CN115829999A - 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 - Google Patents
一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115829999A CN115829999A CN202211656530.2A CN202211656530A CN115829999A CN 115829999 A CN115829999 A CN 115829999A CN 202211656530 A CN202211656530 A CN 202211656530A CN 115829999 A CN115829999 A CN 115829999A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- target
- model
- 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
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质。该方法包括：通过获取绝缘子图像，并对绝缘子图像进行处理，得到样本绝缘子图像；基于预先标签对样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，预设标签包括四个类别的标签；基于训练样本图像集，训练预设目标检测算法模型，得到最优权重参数；根据实验结果调整预设图像算法，得到目标图像算法检测绝缘子是否存在缺陷。轻量化模型Mobilenet应用于YOLOv5_s的主干网络来进行特征提取可训练参数和运算量较少的卷积神经网络，通过改进使得模型对绝缘子缺陷检测模型生成提高了效率，在保证了检测缺陷准确率的同时也轻量化网络，满足移动端设备。
Description
技术领域
本发明涉及智能电力技术领域，尤其涉及一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质。
背景技术
在电力系统中，输电线路多分布于地形复杂、气候恶略的环境，这给输电线路巡检带来了很大的困难。设置在输电线路中的绝缘子长期运行于强电场、高温日照、高机械应力、高湿度等复杂的环境中，当绝缘子劣化到一定程度时，其绝缘性能就会降低，使输电线路出现安全隐患。尤其是在高压输电线路上，绝缘子的恶化直接威胁着电力系统的安全运行。
为了避免因绝缘子劣化带来的安全问题，可以对绝缘子进行缺陷检测。
机器学习检测缺陷：一般使用类似MLP的一些单层神经网络，对缺陷特征进行训练分类，需要事先提取出缺陷部分，一般用来与传统分割法搭配使用，达到缺陷检测分类的效果。但是面对多样复杂的环境时，却难以表现出较强的健壮性，检测精度比较低，导致了计算量大，降低了检测模型的精度。
发明内容
本发明的主要目的在于提出一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质，旨在解决现有绝缘子缺陷检测模型生成方式检测模型的检测精度低的问题。
本发明实施例提供了一种绝缘子缺陷检测模型生成方法，包括：获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像；基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，所述预设标签包括四个类别的标签；基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，所述目标检测算法模型包括输入端、主干网络、颈部网络与输出端；根据实验结果调整所述预设图像算法，得到目标图像算法，其中，所述目标图像算法用于检测绝缘子是否存在缺陷。
可选的，所述获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像，包括：通过摄像装置获取不同种类的绝缘子缺陷的图像，得到所述绝缘子图像；将所述绝缘子图像进行尺寸归一化，得到具体目标尺寸的样本绝缘子图像。
可选的，所述基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，包括：使用图形图像解释工具对所述样本绝缘子图像进行标签标注，将所述样本绝缘子图像中有缺陷的地方进行画框，并且标注所述预设标签，得到具有标签信息的训练样本图像集，其中，所述标签信息以PASCALVOC格式另存为XML格式，所述训练样本图像集包括第一占比的验证图像集，第二占比的训练图像集，所述第一占比与所述第二占比的和为1。
可选的，所述基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，包括：将所述训练样本图像集中的图像通过所述输入端转换为目标张量输入到所述预设目标检测算法模型，其中，所述输入端包括Mosaic增强、自适应锚框计算、自适应图片缩放操作；通过所述主干网络提取所述图像的特征，基于所述特征得到特征图；所述特征图经过空间金字塔池化模块后，通过数组将池化后的特征图聚合，得到目标特征；基于所述目标特征所述输出层做出预测，完成目标检测结果的输出。
可选的，所述通过所述主干网络提取所述图像的特征，基于所述特征得到特征图，包括：通过所述主干网络中的轻量化模型Mobilenet提取所述图像的特征；将深度可分离卷积代替标准的卷积模块，其中，所述深度可分离卷积是由深度卷积和逐点卷积组成。
可选的，其特征在于，所述深度可分离卷积的参数量和运算量如下：
Pd＝Dk·Dk·M+M·N
Fd＝Dk·Dk·M·Dw·Dh+M·N·Dw·Dh
其中，设输入特征图宽高为Dw、Dh，输入通道数为M，卷积核大小为Dk，输出通道数为N，标准卷积的参数量为Ps，运算量为Fs。
可选的，所述预设目标检测算法模型包括目标损失函数，其中，所述目标损失函数包括：回归损失IoU_Loss、类别损失Cls_Loss以及目标损失Obj_Loss：
其中，所述回归损失函数IoU_Loss只考虑到重叠面积，若两个对象框不重叠时，IoU值将为零，并且不会反映两个对象框之间的距离，在非重叠情况下，如果将IoU作为回归损失，其梯度将为零，无法进行优化；若两个对象框重叠方式不同，IoU面积相同时，IoU不能说明两个对象框的重叠情况。
