CN115861263A - 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 - Google Patents
一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 Download PDFInfo
- Publication number
- CN115861263A CN115861263A CN202211633632.2A CN202211633632A CN115861263A CN 115861263 A CN115861263 A CN 115861263A CN 202211633632 A CN202211633632 A CN 202211633632A CN 115861263 A CN115861263 A CN 115861263A
- Authority
- CN
- China
- Prior art keywords
- insulator
- network
- training
- insulator defect
- detection
- 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
本发明涉及一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,与现有技术相比解决了绝缘子缺陷检测效率低、漏检率高的缺陷。本发明包括以下步骤:绝缘子缺陷图像样本的获取和预处理;构建绝缘子缺陷检测模型;绝缘子缺陷检测模型的训练;待检测绝缘子缺陷图像的获取;待检测绝缘子缺陷图像检测结果的获得。本发明提高了绝缘子缺陷图像检测效率,并克服了绝缘子图像的复杂背景,取得了良好的检测效果。
Description
技术领域
本发明涉及电力设备图像检测技术领域,具体来说是一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法。
背景技术
输电网的安全正常运行是电网安全至关重要的环节,绝缘子是输电线路的重要部件,但由于输电线路所在的环境复杂且多变,不可避免地出现自爆、掉串、裂纹、侵蚀、异物等故障,并且因故障绝缘子导致的电压降低和泄漏电流等事故,根据统计由于绝缘故障而引发的事故占所有事故的一半以上。
在传统的绝缘子图像检测方法,一些网络模型本身的参数量过多,对于硬件要求高,检测速度慢,并不能直接适用于输电线路上拍摄的绝缘子样本,无法满足线路巡检中对于实时性的需求,导致训练得到的网络检测出缺陷后无法及时的反馈给运维人员。同时庞大的网络计算量和参数量在硬件受限的边缘设备中也无法适用,一些网络模型虽然能够较为快速的进行检测,但是检测精度不高,特别对于小目标的检测,漏检率较高。
因此,准确、迅速地检测出绝缘子的缺陷才能避免停电事故的发生,减少电力系统的损失。
发明内容
本发明的目的是为了解决现有技术中绝缘子缺陷检测效率低、漏检率高的缺陷,提供一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,包括以下步骤:
绝缘子缺陷图像样本的获取和预处理:获取绝缘子缺陷图像样本,并进行预处理,将其作为训练样本;
构建绝缘子缺陷检测模型:基于YOLOv5网络结合Ghost网络、并联加权混合域卷积注意力模块和改进的neck层构建绝缘子缺陷检测模型;
绝缘子缺陷检测模型的训练:将训练样本输入绝缘子缺陷检测模型进行训练;
待检测绝缘子缺陷图像的获取:获取待检测绝缘子缺陷图像并进行预处理;
待检测绝缘子缺陷图像检测结果的获得:将预处理后的待检测绝缘子缺陷图像输入训练后的绝缘子缺陷检测模型,获得绝缘子缺陷图像检测结果。
所述构建绝缘子缺陷检测模型包括以下步骤:
将YOLOv5网络的骨干网络Backbone中标准卷积替换为Ghost卷积:
Ghost卷积将普通卷积通过线性转换生成的Ghost feature map存在一般卷积层包含的特征信息中,具体表达式为:
y′i表示一般卷积层中特征图的第i个特征图,j表示每个一般卷积层生成的特征图进行的第j次线性变换,φi,j()表示y′i生成第j个Ghost特征图的线性变换;
并联加权混合域注意力模块PW-CBAM嵌入到Backbone模块后;
PW-CBAM首先赋予通道注意力模块和空间注意力模块相同的优先级,将输入的特征图F进行全局平均池化和全局最大池化得到P,各自再通过多层感知器,将所得结果进行加和,经过sigmoid激活得到MC(F);
