CN109345529B - 基于改进型二次目标检测网络线夹、均压环故障识别方法 - Google Patents

基于改进型二次目标检测网络线夹、均压环故障识别方法 Download PDF

Info

Publication number
CN109345529B
CN109345529B CN201811155376.4A CN201811155376A CN109345529B CN 109345529 B CN109345529 B CN 109345529B CN 201811155376 A CN201811155376 A CN 201811155376A CN 109345529 B CN109345529 B CN 109345529B
Authority
CN
China
Prior art keywords
model
detection
training
grading ring
wire clamp
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
Application number
CN201811155376.4A
Other languages
English (en)
Other versions
CN109345529A (zh
Inventor
邱晓杰
江灏
陈静
缪希仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201811155376.4A priority Critical patent/CN109345529B/zh
Publication of CN109345529A publication Critical patent/CN109345529A/zh
Application granted granted Critical
Publication of CN109345529B publication Critical patent/CN109345529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • 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
    • G06T2207/10024—Color image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于改进型二次目标检测网络线夹、均压环故障识别方法，包括以下步骤：步骤S1：制作线夹或均压环图像数据集，对图像数据样本做分类和清洗，并对样本做标注文件，作为初始化训练数据；步骤S2：针对不同检测数据集生成Anchor box；步骤S3：使用迁移学习将预训练好的模型初始化新的目标检测网络，将数据输入到模型中开始训练，待模型收敛后停止训练；步骤S4：固化模型，将模型中所含的训练变量剔除，保留用于检测的权值；步骤S5：数据经过固化后的模型生成一、二次检测图，针对线夹或均压环采用计算机视觉算法判断是否发生故障。本发明减小了模型参数的情况上能达到两个模型来实现二次检测的精确度，同时在检测速度有了很大的提升。

