CN116523845A - 一种基于电缆隧道的缺陷检测方法和系统 - Google Patents
一种基于电缆隧道的缺陷检测方法和系统 Download PDFInfo
- Publication number
- CN116523845A CN116523845A CN202310374859.8A CN202310374859A CN116523845A CN 116523845 A CN116523845 A CN 116523845A CN 202310374859 A CN202310374859 A CN 202310374859A CN 116523845 A CN116523845 A CN 116523845A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- initialized
- module
- cable tunnel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 224
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 90
- 238000002372 labelling Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 56
- 238000003384 imaging method Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000009960 carding Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于电缆隧道的缺陷检测方法和系统。所述缺陷检测方法包括:利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。所述系统包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了一种基于电缆隧道的缺陷检测方法和系统,属于巡检监督技术领域。
背景技术
随着电力工业和城市建设的快速发展,越来越多输配电网络逐渐被电力电缆隧道所取代,由于电缆隧道运行环境复杂,隧道环境的变化会对电力电缆的安全可靠运行带来一定的不利影响,严重时会导致电力输送中断。因此,开发可靠稳定的电力电缆隧道自主督查系统,对于保障城市电缆隧道安全稳定运行和确保城市高效生产具有重要意义。
近年来各大电网公司愈发重视输电网络电缆化任务,不断刷新电缆隧道的总里程数,电缆运行督查人员短缺尤其是结构性缺员问题日益突出,隧道环境、设备巡视、缺陷跟踪、督查数据录入等大量工作仍然依赖人工。
针对上述情况,随着机器人技术的不断发展,已逐步使用巡检机器人代替人工进行电力设备的检查,但是,现有的巡检机器人在电力设备缺陷识别过程中常采用主观权重、客观权重以及专家评价方式建立状态指标体系,导致标准体系建立过程较慢,并且体系复杂度较高,导致缺陷识别响应速度较慢的问题发生。
发明内容
本发明提供了一种基于电缆隧道的缺陷检测方法和系统,用以解决现有的巡检机器人在电力设备缺陷识别过程中常采用主观权重、客观权重以及专家评价方式建立状态指标体系,导致标准体系建立过程出现标准构建较慢、标准体系复杂度较高以及缺陷识别响应速度较慢的问题,所采取的技术方案如下:
一种基于电缆隧道的缺陷检测方法,所述缺陷检测方法包括:
利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;
利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;
利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;
利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
进一步地,利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库,包括:
利用机器狗搭载视觉传感器和红外测温仪等智能传感器,采集电缆隧道内的缺陷图像;
根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;
根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;
按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;
将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;
将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;
利用所述图像样本形成电缆隧道典型缺陷图像样本库。
进一步地,根据所述图像样本确定采集、存储和标注的标准化规则,包括:
根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;
根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;
根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;其中,所述图像重叠区域面积通过如下公式获取:
其中,D表示初始化图像的宽度尺寸;H0表示当前图像采集过程中的环境亮度值;H表示当前图像采集过程中,实际设置的图像采集亮度值;Hmin表示图像采集标准亮度范围中的亮度最低值;L表示初始化图像的长度尺寸。且,当H=H0时,令H0-0.37Hmin/H-H0=0.37。
根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
进一步地,根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围,包括:
提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;
将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;
根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
其中,亮度值范围的过程中最低值及最高值的选取,通过如下公式确定:
其中,Hmin和Hmax分别表示亮度值范围对应的最低值及最高值;Hbmin和Hbmax分别表示预设的亮度数值参数标准范围对应的最低值和最高值,所述亮度数值参数标准范围为86-167;Hcmin和Hcmax分别表示初始化图像对应的亮度数值集合中的亮度最小值和亮度最大值。
进一步地,利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果,包括:
实时提取进行关键点标注后的所述带标注图像;
根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
