CN108389197B - 基于深度学习的输电线路缺陷检测方法 - Google Patents
基于深度学习的输电线路缺陷检测方法 Download PDFInfo
- Publication number
- CN108389197B CN108389197B CN201810160942.4A CN201810160942A CN108389197B CN 108389197 B CN108389197 B CN 108389197B CN 201810160942 A CN201810160942 A CN 201810160942A CN 108389197 B CN108389197 B CN 108389197B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- neural network
- original image
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 147
- 230000005540 biological transmission Effects 0.000 title claims abstract description 146
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 239000012212 insulator Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 235000005770 birds nest Nutrition 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000005765 wild carrot Nutrition 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000036319 strand breaking Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于深度学习的输电线路缺陷检测方法,利用无人机巡检输电线路时拍摄的图像,或利用人工巡检时手机拍摄的图像,或利用输电杆塔上固定摄像头拍摄的视频截取图像,图像分辨率可以任意,通过从这些图像源中裁剪出检测目标,生成一个固定分辨率的图像作为训练样本,将这些包含各种输电线路缺陷的正负训练样本子图像输入到目标检测深度神经网络中进行学习,生成统一的包含所有输电线路缺陷的检测模型,再利用此统一的深度神经网络模型,对输入任意分辨率的输电线路图像进行自适应的全部缺陷检测,输出这幅图像中包含的全部缺陷类别并且标注出缺陷位置。
Description
技术领域
本发明涉及数字图像识别技术领域,尤其涉及基于深度学习算法的输电线路缺陷的智能检测领域,具体是指一种基于深度学习的输电线路缺陷检测方法。
背景技术
由于我国输电线路分布点多面广,所处地形复杂,自然环境恶劣,电力线及杆塔附件长期暴露在野外,受到持续的机械张力、雷击闪络、材料老化、人为的影响而产生倒塔、断股、磨损、腐蚀、受力等损伤。绝缘子还存在被雷击损伤,树木生长引起输电线放电,杆塔存在被偷窃等意外事件,因此为了安全和可靠地供电,输电线路缺陷检测智能化已日益显出其迫切性。通过基于深度学习算法的图像识别方法,能及时判别输电线路巡检图像中的各种缺陷隐患,可以避免人工慌检、漏检、误检情况,从而可以提高缺陷上报及处理效率。
在输电线路缺陷检测方法中,大部分现有技术只能识别一种缺陷,如只是对输电线路中的鸟巢进行识别,或只是对输电线路中绝缘子的缺失进行检测,或只是对输电线路中防震锤的缺失进行检测,或只是对输电线路中螺栓的缺失进行检测。而虽然可以对输电线路中的多个部件进行识别和定位的技术,但也没有对输电线路中的各种部件缺陷进行检测,其识别步骤也繁琐复杂,而且不能通过训练出的单一深度网络模型自适应地处理各种分辨率图像和对各种缺陷进行检测。
发明内容
本发明的目的是提供一种克服了上述现有技术的缺点,可应用于对电网输电线路元器件和设施的智能监测的输电线路缺陷检测的方法。
为了实现上述目的,本发明的基于深度学习的输电线路缺陷检测方法如下:
该基于深度学习的输电线路缺陷检测方法,其主要特点是,所述的方法包括以下步骤:
(1)对输电线路源图像进行处理而获取到训练样本,通过训练样本对深度神经网络进行训练,获取可用于输电线路缺陷检测的深度神经网络模型;
(2)向所述的深度神经网络模型中输入待检测的输电线路原始图像进行自适应缺陷检测;
(3)输出输电线路原始图像中可能存在的所有缺陷类别和在原始图像中的位置。
较佳地,所述的步骤(1)中对输电线路源图像进行处理而获取到训练样本包括以下步骤:
(1.1)对输电线路源图像进行裁剪,使其被裁剪为包含目标物缺陷的子图像;
