CN116188402A - 一种基于改进ssd算法的绝缘子缺陷识别方法 - Google Patents
一种基于改进ssd算法的绝缘子缺陷识别方法 Download PDFInfo
- Publication number
- CN116188402A CN116188402A CN202310067607.0A CN202310067607A CN116188402A CN 116188402 A CN116188402 A CN 116188402A CN 202310067607 A CN202310067607 A CN 202310067607A CN 116188402 A CN116188402 A CN 116188402A
- Authority
- CN
- China
- Prior art keywords
- insulator
- algorithm
- ssd
- improved
- ssd 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Insulators (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于改进SSD算法的绝缘子缺陷识别方法,包括以下步骤:利用无人机采集绝缘子图像,通过Grabcut背景替换算法以及数据增强算法对图像进行扩充,使用LabelImg工具标注绝缘子图像,将标记好的绝缘子数据集转换为txt格式,并将其划分为训练集、验证集和测试集。基于SSD算法构建绝缘子缺陷检测模型,通过替换主干网络为Resnet50、新增金字塔模块以及Shuffle Attention模块完成对SSD算法的优化。将数据在改进后的SSD算法上进行训练,设置模型超参数。通过测试集对训练后的训练模型进行测试,计算mAP,Parameters、GFLOPs等指标。本发明能够增强网络的特征提取能力,保证绝缘子缺陷小目标的识别精度。
Description
技术领域
本发明属于计算机视觉图像识别技术领域,具体涉及一种基于改进SSD算法的绝缘子缺陷识别方法。
背景技术
随着我国输电线路电压等级逐步提高,架设区域范围扩大,利用无人机对输电线路进行高效巡检的需求不断扩大。绝缘子作为输电线路的重要器件之一,由其缺陷引发的事故超过一半,对输电线路绝缘子实施高效、精准的缺陷识别是维护电网正常运行的必要条件。近年来,为了获得更高的检测精度,卷积神经网络向着构建更深的网络结构发展,这些网络在模型大小、算法速度上很难达到边缘计算设备的需求,因此,对算法进行轻量化改进具有十分重要的意义。在模型轻量化的同时,势必会带来精度的折损,如何实现算法精度与复杂度的平衡,使其能够满足无人机巡检实时、准确的需求,也是目前亟需解决的问题。
发明内容
解决的技术问题:针对上述背景技术的不足,本发明公开了一种基于改进SSD算法的绝缘子缺陷识别方法,降低了模型参数量与计算量,解决了模型复杂度高难以搭载至无人机的问题,同时通过优化锚框尺寸、替换主干网络为Resnet50、增加金字塔模块以及Shuffle Attention模块的方式提高绝缘子缺陷目标的全类平均检测精度。
本发明为实现上述发明目的采用如下技术方案:
基于改进SSD算法的绝缘子缺陷识别方法包括以下步骤:
步骤1、利用无人机采集绝缘子图像,本发明采用电网某公司提供的航拍绝缘子巡检图片制作数据集。航拍绝缘子图片中,绝缘子破损照片688张,绝缘子闪络照片692张,绝缘子掉串照片48张,存在样本类别不均衡且数量过少的问题。
步骤2、针对航拍绝缘子图片样本类别不均衡和数量过少的问题,对航拍绝缘子图片进行扩充,避免模型训练出现过拟合的问题。
步骤3、利用LabelImg工具对数据集进行标注,绝缘子标签为Insulator,绝缘子破损标签为Broken,绝缘子闪络标签为Flashover,绝缘子掉串标签为Drop。数据集中各类标签数量为:Insulator标签共2889处,Broken标签共1155处,Flashover标签共886处,Drop标签共774处。
步骤4、划分数据集为训练集、验证集、测试集。航拍绝缘子数据集用LabelImg工具标注过后生成xml格式文件,将其转换为txt格式文件以应用于SSD目标检测算法。格式转换后,按照8:1:1的比例将数据集划分训练集、验证集和测试集。
步骤5、基于SSD算法构建绝缘子缺陷检测模型,所述绝缘子缺陷检测模型以SSD目标检测算法为基础,首先将其主干网络VGG16更改为Resnet50,并将Resnet50网络结构作删减与修改,使其与SSD网络结构更好地融合;其次新增金字塔模块,将浅层特征与深层特征融合,充分利用各尺寸特征图中所含的特征,提高模型对个尺寸目标的感知能力;最后在主干网络输出的浅层特征图后加入Shuffle Attention模块,进一步提升模型对绝缘子缺陷的检测精度。
步骤6、基于改进SSD算法的绝缘子缺陷检测模型训练。
步骤7、基于改进SSD算法的绝缘子缺陷检测模型性能测试。
本发明的有益效果:
第一,本发明提出的一种基于改进SSD算法的绝缘子缺陷识别模型参数量与计算量较低,具有轻量级效果,能够部署至边缘设备。此外,所提模型具有较高的检测精度,能够完成对绝缘子缺陷目标的精准识别,有利于维护输电线路安全稳定运行。
第二,本发明提出的一种基于改进SSD算法的绝缘子缺陷识别模型在识别绝缘子闪络等缺陷小目标上具有较高的检测精度,解决了由于安全距离的限制,航拍输电线路绝缘子等目标尺寸小,检测精度低的问题。
附图说明
图1为基于改进SSD算法的绝缘子缺陷识别方法流程图;
图2为Grabcut算法替换图片背景流程图;
