CN110033453B - 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 - Google Patents
基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 Download PDFInfo
- Publication number
- CN110033453B CN110033453B CN201910310921.0A CN201910310921A CN110033453B CN 110033453 B CN110033453 B CN 110033453B CN 201910310921 A CN201910310921 A CN 201910310921A CN 110033453 B CN110033453 B CN 110033453B
- Authority
- CN
- China
- Prior art keywords
- insulator
- yolov3
- data set
- fault
- power transmission
- 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
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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Insulators (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明公开了基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,包括以下步骤:S1:建立绝缘子数据集与绝缘子故障数据集;S2:使用旋转,翻转,对比度增强等方式进行数据增强;S3:以YOLOv3为基本框架,进行模型修改剪枝操作,构建绝缘子检测模型;S4:搭建标准的YOLOv3‑tiny网络;S5:将修改后的YOLOv3网络与YOLOv3‑tiny分别使用绝缘子数据集与绝缘子故障数据集进行模型训练;S6:连接两个训练好的模型,实现对绝缘子故障的端到端的快速检测。本发明的检测方法可以快速准确的识别到复杂背景图像中的绝缘子并定位检测出故障区域,提高巡检效率并减轻巡检人员的工作强度,为电力***的正常运行保驾护航。
Description
技术领域
本发明属于深度学习计算机视觉领域和电力缺陷识别领域,特别涉及一种基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法。
背景技术
绝缘子在输变电线路中数量众多,起着电气绝缘和机械连接的重要作用。由于输变电线路跨越各种复杂的自然地理环境,长期暴露在风吹雨淋日晒下,容易出现包括自爆,闪络等各种故障。绝缘子一旦出现故障将会严重影响电力的正常安全输送,从而威胁到电力***的正常运转,因此对绝缘子的快速高效的故障检测是输变电线路巡检工作的重要程序之一。现阶段常用的巡检方式是采用无人机在特定机位拍摄巡检图像,然后由地面工作人员手工对航拍巡检图像进行故障判别与分析,这种方式不仅造成故障检测的延时性,也为电力巡检人员带来大量的工作负担。
为实现输变电线路的自动化与实时巡检,可以采用图像识别技术来代替人工筛检航拍巡检图片。但传统的目标检测算法,主要存在三点缺陷,首先设计的特征为低层特征,对目标的表达性不足;其次设计的特征针对性单一,对输变电线路待检测目标在复杂环境下的多样性没有很好的鲁棒性;最后对于当下海量的巡检图片,检测速度与检测效果均无法满足实际工业应用需求。
2012年以来深度学习发展迅速,并在计算机视觉领域取得的较好的成果,但目前将深度学习用于电力巡检的应用研究较少,且无法满足输变电线路巡检的实时性与准确性的要求,因此,本发明主要研究将YOLOv3模型应用到绝缘子航拍巡检图像的故障检测以实现端到端的高效准确检测。
发明内容
本发明的目的在于提供基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,包括以下步骤:
S1:建立绝缘子数据集与绝缘子故障数据集;
S2:使用旋转,翻转,对比度增强等方式进行数据增强;使用LabelImg工具对图像进行标记,得到对应的XML文件,然后将数据集图像及对应的XML文件按照PASCAL VOC数据集格式进行组织存放;
S3:以YOLOv3为基本框架,进行模型修改剪枝操作,构建绝缘子检测模型,包括以下步骤:
S301:因为是固定机位拍摄巡检图片,绝缘子可大致分为近景拍摄的较大绝缘子与远景拍摄的较小绝缘子,故将YOLOv3中三尺度输出变为两尺度输出,只保留13*13与26*26的输出尺度,舍弃52*52的输出尺度,减少模型大小的同时也减少了模型检测过程中的计算量;
S302:因为只检测绝缘子一种目标物体,故YOLOv3的整体网络显得过于庞大,功能过剩,可通过剪枝操作来进行模型缩减,适当的增加检测速度;
S303:在进行模型剪枝的同时,为了保证不降低模型的检测效果,将原本的每个尺度分配3个anchor box改为每个尺度4个anchor box,并使用以交并比IOU值代替标准欧式距离的K-means聚类算法生成初始的8个anchor box,每个尺度更多的anchor box,可以适当的提高检测效果;
S304:YOLOv3考虑到使用softmax进行多类别划分必须满足各类别之间是互斥的,故放弃了softmax函数而采用sigmoid函数进行类别划分;