(1.2)对包含目标物缺陷的子图像进行缩放,并生成具有第一固定分辨率的正负训练样本子图像,其中,正训练样本子图像为不包含目标物缺陷的子图像,负训练样本子图像为包含目标物缺陷的子图像;
(1.3)在正负训练样本子图像中标注目标物缺陷的类别和位置;
(1.4)将标注好目标物缺陷的类别和位置的正负训练样本子图像输入到深度神经网络中进行端到端的学习训练;
(1.5)当对深度神经网络的训练达到设定的精度要求或者迭代达到设定的次数后,生成能检测包含可用于输电线路缺陷检测的深度神经网络模型。
更佳地,所述的步骤(2)具体包括以下步骤:
(2.1)加载步骤(1)中获取的深度神经网络模型;
(2.2)将待检测的输电线路原始图像输入到该深度神经网络模型中,由该深度神经网络模型对输入其中的输电线路原始图像进行自适应缺陷检测。
更佳地,所述的步骤(2.2)中深度神经网络模型对输入其中的输电线路原始图像进行自适应缺陷检测包括:
对输电线路原始图像中的大目标物缺陷进行识别,以及对输电线路原始图像中的小目标物缺陷进行识别。
更佳地,所述的对输电线路原始图像中大目标物缺陷进行识别为:
将输电线路原始图像缩放至第二固定分辨率后,将缩放后的子图像输入到深度神经网络模型中进行正向传播运算,获取输电线路原始图像中的大目标物缺陷。
更佳地,所述的对输电线路原始图像中的小目标物缺陷进行识别为:
判断输电线路原始图像的分辨率,判断其是否大于预设阈值,若是,则将所述的输电线路图像切割为多个固定分辨率的子图像,并将各个固定分辨率的子图像都输入到所述的深度神经网络模型中进行正向传播运算,获取输电线路原始图像中的小目标物缺陷。
更佳地,所述的步骤(2.2)后还包括以下步骤:
(2.3)将目标物缺陷在子图像中的坐标位置转换为在输电线路原始图像中的坐标位置,并在输电线路原始图像中标注目标物缺陷的类别和位置。
较佳地,所述的深度神经网络包括Faster-RCNN网络或YOLO网络或SSD网络。
采用本发明的基于深度学习的输电线路缺陷检测方法,基于深度卷积神经网络的目标检测技术,对若干种输电线路元器件和附件的缺陷状态进行学习,对任意来源的输电线路,只要获取到其图像,都可以进行自适应处理检测,利用一个深度神经网络模型就能识别出所有可能的输电线路缺陷或异常(在训练样本包含的目标物缺陷和数目足够多的情况下),解决了输电线路巡检的海量图像缺陷检测问题。本发明与现有技术相比具有如下优势:可以同时检测若干缺陷,特别是可以同时检测图像中的大目标缺陷(如塔基植被覆盖)和非常细小的目标缺陷(螺栓缺失或销钉缺失);所有输电线路的缺陷检测使用统一的深度神经网络模型,这样在保证检测精度的情况下,大大简化了检测流程、减小了内存占用、提高了检测速度;可以对任意分辨率的输入图像进行自适应的缺陷检测。
附图说明
图1为本发明的基于深度学习的输电线路缺陷检测方法的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
该基于深度学习的输电线路缺陷检测方法,其主要特点是,所述的方法包括以下步骤:
(1)对输电线路源图像进行处理而获取到训练样本,通过训练样本对深度神经网络进行训练,获取可用于输电线路缺陷检测的深度神经网络模型;
(2)向所述的深度神经网络模型中输入待检测的输电线路原始图像进行自适应缺陷检测;
(3)输出输电线路原始图像中可能存在的所有缺陷类别和在原始图像中的位置。
在一种较佳的实施例中,所述的步骤(1)中对输电线路源图像进行处理而获取到训练样本包括以下步骤:
(1.1)对输电线路源图像进行裁剪,使其被裁剪为包含目标物缺陷的子图像;
(1.2)对包含目标物缺陷的子图像进行缩放,并生成具有第一固定分辨率的正负训练样本子图像,其中,正训练样本子图像为不包含目标物缺陷的子图像,负训练样本子图像为包含目标物缺陷的子图像;
(1.3)在正负训练样本子图像中标注目标物缺陷的类别和位置;
(1.4)将标注好目标物缺陷的类别和位置的正负训练样本子图像输入到深度神经网络中进行端到端的学习训练;
(1.5)当对深度神经网络的训练达到设定的精度要求或者迭代达到设定的次数后,生成能检测包含可用于输电线路缺陷检测的深度神经网络模型。
在具体实施例中,每种类别的目标物缺陷的正训练样本子图像与负样本子图像的数目相近,不同种类的正训练样本子图像与负样本子图像的数目相近。
在一种更佳的实施例中,所述的步骤(2)具体包括以下步骤:
(2.1)加载步骤(1)中获取的深度神经网络模型;
(2.2)将待检测的输电线路原始图像输入到该深度神经网络模型中,由该深度神经网络模型对输入其中的输电线路原始图像进行自适应缺陷检测。
在一种更佳的实施例中,所述的步骤(2.2)中深度神经网络模型对输入其中的输电线路原始图像进行自适应缺陷检测包括:
对输电线路原始图像中的大目标物缺陷进行识别,以及对输电线路原始图像中的小目标物缺陷进行识别。
在一种更佳的实施例中,所述的对输电线路原始图像中大目标物缺陷进行识别为:
将输电线路原始图像缩放至第二固定分辨率后,将缩放后的子图像输入到深度神经网络模型中进行正向传播运算,获取输电线路原始图像中的大目标物缺陷。
在一种更佳的实施例中,所述的对输电线路原始图像中的小目标物缺陷进行识别为:
判断输电线路原始图像的分辨率,判断其是否大于预设阈值,若是,则将所述的输电线路图像切割为多个固定分辨率的子图像,并将各个固定分辨率的子图像都输入到所述的深度神经网络模型中进行正向传播运算,获取输电线路原始图像中的小目标物缺陷。
在具体实施例中,该预设阈值与所述的第二固定分辨率相关。
在一种更佳的实施例中,所述的步骤(2.2)后还包括以下步骤:
(2.3)将目标物缺陷在子图像中的坐标位置转换为在输电线路原始图像中的坐标位置,并在输电线路原始图像中标注目标物缺陷的类别和位置。
在一种较佳的实施例中,所述的深度神经网络包括Faster-RCNN网络或YOLO网络或SSD网络。
在具体实施例中,输电线路源图像和输电线路原始图像可来自于利用无人机巡检输电线路时拍摄的图像,或利用人工巡检时手机拍摄的图像,或利用输电杆塔上固定摄像头拍摄的视频截取图像。从这些图像源中裁剪出检测目标,生成具有第一固定分辨率的正负训练样本子图像作为训练样本,将这些包含各种输电线路缺陷的正负训练样本子图像输入到目标检测深度神经网络中进行学习,生成统一的包含所有输电线路缺陷的检测模型,再利用此统一的深度神经网络模型,对输入任意分辨率的输电线路图像进行自适应的全部缺陷检测,输出这幅图像中包含的全部缺陷类别并且标注出缺陷位置。
请参阅图1,基于深度学习的输电线路缺陷检测方法包括两大部分内容,第一部分就是基于目标检测的深度神经网络架构训练出能检测若干输电线路缺陷的参数模型;第二部分就是利用第一部分训练出的一个深度神经网络模型对各种来源的输电线路图像进行全部缺陷的检测。
第一部分深度神经网络模型的生成包含以下内容:
101.获取各种来源的含各种输电线路缺陷类别的输电线路源图像,输电线路源图像来源可以来自于无人机巡检输电线路拍摄的高清图像,也可以来自于人工巡检输电线路利用手机拍摄的图像,也可以来自于输电杆塔上固定摄像头拍摄的视频截取的图像,图像分辨率可以是任意的。这里的输电线路缺陷类别不仅仅是一种缺陷类别,可以是若干种(如几种、几十种或几百种)输电线路缺陷类别。所要检测缺陷的元器件或附件可以是占图像比例很大的大目标(如输电杆塔塔基),也可以是占图像比例很小的小目标(如销钉)。
在具体实施例中,获取到的输电线路源图像的分辨率可以是任意的,例如图像分辨率可以从176×144到4096×4096。这里的输电线路缺陷类别不仅仅是一种缺陷类别,可以是若干种(如几种、几十种或几百种)输电线路缺陷类别,例如塔基浸水、塔基植被覆盖、塔基掩埋、杆塔地线锈蚀、塔材锈蚀、杆塔鸟巢、螺栓锈蚀、螺栓退出、螺栓缺失、销钉退出、销钉缺失、绝缘子自爆、绝缘子倾斜、防震锤损坏、均压环损坏等等。
102.从源图像中裁剪出含清晰目标的子图像,再缩放生成固定分辨率N×N的正负训练样本子图像,如分辨率取512×512,某个目标的正样本是指图像中不含这个目标物缺陷的图像,某个目标的负样本是指图像中含有这个目标物缺陷的图像,一幅样本中也可能含有多个目标物。由于所要检测缺陷的元器件或附件在图像中的占比差异极大,为了能在一个深度神经网络模型中同时检测出占比差异大的目标缺陷,这一步是非常关键的内容。
103.对样本进行缺陷类别的标注和缺陷目标物在图像中的位置进行标注,这里标注的每种目标物的正样本数和负样本数应该尽量相等,而且不同种类缺陷的样本数也要尽量相等。
104.将标注好的包含各种输电线路缺陷的正负训练样本子图像输入到目标检测深度神经网络中进行端到端的学习训练,这里的目标检测深度神经网络可以是Faster-RCNN网络或YOLO网络或SSD网络等,为了保证精度,每种类别缺陷正负训练样本子图像数尽量都要达到1000以上。
105.当目标检测深度神经网络的训练达到设定的精度要求或迭代达到设定的次数后,生成能检测包含若干输电线路缺陷的统一的深度神经网络模型。此统一的深度神经网络模型将应用到第二部分进行输电线路原始图像的缺陷检测中。
在具体实施例中,所述的深度神经网络模型包括Faster-RCNN网络参数模型。
第二部分利用统一的深度神经网络模型对输电线路图像进行缺陷检测包含以下内容:
201.将统一的深度神经网络模型加载入内存,因为检测若干输电线路缺陷只使用这一个模型,因此可以大大节省内存消耗,避免了多个模型加载的频繁内存切换。
202.将各种来源的输电线路原始图像,输入到第一部分过程中生成的基于目标检测的深度神经网络模型进行正向传播运算,输出该输电线路原始图像中可能存在的缺陷类别和在输电线路原始图像中的位置标注。202过程中对输入的输电线路原始图像的处理包括以下内容:
202-1.首先将输电线路原始图像缩放到N×N分辨率,输入到深度神经网络模型进行正向传播运算,这样处理可以检测出输电线路原始图像中的空间占比大的目标物缺陷(如杆塔塔基植被覆盖)。这里输出缺陷位置的坐标再缩放为源图像中的坐标,并在输电线路原始图像中标注目标物缺陷的类别和位置。
