CN116485802B - 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 - Google Patents
一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116485802B CN116485802B CN202310753484.6A CN202310753484A CN116485802B CN 116485802 B CN116485802 B CN 116485802B CN 202310753484 A CN202310753484 A CN 202310753484A CN 116485802 B CN116485802 B CN 116485802B
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- module
- defect
- flashover
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 171
- 230000007547 defect Effects 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/403—Edge-driven scaling; Edge-based scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种绝缘子闪络缺陷检测方法、装置、设备及存储介质,用于解决现有的绝缘闪络缺陷检测方法检测准确率较低的技术问题。本发明包括:获取绝缘子闪络图像;对所述绝缘子闪络图像进行数据增强,得到增强图像;对所述增强图像进行超分辨率重构,得到重构图像;采用所述重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷。本发明通过对绝缘子闪络图像进行数据增强,以增加模型训练样本的数量,然后通过对增强图像进行超分辨率重构,从而可以提高绝缘子闪络缺陷的检测精度,使得通过重构图像训练得到的YOLOv7模型具有更高的检测精度和检测准确率。
Description
技术领域
本发明涉及闪络缺陷检测技术领域,尤其涉及一种绝缘子闪络缺陷检测方法、装置、设备及存储介质。
背景技术
绝缘子在电气隔离和机械支撑中起着重要作用,是输配电线路中不可或缺的部件。但是,由于绝缘子长期暴露在自然环境中,可能会发生失效,从而影响电力系统的稳定运行。据报告指出,输电系统中81.3%的电气事故是由绝缘子缺陷造成的。因此,定期对绝缘子进行检查,对电力系统的稳定可靠具有重要意义。近年来,电力系统绝缘子检查方式主要采用人工巡检和电压分配法。人工巡检方式受检查人员主观情绪和精神状态的限制,电压分配法对测量环境要求较高。它们的检测精度不能保证,且检测效率低,因此难以满足日常监测检查的要求。
近年来,许多研究者将红外热成像技术应用于工业领域的检测,并取得了显著的成果。与可见光成像相比,红外热成像可以分析图像的热量分布,但丢失了大部分的纹理和颜色信息,不利于复杂航空环境下绝缘体的检测。随着计算机视觉和深度学习的不断发展,利用无人机(UAV)或具有计算机视觉技术的巡检机器人对绝缘子进行巡视和检查已成为智能电网研究的热点。在过去的几年里,不同种类的计算机视觉方法被用于绝缘子图像检测,但大多数都是针对绝缘子破损和自爆缺陷,对于绝缘子污闪缺陷的检测研究较少,所以亟需一种绝缘子闪络缺陷检测方法来辅助巡检人员开展绝缘子防污闪工作。
发明内容
本发明提供了一种绝缘子闪络缺陷检测方法、装置、设备及存储介质,用于解决现有的绝缘闪络缺陷检测方法检测准确率较低的技术问题。
本发明提供了一种绝缘子闪络缺陷检测方法,包括:
获取绝缘子闪络图像;
对所述绝缘子闪络图像进行数据增强,得到增强图像;
对所述增强图像进行超分辨率重构,得到重构图像;
采用所述重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷。
可选地,所述对所述绝缘子闪络图像进行数据增强,得到增强图像的步骤,包括:
从所述绝缘子闪络图像中随机抽取预设数量的目标图像;
对所述目标图像进行图像变换,得到变换图像;
拼接所述变换图像,得到增强图像。
可选地,所述对所述增强图像进行超分辨率重构,得到重构图像的步骤,包括:
对所述增强图像进行边缘检测,得到边缘图像;
对所述增强图像进行插值处理,得到初始高分辨率估计图像;
获取所述初始高分辨率估计图像各像素点的像素值及位置信息;
根据所述像素值、所述位置信息和所述边缘图像对所述初始高分辨率估计图像进行边缘修补,得到修补图像;
