CN115661645A - 一种基于改进Unet网络的输电线路覆冰厚度预测方法 - Google Patents
一种基于改进Unet网络的输电线路覆冰厚度预测方法 Download PDFInfo
- Publication number
- CN115661645A CN115661645A CN202211295413.8A CN202211295413A CN115661645A CN 115661645 A CN115661645 A CN 115661645A CN 202211295413 A CN202211295413 A CN 202211295413A CN 115661645 A CN115661645 A CN 115661645A
- Authority
- CN
- China
- Prior art keywords
- images
- icing
- icing thickness
- transmission line
- conv2d
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进Unet网络的输电线路覆冰厚度预测方法,该方法构建输电线路覆冰图像数据集并进行预处理、标签制作;构建改进的Unet网络,利用预处理后的图像进行训练;利用训练后的Unet网络对覆冰前后的图像进行语义分割,计算导线的像素面积后利用经验公式获得初步预测覆冰厚度;获得各组预测误差取平均得到调整系数,计算最终覆冰厚度。本发明可以准确地对输电线路覆冰厚度进行预测。
Description
技术领域
本发明属于输电线路技术领域,具体涉及一种基于改进Unet网络的输电线路覆冰厚度预测方法。
背景技术
输电线路分布十分广泛,且大多数均是安装在野外、高原等地区,环境恶劣。在每年春季与冬季时,极易发生架空输电线路覆冰导致线路重量加剧,可能引起导线的脱落,造成巨大的经济损失。由于不同的覆冰厚度对导线的危害并不相同,因此急需一种有效的方法去预测导线的覆冰厚度。目前主要的方法是依据导线覆冰前后像素的差异,利用经验公式对覆冰厚度进行预测。但利用摄像装备拍摄的图像往往存在复杂的背景,导线在图像中所占的比例过低,导致所求出的像素值误差过大。
得益于卷积神经网络的快速发展,其中的语义分割网络可以完美的将图片中的目标进行分割,并且可以完全避免图片背景的影响,计算出的像素值具有很好的可靠性,因此可以作为本发明的检测方法。此外,针对利用经验公式会存在预测误差较大的问题上,本发明利用预测误差取平均值获得调整系数α,可使得预测误差大大减小,为输电线路的覆冰厚度预测提供一种高效的方法。
发明内容
针对现有输电线路覆冰厚度检测方法的不足,本发明旨在提供一种基于改进Unet网络的输电线路覆冰厚度预测方法,用于准确预测输电线路的覆冰厚度,为巡检人员预防覆冰导致的断线事故提供技术参考。
为达到此发明目的,本发明通过以下方案予以实现:一种基于改进Unet网络的输电线路覆冰厚度预测方法,包括如下步骤:
S1、构建输电线路覆冰图像数据集并进行预处理、标签制作;
S2、构建改进的Unet网络,利用预处理后的图像进行训练;改进的Unet网络包括主干特征提取网络VGG-S、特征融合网络和语义分割模块;依次利用一个Focus结构、三个Conv2D+Maxpool结构、一个Conv2D+SPP结构以及三个Conv2D结构构建主干特征提取网络VGG-S;采用四次上采样、四次Conv2D操作以及四次Concatenate操作构建特征融合网络;所述语义分割模块利用卷积调整通道数,并输出最后一个特征层进行语义分割;
S3、利用训练后的Unet网络对覆冰前后的图像进行语义分割,计算导线的像素面积后利用经验公式获得初步预测覆冰厚度;对于同一拍摄点,以覆冰前与覆冰后的图像为一组,对各组图像进行语义分割,获得各组分割后的图像并计算覆冰前后导线像素的面积;覆冰前导线的像素面积为Sq,覆冰后导线的像素面积为Sh,利用经验公式求得各组图像的初步预测覆冰厚度,经验公式如下式所示:
λi为第i组图像的初步预测覆冰厚度,d为导线的直径;
S4、获得同一导线多组图像的初步预测覆冰厚度,各组预测误差取平均得到调整系数,计算最终覆冰厚度。
进一步地,步骤S1中所述预处理是将获取的输电线路覆冰图像数据集分别取一部分的图像进行模糊处理、添加噪声、方向调整、改变锐度、色衰处理、将亮度变暗、将亮度增强以及改变对比度,留一部分图像不作任何处理。
进一步地,步骤S1中利用labelme软件进行标签制作。
进一步地,主干特征提取网络VGG-S进行特征提取的过程为:输入图片经过一个Focus结构调整图片特征层大小;然后依次经过三个Conv2D+Maxpool结构,分别获得第一有效特征层F1、第二有效特征层F2以及第三有效特征层F3;将第三有效特征层F3继续下采样经过一个Conv2D+SPP结构,获得第四有效特征层F4;最后将第四有效特征层F4进行三次Conv2D结构,并使用卷积保证通道数不发生变化,获得第五有效特征层F5。