S4:搭建标准的YOLOv3-tiny网络;
S5:将修改后的YOLOv3网络与YOLOv3-tiny分别使用绝缘子数据集与绝缘子故障数据集进行模型训练;
S6:连接两个训练好的模型,实现对绝缘子故障的端到端的快速检测,步骤包括:
S601:使用修改后的YOLOv3模型检测图像中的各种绝缘子区域;
S602:将检测到的绝缘子区域图像送入tiny-YOLOv3进行故障检测;
S603:将故障检测结果还原到原始图像中,用矩形框、故障类型及置信度文字标识。
优选的,所述S1中绝缘子数据集图像为通过无人机按照巡检规范在特定机位拍摄采集到的输变电线路多种类型的绝缘子航拍图像。
优选的,所述S1中绝缘子故障数据集中包括自爆,漏电等多种绝缘子故障的图像,图像为初始航拍图像中裁剪到的含故障的绝缘子区域图像并保持原始大小尺寸。
优选的,所述S2中的LabelImg工具是一个可视化的图像标记工具,图像标记工具不止是labelImg,还有其它工具,最终得到的不同的文件形式,然后可以转换成模型训练所需要的数据格式,使用该工具前需配置环境python+lxml,能够标注多类别并能直接生成xml文件的标注工具。
优选的,所述S3中13*13与26*26的先验框大小为coco数据集上通过kmeans算法得到的先验框尺寸。
优选的,所述S304中的softmax函数能将一个含任意实数的K维向量Z“压缩”到另一个K维实向量σ中,使得每一个元素的范围都在0-1之间,并且所有元素的和为1。
优选的,所述304中的Sigmoid函数常被用作神经网络的阈值函数,将变量映射到0-1之间。
优选的,在本发明中,因绝缘子检测模型只需要检测到绝缘子,不具体划分绝缘子类别,故重新采用softmax函数。
与现有技术相比,本发明的有益效果是:使用深度神经网络模型进行故障检测,可以实现输变电线路的实时巡检,检测效果与检测速度大幅度提高,提高了输变电线路巡检的自动化水平,降低了巡检人员的劳动强度,本发明根据特定的工业应用场景,针对性的修改设计神经网络结构,使得网络模型更具有针对性,检测效果得到更好的保障,此外,现有的部分发明专利仅仅检测定位到绝缘子并后接分类器直接进行是否为故障的判别,本发明则直接定位到故障部位并判断故障类型,使得检测更专业化。
附图说明
图1为本发明的检测方法流程图;
图2为本发明的YOLOv3模型结构图;
图3为本发明的检测过程流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
实施例一
请参照图1-3,本发明提供一种技术方案:基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,包括以下步骤:
S1:建立绝缘子数据集与绝缘子故障数据集,绝缘子数据集图像为通过无人机按照巡检规范在特定机位拍摄采集到的输变电线路多种类型的绝缘子航拍图像,绝缘子故障数据集中包括自爆,漏电等多种绝缘子故障的图像,图像为初始航拍图像中裁剪到的含故障的绝缘子区域图像并保持原始大小尺寸;
S2:使用旋转,翻转,对比度增强等方式进行数据增强;使用LabelImg工具对图像进行标记,得到对应的XML文件,然后将数据集图像及对应的XML文件按照PASCAL VOC数据集格式进行组织存放,LabelImg工具是一个可视化的图像标记工具,图像标记工具不止是labelImg,还有其它工具,最终得到的不同的文件形式,然后可以转换成模型训练所需要的数据格式,使用该工具前需配置环境python+lxml,能够标注多类别并能直接生成xml文件的标注工具;
S3:以YOLOv3为基本框架,进行模型修改剪枝操作,构建绝缘子检测模型,包括以下步骤:
S301:因为是固定机位拍摄巡检图片,绝缘子可大致分为近景拍摄的较大绝缘子与远景拍摄的较小绝缘子,故将YOLOv3中三尺度输出变为两尺度输出,只保留13*13与26*26的输出尺度,舍弃52*52的输出尺度,减少模型大小的同时也减少了模型检测过程中的计算量,13*13与26*26的先验框大小为coco数据集上通过kmeans算法得到的先验框尺寸;
S302:因为只检测绝缘子一种目标物体,故YOLOv3的整体网络显得过于庞大,功能过剩,可通过剪枝操作来进行模型缩减,适当的增加检测速度;
S303:在进行模型剪枝的同时,为了保证不降低模型的检测效果,将原本的每个尺度分配3个anchor box改为每个尺度4个anchor box,并使用以交并比IOU值代替标准欧式距离的K-means聚类算法生成初始的8个anchor box,每个尺度更多的anchor box,可以适当的提高检测效果;
S304:YOLOv3考虑到使用softmax进行多类别划分必须满足各类别之间是互斥的,故放弃了softmax函数而采用sigmoid函数进行类别划分,在本发明中,因绝缘子检测模型只需要检测到绝缘子,不具体划分绝缘子类别,故重新采用softmax函数,softmax函数能将一个含任意实数的K维向量Z“压缩”到另一个K维实向量σ中,使得每一个元素的范围都在0-1之间,并且所有元素的和为1,Sigmoid函数常被用作神经网络的阈值函数,将变量映射到0-1之间;
S4:搭建标准的YOLOv3-tiny网络;
S5:将修改后的YOLOv3网络与YOLOv3-tiny分别使用绝缘子数据集与绝缘子故障数据集进行模型训练;
S6:连接两个训练好的模型,实现对绝缘子故障的端到端的快速检测,步骤包括:
S601:使用修改后的YOLOv3模型检测图像中的各种绝缘子区域;
S602:将检测到的绝缘子区域图像送入tiny-YOLOv3进行故障检测;
S603:将故障检测结果还原到原始图像中,用矩形框、故障类型及置信度文字标识。
