CN115880618B - 基于随机梯度下降算法的高铁接触网目标的检测方法 - Google Patents

基于随机梯度下降算法的高铁接触网目标的检测方法 Download PDF

Info

Publication number
CN115880618B
CN115880618B CN202310188613.1A CN202310188613A CN115880618B CN 115880618 B CN115880618 B CN 115880618B CN 202310188613 A CN202310188613 A CN 202310188613A CN 115880618 B CN115880618 B CN 115880618B
Authority
CN
China
Prior art keywords
random gradient
speed rail
gradient descent
rail contact
descent algorithm
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.)
Active
Application number
CN202310188613.1A
Other languages
English (en)
Other versions
CN115880618A (zh
Inventor
缪弼东
宋东海
李曌宇
刘建丁
栗国东
李建明
张非平
王军
张玉平
齐佳风
刘浩
夏志远
郄燚明
胡佳宾
刘啸辰
刘亚光
张峰
焦伟峰
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.)
Third Engineering Co Ltd of China Railway Electrification Engineering Group Co Ltd
Original Assignee
Third Engineering Co Ltd of China Railway Electrification Engineering Group 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 Third Engineering Co Ltd of China Railway Electrification Engineering Group Co Ltd filed Critical Third Engineering Co Ltd of China Railway Electrification Engineering Group Co Ltd
Priority to CN202310188613.1A priority Critical patent/CN115880618B/zh
Publication of CN115880618A publication Critical patent/CN115880618A/zh
Application granted granted Critical
Publication of CN115880618B publication Critical patent/CN115880618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本申请提供一种基于随机梯度下降算法的高铁接触网目标的检测方法，该方法包括从高铁接触网故障检测图像数据库中按待检测的故障类型提取图像数据；对提取的所述图像数据进行预处理，得到预处理数据；可选的使用K均值聚类算法对预处理后的图像进行聚类；根据改进的随机梯度下降算法建立的深度网络模型对预处理数据进行特征提取，改进的随机梯度下降算法中，先使用梯度下降快的学习率参数，再使用通用的学习率参数进行计算；利用提取的特征对接收的高铁接触网检测图像进行分析。本申请使用高铁接触网故障检测图像数据库和改进的随机梯度下降算法，有效提高了检测准确率和检测效率，满足高铁接触网目标缺陷检测的自动化、实时性、高准确度的要求。