202-2.针对输电线路原始图像分辨率进行判别,如图像分辨率X×Y>1.5N×1.5N(此为判别是否需要进行小目标物缺陷检测的标准,若该输电线路原始图像的图像分辨率达到要求,则进行小目标缺陷检测),则将输电线路原始图像分成(X/N)×(Y/N)个分辨率为N×N的子图像(结果四舍五入),相邻区域尽量重叠。对分成的子图像分别输入到深度神经网络模型进行正向传播运算,这样可以检测出输电线路原始图像中的空间占比小的目标物缺陷(如销钉缺失)。当检测到目标物缺陷时,将目标物缺陷在子图像中的坐标位置转换为在输电线路原始图像中的坐标位置,并在输电线路原始图像中标注目标物缺陷的类别和位置。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
采用本发明的基于深度学习的输电线路缺陷检测方法,基于深度卷积神经网络的目标检测技术,对若干种输电线路元器件和附件的缺陷状态进行学习,对任意来源的输电线路,只要获取到其图像,都可以进行自适应处理检测,利用一个深度神经网络模型就能识别出所有可能的输电线路缺陷或异常(在训练样本包含的目标物缺陷和数目足够多的情况下),解决了输电线路巡检的海量图像缺陷检测问题。本发明与现有技术相比具有如下优势:可以同时检测若干缺陷,特别是可以同时检测图像中的大目标缺陷(如塔基植被覆盖)和非常细小的目标缺陷(螺栓缺失或销钉缺失);所有输电线路的缺陷检测使用统一的深度神经网络模型,这样在保证检测精度的情况下,大大简化了检测流程、减小了内存占用、提高了检测速度;可以对任意分辨率的输入图像进行自适应的缺陷检测。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (3)
1.一种基于深度学习的输电线路缺陷检测方法,其特征在于,所述的方法包括以下步骤:
(1)对输电线路源图像进行处理而获取到训练样本,通过训练样本对深度神经网络进行训练,获取可用于输电线路缺陷检测的深度神经网络模型;
(2)向所述的深度神经网络模型中输入待检测的输电线路原始图像进行自适应缺陷检测;
(3)输出输电线路原始图像中可能存在的所有缺陷类别和在原始图像中的位置;
所述的步骤(1)中对输电线路源图像进行处理而获取到训练样本包括以下步骤:
(1.1)对输电线路源图像进行裁剪,使其被裁剪为包含目标物缺陷的子图像;
(1.2)对包含目标物缺陷的子图像进行缩放,并生成具有第一固定分辨率的正负训练样本子图像,其中,正训练样本子图像为不包含目标物缺陷的子图像,负训练样本子图像为包含目标物缺陷的子图像;
(1.3)在正负训练样本子图像中标注目标物缺陷的类别和位置;
(1.4)将标注好目标物缺陷的类别和位置的正负训练样本子图像输入到深度神经网络中进行端到端的学习训练;
(1.5)当对深度神经网络的训练达到设定的精度要求或者迭代达到设定的次数后,生成能检测包含可用于输电线路缺陷检测的深度神经网络模型;
所述的步骤(2)具体包括以下步骤:
(2.1)加载步骤(1)中获取的深度神经网络模型;
(2.2)将待检测的输电线路原始图像输入到该深度神经网络模型中,由该深度神经网络模型对输入其中的输电线路原始图像进行自适应缺陷检测;
所述的步骤(2.2)中深度神经网络模型对输入其中的输电线路原始图像进行自适应缺陷检测包括:
对输电线路原始图像中的大目标物缺陷进行识别,以及对输电线路原始图像中的小目标物缺陷进行识别;
所述的对输电线路原始图像中的大目标物缺陷进行识别为:
将输电线路原始图像缩放至第二固定分辨率后,将缩放后的子图像输入到深度神经网络模型中进行正向传播运算,获取输电线路原始图像中的大目标物缺陷;
所述的对输电线路原始图像中的小目标物缺陷进行识别为:
判断输电线路原始图像的分辨率,判断其是否大于预设阈值,若是,则将所述的输电线路图像切割为多个固定分辨率的子图像,并将各个固定分辨率的子图像都输入到所述的深度神经网络模型中进行正向传播运算,获取输电线路原始图像中的小目标物缺陷。
2.根据权利要求1所述的基于深度学习的输电线路缺陷检测方法,其特征在于,所述的步骤(2.2)后还包括以下步骤:
(2.3)将目标物缺陷在子图像中的坐标位置转换为在输电线路原始图像中的坐标位置,并在输电线路原始图像中标注目标物缺陷的类别和位置。
3.根据权利要求1所述的基于深度学习的输电线路缺陷检测方法,其特征在于,所述的深度神经网络包括Faster-RCNN网络或YOLO网络或SSD网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160942.4A CN108389197B (zh) | 2018-02-26 | 2018-02-26 | 基于深度学习的输电线路缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810160942.4A CN108389197B (zh) | 2018-02-26 | 2018-02-26 | 基于深度学习的输电线路缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389197A CN108389197A (zh) | 2018-08-10 |