Description

基于改进型二次目标检测网络线夹、均压环故障识别方法
技术领域
本发明属于电力巡检故障识别领域，尤其涉及一种基于改进型二次目标检测网络的无人机电力巡检图像线夹、均压环故障识别方法。
背景技术
随着输电网日益庞大，电网运行维护的工作量快速增长，加上伴随的地形和交通的复杂性，给人工巡检带来了巨大的困难。新型的无人机巡检技术成为了当前的热门技术，无人机在线路架设牵引及线路巡检上方式灵活、成本低，不仅能够发现线路上的小尺寸部件，如绝缘子、鸟巢等，而且还能够发现金具腐蚀、开口销和螺帽缺失等人工巡检难以发现的问题。
无人机应用于电力部件的故障检测一般是通过现场拍摄后直接人工判断或者将数据带回进行诊断。但是无人机巡线过程会产生大量的图片，人工判断设备是否发生故障必然是效率低下且不够准确的。在输电线路上，均压环和线夹因其尺寸小在故障检测中变得极为困难。在线夹故障中一般都是其悬垂角超过悬垂线夹的允许值，致使附加弯曲应力增大，使得架空线在线夹出口处受到损坏，引起断股或散股。而均压环故障中，由于在高电压线路中，绝缘子都是非常多片的，但是每片绝缘子上电压是不均匀的，因此靠近导线的第一片绝缘子需要承受着大电压，均压环正是为了改善绝缘子电压的环形金具，该部件发生故障后将对绝缘子串带来非常大的危害以至于导致电网输电线路的损害。
发明内容
本发明的目的在于提供一种基于改进型二次目标检测网络的基于改进型二次目标检测网络线夹、均压环故障识别方法，利用改进型的目标检测网络实现在电力巡检图片中对小尺寸物体的检测精度，同时结合传统的图像视觉方法，能够直接判断通过目标检测模型识别物体是否为故障部件。该方法通过一次的端到端目标检测网络实现了与基于双模型的二次检测模型相同的精度，同时减小了模型的尺寸和提升了检测速度，在电力巡线中足以满足实时对故障部件的识别的需求。
为实现上述目的，本发明具体采用以下技术方案：
一种基于改进型二次目标检测网络线夹、均压环故障识别方法，其特征在于，包括以下步骤：
步骤S1：制作线夹或均压环图像数据集，对图像数据样本做分类和清洗，并对样本做标注文件，作为初始化训练数据；
步骤S2：针对不同检测数据集生成Anchor box；
步骤S3：使用迁移学习将预训练好的模型初始化新的目标检测网络，将数据输入到模型中开始训练，待模型收敛后停止训练；
步骤S4：固化模型，将模型中所含的训练变量剔除，保留用于检测的权值；
步骤S5：数据经过固化后的模型生成一、二次检测图，针对线夹或均压环采用计算机视觉算法判断是否发生故障。
优选地，步骤S1具体包括以下步骤：
步骤S11:挑选带有线夹或均压环的数据集，其中故障和正常的部件分别定义为正样本和负样本，且正样本和负样本的比重相同；
步骤S12:去除模糊，识别不清的样本；
步骤S13:对样本进行标注；
步骤S14：按照8：2的比例将数据集划分为训练数据集和测试数据集。
优选地，在步骤S13中，首先对样本进行增强，再对增强后的样本进行标注。
优选地，在步骤S2中，采用Kmeans聚类算法匹配标注后的检测框，生成一、二次检测的Anchor Box；所述Anchor Box的缩放尺度大小与线夹或均压环部件大小正相关。
优选地，在步骤S3中：将数据输入到模型中开始训练，待模型收敛后停止训练的具体过程为：
步骤S31：训练数据集的数据经过特征提取网络后融合高低层的特征图；
步骤S32：将所述特征图输入到RPN中生成一次检测框；
步骤S33：生成一次检测框后，判断其一次检测框的IOU是否大于0.7，如果大于0.7，则输入到二次检测的RPN中生成二次检测框。
优选地，在步骤S3中：在预训练中载入通过COCO数据集训练的DPN特征提取网络的权重，其他权重采用Xavier算法初始化。
优选地，在步骤S31中：在所述特征提取网络中只取最后两个特征图，深层的特征图通过上采样后再经过一个1ⅹ1的卷积核后和浅层的特征图融合。
优选地，在步骤S31和步骤S33中：图像输入RPN，再经ROI Align，生成一次检测框或二次检测框。
优选地，在步骤S4中，采用的具体方法为：在训练过程中，每隔一定步数保存训练模型，保存的模型在测试集上测试其模型性能，观察模型性能随步数的变化，当模型性能稳定时，选择此时保存的模型作为模型固化的模型文件；并将模型中所含的训练过程变量剔除，只保留常量。
