CN110309865A - 一种无人机巡视输电线路销钉缺陷分级图像识别方法 - Google Patents
一种无人机巡视输电线路销钉缺陷分级图像识别方法 Download PDFInfo
- Publication number
- CN110309865A CN110309865A CN201910530052.2A CN201910530052A CN110309865A CN 110309865 A CN110309865 A CN 110309865A CN 201910530052 A CN201910530052 A CN 201910530052A CN 110309865 A CN110309865 A CN 110309865A
- Authority
- CN
- China
- Prior art keywords
- pin
- image
- unmanned plane
- power transmission
- transmission lines
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种无人机巡视输电线路销钉缺陷分级图像识别方法,包括:S0、利用巡视采集图像对区域推荐卷积神经网络和SVM分类器进行预训练;S1、巡视采集图像送入区域推荐卷积神经网络;S2、利用区域推荐卷积神经网络对销钉进行定位,输出销钉定位矩形框图像;S3、对销钉定位矩形框图像上采样并作灰度化处理;S4、提取步骤S3处理后图像的SIFT特征;S5、对图像SIFT特征采用K‑means算法聚类并制作成词袋模型;S6、词袋模型送入SVM分类器判断销钉是否存在缺陷。有益效果是简化了输电线路巡检人员的工作量,提高了输电线路销钉缺陷的检出率。
Description
【技术领域】
本发明涉及图像识别技术领域,具体涉及一种无人机巡视输电线路销钉缺陷分级图像识别方法。
【背景技术】
输电线路是电网的重要组成部分,是电力***的动脉,输电线路巡检事关电网安全平稳运行。国家电网公司每年投入大量人力物力来保证电力巡检工作。由于我国地域辽阔,电网规模庞大,输电线路距离长容量大环境复杂,人工检修存在巡检环境恶劣,工作量大,记录数据多且不易储存的问题,费时费力。故目前主要通过无人机或者直升机巡检,拍摄输电线路图像后传回后台进行人工分析,进行线路缺陷及故障的排查,保证输电线路正常运行。但是由于航拍图像数量巨大,耗费大量人力。面对海量数据,工作人员受主观经验影响,难免会出现一定的漏检或误检,从而埋下安全隐患。借助合适的算法,利用计算机对无人机巡检图像进行缺陷检测有助于改善人工排查的弊端。
销钉在输电线路中起到防止软连接部位错动的作用,销钉的脱落或脱出可能影响输电线路上其余部件的正常运行。但因其数量多,尺寸小,巡检人员需要通过放大拖拽的方式对无人机巡检图像中的销钉一一排查,不仅工作量巨大,漏报或误报率也是居高不下。
近年来,基于深度学习目标识别算法在各个领域取得较好的效果。与传统方法相比,在大数据的支持下,深度学习不再依赖于人为设计选取的特征,自动学习与提取特征,鲁棒性强,识别精度更高。
目前图像识别技术电力行业、高速铁路行业的应用广泛,深度学***方向,进而实现旋转双耳部分的分割;随后,累加目标图像的竖直方向像素灰度值,确定销钉受力部分和两端非受力部分长度;最后,归纳销钉正常工作及故障时这些长度间相关比值的范围,从而判断销钉的工作状态。
本发明针对上述现有技术,对电力场所巡检图像销钉缺陷的识别进行了改进。
【发明内容】
本发明的目的是,提出一种简化巡检人员工作量,提高销钉缺陷检出率的无人机巡视输电线路销钉缺陷分级图像识别方法。
为实现上述目的,本发明采取的技术方案是一种无人机巡视输电线路销钉缺陷分级图像识别方法,包括以下步骤:
S0、利用巡视采集图像对区域推荐卷积神经网络和SVM分类器进行预训练;
S1、巡视采集图像送入区域推荐卷积神经网络;
S2、利用区域推荐卷积神经网络对销钉进行定位,输出销钉定位矩形框图像;
S3、对销钉定位矩形框图像上采样并作灰度化处理;
S4、提取步骤S3处理后图像的SIFT特征;
S5、对图像SIFT特征采用K-means算法聚类并制作成词袋模型;
S6、词袋模型送入SVM分类器判断销钉是否存在缺陷。
进一步优选的技术方案,还包括以下步骤:
S7、SVM分类器进行SVM分类输出销钉缺陷类型、位置;
S8、跳转执行S1,继续图像识别。
优选地,上述区域推荐卷积神经网络的预训练样本为所有包含销钉的巡视采集图像,上述SVM分类器的预训练正样本是巡视采集图像中有缺陷的销钉、负样本是巡视采集图像中无缺陷的销钉。
优选地,上述的区域推荐卷积神经网络由前置网络,区域推荐网络和目标定位网络构成,上述前置网络提取输入图像的卷积特征图,上述区域推荐网络预测输入图像中可能存在销钉的区域,上述目标定位网络精确定位输入图像中销钉位置。
优选地,上述销钉定位矩形框图像统一上采样至128×128像素。
优选地,上述图像SIFT特征为n×128维矩阵,其中n为图像特征点数;上述K-means聚类中K设定为100,由K-means聚类并制成词袋模型后图像特征归一为1×100维。
优选地,上述巡视采集图像是无人机巡视输电线路图像。
本发明有如下有益效果:采用两级识别网络,第一级识别网络定位所有销钉位置,第二级识别网络识别销钉是否存在缺陷,简化了输电线路巡检人员的工作量,提高了输电线路销钉缺陷的检出率。
【附图说明】