Description

基于随机梯度下降算法的高铁接触网目标的检测方法
技术领域
本申请涉及高铁技术领域，涉及对高铁接触网检测图像处理技术，尤其涉及一种基于随机梯度下降算法的高铁接触网目标的检测方法。
背景技术
接触网是电气化铁路牵引供电系统的重要组成部分，是架设在轨道上方为电力机车提供牵引电能的供电线路，承担高铁电气系统重要的电力传输任务。如果接触网出现故障，会对高铁的安全运营造成非常严重的影响，轻则大面积晚点，重则对人民生命财产造成大量损失，所以各铁路路局对接触网故障的预防和检修一直不遗余力地投入，而且不断在检测技术上进行技术改造。能够大量采集检测数据的高铁检修车辆的广泛使用，逐步替代了人工巡视的巡检方式。
使用专用设备采集数据，带来的问题是检测得到的数据量海量增加。因此，例如发明专利申请202011031247.1基于AI算法的高铁接触网设备巡检方法及系统，其中提出了采用了AI算法对这些巡检图片数据进行处理，降低工作人员的工作量，提高检测工作的实时性，同时提升了故障检测的准确率。
然而对于使用AI算法对接触网进行巡检检测图像的处理过程中，随着数据集的增大，计算复杂度过高，导致模型训练过程异常缓慢。如果提高检修频率，那么所需处理的数据量更会成倍增加。因此，在保证检测准确性的前提下，提高检测效率是必须要考虑的问题。使用随机梯度下降算法可以在一定程度上降低计算成本与内存消耗，但是由于在随机采样的过程中积累了梯度方差，所以其收敛速度很慢，无法直接用于接触网巡检的检测图像处理，需要对随机梯度下降算法进行调整。
同时，对于高铁接触网检测，检修车辆获取的图像信息中，通过研究故障原因，可以发现其中具有多种故障类型，例如承力索断股、承力索烧伤、承力索互磨、电力连接线脱落、电力连接线散股等。而且，随着高铁接触网检修内容的改进，未来还可能增加新的故障检测内容。因此，对于高铁接触网检测，需要使用专用数据库提供训练集与测试集样本，该专用数据库中包含的数据均为过往检测工作中所积累的真实图像数据，这些图像数据均已进行人工标注。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
针对现有技术中存在的不足，本申请的一个或多个实施例提供了一种基于随机梯度下降算法的高铁接触网目标的检测方法，有效提高了高铁接触网检测图像的故障识别效率和识别准确度。
基于随机梯度下降算法的高铁接触网目标的检测方法，包括如下步骤：
步骤S1、从高铁接触网故障检测图像数据库中按待检测的故障类型提取图像数据；
步骤S2、对提取的所述图像数据进行预处理，得到预处理数据；
步骤S3、根据改进的随机梯度下降算法建立的深度网络模型对所述预处理数据进行特征提取；
所述改进的随机梯度下降算法中，先使用梯度下降快的学习率参数，再使用通用的随机梯度下降学习率参数进行计算；
步骤S4，利用提取的特征对接收的高铁接触网检测图像进行分析。
在一种可选的实施方式中，步骤S3所述改进的随机梯度下降算法中，具体计算过程如下：
输入值：
Figure SMS_1
，
Figure SMS_5
，
Figure SMS_7
，
Figure SMS_3
为
Figure SMS_4
的初始值，
Figure SMS_6
为控制步幅的学习率，
Figure SMS_8
为一阶矩衰减系数，
Figure SMS_2
为二阶矩衰减系数；b为防止除以零的极小数；
1）初始化，k，
Figure SMS_9
，
Figure SMS_10
，
Figure SMS_11
赋值0；
2）
Figure SMS_12
，计算随机梯度
Figure SMS_13
，
Figure SMS_14
为要更新的参数，
Figure SMS_15
为带有参数
Figure SMS_16
的损失函数，
Figure SMS_17
为初始随机梯度，k为更新的步数；
3）
Figure SMS_18
，
Figure SMS_19
，
Figure SMS_20
为梯度
Figure SMS_21
的期望，
Figure SMS_22
为
Figure SMS_23
的期望；
Figure SMS_24
；
Figure SMS_25
为收敛方向函数，
Figure SMS_26
、
Figure SMS_27
分别为第k步的二阶和一阶矩衰减系数；
4）
Figure SMS_29
，
Figure SMS_32
，
Figure SMS_34
，
Figure SMS_30
为收敛判断函数，
Figure SMS_31
为随机梯度下降算法的可行学习率，
Figure SMS_33
为
Figure SMS_35
的转置矩阵，
Figure SMS_28
表示对矩阵转置；
5）进行判断，如果k>1，且参数条件满足
Figure SMS_36
，则切换为标准的随机梯度下降算法，切换后的学习率调整为
Figure SMS_37
，
Figure SMS_38
，
Figure SMS_39
；如果参数不满足
Figure SMS_40
，则重复2）、3）、4），
Figure SMS_41
为调整后的可行学习率，
Figure SMS_42
为更新后的随机梯度。
在一种可选的实施方式中，步骤S1中，步骤S1中，提取图像数据是按照高铁接触网目标同样的检测位置进行故障类型选取，例如选取承力索位置的一种或多种故障，或电力连接线位置的一种或多种故障。