进一步地,特征融合网络进行特征融合的过程为:将第五有效特征层F5进行上采样,与第四有效特征层F4进行Concatenate操作,获得第一加强特征层P1;将第一加强特征层P1经过一个Conv2D结构后继续上采样与第三有效特征层F3进行Concatenate操作,获得第二加强特征层P2;同理,将第二加强特征层P2经过一个Conv2D结构后继续上采样与第二有效特征层F2进行Concatenate操作,获得第三加强特征层P3;此外,将第三加强特征层P3经过一个Conv2D结构后继续上采样与第一有效特征层F1进行Concatenate操作,获得第四加强特征层P4;第四加强特征层P4经过一个Conv2D结构,获得第五加强特征层P5。
进一步地,所述语义分割模块将第五加强特征层P5利用一个1×1的卷积将调整通道数调整为2,并输出一个大小为256×256×2的特征层进行语义分割。
进一步地,步骤S3中,对于同一拍摄点,以覆冰前与覆冰后的图像为一组,对各组图像进行语义分割,获得各组分割后的图像并计算覆冰前后导线像素的面积;覆冰前导线的像素面积为Sq,覆冰后导线的像素面积为Sh,利用经验公式求得20组图像的初步预测覆冰厚度,经验公式如下式所示:
λi为第i组图像的初步预测覆冰厚度,其中i=1~20,d为导线的直径。
进一步地,在语义分割前为了计算导线像素面积更加精确,将目标导线的颜色设置为绿色,使得导线的像素面积明显,图片背景的颜色为黑色,使得背景的像素面积不被计算。
进一步地,在历史数据建模阶段计算得到调整系数,调整系数α的计算如下式所示:
λi为第i组图像的初步预测覆冰厚度,Ri为第i组图像的实际覆冰厚度,N为覆冰前后的图像的组数。
进一步地,在实际预测阶段,最终预测的覆冰厚度为λi+α。
本发明还提供一种基于改进Unet网络的输电线路覆冰厚度预测装置,包括数据采集装置和数据处理装置;数据采集装置包括用于拍摄覆冰前后的图像的摄像机和搭载摄像机的设备,搭载摄像机的设备包括但不限于无人机;数据处理装置包括预处理模块、labelme软件、以Unet网络为基础的图像处理模块、初步计算模块和校正计算模块。
本发明还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意实施例中的基于改进Unet网络的输电线路覆冰厚度预测方法。
本发明还提供一种计算机程序产品,计算机程序产品包括存储在非易失性计算机存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述实施例的基于改进Unet网络的输电线路覆冰厚度预测方法。
与现有技术相比,本发明有益效果包括:本发明对覆冰导线的拍摄情况进行多方位的模拟,训练出的模型更具备泛化性,能够对覆冰导线进行精准分割;同时在保证分割精度不下降的情况下,也提供了一种模型轻量化的思路;此外,针对于传统的覆冰厚度预测可能存在较大误差的问题,提出了使用调整系数去较小预测误差;本发明能够更加快速准确的预测出目标地段的覆冰厚度,可为电力巡检提供技术参考。
附图说明
图1为本发明方法的流程图。
图2为改进算法的结构图。
图3为语义分割的效果图。
具体实施方式
本发明实施流程图如图1所示,下面将详细地对实施例进行说明。基于改进Unet网络的输电线路覆冰厚度预测方法包括以下步骤:
S1、构建输电线路覆冰图像数据集并进行预处理、标签制作;
输电线路覆冰图像数据集包括各拍摄点覆冰前后的图像(在多个方位取拍摄点进行拍摄以保证数据的全面性),覆冰前后的图像成一一对应,分别取10%的图像模拟数据传输过程中图片压缩所导致的画质模糊、5%的图像添加椒盐噪声、30%的图像进行左右偏移、翻转的方向调整、5%的图像改变锐度,改变锐度的值设定为1.2、5%进行色衰处理,色衰处理的颜色值设定为0.8、5%的图像将亮度变暗为原图的0.87、5%的图像将亮度增强为原图的1.07以及将5%的图像的对比度设置在原图的0.8~1.2之间,其余30%图像不作任何处理。对图像进行分类并预处理,其目的是让输电线路覆冰图像数据集可以模拟出各类天气以及摄像头拍摄过程与图像传输过程中可能导致图像质量较差的情况,可以让训练出来的模型更具备泛化性;输电线路覆冰图像数据集中的图像分类的比例则是依据实际拍摄情况中模糊图像、光线较暗、存在噪声等情况占数据集图像的比例所划分。
将预处理后的图像利用labelme软件进行标签制作,在制作标签时,图像中的覆冰导线与非覆冰导线标注为同一类,其余背景均看作为图片背景;标注后的标签文件为.json格式,在进行Unet网络训练前,统一转化为.png格式。在利用labelme软件进行标签制作中,将覆冰导线与不覆冰导线作为同一类分割目标,在计算覆冰厚度时,覆冰导线可预测出一个覆冰厚度,未覆冰导线覆冰厚度近似为0。