对所述修补图像进行插值处理,得到重构图像。
可选地,所述目标YOLOv7模型包括特征提取网络、特征融合网络和检测网络;所述将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷的步骤,包括:
将所述待检测绝缘子图像输入所述特征提取网络中,提取所述待检测绝缘子图像的浅层特征、中层特征和深层特征;
将所述浅层特征、所述中层特征和所述深层特征输入所述特征融合网络进行特征融合,得到融合特征;
将所述融合特征输入所述检测网络,得到输出特征;
根据所述输出特征确定所述待检测绝缘子图像的绝缘子闪络缺陷。
本发明还提供了一种绝缘子闪络缺陷检测装置,包括:
绝缘子闪络图像获取模块,用于获取绝缘子闪络图像;
数据增强模块,用于对所述绝缘子闪络图像进行数据增强,得到增强图像;
重构模块,用于对所述增强图像进行超分辨率重构,得到重构图像;
训练模块,用于采用所述重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
缺陷检测模块,用于将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷。
可选地,所述数据增强模块,包括:
目标图像抽取子模块,用于从所述绝缘子闪络图像中随机抽取预设数量的目标图像;
图像变换子模块,用于对所述目标图像进行图像变换,得到变换图像;
拼接子模块,用于拼接所述变换图像,得到增强图像。
可选地,所述重构模块,包括:
边缘检测子模块,用于对所述增强图像进行边缘检测,得到边缘图像;
初始高分辨率估计图像生成子模块,用于对所述增强图像进行插值处理,得到初始高分辨率估计图像;
像素值及位置信息获取子模块,用于获取所述初始高分辨率估计图像各像素点的像素值及位置信息;
修补子模块,用于根据所述像素值、所述位置信息和所述边缘图像对所述初始高分辨率估计图像进行边缘修补,得到修补图像;
重构子模块,用于对所述修补图像进行插值处理,得到重构图像。
可选地,所述目标YOLOv7模型包括特征提取网络、特征融合网络和检测网络;所述缺陷检测模块,包括:
特征提取子模块,用于将所述待检测绝缘子图像输入所述特征提取网络中,提取所述待检测绝缘子图像的浅层特征、中层特征和深层特征;
特征融合子模块,用于将所述浅层特征、所述中层特征和所述深层特征输入所述特征融合网络进行特征融合,得到融合特征;
特征检测子模块,用于将所述融合特征输入所述检测网络,得到输出特征;
缺陷确定子模块,用于根据所述输出特征确定所述待检测绝缘子图像的绝缘子闪络缺陷。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的绝缘子闪络缺陷检测方法。
本发明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用于存储程序代码,所述程序代码用于执行如上任一项所述的绝缘子闪络缺陷检测方法。
从以上技术方案可以看出,本发明具有以下优点:本发明公开了一种绝缘子闪络缺陷检测方法,包括:获取绝缘子闪络图像;对绝缘子闪络图像进行数据增强,得到增强图像;对增强图像进行超分辨率重构,得到重构图像;采用重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;将待检测绝缘子图像输入目标YOLOv7模型,输出绝缘子闪络缺陷。本发明通过对绝缘子闪络图像进行数据增强,以增加模型训练样本的数量,然后通过对增强图像进行超分辨率重构,从而可以提高绝缘子闪络缺陷的检测精度,使得通过重构图像训练得到的YOLOv7模型具有更高的检测精度和检测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种绝缘子闪络缺陷检测方法的步骤流程图;
图2为本发明另一实施例提供的一种绝缘子闪络缺陷检测方法的步骤流程图;
图3为本发明实施例提供的一种改进YOLOv7模型的结构示意图;
图4为本发明实施例提供的一种VoVGSCSP模块的结构示意图;
图5为本发明实施例提供的GAM注意力机制的结构示意图;
图6为本发明实施例提供的一种绝缘子闪络检测装置的结构框图。
具体实施方式
本发明实施例提供了一种绝缘子闪络缺陷检测方法、装置、设备及存储介质,用于解决现有的绝缘闪络缺陷检测方法检测准确率较低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种绝缘子闪络缺陷检测方法的步骤流程图。
本发明提供的一种绝缘子闪络缺陷检测方法,具体可以包括以下步骤:
步骤101,获取绝缘子闪络图像;