优选地，在步骤S5中，针对线夹或均压环采用计算机视觉算法判断是否发生故障的具体算法为：
对于线夹：在一次检测框中找到上端长的中心点A，在二次检测框中找到上端长的中心点B点，将A点和B点连接，并做出与过A点的垂直于长的角度θ，通过θ角度值判断线夹是否存在倾斜故障；
对于均压环：通过霍夫变换检测出绝缘子的中心线，再通过椭圆拟合找到均压环的椭圆边界，并且连接所述椭圆边界的长轴，通过绝缘子的中心线和椭圆边界的长轴的交角判断均压环是否存在倾斜故障。
本发明及其优选方案在原有的目标检测基础网络上针对于小尺寸部件提出了一种新型的端到端网络，该网络在减小了模型参数的情况上能达到两个模型来实现二次检测的精确度，同时在检测速度有了很大的提升。同时，并没有采用深度学习的模型直接判断故障部件，而是通过模型检测到线夹或者均压环后进一步结合一、二次检测框图结合了霍夫变换和椭圆拟合对其进行判断是否为故障部件，这样使得故障的识别准确率大大提高。
本发明及其优选方案相对于现有技术具体的有益效果在于：
在电力巡检中，对于尺寸较小的故障电力部件，普通的图像检测方式，乃至目标检测网络并不能达到准确性要求，如果采用2个目标模型识别故障部件，一次模型检测故障部件的大致区域，二次模型在使用一次生成的图片故障识别，检测由粗到精。但是这样做模型庞大，检测速度远远不能满足实时检测。而本发明提出的改进型目标检测模型结合了一、二次检测实现了端到端的训练，在特征提取阶段结合了高低特征图作为RPN的输入，对于小物体的表达能力更强。同时结合了Mask-Rcnn中的ROI Align消除了区域不匹配的问题，提高了识别小物体目标框的IOU。本发明并没有采用深度学习的模型直接判断故障部件，而是通过模型检测到线夹或者均压环后进一步结合一、二次图对其进行传统的视觉算法判断是否为故障部件，这样做能大大提高检测的准确性及效率。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例方法整体流程示意图；
图2是本发明实施例中改进型二次目标检测网络结构示意图；
图3是本发明实施例中对线夹样本标注一、二次检测框图示意图；
图4是本发明实施例中对均压环样本标注一、二次检测框图示意图；
图5是本发明实施例中对线夹进行倾斜故障检测算法的示意图；
图6是本发明实施例中对均压环进行倾斜故障检测算法的示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
如图1所示，本实施例方法的整体流程包括以下步骤：
步骤S1：制作线夹或均压环图像数据集，对图像数据样本做分类和清洗，并对样本做标注文件，作为初始化训练数据；其具体包括以下步骤：
其中，步骤S1具体包括以下步骤：
步骤S11:挑选带有线夹或均压环的数据集，其中故障和正常的部件分别定义为正样本和负样本，且正样本和负样本的比重相同；
步骤S12:去除模糊，识别不清的样本；
步骤S13:首先对样本进行增强（这样处理可以消除部件位置，颜色等因素的干扰），再对增强后的样本进行标注；对于线夹或均压环需要标注所有相关部件的标注框，如图3所示，对于线夹，需要对称地标注铁塔尖端及两侧架空线（作为一次检测框），并标注线夹本体（作为二次检测框）；如图4所示，对于均压环，需要分别标注绝缘子整体（作为一次检测框）和均压环本体（作为二次检测框）。为了方便网络的训练，标注应当符合标准PASCALVOC格式的xml标签文件。其中xml标签中包含部件区域的检测框（xmin,ymin,xmax,ymax）,四个值分别为一次检测框和二次检测框左上角、右下角的坐标。
步骤S14：按照8：2的比例将数据集划分为训练数据集和测试数据集。
步骤S2：针对不同检测数据集生成Anchor box。
由于在常规的Faster-Rcnn中都是使用默认的Anchor box尺寸（128、256、512）和缩放比例（0.5、1、2）,但是由于线夹和均压环尺寸都较小，所以默认的设置都不适合。为了能找到合适的Anchor box尺寸，采用Kmeans聚类算法匹配标注后的检测框，生成一、二次检测的Anchor Box。Kmeans算法是一种基于距离的聚类算法，该算法采用距离找出两个对象最近距离，那么其相似度也就越大，也就认为紧凑且独立的簇最为最终目标。
