CN115619763A - 基于多级推理检测的输电线路小部件图像目标检测方法 - Google Patents

基于多级推理检测的输电线路小部件图像目标检测方法 Download PDF

Info

Publication number
CN115619763A
CN115619763A CN202211372229.9A CN202211372229A CN115619763A CN 115619763 A CN115619763 A CN 115619763A CN 202211372229 A CN202211372229 A CN 202211372229A CN 115619763 A CN115619763 A CN 115619763A
Authority
CN
China
Prior art keywords
power transmission
transmission line
stage
target
inference
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
CN202211372229.9A
Other languages
English (en)
Inventor
雷雨
张鼎
赵天成
王国满
葛雄
程绳
侯新文
孙忠慧
张治国
熊继开
张晓春
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.)
Super High Voltage Co Of State Grid Hubei Electric Power Co ltd
Original Assignee
Super High Voltage Co Of State Grid Hubei 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 Super High Voltage Co Of State Grid Hubei Electric Power Co ltd filed Critical Super High Voltage Co Of State Grid Hubei Electric Power Co ltd
Priority to CN202211372229.9A priority Critical patent/CN115619763A/zh
Publication of CN115619763A publication Critical patent/CN115619763A/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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electric Cable Installation (AREA)

Abstract

本发明属于图片识别技术领域，公开了基于多级推理检测的输电线路小部件图像目标检测方法，包括以下步骤：建立输电线路多级推理目标检测数据集方法；建立输电线路多级推理器；对输电线路多级推理器的推理结果进行后处理。本技术方案通过建立输电线路多级推理目标检测数据集方法，使用多级推理从输电线路塔身到挂点类型、再到挂点中各个组件类型，最后对各组件中的螺栓小部件进行逐层目标检测，通过该方法可获得更多螺栓小部件在输电线路中所属位置信息和功能信息，实现对检测的小目标类型进一步细分，并且检测过程中识别的小部件通过目标框内进行标注，并且与输电线路的挂点或塔身建立层级关系，提高对输电线路小部件目标检测的准确性。