本发明实施例还提供了一种绝缘子缺陷检测模型生成装置，包括：获取单元，用于获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像；标注单元，用于基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，所述预设标签包括四个类别的标签；训练单元，用于基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，所述目标检测算法模型包括输入端、主干网络、颈部网络与输出端；调整单元，用于根据实验结果调整所述预设图像算法，得到目标图像算法，其中，所述目标图像算法用于检测绝缘子是否存在缺陷。
本发明实施例还提供了一种绝缘子缺陷检测模型生成设备，所述绝缘子缺陷检测模型生成设备包括处理器、存储器；所述处理器用于执行所述存储器中存储的绝缘子缺陷检测模型生成程序，以实现上述任一项所述的绝缘子缺陷检测模型生成方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的绝缘子缺陷检测模型生成方法。
在本发明实施例中，通过获取绝缘子图像，并对绝缘子图像进行处理，得到样本绝缘子图像；基于预先标签对样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，预设标签包括四个类别的标签；基于训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，目标检测算法模型包括输入端、主干网络、颈部网络与输出端；根据实验结果调整预设图像算法，得到目标图像算法，其中，目标图像算法用于检测绝缘子是否存在缺陷。轻量化模型Mobilenet应用于YOLOv5_s的主干网络来进行特征提取可训练参数和运算量较少的卷积神经网络，通过改进使得模型对绝缘子缺陷检测模型生成提高了效率，在保证了检测缺陷准确率的同时也轻量化网络，满足移动端设备。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为根据本发明一实施例的绝缘子缺陷检测模型生成方法的流程图；
图2为根据本发明一实施例的基于改进YOLOv5轻量化的电力系统绝缘子缺陷检测模型生成方法的流程图；
图3为根据本发明一实施例的YOLOv5网络结构示意图；
图4为根据本发明一实施例的标准卷积示的示意图；
图5为根据本发明一实施例的深度可分离卷积的示意图；
图6为根据本发明一实施例的深度分离卷积组成结构示意图；
图7为根据本发明一实施例的SE(Squezze-and-Excitation)挤压和激励注意力机制示意图；
图8为根据本发明一实施例的加权双向特征金字塔提取网络结构示意图；
图9为根据本发明一实施例的改进后的加权双向特征金字塔提取网络结构示意图；
图10为根据本发明一实施例的CIoU计算回归损失的原理示意图；
图11为根据本发明一实施例的绝缘子缺陷检测模型生成装置结构图。
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，以下结合附图及具体实施例，对本发明作进一步地详细说明。
根据本发明的实施例，提供了一种绝缘子缺陷检测模型生成方法。如图1所示，为根据本发明一实施例的绝缘子缺陷检测模型生成方法的流程图。
步骤S102，获取绝缘子图像，并对绝缘子图像进行处理，得到样本绝缘子图像。
步骤S104，基于预先标签对样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，预设标签包括四个类别的标签。
步骤S106，基于训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，目标检测算法模型包括输入端、主干网络、颈部网络与输出端。
步骤S108，根据实验结果调整预设图像算法，得到目标图像算法，其中，目标图像算法用于检测绝缘子是否存在缺陷。
在本实施例中，上述绝缘子缺陷检测模型生成方法可以包括但不限于应用于绝缘子缺陷的检测。其中，目标图像算法是用于绝缘子缺陷的检索。通过情况下，绝缘子的缺陷包括但不限于四类，分别是绝缘子瓷瓶破损、绝缘子上的均压环损坏、均压环脱落以及均压环移位。
其中，上述预先标签包括但不限于绝缘子瓷瓶破损、绝缘子上的均压环损坏、均压环脱落以及均压环移位。
在本实施例中，将轻量化模型Mobilenet应用于YOLOv5_s的主干网络来进行特征提取，它是一个模型尺寸较小，可训练参数和运算量较少的卷积神经网络，适用于移动、嵌入式设备，通过改进使得模型对绝缘子缺陷检测模型生成提高了效率，不仅有助于及时进行补修工作，还减少了电路运输的事故率，本发明检测方法提高各种缺陷类型的检测，也支持在移动端的使用，克服了现有模型无法实现终端检测问题，在保证了检测缺陷准确率的同时也轻量化网络，满足移动端设备。
在本发明实施例中，YOLO系列算法是一种深度学习神经网络图像识别算法。YOLOv5算法作为单阶段检测算法的代表，具有代码量少、程序简单、检测速率快、检测准确度高等优点，已成为目前与工程技术使用最接近的图像识别算法。
其中，基于YOLOv5_m模型来进行改进的，首先是为了能将本方案涉及的内容应用在嵌入式设备、移动端，采取对YOLOv5模型进行轻量化改进，将模型的Backbone(主干网络)替换为轻量化模型Mobilenetv3。其次，在减少模型的参数量的前提下，将YOLOv5模型的Neck(颈部网络)由原先的PANet(Path Aggregation Network for InstanceSegmentation)替换为BiFPN(Bidirectional Feature Pyramid Network)加权双向(自顶向下+自低向上)特征金字塔网络。最后引入新的损失函数SIOU，提高模型的准确性和训练速度。
通过本申请的实施例，通过获取绝缘子图像，并对绝缘子图像进行处理，得到样本绝缘子图像；基于预先标签对样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，预设标签包括四个类别的标签；基于训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，目标检测算法模型包括输入端、主干网络、颈部网络与输出端；根据实验结果调整预设图像算法，得到目标图像算法，其中，目标图像算法用于检测绝缘子是否存在缺陷。轻量化模型Mobilenet应用于YOLOv5_s的主干网络来进行特征提取可训练参数和运算量较少的卷积神经网络，通过改进使得模型对绝缘子缺陷检测模型生成提高了效率，在保证了检测缺陷准确率的同时也轻量化网络，满足移动端设备。
可选的，所述获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像，可以包括：通过摄像装置获取不同种类的绝缘子缺陷的图像，得到所述绝缘子图像；将所述绝缘子图像进行尺寸归一化，得到具体目标尺寸的样本绝缘子图像。
