CN115953408A - 一种基于YOLOv7的避雷器表面缺陷检测方法 - Google Patents
一种基于YOLOv7的避雷器表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115953408A CN115953408A CN202310245815.5A CN202310245815A CN115953408A CN 115953408 A CN115953408 A CN 115953408A CN 202310245815 A CN202310245815 A CN 202310245815A CN 115953408 A CN115953408 A CN 115953408A
- Authority
- CN
- China
- Prior art keywords
- convolution
- path
- feature map
- basic
- block
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 230000007547 defect Effects 0.000 title claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000011221 initial treatment Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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)
- Image Processing (AREA)
Abstract
本发明涉及电力设备检测与缺陷识别领域，公开了一种基于YOLOv7的避雷器表面缺陷检测方法，以避雷器表面缺陷数据集为训练数据集，将避雷器表面缺陷数据集中的原始图像进行一次处理，生成统一大小的图像，然后对统一大小的图像进行二次处理；构建基于YOLOv7的缺陷检测网络，训练缺陷检测网络并生成缺陷检测模型，用于检测避雷器表面缺陷。本发明所提出的检测方法可降低图像边缘目标漏检率；提升图像模糊、遮挡等情况的识别精度，可部署在无人机等移动端设备上用于检测避雷器表面缺陷。
Description
技术领域
本发明涉及电力设备检测与缺陷识别领域，特别涉及一种基于YOLOv7的避雷器表面缺陷检测方法。
背景技术
传统的电力设备检测与缺陷识别方法通常由人工巡检完成，随着深度学习在图像处理上的应用，越来越多的人开始将深度学习与电力图像识别结合起来。深度学习中主流的目标检测模型分为两阶段目标检测模型和一阶段目标检测模型。两阶段目标检测模型以R-CNN为代表，由RPN生成候选框和分类预测调整边界框两阶段组成；两阶段目标检测模型检测精度高，但是检测速度较慢，且模型参数量较大，不易于部署在无人机等移动端设备上。一阶段目标检测模型以SSD系列模型和YOLO系列模型为代表，SSD系列模型提升了模型检测速度。YOLO系列模型提升模型检测速度同时提升模型精度。
虽然目标检测模型发展迅速，在电力设备检测与缺陷识别领域上也得到发展，但是大部分电力图像识别应用于绝缘子、金具和螺栓三类设备，在避雷器设备上的研究与应用较少。又由于避雷器外形与绝缘子相似不易区分，避雷器外表缺陷目标小，天气、光线、角度等原因造成的无人机拍摄图像模糊、遮挡等问题，导致目标检测模型在避雷器检测与缺陷识别上的精度低、速度慢。
发明内容
为了解决上述问题，本发明的目的是提出一种基于YOLOv7的避雷器表面缺陷检测方法，可降低图像边缘目标漏检率；提升图像模糊、遮挡等情况的识别精度，提升不同尺度的目标识别准确度。
本发明解决其技术问题的技术方案是：一种基于YOLOv7的避雷器表面缺陷检测方法，以避雷器表面缺陷数据集为训练数据集，包括如下步骤：
步骤S1.图像处理：首先将避雷器表面缺陷数据集中的原始图像进行一次处理，生成统一大小的图像，然后对统一大小的图像进行二次处理；