S2、构建改进的Unet网络,利用预处理后的图像进行训练;
改进的Unet网络的结构如图2所示;首先,依次利用一个Focus结构、三个Conv2D+Maxpool结构、一个Conv2D+SPP结构以及三个Conv2D结构构建主干特征提取网络VGG-S;其次,采用四次上采样、四次Conv2D操作以及四次Concatenate操作构建特征融合网络;最后,利用一个1×1的卷积(Conv2D)将调整通道数调整为2,并输出最后一个特征层进行语义分割;具体操作为:
S2.1、构建改进的Unet网络的基本单元:利用两次Conv2D操作与一次最大池化Maxpool构建Conv2D+Maxpool结构;采用三次Conv2D操作与一次空间金字塔池化SPP结构构建Conv2D+SPP结构;此外,利用Conv2D、标准化、激活函数ReLU以及4个大小为1×1、5×5、9×9以及13×13的池化核进行最大池化构成SPP结构。
S2.2、构建改进的Unet网络的主干特征提取网络,并进行特征提取:将输入图片(Input)大小设置为512×512×3,经过一个Focus结构后图片特征层大小变为256×256×12;然后依次经过三个Conv2D+Maxpool结构,分别获得三个大小为128×128×64、64×64×128以及32×32×256的第一有效特征层F1、第二有效特征层F2以及第三有效特征层F3;将第三有效特征层F3继续下采样经过一个Conv2D+SPP结构,此时获得一个大小为16×16×512的第四有效特征层F4;最后将第四有效特征层F4进行三次Conv2D结构,并使用1×1的卷积保证通道数不发生变化,此时获得一个大小为16×16×512的第五有效特征层F5;
S2.3、构建改进的Unet网络的特征融合网络:将第五有效特征层F5进行上采样,与第四有效特征层F4进行Concatenate操作,此时获得大小为32×32×1024的第一加强特征层P1;将第一加强特征层P1经过一个Conv2D结构后继续上采样与第三有效特征层F3进行Concatenate操作,获得大小为64×64×768的第二加强特征层P2;同理,将第二加强特征层P2经过一个Conv2D结构后继续上采样与第二有效特征层F2进行Concatenate操作,获得一个大小为128×128×384的第三加强特征层P3;此外,将第三加强特征层P3经过一个Conv2D结构后继续上采样与第一有效特征层F1进行Concatenate操作,获得一个大小为256×256×192的第四加强特征层P4;第四加强特征层P4经过一个Conv2D结构将特征层大小调整为256×256×64,获得第五加强特征层P5;
S2.4、构建改进的Unet网络的语义分割模块:最后将第五加强特征层P5利用一个1×1的卷积将调整通道数调整为2,并输出一个大小为256×256×2的特征层进行语义分割;
S2.5、设置改进的Unet网络训练的参数:改进的Unet网络训练前采用参数随机初始化的策略,由于改进的Unet网络主干发生变化,预训练权重不可用,并且覆冰图像中导线的特征十分明显,因此可以让改进的Unet网络在训练中自动去调整参数;训练过程中批尺寸Bacthsize=8,总共训练500轮次,让Unet网络在足够多的训练轮次下,采用早停法终止训练;此外,关闭冻结训练与多线程模式,初始学习率大小设置为0.0001,随后训练中阶段离散的去调整改进的Unet网络学习率;并开启Adam优化器辅助训练;
S3、利用训练后的改进的Unet网络对覆冰前后的图像进行语义分割,计算导线的像素面积后利用经验公式获得初步预测覆冰厚度;
对于同一拍摄点,以覆冰前与覆冰后的图像为一组,共获得该拍摄点20组覆冰前后的图像;训练结束后可获得多组训练权重,从中取出损失值最低的权重输入入改进的Unet网络,对20组图像进行语义分割,其效果如图3所示,可获得20组分割后的图像并计算覆冰前后导线像素的面积;此外,在语义分割前为了计算导线像素面积更加精确,将目标导线的颜色设置为绿色,使得导线的像素面积明显,图片背景的颜色为黑色,使得背景的像素面积不被计算。
覆冰前导线的像素面积为Sq,覆冰后导线的像素面积为Sh,利用经验公式求得20组图像的初步预测覆冰厚度,经验公式如下式所示:
λi为第i组图像的初步预测覆冰厚度,其中i=1~20,d为导线的直径。
S4、获得同一导线多组图像的初步预测覆冰厚度,各组预测误差取平均得到调整系数,计算最终覆冰厚度;
在历史数据建模阶段,知道每一组求得的初步预测覆冰厚度和实际测量得到导线的实际覆冰厚度,则该地段覆冰厚度的调整系数α的具体计算如下式所示:
λi为第i组图像的初步预测覆冰厚度,Ri为第i组图像的实际覆冰厚度。