可选的，所述基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，可以包括：使用图形图像解释工具对所述样本绝缘子图像进行标签标注，将所述样本绝缘子图像中有缺陷的地方进行画框，并且标注所述预设标签，得到具有标签信息的训练样本图像集，其中，所述标签信息以PASCAL VOC格式另存为XML格式，所述训练样本图像集包括第一占比的验证图像集，第二占比的训练图像集，所述第一占比与所述第二占比的和为1。
在本实施例中，第一占比可以为20％，第二占比可以为80％。
可选的，所述基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，可以包括：将所述训练样本图像集中的图像通过所述输入端转换为目标张量输入到所述预设目标检测算法模型，其中，所述输入端包括Mosaic增强、自适应锚框计算、自适应图片缩放操作；通过所述主干网络提取所述图像的特征，基于所述特征得到特征图；所述特征图经过空间金字塔池化模块后，通过数组将池化后的特征图聚合，得到目标特征；基于所述目标特征所述输出层做出预测，完成目标检测结果的输出。
可选的，所述通过所述主干网络提取所述图像的特征，基于所述特征得到特征图，可以包括：通过所述主干网络中的轻量化模型Mobilenet提取所述图像的特征；将深度可分离卷积代替标准的卷积模块，其中，所述深度可分离卷积是由深度卷积和逐点卷积组成。
可选的，所述深度可分离卷积的参数量和运算量如下：
Pd＝Dk·Dk·M+M·N
Fd＝Dk·Dk·M·Dw·Dh+M·N·Dw·Dh
其中，设输入特征图宽高为Dw、Dh，输入通道数为M，卷积核大小为Dk，输出通道数为N，标准卷积的参数量为Ps，运算量为Fs。
可选的，所述预设目标检测算法模型包括目标损失函数，其中，所述目标损失函数可以包括：回归损失IoU_Loss、类别损失Cls_Loss以及目标损失Obj_Loss：其中，所述回归损失函数IoU_Loss只考虑到重叠面积，若两个对象框不重叠时，IoU值将为零，并且不会反映两个对象框之间的距离，在非重叠情况下，如果将IoU作为回归损失，其梯度将为零，无法进行优化；若两个对象框重叠方式不同，IoU面积相同时，IoU不能说明两个对象框的重叠情况。
本发明实施例在电力系统采集图像后自动进行绝缘子缺陷检测模型生成，确定绝缘子缺陷的发生位置，降低了人工巡检成本，解决了针对目前电力巡检中绝缘子定位速度慢、精度低的问题。本发明具有较高的稳定性，提升检测质量的可控性，同时可以进行信息的集成与留存，方便人员追溯。
在本发明实施例中，绝缘子缺陷检测模型生成模型可以采用YOLO模型。下面的描述以YOLO模型为例。
YOLO系列算法是一种深度学习神经网络图像识别算法。YOLOv5算法作为单阶段检测算法的代表，具有代码量少、程序简单、检测速率快、检测准确度高等优点，已成为目前与工程技术使用最接近的图像识别算法。
在本发明实施例中，绝缘子缺陷检测模型生成模型包括输入端、基准网络、颈部网络和输出端。在训练绝缘子缺陷检测模型生成模型之前，先采集用于训练绝缘子缺陷检测模型生成模型的样本绝缘子图像数据集。
为了防止绝缘子缺陷检测模型生成模型的样本量少，可以对样本绝缘子图像数据集中的样本绝缘子图像进行数据增强处理，以便增加样本绝缘子图像的数量，使得模型训练的数据量更加丰富，进而使模型检测准确度更高。
作为一种可选的实施例，本申请还提供了一种基于改进YOLOv5轻量化的电力系统绝缘子缺陷检测模型生成方法。如图2所示，基于改进YOLOv5轻量化的电力系统绝缘子缺陷检测模型生成方法的流程图。该方案的具体内容如下。
步骤S202，拍摄的绝缘子图像。
在本实施例，需要收集电力系统绝缘子缺陷检测模型生成数据集，通过项目中公司所提供的人工拍摄大量的巡检视频，从巡检视频中获取到大量的不同种类的绝缘子缺陷的图片，本数据集有四类，分别是绝缘子瓷瓶破损、绝缘子上的均压环损坏、均压环脱落以及均压环移位。
其中，使用LabelImg图形图像解释工具，将数据进行标注，将数据中有缺陷的地方进行画框并且标记上已经定义好的四类缺陷的名称。标签以PASCAL VOC格式(ImageNet使用的格式)另存为XML文件，此外，在制作数据集的过程中也需要将PASCAL VOC格式转化为YOLO格式来一并使用。将该数据划分为训练集和测试集，选择其中20％作为验证集，80％作为训练集。
步骤S204，对图像进行像素剪裁到800*800大小。
在本实施例中，所用的数据集由于大多数是人工进行拍摄的，所使用的拍摄工具不一，所以导致数据的像素值大小略有差异，有的数据过于太大，由于YOLOv5算法输入图像像素最优是640*640，所以我们在标注数据前进行裁剪，将数据的像素值控制在800*800内，在训练的过程中数据的缺陷位置信息不易丢失，可以使得模型训练的结果更加的精确。
步骤S206，对图像进行标注，制作数据集。
步骤S208，针对YOLOv5s进行改进。
其中，YOLO算法是由Joseph Redmon提出的目标检测算法，YOLOv5在原有YOLO目标检测框架的基础上，采用了近些年最优化的策略，使其速度与精度都得到了极大的性能提升。YOLOv5算法具有4个版本，具体包括：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种，互相的区别就在于模型的深度和宽度设置。主干网络越深，得到的特征图就越多，更深层次的网络意味着更加复杂。其中，YOLOV5s是网络深度最小，特征图的宽度最小，本发明将在YOLOv5_s中进行轻量化改进。我们通常可以将YOLOv5模型划分为4个通用的模块，具体包括：输入端、主干网络、颈部网络与输出端。如图3所示，YOLOv5网络结构示意图。
其中，输入端包括Mosaic增强、自适应锚框计算、自适应图片缩放，最终把图片转化为640*640*3的张量输入到网络中。主干网络Backbone主要就是用来提取所输入图片的特征，首先经过CBS层的切片操作，其次经过卷积模块起到下采样作用，进行特征提取，然后经过C3(BottleneckCSP)和Conv操作，得到特征图，最后经过空间金字塔池化模块(SpatialPyramid Pooling，SPPF)提升精度，多尺度特征融合，通过Concat将池化后的特征图聚合。Neck网络通常位于Backbone网络和Head网络的中间位置。利用Neck网络可以更好地利用Backbone网络提取到的特征，多尺度预测通过特征金字塔(Feature Pyramid Net，FPN)和感知对抗网络(Path Aggregation Network，PAN)结构来实现上采样和下采样过程。从而提升特征的多样性及鲁棒性。Head输出层主要利用之前提取的特征做出预测，完成目标检测结果的输出。