Description

基于多级推理检测的输电线路小部件图像目标检测方法
技术领域
本发明属于图像识别技术领域，具体涉及基于多级推理检测的输电线路小部件图像目标检测方法。
背景技术
输电线路小部件目标检测是进行输电线路自动化、智能化处理的一种方法。小部件通常包括螺栓、螺母、开口销、垫片等细小金具，而针对小部件的目标检测是输电线路缺陷识别的基础，同时小部件识别的准确率直接影响输电线路的缺陷检测结果。
当前输电线路螺栓小部件目标检测主要有以下几点不足：1)检测类别单一，没有对小部件目标类型进行细分；2)识别的小部件结果只用目标框的位置，没有与输电线路的挂点或塔身建立层级关系。
发明内容
本发明提供一种基于多级推理检测的输电线路小部件图像目标检测方法，本技术方案通过建立输电线路多级推理目标检测数据集方法，使用多级推理从输电线路塔身到挂点类型、再到挂点中各个组件类型，最后对各组件中的螺栓小部件进行逐层目标检测，通过该方法可获得更多螺栓小部件在输电线路中所属位置信息和功能信息，解决了现有技术中存在的在对输电线路小部件进行目标检测时检测不准确，检测类别单一等技术问题。
本发明通过下述技术方案实现：
基于多级推理检测的输电线路小部件图像目标检测方法，所述方法包括以下步骤：
A001：建立输电线路多级推理目标检测数据集方法；
A002：建立输电线路多级推理器；
A003：对输电线路多级推理器的推理结果进行后处理。
可选地，步骤A001中，建立输电线路多级推理目标检测数据集方法，具体操作包括：A0011，对建立所述输电线路多级推理目标检测数据集所需数据进行采集；A0012，对步骤A0011所采集的数据进行标注；A0013：对步骤A0012标注的数据进行预处理。
可选地，步骤A002中，建立输电线路多级推理器，具体操作包括：A0021，建立所述输电线路多级推理器的推理模块；A0022，建立所述输电线路多级推理器的逻辑结构；A0023，建立训练所述输电线路多级推理器的推理模块方法。
可选地，步骤A003中，对输电线路多级推理器的推理结果进行后处理，具体操作为，A0031，建立所述输电线路多级推理器的推理模块效果验证方法；A0032，获得所述推理模块的推理结果；A0033，对目标输电线路小部件进行推理结果的处理。
可选地，步骤A0012中，对A0011所采集的数据进行标注，具体标注方法为：
对步骤A0011中所采集的输电线路图像进行目标框标注，依据输电线路小部件的层级进行分别标注为：第一层目标，第二层目标，第三层目标，第一层目标的标注类型为：地线挂点、绝缘子上挂点、绝缘子下挂点，第二层目标的标注类型为：线夹、均压环、绝缘子、跳线，第三层目标的标注类型为：线夹螺栓、均压环螺栓、绝缘子螺栓、跳线螺栓、活动件连接螺栓、塔身螺栓。
可选地，步骤A0013中，对步骤A00112标注的数据进行预处理，预处理的方法为：将第一层目标标注的数据作为第一层推理器的训练数据，将第二层目标标注的数据作为第二层推理器的训练数据，将第三层目标标注的数据作为第三层推理器的训练数据。
可选地，步骤A0021，建立所述输电线路多级推理器的推理模块，根据标注的第一层目标、第二层目标及第三层目标的层级关系，建立不同的推理模块的串联和并联关系，第一层目标挂点类型目标检测串联第二层目标线夹、均压环、绝缘子、跳线目标检测，最后再串联第三层目标螺栓小部件目标检测。
可选地，A0022，建立所述输电线路多级推理器的逻辑结构，具体方法为：将不同层级的目标检测结果进行逻辑组合。
可选地，步骤A002中，建立输电线路多级推理器，所述输电线路多级推理器具有目标检测学习能力，通过多级推理获得输入图像中的输电线路小部件的类型及其层级的目标类型。
可选地，步骤A001，建立输电线路多级推理目标检测数据集方法，输电线路多级推理目标检测数据集包括训练集、验证集和测试集，所述训练集用于训练该级模型，所述验证集用于验证训练过程中模型的收敛性，所述测试集用于验证输电线路多级推理的准确性。
本发明与现有技术相比，具有如下的优点和有益效果：
本技术方案通过建立输电线路多级推理目标检测数据集方法，使用多级推理从输电线路塔身到挂点类型、再到挂点中各个组件类型，最后对各组件中的螺栓小部件进行逐层目标检测，通过该方法可获得更多螺栓小部件在输电线路中所属位置信息和功能信息，实现对检测的小目标类型进一步细分，并且检测过程中识别的小部件通过目标框内进行标注，并且与输电线路的挂点或塔身建立层级关系，利于提高对输电线路小部件目标检测的准确性。
附图说明
图1为本发明基于多级推理检测的输电线路小部件图像目标检测方法的流程示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：
如图1所示，基于多级推理检测的输电线路小部件图像目标检测方法，所述方法包括以下步骤：
A001：建立输电线路多级推理目标检测数据集方法；
在步骤A001中，具体操作包括：A0011，对建立所述输电线路多级推理目标检测数据集所需数据进行采集，获得输电线路多级推理目标检测数据集；A0012，对步骤A0011所采集的数据进行标注；A0013：对步骤A0012标注的数据进行预处理。