步骤S2.构建基于YOLOv7的缺陷检测网络；所述基于YOLOv7的缺陷检测网络分为骨干网络和检测头两部分，骨干网络首先经过4个带位置注意力机制的基本卷积模块改变特征图大小和通道数量，再依次经过4个特征提取阶段进行特征提取，第1个特征提取阶段由1个1×1的基本卷积和第一多路卷积块组成，第2个特征提取阶段由1个1×1的基本卷积和第二多路卷积块组成，第3个特征提取阶段由1个1×1的基本卷积和第三多路卷积块组成，第4个特征提取阶段依次由第四多路卷积块、深度自注意力网络(Transformer)、带金字塔池化的CSP块组成，第一多路卷积块提取的特征图经下采样输入第二多路卷积块，第二多路卷积块提取的特征图经下采样输入第三多路卷积块，第三多路卷积块提取的特征图经下采样输入第四多路卷积块，经过1个深度自注意力网络(Transformer)和带金字塔池化的CSP块增大感受野；4个特征提取阶段提取的特征图输入检测头进行融合，检测头由4条大小不同的融合分支组成，第4个特征提取阶段提取的特征图M4经基本卷积和上采样与第3个特征提取阶段提取的特征图M3融合进入第一高效多路卷积块，融合的特征图经基本卷积和上采样与第2个特征提取阶段提取的特征图M2融合后进入第二高效多路卷积块，融合的特征图经基本卷积和上采样与第1个特征提取阶段提取的特征图M1融合作为第三高效多路卷积块的输入，第三高效多路卷积块的输出与第二高效多路卷积块的输出融合后作为第四高效多路卷积块的输入，第四高效多路卷积块的输出与第一高效多路卷积块的输出融合作为第五高效多路卷积块的输入，第五高效多路卷积块的输出与第4个特征提取阶段提取的特征图M4融合后作为第六高效多路卷积块的输入；第三高效多路卷积块、第四高效多路卷积块、第五高效多路卷积块、第六高效多路卷积块输出的特征图分别经卷积冲参数块和基本卷积处理后作为检测头输出Ⅰ、检测头输出Ⅱ、检测头输出Ⅲ、检测头输出Ⅳ；
步骤S3.训练缺陷检测网络：将步骤S1处理后的图像输入至缺陷检测网络进行训练；
步骤S4. 生成缺陷检测模型：将训练完成的缺陷检测网络权重保存，生成缺陷检测模型，用于检测避雷器表面缺陷。
进一步优选，所述一次处理是：首先对原始图像进行边界扩充；其次将图像裁剪至设定大小；对裁剪后的图像进行边界扩充。
进一步优选，所述二次处理是：对一次处理所得图像进行归一化、通道转置、添加批量大小、转换为张量类型。
进一步优选，所述基本卷积依次由Ghost卷积、归一化和激活函数组成，激活函数为Mish激活函数。
进一步优选，所述Ghost卷积由普通卷积和线性运算组成，对于输入特征图，首先由普通卷积生成特征图，再由特征图直接映射的特征图和经过线性运算生成的特征图通过通道堆叠操作得到输出特征图，其中线性运算为深度可分离卷积。
进一步优选，所述带位置注意力机制的基本卷积模块由连续两个基本卷积、1个位置注意力机制、Ghost卷积和归一化层组成；对于输入特征图，首先经过1×1基本卷积降维，其次经过3×3基本卷积进行特征提取，再经过位置注意力机制增大目标权重，最后经过1×1Ghost卷积升维得到的特征图与输入特征图通过特征图相加操作得到输出特征图，其中最后的1×1Ghost卷积不含激活函数。
进一步优选，第一多路卷积块、第二多路卷积块、第三多路卷积块、第四多路卷积块四者结构相同，由两条分支组成，分支Ⅰ经过1个1×1基本卷积改变通道数量，分支Ⅱ经过1个1×1基本卷积改变通道数量和多个3×3基本卷积进行特征提取，多路卷积块输出的特征图由分支Ⅰ生成的特征图、分支Ⅱ生成的特征图和分支Ⅱ中第2个3×3基本卷积生成的特征图三部分通过通道堆叠操作得到。
进一步优选，下采样的结构包括第一分支和第二分支，第一分支由软池化进行下采样和1×1基本卷积改变通道数量，第二分支由1×1基本卷积改变通道数量和3×3基本卷积进行下采样，由第一分支和第二分支生成的特征图通过通道堆叠操作得到输出特征图。
进一步优选，使用K-means聚类算法获得适当大小的9个先验框，将训练数据集中所有目标框作为簇类样本，样本划分为9个类,为使大小差异小的目标框尽量聚集，大小差异大的目标框尽量远离，使用平均面积差作为相似度度量：
其中，
为平均面积差，S_Bj为第j个簇类样本面积，S_Ci为第i个簇类中心面积，n为簇类样本总数，nk为第k类簇样本个数，经过K-means聚类算法获得适当大小的9个先验框作为缺陷检测模型的先验框。
本发明的有益效果：对图像进行统一大小的划分，且划分后的图像在原图上进行边界扩充，不会导致图像边缘目标被分割，降低图像边缘目标漏检率；本发明的基于YOLOv7的缺陷检测网络使用Ghost卷积替换普通卷积，设定Ghost卷积总映射为3，使得网络参数量和计算量缩减为原来的1/3，易于部署在无人机等移动端设备上；本发明的基于YOLOv7的缺陷检测网络在骨干网络构建带位置注意力的基本卷积并引入深度自注意力网络(Transformer)，使生成的缺陷检测模型聚焦在避雷器缺陷目标上，提升图像模糊、遮挡等情况的识别准确度；且本发明的基于YOLOv7的缺陷检测网络在检测头由4条大小不同的融合分支组成，提升不同尺度的目标识别准确度；且本发明的基于YOLOv7的缺陷检测网络使用K-means聚类模型获得9个适于避雷器缺陷目标大小的先验框，提升模型收敛速度。
