CN117036798A - 一种基于深度学习的输配电线路图像识别方法及系统 - Google Patents
一种基于深度学习的输配电线路图像识别方法及系统 Download PDFInfo
- Publication number
- CN117036798A CN117036798A CN202310978125.0A CN202310978125A CN117036798A CN 117036798 A CN117036798 A CN 117036798A CN 202310978125 A CN202310978125 A CN 202310978125A CN 117036798 A CN117036798 A CN 117036798A
- Authority
- CN
- China
- Prior art keywords
- distribution line
- power transmission
- line image
- target
- recognition
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012805 post-processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000013434 data augmentation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect 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
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/77—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
-
- 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)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的输配电线路图像识别方法及系统，方法包括：预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；获取待识别输配电线路图像，并提取待识别输配电线路图像中的至少一个候选区域；将同属一类别的至少一个目标特征进行合并，得到至少一个目标子区域；将包含至少一个目标子区域的待识别输配电线路图像分别输入至第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；利用目标检测后处理算法对第一识别结果与第二识别结果进行融合判别，生成第三识别结果。对两个网络的检测结果进行二次判别，可以有效提高目标定位的准确性。
Description
技术领域
本发明属于输配电线路图像识别技术领域，尤其涉及一种基于深度学习的输配电线路图像识别方法及系统。
背景技术
随着输配电线路的不断延伸，巡线工作量的增加与巡线人员不足的矛盾日益凸显。传统的人工巡检方式效率低下﹐难以适应山地、跨越河流等区域的输配电线路巡检，不能形成结构化﹑精细化、智能化的巡线体系。近年来，无人机巡检以其效率高、能适应复杂环境、操作简便、成本低等众多优点引起了广泛关注，众多电力研究机构投入了大量人力物力进行无人机或机器人电力巡检的研究。通过搭载图像采集装置，无人机或机器人能够快速采集输配电线路的图像和视频数据，大大减少巡检工作量，降低巡线的危险性。
传统方法，在得到巡检图像数据后，采用人工判读大量的无人机巡线图片和视频，但是人工判别需要花费较多的人力和时间，而且巡检图像背景复杂，容易造成人工无法判别、导致巡视不到位等问题。
发明内容
本发明提供一种基于深度学习的输配电线路图像识别方法及系统，用于解决容易造成人工无法判别、导致巡视不到位的技术问题。
第一方面，本发明提供一种基于深度学习的输配电线路图像识别方法，包括：预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
第二方面，本发明提供一种基于深度学习的输配电线路图像识别系统，包括：建立模块，配置为预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；提取模块，配置为获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；分类模块，配置为根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；合并模块，将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；识别模块，配置为将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；融合模块，配置为利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于深度学习的输配电线路图像识别方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于深度学习的输配电线路图像识别方法的步骤。
本申请的基于深度学习的输配电线路图像识别方法及系统，通过构建两个不同的识别网络进行图像识别，并对两个网络模型的检测结果进行二次判别的检测结果，增强了模型的特征提取能力，使得模型能够更大程度的适应目标尺寸和环境的变化，降低模型的漏检率；同时对两个网络的检测结果进行二次判别，可以有效提高目标定位的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于深度学习的输配电线路图像识别方法的流程图；
图2为本发明一实施例提供的一种基于深度学习的输配电线路图像识别系统的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于深度学习的输配电线路图像识别方法的流程图。
如图1所示，基于深度学习的输配电线路图像识别方法具体包括以下步骤：
步骤S101，预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型。
在本步骤中，采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第一输配电线路图像数据集；采用第一图像数据增广方法，对所述第一输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；基于所述扩充后的输配电线路图像数据集对所述FasteR-CNN网络进行训练，直到网络满足条件收敛，得到所述第一输配电线路图像缺陷识别模型。
进一步地，采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第二输配电线路图像数据集；采用第二图像数据增广方法，对所述第二输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；基于所述扩充后的输配电线路图像数据集，引入EMA权值更新和/或余弦函数学习率机制对所述改进型YOLOX网络进行训练，直到网络满足条件收敛，得到所述第二输配电线路图像缺陷识别模型。
具体的，所述YOLO网络的核心思想是采用全卷积结构，利用全图的上下文信息进行回归，其回归结果即目标框的类别和位置信息﹐YOLOX正是将YOLOv3作为基准模型，在YOLOv3baseline基准模型中加入多种技巧，比如解耦头(Decoupled Head)、SimOTA算法等，从而得到了YOLOz-Darknet53的版本。
步骤S102，获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征。
在本步骤中，获取待识别输配电线路图像，并利用选择性搜索算法在待识别输配电线路图像中提取至少一个候选区域。
示例的，候选区域是预先找出图像中目标可能出现的位置，候选区域利用了图像中的纹理、边缘、颜色等信息，可以在选取较少窗口的情况下保持较高的召回率。
步骤S103，根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别。
在本步骤中，根据预设softmax分类器对某一候选区域进行特征分类，以确定某一候选区域中至少一个目标特征是否符合一个类别。
步骤S104，将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域。
步骤S105，将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果。
步骤S106，利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
在本步骤中，用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。其中，目标检测后处理算法为NMS、Soft NMS、Softer NMS、Adaptive NMS、IoUNet中的一种。
综上，本申请的方法，通过构建两个不同的识别网络进行图像识别，并对两个网络模型的检测结果进行二次判别的检测结果，增强了模型的特征提取能力，使得模型能够更大程度的适应目标尺寸和环境的变化，降低模型的漏检率；同时自对两个网络的检测结果进行二次判别，可以有效提高目标定位的准确性。
请参阅图2，其示出了本申请的一种基于深度学习的输配电线路图像识别系统的结构框图。
如图2所示，输配电线路图像识别系统200，包括建立模块210、提取模块220、分类模块230、合并模块240、识别模块250以及融合模块260。
其中，建立模块210，配置为预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；提取模块220，配置为获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；分类模块230，配置为根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；合并模块240，将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；识别模块250，配置为将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；融合模块260，配置为利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于深度学习的输配电线路图像识别方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；
获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；
根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；