一种基于电缆隧道的缺陷检测系统,所述缺陷检测系统包括:
采集模块,用于利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;
训练模块,用于利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;
标注模块,用于利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;
识别模块,用于利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
进一步地,所述采集模块包括:
图像采集模块一,用于利用机器狗搭载视觉传感器和红外测温仪等智能传感器,采集电缆隧道内的缺陷图像;
筛选模块,用于根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;
标准确定模块,用于根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;
图像采集模块二,用于按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;
关键点标注模块,用于将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;
格式转换模块,用于将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;
样本库形成模块,用于利用所述图像样本形成电缆隧道典型缺陷图像样本库。
进一步地,所述标准确定模块包括:
亮度值标准确定模块,用于根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;
存储标准确定模块,用于根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;
采集镜头移动标准确定模块,用于根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;其中,所述图像重叠区域面积通过如下公式获取:
其中,D表示初始化图像的宽度尺寸;H0表示当前图像采集过程中的环境亮度值;H表示当前图像采集过程中,实际设置的图像采集亮度值;Hmin表示图像采集标准亮度范围中的亮度最低值;L表示初始化图像的长度尺寸。且,当H=H0时,令H0-0.37Hmin/H-H0=0.37。
关键点选取标准确定模块,用于根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
进一步地,所述亮度值标准确定模块包括:
提取模块,用于提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;
集合形成模块,用于将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;
取值设定模块,用于根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
其中,亮度值范围的过程中最低值及最高值的选取,通过如下公式确定:
其中,Hmin和Hmax分别表示亮度值范围对应的最低值及最高值;Hbmin和Hbmax分别表示预设的亮度数值参数标准范围对应的最低值和最高值,所述亮度数值参数标准范围为86-167;Hcmin和Hcmax分别表示初始化图像对应的亮度数值集合中的亮度最小值和亮度最大值。
进一步地,所述识别模块包括:
标注图像提取模块,用于实时提取进行关键点标注后的所述带标注图像;
分割模块,用于根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
缺陷识别模块,用于深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
本发明有益效果:
本发明提出的一种基于电缆隧道的缺陷检测方法和系统能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,通过本发明提出的一种基于电缆隧道的缺陷检测方法和系统构建的样板处理标准规则获取的样本数据及其训练获得的缺陷检测模型,结合深度学习AI图像识别方法能够有效提高缺陷检测准确性和检测效率。
附图说明
图1为本发明所述方法的流程图一;
图2为本发明所述方法的流程图二;
图3为本发明所述系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了一种基于电缆隧道的缺陷检测方法,如图1所示,所述缺陷检测方法包括:
S1、利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;
S2、利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;
S3、利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;
S4、利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
其中,利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果,包括:
S401、实时提取进行关键点标注后的所述带标注图像;
S402、根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
S403、深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
上述技术方案的工作原理为:首先,利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;然后,利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;随后,利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;最后,利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。同时,本实施例在获得电缆设备图像中目标全局位置信息基础上,针对每个具体区域,将设备部件的关键点的标准模板图,逐步演化回归到目标关键点的真实位置,根据每个关键点在最终位置的置信度信息,综合分析出关键点的遮挡信息。
上述技术方案的效果为:本实施例提出的一种基于电缆隧道的缺陷检测方法能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,通过本实施例提出的一种基于电缆隧道的缺陷检测方法构建的样板处理标准规则获取的样本数据及其训练获得的缺陷检测模型,结合深度学习AI图像识别方法能够有效提高缺陷检测准确性和检测效率。
本发明的一个实施例,利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库,包括:
S101、利用机器狗搭载视觉传感器和红外测温仪等智能传感器,采集电缆隧道内的缺陷图像;
S102、根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;
S103、根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;
S104、按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;
S105、将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;
S106、将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;
S107、利用所述图像样本形成电缆隧道典型缺陷图像样本库。
上述技术方案的工作原理为:首先,利用机器狗搭载视觉传感器和红外测温仪等智能传感器,采集电缆隧道内的缺陷图像;根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;然后,根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;随后,将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;最后,利用所述图像样本形成电缆隧道典型缺陷图像样本库。
上述技术方案的效果为:通过上述方式能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。
本发明的一个实施例,根据所述图像样本确定采集、存储和标注的标准化规则,包括:
S1031、根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;
S1032、根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;
S1033、根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;其中,所述图像重叠区域面积通过如下公式获取:
其中,D表示初始化图像的宽度尺寸;H0表示当前图像采集过程中的环境亮度值;H表示当前图像采集过程中,实际设置的图像采集亮度值;Hmin表示图像采集标准亮度范围中的亮度最低值;L表示初始化图像的长度尺寸。且,当H=H0时,令H0-0.37Hmin/H-H0=0.37。
S1034、根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
上述技术方案的工作原理为:首先,根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;然后,根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;之后,根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;最后,根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
上述技术方案的效果为:通过上述方式能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,能够有效提高标准化规则与电缆隧道应用场景的匹配性。另一方面,通过上述公式获取的图像重叠区域面积,能够最大化提高亮度值设置与电缆隧道实际环境和光线的匹配度,进而提高在不同光线环境下的图像采集质量,进而有效提高后续缺陷识别的准确性,同时。通过电缆隧道内的实际亮度值的不同进行重叠部分面积的实时调节,能够有效提高机器人移动过程中连续图像采集的连续性与实际光线之间的匹配性,防止光线较低使,重叠面积不足导致无法有效识别图像边界衔接处的画面的问题发生。
本发明的一个实施例,如图2所示,根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围,包括:
步骤1、提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;
步骤2、将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;
步骤3、根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
其中,亮度值范围的过程中最低值及最高值的选取,通过如下公式确定:
其中,Hmin和Hmax分别表示亮度值范围对应的最低值及最高值;Hbmin和Hbmax分别表示预设的亮度数值参数标准范围对应的最低值和最高值,所述亮度数值参数标准范围为86-167;Hcmin和Hcmax分别表示初始化图像对应的亮度数值集合中的亮度最小值和亮度最大值;Hp表示标准化设定前的所有初始化图像的平均亮度值。
上述技术方案的工作原理为:首先,提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;然后,将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;随后,根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
上述技术方案的效果为:通过上述方式能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,能够有效提高标准化规则中的亮度值范围与电缆隧道应用场景的匹配性。另一方面,通过上述公式获取的亮度值范围,能够最大化提高亮度值设置与电缆隧道实际环境和光线的匹配度,进而提高在不同光线环境下的图像采集质量,进而有效提高后续缺陷识别的准确性。
本发明实施例提出了一种基于电缆隧道的缺陷检测系统,如图3所示,所述缺陷检测系统包括:
采集模块,用于利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;
训练模块,用于利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;
标注模块,用于利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;
识别模块,用于利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
其中,所述识别模块包括:
标注图像提取模块,用于实时提取进行关键点标注后的所述带标注图像;
分割模块,用于根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
缺陷识别模块,用于深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
