CN115456941A - 新型电力绝缘子缺陷检测识别方法及系统 - Google Patents

新型电力绝缘子缺陷检测识别方法及系统 Download PDF

Info

Publication number
CN115456941A
CN115456941A CN202210922981.XA CN202210922981A CN115456941A CN 115456941 A CN115456941 A CN 115456941A CN 202210922981 A CN202210922981 A CN 202210922981A CN 115456941 A CN115456941 A CN 115456941A
Authority
CN
China
Prior art keywords
model
yolox
improved
neural network
training
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
CN202210922981.XA
Other languages
English (en)
Inventor
王晓龙
王根一
张晏玮
安国成
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.)
Eccom Network System Co ltd
Original Assignee
Eccom Network System 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 Eccom Network System Co ltd filed Critical Eccom Network System Co ltd
Priority to CN202210922981.XA priority Critical patent/CN115456941A/zh
Publication of CN115456941A publication Critical patent/CN115456941A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种新型电力绝缘子缺陷检测识别方法及系统，包括：步骤S1：构建改进YOLOX卷积神经网络模型；步骤S2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；步骤S3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别。

Description

新型电力绝缘子缺陷检测识别方法及系统
技术领域
本发明涉及高压输电线路检测技术领域，具体地，涉及新型电力绝缘子缺陷检测识别方法及系统，更为具体地，涉及一种基于改进YOLOX的绝缘子缺陷检测方法。
背景技术
在输电线路中，绝缘子是被安装在不同器件之间能够承受电压和机械作用的器件。绝缘子是电气设备的重要组成部分。因此，绝缘子故障直接威胁着输电系统的稳定与安全。据统计表明，由绝缘子缺陷引起的故障占电力系统故障的比例最高。因此，对于电力系统的稳定和安全来说，快速且高精度的检测绝缘子缺陷尤其重要。
对于绝缘子的缺陷检测，一般分为以下两个步骤，即绝缘子的定位和缺陷的识别。基于传统图像处理的方法一般通过图像处理算法分割或者定位绝缘子位置，再结合形态学方法识别缺陷位置。传统图像处理方法过程复杂且计算量大，随着人工智能的发展，逐渐被机器学习中深度学习的方法所取代。
深度学习中目标检测算法以卷积神经网络为基础，再结合大量的缺陷绝缘子数据集加以训练，最终用训练好的模型来检测缺陷位置。YOLOX是目前比较先进的目标检测算法，虽然其检测精度很高，但是其模型大小和推理速度距离轻量级目标检测算法还有一定的差距，由于大多数嵌入式设备内存有限，使得需要部署的模型在保持高精度的同时还具有较少的模型参数和较高的推理速度，所以YOLOX算法依旧有改进的空间。
综上所述，现有的目标检测识别算法存在两大问题：第一、部署在嵌入式设备中进行实时的缺陷检测往往检测精度较低，比如为了满足嵌入式设备的内存需求，缩小YOLOX模型大小，必然伴随着检测精度的降低，则绝缘子缺陷部分的漏检也会随之增多；第二、现有研究中由于训练测试环境不同导致测试效果差，阻碍了缺陷绝缘子检测的进一步研究。
专利文献CN110147777B(申请号：201910441464.9)公开了一种基于深度迁移学习的绝缘子类别检测方法，包括：1、对航拍绝缘子图像进行预处理；2、对预处理后的航拍绝缘子图像进行扩充并对不同类别的航拍绝缘子图像进行分类；3、利用YOLO算法对背景复杂的航拍绝缘子图像进行初定位，并对定位后的绝缘子进行归一化处理；4、构建多层次差异性自适应架构的Inception深度学习网络；5、构建测试样本集的分类结果及其语义误差熵；6、构建基于语义误差熵的绝缘子状态认知反馈调节机制。该专利并没有与当时较好的检测算法相比较即没有参考对象，而是笼统的介绍了一种基于深度迁移学习的绝缘子类别检测方法来提高分类精度。而本发明提供了基于目前较好的目标检测算法YOLOX的改进，在减小模型参数量和保证延迟不变的同时增加了模型检测精度，也通过设计的训练时数据增强方法增加了模型的鲁棒性。
专利文献CN113487541B(申请号：202110662619.9)公开了一种绝缘子检测方法及装置，包括：将待检测绝缘子图像输入到多任务深度学习网络中，输出每个锚点的概率分布图和相邻两个锚点之间的连接信息分布图；根据每个锚点对应的概率分布图，获取每个锚点的候选位置，根据相邻两个锚点之间的连接信息分布图和相邻两个锚点之间任意候选位置的两两组合，计算每个组合对应的连接信息置信度；根据所有相邻两个锚点之间对于每个组合的连接信息置信度确定每条绝缘子上每个锚点的最终位置，根据每条绝缘子上各锚点的最终位置确定每条绝缘子的倾斜矩形框。该专利通过多任务深度学习网络输出每个锚点的概率分布图和相邻两个锚点之间的连接信息分布图，之后确定每条绝缘子的倾斜矩形框，定位绝缘子位置较复杂，不能达到实时的检测，且没有对缺陷位置进行检测。本发明通过改进YOLOX算法，在提升检测精度的基础上减小了模型大小且保证推理速度不变，达到了快速且轻量化、高精度的效果，也包含了对绝缘子位置和缺陷两个部分的检测，并且在复杂环境下提升了模型的检测效果。