在一种可选的实施方式中，步骤S2中，对提取图像数据进行预处理，包括得到预设尺寸的图像；进一步的，预设尺寸的图像大小为256×256，或128×128，或64×64像素等尺寸。
在一种可选的实施方式中，在步骤S2与步骤S3中间增加步骤S2.5、使用K均值聚类算法对预处理后的图像进行聚类；
优选的，K均值聚类算法的运算步骤如下：
给定的数据集合X包含了q个对象
Figure SMS_43
，其中每个对象都具有m个维度的属性，
Figure SMS_44
代表第i个对象，
Figure SMS_45
；
第1步，初始化c个聚类中心
Figure SMS_46
，
Figure SMS_47
；
Figure SMS_48
代表第j个聚类中心，
第2步，计算每个对象到每个聚类中心的欧氏距离，计算方法为
Figure SMS_49
,
Figure SMS_50
代表第i个对象，
Figure SMS_51
代表第j个聚类中心，
Figure SMS_52
，
Figure SMS_53
代表第j个聚类中心的第t个属性，
Figure SMS_54
代表第i个对象的第t个属性，依次计算每个对象到每个聚类中心的距离并进行对比，根据距离对比将对象分配给距离其最近的聚类中心形成的类簇，得到c个类簇
Figure SMS_55
;
第3步，重新计算确定每个类簇的中心，
Figure SMS_56
，其中，
Figure SMS_57
表示第l个聚类中元素的个数；
第4步，重复第2步、第3步，直至类簇的中心保持稳定不再发生变化。
在一种可选的实施方式中，步骤S4为在线实时传送高铁接触网检测图像，通过无线或有线方式传输到计算设备上进行图像处理。
在一种可选的实施方式中，计算设备为终端或者服务器，或者同时使用终端与服务器。
在一种可选的实施方式中，增加步骤S5，在检测发现故障后，发送故障位置信息和故障类型信息给维修站点。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
（1）采用专用的高铁接触网故障检测图像数据库，提高了检测准确率；
（2）高铁接触网故障检测图像数据库中的故障类型分类基于实际检测需求，当具有新的故障种类和检测需求时，可以添加新的故障种类图像数据，扩展检测范围；
（3）使用改进的随机梯度下降算法，有针对性地提高高铁接触网故障检测的准确度和检测效率，避免了通用随机梯度下降算法的低效，也没有出现学习率震荡和无法收敛的情况；
（4）增加K均值聚类算法，提高了检测效率；
（5）找到了更加适用于高铁接触网故障检测的人工智能算法，满足高铁巡检的自动化、实时性、高准确度要求。
附图说明
图1是本发明高铁接触网故障检测的流程图；
图2是使用通用随机梯度下降算法的损失曲线图；
图3是本发明使用改进的随机梯度下降算法的损失曲线图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
可以理解的是，本实施例的该基于改进的随机梯度价下降算法的图像识别方法及装置可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
实施例1
随着高铁接触网目标进行故障检测对于检测效率与检测准确度的高标准要求，和检测图像数据量的成倍增长，需要对进行检测数据处理的人工智能算法进行改进。本申请实施例提供一种基于随机梯度下降算法的高铁接触网目标的检测方法。
图1是本发明高铁接触网故障检测的流程图，如图1所示，所述方法包括：
步骤S1、从高铁接触网故障检测图像数据库中按待检测的故障类型提取图像数据（10）；
步骤S2、对提取的所述图像数据进行预处理，得到预处理数据（20）；
步骤S2.5、使用K均值聚类算法对预处理后的图像进行聚类（25）；
步骤S3、根据改进的随机梯度下降算法建立的深度网络模型对预处理数据进行特征提取（30）；
步骤S4、利用提取的特征对接收的高铁接触网检测图像进行分析（40）。
步骤S5、在检测发现故障后，发送故障位置信息和故障类型信息给维修站点（50）。
其中，步骤S3改进的随机梯度下降算法中，具体计算过程如下：
输入值：
Figure SMS_59
，
Figure SMS_61
，
Figure SMS_63
，
Figure SMS_60
为
Figure SMS_62
的初始值，
Figure SMS_64
为控制步幅的学习率；
Figure SMS_65
为一阶矩衰减系数，
Figure SMS_58
为二阶矩衰减系数；b为防止除以零的极小数；
1）初始化，k，
Figure SMS_66
，
Figure SMS_67
，
Figure SMS_68
赋值0；k为更新的步数；
2）
Figure SMS_69
，计算随机梯度
Figure SMS_70
，
Figure SMS_71
为要更新的参数，
Figure SMS_72
为带有参数
Figure SMS_73
的损失函数；
3）
Figure SMS_75
，
Figure SMS_78
，
Figure SMS_80
为初始随机梯度，
Figure SMS_76
为梯度
Figure SMS_77
的期望，
Figure SMS_79
为
Figure SMS_81
的期望，
Figure SMS_74
为随机梯度下降算法的可行学习率；
Figure SMS_82
；
Figure SMS_83
为收敛方向函数，
Figure SMS_84