步骤S210，对改进后的网络多次进行训练，得到最优权重参数。
步骤S212，根据实验结果调整网络参数，保持最优训练结果。
步骤214，综合分析实验结果，(准确率、召回率、Map值)。
步骤216，测试数据，得到显著的绝缘子缺陷检测模型生成效果。
在本实施例中，MobileNet v3网络结构中，将轻量化模型Mobilenet应用于YOLOv5_s的主干网络来进行特征提取，它是一个模型尺寸较小,可训练参数和运算量较少的卷积神经网络,适用于移动、嵌入式设备通过改进使得模型对绝缘子缺陷检测模型生成提高了效率，不仅有助于及时进行补修工作，还减少了电路运输的事故率，检测方法提高各种缺陷类型的检测，也支持在移动端的使用，克服了现有模型无法实现终端检测问题，在保证了检测缺陷准确率的同时也轻量化网络，满足移动端设备。
MobileNet v3将深度可分离卷积代替了标准的卷积模块，深度可分离卷积是由深度卷积和逐点卷积组成，因此极大程度减少了模型的理论参数量(params)和运算量(floating point operations，FLOPs)。如图4所示，标准卷积示的示意图，如图5所示，深度可分离卷积的示意图。
其中，设输入特征图宽高为Dw、Dh，输入通道数为M，卷积核大小为Dk，输出通道数为N，标准卷积的参数量为Ps，运算量为Fs，标准卷积的参数量和运算量如下：
Ps＝Dk·Dk·M·N (1)
Fs＝Dk·Dk·M·N·Dw·Dh (2)
深度可分离卷积的参数量为Pd，运算量为Fd，深度可分离卷积的参数量和运算量如下：
Pd＝Dk·Dk·M+M·N (3)
Fd＝Dk·Dk·M·Dw·Dh+M·N·Dw·Dh (4)
深度可分离卷积与标准卷积的参数量和运算量之比均为
若采用3×3的卷积核，深度可分离卷积的参数量和运算量将降为标准卷积的1/8到1/9。
需要说明的是，MobileNetv3继续延用了MobileNetv2的特殊瓶颈结构-逆残差结构，如图6所示，深度分离卷积组成结构示意图。每个逆残差网络由两个1×1普通卷积和一个3×3深度分离卷积组成。该网络首先将特征图的维数通过1×1卷积进行升维操作，然后通过3×3深度可分离卷积提取特征，最后通过1×1卷积压缩通道.并在深度可分离卷积之后选择性的在特征图后引入挤压和激励注意力机制(SE)，通过学习自动获取到每个特征通道的重要程度，为每个特征通道赋予一定的权重，让网络重点关注有用特征通道并抑制无用特征通道。
其中，改进的SE通道注意力机制，如图7所示，SE(Squezze-and-Excitation)挤压和激励注意力机制，是用来解决在进行卷积池化的过程中特征图的不同通道所占的重要性不同带来的损失问题。在传统池化卷积操作中，默认为特征图每个通道重要程度都是相同的，但是在实际问题处理中，不同通道的重要性往往是不相同的。
SE模块首先将特征图通过一个Squeeze操作得到1×1×C的包含通道信息的张量，压缩操作所得信息要能综合所有层的信息，采用一个较为直接的方法：每一层值全部加起来取平均，也叫全局池化。全局池化公式如(5)所示：
式(5)中Zc指压缩后的1×1×C的第c个值，uc(i,j)是前面输出的第c层，第i行第j列的值。压缩完后这个张量(tensor)通过一个非线性激励(Excitation)过程得到整合了各个通道信息的权重。对于1×1×C的tensor进行信息的整合要求是非线性的。使得其表达能力增强。
其中，h-swish函数，MobileNetv3更新了激活函数，在MobileNetv2中使用的是ReLU6激活函数，而在MobileNetv3中则使用h-swish激活函数，是在Swish函数基础上改进而来，相比较ReLU在深度模型上效果更优一些，此函数计算公式如(6)所示，式中β是可训练的参数。但是为了能够让其sigmoid函数可以应用于移动端，所以MobileNetv3改用近似函数来逼近swish，提高ReLU6的推理速度。公式如(7)所示：
f(x)＝x·sigmoid(βx)(6)
但并不是整个模型都使用h-swish激活函数，除去第1个卷积层，模型的前一半使用的是常规激活函数ReLU，后半部分才使用h-swish。因为h-swish函数在较深的层上面才有用，特征图在浅层时比较大，计算激活成本较高，所以在浅层简单的使用ReLU可以比h-swish更省时。
一种加权双向特征金字塔提取网络，主要结构是高效的双向跨尺度连接和加权特征融合，可以简单快速的进行多尺度融合，如图8所示，加权双向特征金字塔提取网络结构示意图。
其中P3～P7是5个输入特征，经过BiFPN中的上采样、下采样和叠加等运算，输出5个提取后的特征。保留原来的YOLOv5的网络结构，也同样对中间层、中下层和底层这3个特征层进行特征提取，然后传入BiFPN加强特征提取网络。但由于BiFPN网络有5个输入特征层，所以将BiFPN网络简化为3个输入特征层，以减少计算量和适应。如图9所示，改进后的加权双向特征金字塔提取网络结构示意图。在特征提取时，不同的输入特征其分辨率也不同，而它们对输出特征的贡献明显是不相等的，因此BiFPN网络为每个输入特征额外添加了可学习的权重，使网络不断调整权重确定每个输入特征对输出特征的重要性。BiFPN网络采用精度与softmax-basedfusion相似但速度快30％的快速归一化方法，如式(8)所示：
式(8)中，IN和OUT分别表示输入和输出特征，权重Wi都使用ReLU激活函数以保证Wi≥0，ε＝0.0001是一个保证数值稳定的小量。BiFPN网络输出3个加强特征提取后的特征层，其shape大小分别为P3 OUT＝(80，80，256)，
其中，损失函数CIOU，YOLOv5损失函数包含三个部分：回归损失IoU_Loss：判断预测框与真实框的误差；类别损失Cls_Loss：判断特征点包含物体的种类；目标损失Obj_Loss：判断特征点是否包含物体。
YOLOv5的回归损失函数IoU_Loss只考虑到重叠面积，若两个对象框不重叠时，IoU值将为零，并且不会反映两个对象框之间的距离，在这种非重叠情况下，如果将IoU作为回归损失，其梯度将为零，无法进行优化；若两个对象框重叠方式不同，IoU面积相同时，IoU不能说明两个对象框的重叠情况。
本发明所采用CIoU来代替IoU计算损失值。如图10所示，CIoU计算回归损失的原理示意图，相应的计算公式如下：
CIoU_Loss可以定义为：