令MC(F)和F进行点乘操作,生成最终的通道注意力特征图Fc;
同时将P进行Concat操作,使卷积降维为一个通道,利用sigmoid激活得到MS(F),再将MS(F)和F进行点乘操作,生成最终的空间注意力特征图FS,再对通道注意力特征图Fc和空间注意力特征图FS进行加权处理;
其表达式如下:
MC(F)=σ(MLP(AvgPool(F)+MLP(MaxPool(F)))) (10)
MS(F)=σ(f7×7(Concat(AvgPool(F),MaxPool(F)))) (11)
其中,Mc(F)∈R1×1×c为通道注意力模块的输出,MS(F)∈RW×H×1为空间注意力模块的输出,σ表示sigmoid函数,MLP表示多层感知机,f7×7表示一个卷积核大小为7×7的卷积运算,FC和FS分别为通道和空间注意力特征图,表示元素乘法,在该过程中,MC和MS被沿着通道和空间维度进行广播,Fout是对两种类型的特征图加权的结果;
将加权双向特征金字塔网络BiFPN中对输入特征做权重处理的过程去除,用其替换YOLOv5的neck网络结构,使得PAN结构每个结点的输入边都有一条是来自主干特征提取网络部分的原始特征层;
增加绝缘子图像检测层,在原本检测层的基础上再增加为四尺度的检测层,实现绝缘子图片的多尺度检测;
改进损失函数,
采用CIOU损失函数作为改进YOLOv5算法预测回归损失函数,DIOU_NMS作为非极大值抑制,其表达式如下:
采用DIOU_NMS作为改进YOLOv5算法的非极大值抑制,定义为:
其中:b为预测框;bgt为真实框;p2(·)为欧式距离;l为2个框最小外接矩形的对角线距离。
所述绝缘子缺陷检测模型的训练包括以下步骤:
设置训练参数;
采用随机优化算法SGD进行优化训练,设置训练的批次大小batch为64,动量参数为0.937,学习率初始设定为0.001,训练迭代次数epoch为200;
将训练样本输入绝缘子缺陷检测模型进行训练;
设置自适应缩放图片尺寸为608x608,根据网络设定的输入尺寸大小实现自适应绝缘子图像检测训练集和验证集图片的自适应缩放;
训练绝缘子缺陷检测模型,得到达到训练目标的收敛后网络模型。
有益效果
本发明的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,与现有技术相比提高了绝缘子缺陷图像检测效率,并克服了绝缘子图像的复杂背景,取得了良好的检测效果。
(1)针对原有网络结构过于复杂,检测速度难以满足实际的工况需求,引入Ghost代替骨干网络中的标准卷积网络,引入深度卷积网络可以将原有网络的计算量降低和参数减少,实现对输入特征图的降维从而提高网络的检测速度;
(2)针对绝缘子由于背景复杂导致难以检测的问题,采用并联加权混合域注意力模块,在原有的网络模型的骨干网络后添加并联的通道注意力机制和空间注意力机制,所述并联加权混合域注意力模型用于骨干网络特征提取过程中加强绝缘子图像中目标特征的提取,进一步解决绝缘子因复杂背景而难以准确检测的问题。
(3)针对绝缘子目缺陷尺寸不一,本发明采用去加权的BiFPN网络结构替换原本的FPN+PAN网络结构,增强网络特征融合能力,减小由PAN的输入全由FPN传入而引起的误差;同时增加一个尺度的检测层,对于中小型绝缘子具有较好的检测效果,实现绝缘子缺陷的多尺度检测,提高绝缘子缺陷的检测精度。
附图说明
图1为本发明的方法顺序图;
图2为本发明的逻辑流程图;
图3为本发明所涉及的并联加权混合域注意力模块示意图;
图4为本发明所述方法的绝缘子缺陷检测效果图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1和图2所示,本发明所述的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,包括以下步骤:
第一步,绝缘子缺陷图像样本的获取和预处理:获取绝缘子缺陷图像样本,并进行预处理,将其作为训练样本。
在实际应用中,利用无人机采集输电线路绝缘子样本图像,构建绝缘子数据集,进行数据标注,制作为绝缘子图像集合。通过采集无人机巡检绝缘子图片,采用旋转、水平镜像的方法来增加绝缘子图像,建立绝缘子目标检测样本库。再采用mosaic算法实现绝缘子图像的数据增强,扩充绝缘子数据集得到绝缘子样本扩充库,将该数据集划分为训练集和测试集,选择其中20%作为测试集,80%作为训练集。利用标注工具Labellmg对中选出的训练集进行标注,将类别设置为insulator和defect两类别得到样本数据。