实施例二
请参照图1-3,本发明提供一种技术方案:基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,包括以下步骤:
S1:建立绝缘子数据集与绝缘子故障数据集,绝缘子数据集图像为通过无人机按照巡检规范在特定机位拍摄采集到的输变电线路多种类型的绝缘子航拍图像,绝缘子故障数据集中包括自爆,漏电等多种绝缘子故障的图像,图像为初始航拍图像中裁剪到的含故障的绝缘子区域图像并保持原始大小尺寸;
S2:使用旋转,翻转,对比度增强等方式进行数据增强;使用LabelImg工具对图像进行标记,得到对应的XML文件,然后将数据集图像及对应的XML文件按照PASCAL VOC数据集格式进行组织存放,LabelImg工具是一个可视化的图像标记工具,图像标记工具不止是labelImg,还有其它工具,最终得到的不同的文件形式,然后可以转换成模型训练所需要的数据格式,使用该工具前需配置环境python+lxml,能够标注多类别并能直接生成xml文件的标注工具;
S3:以YOLOv3为基本框架,进行模型修改剪枝操作,构建绝缘子检测模型,包括以下步骤:
S301:因为是固定机位拍摄巡检图片,绝缘子可大致分为近景拍摄的较大绝缘子与远景拍摄的较小绝缘子,故将YOLOv3中三尺度输出变为两尺度输出,只保留13*13与26*26的输出尺度,舍弃52*52的输出尺度,减少模型大小的同时也减少了模型检测过程中的计算量,13*13与26*26的先验框大小为coco数据集上通过kmeans算法得到的先验框尺寸;
S302:因为只检测绝缘子一种目标物体,故YOLOv3的整体网络显得过于庞大,功能过剩,可通过剪枝操作来进行模型缩减,适当的增加检测速度;
S303:在进行模型剪枝的同时,为了保证不降低模型的检测效果,将原本的每个尺度分配3个anchor box改为每个尺度6个anchor box,并使用以交并比IOU值代替标准欧式距离的K-means聚类算法生成初始的12个anchor box,每个尺度更多的anchor box,可以适当的提高检测效果;
S304:YOLOv3考虑到使用softmax进行多类别划分必须满足各类别之间是互斥的,故放弃了softmax函数而采用sigmoid函数进行类别划分,在本发明中,因绝缘子检测模型只需要检测到绝缘子,不具体划分绝缘子类别,故重新采用softmax函数,softmax函数能将一个含任意实数的K维向量Z“压缩”到另一个K维实向量σ中,使得每一个元素的范围都在0-1之间,并且所有元素的和为1,Sigmoid函数常被用作神经网络的阈值函数,将变量映射到0-1之间;
S4:搭建标准的YOLOv3-tiny网络;
S5:将修改后的YOLOv3网络与YOLOv3-tiny分别使用绝缘子数据集与绝缘子故障数据集进行模型训练;
S6:连接两个训练好的模型,实现对绝缘子故障的端到端的快速检测,步骤包括:
S601:使用修改后的YOLOv3模型检测图像中的各种绝缘子区域;
S602:将检测到的绝缘子区域图像送入tiny-YOLOv3进行故障检测;
S603:将故障检测结果还原到原始图像中,用矩形框、故障类型及置信度文字标识。
通过对上述两组实施例进行对比实验,实施例一与实施例二均可以检测出故障,实施例一与实施例二每个尺度分配的anchor box不同,且实施例二分配的anchor box过多,导致检测速度变慢,没有实施例一的检测速度快,本发明使用深度神经网络模型进行故障检测,可以实现输变电线路的实时巡检,检测效果与检测速度大幅度提高,提高了输变电线路巡检的自动化水平,降低了巡检人员的劳动强度,本发明根据特定的工业应用场景,针对性的修改设计神经网络结构,使得网络模型更具有针对性,检测效果得到更好的保障,此外,现有的部分发明专利仅仅检测定位到绝缘子并后接分类器直接进行是否为故障的判别,本发明则直接定位到故障部位并判断故障类型,使得检测更专业化。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于,包括以下步骤:
S1:建立绝缘子数据集与绝缘子故障数据集;
S2:使用旋转,翻转,对比度增强进行数据增强;使用LabelImg工具对图像进行标记,得到对应的XML文件,然后将数据集图像及对应的XML文件按照PASCAL VOC数据集格式进行组织存放;
S3:以YOLOv3为基本框架,进行模型修改剪枝操作,构建绝缘子检测模型,包括以下步骤:
S301:因为是固定机位拍摄巡检图片,绝缘子分为近景拍摄的绝缘子与远景拍摄的绝缘子,故将YOLOv3中三尺度输出变为两尺度输出,只保留13*13与26*26的输出尺度,舍弃52*52的输出尺度;
S302:通过剪枝操作来进行模型缩减;
S303:在进行模型剪枝的同时,将原本的每个尺度分配3个anchor box改为每个尺度4个anchor box,并使用以交并比IOU值代替标准欧式距离的K-means聚类算法生成初始的8个anchor box;
S304:采用sigmoid函数进行类别划分;
S4:搭建标准的YOLOv3-tiny网络;
S5:将修改后的YOLOv3网络与YOLOv3-tiny分别使用绝缘子数据集与绝缘子故障数据集进行模型训练;
S6:连接两个训练好的模型,实现对绝缘子故障的端到端的快速检测,步骤包括:
S601:使用修改后的YOLOv3模型检测图像中的各种绝缘子区域;
S602:将检测到的绝缘子区域图像送入YOLOv3-tiny进行故障检测;
S603:将故障检测结果还原到原始图像中,用矩形框、故障类型及置信度文字标识。