图1是一种无人机巡视输电线路销钉缺陷分级图像识别方法步骤图。
图2是一种无人机巡视输电线路销钉缺陷分级图像识别方法实施例流程图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现一种无人机巡视输电线路销钉缺陷分级图像识别方法。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。
支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器。
SIFT,即尺度不变特征变换(Scale-invariant feature transform,SIFT),是用于图像处理领域的一种描述,这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。
K均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。
词袋模型(英语:Bag-of-words model)是个在自然语言处理和信息检索下被简化的表达模型。
附图1所述一种无人机巡视输电线路销钉缺陷分级图像识别方法步骤图,框图中的区域卷积神经网络,可以基于本地的服务器实现,也可以是基于云计算的服务实现,或者兼而有之;具体实现可以是基于Python语言的项目;可以选用商业的神经网络,例如Alexnet、VGG Net,以及上述神经网络的改进。
一种无人机巡视输电线路销钉缺陷分级图像识别方法,包括以下步骤:
S0、利用巡视采集图像对区域推荐卷积神经网络和SVM分类器进行预训练;
S1、巡视采集图像送入区域推荐卷积神经网络;
S2、利用区域推荐卷积神经网络对销钉进行定位,输出销钉定位矩形框图像;
S3、对销钉定位矩形框图像上采样并作灰度化处理;
S4、提取步骤S3处理后图像的SIFT特征;
S5、对图像SIFT特征采用K-means算法聚类并制作成词袋模型;
S6、词袋模型送入SVM分类器判断销钉是否存在缺陷。
对于巡视采集图像,经过两级识别网络,第一级识别网络定位巡视采集图像所有销钉位置,第二级识别网络识别销钉是否存在缺陷。
进一步优选的技术方案,还包括以下步骤:
S7、SVM分类器进行SVM分类输出销钉缺陷类型、位置;
S8、跳转执行S1,继续图像识别。
进一步的标明销钉缺陷类型、位置,以便持续将巡视采集图像应用于区域推荐卷积神经网络和SVM分类器样本训练,进行迁移学习。
优选地,上述区域推荐卷积神经网络的预训练样本为所有包含销钉的巡视采集图像,上述SVM分类器的预训练正样本是巡视采集图像中有缺陷的销钉、负样本是巡视采集图像中无缺陷的销钉。
采用人工智能深度学习策略,利用巡视采集图像作为样本对两级神经网络进行预训练。
优选地,上述的区域推荐卷积神经网络由前置网络,区域推荐网络和目标定位网络构成;上述前置网络提取输入图像的卷积特征图,上述区域推荐网络预测输入图像中可能存在销钉的区域,上述目标定位网络精确定位输入图像中销钉位置。
以上三级网络构成的区域推荐识别网络有助于精准定位销钉。
优选地,上述销钉定位矩形框图像统一上采样至128×128像素。
优选地,上述图像SIFT特征为n×128维矩阵,其中n为图像特征点数;上述K-means聚类中K设定为100,由K-means聚类并制成词袋模型后图像特征归一为1×100维。
以上是目前开源程序,大多数算法优选的参数值;其他的参数值也可以根据情况进行选择、匹配。
优选地,上述巡视采集图像是无人机巡视输电线路图像。
无人机、手机、照相机等都可以应用于巡视采集图像;随着无人机的普及,利用无人机采集输电线路图像可以大幅减少巡检人员的工作量,而且费用低,方便采购。
实施例2
本实施例实现一种无人机巡视输电线路销钉缺陷分级图像识别方法。
附图2所述一种无人机巡视输电线路销钉缺陷分级图像识别方法实施例流程图,本实施例在实施例1的基础上进行改进,或者说是实际的落地应用。
实现本实施例的***包括摄像装置、区域推荐卷积神经网络,提取SIFT特征,制作词袋模型,SVM分类。
摄像装置包括无人机、手机、照相机等。
由训练好的区域推荐卷积神经网络定位所有销钉,将销钉图像上采样并灰度化后提取SIFT特征,采用K-means算法制作为词袋模型,送入SVM分类器中判断销钉是否存在缺陷。
所述的区域推荐卷积神经网络包括前置网络,区域推荐网络和目标定位网络三个网络构成。前置网络提取输入图像的卷积特征图共包含100个卷积层,100个激活层,4个池化层和1个全连接层;区域推荐网络由1个3x3卷积层,2个1x1卷积层和1个激活层构成,用于预测可能存在销钉的位置;目标定位网络由4个全连接层与2个激活层组成,用于精确定位。
所述SIFT特征提取是在由区域推荐卷积网络所定位的销钉上采样灰度图像上利用算法提取SIFT特征。
所述制作词袋模型是指将所提取的SIFT特征进行K-means聚类后按照聚类中心与词频制作成词袋模型,将原本不同维度的SIFT特征归一化为统一维度特征,方便后续分类。
所述SVM分类是指将词袋模型化的特征使用SVM分类器进行分类,以此完成对销钉缺陷的检测。
按照附图2所示,本实施例一种无人机巡视输电线路销钉缺陷分级图像识别方法步骤如下:
首先将包含销钉的无人机巡视输电线路图像送入区域推荐卷积神经网络定位所有销钉位置,并截取所有销钉位置,统一上采样至128×128像素,对图像作灰度化处理后提取图像SIFT特征,利用K-means聚类算法将SIFT特征制作成词袋模型,最后送入SVM分类器,判断该销钉是否存在缺陷,并使用矩形框标注于图像上。