图3为改进SSD算法的网络结构图;
图4为新增金字塔结构图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
图1为基于改进SSD算法的绝缘子缺陷识别方法流程图。如图1所示,绝缘子缺陷识别包括以下步骤:
步骤1、利用无人机采集绝缘子图像,本发明采用电网某公司提供的航拍绝缘子巡检图片制作数据集。航拍绝缘子图片中,绝缘子破损照片688张,绝缘子闪络照片692张,绝缘子掉串照片48张,存在样本类别不均衡且数量过少的问题。
步骤2、针对航拍绝缘子图片样本类别不均衡和数量过少的问题,对航拍绝缘子图片进行扩充,避免模型训练出现过拟合的问题。
步骤2.1,利用Grabcut算法替换图片背景。针对数据集中掉串图片缺乏,类别极度不均衡的情况,利用Grabcut分割算法对绝缘子掉串图片进行扩充,图片扩充流程如图2所示。首先选取数据集中绝缘子掉串图片,框定掉串绝缘子作为前景,程序读取ROI并执行Grabcut操作,生成掉串绝缘子掩膜。其次读入输电线路背景图片,将掩膜区域的掉串绝缘子与背景图片进行像素运算,生成绝缘子掉串融合图片。通过Grabcut背景替换,绝缘子掉串图片扩充至108张。
步骤2.2,对背景替换后的数据集进行数据增强。为了模拟无人机在不同天气下以及处于不同拍摄视角的情形,同时进一步改善绝缘子掉串图片缺乏的问题,对绝缘子掉串图片进行旋转、镜像、缩放、裁剪、亮度改变以及高斯模糊等方法扩充其数量,数据增强后数据集扩展至2238张图片。
步骤3、利用LabelImg工具对数据集进行标注,绝缘子标签为Insulator,绝缘子破损标签为Broken,绝缘子闪络标签为Flashover,绝缘子掉串标签为Drop。数据集中各类标签数量为:Insulator标签共2889处,Broken标签共1155处,Flashover标签共886处,Drop标签共774处。
步骤4、划分数据集为训练集、验证集、测试集。航拍绝缘子数据集用LabelImg工具标注过后生成xml格式文件,将其转换为txt格式文件以应用于SSD目标检测算法。格式转换后,按照8:1:1的比例将数据集划分训练集、验证集和测试集。
步骤5、基于SSD算法构建绝缘子缺陷检测模型,本实施例的绝缘子缺陷检测模型基于SSD算法构建,为了适配本实施例的应用场景,本实施例对原始SSD算法进行改进,改进后的SSD网络结构如图3所示。
步骤5.1,将SSD算法的主干网络替换为Resnet50。本发明采用Resnet50作为目标检测算法的主干网络,与SSD原始主干网络VGG16相比,ResNet50网络参数量大幅度降低,且精度损耗处于可接受的范围内。为保证卷积层后的特征图的大小不发生改变,更好地与SSD模型结合,本发明对ResNet50网络结构进行修改,可参照图3。Resnet50分为5个阶段(Stage),Stage0包含大小为7×7的卷积、BN层、Relu激活函数以及最大池化操作,Stage1至Stage4均由一个卷积残差块和数个恒等残差块构成,恒等残差块个数分别为2,3,5,2。本发明删去Stage4模块,并将Stage3中的卷积模块均改为stride=1,即经过Stage3,特征图尺寸不变,为38×38。同时在主干网络后添加两个卷积模块,实现特征图尺寸的缩减和通道数的变化,获得尺寸为19×19的特征图,完成与SSD网络的结合。
步骤5.2,新增金字塔结构。在SSD网络模型中,由VGG16主干网络引出的两个特征图细节信息保存较完整,但未经过充足的特征提取,其语义信息表征能力弱;由附加层引出的四个特征图经过多次卷积,语义信息表征能力强,但多次卷积操作导致细节信息丢失,不利于小目标的检测。为了充分利用深层特征图的语义信息与浅层特征图的细节信息,借鉴FPN结构,添加金字塔结构,如图4所示:每层输出特征图利用interpolate函数实现上采样,再与原特征图进行拼接操作,将深层的强语义信息传递到浅层,增强多个尺度上的语义表达,提升算法对不同尺度目标的识别精度。
步骤5.3,添加Shuffle Attention模块。无人机在巡检过程中受电磁辐射问题的影响,其巡检路线受到安全距离的限制,绝缘子串缺陷在图像数据中占据的像素信息一般较少,识别难度较大。注意力机制的出现为这一问题提供了一种解决方案。针对输电线路中绝缘子闪络、破损缺陷目标像素信息少且与背景信息互相干扰的情况,本发明加入ShuffleAttention模块以提高绝缘子缺陷小目标的检测精度。与常用的通道注意力模块以及混合注意力模块相比,Shuffle Attention模块能够在不明显增加模型参数量与计算量的情况下,提高目标检测的精度。注意力机制本质上是一组施加于特征上的权重,过多的注意力会使网络特征提取趋于混乱,难以保留有效的特征信息;过早加入注意力则会削弱网络提取特征的潜力,导致网络在完全提取特征信息前就开始筛选特征。因此,添加注意力模块的位置和数量是影响网络特征提取能力的关键因素。本发明在金字塔结构之前,SSD主干网络输出浅层特征图后添加两处Shuffle Attention模块,如图3所示。
步骤6、基于改进SSD算法的绝缘子缺陷检测模型训练。
步骤6.1,实验环境配置。本发明实验平台的操作系统为Window11,硬件配置为Intel(R)Core(TM)i7-12700H 2.30GHz处理器,GeForce RTX2050显卡,显存大小为4GB,搭载的软件环境为Anaconda、CUDA11.4.0,使用Pytorch1.7.1深度学习和SSD目标检测框架。
步骤6.2,模型训练超参数设置。本发明实验输入图像尺寸为300×300,使用SGD优化器,训练轮数为200,批次大小为8,初始学习率设置为0.002,余弦退火率为0.1,权值衰减为0.0005、动量为0.937,设置基准锚框参数为[22,50,70,153,200,217,300]。