在预测工作阶段,最终预测的覆冰厚度为λi+α;此外,所用的覆冰前后图像均要为同一地段的图像,针对不同地段计算出的调整系数α应当不同。由实验结果可知,本发明方法可正确预测输电线路覆冰的厚度,且预测误差相较于传统方法较小。
本实施例中根据实际运行中可能出现的影响情况:将目标图像进行预处理时,不可对图像进行缩放、遮挡等操作,否则将会影响后期对于像素面积的计算,从而影响覆冰厚度的计算;求调整系数α时,覆冰图像应为同一覆冰地段的图像,其覆冰组数i应尽可能的增大,算出的调整系数α也越加可靠;一般来说,不同地区的覆冰特征也不尽相同,此处的调整系数α只能用于该地段对预测覆冰厚度的调整。
本实施例选用Unet网络,是因为在相同参数设置下,利用原始Unet网络以及DeeplabV3+网络分别进行模型的训练,实验结果表明Unet网络分割覆冰图像效果更好。
本实施例对Unet网络进行改进是为了使得Unet网络在不损失精度的前提下,具备更加的轻量化,Unet网络参数量较少三分之二;由于导线的特征十分明显,因此可以在减少其卷积次数的前提下,完成对导线与图像背景的精准分割,加入Focus与SPP结构均是为了在减少卷积次数的情况下,提高特征层的尺度;利用一个1×1的卷积将调整通道数调整为2,则是因为本发明方法中,图像分割的类别为导线与背景两类;
本实施例训练时采用参数随机初始化的策略,由于网络主干发生变化,预训练权重不可用,并且覆冰图像中导线的特征十分明显,因此可以让模型在训练中自动去调整模型参数;总共训练500轮次则是为了让模型在足够多的训练轮次下,采用早停法终止训练。
本实施例提供了基于改进Unet网络的输电线路覆冰厚度预测装置,包括数据采集装置和数据处理装置;数据采集装置包括用于拍摄覆冰前后的图像的摄像机和搭载摄像机的设备,搭载摄像机的设备包括但不限于无人机;数据处理装置包括预处理模块、labelme软件、以Unet网络为基础的图像处理模块、初步计算模块和校正计算模块。
本实施例中,以Unet网络为基础的图像处理模块搭载改进的Unet网络,改进的Unet网络包括主干特征提取网络VGG-S、特征融合网络和语义分割模块;依次利用一个Focus结构、三个Conv2D+Maxpool结构、一个Conv2D+SPP结构以及三个Conv2D结构构建主干特征提取网络VGG-S;采用四次上采样、四次Conv2D操作以及四次Concatenate操作构建特征融合网络;所述语义分割模块利用卷积调整通道数,并输出最后一个特征层进行语义分割。
本实施例中,预处理模块取10%的图像模拟数据传输过程中图片压缩所导致的画质模糊、5%的图像添加椒盐噪声、30%的图像进行左右偏移、翻转的方向调整、5%的图像改变锐度,改变锐度的值设定为1.2、5%进行色衰处理,色衰处理的颜色值设定为0.8、5%的图像将亮度变暗为原图的0.87、5%的图像将亮度增强为原图的1.07以及将5%的图像的对比度设置在原图的0.8~1.2之间,其余30%图像不作任何处理。对图像进行分类并预处理,其目的是让输电线路覆冰图像数据集可以模拟出各类天气以及摄像头拍摄过程与图像传输过程中可能导致图像质量较差的情况,可以让训练出来的模型更具备泛化性;输电线路覆冰图像数据集中的图像分类的比例则是依据实际拍摄情况中模糊图像、光线较暗、存在噪声等情况占数据集图像的比例所划分。
初步计算模块利用经验公式求得20组图像的初步预测覆冰厚度,经验公式如下式所示:
λi为第i组图像的初步预测覆冰厚度,其中i=1~20,d为导线的直径。
校正计算模块计算调整系数α,并按λi+α计算最终预测的覆冰厚度。
在另一些实施例中,提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意实施例中的基于改进Unet网络的输电线路覆冰厚度预测方法。
本实施例还提供一种计算机程序产品,计算机程序产品包括存储在非易失性计算机存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述实施例的基于改进Unet网络的输电线路覆冰厚度预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,包括如下步骤:
S1、构建输电线路覆冰图像数据集并进行预处理、标签制作;
S2、构建改进的Unet网络,利用预处理后的图像进行训练;改进的Unet网络包括主干特征提取网络VGG-S、特征融合网络和语义分割模块;依次利用一个Focus结构、三个Conv2D+Maxpool结构、一个Conv2D+SPP结构以及三个Conv2D结构构建主干特征提取网络VGG-S;采用四次上采样、四次Conv2D操作以及四次Concatenate操作构建特征融合网络;所述语义分割模块利用卷积调整通道数,并输出最后一个特征层进行语义分割;