2.根据如权利要求1所述的基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于:所述S1中绝缘子数据集图像为通过无人机按照巡检规范在特定机位拍摄采集到的输变电线路多种类型的绝缘子航拍图像。
3.根据如权利要求1所述的基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于:所述S1中绝缘子故障数据集中包括自爆和漏电的绝缘子故障图像,图像为初始航拍图像中裁剪到的含故障的绝缘子区域图像并保持原始大小尺寸。
4.根据如权利要求1所述的基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于:所述S2中的LabelImg工具是一个可视化的图像标记工具,得到的文件形式,然后转换成模型训练所需要的数据格式,使用该工具前需配置环境python + lxml,能够标注多类别并能直接生成xml文件的标注工具。
5.根据如权利要求1所述的基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于:所述S3中13*13与26*26的先验框大小为coco数据集上通过K-means算法得到的先验框尺寸。
6.根据如权利要求1所述的基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于:所述S304中的softmax函数能将一个含任意实数的K维向量Z“压缩”到另一个z轴上的K维实向量σ中,使得每一个元素的范围都在0-1之间,并且所有元素的和为1。
7.根据如权利要求1所述的基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法,其特征在于:所述304中的Sigmoid函数常被用作神经网络的阈值函数,将变量映射到0-1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310921.0A CN110033453B (zh) | 2019-04-18 | 2019-04-18 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310921.0A CN110033453B (zh) | 2019-04-18 | 2019-04-18 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033453A CN110033453A (zh) | 2019-07-19 |
CN110033453B true CN110033453B (zh) | 2023-02-24 |
Family
ID=67238836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910310921.0A Active CN110033453B (zh) | 2019-04-18 | 2019-04-18 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033453B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517228A (zh) * | 2019-07-30 | 2019-11-29 | 浙江农林大学 | 基于卷积神经网络与迁移学习的树干图像快速检测方法 |
CN110543986A (zh) * | 2019-08-27 | 2019-12-06 | 广东电网有限责任公司 | 一种输电线路外部隐患智能监控***及其监控方法 |
CN110705397A (zh) * | 2019-09-19 | 2020-01-17 | 东南大学 | 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法 |
CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测*** |
CN110826473A (zh) * | 2019-11-01 | 2020-02-21 | 广东电网有限责任公司 | 一种基于神经网络的绝缘子图像自动识别方法 |
CN110992307A (zh) * | 2019-11-04 | 2020-04-10 | 华北电力大学(保定) | 基于yolo的绝缘子定位识别方法及装置 |
CN110956176B (zh) * | 2019-11-14 | 2023-06-16 | 国网山西省电力公司大同供电公司 | 一种塔基间输电线路拟合方法和检测装置 |
CN110826520B (zh) * | 2019-11-14 | 2023-05-26 | 燕山大学 | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 |
CN111062915B (zh) * | 2019-12-03 | 2023-10-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111160440B (zh) * | 2019-12-24 | 2023-11-21 | 广东省智能制造研究所 | 一种基于深度学习的安全帽佩戴检测方法及装置 |
CN111239550A (zh) * | 2020-02-27 | 2020-06-05 | 东南大学 | 用于巡检的无人机全自动多机协同输电线路故障识别方法 |