第二步,构建绝缘子缺陷检测模型:基于YOLOv5网络结合Ghost网络、并联加权混合域卷积注意力模块和改进的neck层构建绝缘子缺陷检测模型。
在此,引入Ghost网络代替故障网络中的标准卷积网络,可以将原有网络的计算量降低和参数减少,实现对输入特征图的降维从而提高网络的检测速度。同时,采用并联加权混合域卷积注意力模块,在原有网络模型的骨干网络后添加并联的通道注意力机制和空间注意力机制,卷积块注意模型用于骨干网络特征提取过程中加强绝缘子图像中目标特征的提取,进一步解决绝缘子在复杂环境下因背景因素目标显著性下降进而导致目标难以准确检测的问题。由于PAN结构的输入全部来自于FPN结构处理后的信息,缺少来自于主干网络的原始特征信息,容易导致在训练学习中出现误差,影响检测精度;因此借鉴加权双向特征金字塔网络网络结构,采用去加权的BiFPN网络结构替换neck网络的FPN+PAN结构,增强网络特征提取能力,同时减少网络的参量和计算量。为了加强小目标的检测能力,在原本的基础上再增加一个检测层,实现绝缘子图像的多尺度检测,检测减少小目标绝缘子的漏检率。
构建绝缘子缺陷检测模型包括以下步骤:
(1)将YOLOv5网络的骨干网络Backbone中标准卷积替换为Ghost卷积:
将Backbone中的C3模块用GhostBottleNeck模块替换,其中GhostBottleNeck模块由多个个Ghost卷积堆叠而成,进行卷积替换。
Ghost卷积将普通卷积通过线性转换生成的Ghost feature map存在一般卷积层包含的特征信息中,具体表达式为:
y′i表示一般卷积层中特征图的第i个特征图,j表示每个一般卷积层生成的特征图进行的第j次线性变换,φi,j()表示y′i生成第j个Ghost特征图的线性变换。
(2)如图3所示,并联加权混合域注意力模块PW-CBAM嵌入到Backbone的每个卷积模块后;
PW-CBAM首先赋予通道注意力模块和空间注意力模块相同的优先级,将输入的特征图F进行全局平均池化和全局最大池化得到P,各自再通过多层感知器,将所得结果进行加和,经过sigmoid激活得到MC(F);
令MC(F)和F进行点乘操作,生成最终的通道注意力特征图Fc;
同时将P进行Concat操作,使卷积降维为一个通道,利用sigmoid激活得到MS(F),再将MS(F)和F进行点乘操作,生成最终的空间注意力特征图FS,再对通道注意力特征图Fc和空间注意力特征图FS进行加权处理;
其表达式如下:
MC(F)=σ(MLP(AvgPool(F)+MLP(MaxPool(F)))) (18)
MS(F)=σ(f7×7(Concat(AvgPool(F),MaxPool(F)))) (19)
其中,Mc(F)∈R1×1×c为通道注意力模块的输出,MS(F)∈RW×H×1为空间注意力模块的输出,σ表示sigmoid函数,MLP表示多层感知机,f7×7表示一个卷积核大小为7×7的卷积运算,FC和FS分别为通道和空间注意力特征图,表示元素乘法,在该过程中,MC和MS被沿着通道和空间维度进行广播,Fout是对两种类型的特征图加权的结果。
(3)将加权双向特征金字塔网络BiFPN中对输入特征做权重处理的过程去除,用其替换YOLOv5的neck网络结构,使得PAN结构每个结点的输入边都有一条是来自主干特征提取网络部分的原始特征层。使得PAN结构每个结点的输入边都有一条是来自主干特征提取网络部分的原始特征层,训练过程包含原始特征信息的持续参与,就可以有效避免训练学习过程偏离,特征融合也更加合理有效,从而使得检测精度有所提升,同时保持了算法的轻量化。
(4)在原本检测层的基础上再增加一层检测层,使得绝缘子图像608×608×3,分别经过4倍、8倍、16倍、32倍的上采样特征层,在增加一层检测层后得到四个特征尺度图,分别为:19×19尺度特征图,38×38尺度特征图,76×76尺度特征图,152×152尺度特征图,绝缘子图片能够得到多尺度的检测,减少小目标绝缘子检测的漏检率。
(5)改进损失函数,
采用CIOU损失函数作为改进YOLOv5算法预测回归损失函数,DIOU_NMS作为非极大值抑制,其表达式如下:
采用DIOU_NMS作为改进YOLOv5算法的非极大值抑制,定义为:
其中:b为预测框;bgt为真实框;p2(·)为欧式距离;l为2个框最小外接矩形的对角线距离。