、
Figure SMS_85
分别为第k步的二阶和一阶矩衰减系数；
4）
Figure SMS_86
，
Figure SMS_87
，
Figure SMS_88
，
Figure SMS_89
为
Figure SMS_90
的转置矩阵，
Figure SMS_91
表示对矩阵转置；
5）进行判断，如果k>1，且参数条件满足
Figure SMS_92
，则切换为标准的随机梯度下降算法，切换后的学习率调整为
Figure SMS_93
，
Figure SMS_94
，
Figure SMS_95
；如果参数不满足
Figure SMS_96
，则重复2）、3）、4），
Figure SMS_97
为调整后的可行学习率，
Figure SMS_98
为更新后的随机梯度。
步骤S1中，提取图像数据是按照高铁接触网目标同样的检测位置进行故障类型选取，选取检测位置为承力索，故障类型为承力索断股。
步骤S2中，对提取图像数据进行预处理，得到预设尺寸大小为256×256的图像。
步骤S2.5中，使用K均值聚类算法对预处理后的图像进行聚类；
K均值聚类算法的运算步骤如下：
给定的数据集合X包含了q个对象
Figure SMS_99
，其中每个对象都具有m个维度的属性，
Figure SMS_100
代表第i个对象，
Figure SMS_101
；
第1步，初始化c个聚类中心
Figure SMS_102
，
Figure SMS_103
；
Figure SMS_104
代表第j个聚类中心，
第2步，计算每个对象到每个聚类中心的欧氏距离，计算方法为
Figure SMS_105
,
Figure SMS_106
代表第i个对象，
Figure SMS_107
代表第j个聚类中心，
Figure SMS_108
，
Figure SMS_109
代表第j个聚类中心的第t个属性，
Figure SMS_110
代表第i个对象的第t个属性，依次计算每个对象到每个聚类中心的距离并进行对比，根据距离对比将对象分配给距离其最近的聚类中心形成的类簇，得到c个类簇
Figure SMS_111
;
第3步，重新计算确定每个类簇的中心，
Figure SMS_112
，其中，
Figure SMS_113
表示第l个聚类中元素的个数；
第4步，重复第2步、第3步，直至类簇的中心保持稳定不再发生变化。
在使用K均值聚类算法进行聚类后，直接使用通用随机梯度下降算法对高铁接触网故障检测图像数据库中的测试图像进行缺陷识别，达到94.8%的识别准确率，检测速度达到的每秒帧数（Frame Per Second，FPS）12FPS左右。图2是使用通用随机梯度下降算法的损失曲线图。
通过对高铁接触网故障检测图像数据库中的测试图像进行缺陷识别，达到98.9%的识别率。检测速度为21FPS左右。图3是使用改进的随机梯度下降算法的损失曲线图。
实施例2
在不使用K均值聚类算法进行聚类的情况下进行缺陷检测。具体过程为：
步骤S1、从高铁接触网故障检测图像数据库中按待检测的故障类型提取图像数据（10）；
步骤S2、对提取的所述图像数据进行预处理，得到预处理数据（20）；
步骤S3、根据改进的随机梯度下降算法建立的深度网络模型对预处理数据进行特征提取（30）；
步骤S4、利用提取的特征对接收的高铁接触网检测图像进行分析（40）。
步骤S5、在检测发现故障后，发送故障位置信息和故障类型信息给维修站点（50）。
其中，步骤S3改进的随机梯度下降算法中，具体计算过程如下：
输入值：
Figure SMS_114
，
Figure SMS_115
，
Figure SMS_116
；
1）初始化，k，
Figure SMS_117
，
Figure SMS_118
，
Figure SMS_119
赋值0；k为更新的步数；
2）
Figure SMS_120
，计算随机梯度
Figure SMS_121
；
3）
Figure SMS_122
，
Figure SMS_123
；
Figure SMS_124
；
4）
Figure SMS_125
，
Figure SMS_126
，
Figure SMS_127
；
5）进行判断，如果k>1，且参数条件满足
Figure SMS_128
，则切换为标准的随机梯度下降算法，切换后的学习率调整为
Figure SMS_129
，
Figure SMS_130
，
Figure SMS_131
；如果参数不满足
Figure SMS_132
，则重复2）、3）、4）。
步骤S1中，提取图像数据是按照高铁接触网目标同样的检测位置进行故障类型选取，选取检测位置为承力索，故障类型为承力索断股。
步骤S2中，对提取图像数据进行预处理，得到预设尺寸大小为256×256的图像。
通过对高铁接触网故障检测图像数据库中的测试图像进行缺陷识别，达到98.5%的识别准确率。检测速度为18FPS左右。可见，不使用K均值聚类算法进行聚类会降低识别准确率与检测速度，但是仍然可以得到较为满意的检测结果。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述得简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优的设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (8)