步骤A001中，输电线路多级推理目标检测数据集是一个带有多级目标签的数据集，多级目标包括塔身、挂点、线夹、均压环、绝缘子、跳线、螺栓等目标，不同级目标之间存在的包含关系或同级关系或同级关系。所述输电线路多级推理目标检测数据集为多级推理器的训练提供学习数据。
其中，输电线路多级推理目标检测数据采集主要用于输电线路多级推理目标检测数据集，数据采集输电线路的塔身、地线挂点、绝缘子挂点、绝缘子上挂点、绝缘下挂点、绝缘子串等处的图像照片。
可选地，步骤A0012中，对A0011所采集的数据进行标注，具体标注方法为：依据输电线路小部件的层级进行分别标注为：第一层目标，第二层目标，第三层目标，第一层目标的标注类型为：地线挂点、绝缘子上挂点、绝缘子下挂点，第二层目标的标注类型为：线夹、均压环、绝缘子、跳线，第三层目标的标注类型为：线夹螺栓、均压环螺栓、绝缘子螺栓、跳线螺栓、活动件连接螺栓、塔身螺栓。
对于步骤A0012中，针对输电线路多级推理目标检测数据进行标注，主要用于对采集的输电线路图像进行目标框标注。具体为，按照目标层级分别标注目标。如第一层级、第二层级和第三层级，分别对应不同的标注类型，如标注为第一层级的绝缘子上挂点、绝缘子下挂点，属于同一层级的绝缘子上挂点和绝缘子下挂点之间存在同级关系。如标注为第二层级的绝缘子和标注为第三层级的绝缘子螺栓之间存在包含关系。即所述输电线路多级推理目标检测数据集为一个具有多级目标标签的数据集。
其中，步骤A0013中，对步骤A00112标注的数据进行预处理，预处理的方法为：将第一层目标标注的数据作为第一层推理器的训练数据，将第二层目标标注的数据作为第二层推理器的训练数据，将第三层目标标注的数据作为第三层推理器的训练数据。对于标注数据的预处理，能够使推理任务更加精细化。
输电线路多级推理目标检测数据预处理主要为多级推理器训练需要，实现对已经标注的数据进行层级分类预处理，利于根据输电线路多级推理目标检测数据集来建立输电线路多级推理器。
其中，步骤A001，建立输电线路多级推理目标检测数据集方法，输电线路多级推理目标检测数据集包括训练集、验证集和测试集，所述训练集用于训练该级模型，所述验证集用于验证训练过程中模型的收敛性，所述测试集用于验证输电线路多级推理的准确性。
具体地，多级推理器中，每一级推理的数据均包括训练集、验证集和测试集。其中，所述训练集用于训练该级模型，所述验证集用于验证训练过程中模型的收敛性，是否存在过拟合等问题。所述测试集用于测试模型的精度，包括准确率和召回率等。训练集、验证集和测试集在同一批标注数据中按照7：2：1的比率进行随机分割。
A002：建立输电线路多级推理器；
步骤A002中，建立输电线路多级推理器，具体操作包括：A0021，建立所述输电线路多级推理器的推理模块；A0022，建立所述输电线路多级推理器的逻辑结构；A0023，建立训练所述输电线路多级推理器的推理模块方法。
其中，步骤A0021，建立所述输电线路多级推理器的推理模块，根据标注的第一层目标、第二层目标及第三层目标的层级关系，建立不同推理模块的串联和并联关系，第一层目标挂点类型目标检测串联第二层目标线夹、均压环、绝缘子、跳线目标检测，最后再串联第三层目标螺栓小部件目标检测。
输电线路多级推理器的推理模块搭建方法主要用于多级推理器的每个推理模块是一个具有独立目标检测功能的目标检测模型，目标检测模型根据不同层级的推理任务选择合适的目标检测模型。如对一层级较大的目标检测，选择推理速度较快的yolo进行目标检测，对目标较小的目标检测采用两段式的目标检测模型。
训练多级推理器的推理模块方法主要用于每个模块有独立的损失函数，用于训练该目标检测模块模型。使用优化器对目标检测模块进行参数更新，经过不断迭代计算实现模型的优化。
A0022，建立所述输电线路多级推理器的逻辑结构，具体方法为：将不同层级的目标检测结果进行逻辑组合。具体地，逻辑结构主要用于根据标注的不同层级关系，建立不同推理模块的串联和并联关系，挂点类型目标检测串联夹、均压环、绝缘子、跳线目标检测，最后将串联螺栓小部件目标检测。
步骤A002中，建立输电线路多级推理器，所述输电线路多级推理器具有目标检测学习能力，通过多级推理获得输入图像中的输电线路小部件的类型及其层级的目标类型。
A003：对输电线路多级推理器的推理结果进行后处理。
步骤A003中，对输电线路多级推理器的推理结果进行后处理，具体操作为，A0031，建立所述输电线路多级推理器的推理模块效果验证方法；A0032，获得所述推理模块的推理结果；A0033，对目标输电线路小部件进行推理结果的处理。
其中，多级推理器的推理结果获取主要用于多级推理结构中，每级目标检测模块都可以推理识别出该层级下的目标，这样每一张输电线路图片经过输电线路多级推理器的推理可以识别出不同层级的目标。
如螺栓小部件的目标检测结果处理主要用于将不同层级的目标检测的推理结果进行逻辑组合，比如识别的结果可以表示为：线夹螺栓，其层级信息为第i张图片中绝缘子下挂点的线夹螺栓。
在对输电线路多级推理器的推理结果进行后处理操作中，通过整理和分析输电线图像中的不同层级的目标关系和螺栓小部件的类型，将螺栓小部件定位所述线夹、均压环、绝缘子、跳线，再定位到所属挂点，可获得螺栓小部件的所属层级信息。