专利文献CN112444522A(申请号：202011277194.1)公开了一种电力系统绝缘子串缺陷检测方法。包括以下步骤：无人机获取场景的图像信息，并将含有绝缘子串的图像发回地面服务器并通过U-Net网络对图像进行分割，得到结果图像SE；当SE中只包含单一的绝缘子串时，利用缺陷检测算法得到缺失位置；当SE中包含一对或多对绝缘子串时，将SE输入到缺陷检测算法中，把SE中每对绝缘子串划分成两部分图像，并分别对两部分图像进行峰值点或谷值点检测，得到峰值点和谷值点列表P；对P位置分布进行分析，得到存在缺陷位置的区间并标记出绝缘子串缺失的位置。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种新型电力绝缘子缺陷检测识别方法及系统。
根据本发明提供的一种新型电力绝缘子缺陷检测识别方法，包括：
步骤S1：构建改进YOLOX卷积神经网络模型；
步骤S2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
步骤S3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
所述改进YOLOX卷积神经网络模型包括主干特征网络、特征融合网络以及YOLOHead网络；在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精度，在YOLOHead网络采用深度可分离卷积降低模型参数量并使用全连接层做分类提高模型分类精度，使得模型在保持参数量不变的情况下降低了延迟，提高了检测精度；
所述多阶段网络训练算法是将训练集和测试集划分为多个子集，再利用子训练集训练得到初始模型，初始模型结合子测试集推理得到伪标签数据集，伪标签数据集再与下一子训练集结合来微调初始模型得到微调模型，在当前循环中的微调模型作为下一次循环的初始模型重复此过程直到子集被遍历完，得到最终训练模型。
优选地，所述改进YOLOX卷积神经网络模型包括：主干特征网络、特征融合网络以及YOLOHead网络；
将图像输入主干特征网络得到有效特征图1、有效特征图2以及有效特征图3；将所述有效特征图1、有效特征图2以及有效特征图3输入特征融合网络中，并将特征融合网络的输出分别输入YOLOHead网络，分别得到相应的Class结果、Box结果以及Obj结果；
所述Class结果用于判断每个特征点所包含的物体种类；所述Box结果用于判断每个特征点的回归参数，回归参数解码后获得预测框；所述Obj结果用于判断每一个特征点是否包含物体；将所述Class结果、所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检测。
优选地，所述主干特征网络包括：输入图像依次经过Focus模块宽高减半、RepVGGBlock降采样，3个C3Block接RepVGGBlock降采样的结构，得到有效特征图1、有效特征图2以及特征图；将所述特征图经过SPP结构融合不同的感受野和一个C3Block结构得到最后的有效特征图3。
优选地，所述YOLOHead网络包括：将特征融合网络输出的特征图通过卷积块输出两个分支，其中，一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后分为2个分支，一个分支经过卷积块输出Box结果，另一个分支经过卷积块输出Obj结果。
优选地，所述步骤S2采用：
步骤S2.1：将原缺陷绝缘子训练集和测试集划分为多个子数据集；
步骤S2.2：使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷积神经网络模型；
步骤S2.3：利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数据集；
步骤S2.4：利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络模型得到微调后的改进YOLOX卷积神经网络模型；
步骤S2.5：将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络模型，利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签数据集，重复触发步骤S2.4至步骤S2.5，直至遍历完所有的子训练集和子测试集得到最终的训练后的改进YOLOX卷积神经网络模型。
优选地，所述步骤S2.1采用：通过航拍获取缺陷绝缘子数据集，基于航拍获取的缺陷绝缘子数据集通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集。
优选地，所述步骤S3采用：通过遍历每层的Class结果、Box结果以及Obj结果得到预测框的信息后，通过得分筛选与非极大值抑制得到最终的预测框，并将预测框绘制在图像上，实现绝缘子缺陷检测与识别。
根据本发明提供的一种新型电力绝缘子缺陷检测识别系统，包括：
模块M1：构建改进YOLOX卷积神经网络模型；
模块M2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
模块M3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
所述改进YOLOX卷积神经网络模型包括主干特征网络、特征融合网络以及YOLOHead网络；在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精度，在YOLOHead网络采用深度可分离卷积降低模型参数量并使用全连接层做分类提高模型分类精度，使得模型在保持参数量不变的情况下降低了延迟，提高了检测精度；