CN108389197B true CN108389197B (zh) | 2022-02-08 |
Family
ID=63068572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810160942.4A Active CN108389197B (zh) | 2018-02-26 | 2018-02-26 | 基于深度学习的输电线路缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389197B (zh) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别***及其方法和应用 |
CN109376580B (zh) * | 2018-08-30 | 2022-05-20 | 杭州电子科技大学 | 一种基于深度学习的电力塔架部件识别方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和*** |
CN109376605B (zh) * | 2018-09-26 | 2022-03-25 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
CN109377483A (zh) * | 2018-09-30 | 2019-02-22 | 云南电网有限责任公司普洱供电局 | 瓷绝缘子裂纹检测方法及装置 |
JP6833789B2 (ja) * | 2018-10-15 | 2021-02-24 | 東京電力ホールディングス株式会社 | 異常検出方法、プログラム、学習済みモデルの生成方法及び学習済みモデル |
CN109344905A (zh) * | 2018-10-22 | 2019-02-15 | 王子蕴 | 一种基于集成学习的输电设备自动故障识别方法 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109544522A (zh) * | 2018-11-12 | 2019-03-29 | 北京科技大学 | 一种钢板表面缺陷检测方法及*** |
CN109598772B (zh) * | 2018-11-23 | 2023-01-06 | 华南理工大学 | 基于架空输电线路单一缺陷自动标注图片数据源扩充方法 |
CN109614888B (zh) * | 2018-11-23 | 2023-09-29 | 华南理工大学 | 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 |
CN109544544A (zh) * | 2018-11-30 | 2019-03-29 | 长讯通信服务有限公司 | 一种基于深度学习与无人机的移动通信维护对象状态识别方法 |
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及*** |
CN109709452A (zh) * | 2018-12-21 | 2019-05-03 | 深圳供电局有限公司 | 输电线路的绝缘子检测方法、***和装置 |
CN109712127B (zh) * | 2018-12-21 | 2023-07-28 | 云南电网有限责任公司电力科学研究院 | 一种用于机巡视频流的输电线路故障检测方法 |
CN109902730B (zh) * | 2019-02-21 | 2021-06-01 | 国网山东省电力公司临沂供电公司 | 基于深度学习的输电线路断股检测方法 |
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
CN109977817B (zh) * | 2019-03-14 | 2021-04-27 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
CN110033451A (zh) * | 2019-04-17 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 一种基于ssd架构的电力部件缺陷检测方法 |
CN110097053B (zh) * | 2019-04-24 | 2021-05-04 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