Anchor Box的缩放尺度大小与线夹或均压环部件大小正相关。
步骤S3：使用迁移学习将预训练好的模型初始化新的目标检测网络，将数据输入到模型中开始训练，待模型收敛后停止训练；
其中，如图2所示，“将数据输入到模型中开始训练，待模型收敛后停止训练”的具体过程为：
步骤S31：训练数据集的数据经过特征提取网络后融合高低层的特征图；为了更好识别小尺寸物体，将特征提取网络的最后两个网络结构块的特征图融合在一起，在特征提取网络中只取最后两个特征图，深层的特征图通过上采样后再经过一个1ⅹ1的卷积核后和浅层的特征图融合，，这样高低层的语义能从不同的视野找出较小部件
步骤S32：将特征图输入到RPN中，再经ROI Align，生成一次检测框；实际上，一次检测框即通过步骤S2中生成的Anchor box经RPN拟合获得；
步骤S33：生成一次检测框后，判断其一次检测框的IOU是否大于0.7，如果大于0.7，则输入到二次检测的RPN中，再经ROI Align，生成二次检测框。
在步骤S3中：在预训练中载入通过ImageNet数据集或COCO数据集训练的DPN(DualPath Network)特征提取网络的权重，这样更适用于电力部件的检测，其他权重采用Xavier算法初始化，该算法根据输入和输出神经元的数量会自动决定初始化的范围，这么做可以帮助减小梯度弥散问题，使得信号在训练过程可以传递更深。
如图2所示，在本实施例中，在RPN网络后将原Faster-Rcnn中的Roi Pool 层改成ROI Align。这么做是因为在池化层后特征图的尺寸必须固定，所以Roi Pool存在了两次量化的过程。在经过了这个步骤后，预测的目标框已经和最初的回归的位置出现了偏差。而ROI Align取消了量化的过程，直接使用双线性内插将整个特征聚集过程转化为一个连续过程。
在步骤S32中，选取IOU大于0.7的候选框图片，由于该框内物体相对于整个图片的位置的不变性，本实施例复用了特征提取网络的特征图，找出相对位置上对应的特征再次输入到网络中训练，这里二次检测时需要固化特征提取网络，也就是说特征提取网络只在一次检测中训练。
步骤S4：固化模型，将模型中所含的训练变量剔除，保留用于检测的权值，采用的具体方法为：在训练过程中，每隔一定步数保存训练模型，保存的模型在测试集上测试其模型性能，观察模型性能随步数的变化，当模型性能稳定在一定水平时，选择此时保存的模型作为模型固化的模型文件；并将模型中所含的训练过程变量剔除，只保留前向传播的权重等常量，缩小模型体积，方便模型移植。
其中，在训练过程中可配合TensorBoard查看训练过程中的效果，在模型达到稳定时手动停止训练。
步骤S5：数据经过固化后的模型生成一、二次检测图，针对线夹或均压环采用计算机视觉算法判断是否发生故障。
其中，针对线夹或均压环采用计算机视觉算法判断是否发生故障的具体算法为：
如图5所示，对于线夹：在一次检测框中找到上端长的中心点A，在二次检测框中找到上端长的中心点B点，将A点和B点连接，并做出与过A点的垂直于长的角度θ，通过θ角度值判断线夹是否存在倾斜故障；
如图6所示，对于均压环：由于均压环都是设置在绝缘子的两端处，首先使用霍夫变换，其原理时主要是对于边缘的每一个像素点（x0,y0），把可能经过它的所有直线y=kx+b，映射到k-b空间，然后投票，通过霍夫变换检测出绝缘子的中心线，再通过椭圆拟合找到均压环的椭圆边界，并且连接椭圆边界的长轴，通过绝缘子的中心线和椭圆边界的长轴的交角φ判断均压环是否存在倾斜故障。
在判断故障之前，可以通过目标框的置信度，过滤掉置信度较低的样本。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于改进型二次目标检测网络线夹、均压环故障识别方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (3)