所述多阶段网络训练算法是将训练集和测试集划分为多个子集，再利用子训练集训练得到初始模型，初始模型结合子测试集推理得到伪标签数据集，伪标签数据集再与下一子训练集结合来微调初始模型得到微调模型，在当前循环中的微调模型作为下一次循环的初始模型重复此过程直到子集被遍历完，得到最终训练模型。
优选地，所述改进YOLOX卷积神经网络模型包括：主干特征网络、特征融合网络以及YOLOHead网络；
将图像输入主干特征网络得到有效特征图1、有效特征图2以及有效特征图3；将所述有效特征图1、有效特征图2以及有效特征图3输入特征融合网络中，并将特征融合网络的输出分别输入YOLOHead网络，分别得到相应的Class结果、Box结果以及Obj结果；
所述Class结果用于判断每个特征点所包含的物体种类；所述Box结果用于判断每个特征点的回归参数，回归参数解码后获得预测框；所述Obj结果用于判断每一个特征点是否包含物体；将所述Class结果、所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检测；
所述主干特征网络包括：输入图像依次经过Focus模块宽高减半、RepVGGBlock降采样，3个C3Block接RepVGGBlock降采样的结构，得到有效特征图1、有效特征图2以及特征图；将所述特征图经过SPP结构融合不同的感受野和一个C3Block结构得到最后的有效特征图3；
所述YOLOHead网络包括：将特征融合网络输出的特征图通过卷积块输出两个分支，其中，一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后分为2个分支，一个分支经过卷积块输出Box结果，另一个分支经过卷积块输出Obj结果。
优选地，所述模块M2采用：
模块M2.1：将原缺陷绝缘子训练集和测试集划分为多个子数据集；
模块M2.2：使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷积神经网络模型；
模块M2.3：利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数据集；
模块M2.4：利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络模型得到微调后的改进YOLOX卷积神经网络模型；
模块M2.5：将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络模型，利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签数据集，重复触发模块M2.4至模块M2.5，直至遍历完所有的子训练集和子测试集得到最终的训练后的改进YOLOX卷积神经网络模型；
所述模块M2.1采用：通过航拍获取缺陷绝缘子数据集，基于航拍获取的缺陷绝缘子数据集通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集；
所述模块M3采用：通过遍历每层的Class结果、Box结果以及Obj结果得到预测框的信息后，通过得分筛选与非极大值抑制得到最终的预测框，并将预测框绘制在图像上，实现绝缘子缺陷检测与识别。
与现有技术相比，本发明具有如下的有益效果：
1、本发明在主干特征提取网络中利用RepVGG网络的两条残差边减少了普通卷积带来的参数量的提升，在模型推理时也能进行网络加速，以满足缺陷绝缘子检测轻量化的需求，且模型检测精度也有提升；
2、本发明使用全连接层做分类分支的输出，降低了卷积做分类带来的错检问题，通过减少输出的假阴性物体，增加了模型的召回率，增加了模型的检测精度，全连接层中冗余的参数对模型的鲁棒性也有所增强，以适应不同环境下的缺陷绝缘子检测环境；
3、本发明使用两个3x3的深度可分离卷积块做为分类分支和回归分支的特征提取部分，相比普通的3x3卷积参数量有所降低，在保持精度没有损失的情况下模型更轻量化；
4、本发明通过拆分训练集和测试集再结合伪标签数据增强和微调的训练方式，解决了图像检测领常见的域转移问题，增加了模型的鲁棒性，使之在不同的测试环境也能达到好的检测效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为新缺陷绝缘子数据集的生成。
图2为改进YOLOX卷积神经网络模型结构图。
图3为训练时数据增强。
图4为测试结果展示。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种新型电力绝缘子缺陷检测识别方法，包括：
步骤S1：构建改进YOLOX卷积神经网络模型；
具体地，所述改进YOLOX卷积神经网络模型包括：主干特征网络、特征融合网络以及YOLOHead网络；
将图像输入主干特征网络得到有效特征图1、有效特征图2以及有效特征图3；将所述有效特征图1、有效特征图2以及有效特征图3输入特征融合网络中，并将特征融合网络的输出分别输入YOLOHead网络，分别得到相应的Class结果、Box结果以及Obj结果；
所述Class结果用于判断每个特征点所包含的物体种类；所述Box结果用于判断每个特征点的回归参数，回归参数解码后获得预测框；所述Obj结果用于判断每一个特征点是否包含物体；将所述Class结果、所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检测。
具体地，所述主干特征网络包括：输入图像依次经过Focus模块宽高减半、RepVGGBlock降采样，3个C3Block接RepVGGBlock降采样的结构，得到有效特征图1、有效特征图2以及特征图；将所述特征图经过SPP结构融合不同的感受野和一个C3Block结构得到最后的有效特征图3。