CN110430389B (zh) * | 2019-06-21 | 2021-12-07 | 万翼科技有限公司 | 图像数据采集方法、装置、计算机设备以及存储介质 |
CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
CN110378903A (zh) * | 2019-09-16 | 2019-10-25 | 广东电网有限责任公司佛山供电局 | 一种输电线路反事故措施智能统计方法 |
CN110689531A (zh) * | 2019-09-23 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 |
CN110751642A (zh) * | 2019-10-18 | 2020-02-04 | 国网黑龙江省电力有限公司大庆供电公司 | 一种绝缘子裂缝检测方法和*** |
CN110837860A (zh) * | 2019-11-06 | 2020-02-25 | 惠州皓赛技术有限公司 | 基于深度学习的贴片检测方法及相关*** |
CN111325708B (zh) * | 2019-11-22 | 2023-06-30 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
CN111105398A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的输电线路部件裂纹检测方法 |
CN111382804A (zh) * | 2020-03-18 | 2020-07-07 | 长沙理工大学 | 一种识别样本不平衡的架空线路异常的方法 |
CN111986161A (zh) * | 2020-07-27 | 2020-11-24 | 山东万腾电子科技有限公司 | 一种零部件缺失检测方法及*** |
CN111815623B (zh) * | 2020-07-28 | 2024-02-23 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失识别方法 |
CN112070715A (zh) * | 2020-07-30 | 2020-12-11 | 许继集团有限公司 | 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法 |
CN112001902A (zh) * | 2020-08-19 | 2020-11-27 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质 |
CN112001317A (zh) * | 2020-08-25 | 2020-11-27 | 广东电网有限责任公司 | 基于语义信息的导线缺陷识别方法、***及终端设备 |
CN112381798A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种输电线路缺陷识别方法和终端 |
CN112419680B (zh) * | 2020-11-19 | 2022-09-27 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线路安全隐患分类识别方法及*** |
CN112584108B (zh) * | 2021-03-01 | 2021-06-04 | 杭州科技职业技术学院 | 用于无人机巡检的线路物理损伤监控方法 |
CN113327255A (zh) * | 2021-05-28 | 2021-08-31 | 宁波新胜中压电器有限公司 | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 |
CN115731228B (zh) * | 2022-11-30 | 2023-08-18 | 杭州数途信息科技有限公司 | 一种镀金芯片缺陷检测***和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163858A1 (en) * | 2011-12-21 | 2013-06-27 | Electronics And Telecommunications Research Institute | Component recognizing apparatus and component recognizing method |
US20150117760A1 (en) * | 2013-10-30 | 2015-04-30 | Nec Laboratories America, Inc. | Regionlets with Shift Invariant Neural Patterns for Object Detection |