附图说明
为了易于说明，本发明由下述附图作为详细描述。
图1为基于YOLOv7的避雷器表面缺陷检测方法流程图。
图2为基于YOLOv7的缺陷检测网络结构图。
图3为Ghost卷积结构图。
图4为带位置注意力机制的基本卷积模块结构图。
图5为多路卷积块结构图。
图6为下采样结构图。
具体实施方式
本发明主要用于基于可见光设备拍摄图像的避雷器表面缺陷检测，假设避雷器图像由无人机航拍图像与视频获得，经过人工标注得到避雷器表面缺陷数据集，其中人工标注包含避雷器目标与避雷器表面缺陷目标，避雷器表面缺陷包含破损、锈蚀、污染、烧伤和异物五类缺陷，经过人工标注后的避雷器表面缺陷数据集用于本发明中缺陷检测网络的训练。
本发明的一种基于YOLOv7的避雷器表面缺陷检测方法，以避雷器表面缺陷数据集为训练数据集，如图1所示，包括如下步骤：
步骤S1.图像处理：首先将避雷器表面缺陷数据集中的原始图像进行一次处理，生成统一大小的图像，然后对统一大小的图像进行二次处理。
一次处理：首先对原始图像进行边界扩充，其中每条边扩充20像素点，采用灰度值0进行扩充；其次将图像裁剪至280×280大小；对裁剪后的图像进行边界扩充，其中每条边在原始图像对应位置上扩充20像素点；扩充后的图像为320*320大小，如不是该大小，则在图像边界处进行灰度值0扩充。
二次处理：对一次处理所得图像进行归一化、通道转置、添加批量大小、转换为张量类型。其中，通道转置为将图像（h，w，3）转置为（3，h，w），添加批量大小为将图像（3，h，w）转换为（8，3，h，w），h为图像的高，w为图像的宽。
步骤S2.构建基于YOLOv7的缺陷检测网络。基于YOLOv7的缺陷检测网络分为骨干网络和检测头两部分，如图2所示。骨干网络首先经过4个带位置注意力机制的基本卷积模块改变特征图大小和通道数量，再依次经过4个特征提取阶段进行特征提取，第1个特征提取阶段由1个1×1的基本卷积和第一多路卷积块组成，第2个特征提取阶段由1个1×1的基本卷积和第二多路卷积块组成，第3个特征提取阶段由1个1×1的基本卷积和第三多路卷积块组成，第4个特征提取阶段依次由第四多路卷积块、深度自注意力网络(Transformer)、带金字塔池化的CSP块组成，第一多路卷积块提取的特征图经下采样输入第二多路卷积块，第二多路卷积块提取的特征图经下采样输入第三多路卷积块，第三多路卷积块提取的特征图经下采样输入第四多路卷积块，经过1个深度自注意力网络(Transformer)和带金字塔池化的CSP块增大感受野。4个特征提取阶段提取的特征图输入检测头进行融合，检测头由4条大小不同的融合分支组成，第4个特征提取阶段提取的特征图M4经基本卷积和上采样与第3个特征提取阶段提取的特征图M3融合进入第一高效多路卷积块，融合的特征图经基本卷积和上采样与第2个特征提取阶段提取的特征图M2融合后进入第二高效多路卷积块，融合的特征图经基本卷积和上采样与第1个特征提取阶段提取的特征图M1融合作为第三高效多路卷积块的输入，第三高效多路卷积块的输出与第二高效多路卷积块的输出融合后作为第四高效多路卷积块的输入，第四高效多路卷积块的输出与第一高效多路卷积块的输出融合作为第五高效多路卷积块的输入，第五高效多路卷积块的输出与第4个特征提取阶段提取的特征图M4融合后作为第六高效多路卷积块的输入；第三高效多路卷积块、第四高效多路卷积块、第五高效多路卷积块、第六高效多路卷积块输出的特征图分别经卷积冲参数块和基本卷积处理后作为检测头输出Ⅰ、检测头输出Ⅱ、检测头输出Ⅲ、检测头输出Ⅳ，检测头输出Ⅰ、检测头输出Ⅱ、检测头输出Ⅲ、检测头输出Ⅳ的特征图大小分别为10×10×44、20×20×44、40×40×44、80×80×44，其中44表示通道数量。
其中，基本卷积依次由Ghost卷积、归一化和激活函数组成，激活函数为Mish激活函数，如图3所示，Ghost卷积由普通卷积和线性运算组成。对于输入特征图，首先由普通卷积生成特征图，再由特征图直接映射的特征图和经过线性运算生成的特征图通过通道堆叠操作得到输出特征图，其中线性运算为深度可分离卷积，并设定Ghost卷积总映射为3。