上述技术方案的工作原理为:首先,通过采集模块利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;然后,通过训练模块利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;随后,采用标注模块利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;最后,通过识别模块利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
其中,所述识别模块的运行过程包括:
首先,通过标注图像提取模块实时提取进行关键点标注后的所述带标注图像;
然后,利用分割模块根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
最后,采用缺陷识别模块利用深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
上述技术方案的效果为:本实施例提出的一种基于电缆隧道的缺陷检测系统能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,通过本实施例提出的一种基于电缆隧道的缺陷检测系统构建的样板处理标准规则获取的样本数据及其训练获得的缺陷检测模型,结合深度学习AI图像识别方法能够有效提高缺陷检测准确性和检测效率。
本发明的一个实施例,所述采集模块包括:
图像采集模块一,用于利用机器狗搭载视觉传感器和红外测温仪等智能传感器,采集电缆隧道内的缺陷图像;
筛选模块,用于根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;
标准确定模块,用于根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;
图像采集模块二,用于按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;
关键点标注模块,用于将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;
格式转换模块,用于将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;
样本库形成模块,用于利用所述图像样本形成电缆隧道典型缺陷图像样本库。
上述技术方案的工作原理为:首先,通过图像采集模块一利用机器狗搭载视觉传感器和红外测温仪等智能传感器,采集电缆隧道内的缺陷图像;然后,采用筛选模块根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;之后,利用标准确定模块根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;随后,利用图像采集模块二按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;并且,利用关键点标注模块将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;采用格式转换模块将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;最后,通过样本库形成模块利用所述图像样本形成电缆隧道典型缺陷图像样本库。
上述技术方案的效果为:通过上述方式能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。
本发明的一个实施例,所述标准确定模块包括:
亮度值标准确定模块,用于根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;
存储标准确定模块,用于根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;
采集镜头移动标准确定模块,用于根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;其中,所述图像重叠区域面积通过如下公式获取:
其中,D表示初始化图像的宽度尺寸;H0表示当前图像采集过程中的环境亮度值;H表示当前图像采集过程中,实际设置的图像采集亮度值;Hmin表示图像采集标准亮度范围中的亮度最低值;L表示初始化图像的长度尺寸。且,当H=H0时,令H0-0.37Hmin/H-H0=0.37。
关键点选取标准确定模块,用于根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
上述技术方案的工作原理为:首先,采用亮度值标准确定模块根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;之后,采用存储标准确定模块根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;最后,利用采集镜头移动标准确定模块根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距。
上述技术方案的效果为:通过上述方式能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,能够有效提高标准化规则与电缆隧道应用场景的匹配性。另一方面,通过上述公式获取的图像重叠区域面积,能够最大化提高亮度值设置与电缆隧道实际环境和光线的匹配度,进而提高在不同光线环境下的图像采集质量,进而有效提高后续缺陷识别的准确性,同时。通过电缆隧道内的实际亮度值的不同进行重叠部分面积的实时调节,能够有效提高机器人移动过程中连续图像采集的连续性与实际光线之间的匹配性,防止光线较低使,重叠面积不足导致无法有效识别图像边界衔接处的画面的问题发生。
本发明的一个实施例,所述亮度值标准确定模块包括:
提取模块,用于提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;
集合形成模块,用于将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;
取值设定模块,用于根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
其中,亮度值范围的过程中最低值及最高值的选取,通过如下公式确定:
其中,Hmin和Hmax分别表示亮度值范围对应的最低值及最高值;Hbmin和Hbmax分别表示预设的亮度数值参数标准范围对应的最低值和最高值,所述亮度数值参数标准范围为86-167;Hcmin和Hcmax分别表示初始化图像对应的亮度数值集合中的亮度最小值和亮度最大值。
上述技术方案的工作原理为:首先,利用提取模块提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;然后,利用集合形成模块将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;最后,通过取值设定模块根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