具体地，所述YOLOHead网络包括：特征图通过卷积块输出两个分支，其中，一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后分为2个分支，一个分支经过卷积块输出Box结果，另一个分支经过卷积块输出Obj结果。
步骤S2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
具体地，所述步骤S2采用：
步骤S2.1：将原缺陷绝缘子训练集和测试集划分为多个子数据集；
步骤S2.2：使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷积神经网络模型；
步骤S2.3：利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数据集；
步骤S2.4：利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络模型得到微调后的改进YOLOX卷积神经网络模型；
步骤S2.5：将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络模型，利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签数据集，重复触发步骤S2.4至步骤S2.5，直至遍历完所有的子训练集和子测试集得到最终的训练后的改进YOLOX卷积神经网络模型。
具体地，所述步骤S2.1采用：通过航拍获取缺陷绝缘子数据集，基于航拍获取的缺陷绝缘子数据集通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集。
步骤S3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
具体地，所述步骤S3采用：通过遍历每层的Class结果、Box结果以及Obj结果得到预测框的信息后，通过得分筛选与非极大值抑制得到最终的预测框，并将预测框绘制在图像上，实现绝缘子缺陷检测与识别。
所述改进YOLOX卷积神经网络模型包括主干特征网络、特征融合网络以及YOLOHead网络；在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精度，在YOLOHead网络采用深度可分离卷积降低模型参数量并使用全连接层做分类提高模型分类精度，使得模型在保持参数量不变的情况下降低了延迟，提高了检测精度；
所述多阶段网络训练算法是将训练集和测试集划分为多个子集，再利用子训练集训练得到初始模型，初始模型结合子测试集推理得到伪标签数据集，伪标签数据集再与下一子训练集结合来微调初始模型得到微调模型，在当前循环中的微调模型作为下一次循环的初始模型重复此过程直到子集被遍历完，得到最终训练模型。
根据本发明提供的一种新型电力绝缘子缺陷检测识别系统，包括：
模块M1：构建改进YOLOX卷积神经网络模型；
具体地，所述改进YOLOX卷积神经网络模型包括：主干特征网络、特征融合网络以及YOLOHead网络；
将图像输入主干特征网络得到有效特征图1、有效特征图2以及有效特征图3；将所述有效特征图1、有效特征图2以及有效特征图3输入特征融合网络中，并将特征融合网络的输出分别输入YOLOHead网络，分别得到相应的Class结果、Box结果以及Obj结果；
所述Class结果用于判断每个特征点所包含的物体种类；所述Box结果用于判断每个特征点的回归参数，回归参数解码后获得预测框；所述Obj结果用于判断每一个特征点是否包含物体；将所述Class结果、所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检测。
具体地，所述主干特征网络包括：输入图像依次经过Focus模块宽高减半、RepVGGBlock降采样，3个C3Block接RepVGGBlock降采样的结构，得到有效特征图1、有效特征图2以及特征图；将所述特征图经过SPP结构融合不同的感受野和一个C3Block结构得到最后的有效特征图3。
具体地，所述YOLOHead网络包括：特征图通过卷积块输出两个分支，其中，一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后分为2个分支，一个分支经过卷积块输出Box结果，另一个分支经过卷积块输出Obj结果。
模块M2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
具体地，所述模块M2采用：
模块M2.1：将原缺陷绝缘子训练集和测试集划分为多个子数据集；
模块M2.2：使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷积神经网络模型；
模块M2.3：利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数据集；
模块M2.4：利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络模型得到微调后的改进YOLOX卷积神经网络模型；
模块M2.5：将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络模型，利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签数据集，重复触发模块M2.4至模块M2.5，直至遍历完所有的子训练集和子测试集得到最终的训练后的改进YOLOX卷积神经网络模型。
具体地，所述模块M2.1采用：通过航拍获取缺陷绝缘子数据集，基于航拍获取的缺陷绝缘子数据集通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集。
模块M3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