步骤7、基于改进SSD算法的绝缘子缺陷检测模型性能测试。在完成模型搭建后,利用模型结构可计算出模型参数量(Parameters)以及浮点运算量(GFLOPs),计算公式为:
Parameters=k2×Cin×Cout
GFLOPs=2×109(HWK2CinCout+Cout)
其中,HWK2CinCout为卷积操作,Cout为bias操作。
在完成训练过程后,会生成基于航拍绝缘子数据集的绝缘子缺陷检测模型权重文件,利用权重文件测试模型性能,得到模型的平均精准度(Average Precision,AP),全类平均精度(mean Average Precision,mAP),计算公式为:
其中,n为训练样本集的类别总数,i为当前类别的编号。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范。
Claims (6)
1.一种基于改进SSD算法的绝缘子缺陷识别方法,其特征在于,所述绝缘子缺陷识别方法包括以下步骤:
步骤1、利用无人机采集绝缘子图像,本发明采用电网某公司提供的航拍绝缘子巡检图片制作数据集。航拍绝缘子图片中,绝缘子破损照片688张,绝缘子闪络照片692张,绝缘子掉串照片48张,存在样本类别不均衡且数量过少的问题。
步骤2、针对航拍绝缘子图片样本类别不均衡和数量过少的问题,对航拍绝缘子图片进行扩充,避免模型训练出现过拟合的问题。
步骤3、利用LabelImg工具对数据集进行标注,绝缘子标签为Insulator,绝缘子破损标签为Broken,绝缘子闪络标签为Flashover,绝缘子掉串标签为Drop。数据集中各类标签数量为:Insulator标签共2889处,Broken标签共1155处,Flashover标签共886处,Drop标签共774处。
步骤4、划分数据集为训练集、验证集、测试集。航拍绝缘子数据集用LabelImg工具标注过后生成xml格式文件,将其转换为txt格式文件以应用于SSD目标检测算法。格式转换后,按照8:1:1的比例将数据集划分训练集、验证集和测试集。
步骤5、基于SSD算法构建绝缘子缺陷检测模型,所述绝缘子缺陷检测模型以SSD目标检测算法为基础,首先将其主干网络VGG16更改为Resnet50,并将Resnet50网络结构作删减与修改,使其与SSD网络结构更好地融合;其次新增金字塔模块,将浅层特征与深层特征融合,充分利用各尺寸特征图中所含的特征,提高模型对个尺寸目标的感知能力;最后在主干网络输出的浅层特征图后加入Shuffle Attention模块,进一步提升模型对绝缘子缺陷的检测精度。
步骤6、基于改进SSD算法的绝缘子缺陷检测模型训练。
步骤7、基于改进SSD算法的绝缘子缺陷检测模型性能测试。
2.根据权利要求1所述的基于改进SSD算法的绝缘子缺陷识别方法,其特征在于,步骤2中,针对绝缘子数据集类别不均衡和数量过少的问题,利用Grabcut分割算法对绝缘子掉串图片进行扩充。首先选取数据集中绝缘子掉串图片,框定掉串绝缘子作为前景,程序读取ROI并执行Grabcut操作,生成掉串绝缘子掩膜。其次读入输电线路背景图片,将掩膜区域的掉串绝缘子与背景图片进行像素运算,生成绝缘子掉串融合图片。
3.根据权利要求1所述的基于改进SSD算法的绝缘子缺陷识别方法,其特征在于,步骤5中,将SSD算法的主干网络替换为Resnet50。为保证卷积层后的特征图的大小不发生改变,本发明对ResNet50网络结构进行修改,完成与SSD网络的结合。
4.根据权利要求1所述的基于改进SSD算法的绝缘子缺陷识别方法,其特征在于,步骤5中,为了充分利用深层特征图的语义信息与浅层特征图的细节信息,借鉴FPN结构,添加金字塔结构:每层输出特征图利用interpolate函数实现上采样,再与原特征图进行拼接操作,将深层的强语义信息传递到浅层,增强多个尺度上的语义表达,提升算法对不同尺度目标的识别精度。
5.根据权利要求1所述的基于改进SSD算法的绝缘子缺陷识别方法,其特征在于,步骤5中,在SSD主干网络输出浅层特征图后添加两处Shuffle Attention模块,解决输电线路中绝缘子闪络、破损缺陷目标像素信息少且与背景信息互相干扰的问题,提高绝缘子缺陷小目标的检测精度。
6.根据权利要求1所述的基于改进SSD算法的绝缘子缺陷识别方法,其特征在于,步骤6中,在模型训练过程中,设置输入图像尺寸为300×300,使用SGD优化器,训练轮数为200,批次大小为8,初始学习率设置为0.002,余弦退火率为0.1,权值衰减为0.0005、动量为0.937,设置基准锚框参数为[22,50,70,153,200,217,300]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067607.0A CN116188402A (zh) | 2023-01-16 | 2023-01-16 | 一种基于改进ssd算法的绝缘子缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067607.0A CN116188402A (zh) | 2023-01-16 | 2023-01-16 | 一种基于改进ssd算法的绝缘子缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188402A true CN116188402A (zh) | 2023-05-30 |
Family