绝缘子是安装在不同电位的导体或导体与接地构件之间,能够耐受电压和机械应力作用的器件。绝缘子种类繁多,形状各异。不同类型的绝缘子结构和外形虽有较大差别,但都是由绝缘件和连接金具两大部分组成的。
闪络是指固体绝缘子周围的气体或液体电介质被击穿时,沿固体绝缘子表面放电的现象。
在本发明实施例中,可以通过无人机、相机等设备拍摄获得绝缘子闪络缺陷图像,包含各种样式、不同拍摄角度、不同光照情况及不同天气情况下的绝缘子闪络图像。
进一步地,为了增加样本的可信度,可以通过人工筛选的方式从采集到的绝缘子闪络图像中筛选特定数量的,并采用LabelImg标签工具进行标签制作,将绝缘子闪络缺陷图像中的闪络缺陷区域标记为“flashover”,自动生成xml标签。
步骤102,对绝缘子闪络图像进行数据增强,得到增强图像;
数据增强也叫数据扩增,意思是在不实质性的增加数据的情况下,让有限的数据产生等价于更多数据的价值。
由于实际工程情况下的绝缘子闪络缺陷图像样本少,大多数绝缘子都处于正常工作状态,但是检测模型的准确性非常依赖于绝缘子闪络缺陷样本集的数量,因此,在本发明实施例中,在获取到绝缘子闪络图像后,可以对绝缘子闪络图像进行数据增强,得到增强图像。
步骤103,对增强图像进行超分辨率重构,得到重构图像;
超分辨率,是通过硬件或软件的方法提高原有图像的分辨率,通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。
由于绝缘子样式多种多样,而航拍绝缘子图像中的闪络缺陷区域边缘细节不明显,尤其是在同色系材料的绝缘子目标上,导致绝缘子闪络缺陷情况检测精度下降。因此,在本发明实施例中,可以对增强图像进行超分辨率重构,得到重构图像。
步骤104,采用重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
在获取到重构图像后,可以以重构图像为样本,训练改进YOLOv7模型,从而得到目标YOLOv7模型。
步骤105,将待检测绝缘子图像输入目标YOLOv7模型,输出绝缘子闪络缺陷。
在训练得到目标YOLOv7模型后,可以将待检测绝缘子图像输入目标YOLOv7模型中,输出绝缘子闪络缺陷。
本发明通过对绝缘子闪络图像进行数据增强,以增加模型训练样本的数量,然后通过对增强图像进行超分辨率重构,从而可以提高绝缘子闪络缺陷的检测精度,使得通过重构图像训练得到的YOLOv7模型具有更高的检测精度和检测准确率。
请参阅图2,图2为本发明另一实施例提供的一种绝缘子闪络缺陷检测方法的步骤流程图。具体可以包括:
步骤201,获取绝缘子闪络图像;
在本发明实施例中,可以通过无人机、相机等设备拍摄获得绝缘子闪络缺陷图像,包含各种样式、不同拍摄角度、不同光照情况及不同天气情况下的绝缘子闪络图像。
步骤202,从绝缘子闪络图像中随机抽取预设数量的目标图像;
步骤203,对目标图像进行图像变换,得到变换图像;
步骤204,拼接变换图像,得到增强图像;
在本发明实施例中,可以采用基于Mosaic-Mixup的数据增强方法来对绝缘子闪络图像进行数据增强。
首先,可以从绝缘子闪络图像中随机抽取预设数量的目标图像(6张绝缘子闪络缺陷图像);然后设置一个随机概率种子,大小可以为0.5(即50%的概率);接着每张图都按照随机概率种子任意选择旋转、裁剪、镜像翻转中的处理方式进行图像变换,其中旋转角度范围为[0,360],宽高裁剪因子为0.6;最后再将6张随机变换后的绝缘子闪络缺陷图像拼接为一幅图像,拼接时可以采用Mixup融合技术,其中Mixup融合中lambda设置为0.5,即混合后的新图像就是4张原始绝缘子闪络缺陷图像的平均值,新构成的图像大小为640×640;利用CreateXML创建变换图像后的xml标签文件。
设置循环次数为1538,即重复以上步骤1538次,可以获得绝缘子闪络缺陷图像1538张。最终,将基于Mosaic-Mixup数据增强方法获得的绝缘子闪络缺陷图像与原始收集筛选获得的462张绝缘子闪络缺陷图像放在一起,共同构建本发明所需的增强图像的数据集,共2000张。
步骤205,对增强图像进行超分辨率重构,得到重构图像;
由于绝缘子样式多种多样,而航拍绝缘子图像中的闪络缺陷区域边缘细节不明显,尤其是在同色系材料的绝缘子目标上,导致绝缘子闪络缺陷情况检测精度下降。因此,在本发明实施例中,可以对增强图像进行超分辨率重构,得到重构图像。
在一个示例中,对增强图像进行超分辨率重构,得到重构图像的步骤,可以包括以下子步骤:
S51,对增强图像进行边缘检测,得到边缘图像;
S52,对增强图像进行插值处理,得到初始高分辨率估计图像;
S53,获取初始高分辨率估计图像各像素点的像素值及位置信息;
S54,根据像素值、位置信息和边缘图像对初始高分辨率估计图像进行边缘修补,得到修补图像;