S3、利用训练后的改进的Unet网络对覆冰前后的图像进行语义分割,计算导线的像素面积后利用经验公式获得初步预测覆冰厚度;对于同一拍摄点,以覆冰前与覆冰后的图像为一组,对各组图像进行语义分割,获得各组分割后的图像并计算覆冰前后导线像素的面积;覆冰前导线的像素面积为Sq,覆冰后导线的像素面积为Sh,利用经验公式求得各组图像的初步预测覆冰厚度,经验公式如下式所示:
λi为第i组图像的初步预测覆冰厚度,d为导线的直径;
S4、获得同一导线多组图像的初步预测覆冰厚度,各组预测误差取平均得到调整系数,计算最终覆冰厚度。
2.根据权利要求1所述的基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,步骤S1中所述预处理是将获取的输电线路覆冰图像数据集分别取一部分的图像进行模糊处理、添加噪声、方向调整、改变锐度、色衰处理、将亮度变暗、将亮度增强以及改变对比度,留一部分图像不作任何处理。
3.根据权利要求1所述的基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,主干特征提取网络VGG-S进行特征提取的过程为:输入图片经过一个Focus结构调整图片特征层大小;然后依次经过三个Conv2D+Maxpool结构,分别获得第一有效特征层F1、第二有效特征层F2以及第三有效特征层F3;将第三有效特征层F3继续下采样经过一个Conv2D+SPP结构,获得第四有效特征层F4;最后将第四有效特征层F4进行三次Conv2D结构,并使用卷积保证通道数不发生变化,获得第五有效特征层F5。
4.根据权利要求3所述的基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,特征融合网络进行特征融合的过程为:将第五有效特征层F5进行上采样,与第四有效特征层F4进行Concatenate操作,获得第一加强特征层P1;将第一加强特征层P1经过一个Conv2D结构后继续上采样与第三有效特征层F3进行Concatenate操作,获得第二加强特征层P2;同理,将第二加强特征层P2经过一个Conv2D结构后继续上采样与第二有效特征层F2进行Concatenate操作,获得第三加强特征层P3;此外,将第三加强特征层P3经过一个Conv2D结构后继续上采样与第一有效特征层F1进行Concatenate操作,获得第四加强特征层P4;第四加强特征层P4经过一个Conv2D结构,获得第五加强特征层P5。
5.根据权利要求4所述的基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,述语义分割模块将第五加强特征层P5利用一个1×1的卷积将调整通道数调整为2,并输出一个大小为256×256×2的特征层进行语义分割。
6.根据权利要求2所述的基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,步骤S1中,分别取10%的图像模拟数据传输过程中图片压缩所导致的画质模糊、5%的图像添加椒盐噪声、30%的图像进行左右偏移、翻转的方向调整、5%的图像改变锐度,改变锐度的值设定为1.2、5%进行色衰处理,色衰处理的颜色值设定为0.8、5%的图像将亮度变暗为原图的0.87、5%的图像将亮度增强为原图的1.07以及将5%的图像的对比度设置在原图的0.8~1.2之间,其余30%图像不作任何处理。
7.根据权利要求2所述的基于改进Unet网络的输电线路覆冰厚度预测方法,其特征是,在语义分割前,将目标导线的颜色设置为绿色,使得导线的像素面积明显,图片背景的颜色为黑色。
9.一种基于改进Unet网络的输电线路覆冰厚度预测装置,包括数据采集装置和数据处理装置;数据采集装置包括用于拍摄覆冰前后的图像的摄像机和搭载摄像机的设备,搭载摄像机的设备包括但不限于无人机;数据处理装置包括预处理模块、labelme软件、以Unet网络为基础的图像处理模块、初步计算模块和校正计算模块。
10.一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行权利要求1-8任意一项所述基于改进Unet网络的输电线路覆冰厚度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211295413.8A CN115661645A (zh) | 2022-10-21 | 2022-10-21 | 一种基于改进Unet网络的输电线路覆冰厚度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211295413.8A CN115661645A (zh) | 2022-10-21 | 2022-10-21 | 一种基于改进Unet网络的输电线路覆冰厚度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661645A true CN115661645A (zh) | 2023-01-31 |