将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；
将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；
利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于深度学习的输配电线路图像识别系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于深度学习的输配电线路图像识别系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于深度学习的输配电线路图像识别方法。输入装置330可接收输入的数字或字符信息，以及产生与基于深度学习的输配电线路图像识别系统的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于深度学习的输配电线路图像识别系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；
获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；
根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；
将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；
将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；
利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：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 (8)
1.一种基于深度学习的输配电线路图像识别方法，其特征在于，包括：
预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；
获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；
根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；
将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；
将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；
利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
2.根据权利要求1所述的一种基于深度学习的输配电线路图像识别方法，其特征在于，其中，预先建立第一输配电线路图像缺陷识别模型包括：
采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第一输配电线路图像数据集；
采用第一图像数据增广方法，对所述第一输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；
基于所述扩充后的输配电线路图像数据集对所述FasteR-CNN网络进行训练，直到网络满足条件收敛，得到所述第一输配电线路图像缺陷识别模型。
3.根据权利要求1所述的一种基于深度学习的输配电线路图像识别方法，其特征在于，其中，预先建立第二输配电线路图像缺陷识别模型包括：
采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第二输配电线路图像数据集；
采用第二图像数据增广方法，对所述第二输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；
基于所述扩充后的输配电线路图像数据集，引入EMA权值更新和/或余弦函数学习率机制对所述改进型YOLOX网络进行训练，直到网络满足条件收敛，得到所述第二输配电线路图像缺陷识别模型。
4.根据权利要求1所述的一种基于深度学习的输配电线路图像识别方法，其特征在于，所述提取所述待识别输配电线路图像中的至少一个候选区域包括：
利用选择性搜索算法在所述待识别输配电线路图像中提取至少一个候选区域。
5.根据权利要求1所述的一种基于深度学习的输配电线路图像识别方法，其特征在于，所述根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别包括：
根据预设softmax分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别。
6.一种基于深度学习的输配电线路图像识别系统，其特征在于，包括：
建立模块，配置为预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；
提取模块，配置为获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；
分类模块，配置为根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；
合并模块，将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；
识别模块，配置为将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；
融合模块，配置为利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978125.0A CN117036798A (zh) | 2023-08-04 | 2023-08-04 | 一种基于深度学习的输配电线路图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978125.0A CN117036798A (zh) | 2023-08-04 | 2023-08-04 | 一种基于深度学习的输配电线路图像识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036798A true CN117036798A (zh) | 2023-11-10 |
Family
ID=88629261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310978125.0A Pending CN117036798A (zh) | 2023-08-04 | 2023-08-04 | 一种基于深度学习的输配电线路图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036798A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934481A (zh) * | 2024-03-25 | 2024-04-26 | 国网浙江省电力有限公司宁波供电公司 | 基于人工智能的输电线缆状态识别处理方法及系统 |
-
2023
- 2023-08-04 CN CN202310978125.0A patent/CN117036798A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934481A (zh) * | 2024-03-25 | 2024-04-26 | 国网浙江省电力有限公司宁波供电公司 | 基于人工智能的输电线缆状态识别处理方法及系统 |
| CN117934481B (zh) * | 2024-03-25 | 2024-06-11 | 国网浙江省电力有限公司宁波供电公司 | 基于人工智能的输电线缆状态识别处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109639481B (zh) | 一种基于深度学习的网络流量分类方法、系统及电子设备 | |
| CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
| CN111695622B (zh) | 变电作业场景的标识模型训练方法、标识方法及装置 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN112668696A (zh) | 一种基于嵌入式深度学习的无人机电网巡检方法和系统 | |
| CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
| Gao et al. | Recognition of insulator explosion based on deep learning | |
| CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
| CN107705256B (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
| CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
| CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
| CN117036798A (zh) | 一种基于深度学习的输配电线路图像识别方法及系统 | |
| CN113177566B (zh) | 一种特征提取模型训练方法、装置及计算机设备 | |
| CN112906620A (zh) | 无人机辅助的绝缘子故障检测方法、装置和电子设备 | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
| CN115151952A (zh) | 一种变电设备高精度识别方法及系统 | |
| CN111402250A (zh) | 基于边缘计算的机器视觉缺陷检测方法和平台 | |
| CN114842243A (zh) | 一种基于大跨度巡线机器人的故障检测方法、系统及设备 | |
| CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
| CN111915565B (zh) | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 | |
| CN112348085A (zh) | 一种电力数据监测系统与方法 | |
| CN117079026A (zh) | 一种基于改进YOLOv3网络的无人机电力巡检隐患识别方法 | |
| CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| 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 |
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 |