CN111582323B (zh) * | 2020-04-17 | 2023-06-16 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
CN111753666B (zh) * | 2020-05-21 | 2024-01-23 | 西安科技大学 | 输电线路中小目标故障检测方法、检测***及存储介质 |
CN111784685B (zh) * | 2020-07-17 | 2023-08-18 | 国网湖南省电力有限公司 | 一种基于云边协同检测的输电线路缺陷图像识别方法 |
CN112036464A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 |
CN112051270B (zh) * | 2020-09-10 | 2021-08-13 | 广州云从人工智能技术有限公司 | 一种输电线缺陷检测方法、***、设备及介质 |
CN112541389B (zh) * | 2020-09-29 | 2023-08-22 | 西安交通大学 | 一种基于EfficientDet网络的输电线路故障检测方法 |
CN112183667B (zh) * | 2020-10-31 | 2022-06-14 | 哈尔滨理工大学 | 一种协同深度学习的绝缘子故障检测方法 |
CN112598054B (zh) * | 2020-12-21 | 2023-09-22 | 福建京力信息科技有限公司 | 基于深度学习的输变电工程质量通病防治检测方法 |
CN112614130A (zh) * | 2021-01-04 | 2021-04-06 | 东华大学 | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 |
CN112712516B (zh) * | 2021-01-08 | 2021-10-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于YOLOv5的高铁底部胶条故障检测方法及*** |
CN113112489B (zh) * | 2021-04-22 | 2022-11-15 | 池州学院 | 一种基于级联检测模型的绝缘子掉串故障检测方法 |
CN113297915A (zh) * | 2021-04-28 | 2021-08-24 | 江苏师范大学 | 一种基于无人机巡检的绝缘子识别目标检测方法 |
CN113239838B (zh) * | 2021-05-24 | 2022-09-20 | 国网湖北省电力有限公司黄石供电公司 | 一种用于输电铁塔的无人机智能巡检识别方法 |
US12002256B1 (en) | 2022-12-08 | 2024-06-04 | Sas Institute Inc. | Systems and methods for configuring and using a multi-stage object classification and condition pipeline |
US11836968B1 (en) * | 2022-12-08 | 2023-12-05 | Sas Institute, Inc. | Systems and methods for configuring and using a multi-stage object classification and condition pipeline |
CN116721095B (zh) * | 2023-08-04 | 2023-11-03 | 杭州瑞琦信息技术有限公司 | 一种航拍式的道路照明故障检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR102016016197A2 (pt) * | 2016-07-12 | 2018-02-06 | Instituto Federal De Educação, Ciência E Tecnologia Do Ceará | Sistema sinalizador de falhas de isoladores em estruturas de média e alta tensão utilizando ultrassom. |
CN108527382A (zh) * | 2018-04-09 | 2018-09-14 | 上海方立数码科技有限公司 | 一种巡检机器人 |
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 |
CN108629288A (zh) * | 2018-04-09 | 2018-10-09 | 华中科技大学 | 一种手势识别模型训练方法、手势识别方法及*** |
CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
CN109325454A (zh) * | 2018-09-28 | 2019-02-12 | 合肥工业大学 | 一种基于YOLOv3的静态手势实时识别方法 |
-
2019
- 2019-04-18 CN CN201910310921.0A patent/CN110033453B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR102016016197A2 (pt) * | 2016-07-12 | 2018-02-06 | Instituto Federal De Educação, Ciência E Tecnologia Do Ceará | Sistema sinalizador de falhas de isoladores em estruturas de média e alta tensão utilizando ultrassom. |