S55,对修补图像进行插值处理,得到重构图像。
在具体实现中,可以采用基于自适应边缘补偿的改进BIUCBIUC插值算法,来实现绝缘子闪络缺陷图像的超分辨率重构。
首先,使用Canny边缘检测方法对原始图像进行边缘检测,得到绝缘子闪络缺陷的二值化的边缘图像,作为辅助信息用于边缘补偿与修复,其计算原理如下:
其中,Gx和Gy分别代表水平方向和垂直方向的梯度,T为阈值
接着对增强图像进行插值处理,得到初始高分辨率估计图像H(x,y),其计算公式如下:
其中,wx和wy分别代表x和y的小数部分,I(·,·)为低分辨率绝缘子闪络缺陷图像中的像素值,表示向下取整。
然后可以获取初始高分辨率估计图像各像素点的像素值及位置信息,采用像素值、位置信息和边缘图像对初始高分辨率估计图像进行边缘修补,得到修补图像。
在具体实现中,可以对于每个缺失的像素,根据与其相邻的像素的权重和位置关系进行加权平均,以得到更好的边缘匹配结果,进而完成边缘的修复,其计算公式如下:
其中,I'(i,j)为修补图像,Ωij表示包含像素(i,j)的相邻像素集合,w(i,j,k,l)是根据两个像素的位置关系计算出来的权重,I″(k,l)是经过初步插值后得到的初始高分辨率估计图像。
最后,使用双三次插值算法对被修补后的修补图像进行插值处理,以提高绝缘子闪络缺陷图像的清晰度和质量,得到重构图像,其计算公式如下:
其中,H'(x,y)为重构图像,w′x和w′y分别代表边缘修复后图像I'(x,y)中x和y的小数部分,H'(·,·)为初始高分辨率估计图像中的像素值。
步骤206,采用重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
在获取到重构图像后,可以以重构图像为样本,训练改进YOLOv7模型,从而得到目标YOLOv7模型。
如图3所示,图3为本发明实施例提供的一种改进YOLOv7模型的结构示意图。本发明实施例的改进YOLOv7模型首先设计ResXCSPC模块改进原始YOLOv7中Backbone的ELAN模块,然后利用VoVGSCSP模块改进原始YOLOv7中的特征融合网络(Neck),最后采用GAM注意力机制强化RepConv模块输出的特征信息。
根据图3的改进YOLOv7模型,结合重构数据,可以进行模型训练,具体过程如下:
1、训练时,首先采用K-means聚类算法聚类获得训练集中重构图像样本标签中的目标框宽高大小,聚类类别设置为9,将聚类获得的9类宽高尺寸作为模型训练时先验框的尺寸,分别对应深、中、浅三个尺度,辅助模型进行目标定位;
2、将超分辨率重构处理后的图像输入至改进YOLOv7模型中,并将训练集和验证集中的绝缘子闪络缺陷图像归一化为640×640大小;然后,在前100轮训练过程中基于预训练模型的权重对改进YOLOv7模型的Neck与Head部分进行训练与验证,在后100轮训练过程中则对改进YOLOv7整个模型进行训练与验证,前100轮训练batchsize大小为8,学习率为10-2,后100轮训练然后batchsize大小为2,学习率为10-3;
3、将测试集绝缘子闪络缺陷图像样本输入至最终训练后获得的改进YOLOv7绝缘子闪络缺陷检测模型中进行批量化检测。
根据测试集绝缘子闪络缺陷图像样本检测结果,计算检测精度AP值、检测速度FPS、模型占用内存等性能评价指标如表1所示:
检测方法 | AP(%) | FPS(张/s) | 模型占用内存(M) |
YOLOv7 | 86.58 | 64.33 | 273 |
改进YOLOv7 | 89.77 | 72.54 | 242 |
表1
步骤207,将待检测绝缘子图像输入目标YOLOv7模型,输出绝缘子闪络缺陷。
在训练得到目标YOLOv7模型后,可以将待检测绝缘子图像输入目标YOLOv7模型中,输出绝缘子闪络缺陷。
在一个示例中,目标YOLOv7模型包括特征提取网络、特征融合网络和检测网络;将待检测绝缘子图像输入目标YOLOv7模型,输出绝缘子闪络缺陷的步骤,包括:
S71,将待检测绝缘子图像输入特征提取网络中,提取待检测绝缘子图像的浅层特征、中层特征和深层特征;
S72,将浅层特征、中层特征和深层特征输入特征融合网络进行特征融合,得到融合特征;
S73,将融合特征输入检测网络,得到输出特征;
S74,根据输出特征确定待检测绝缘子图像的绝缘子闪络缺陷。
在具体实现中,如图3所示,首先可以输入待检测绝缘子图像至特征提取网络(Backbone)中,首先经过4个CBS模块(Conv层、BN层、SiLU激活函数)进行特征压缩,然后通过一个ResXCSPC模块实现多分支特征强化,再通过一个MP1模块(最大值池化层,特点是输入与输出MP1模块的通道数不发生改变)和ResXCSPC模块后,获得浅层特征FL;将其继续经过一个MP1模块和ResXCSPC模块后提取获得中层特征FM;最后再通过一个MP1模块和ResXCSPC模块后提取深层特征FS。