式9中的c是覆盖预测框和真实框的最小包围框的对角线长度，d是预测框与真实框的中心点的距离，α是权重因子，ν用来度量纵横比的一致性，式11中的wgt、hgt是真实框的宽和高，w、h是预测框的宽和高。公式12中IoU对应为两个对象框的重叠面积，
为惩罚项，分别对应两个对象框的中心点之间的归一化距离和边界框纵横比的一致性。CIoU将三个重要的几何因素全部考虑进去，即使两个对象框不重叠也不会使损失计算为0，也可以获得较好的相似度度量效果。
需要说明的是，模型评价指标主要包括三点：一是平均精度均值(mean AveragePrecision,mAP)、二是精度(Precision)、三是召回率(recall)。公式(13)所示mAP表示所有类别的平均精度求和除以数据集中所有类的平均精度，
公式(14)所示精度(Precision)表示分类器认为是正类并且确实是正类的部分占分类器认为是正类的比例。公式(15)所示召回率(recall)表示分类器认为是正类并且确实是正类的部分占所有确实是正类的比例。在本次实验中，TP、FP和FN分别表示正确检测框、误检框和漏检框的数量：
在本实施例中，将轻量化模型Mobilenet应用于YOLOv5_s的主干网络来进行特征提取，它是一个模型尺寸较小，可训练参数和运算量较少的卷积神经网络，适用于移动、嵌入式设备通过改进使得模型对绝缘子缺陷检测模型生成提高了效率，不仅有助于及时进行补修工作，还减少了电路运输的事故率，本发明检测方法提高各种缺陷类型的检测，也支持在移动端的使用，克服了现有模型无法实现终端检测问题，在保证了检测缺陷准确率的同时也轻量化网络，满足移动端设备。
将BiFPN一种加权双向特征金字塔提取网络应用于YOLOv5的Neck结构中，并且比之原来的算法结构来说更加轻量级。主要结构是高效的双向跨尺度连接和加权特征融合，可以简单快速的进行多尺度融合。
YOLOv5的回归损失函数IoU_Loss只考虑到重叠面积，若两个对象框不重叠时，IoU值将为零，并且不会反映两个对象框之间的距离，在这种非重叠情况下，如果将IoU作为回归损失，其梯度将为零，无法进行优化；若两个对象框重叠方式不同，IoU面积相同时，IoU不能说明两个对象框的重叠情况。所以本发明采用CIOU损失函数，增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。进一步提升了回归精度。
本发明实施例还提供了一种绝缘子缺陷检测模型生成装置，如图11所示，是根据本发明一实施例的绝缘子缺陷检测模型生成装置的结构图。该绝缘子缺陷检测模型生成装置包括：
获取单元1101，用于获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像。
标注单元1103，用于基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，所述预设标签包括四个类别的标签。
训练单元1105，用于基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，所述目标检测算法模型包括输入端、主干网络、颈部网络与输出端。
调整单元1107，用于根据实验结果调整所述预设图像算法，得到目标图像算法，其中，所述目标图像算法用于检测绝缘子是否存在缺陷。
通过本申请实施例的方案，获取单元获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像；标注单元基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，所述预设标签包括四个类别的标签；训练单元基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，所述目标检测算法模型包括输入端、主干网络、颈部网络与输出端；调整单元根据实验结果调整所述预设图像算法，得到目标图像算法，其中，所述目标图像算法用于检测绝缘子是否存在缺陷。
可选的，所述获取单元1101，可以包括：获取模块，用于通过摄像装置获取不同种类的绝缘子缺陷的图像，得到所述绝缘子图像；尺寸处理模块，用于将所述绝缘子图像进行尺寸归一化，得到具体目标尺寸的样本绝缘子图像。
可选的，所述标注单元1103，可以包括：标注模块，用于使用图形图像解释工具对所述样本绝缘子图像进行标签标注，将所述样本绝缘子图像中有缺陷的地方进行画框，并且标注所述预设标签，得到具有标签信息的训练样本图像集，其中，所述标签信息以PASCALVOC格式另存为XML格式，所述训练样本图像集包括第一占比的验证图像集，第二占比的训练图像集，所述第一占比与所述第二占比的和为1。
可选的，所述训练单元1105，可以包括：转换模块，用于将所述训练样本图像集中的图像通过所述输入端转换为目标张量输入到所述预设目标检测算法模型，其中，所述输入端包括Mosaic增强、自适应锚框计算、自适应图片缩放操作；提取模块，用于通过所述主干网络提取所述图像的特征，基于所述特征得到特征图；聚合模块，用于所述特征图经过空间金字塔池化模块后，通过数组将池化后的特征图聚合，得到目标特征；预测模块，用于基于所述目标特征所述输出层做出预测，完成目标检测结果的输出。
可选的，所述提取模块，还拥有执行如下操作：通过所述主干网络中的轻量化模型Mobilenet提取所述图像的特征；将深度可分离卷积代替标准的卷积模块，其中，所述深度可分离卷积是由深度卷积和逐点卷积组成。
其中，所述深度可分离卷积的参数量和运算量如下：
Pd＝Dk·Dk·M+M·N
Fd＝Dk·Dk·M·Dw·Dh+M·N·Dw·Dh
其中，设输入特征图宽高为Dw、Dh，输入通道数为M，卷积核大小为Dk，输出通道数为N，标准卷积的参数量为Ps，运算量为Fs。
其中，所述预设目标检测算法模型包括目标损失函数，其中，所述目标损失函数包括：回归损失IoU_Loss、类别损失Cls_Loss以及目标损失Obj_Loss：
其中，所述回归损失函数IoU_Loss只考虑到重叠面积，若两个对象框不重叠时，IoU值将为零，并且不会反映两个对象框之间的距离，在非重叠情况下，如果将IoU作为回归损失，其梯度将为零，无法进行优化；若两个对象框重叠方式不同，IoU面积相同时，IoU不能说明两个对象框的重叠情况。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取绝缘子图像，并对绝缘子图像进行处理，得到样本绝缘子图像。
S2，基于预先标签对样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，预设标签包括四个类别的标签。