区域推荐神经网络与SVM分类器需要预先训练好。区域推荐卷积神经网络的训练样本为所有包含销钉的无人机巡视输电线路图像,前置网络采用深度残差网络ResNet101,由残差模块层层叠加构成,共包含100个卷积层,100个激活层,4个池化层和1个全连接层。并采取迁移学习策略,在ImageNet数据集上预训练的网络参数上微调,训练次数为110000次,学习率0.001,优化方法为SGD,训练方式是近似联合训练。SVM分类器的训练正样本为航拍输电线路图像中有缺陷的销钉,负样本是无缺陷销钉,核函数为线性核函数,惩罚参数C为1。
图像的SIFT特征为n×128维矩阵(n为图像特征点数),K-means聚类中K设定为100,由K-means聚类并制成词袋模型后图像特征归一为1×100维。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Acess Memory,RAM)等。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (7)
1.一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于包括以下步骤:
S0、利用巡视采集图像对区域推荐卷积神经网络和SVM分类器进行预训练;
S1、巡视采集图像送入区域推荐卷积神经网络;
S2、利用区域推荐卷积神经网络对销钉进行定位,输出销钉定位矩形框图像;
S3、对销钉定位矩形框图像上采样并作灰度化处理;
S4、提取步骤S3处理后图像的SIFT特征;
S5、对图像SIFT特征采用K-means算法聚类并制作成词袋模型;
S6、词袋模型送入SVM分类器判断销钉是否存在缺陷。
2.根据权利要求1所述的一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于还包括以下步骤:
S7、SVM分类器进行SVM分类输出销钉缺陷类型、位置;
S8、跳转执行S1,继续图像识别。
3.根据权利要求1所述的一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于:所述区域推荐卷积神经网络的预训练样本为所有包含销钉的巡视采集图像,所述SVM分类器的预训练正样本是巡视采集图像中有缺陷的销钉、负样本是巡视采集图像中无缺陷的销钉。
4.根据权利要求1所述的一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于:所述的区域推荐卷积神经网络由前置网络,区域推荐网络和目标定位网络构成;所述前置网络提取输入图像的卷积特征图,所述区域推荐网络预测输入图像中可能存在销钉的区域,所述目标定位网络精确定位输入图像中销钉位置。
5.根据权利要求1所述的一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于:所述销钉定位矩形框图像统一上采样至128×128像素。
6.根据权利要求1所述的一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于:所述图像SIFT特征为n×128维矩阵,其中n为图像特征点数;所述K-means聚类中K设定为100,由K-means聚类并制成词袋模型后图像特征归一为1×100维。
7.根据权利要求1至6任一权利要求所述的一种无人机巡视输电线路销钉缺陷分级图像识别方法,其特征在于:所述巡视采集图像是无人机巡视输电线路图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530052.2A CN110309865A (zh) | 2019-06-19 | 2019-06-19 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530052.2A CN110309865A (zh) | 2019-06-19 | 2019-06-19 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309865A true CN110309865A (zh) | 2019-10-08 |
Family
ID=68077485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530052.2A Pending CN110309865A (zh) | 2019-06-19 | 2019-06-19 | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309865A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111325271A (zh) * | 2020-02-18 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN111398291A (zh) * | 2020-03-31 | 2020-07-10 | 南通远景电工器材有限公司 | 基于深度学***漆包电磁线表面瑕疵检测方法 |
CN111915558A (zh) * | 2020-06-30 | 2020-11-10 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