其中,ResXCSPC模块的计算原理可以分为以下四步:
1)将输入特征信息进行通道分组;
2)对每一个通道组内的特征信息进行卷积操作,保留有效信息;
3)对通道组之间的特征信息进行跨阶段连接,再将跨阶段连接的特征经过激活函数层后进行二次卷积操作,获得二次卷积特征Fres;
4)将二次卷积特征Fres与输入特征Xin相加,获得ResXCSPC模块的最终输出特征Xout。计算原理如下:
Xout=Fres(Xin)+Xin
其中,Fres(Xin)表示ResXCSPC模块的计算结果,即:
其中,*表示卷积操作;⊙表示逐元素乘积;N为通道分组的组数;Wi表示第i组通道特征卷积操作运算时对应的卷积核参数;表示输入特征Xin的第i组通道特征;f是一个激活函数,本发明中采用ReLU激活函数;K代表二次卷积的卷积核参数。
接着,将特征提取网络(Backbone)提取的浅层、中层、深层特征FL、FM、FS分别输入至特征融合网络(Neck)中进行特征强化处理。首先,特征FS经过SPPCSPC空间金字塔池化增强空间特征信息获得F'S,再经过UP模块上采样处理之后,与经过CBS模块处理后的FM进行堆叠,并通过VoVGSCSP模块进行处理获得特征图F'M,然后继续经过UP模块上采样处理,处理后的特征图与经过CBS模块处理后的FL进行堆叠并通过VoVGSCSP模块处理,获得强化特征Y1;随后利用MP2模块对强化特征Y1进行下采样处理后,与特征图F'M进行堆叠和VoVGSCSP模块处理获得强化特征Y2;最后利用MP2模块对强化特征Y2进行下采样处理后,与深层特征F'S进行堆叠和VoVGSCSP模块处理,获得强化特征Y3。
在特征融合网络(Neck)中的改进在于构建了VoVGSCSP模块,实现Neck部分的瘦身以减少模型参数,其结构如图4所示,输入特征分为两个分支,第一个分支先经过CSB模块和GSB模块处理,第二个分支经过CBS模块处理,然后两个分支的特征进行叠加(Concat),获得最终输出特征,其中GSB模块的处理原理就是利用两个GSConv卷积层对输入进行处理,然后与经过CBS模块处理的特征进行叠加,即获得GSB模块的输出。
GSConv是一种基于散射变换的图卷积神经网络中的卷积操作,可以对图上的节点和边进行卷积操作。其计算公式如下:
其中,表示第i节点的第k层的输出,Y为GSConv输出的高维特征;Uk代表第k层的散射变换矩阵;Wk是第k层的权重矩阵,xi是节点i的特征向量,Q表示节点数量,∏表示乘积运算。
最后,经过特征融合网络加强获得的强化特征Y1、Y2、Y3都分别输入至对应的RepConv模块中进行压缩,然后再通过GAM注意力模块进行特征筛选,可以得到最后的输出特征,根据输出特征可以确定待检测绝缘子图像的绝缘子闪络缺陷。
需要说明的是,RepConv模块主要是将特征的通道数压缩为18,即3×(4+1+1);其中3代表先验框个数,4代表检测框的位置坐标,两个1分别代表置信度分数和目标类别。GAM注意力机制整个处理过程如图5所示,在给定输入特征F1∈RC×H×W,中间特征F2和输出特征F3定义为:
F2=Mc(F1)⊙F1
F3=Ms(F2)⊙F2
其中,Mc和Ms分别为通道注意力图(Channel Attention)和空间注意力图(SpatialAttention)。
本发明通过对绝缘子闪络图像进行数据增强,以增加模型训练样本的数量,然后通过对增强图像进行超分辨率重构,从而可以提高绝缘子闪络缺陷的检测精度,使得通过重构图像训练得到的YOLOv7模型具有更高的检测精度和检测准确率。
请参阅图6,图6为本发明实施例提供的一种绝缘子闪络检测装置的结构框图。
本发明实施例提供了一种绝缘子闪络缺陷检测装置,包括:
绝缘子闪络图像获取模块601,用于获取绝缘子闪络图像;
数据增强模块602,用于对绝缘子闪络图像进行数据增强,得到增强图像;
重构模块603,用于对增强图像进行超分辨率重构,得到重构图像;
训练模块604,用于采用重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
缺陷检测模块605,用于将待检测绝缘子图像输入目标YOLOv7模型,输出绝缘子闪络缺陷。
在本发明实施例中,数据增强模块602,包括:
目标图像抽取子模块,用于从绝缘子闪络图像中随机抽取预设数量的目标图像;
图像变换子模块,用于对目标图像进行图像变换,得到变换图像;
拼接子模块,用于拼接变换图像,得到增强图像。