本实施例所述技术方案通过建立输电线路多级推理目标检测数据集方法，使用多级推理从输电线路塔身到挂点类型、再到挂点中各个组件类型，最后对各组件中的螺栓小部件进行逐层目标检测，通过该方法可获得更多螺栓小部件在输电线路中所属位置信息和功能信息，实现对检测的小目标类型进一步细分，并且检测过程中识别的小部件通过目标框内进行标注，并且与输电线路的挂点或塔身建立层级关系，利于提高对输电线路小部件目标检测的准确性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：所述方法包括以下步骤：
A001：建立输电线路多级推理目标检测数据集方法；
A002：建立输电线路多级推理器；
A003：对输电线路多级推理器的推理结果进行后处理。
2.根据权利要求1所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A001中，建立输电线路多级推理目标检测数据集方法，具体操作包括：
A0011，对建立所述输电线路多级推理目标检测数据集所需数据进行采集；
A0012，对步骤A0011所采集的数据进行标注；
A0013：对步骤A0012标注的数据进行预处理。
3.根据权利要求2所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A002中，建立输电线路多级推理器，具体操作包括：
A0021，建立所述输电线路多级推理器的推理模块；
A0022，建立所述输电线路多级推理器的逻辑结构；
A0023，建立训练所述输电线路多级推理器的推理模块方法。
4.根据权利要求1所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A003中，对输电线路多级推理器的推理结果进行后处理，具体操作为，
A0031，建立所述输电线路多级推理器的推理模块效果验证方法；
A0032，获得所述推理模块的推理结果；
A0033，对目标输电线路小部件进行推理结果的处理。
5.根据权利要求3所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A0012中，对A0011所采集的数据进行标注，具体标注方法为：
对步骤A0011中所采集的输电线路图像进行目标框标注，依据输电线路小部件的层级进行分别标注为：第一层目标，第二层目标，第三层目标；
第一层目标的标注类型为：地线挂点、绝缘子上挂点、绝缘子下挂点，第二层目标的标注类型为：线夹、均压环、绝缘子、跳线，第三层目标的标注类型为：线夹螺栓、均压环螺栓、绝缘子螺栓、跳线螺栓、活动件连接螺栓、塔身螺栓。
6.根据权利要求5所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A0013中，对步骤A00112标注的数据进行预处理，预处理的方法为：将第一层目标标注的数据作为第一层推理器的训练数据，将第二层目标标注的数据作为第二层推理器的训练数据，将第三层目标标注的数据作为第三层推理器的训练数据。
7.根据权利要求5所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A0021，建立所述输电线路多级推理器的推理模块，根据标注的第一层目标、第二层目标及第三层目标的层级关系，建立不同推理模块的串联和并联关系，第一层目标挂点类型目标检测串联第二层目标线夹、均压环、绝缘子、跳线目标检测，最后再串联第三层目标螺栓小部件目标检测。
8.根据权利要求7所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：A0022，建立所述输电线路多级推理器的逻辑结构，具体方法为：将不同层级的目标检测结果进行逻辑组合。
9.根据权利要求7所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A002中，建立输电线路多级推理器，所述输电线路多级推理器具有目标检测学习能力，通过多级推理获得输入图像中的输电线路小部件的类型及其层级的目标类型。
10.根据权利要求1所述的基于多级推理检测的输电线路小部件图像目标检测方法，其特征在于：步骤A001，建立输电线路多级推理目标检测数据集方法，输电线路多级推理目标检测数据集包括训练集、验证集和测试集；
所述训练集用于训练该级模型，所述验证集用于验证训练过程中模型的收敛性，所述测试集用于验证输电线路多级推理的准确性。
CN202211372229.9A 2022-10-31 2022-10-31 基于多级推理检测的输电线路小部件图像目标检测方法 Pending CN115619763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211372229.9A CN115619763A (zh) 2022-10-31 2022-10-31 基于多级推理检测的输电线路小部件图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211372229.9A CN115619763A (zh) 2022-10-31 2022-10-31 基于多级推理检测的输电线路小部件图像目标检测方法