1.一种基于改进型二次目标检测网络线夹、均压环故障识别方法，其特征在于，包括以下步骤：
步骤S1：制作线夹或均压环图像数据集，对图像数据样本做分类和清洗，并对样本做标注文件，作为初始化训练数据；
步骤S2：针对不同检测数据集生成Anchor box；
步骤S3：使用迁移学习将预训练好的模型初始化新的目标检测网络，将数据输入到模型中开始训练，待模型收敛后停止训练；
步骤S4：固化模型，将模型中所含的训练变量剔除，保留用于检测的权值；
步骤S5：数据经过固化后的模型生成一、二次检测图，针对线夹或均压环采用计算机视觉算法判断是否发生故障；
步骤S1具体包括以下步骤：
步骤S11:挑选带有线夹或均压环的数据集，其中故障和正常的部件分别定义为正样本和负样本，且正样本和负样本的比重相同；
步骤S12:去除模糊，识别不清的样本；
步骤S13:对样本进行标注；
步骤S14：按照8：2的比例将数据集划分为训练数据集和测试数据集；
在步骤S2中，采用Kmeans聚类算法匹配标注后的检测框，生成一、二次检测的AnchorBox；所述Anchor Box的缩放尺度大小与线夹或均压环部件大小正相关；
在步骤S3中：将数据输入到模型中开始训练，待模型收敛后停止训练的具体过程为：
步骤S31：训练数据集的数据经过特征提取网络后融合高低层的特征图；
步骤S32：将所述特征图输入到RPN中生成一次检测框；
步骤S33：生成一次检测框后，判断其一次检测框的IOU是否大于0.7，如果大于0.7，则输入到二次检测的RPN中生成二次检测框；
在步骤S3中：在预训练中载入通过COCO数据集训练的DPN特征提取网络的权重，其他权重采用Xavier算法初始化；
在步骤S31中：在所述特征提取网络中只取最后两个特征图，深层的特征图通过上采样后再经过一个1ⅹ1的卷积核后和浅层的特征图融合；
在步骤S31和步骤S33中：图像输入RPN，再经ROI Align，生成一次检测框或二次检测框；
在步骤S5中，针对线夹或均压环采用计算机视觉算法判断是否发生故障的具体算法为：
对于线夹：在一次检测框中找到上端长的中心点A，在二次检测框中找到上端长的中心点B点，将A点和B点连接，并做出与过A点的垂直于长的角度θ，通过θ角度值判断线夹是否存在倾斜故障；
对于均压环：通过霍夫变换检测出绝缘子的中心线，再通过椭圆拟合找到均压环的椭圆边界，并且连接所述椭圆边界的长轴，通过绝缘子的中心线和椭圆边界的长轴的交角判断均压环是否存在倾斜故障。
2.根据权利要求1所述的基于改进型二次目标检测网络线夹、均压环故障识别方法，其特征在于，在步骤S13中，首先对样本进行增强，再对增强后的样本进行标注。
3.根据权利要求1所述的基于改进型二次目标检测网络线夹、均压环故障识别方法，其特征在于，在步骤S4中，采用的具体方法为：在训练过程中，每隔一定步数保存训练模型，保存的模型在测试集上测试其模型性能，观察模型性能随步数的变化，当模型性能稳定时，选择此时保存的模型作为模型固化的模型文件；并将模型中所含的训练过程变量剔除，只保留常量。
CN201811155376.4A 2018-09-30 2018-09-30 基于改进型二次目标检测网络线夹、均压环故障识别方法 Active CN109345529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811155376.4A CN109345529B (zh) 2018-09-30 2018-09-30 基于改进型二次目标检测网络线夹、均压环故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811155376.4A CN109345529B (zh) 2018-09-30 2018-09-30 基于改进型二次目标检测网络线夹、均压环故障识别方法