在本发明实施例中,重构模块603,包括:
边缘检测子模块,用于对增强图像进行边缘检测,得到边缘图像;
初始高分辨率估计图像生成子模块,用于对增强图像进行插值处理,得到初始高分辨率估计图像;
像素值及位置信息获取子模块,用于获取初始高分辨率估计图像各像素点的像素值及位置信息;
修补子模块,用于根据像素值、位置信息和边缘图像对初始高分辨率估计图像进行边缘修补,得到修补图像;
重构子模块,用于对修补图像进行插值处理,得到重构图像。
在本发明实施例中,目标YOLOv7模型包括特征提取网络、特征融合网络和检测网络;缺陷检测模块605,包括:
特征提取子模块,用于将待检测绝缘子图像输入特征提取网络中,提取待检测绝缘子图像的浅层特征、中层特征和深层特征;
特征融合子模块,用于将浅层特征、中层特征和深层特征输入特征融合网络进行特征融合,得到融合特征;
特征检测子模块,用于将融合特征输入检测网络,得到输出特征;
缺陷确定子模块,用于根据输出特征确定待检测绝缘子图像的绝缘子闪络缺陷。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明实施例的绝缘子闪络缺陷检测方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明实施例的绝缘子闪络缺陷检测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (4)
1.一种绝缘子闪络缺陷检测方法,其特征在于,包括:
获取绝缘子闪络图像;
对所述绝缘子闪络图像进行数据增强,得到增强图像;
对所述增强图像进行超分辨率重构,得到重构图像;
采用所述重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷;
其中,所述对所述增强图像进行超分辨率重构,得到重构图像的步骤,包括:
对所述增强图像进行边缘检测,得到边缘图像;
对所述增强图像进行插值处理,得到初始高分辨率估计图像;
获取所述初始高分辨率估计图像各像素点的像素值及位置信息;
根据所述像素值、所述位置信息和所述边缘图像对所述初始高分辨率估计图像进行边缘修补,得到修补图像;
对所述修补图像进行插值处理,得到重构图像;
其中,边缘修补的计算公式如下:
其中,I'(i,j)为修补图像,Ωij表示包含像素(i,j)的相邻像素集合,w(i,j,k,l)是根据两个像素的位置关系计算出来的权重,I″(k,l)是经过初步插值后得到的初始高分辨率估计图像;
其中,所述对所述绝缘子闪络图像进行数据增强,得到增强图像的步骤,包括:
从所述绝缘子闪络图像中随机抽取预设数量的目标图像;
对所述目标图像进行图像变换,得到变换图像;
拼接所述变换图像,得到增强图像;
其中,所述目标YOLOv7模型包括特征提取网络、特征融合网络和检测网络;所述将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷的步骤,包括:
将所述待检测绝缘子图像输入所述特征提取网络中,提取所述待检测绝缘子图像的浅层特征、中层特征和深层特征;
将所述浅层特征、所述中层特征和所述深层特征输入所述特征融合网络进行特征融合,得到融合特征;
将所述融合特征输入所述检测网络,得到输出特征;
根据所述输出特征确定所述待检测绝缘子图像的绝缘子闪络缺陷。
2.一种绝缘子闪络缺陷检测装置,其特征在于,包括:
绝缘子闪络图像获取模块,用于获取绝缘子闪络图像;
数据增强模块,用于对所述绝缘子闪络图像进行数据增强,得到增强图像;
重构模块,用于对所述增强图像进行超分辨率重构,得到重构图像;
训练模块,用于采用所述重构图像训练改进YOLOv7模型,得到目标YOLOv7模型;
缺陷检测模块,用于将待检测绝缘子图像输入所述目标YOLOv7模型,输出绝缘子闪络缺陷;
其中,所述重构模块,包括:
边缘检测子模块,用于对所述增强图像进行边缘检测,得到边缘图像;
初始高分辨率估计图像生成子模块,用于对所述增强图像进行插值处理,得到初始高分辨率估计图像;
像素值及位置信息获取子模块,用于获取所述初始高分辨率估计图像各像素点的像素值及位置信息;
修补子模块,用于根据所述像素值、所述位置信息和所述边缘图像对所述初始高分辨率估计图像进行边缘修补,得到修补图像;
重构子模块,用于对所述修补图像进行插值处理,得到重构图像;
其中,边缘修补的计算公式如下:
其中,I'(i,j)为修补图像,Ωij表示包含像素(i,j)的相邻像素集合,w(i,j,k,l)是根据两个像素的位置关系计算出来的权重,I″(k,l)是经过初步插值后得到的初始高分辨率估计图像;
其中,所述数据增强模块,包括:
目标图像抽取子模块,用于从所述绝缘子闪络图像中随机抽取预设数量的目标图像;
