络进行训练。
4.根据权利要求1所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：所述改进Otsu算法分割原理为：假设图像像素点总数为N，将其灰度分为m个等级，x i 表示图像的灰度级为i时的像素点数量，则灰度级i出现的概率为：p i =x i /N；引入初始阈值t，根据灰度级是否大于t可将图像的像素点分成目标M 0和背景M 1两类，灰度级为1～t的像素点属于目标M 0，灰度级为t+1～m的像素点属于背景M 1；P 0(t)、P 1(t)分别表示目标M 0和背景M 1出现的概率；Q 0(t)、Q 1(t)分别表示目标M 0和背景M 1的平均灰度级，则有：
类间方差定义为：
令t从1-m变化，当类间方差
达到最大时，t为所求的最佳阈值，记作t best ，Otsu算法的
最佳阈值等于最佳阈值时目标M 0的平均灰度级Q 0(t best )和最佳阈值时背景M 1的平均灰度级
的平均值Q 1(t best )，即：
改进Otsu算法类间方差定义为：
其中ω为权重，其值范围为[0,1]；令ω=P 0(t)，对放电目标区域方差自适应加权。
5.根据权利要求2所述的基于夜间紫外成像技术的输电线电晕放电图像分割方法，其特征是：ResNet50网络由4个卷积残差块和12个恒等残差块组成，结构依次为：第1个卷积残差块后接2个恒等残差块，第2个卷积残差块后接3个恒等残差块，第3个卷积残差块后接5个恒等残差块，第4个卷积残差块后接2个恒等残差块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210985708.1A CN115049678A (zh) | 2022-08-17 | 2022-08-17 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210985708.1A CN115049678A (zh) | 2022-08-17 | 2022-08-17 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115049678A true CN115049678A (zh) | 2022-09-13 |
Family
ID=83168342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210985708.1A Pending CN115049678A (zh) | 2022-08-17 | 2022-08-17 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049678A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117630597A (zh) * | 2023-11-30 | 2024-03-01 | 华北电力大学 | 一种感传算一体化的多光谱高压电晕检测方法与装置 |
| CN117630597B (zh) * | 2023-11-30 | 2024-06-07 | 华北电力大学 | 一种感传算一体化的多光谱高压电晕检测方法与装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346699A (zh) * | 2019-07-26 | 2019-10-18 | 国网山东省电力公司电力科学研究院 | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 |
| CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
| CN112200826A (zh) * | 2020-10-15 | 2021-01-08 | 北京科技大学 | 一种工业弱缺陷分割方法 |
| CN113345003A (zh) * | 2021-05-31 | 2021-09-03 | 中国农业大学 | 一种池塘水草面积估计方法 |
| CN113566704A (zh) * | 2021-07-16 | 2021-10-29 | 哈尔滨理工大学 | 一种基于机器视觉的轴承总成滚珠尺寸检测方法 |
| CN114063074A (zh) * | 2021-11-22 | 2022-02-18 | 江苏科技大学 | 一种基于小波阈值变换的sar图像溢油检测方法 |
| WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
| CN114596316A (zh) * | 2021-12-04 | 2022-06-07 | 电子科技大学长三角研究院(湖州) | 一种基于语义分割的道路图像细节抓取方法 |
| CN114601483A (zh) * | 2022-05-11 | 2022-06-10 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于图像处理的骨龄分析方法及系统 |
| CN114694073A (zh) * | 2022-04-06 | 2022-07-01 | 广东律诚工程咨询有限公司 | 安全带佩戴情况的智能检测方法、装置、存储介质及设备 |
| CN114821324A (zh) * | 2022-04-24 | 2022-07-29 | 江西省农业科学院土壤肥料与资源环境研究所 | 一种基于选择性学习与回放的遥感图像农作物识别方法 |
-
2022
- 2022-08-17 CN CN202210985708.1A patent/CN115049678A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346699A (zh) * | 2019-07-26 | 2019-10-18 | 国网山东省电力公司电力科学研究院 | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 |
| CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
| WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
| CN112200826A (zh) * | 2020-10-15 | 2021-01-08 | 北京科技大学 | 一种工业弱缺陷分割方法 |
| CN113345003A (zh) * | 2021-05-31 | 2021-09-03 | 中国农业大学 | 一种池塘水草面积估计方法 |
| CN113566704A (zh) * | 2021-07-16 | 2021-10-29 | 哈尔滨理工大学 | 一种基于机器视觉的轴承总成滚珠尺寸检测方法 |
| CN114063074A (zh) * | 2021-11-22 | 2022-02-18 | 江苏科技大学 | 一种基于小波阈值变换的sar图像溢油检测方法 |
| CN114596316A (zh) * | 2021-12-04 | 2022-06-07 | 电子科技大学长三角研究院(湖州) | 一种基于语义分割的道路图像细节抓取方法 |
| CN114694073A (zh) * | 2022-04-06 | 2022-07-01 | 广东律诚工程咨询有限公司 | 安全带佩戴情况的智能检测方法、装置、存储介质及设备 |
| CN114821324A (zh) * | 2022-04-24 | 2022-07-29 | 江西省农业科学院土壤肥料与资源环境研究所 | 一种基于选择性学习与回放的遥感图像农作物识别方法 |
| CN114601483A (zh) * | 2022-05-11 | 2022-06-10 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于图像处理的骨龄分析方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘树春: "《深度实践OCR 基于深度学习的文字识别》", 31 May 2020 * |
| 张强 等: "《基于深度神经网络技术的高分遥感图像处理及应用》", 31 August 2020 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117630597A (zh) * | 2023-11-30 | 2024-03-01 | 华北电力大学 | 一种感传算一体化的多光谱高压电晕检测方法与装置 |
| CN117630597B (zh) * | 2023-11-30 | 2024-06-07 | 华北电力大学 | 一种感传算一体化的多光谱高压电晕检测方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
| CN112508901B (zh) | 一种水下结构病害识别方法、系统、装置及存储介质 | |
| CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
| CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| Ni et al. | LPI radar waveform recognition based on multi-resolution deep feature fusion | |
| CN112465700B (zh) | 一种基于深度聚类的图像拼接定位装置及方法 | |
| CN110717863A (zh) | 一种基于生成对抗网络的单图像去雪方法 | |
| CN112149661A (zh) | 车牌识别方法、装置及介质 | |
| CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
| CN111595737B (zh) | 一种基于三维分支网络的光学全息粒子场颗粒点检测方法 | |
| CN113537306A (zh) | 一种基于渐进式成长元学习的图像分类方法 | |
| CN110969203B (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
| CN115049678A (zh) | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 | |
| CN111612803A (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN113239865B (zh) | 基于深度学习的车道线检测方法 | |
| CN105138984A (zh) | 基于多分辨率过冲效应度量的锐化图像识别方法 | |
| CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
| CN115049054A (zh) | 基于特征图响应的通道自适应分段动态网络剪枝方法 | |
| CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
| CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
| CN113506312A (zh) | 一种紫外放电图像分割方法及计算机可读介质 | |
| Bajwa et al. | PCA based image classification of single-layered cloud types | |
| CN112149804A (zh) | 一种新型卷积神经网络模型及应用 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220913 |