S3，基于训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，目标检测算法模型包括输入端、主干网络、颈部网络与输出端。
S4，根据实验结果调整预设图像算法，得到目标图像算法，其中，目标图像算法用于检测绝缘子是否存在缺陷。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取绝缘子图像，并对绝缘子图像进行处理，得到样本绝缘子图像。
S2，基于预先标签对样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，预设标签包括四个类别的标签。
S3，基于训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，目标检测算法模型包括输入端、主干网络、颈部网络与输出端。
S4，根据实验结果调整预设图像算法，得到目标图像算法，其中，目标图像算法用于检测绝缘子是否存在缺陷。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种绝缘子缺陷检测模型生成方法，其特征在于，包括：
获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像；
基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，所述预设标签包括四个类别的标签；
基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，所述目标检测算法模型包括输入端、主干网络、颈部网络与输出端；
根据实验结果调整所述预设图像算法，得到目标图像算法，其中，所述目标图像算法用于检测绝缘子是否存在缺陷。
2.根据权利要求1所述的方法，其特征在于，所述获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像，包括：
通过摄像装置获取不同种类的绝缘子缺陷的图像，得到所述绝缘子图像；
将所述绝缘子图像进行尺寸归一化，得到具体目标尺寸的样本绝缘子图像。
3.根据权利要求1所述的方法，其特征在于，所述基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，包括：
使用图形图像解释工具对所述样本绝缘子图像进行标签标注，将所述样本绝缘子图像中有缺陷的地方进行画框，并且标注所述预设标签，得到具有标签信息的训练样本图像集，其中，所述标签信息以PASCALVOC格式另存为XML格式，所述训练样本图像集包括第一占比的验证图像集，第二占比的训练图像集，所述第一占比与所述第二占比的和为1。
4.根据权利要求1所述的方法，其特征在于，所述基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，包括：
将所述训练样本图像集中的图像通过所述输入端转换为目标张量输入到所述预设目标检测算法模型，其中，所述输入端包括Mosaic增强、自适应锚框计算、自适应图片缩放操作；
通过所述主干网络提取所述图像的特征，基于所述特征得到特征图；
所述特征图经过空间金字塔池化模块后，通过数组将池化后的特征图聚合，得到目标特征；
基于所述目标特征所述输出层做出预测，完成目标检测结果的输出。
5.根据权利要求1所述的方法，其特征在于，所述通过所述主干网络提取所述图像的特征，基于所述特征得到特征图，包括：
通过所述主干网络中的轻量化模型Mobilenet提取所述图像的特征；
将深度可分离卷积代替标准的卷积模块，其中，所述深度可分离卷积是由深度卷积和逐点卷积组成。
6.根据权利要求5所述的方法，其特征在于，所述深度可分离卷积的参数量和运算量如下：
Pd＝Dk·Dk·M+M·N
Fd＝Dk·Dk·M·Dw·Dh+M·N·Dw·Dh
其中，设输入特征图宽高为Dw、Dh，输入通道数为M，卷积核大小为Dk，输出通道数为N，标准卷积的参数量为Ps，运算量为Fs。
7.根据权利要求1所述的方法，其特征在于，所述预设目标检测算法模型包括目标损失函数，其中，所述目标损失函数包括：回归损失IoU_Loss、类别损失Cls_Loss以及目标损失Obj_Loss：
其中，所述回归损失函数IoU_Loss只考虑到重叠面积，若两个对象框不重叠时，IoU值将为零，并且不会反映两个对象框之间的距离，在非重叠情况下，如果将IoU作为回归损失，其梯度将为零，无法进行优化；若两个对象框重叠方式不同，IoU面积相同时，IoU不能说明两个对象框的重叠情况。
8.一种绝缘子缺陷检测模型生成装置，其特征在于，包括：
获取单元，用于获取绝缘子图像，并对所述绝缘子图像进行处理，得到样本绝缘子图像；
标注单元，用于基于预先标签对所述样本绝缘子图像进行标签标注，得到具有标签信息的训练样本图像集，其中，所述预设标签包括四个类别的标签；
训练单元，用于基于所述训练样本图像集，训练预设目标检测算法模型，得到最优权重参数，其中，所述目标检测算法模型包括输入端、主干网络、颈部网络与输出端；
调整单元，用于根据实验结果调整所述预设图像算法，得到目标图像算法，其中，所述目标图像算法用于检测绝缘子是否存在缺陷。
9.一种绝缘子缺陷检测模型生成设备，其特征在于，所述绝缘子缺陷检测模型生成设备包括处理器、存储器；所述处理器用于执行所述存储器中存储的绝缘子缺陷检测模型生成程序，以实现权利要求1～7中任一项所述的绝缘子缺陷检测模型生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～7中任一项所述的绝缘子缺陷检测模型生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211656530.2A CN115829999A (zh) | 2022-12-22 | 2022-12-22 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211656530.2A CN115829999A (zh) | 2022-12-22 | 2022-12-22 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115829999A true CN115829999A (zh) | 2023-03-21 |
Family