上述技术方案的效果为:通过上述方式能够有效降低标准化建立的复杂程度和标准规则本身的复杂度,进而在缺陷检测过程中降低缺陷检测识别的模型训练和建立过程,以及,样本数据处理过程,进而提高缺陷检测效率和响应速度。同时,能够有效提高标准化规则中的亮度值范围与电缆隧道应用场景的匹配性。另一方面,通过上述公式获取的亮度值范围,能够最大化提高亮度值设置与电缆隧道实际环境和光线的匹配度,进而提高在不同光线环境下的图像采集质量,进而有效提高后续缺陷识别的准确性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于电缆隧道的缺陷检测方法,其特征在于,所述缺陷检测方法包括:
利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;
利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;
利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;
利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
2.根据权利要求1所述缺陷检测方法,其特征在于,利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库,包括:
利用机器狗搭载视觉传感器和红外测温仪,采集电缆隧道内的缺陷图像;
根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;
根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;
按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;
将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;
将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;
利用所述图像样本形成电缆隧道典型缺陷图像样本库。
3.根据权利要求2所述缺陷检测方法,其特征在于,根据所述图像样本确定采集、存储和标注的标准化规则,包括:
根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;
根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;
根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;
根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
4.根据权利要求3所述缺陷检测方法,其特征在于,根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围,包括:
提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;
将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;
根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
5.根据权利要求1所述缺陷检测方法,其特征在于,利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果,包括:
实时提取进行关键点标注后的所述带标注图像;
根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
6.一种基于电缆隧道的缺陷检测系统,其特征在于,所述缺陷检测系统包括:
采集模块,用于利用机器狗搭载的传感器采集电缆隧道内的典型缺陷图像数据,并利用所述典型缺陷图像数据构建构建电缆隧道典型缺陷图像样本库;
训练模块,用于利用所述电缆隧道典型缺陷图像样本库中的样本数据对缺陷检测模型进行训练,获得训练后的缺陷检测模型;
标注模块,用于利用所述缺陷检测模型对机器狗实时采集的待检测图像进行图像检测及辅助标注,获得带标注图像;
识别模块,用于利用深度学习AI图像识别方法对所述带标注图像进行图像识别,获得待检测图像中的待检测部件对象的缺陷识别结果。
7.根据权利要求6所述缺陷检测系统,其特征在于,所述采集模块包括:
图像采集模块一,用于利用机器狗搭载视觉传感器和红外测温仪,采集电缆隧道内的缺陷图像;
筛选模块,用于根据所述缺陷图像结合电缆隧道内典型缺陷的图像化表现形态,将所述缺陷图像进行筛选梳理,确定符合典型缺陷的图像化表现形态的初始化图像;
标准确定模块,用于根据所述符合典型缺陷的图像化表现形态的初始化图像的表现形态确定采集、存储和标注的标准化规则;
图像采集模块二,用于按照所述初始化图像的采集标准化规则控制所述机器狗进行图像采集,获得多个所述初始化图像;
关键点标注模块,用于将所述初始化图像按照标注的标准化规则进行关键点标注,形成带有标注的初始化图像;
格式转换模块,用于将所述带有标注的初始化图像转换成统一标准格式的图像数据,所述统一标准格式的图像数据作为图像样本;
样本库形成模块,用于利用所述图像样本形成电缆隧道典型缺陷图像样本库。
8.根据权利要求7所述缺陷检测系统,其特征在于,所述标准确定模块包括:
亮度值标准确定模块,用于根据所述初始化图像的具体表现形态,确定图像采集的亮度值范围;
存储标准确定模块,用于根据所述初始化图像所包含具体的图像化表现形态,对初始化图像按照所述图像化表现形态的类别进行划分,并按照每个类别对应一个存储区域的方式进行标准化存储;
采集镜头移动标准确定模块,用于根据初始化图像的面积,设置每相邻两帧图像之间的图像重叠区域面积,并按照所述图像重叠区域面积确定图像采集镜头移动间距;
关键点选取标准确定模块,用于根据所述初始化图像的具体表现形态提取所述初始化图像中的所有关键点位置,并根据每个关键点位置确定获取每个关键点的置信度,利用所述置信度设置关键点的置信度阈值,并针对所有后续图像采集过程中获得的图像中识别出的关键点进行置信度获取,并将置信度不低于所述置信度阈值的关键点作为用于标注的关键点。
9.根据权利要求8所述缺陷检测系统,其特征在于,所述亮度值标准确定模块包括:
提取模块,用于提取所有初始化图像的亮度对应的亮度数值,并针对重复出现的相同的亮度数值,按照保留一个数值参数的方式进行亮度数值提取;
集合形成模块,用于将所述亮度数值按照从低到高的顺序进行排列,形成亮度数值集合;
取值设定模块,用于根据亮度数值集合内的亮度数值参数确定后续图像采集过程中的亮度值范围。
10.根据权利要求6所述缺陷检测系统,其特征在于,所述识别模块包括:
标注图像提取模块,用于实时提取进行关键点标注后的所述带标注图像;
分割模块,用于根据灰度和图像纹理对所述带标注图像进行关键区域分割,获得多个关键区域图像块;