第三步,绝缘子缺陷检测模型的训练:将训练样本输入绝缘子缺陷检测模型进行训练。将得到的绝缘子图像中的训练集和测试集送入构建的基于改进YOLOv5算法的绝缘子缺陷检测模型中进行训练。设置自适应缩放图片尺寸为608x608,根据网络设定的输入尺寸大小实现自适应绝缘子图像检测训练集和验证集图片的自适应缩放;对训练后的改进YOLOv5算法的绝缘子缺陷检测模型,进行性能评估与评价,得到收敛良好的网络模型。
绝缘子缺陷检测模型的训练的具体步骤如下
(1)设置训练参数;
采用随机优化算法SGD进行优化训练,设置训练的批次大小batch为64,动量参数为0.937,学习率初始设定为0.001,训练迭代次数epoch为200。
(2)将训练样本输入绝缘子缺陷检测模型进行训练。
(3)设置自适应缩放图片尺寸为608x608,根据网络设定的输入尺寸大小实现自适应绝缘子图像检测训练集和验证集图片的自适应缩放。
(4)训练绝缘子缺陷检测模型,得到达到训练目标的收敛后网络模型。
对于评估模型,可以根据训练的基于改进YOLOv5算法的绝缘子缺陷检测模型,从精确度、召回率、平均检测精度和检测速度等评价指标对模型进行评估,计算公式如下所示;
其中:TP是被正确划分为正样本的数量,FP是被错误划分为正样本的数量,FN是被错误划分为负样本的数量,mAP是平均精度,FigureNumber是检测图片数量,TatalTime是总耗时。判断基于改进YOLOv5的绝缘子缺陷检测模型评估结果的检测精度和检测速度是否满足实际输电线路检测应用需求。
第四步,待检测绝缘子缺陷图像的获取:获取待检测绝缘子缺陷图像并进行预处理。
第五步,待检测绝缘子缺陷图像检测结果的获得:将预处理后的待检测绝缘子缺陷图像输入训练后的绝缘子缺陷检测模型,获得绝缘子缺陷图像检测结果。
如图4所示,其为基于改进YOLOv5算法的绝缘子缺陷检测实际检测效果图,即将未知标签的图像输入到最佳检测模型中输出的检测结果,网络模型定位边界框几乎包围绝缘子目标且类别概率很高,不存在漏检和错检问题。改进YOLOv5算法的网络模型并没有因为精简结构而降低检测效果,不存在错检与漏检问题且类别概率很高。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (3)
1.一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,其特征在于,包括以下步骤:
11)绝缘子缺陷图像样本的获取和预处理:获取绝缘子缺陷图像样本,并进行预处理,将其作为训练样本;
12)构建绝缘子缺陷检测模型:基于YOLOv5网络结合Ghost网络、并联加权混合域卷积注意力模块和改进的neck层构建绝缘子缺陷检测模型;
13)绝缘子缺陷检测模型的训练:将训练样本输入绝缘子缺陷检测模型进行训练;
14)待检测绝缘子缺陷图像的获取:获取待检测绝缘子缺陷图像并进行预处理;
15)待检测绝缘子缺陷图像检测结果的获得:将预处理后的待检测绝缘子缺陷图像输入训练后的绝缘子缺陷检测模型,获得绝缘子缺陷图像检测结果。
2.根据权利要求1所述的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,其特征在于,所述构建绝缘子缺陷检测模型包括以下步骤:
21)将YOLOv5网络的骨干网络Backbone中标准卷积替换为Ghost卷积:
Ghost卷积将普通卷积通过线性转换生成的Ghost feature map存在一般卷积层包含的特征信息中,具体表达式为:
y′i表示一般卷积层中特征图的第i个特征图,j表示每个一般卷积层生成的特征图进行的第j次线性变换,φi,j()表示y′i生成第j个Ghost特征图的线性变换;
22)并联加权混合域注意力模块PW-CBAM嵌入到Backbone模块后;
PW-CBAM首先赋予通道注意力模块和空间注意力模块相同的优先级,将输入的特征图F进行全局平均池化和全局最大池化得到P,各自再通过多层感知器,将所得结果进行加和,经过sigmoid激活得到MC(F);
令MC(F)和F进行点乘操作,生成最终的通道注意力特征图Fc;
同时将P进行Concat操作,使卷积降维为一个通道,利用sigmoid激活得到MS(F),再将MS(F)和F进行点乘操作,生成最终的空间注意力特征图FS,再对通道注意力特征图Fc和空间注意力特征图FS进行加权处理;
其表达式如下:
MC(F)=σ(MLP(AvgPool(F)+MLP(MaxPool(F)))) (2)
MS(F)=σ(f7×7(Concat(AvgPool(F),MaxPool(F)))) (3)