ID=85517690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211656530.2A Pending CN115829999A (zh) | 2022-12-22 | 2022-12-22 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829999A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205913A (zh) * | 2023-04-28 | 2023-06-02 | 中国医学科学院生物医学工程研究所 | 眼科超声图像的处理方法、装置、设备以及存储介质 |
| CN116310649A (zh) * | 2023-03-24 | 2023-06-23 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器调整螺杆圆销和圆销开口销丢失检测方法 |
| CN116343132A (zh) * | 2023-05-26 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 一种复杂场景电力设备缺陷识别方法、装置和计算机设备 |
| CN116384253A (zh) * | 2023-04-20 | 2023-07-04 | 中国石油大学(北京) | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
| CN116485802A (zh) * | 2023-06-26 | 2023-07-25 | 广东电网有限责任公司湛江供电局 | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
| CN116610080A (zh) * | 2023-05-23 | 2023-08-18 | 浙江众邦家居有限公司 | 休闲椅的智能生产方法及其控制系统 |
| CN116645346A (zh) * | 2023-05-26 | 2023-08-25 | 北京科技大学 | 肩袖扫描图像的处理方法、电子设备及存储介质 |
| CN116665090A (zh) * | 2023-05-15 | 2023-08-29 | 南通大学 | 一种基于轻量级网络的电力梯子检测方法 |
| CN117011225A (zh) * | 2023-06-05 | 2023-11-07 | 钛玛科（北京）工业科技有限公司 | 卫生用品缺陷检测方法、装置、设备及存储介质 |
| CN117058155A (zh) * | 2023-10-13 | 2023-11-14 | 西安空天机电智能制造有限公司 | 3dp金属打印铺粉缺陷检测方法、装置、设备及介质 |
| CN117218120A (zh) * | 2023-11-08 | 2023-12-12 | 安徽大学 | 实体表面缺陷识别系统 |
| CN117237286A (zh) * | 2023-09-02 | 2023-12-15 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
| CN117911840A (zh) * | 2024-03-20 | 2024-04-19 | 河南科技学院 | 一种用于滤网表面缺陷检测的深度学习方法 |
| CN118038385A (zh) * | 2024-03-28 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 基于无人机的违法占用应急车道的ai检测方法及装置 |
| CN118072112A (zh) * | 2024-04-19 | 2024-05-24 | 国网山东省电力公司济南供电公司 | 基于扩充样本的电力设备缺陷检测方法、系统、介质和设备 |
| CN118411570A (zh) * | 2024-06-28 | 2024-07-30 | 华东交通大学 | 一种接触网绝缘子缺陷识别方法及系统 |
-
2022
- 2022-12-22 CN CN202211656530.2A patent/CN115829999A/zh active Pending
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310649A (zh) * | 2023-03-24 | 2023-06-23 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器调整螺杆圆销和圆销开口销丢失检测方法 |
| CN116384253B (zh) * | 2023-04-20 | 2024-04-05 | 中国石油大学(北京) | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
| CN116384253A (zh) * | 2023-04-20 | 2023-07-04 | 中国石油大学(北京) | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
| CN116205913A (zh) * | 2023-04-28 | 2023-06-02 | 中国医学科学院生物医学工程研究所 | 眼科超声图像的处理方法、装置、设备以及存储介质 |
| CN116665090A (zh) * | 2023-05-15 | 2023-08-29 | 南通大学 | 一种基于轻量级网络的电力梯子检测方法 |
| CN116610080A (zh) * | 2023-05-23 | 2023-08-18 | 浙江众邦家居有限公司 | 休闲椅的智能生产方法及其控制系统 |
| CN116610080B (zh) * | 2023-05-23 | 2023-11-10 | 浙江众邦家居有限公司 | 休闲椅的智能生产方法及其控制系统 |
| CN116343132B (zh) * | 2023-05-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 一种复杂场景电力设备缺陷识别方法、装置和计算机设备 |
| CN116645346A (zh) * | 2023-05-26 | 2023-08-25 | 北京科技大学 | 肩袖扫描图像的处理方法、电子设备及存储介质 |
| CN116343132A (zh) * | 2023-05-26 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 一种复杂场景电力设备缺陷识别方法、装置和计算机设备 |