带位置注意力机制的基本卷积模块如图4所示，由连续两个基本卷积、1个位置注意力机制、Ghost卷积和归一化层组成。对于输入特征图，首先经过1×1基本卷积降维，其次经过3×3基本卷积进行特征提取，再经过位置注意力机制增大目标权重，最后经过1×1Ghost卷积升维得到的特征图与输入特征图通过特征图相加操作得到输出特征图，其中最后的1×1Ghost卷积不含激活函数。
第一多路卷积块、第二多路卷积块、第三多路卷积块、第四多路卷积块四者结构相同，如图5所示，由两条分支组成，分支Ⅰ经过1个1×1基本卷积改变通道数量，分支Ⅱ经过1个1×1基本卷积改变通道数量和多个3×3基本卷积进行特征提取，多路卷积块输出的特征图由分支Ⅰ生成的特征图、分支Ⅱ生成的特征图和分支Ⅱ中第2个3×3基本卷积生成的特征图三部分通过通道堆叠操作得到。其中第一多路卷积块进行特征提取的基本卷积数量为3，第二多路卷积块进行特征提取的基本卷积数量为3，第三多路卷积块进行特征提取的基本卷积数量为9，第四多路卷积块进行特征提取的基本卷积数量为3。
下采样的结构如图6所示，第一分支由软池化进行下采样和1×1基本卷积改变通道数量，第二分支由1×1基本卷积改变通道数量和3×3基本卷积进行下采样，其中第二分支的3×3基本卷积的卷积步长为2，由两条分支生成的特征图通过通道堆叠操作得到输出特征图。
使用K-means聚类算法获得适当大小的9个先验框，将训练数据集中所有目标框作为簇类样本，样本划分为k个类，k=9。为使大小差异小的目标框尽量聚集，大小差异大的目标框尽量远离，使用平均面积差作为相似度度量：
其中，
为平均面积差，S_Bj为第j个簇类样本面积，S_Ci为第i个簇类中心面积，n为簇类样本总数，nk为第k类簇样本个数，经过K-means聚类算法获得适当大小的9个先验框作为缺陷检测模型的先验框。
步骤S3.训练缺陷检测网络：将步骤S1处理后的图像输入至缺陷检测网络进行训练。
步骤S4. 生成缺陷检测模型：将训练完成的缺陷检测网络权重保存，生成缺陷检测模型，用于检测避雷器表面缺陷。缺陷检测模型可部署在无人机等移动端设备上。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于YOLOv7的避雷器表面缺陷检测方法，以避雷器表面缺陷数据集为训练数据集，其特征在于，包括如下步骤：
步骤S1.图像处理：首先将避雷器表面缺陷数据集中的原始图像进行一次处理，生成统一大小的图像，然后对统一大小的图像进行二次处理；
步骤S2.构建基于YOLOv7的缺陷检测网络；所述基于YOLOv7的缺陷检测网络分为骨干网络和检测头两部分，骨干网络首先经过4个带位置注意力机制的基本卷积模块改变特征图大小和通道数量，再依次经过4个特征提取阶段进行特征提取，第1个特征提取阶段由1个1×1的基本卷积和第一多路卷积块组成，第2个特征提取阶段由1个1×1的基本卷积和第二多路卷积块组成，第3个特征提取阶段由1个1×1的基本卷积和第三多路卷积块组成，第4个特征提取阶段依次由第四多路卷积块、Transformer、带金字塔池化的CSP块组成，第一多路卷积块提取的特征图经下采样输入第二多路卷积块，第二多路卷积块提取的特征图经下采样输入第三多路卷积块，第三多路卷积块提取的特征图经下采样输入第四多路卷积块，经过1个Transformer和带金字塔池化的CSP块增大感受野；4个特征提取阶段提取的特征图输入检测头进行融合，检测头由4条大小不同的融合分支组成，第4个特征提取阶段提取的特征图M4经基本卷积和上采样与第3个特征提取阶段提取的特征图M3融合进入第一高效多路卷积块，融合的特征图经基本卷积和上采样与第2个特征提取阶段提取的特征图M2融合后进入第二高效多路卷积块，融合的特征图经基本卷积和上采样与第1个特征提取阶段提取的特征图M1融合作为第三高效多路卷积块的输入，第三高效多路卷积块的输出与第二高效多路卷积块的输出融合后作为第四高效多路卷积块的输入，第四高效多路卷积块的输出与第一高效多路卷积块的输出融合作为第五高效多路卷积块的输入，第五高效多路卷积块的输出与第4个特征提取阶段提取的特征图M4融合后作为第六高效多路卷积块的输入；第三高效多路卷积块、第四高效多路卷积块、第五高效多路卷积块、第六高效多路卷积块输出的特征图分别经卷积冲参数块和基本卷积处理后作为检测头输出Ⅰ、检测头输出Ⅱ、检测头输出Ⅲ、检测头输出Ⅳ；
步骤S3.训练缺陷检测网络：将步骤S1处理后的图像输入至缺陷检测网络进行训练；
步骤S4. 生成缺陷检测模型：将训练完成的缺陷检测网络权重保存，生成缺陷检测模型，用于检测避雷器表面缺陷。