图像变换子模块,用于对所述目标图像进行图像变换,得到变换图像;
拼接子模块,用于拼接所述变换图像,得到增强图像;
其中,所述目标YOLOv7模型包括特征提取网络、特征融合网络和检测网络;所述缺陷检测模块,包括:
特征提取子模块,用于将所述待检测绝缘子图像输入所述特征提取网络中,提取所述待检测绝缘子图像的浅层特征、中层特征和深层特征;
特征融合子模块,用于将所述浅层特征、所述中层特征和所述深层特征输入所述特征融合网络进行特征融合,得到融合特征;
特征检测子模块,用于将所述融合特征输入所述检测网络,得到输出特征;
缺陷确定子模块,用于根据所述输出特征确定所述待检测绝缘子图像的绝缘子闪络缺陷。
3.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1所述的绝缘子闪络缺陷检测方法。
4.一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用于存储程序代码,所述程序代码用于执行权利要求1所述的绝缘子闪络缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753484.6A CN116485802B (zh) | 2023-06-26 | 2023-06-26 | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753484.6A CN116485802B (zh) | 2023-06-26 | 2023-06-26 | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485802A CN116485802A (zh) | 2023-07-25 |
CN116485802B true CN116485802B (zh) | 2024-01-26 |
Family
ID=87219964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753484.6A Active CN116485802B (zh) | 2023-06-26 | 2023-06-26 | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485802B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315934A (zh) * | 2023-09-25 | 2023-12-29 | 阜阳交通能源投资有限公司 | 基于无人机的高速公路车流量实时监测及拥堵预测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416734A (zh) * | 2018-02-08 | 2018-08-17 | 西北大学 | 基于边缘驱动的文本图像超分辨率重建方法和装置 |
CN112184585A (zh) * | 2020-09-29 | 2021-01-05 | 中科方寸知微(南京)科技有限公司 | 一种基于语义边缘融合的图像补全方法及系统 |
CN115829999A (zh) * | 2022-12-22 | 2023-03-21 | 国网新疆电力有限公司信息通信公司 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
CN115861263A (zh) * | 2022-12-19 | 2023-03-28 | 安徽南瑞继远电网技术有限公司 | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 |
CN116051809A (zh) * | 2023-02-09 | 2023-05-02 | 福建睿思特科技股份有限公司 | 一种基于深度学习的六氟化硫仪表读数识别方法及设备 |
CN116129327A (zh) * | 2023-02-28 | 2023-05-16 | 西安电子科技大学 | 一种基于改进YOLOv7算法的红外车辆检测方法 |
CN116188402A (zh) * | 2023-01-16 | 2023-05-30 | 中国矿业大学 | 一种基于改进ssd算法的绝缘子缺陷识别方法 |
-
2023
- 2023-06-26 CN CN202310753484.6A patent/CN116485802B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416734A (zh) * | 2018-02-08 | 2018-08-17 | 西北大学 | 基于边缘驱动的文本图像超分辨率重建方法和装置 |