其中,Mc(F)∈R1×1×c为通道注意力模块的输出,MS(F)∈RW×H×1为空间注意力模块的输出,σ表示sigmoid函数,MLP表示多层感知机,f7×7表示一个卷积核大小为7×7的卷积运算,FC和FS分别为通道和空间注意力特征图,表示元素乘法,在该过程中,MC和MS被沿着通道和空间维度进行广播,Fout是对两种类型的特征图加权的结果;
23)将加权双向特征金字塔网络BiFPN中对输入特征做权重处理的过程去除,用其替换YOLOv5的neck网络结构,使得PAN结构每个结点的输入边都有一条是来自主干特征提取网络部分的原始特征层;
24)增加绝缘子图像检测层,在原本检测层的基础上再增加为四尺度的检测层,实现绝缘子图片的多尺度检测;
25)改进损失函数,
采用CIOU损失函数作为改进YOLOv5算法预测回归损失函数,DIOU_NMS作为非极大值抑制,其表达式如下:
采用DIOU_NMS作为改进YOLOv5算法的非极大值抑制,定义为:
其中:b为预测框;bgt为真实框;p2(·)为欧式距离;l为2个框最小外接矩形的对角线距离。
3.根据权利要求1所述的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法,其特征在于,所述绝缘子缺陷检测模型的训练包括以下步骤:
31)设置训练参数;
采用随机优化算法SGD进行优化训练,设置训练的批次大小batch为64,动量参数为0.937,学习率初始设定为0.001,训练迭代次数epoch为200;
32)将训练样本输入绝缘子缺陷检测模型进行训练;
33)设置自适应缩放图片尺寸为608x608,根据网络设定的输入尺寸大小实现自适应绝缘子图像检测训练集和验证集图片的自适应缩放;
34)训练绝缘子缺陷检测模型,得到达到训练目标的收敛后网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211633632.2A CN115861263A (zh) | 2022-12-19 | 2022-12-19 | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211633632.2A CN115861263A (zh) | 2022-12-19 | 2022-12-19 | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861263A true CN115861263A (zh) | 2023-03-28 |
Family
ID=85674174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211633632.2A Pending CN115861263A (zh) | 2022-12-19 | 2022-12-19 | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861263A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342596A (zh) * | 2023-05-29 | 2023-06-27 | 云南电网有限责任公司 | 一种基于YOLOv5改进的变电站设备螺母缺陷识别检测方法 |
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 |
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 |
CN117274748A (zh) * | 2023-11-16 | 2023-12-22 | 国网四川省电力公司电力科学研究院 | 基于离群抑制的终生学习电力模型训练及检测方法 |
CN117470859A (zh) * | 2023-12-25 | 2024-01-30 | 广州中科智巡科技有限公司 | 绝缘子内部缺陷检测方法和装置 |
-
2022
- 2022-12-19 CN CN202211633632.2A patent/CN115861263A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342596A (zh) * | 2023-05-29 | 2023-06-27 | 云南电网有限责任公司 | 一种基于YOLOv5改进的变电站设备螺母缺陷识别检测方法 |