具体地，所述模块M3采用：通过遍历每层的Class结果、Box结果以及Obj结果得到预测框的信息后，通过得分筛选与非极大值抑制得到最终的预测框，并将预测框绘制在图像上，实现绝缘子缺陷检测与识别。
所述改进YOLOX卷积神经网络模型包括主干特征网络、特征融合网络以及YOLOHead网络；在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精度，在YOLOHead网络采用深度可分离卷积降低模型参数量并使用全连接层做分类提高模型分类精度，使得模型在保持参数量不变的情况下降低了延迟，提高了检测精度；
所述多阶段网络训练算法是将训练集和测试集划分为多个子集，再利用子训练集训练得到初始模型，初始模型结合子测试集推理得到伪标签数据集，伪标签数据集再与下一子训练集结合来微调初始模型得到微调模型，在当前循环中的微调模型作为下一次循环的初始模型重复此过程直到子集被遍历完，得到最终训练模型。
实施例2
实施例2是实施例1的优选例
根据本发明提供的一种新型电力绝缘子缺陷检测识别方法，包括：
步骤S1：构建改进YOLOX卷积神经网络模型；
步骤S2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
步骤S3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
所述多阶段网络训练算法通过将原缺陷绝缘子训练集和测试集划分为多个子数据集，先用初始子训练集训练得到初始模型，再用子训练集推理子测试集得到的伪标签数据集结合下一个子训练集微调初始模型，最后将微调的初始模型作为之前的初始模型循环迭代，以此来提高模型的鲁棒性，循环迭代结束后最终训练的模型克服了由于训练测试环境不一样导致的域转移问题。
所述改进YOLOX卷积神经网络模型是①利用RepVGG网络结构对YOLOX中主干特征网络中的单个卷积部分进行改造，克服了普通卷积运算存在的通道信息冗余问题，减少了训练模型过程中的过拟合现象，RepVGG的残差结构可以降低普通卷积所带来的计算复杂度问题，在推理的时候利用重参化的思想来增加推理速度。②使用全连接层来替代原有YOLOX分类头中的卷积部分并且使用深度可分离卷积核，克服了卷积层做分类带来的缺陷绝缘子错检问题，减少了假阴性目标，增加了模型的召回率，其冗余的参数也可以提高模型的鲁棒性，以适应不同环境下的缺陷绝缘子测试。
更为具体地，所述改进YOLOX卷积神经网络模型采用，如图2所示：
以640x640的输入图像为例，经过Focus模块切片操作宽高减半，通道数扩展为32得到320x320x32的特征层；之后将1x1x3x64步长为2的卷积块替换为RepVGGBlock，RepVGGBlock与ResNet网络类似且包含2中残差结构，但RepVGGBlock中的残差结构并没有跨层，当步长为2时，3x3卷积块的残差结构为1x1卷积块，当步长为1时，3x3卷积块的残差结构包含1x1卷积块的同时还包含Identity残差结构；即经过RepVGGBlock降采样得到160x160x64的特征层；之后接上3个卷积块构成的CSP Bottleneck即C3Block融合信息，输出特征图大小不变为160x160x64；之后通过2个相同的RepVGGBlock下采样加上C3Block分别得到80x80x128和40x40x256的特征图，再经过最后一个RepVGGBlock下采样得到20x20x512的特征图，最后经过SPP结构融合不同的感受野和一个C3Block结构得到最后的20x20x512有效特征层；其中，有效特征图1为80x80x128的有效特征图；有效特征图2为40x40x256的有效特征图；有效特征图3为20x20x512的有效特征图；其中，4个C3Block的重复次数依次为3,9,9,3。
更为具体地，所述YOLOHead网络包括：特征融合层的输出三层特征图分别输入到以上改进的三个YOLOHead当中做训练或者推理。
以一个YOLOHead为例，输入特征图通过1x1x1x256的卷积块输出为两个分支，其中一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后也分为2个分支，一个分支经过1x1x256x4的卷积块输出Box结果，另一个分支经过1x1x256x1的卷积块输出Obj结果。在预测阶段，Class结果用于判断每一个特征点所包含的物体种类，Box结果用于判断每一个特征点的回归参数，回归参数解码后可以获得预测框，Obj结果用于判断每一个特征点是否包含物体。结合Class结果、Box结果和Obj结果绘制在原图上就可以完成绝缘子缺陷检测。
具体地，所述步骤S2采用，如图3所示：
步骤S2.1：将原缺陷绝缘子训练集N分为S个子训练集集，第Ni个子训练集的样本数为MNi，其中i等于0,1,...,S-1；将原缺陷绝缘子测试集C分为H个子数据集，第Cj个子数据集的样本数为MCj，其中j等于0,1,...,H-1。其中，保证子测试集使用完时，子训练集也使用完毕，H和S的关系如式(1)所示。
H＝S (1)
步骤S2.2：在拆分训练集和测试集为多个子集时分为两种情况，第一种情况如式(2)所示，Rtrain和Rtest为原训练集和原测试集随机抽取概率，概率值都为N分之S。通过式(2)得到子训练集Ni的样本数MNi后，子数据集Ni结合YOLOX-R训练得到初始模型。第二种情况如式(3)所示，Ri train和Rj test为原训练集和测试集随机抽取概率，概率值不都为N分之S，其限制条件如式(4)所示，Ri train和Rj test的概率之和都为1。其中，第一次迭代循环时i＝0，j＝0。
Figure BDA0003778485980000121
Figure BDA0003778485980000122
Figure BDA0003778485980000123