CN112184585A (zh) * | 2020-09-29 | 2021-01-05 | 中科方寸知微(南京)科技有限公司 | 一种基于语义边缘融合的图像补全方法及系统 |
CN115861263A (zh) * | 2022-12-19 | 2023-03-28 | 安徽南瑞继远电网技术有限公司 | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 |
CN115829999A (zh) * | 2022-12-22 | 2023-03-21 | 国网新疆电力有限公司信息通信公司 | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 |
CN116188402A (zh) * | 2023-01-16 | 2023-05-30 | 中国矿业大学 | 一种基于改进ssd算法的绝缘子缺陷识别方法 |
CN116051809A (zh) * | 2023-02-09 | 2023-05-02 | 福建睿思特科技股份有限公司 | 一种基于深度学习的六氟化硫仪表读数识别方法及设备 |
CN116129327A (zh) * | 2023-02-28 | 2023-05-16 | 西安电子科技大学 | 一种基于改进YOLOv7算法的红外车辆检测方法 |
Non-Patent Citations (2)
Title |
---|
CBAM: Convolutional Block Attention Module;Sanghyun Woo et al.;《arxiv.org》;1-17页 * |
Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles;Hulin Li etal.;《arxiv.org》;第1-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116485802A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
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 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN112183788B (zh) | 一种域自适应设备运检系统和方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
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 | |
Haidari et al. | Deep learning-based model for fault classification in solar modules using infrared images | |
CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
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 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
Tao et al. | Electric insulator detection of UAV images based on depth learning | |
CN114627044A (zh) | 一种基于深度学习的太阳能光伏组件热斑检测方法 | |
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 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN112614094A (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN114155246B (zh) | 一种基于可变形卷积的输电塔销钉缺陷检测方法 | |
CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
CN112507327B (zh) | 一种基于机器学习的晴雨检测与处理方法 |
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 |