CN116342596B (zh) * | 2023-05-29 | 2023-11-28 | 云南电网有限责任公司 | 一种基于YOLOv5改进的变电站设备螺母缺陷识别检测方法 |
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 |
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 |
CN117274748A (zh) * | 2023-11-16 | 2023-12-22 | 国网四川省电力公司电力科学研究院 | 基于离群抑制的终生学习电力模型训练及检测方法 |
CN117274748B (zh) * | 2023-11-16 | 2024-02-06 | 国网四川省电力公司电力科学研究院 | 基于离群抑制的终生学习电力模型训练及检测方法 |
CN117470859A (zh) * | 2023-12-25 | 2024-01-30 | 广州中科智巡科技有限公司 | 绝缘子内部缺陷检测方法和装置 |
CN117470859B (zh) * | 2023-12-25 | 2024-03-22 | 广州中科智巡科技有限公司 | 绝缘子内部缺陷检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861263A (zh) | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 | |
CN113538391B (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
CN113486865B (zh) | 一种基于深度学习的输电线路悬挂异物目标检测方法 | |
CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
CN115909093A (zh) | 一种基于无人机巡检和红外图像语义分割的电力设备故障检测方法 | |
CN111223087B (zh) | 一种基于生成对抗网络的桥梁裂缝自动检测方法 | |
CN115546565A (zh) | 基于yolocbf电厂关键区域管道油液泄漏检测方法 | |
CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
CN115115934A (zh) | 一种基于改进型YOLOv5的无人机航拍图像河流漂浮物检测方法 | |
CN113222896A (zh) | 一种基于元学习的光伏面板缺陷检测方法 | |
CN114596278A (zh) | 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置 | |
CN116416237A (zh) | 基于改进YOLOv5与模糊图像增强的输电线路缺陷检测方法 | |
CN115631411A (zh) | 基于sten网络对不同环境中的绝缘子破损检测方法 | |
CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
Hou et al. | Classification of defective photovoltaic modules in ImageNet-trained networks using transfer learning | |
Qiu et al. | A lightweight yolov4-edam model for accurate and real-time detection of foreign objects suspended on power lines | |
CN117113066B (zh) | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
US11631237B1 (en) | Infrared thermal image classification and hot spot positioning method of photovoltaic panel | |
CN116051530A (zh) | 基于图像修复的半监督光伏电池表面异常检测方法 |
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 |