ID=86439740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310067607.0A Pending CN116188402A (zh) | 2023-01-16 | 2023-01-16 | 一种基于改进ssd算法的绝缘子缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188402A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152258A (zh) * | 2023-04-23 | 2023-05-23 | 广东电网有限责任公司佛山供电局 | 一种输电线路绝缘子缺陷检测方法、装置、设备及介质 |
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 |
CN117113066A (zh) * | 2023-10-25 | 2023-11-24 | 南昌大学 | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 |
-
2023
- 2023-01-16 CN CN202310067607.0A patent/CN116188402A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152258A (zh) * | 2023-04-23 | 2023-05-23 | 广东电网有限责任公司佛山供电局 | 一种输电线路绝缘子缺陷检测方法、装置、设备及介质 |
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 |
CN117113066A (zh) * | 2023-10-25 | 2023-11-24 | 南昌大学 | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 |
CN117113066B (zh) * | 2023-10-25 | 2024-03-29 | 南昌大学 | 一种基于计算机视觉的输电线路绝缘子缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ling et al. | An accurate and real-time method of self-blast glass insulator location based on faster R-CNN and U-net with aerial images | |
CN116188402A (zh) | 一种基于改进ssd算法的绝缘子缺陷识别方法 | |
CN109241982B (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN112926405B (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
CN112581443A (zh) | 一种风力发电机叶片表面损伤轻量化识别方法 | |
CN110111345A (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN113252701B (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN114359153A (zh) | 一种基于改进CenterNet的绝缘子缺陷检测方法 | |
CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及系统 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN114998688A (zh) | 一种基于YOLOv4改进算法的大视场目标检测方法 | |
CN114359167A (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 | |
CN116994162A (zh) | 一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法 | |
CN116597413A (zh) | 一种基于改进的YOLOv5的实时交通标志检测方法 | |
CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
CN115761223A (zh) | 一种利用数据合成的遥感影像实例分割方法 | |
CN114005020B (zh) | 一种基于M3-YOLOv5的指定移动目标检测方法 | |
CN115937993A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113657287A (zh) | 一种基于深度学习改进YOLOv3的目标检测方法 | |
CN116129158A (zh) | 一种输电线路铁塔小部件图像识别方法及装置 | |
CN113409327A (zh) | 一种基于排序与语义一致性约束的实例分割改进方法 | |
CN117011722A (zh) | 基于无人机实时监控视频的车牌识别方法及装置 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 |
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 |