| CN117011225A (zh) * | 2023-06-05 | 2023-11-07 | 钛玛科（北京）工业科技有限公司 | 卫生用品缺陷检测方法、装置、设备及存储介质 |
| CN116485802A (zh) * | 2023-06-26 | 2023-07-25 | 广东电网有限责任公司湛江供电局 | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
| CN116485802B (zh) * | 2023-06-26 | 2024-01-26 | 广东电网有限责任公司湛江供电局 | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
| CN117237286B (zh) * | 2023-09-02 | 2024-05-17 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
| CN117237286A (zh) * | 2023-09-02 | 2023-12-15 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
| CN117058155A (zh) * | 2023-10-13 | 2023-11-14 | 西安空天机电智能制造有限公司 | 3dp金属打印铺粉缺陷检测方法、装置、设备及介质 |
| CN117058155B (zh) * | 2023-10-13 | 2024-03-12 | 西安空天机电智能制造有限公司 | 3dp金属打印铺粉缺陷检测方法、装置、设备及介质 |
| CN117218120A (zh) * | 2023-11-08 | 2023-12-12 | 安徽大学 | 实体表面缺陷识别系统 |
| CN117911840A (zh) * | 2024-03-20 | 2024-04-19 | 河南科技学院 | 一种用于滤网表面缺陷检测的深度学习方法 |
| CN117911840B (zh) * | 2024-03-20 | 2024-09-20 | 河南科技学院 | 一种用于滤网表面缺陷检测的深度学习方法 |
| CN118038385A (zh) * | 2024-03-28 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 基于无人机的违法占用应急车道的ai检测方法及装置 |
| CN118072112A (zh) * | 2024-04-19 | 2024-05-24 | 国网山东省电力公司济南供电公司 | 基于扩充样本的电力设备缺陷检测方法、系统、介质和设备 |
| CN118072112B (zh) * | 2024-04-19 | 2024-08-20 | 国网山东省电力公司济南供电公司 | 基于扩充样本的电力设备缺陷检测方法、系统、介质和设备 |
| CN118411570A (zh) * | 2024-06-28 | 2024-07-30 | 华东交通大学 | 一种接触网绝缘子缺陷识别方法及系统 |
| CN118411570B (zh) * | 2024-06-28 | 2024-10-01 | 华东交通大学 | 一种接触网绝缘子缺陷识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829999A (zh) | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 | |
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN115294038A (zh) | 一种基于联合优化与混合注意力特征融合的缺陷检测方法 | |
| CN108764247B (zh) | 基于稠密连接的深度学习物体检测方法及装置 | |
| CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| CN115331172A (zh) | 一种基于监控视频的车间危险行为识别报警方法及系统 | |
| CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
| CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| CN115147383A (zh) | 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法 | |
| CN118196309B (zh) | 基于图像处理工控机的高清视觉检测识别系统 | |
| CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
| CN113642558A (zh) | 耐张线夹压接缺陷的x射线图像识别方法及装置 | |
| CN117541587A (zh) | 太阳能电池板缺陷检测方法、系统、电子设备及存储介质 | |
| CN116843657A (zh) | 基于注意力融合的焊接缺陷检测方法及装置 | |
| CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
| CN116503677A (zh) | 一种湿地分类信息提取方法、系统、电子设备及存储介质 | |
| CN116524296A (zh) | 设备缺陷检测模型的训练方法、装置和设备缺陷检测方法 | |
| CN115601357A (zh) | 一种基于小样本的冲压件表面缺陷检测方法 | |
| CN115240163A (zh) | 一种基于一阶段检测网络的交通标志检测方法及系统 | |
| CN114494236A (zh) | 基于过完备卷积神经网络的织物缺陷检测方法及系统 | |
| CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
| CN113570565A (zh) | 一种车辆外观缺陷检测方法、装置和存储介质 | |
| CN112801195A (zh) | 一种基于深度学习的雾天能见度预测方法，存储装置及服务器 | |
| CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 |
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 |