2.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，所述一次处理是：首先对原始图像进行边界扩充；其次将图像裁剪至设定大小；对裁剪后的图像进行边界扩充。
3.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，所述二次处理是：对一次处理所得图像进行归一化、通道转置、添加批量大小、转换为张量类型。
4.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，所述基本卷积依次由Ghost卷积、归一化和激活函数组成，激活函数为Mish激活函数。
5.根据权利要求4所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，所述Ghost卷积由普通卷积和线性运算组成，对于输入特征图，首先由普通卷积生成特征图，再由特征图直接映射的特征图和经过线性运算生成的特征图通过通道堆叠操作得到输出特征图，其中线性运算为深度可分离卷积。
6.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，所述带位置注意力机制的基本卷积模块由连续两个基本卷积、1个位置注意力机制、Ghost卷积和归一化层组成；对于输入特征图，首先经过1×1基本卷积降维，其次经过3×3基本卷积进行特征提取，再经过位置注意力机制增大目标权重，最后经过1×1Ghost卷积升维得到的特征图与输入特征图通过特征图相加操作得到输出特征图，其中最后的1×1Ghost卷积不含激活函数。
7.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，第一多路卷积块、第二多路卷积块、第三多路卷积块、第四多路卷积块四者结构相同，由两条分支组成，分支Ⅰ经过1个1×1基本卷积改变通道数量，分支Ⅱ经过1个1×1基本卷积改变通道数量和多个3×3基本卷积进行特征提取，多路卷积块输出的特征图由分支Ⅰ生成的特征图、分支Ⅱ生成的特征图和分支Ⅱ中第2个3×3基本卷积生成的特征图三部分通过通道堆叠操作得到。
8.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，下采样的结构包括第一分支和第二分支，第一分支由软池化进行下采样和1×1基本卷积改变通道数量，第二分支由1×1基本卷积改变通道数量和3×3基本卷积进行下采样，由第一分支和第二分支生成的特征图通过通道堆叠操作得到输出特征图。
9.根据权利要求1所述的基于YOLOv7的避雷器表面缺陷检测方法，其特征在于，使用K-means聚类算法获得9个先验框，将训练数据集中所有目标框作为簇类样本，样本划分为9个类；为使大小差异小的目标框聚集，大小差异大的目标框远离，使用平均面积差作为相似度度量：
其中，
为平均面积差，S_Bj为第j个簇类样本面积，S_Ci为第i个簇类中心面积，n为簇类样本总数，nk为第k类簇样本个数，经过K-means聚类算法获得适当大小的9个先验框作为缺陷检测模型的先验框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310245815.5A CN115953408B (zh) | 2023-03-15 | 2023-03-15 | 一种基于YOLOv7的避雷器表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310245815.5A CN115953408B (zh) | 2023-03-15 | 2023-03-15 | 一种基于YOLOv7的避雷器表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953408A true CN115953408A (zh) | 2023-04-11 |
| CN115953408B CN115953408B (zh) | 2023-07-04 |
Family