1.一种基于随机梯度下降算法的高铁接触网目标的检测方法，其特征在于，所述方法包括：
步骤S1、从高铁接触网故障检测图像数据库中按待检测的故障类型提取图像数据；
步骤S2、对提取的所述图像数据进行预处理，得到预处理数据；
步骤S3、根据改进的随机梯度下降算法建立的深度网络模型对所述预处理数据进行特征提取；
所述改进的随机梯度下降算法中，具体计算过程如下：
输入值：
Figure QLYQS_2
，
Figure QLYQS_5
，
Figure QLYQS_7
，
Figure QLYQS_3
为
Figure QLYQS_4
的初始值，
Figure QLYQS_6
为控制步幅的学习率，
Figure QLYQS_8
为一阶矩衰减系数，
Figure QLYQS_1
为二阶矩衰减系数；b为防止除以零的极小数；
1）初始化，k，
Figure QLYQS_9
，
Figure QLYQS_10
，
Figure QLYQS_11
赋值0；
2）
Figure QLYQS_12
，计算随机梯度
Figure QLYQS_13
，
Figure QLYQS_14
为要更新的参数，
Figure QLYQS_15
为带有参数
Figure QLYQS_16
的损失函数，
Figure QLYQS_17
为初始随机梯度，k为更新的步数；
3）
Figure QLYQS_18
，
Figure QLYQS_19
，
Figure QLYQS_20
为梯度
Figure QLYQS_21
的期望，
Figure QLYQS_22
为
Figure QLYQS_23
的期望；
Figure QLYQS_24
；
Figure QLYQS_25
为收敛方向函数，
Figure QLYQS_26
、
Figure QLYQS_27
分别为第k步的二阶和一阶矩衰减系数；
Figure QLYQS_28
，
Figure QLYQS_29
，
Figure QLYQS_30
，
Figure QLYQS_31
为收敛判断函数，
Figure QLYQS_32
为随机梯度下降算法的可行学习率，
Figure QLYQS_33
为
Figure QLYQS_34
的转置矩阵，T表示对矩阵转置；
进行判断，如果k>1，且参数条件满足
Figure QLYQS_35
<b，则切换为标准的随机梯度下降算法，切换后的学习率调整为
Figure QLYQS_36
，
Figure QLYQS_37
，
Figure QLYQS_38
；如果参数不满足
Figure QLYQS_39
<b，则重复2）、3）、4），
Figure QLYQS_40
为调整后的可行学习率，
Figure QLYQS_41
为更新后的随机梯度；
步骤S4，利用提取的特征对接收的高铁接触网检测图像进行分析。
2.根据权利要求1所述的方法，其特征在于，
步骤S1中，提取图像数据是按照高铁接触网目标同样的检测位置进行故障类型选取。
3.根据权利要求2所述的方法，其特征在于，检测位置为承力索或电力连接线。
4.根据权利要求1所述的方法，其特征在于，
步骤S2中，对提取图像数据进行预处理，包括得到预设尺寸的图像。
5.根据权利要求4所述的方法，其特征在于，
预设尺寸的图像大小为256×256，或128×128，或64×64像素点。
6.根据权利要求1所述的方法，其特征在于，
在步骤S2与步骤S3中间增加步骤S2.5，
步骤S2.5、使用K均值聚类算法对预处理后的图像进行聚类。
7.根据权利要求1所述的方法，其特征在于，
步骤S4为在线实时传送检测图像数据，通过无线或有线方式传输到计算设备上进行数据处理，计算设备为终端或者服务器，或者同时使用终端与服务器。
8.根据权利要求1所述的方法，其特征在于，
增加步骤S5，在检测发现故障后，发送故障位置信息和故障类型信息给维修站点。
CN202310188613.1A 2023-03-02 2023-03-02 基于随机梯度下降算法的高铁接触网目标的检测方法 Active CN115880618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310188613.1A CN115880618B (zh) 2023-03-02 2023-03-02 基于随机梯度下降算法的高铁接触网目标的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310188613.1A CN115880618B (zh) 2023-03-02 2023-03-02 基于随机梯度下降算法的高铁接触网目标的检测方法