缺陷识别模块,用于深度学习AI图像识别方法对所述关键区域图像块进行关键点标注识别分析,根据关键点标注识别分析结果获取待检测图像中对应的待检测部件对象的缺陷识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310374859.8A CN116523845B (zh) | 2023-04-10 | 2023-04-10 | 一种基于电缆隧道的缺陷检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310374859.8A CN116523845B (zh) | 2023-04-10 | 2023-04-10 | 一种基于电缆隧道的缺陷检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523845A true CN116523845A (zh) | 2023-08-01 |
CN116523845B CN116523845B (zh) | 2023-11-07 |
Family
ID=87395023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310374859.8A Active CN116523845B (zh) | 2023-04-10 | 2023-04-10 | 一种基于电缆隧道的缺陷检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523845B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143592A1 (zh) * | 2019-01-07 | 2020-07-16 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN112115897A (zh) * | 2020-09-24 | 2020-12-22 | 深圳市赛为智能股份有限公司 | 多指针仪表报警检测方法、装置、计算机设备及存储介质 |
CN112990335A (zh) * | 2021-03-31 | 2021-06-18 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统 |
CN115410144A (zh) * | 2022-07-28 | 2022-11-29 | 广东海洋大学 | 一种电缆隧道智能巡检机器人 |
CN115941529A (zh) * | 2022-11-28 | 2023-04-07 | 国网江苏省电力工程咨询有限公司 | 一种基于机器人的电缆隧道检测方法和系统 |
-
2023
- 2023-04-10 CN CN202310374859.8A patent/CN116523845B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143592A1 (zh) * | 2019-01-07 | 2020-07-16 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
CN112115897A (zh) * | 2020-09-24 | 2020-12-22 | 深圳市赛为智能股份有限公司 | 多指针仪表报警检测方法、装置、计算机设备及存储介质 |
CN112990335A (zh) * | 2021-03-31 | 2021-06-18 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统 |
CN115410144A (zh) * | 2022-07-28 | 2022-11-29 | 广东海洋大学 | 一种电缆隧道智能巡检机器人 |
CN115941529A (zh) * | 2022-11-28 | 2023-04-07 | 国网江苏省电力工程咨询有限公司 | 一种基于机器人的电缆隧道检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116523845B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN112990310B (zh) | 服务于电力机器人的人工智能系统及方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN112991269A (zh) | 一种肺部ct图像的识别分类方法 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN116805204B (zh) | 一种智慧厂务监控方法及系统 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN116901089B (zh) | 一种多角度视距的机器人控制方法及系统 | |
CN116523845B (zh) | 一种基于电缆隧道的缺陷检测方法和系统 | |
CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
CN115661694A (zh) | 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备 | |
CN113673534A (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN118012977B (zh) | 一种基于ai与gis融合的二三维多模态数据处理方法 | |
CN111428813A (zh) | 一种基于深度学习的面板数字识别与按取方法 | |
CN110298287A (zh) | 一种基于深度学习的电力设备自动识别方法 | |
CN117252851B (zh) | 一种基于图像检测识别的标准质量检测管理平台 | |
CN116862952B (zh) | 一种用于相似背景条件下的变电站作业人员视频追踪方法 | |
CN117854061B (zh) | 基于三维点云的隧道掌子面迹线裂隙提取方法及系统 | |
CN116843831B (zh) | 一种农产品仓储保鲜库孪生数据管理方法及系统 | |
CN110334567B (zh) | 一种微地震有效信号检测方法 | |
CN118012977A (zh) | 一种基于ai与gis融合的二三维多模态数据处理方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230801 Assignee: Nantong Tianhong Haoyu IoT Technology Co.,Ltd. Assignor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2024980000233 Denomination of invention: A defect detection method and system based on cable tunnels Granted publication date: 20231107 License type: Exclusive License Record date: 20240109 |