ID=85903396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310245815.5A Active CN115953408B (zh) | 2023-03-15 | 2023-03-15 | 一种基于YOLOv7的避雷器表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953408B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117409299A (zh) * | 2023-12-15 | 2024-01-16 | 武汉纺织大学 | 一种基于多尺度池化Transformer的图像内部遮挡关系预测方法 |
| CN117541922A (zh) * | 2023-11-09 | 2024-02-09 | 国网宁夏电力有限公司建设分公司 | 基于SF-YOLOv5的电站屋面工程缺陷检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222982A (zh) * | 2021-06-02 | 2021-08-06 | 上海应用技术大学 | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 |
| CN114445336A (zh) * | 2021-12-24 | 2022-05-06 | 深圳供电局有限公司 | 配电设备缺陷检测方法、装置、计算机设备和存储介质 |
| CN114723833A (zh) * | 2022-04-08 | 2022-07-08 | 广西师范大学 | 一种基于改进yolov5的深度学习晶圆焊点检测方法 |
| CN114724031A (zh) * | 2022-04-08 | 2022-07-08 | 中国科学院合肥物质科学研究院 | 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法 |
| WO2022193420A1 (zh) * | 2021-03-17 | 2022-09-22 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
| CN115457026A (zh) * | 2022-10-11 | 2022-12-09 | 陕西科技大学 | 一种基于改进YOLOv5的纸病检测方法 |
| CN115527105A (zh) * | 2022-09-28 | 2022-12-27 | 电子科技大学 | 一种基于多尺度特征学习的水下目标检测方法 |
-
2023
- 2023-03-15 CN CN202310245815.5A patent/CN115953408B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022193420A1 (zh) * | 2021-03-17 | 2022-09-22 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
| CN113222982A (zh) * | 2021-06-02 | 2021-08-06 | 上海应用技术大学 | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 |
| CN114445336A (zh) * | 2021-12-24 | 2022-05-06 | 深圳供电局有限公司 | 配电设备缺陷检测方法、装置、计算机设备和存储介质 |
| CN114723833A (zh) * | 2022-04-08 | 2022-07-08 | 广西师范大学 | 一种基于改进yolov5的深度学习晶圆焊点检测方法 |
| CN114724031A (zh) * | 2022-04-08 | 2022-07-08 | 中国科学院合肥物质科学研究院 | 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法 |
| CN115527105A (zh) * | 2022-09-28 | 2022-12-27 | 电子科技大学 | 一种基于多尺度特征学习的水下目标检测方法 |
| CN115457026A (zh) * | 2022-10-11 | 2022-12-09 | 陕西科技大学 | 一种基于改进YOLOv5的纸病检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI YM ET AL: "《The Extraction Method of Navigation Line for Cuttage and Film Covering Multi-Functional Machine for Low Tunnels》", 《MDPI》 * |