Family
ID=84990037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211295413.8A Pending CN115661645A (zh) | 2022-10-21 | 2022-10-21 | 一种基于改进Unet网络的输电线路覆冰厚度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661645A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596920A (zh) * | 2023-07-12 | 2023-08-15 | 国网江西省电力有限公司电力科学研究院 | 一种长串瓷绝缘子无人机实时测零方法及系统 |
-
2022
- 2022-10-21 CN CN202211295413.8A patent/CN115661645A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596920A (zh) * | 2023-07-12 | 2023-08-15 | 国网江西省电力有限公司电力科学研究院 | 一种长串瓷绝缘子无人机实时测零方法及系统 |
CN116596920B (zh) * | 2023-07-12 | 2023-11-07 | 国网江西省电力有限公司电力科学研究院 | 一种长串瓷绝缘子无人机实时测零方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163246B (zh) | 基于卷积神经网络的单目光场图像无监督深度估计方法 | |
CN111064904A (zh) | 一种暗光图像增强方法 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN110633633B (zh) | 一种基于自适应阈值的遥感影像道路提取方法 | |
CN114037938B (zh) | 一种基于NFL-Net的低照度目标检测方法 | |
CN115661645A (zh) | 一种基于改进Unet网络的输电线路覆冰厚度预测方法 | |
CN109949209A (zh) | 一种基于深度学习的绳索检测与去除方法 | |
CN111652231B (zh) | 一种基于特征自适应选择的铸件缺陷语义分割方法 | |
CN112396042A (zh) | 实时更新的目标检测方法及系统、计算机可读存储介质 | |
CN115239710A (zh) | 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法 | |
CN116993975A (zh) | 基于深度学习无监督领域适应的全景相机语义分割方法 | |
CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备 | |
CN114724052A (zh) | 一种基于深度学习网络模型的电力图像天际线分割方法 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN117372829A (zh) | 海上船舶目标识别方法、装置、电子设备及可读介质 | |
KR102421289B1 (ko) | 패러렐 디시전 보팅 알고리즘에 따른 영상기반 시정 탐지 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
CN115100500A (zh) | 一种目标检测方法、装置和可读存储介质 | |
CN116452472A (zh) | 基于语义知识引导的低照度图像增强方法 | |
CN114708250B (zh) | 一种图像处理方法、装置及存储介质 | |
CN116309171A (zh) | 一种输电线路监控图像增强方法和装置 | |
CN116363064A (zh) | 融合目标检测模型和图像分割模型的缺陷识别方法及装置 | |
CN116342898A (zh) | 一种冰风洞中翼型结冰区域检测方法、装置、设备和存储介质 | |
CN116052149A (zh) | 一种基于CS-ABCNet的电力塔牌检测识别方法 | |
CN114387484A (zh) | 一种基于yolov4改进的口罩佩戴检测方法及系统 |
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 |