CN112180984A (zh) * | 2020-10-22 | 2021-01-05 | 江汉大学 | 一种基于人工智能的无人机辅助飞行装置及飞行控制方法 |
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 |
CN112561857A (zh) * | 2020-11-17 | 2021-03-26 | 上海伯镭智能科技有限公司 | 一种基于无人机的光伏板灰尘检测***及检测方法 |
CN113034446A (zh) * | 2021-03-08 | 2021-06-25 | 国网山东省电力公司平邑县供电公司 | 一种变电站设备缺陷自动识别方法及*** |
CN113867406A (zh) * | 2021-11-10 | 2021-12-31 | 广东电网能源发展有限公司 | 基于无人机的线路巡检方法、***、智能设备和存储介质 |
CN114120164A (zh) * | 2021-09-28 | 2022-03-01 | 佛山中科云图智能科技有限公司 | 一种输电线路销钉状态检测方法和检测*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830328A (zh) * | 2012-08-23 | 2012-12-19 | 上海交通大学 | T型线路分布式故障测距方法 |
CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
CN106326894A (zh) * | 2016-08-31 | 2017-01-11 | 西南交通大学 | 一种高铁接触网旋转双耳横向销钉不良状态检测方法 |
WO2017215241A1 (zh) * | 2016-06-16 | 2017-12-21 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和*** |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
-
2019
- 2019-06-19 CN CN201910530052.2A patent/CN110309865A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830328A (zh) * | 2012-08-23 | 2012-12-19 | 上海交通大学 | T型线路分布式故障测距方法 |
CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
WO2017215241A1 (zh) * | 2016-06-16 | 2017-12-21 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和*** |
CN106326894A (zh) * | 2016-08-31 | 2017-01-11 | 西南交通大学 | 一种高铁接触网旋转双耳横向销钉不良状态检测方法 |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN109523529A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 一种基于surf算法的输电线路缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
张新峰等: ""有砟轨道扣件缺失识别算法的研究"", 《计算机工程与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111325271A (zh) * | 2020-02-18 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN111325271B (zh) * | 2020-02-18 | 2023-09-12 | Oppo广东移动通信有限公司 | 图像分类方法及装置 |
CN111398291A (zh) * | 2020-03-31 | 2020-07-10 | 南通远景电工器材有限公司 | 基于深度学***漆包电磁线表面瑕疵检测方法 |
CN111915558A (zh) * | 2020-06-30 | 2020-11-10 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
CN111915558B (zh) * | 2020-06-30 | 2023-12-01 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
CN112180984A (zh) * | 2020-10-22 | 2021-01-05 | 江汉大学 | 一种基于人工智能的无人机辅助飞行装置及飞行控制方法 |
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 |
CN112561857A (zh) * | 2020-11-17 | 2021-03-26 | 上海伯镭智能科技有限公司 | 一种基于无人机的光伏板灰尘检测***及检测方法 |