| 邹辉军: "《基于CG-yolo的烟火检测》", 《计算机与数字工程》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN117541922A (zh) * | 2023-11-09 | 2024-02-09 | 国网宁夏电力有限公司建设分公司 | 基于SF-YOLOv5的电站屋面工程缺陷检测方法 |
| CN117409299A (zh) * | 2023-12-15 | 2024-01-16 | 武汉纺织大学 | 一种基于多尺度池化Transformer的图像内部遮挡关系预测方法 |
| CN117409299B (zh) * | 2023-12-15 | 2024-03-05 | 武汉纺织大学 | 一种基于多尺度池化Transformer的图像内部遮挡关系预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953408B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
| CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测系统 | |
| CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
| CN115953408B (zh) | 一种基于YOLOv7的避雷器表面缺陷检测方法 | |
| CN111612017B (zh) | 一种基于信息增强的目标检测方法 | |
| CN114596500B (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
| CN112288008A (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
| CN111860683B (zh) | 一种基于特征融合的目标检测方法 | |
| CN114998756B (zh) | 一种基于yolov5的遥感图像检测方法、装置及存储介质 | |
| CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
| CN111881743B (zh) | 一种基于语义分割的人脸特征点定位方法 | |
| CN112750125A (zh) | 一种基于端到端关键点检测的玻璃绝缘子片定位方法 | |
| CN112861646B (zh) | 复杂环境小目标识别场景下的卸油工安全帽级联检测方法 | |
| CN114998688B (zh) | 一种基于YOLOv4改进算法的大视场目标检测方法 | |
| CN113343822A (zh) | 一种基于3d卷积的光场显著性目标检测方法 | |
| CN114862768A (zh) | 基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法 | |
| CN110895697A (zh) | 变压器铭牌信息采集方法及智能采集系统 | |
| CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
| CN114202505A (zh) | 一种用于风机叶片表面缺陷的检测方法 | |
| CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
| CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
| CN116740528A (zh) | 一种基于阴影特征的侧扫声呐图像目标检测方法及系统 | |
| CN115049941A (zh) | 一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法 | |
| CN117372777A (zh) | 基于der增量学习的密集架通道异物检测方法 |
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 |