步骤S2.3：初始模型推理未标记的测试集Cj得到伪标签数据集Pj，得到的伪标签数据集Pj初步具备了缺陷绝缘子的位置信息，但还和真实标签有一定的差距，所以再结合子训练集Ni+1对初始模型进行微调，微调完成后得到微调模型。结合的方式是在微调模型的训练过程中，进行Mosaic数据增强时以随机概率p值来抽取2张伪标签数据集加上子训练集Ni+1中抽取的2张图像凑成4张图片，如式(5)、(6)、(7)所示：
Figure BDA0003778485980000131
Figure BDA0003778485980000132
ImgMosaic＝Imgb+Img伪 (7)
其中，式(5)中i的取值为[0,1,2,3]，表示在伪标签数据集中抽取两张图片和在真实数据集中抽取两张图片，IMG伪and真表示伪标签数据集或真实数据集，
Figure BDA0003778485980000133
运算符表示以pi的概率在数据集中随机抽取；式(6)中
Figure BDA0003778485980000134
和
Figure BDA0003778485980000135
分别表示真实数据集的抽取数和伪标签数据集的抽取数；式(7)表示把从真实数据集抽取出来的图片Imgb和从伪标签数据集中抽取出来的图片Img伪作为训练时Mosaic数据增强的图片ImgMosaic。
步骤S2.4：跳回步骤S2.3进入循环迭代，将微调模型赋予初始模型作为下一步循环中微调的模型，并且子测试集数j通过加一遍历到下一个子测试集Cj+1(j＝0,1,...,H-1),子测试集Cj+1再结合推理得到的伪标签数据集Pj+1，伪标签数据集Pj+1结合子训练集Ni+1(i＝0,1,2,...,S-1)对初始模型进行微调得到微调模型，直到遍历完子训练集和子测试集即直到子训练集和子测试集为NS-1和CH-1后循环迭代结束，得到最终的训练模型。
更为具体地，所述步骤S2采用：
对航拍缺陷绝缘子数据集进行训练前的预处理，由于原有数据集绝缘子种类单一和缺陷绝缘子个数较少，按照图1的方法生成新的绝缘子数据集。首先通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集：
Figure BDA0003778485980000136
式(8)中，Imgdetect(x)表示分割出的缺陷绝缘子，
Figure BDA0003778485980000137
表示仿射变换操作，包括高斯滤波、对比度变化和尺度变化，Imgold(x)表示经仿射变换后的缺陷绝缘子。
Figure BDA0003778485980000138
式(9)中，
Figure BDA0003778485980000139
表示图像的灰度处理操作，α表示图像的二值化操作，∏表示对缺陷绝缘子图像进行位操作，最后与Imgb(x)即图像背景相融合，生成新的缺陷绝缘子图像。
用图像标注工具LabelImg对新的缺陷绝缘子数据集进行VOC格式数据集的标注，之后再将标注好的数据集分为训练集、验证集和测试集。
如图4所示，是本发明在部分测试集上采用YOLOX-R网络架构结合多阶段训练算法(本文采用两阶段训练算法，其中S＝2，Ritrain＝0.67，Ritrain＝0.67)的测试结果图片展示，其中检测框的不同颜色表示不同的类别，这里有两种检测类别，分别是缺陷绝缘子detect和完好绝缘子insulator。
训练完成后将最终训练模型保存，将其作为测试的模型。
所述步骤S3采用：原始输入图片通过最终训练模型检测出结果后，对结果坐标进行解码和尺度变换再映射到原始输入图片上。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种新型电力绝缘子缺陷检测识别方法，其特征在于，包括：
步骤S1：构建改进YOLOX卷积神经网络模型；
步骤S2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
步骤S3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
所述改进YOLOX卷积神经网络模型包括主干特征网络、特征融合网络以及YOLOHead网络；在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精度，在YOLOHead网络采用深度可分离卷积降低模型参数量并使用全连接层做分类提高模型分类精度，使得模型在保持参数量不变的情况下降低了延迟，提高了检测精度；
所述多阶段网络训练算法是将训练集和测试集划分为多个子集，再利用子训练集训练得到初始模型，初始模型结合子测试集推理得到伪标签数据集，伪标签数据集再与下一子训练集结合来微调初始模型得到微调模型，在当前循环中的微调模型作为下一次循环的初始模型重复此过程直到子集被遍历完，得到最终训练模型。
2.根据权利要求1所述的新型电力绝缘子缺陷检测识别方法，其特征在于，所述改进YOLOX卷积神经网络模型包括：主干特征网络、特征融合网络以及YOLOHead网络；
将图像输入主干特征网络得到有效特征图1、有效特征图2以及有效特征图3；将所述有效特征图1、有效特征图2以及有效特征图3输入特征融合网络中，并将特征融合网络的输出分别输入YOLOHead网络，分别得到相应的Class结果、Box结果以及Obj结果；
所述Class结果用于判断每个特征点所包含的物体种类；所述Box结果用于判断每个特征点的回归参数，回归参数解码后获得预测框；所述Obj结果用于判断每一个特征点是否包含物体；将所述Class结果、所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检测。
3.根据权利要求2所述的新型电力绝缘子缺陷检测识别方法，其特征在于，所述主干特征网络包括：输入图像依次经过Focus模块宽高减半、RepVGGBlock降采样，3个C3Block接RepVGGBlock降采样的结构，得到有效特征图1、有效特征图2以及特征图；将所述特征图经过SPP结构融合不同的感受野和一个C3Block结构得到最后的有效特征图3。