Publications (2)

Publication Number Publication Date
CN115880618A CN115880618A (zh) 2023-03-31
CN115880618B true CN115880618B (zh) 2023-06-02

Family

ID=85761779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310188613.1A Active CN115880618B (zh) 2023-03-02 2023-03-02 基于随机梯度下降算法的高铁接触网目标的检测方法

Country Status (1)

Country Link
CN (1) CN115880618B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240878A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190476A (zh) * 2018-08-02 2019-01-11 福建工程学院 一种蔬菜识别的方法及装置
CN110084264B (zh) * 2019-03-07 2021-02-23 山东师范大学 一种基于改进随机梯度下降的图像分类方法及装置
CN110008842A (zh) * 2019-03-09 2019-07-12 同济大学 一种基于深度多损失融合模型的行人重识别方法
CN111860587B (zh) * 2020-06-12 2024-02-02 长安大学 一种用于图片小目标的检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240878A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Also Published As

Publication number Publication date
CN115880618A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN111431986B (zh) 基于5g和ai云边协同的工业智能质检系统
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN108898085A (zh) 一种基于手机视频的道路病害智能检测方法
CN110070530A (zh) 一种基于深度神经网络的输电线路覆冰检测方法
CN110040594B (zh) 一种基于卷积神经网络的电梯运行检测系统及方法
CN112200263B (zh) 一种应用于配电物联网的自组织联邦聚类方法
CN109241814A (zh) 基于yolo神经网络的行人检测方法
CN110660025A (zh) 一种基于gan网络的工业监控视频图像清晰化方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN110321947A (zh) 一种基于卷积神经网络的用电异常预判方法
CN116012762A (zh) 一种针对电力设备的交通路口视频影像分析方法及系统
CN114092478B (zh) 一种异常检测方法
CN112069894A (zh) 一种基于Faster-RCNN模型的导线散股识别方法
CN115880618B (zh) 基于随机梯度下降算法的高铁接触网目标的检测方法
CN110175985A (zh) 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质
CN111310899B (zh) 基于共生关系和小样本学习的电力缺陷识别方法
CN117585553A (zh) 电梯异常检测方法、装置、计算机设备及存储介质
CN112633900A (zh) 基于机器学习的工业物联网数据验证方法
CN112132088A (zh) 一种巡检点位漏巡识别方法
CN113780371B (zh) 基于边缘计算与深度学习的绝缘子状态边缘识别方法
CN114445411A (zh) 一种无人机巡线缺陷识别系统及控制方法
CN113328986A (zh) 基于卷积神经网络与lstm结合的网络流量异常检测方法
CN111930982A (zh) 一种电网图像智能标签方法
CN112307896A (zh) 一种社区监控场景下电梯猥亵行为异常检测方法
CN114298087B (zh) 一种基于注意力机制的混合cnn-lstm吊弦异常检测方法

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
GR01 Patent grant
GR01 Patent grant