CN108527382A (zh) * | 2018-04-09 | 2018-09-14 | 上海方立数码科技有限公司 | 一种巡检机器人 |
CN108629288A (zh) * | 2018-04-09 | 2018-10-09 | 华中科技大学 | 一种手势识别模型训练方法、手势识别方法及*** |
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 |
CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
CN109325454A (zh) * | 2018-09-28 | 2019-02-12 | 合肥工业大学 | 一种基于YOLOv3的静态手势实时识别方法 |
Non-Patent Citations (7)
Title |
---|
Rail Surface Defect Detection Method Based on YOLOv3 Deep Learning Networks;Song Yanan等;《2018 Chinese Automation Congress(CAC)》;20190124;第1563-1568页 * |
基于卷积神经网络的工件缺陷检测研究;于科为;《信息与电脑(理论版)》;20181115(第21期);第7-9、12页 * |
基于改进损失函数的YOLOv3网络;吕铄等;《计算机***应用》;20190228;第28卷(第2期);第1-7页 * |
基于深度神经压缩的YOLO加速研究;陈莉君等;《现代计算机》;20190415;第1-7页 * |
航拍图像中绝缘子目标检测的研究;高强等;《电测与仪表》;20190107;第1-7页 * |
轻量级YOLOV3的绝缘子缺陷检测方法;吴涛等;《计算机工程》;20190307;第1-8页 * |
遥感图像中飞机的改进YOLOv3实时检测算法;戴伟聪等;《光电工程》;20181210;第45卷(第12期);第180350-1-180350-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110033453A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033453B (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
CN111695622B (zh) | 变电作业场景的标识模型训练方法、标识方法及装置 | |
CN112990310A (zh) | 服务于电力机器人的人工智能***及方法 | |
CN107292886B (zh) | 基于网格划分及神经网络的目标物入侵检测方法及装置 | |
CN111985455A (zh) | 一种光伏组件可见光故障模型的训练和识别方法及装置 | |
CN112184692A (zh) | 一种输电线路多目标检测方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN111241615A (zh) | 一种高度真实感的变电站多源融合三维建模方法 | |
CN112052855A (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN112116594A (zh) | 一种基于语义分割的风飘异物识别方法和装置 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN110751642A (zh) | 一种绝缘子裂缝检测方法和*** | |
CN113344852A (zh) | 一种电力场景通用物品的目标检测方法、装置及存储介质 | |
CN110414351A (zh) | 变电站的智能分割与识别方法、***及存储介质 | |
CN112446376B (zh) | 一种工业图像智能分割压缩方法 | |
CN111402250A (zh) | 基于边缘计算的机器视觉缺陷检测方法和平台 | |
CN110334818B (zh) | 一种管路自动识别的方法及*** | |
CN210835242U (zh) | 电力杆塔的缺陷样本采集*** | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及*** | |
CN113610838A (zh) | 一种螺栓缺陷数据集扩充方法 | |
CN114821042A (zh) | 一种联合局部特征和全局特征的r-fcn刀闸检测方法 | |
CN113869122A (zh) | 一种配网工程强化管控方法 | |
Langenkämper et al. | Gan-based synthesis of deep learning training data for UAV monitoring | |
Gao et al. | Intelligent appearance quality detection of air conditioner external unit and dataset construction |
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 |