Publications (1)

Publication Number Publication Date
CN115619763A true CN115619763A (zh) 2023-01-17

Family

ID=84877434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211372229.9A Pending CN115619763A (zh) 2022-10-31 2022-10-31 基于多级推理检测的输电线路小部件图像目标检测方法

Country Status (1)

Country Link
CN (1) CN115619763A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731478A (zh) * 2022-11-24 2023-03-03 国网湖北省电力有限公司超高压公司 一种基于多级目标检测的输电线路开口销目标检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107705305A (zh) * 2017-10-20 2018-02-16 上海联影医疗科技有限公司 一种医学图像处理的方法及装置
US20180157938A1 (en) * 2016-12-07 2018-06-07 Samsung Electronics Co., Ltd. Target detection method and apparatus
CN110688925A (zh) * 2019-09-19 2020-01-14 国网山东省电力公司电力科学研究院 基于深度学习的级联目标识别方法及系统
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN113112489A (zh) * 2021-04-22 2021-07-13 池州学院 一种基于级联检测模型的绝缘子掉串故障检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180157938A1 (en) * 2016-12-07 2018-06-07 Samsung Electronics Co., Ltd. Target detection method and apparatus
CN107705305A (zh) * 2017-10-20 2018-02-16 上海联影医疗科技有限公司 一种医学图像处理的方法及装置
CN110688925A (zh) * 2019-09-19 2020-01-14 国网山东省电力公司电力科学研究院 基于深度学习的级联目标识别方法及系统
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN113112489A (zh) * 2021-04-22 2021-07-13 池州学院 一种基于级联检测模型的绝缘子掉串故障检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731478A (zh) * 2022-11-24 2023-03-03 国网湖北省电力有限公司超高压公司 一种基于多级目标检测的输电线路开口销目标检测方法
CN115731478B (zh) * 2022-11-24 2023-12-22 国网湖北省电力有限公司超高压公司 一种基于多级目标检测的输电线路开口销目标检测方法

Similar Documents

Publication Publication Date Title
CN109657552B (zh) 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN111368690B (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN112381788B (zh) 一种基于双分支匹配网络的零部件表面缺陷增量检测方法
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN112508105A (zh) 一种采油机故障检测与检索方法
CN111949535B (zh) 基于开源社区知识的软件缺陷预测装置及方法
Wang et al. Pixel-wise fabric defect detection by CNNs without labeled training data
CN115619763A (zh) 基于多级推理检测的输电线路小部件图像目标检测方法
CN112860183A (zh) 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法
CN113723189A (zh) 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法
CN115019294A (zh) 一种指针式仪表读数识别方法及系统
CN105404682A (zh) 一种基于数字图像内容的图书检索方法
CN112183374A (zh) 一种基于树莓派和深度学习的快递自动分拣装置及方法
CN117349786A (zh) 基于数据均衡的证据融合变压器故障诊断方法
CN114926702B (zh) 一种基于深度注意力度量的小样本图像分类方法
CN111539931A (zh) 一种基于卷积神经网络和边界限定优化的外观异常检测方法
CN113158878B (zh) 一种基于子空间的异构迁移故障诊断方法、系统和模型
CN114548295A (zh) 基于多尺度领域自适应网络的轴承故障分类系统及方法
CN115731478B (zh) 一种基于多级目标检测的输电线路开口销目标检测方法
CN112307671A (zh) 一种自适应不同大型设备仪器状态阈值的方法
Narlan et al. Automated pavement defect detection using YOLOv8 object detection algorithm
Viertel et al. Deep Learning in palynology
CN118071975A (zh) 一种用于输电线路的细小零件缺陷的检测方法及系统
CN113792630B (zh) 一种基于对比学习的地外探测图像识别方法及系统
CN117635905A (zh) 基于图像识别算法的电能表装接质量智能监测方法

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