CN104966095A (zh) * | 2015-06-03 | 2015-10-07 | 深圳一电科技有限公司 | 图像目标检测方法及装置 |
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
-
2018
- 2018-02-26 CN CN201810160942.4A patent/CN108389197B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163858A1 (en) * | 2011-12-21 | 2013-06-27 | Electronics And Telecommunications Research Institute | Component recognizing apparatus and component recognizing method |
US20150117760A1 (en) * | 2013-10-30 | 2015-04-30 | Nec Laboratories America, Inc. | Regionlets with Shift Invariant Neural Patterns for Object Detection |
CN104966095A (zh) * | 2015-06-03 | 2015-10-07 | 深圳一电科技有限公司 | 图像目标检测方法及装置 |
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108389197A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389197B (zh) | 基于深度学习的输电线路缺陷检测方法 | |
CN111650204B (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及*** | |
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 | |
CN107872644B (zh) | 视频监控方法及装置 | |
US20230418250A1 (en) | Operational inspection system and method for domain adaptive device | |
CN107590456B (zh) | 一种高空视频监控中小微目标的检测方法 | |
CN111507958A (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
CN110766011B (zh) | 一种基于深度多级优化的接触网螺母异常识别方法 | |
CN108489996B (zh) | 一种绝缘子的缺陷检测方法、***及终端设备 | |
CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
CN111680609B (zh) | 基于图像配准和目标检测的异物识别***及其方法 | |
CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其***、设备、介质 | |
CN111507975B (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
CN109145973A (zh) | 用于检测单晶硅太阳能电池缺陷的方法和装置 | |
CN116665080B (zh) | 基于目标识别的无人机劣化绝缘子检测方法及*** | |
CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检***及方法 | |
CN113642576A (zh) | 一种目标检测及语义分割任务中训练图像集合的生成方法及装置 | |
CN115082813A (zh) | 检测方法、无人机、检测***及介质 | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
CN114119454A (zh) | 用于输电线路烟雾检测的装置及方法 | |
CN115661156B (zh) | 图像生成方法、装置、存储介质、设备及计算机程序产品 | |
CN111126402A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN115100592B (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 |
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 |