Publications (2)

Publication Number Publication Date
CN109345529A CN109345529A (zh) 2019-02-15
CN109345529B true CN109345529B (zh) 2021-09-24

Family

ID=65308050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811155376.4A Active CN109345529B (zh) 2018-09-30 2018-09-30 基于改进型二次目标检测网络线夹、均压环故障识别方法

Country Status (1)

Country Link
CN (1) CN109345529B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008901A (zh) * 2019-04-04 2019-07-12 天津工业大学 一种基于Mask R-CNN的绝缘子故障识别与定位方法
CN110231939B (zh) * 2019-05-16 2024-05-28 平安科技（深圳）有限公司 模型生成方法、***、计算机设备和存储介质
CN110245587B (zh) * 2019-05-29 2021-08-13 西安交通大学 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法
CN110826476A (zh) * 2019-11-02 2020-02-21 国网浙江省电力有限公司杭州供电公司 识别目标物体的图像检测方法、装置、电子设备和存储介质
CN113111692B (zh) * 2020-01-13 2024-04-23 北京地平线机器人技术研发有限公司 目标检测方法、装置、计算机可读存储介质及电子设备
CN111310899B (zh) * 2020-02-19 2023-07-11 山东大学 基于共生关系和小样本学习的电力缺陷识别方法
CN111598889B (zh) * 2020-05-26 2023-08-08 南方电网数字电网科技(广东)有限公司 均压环倾斜故障的识别方法、装置、计算机设备
CN112365876B (zh) * 2020-11-27 2022-04-12 北京百度网讯科技有限公司 语音合成模型的训练方法、装置、设备以及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316001A (zh) * 2017-05-31 2017-11-03 天津大学 一种自动驾驶场景中小且密集的交通标志检测方法
CN107330027A (zh) * 2017-06-23 2017-11-07 中国科学院信息工程研究所 一种弱监督的深度台标检测方法
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其***
CN108573233A (zh) * 2018-04-18 2018-09-25 国网四川省电力公司信息通信公司 一种基于图像处理技术的电网陶瓷绝缘子识别方法
CN108596886A (zh) * 2018-04-17 2018-09-28 福州大学 基于深度学习的航拍图像绝缘子掉片故障快速检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316001A (zh) * 2017-05-31 2017-11-03 天津大学 一种自动驾驶场景中小且密集的交通标志检测方法
CN107330027A (zh) * 2017-06-23 2017-11-07 中国科学院信息工程研究所 一种弱监督的深度台标检测方法
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其***
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN108596886A (zh) * 2018-04-17 2018-09-28 福州大学 基于深度学习的航拍图像绝缘子掉片故障快速检测方法
CN108573233A (zh) * 2018-04-18 2018-09-25 国网四川省电力公司信息通信公司 一种基于图像处理技术的电网陶瓷绝缘子识别方法

Also Published As

Publication number Publication date
CN109345529A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109345529B (zh) 基于改进型二次目标检测网络线夹、均压环故障识别方法
KR20220023335A (ko) 결함 검출 방법 및 관련 장치, 기기, 저장 매체, 컴퓨터 프로그램 제품
CN112001260A (zh) 一种基于红外可见光图像融合的电缆沟故障检测方法
CN112906769A (zh) 一种基于CycleGAN的输变电设备图像缺陷样本增广方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN109389322A (zh) 基于目标检测和长短时记忆模型的导地线断散股识别方法
CN112819008B (zh) 实例检测网络的优化方法、装置、介质及电子设备
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN112101138A (zh) 基于深度学习的桥梁拉索表面缺陷实时识别***及方法
CN114331946A (zh) 一种图像数据处理方法、设备以及介质
CN113657517A (zh) 一种基于注意力机制和度量学习少样本电力缺陷检测方法
CN111931857A (zh) 一种基于mscff的低照度目标检测方法
Liu et al. UAV transmission line inspection object recognition based on mask R-CNN
CN114035606A (zh) 杆塔巡检***、杆塔巡检方法、控制装置和存储介质
CN110490261B (zh) 一种输电线路巡检图像绝缘子的定位方法
CN116665092A (zh) 基于ia-yolov7的污水悬浮物识别方法及***
CN115359295A (zh) 一种解耦知识蒸馏金具目标检测方法及***
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
CN113128308A (zh) 一种港口场景下的行人检测方法、装置、设备及介质
CN111310899B (zh) 基于共生关系和小样本学习的电力缺陷识别方法
CN116994068A (zh) 一种基于知识蒸馏的目标检测方法及装置
CN112115737B (zh) 一种车辆朝向的确定方法、装置及车载终端
Wang et al. High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5
CN114187380B (zh) 基于视觉显著性和通道注意力机制的色彩传递方法
CN114625166B (zh) 一种无人机拍摄位置的智能定位方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Qiu Xiaojie

Inventor after: Jiang Hao

Inventor after: Chen Jing

Inventor after: Jiu Xiren

Inventor before: Jiang Hao

Inventor before: Qiu Xiaojie

Inventor before: Chen Jing

Inventor before: Jiu Xiren

GR01 Patent grant
GR01 Patent grant