4.根据权利要求2所述的新型电力绝缘子缺陷检测识别方法，其特征在于，所述YOLOHead网络包括：将特征融合网络输出的特征图通过卷积块输出两个分支，其中，一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后分为2个分支，一个分支经过卷积块输出Box结果，另一个分支经过卷积块输出Obj结果。
5.根据权利要求1所述的新型电力绝缘子缺陷检测识别方法，其特征在于，所述步骤S2采用：
步骤S2.1：将原缺陷绝缘子训练集和测试集划分为多个子数据集；
步骤S2.2：使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷积神经网络模型；
步骤S2.3：利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数据集；
步骤S2.4：利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络模型得到微调后的改进YOLOX卷积神经网络模型；
步骤S2.5：将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络模型，利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签数据集，重复触发步骤S2.4至步骤S2.5，直至遍历完所有的子训练集和子测试集得到最终的训练后的改进YOLOX卷积神经网络模型。
6.根据权利要求5所述的新型电力绝缘子缺陷检测识别方法，其特征在于，所述步骤S2.1采用：通过航拍获取缺陷绝缘子数据集，基于航拍获取的缺陷绝缘子数据集通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集。
7.根据权利要求2所述的新型电力绝缘子缺陷检测识别方法，其特征在于，所述步骤S3采用：通过遍历每层的Class结果、Box结果以及Obj结果得到预测框的信息后，通过得分筛选与非极大值抑制得到最终的预测框，并将预测框绘制在图像上，实现绝缘子缺陷检测与识别。
8.一种新型电力绝缘子缺陷检测识别系统，其特征在于，包括：
模块M1：构建改进YOLOX卷积神经网络模型；
模块M2：利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型，得到训练后的改进YOLOX卷积神经网络模型；
模块M3：利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行检测识别；
所述改进YOLOX卷积神经网络模型包括主干特征网络、特征融合网络以及YOLOHead网络；在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精度，在YOLOHead网络采用深度可分离卷积降低模型参数量并使用全连接层做分类提高模型分类精度，使得模型在保持参数量不变的情况下降低了延迟，提高了检测精度；
所述多阶段网络训练算法是将训练集和测试集划分为多个子集，再利用子训练集训练得到初始模型，初始模型结合子测试集推理得到伪标签数据集，伪标签数据集再与下一子训练集结合来微调初始模型得到微调模型，在当前循环中的微调模型作为下一次循环的初始模型重复此过程直到子集被遍历完，得到最终训练模型。
9.根据权利要求8所述的新型电力绝缘子缺陷检测识别系统，其特征在于，所述改进YOLOX卷积神经网络模型包括：主干特征网络、特征融合网络以及YOLOHead网络；
将图像输入主干特征网络得到有效特征图1、有效特征图2以及有效特征图3；将所述有效特征图1、有效特征图2以及有效特征图3输入特征融合网络中，并将特征融合网络的输出分别输入YOLOHead网络，分别得到相应的Class结果、Box结果以及Obj结果；
所述Class结果用于判断每个特征点所包含的物体种类；所述Box结果用于判断每个特征点的回归参数，回归参数解码后获得预测框；所述Obj结果用于判断每一个特征点是否包含物体；将所述Class结果、所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检测；
所述主干特征网络包括：输入图像依次经过Focus模块宽高减半、RepVGGBlock降采样，3个C3Block接RepVGGBlock降采样的结构，得到有效特征图1、有效特征图2以及特征图；将所述特征图经过SPP结构融合不同的感受野和一个C3Block结构得到最后的有效特征图3；
所述YOLOHead网络包括：将特征融合网络输出的特征图通过卷积块输出两个分支，其中，一个分支为分类分支，由深度可分离卷积和全连接层组成，输出Class结果；另一个分支经过深度可分离卷积后分为2个分支，一个分支经过卷积块输出Box结果，另一个分支经过卷积块输出Obj结果。
10.根据权利要求8所述的新型电力绝缘子缺陷检测识别系统，其特征在于，所述模块M2采用：
模块M2.1：将原缺陷绝缘子训练集和测试集划分为多个子数据集；
模块M2.2：使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷积神经网络模型；
模块M2.3：利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数据集；
模块M2.4：利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络模型得到微调后的改进YOLOX卷积神经网络模型；
模块M2.5：将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络模型，利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签数据集，重复触发模块M2.4至模块M2.5，直至遍历完所有的子训练集和子测试集得到最终的训练后的改进YOLOX卷积神经网络模型；
所述模块M2.1采用：通过航拍获取缺陷绝缘子数据集，基于航拍获取的缺陷绝缘子数据集通过分割算法分割出不同种类的缺陷绝缘子，再结合仿射变换后与背景图像相融合，生成扩充缺陷绝缘子个数与种类的新缺陷绝缘子数据集；
所述模块M3采用：通过遍历每层的Class结果、Box结果以及Obj结果得到预测框的信息后，通过得分筛选与非极大值抑制得到最终的预测框，并将预测框绘制在图像上，实现绝缘子缺陷检测与识别。
CN202210922981.XA 2022-08-02 2022-08-02 新型电力绝缘子缺陷检测识别方法及系统 Pending CN115456941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210922981.XA CN115456941A (zh) 2022-08-02 2022-08-02 新型电力绝缘子缺陷检测识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210922981.XA CN115456941A (zh) 2022-08-02 2022-08-02 新型电力绝缘子缺陷检测识别方法及系统

Publications (1)

Publication Number Publication Date
CN115456941A true CN115456941A (zh) 2022-12-09

Family

ID=84296964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210922981.XA Pending CN115456941A (zh) 2022-08-02 2022-08-02 新型电力绝缘子缺陷检测识别方法及系统

Country Status (1)

Country Link
CN (1) CN115456941A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778263A (zh) * 2023-08-22 2023-09-19 四川坤鸿电子科技有限公司 分拣设备控制方法、电子设备和计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778263A (zh) * 2023-08-22 2023-09-19 四川坤鸿电子科技有限公司 分拣设备控制方法、电子设备和计算机可读介质
CN116778263B (zh) * 2023-08-22 2023-11-14 四川坤鸿电子科技有限公司 分拣设备控制方法、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
Bielski et al. Emergence of object segmentation in perturbed generative models
CN109614979B (zh) 一种基于选择与生成的数据增广方法及图像分类方法
CN108537119B (zh) 一种小样本视频识别方法
CN108108751B (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN114022432B (zh) 基于改进的yolov5的绝缘子缺陷检测方法
US8379994B2 (en) Digital image analysis utilizing multiple human labels
CN111767927A (zh) 一种基于全卷积网络的轻量级车牌识别方法及系统
CN113239869B (zh) 基于关键帧序列和行为信息的两阶段行为识别方法及系统
CN113011357A (zh) 基于时空融合的深度伪造人脸视频定位方法
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN112288700A (zh) 一种铁轨缺陷检测方法
CN112734803A (zh) 基于文字描述的单目标跟踪方法、装置、设备及存储介质
CN111639530A (zh) 一种输电线路的输电塔和绝缘子的检测和识别方法及系统
CN112163490A (zh) 一种基于场景图片的目标检测方法
Li et al. Image manipulation localization using attentional cross-domain CNN features
CN115456941A (zh) 新型电力绝缘子缺陷检测识别方法及系统
Cheng et al. An Image‐Based Deep Learning Approach with Improved DETR for Power Line Insulator Defect Detection
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN114612702A (zh) 基于深度学习的图像数据标注系统及其方法
CN115910045B (zh) 一种语音唤醒词的模型训练方法和识别方法
CN116580232A (zh) 一种图像自动标注方法、系统及电子设备
CN115761667A (zh) 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法
Pham et al. Vietnamese Scene Text Detection and Recognition using Deep Learning: An Empirical Study
CN114140446A (zh) 基于语义分割和目标检测的绝缘子缺陷检测方法

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