CN113034446A (zh) * | 2021-03-08 | 2021-06-25 | 国网山东省电力公司平邑县供电公司 | 一种变电站设备缺陷自动识别方法及*** |
CN114120164A (zh) * | 2021-09-28 | 2022-03-01 | 佛山中科云图智能科技有限公司 | 一种输电线路销钉状态检测方法和检测*** |
CN113867406A (zh) * | 2021-11-10 | 2021-12-31 | 广东电网能源发展有限公司 | 基于无人机的线路巡检方法、***、智能设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309865A (zh) | 一种无人机巡视输电线路销钉缺陷分级图像识别方法 | |
Wei et al. | Multi-target defect identification for railway track line based on image processing and improved YOLOv3 model | |
US8724904B2 (en) | Anomaly detection in images and videos | |
Pinheiro et al. | Weakly supervised semantic segmentation with convolutional networks | |
CN105488536A (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
CN111460927B (zh) | 对房产证图像进行结构化信息提取的方法 | |
CN103295024B (zh) | 分类与对象检测方法和装置以及图像拍摄和处理设备 | |
Sharma et al. | Signature and logo detection using deep CNN for document image retrieval | |
US11721088B2 (en) | Image translation for image recognition to compensate for source image regional differences | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及*** | |
Mehrjardi et al. | A survey on deep learning-based image forgery detection | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN110414571A (zh) | 一种基于特征融合的网站报错截图分类方法 | |
CN105574545B (zh) | 街道环境图像多视角语义切割方法及装置 | |
Feng et al. | Bag of visual words model with deep spatial features for geographical scene classification | |
CN110728252A (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
Li et al. | Image Matching Algorithm based on Feature-point and DAISY Descriptor. | |
US8467607B1 (en) | Segmentation-based feature pooling for object models | |
Jiaxu et al. | A comparative review of recent few-shot object detection algorithms | |
Li et al. | Fast recognition of pig faces based on improved Yolov3 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
Liu et al. | Progressive context-dependent inference for object detection in remote sensing imagery | |
Huang et al. | Railway infrastructure defects recognition using fine-grained deep convolutional neural networks | |
Jinbo et al. | Real-time object segmentation based on convolutional neural network with saliency optimization for picking | |
Mohammadi | Deep multiple instance learning for airplane detection in high-resolution imagery |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |