CN110362907A - 基于ssd神经网络输电线路目标缺陷识别与诊断方法 - Google Patents
基于ssd神经网络输电线路目标缺陷识别与诊断方法 Download PDFInfo
- Publication number
- CN110362907A CN110362907A CN201910596383.6A CN201910596383A CN110362907A CN 110362907 A CN110362907 A CN 110362907A CN 201910596383 A CN201910596383 A CN 201910596383A CN 110362907 A CN110362907 A CN 110362907A
- Authority
- CN
- China
- Prior art keywords
- neural network
- transmission line
- identification
- target defect
- feature
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SSD神经网络输电线路目标缺陷识别与智能诊断方法,属于输电线路故障技术领域,包括:获取数据参数并预处理;利用多尺度检测结构构建基于特征金字塔的卷积神经网络模型;采用网络删减结合参数共享对神经网络模型进行压缩;通过压缩后的神经网络模型对获取的数据进行测试评价;得出电线路目标缺陷识别与诊断结果。本发明示例的技术方案,构建并训练神经网络模型,用于精确识别输电线路各种缺陷,同时基于FPGA的异构高性能硬件架构,实现粗粒度缺陷和细粒度缺陷的智能诊断与空间定位。
Description
技术领域
本发明属于输电线路故障技术领域,具体而言是一种基于SSD神经网络输电线路目标缺陷识别与诊断方法。
背景技术
输电线路出现的各种故障类型中,其中短路故障出现次数最多而且危害十分严重。短路事故严重时,会造成金属导体大面积的熔化,特别严重时,会出现喷溅现象,最终导致一些灾难性的后果,比如火灾的发生。此外,短路故障还会引起电力***的电压大小普遍降低,甚至会使部分用户的供电得不到保障。短路故障通常还会使电力***的稳定性发生变化,严重时可能会导致大范围的停电。甚至有些短路情况会干扰通讯***,影响人们的正常生活以及社会的安全稳定。研究故障类型识别方法,能够快速的进行故障诊断,为继电保护装置动作提供依据,以确保线路的正常运行,减少电力事故的危害范围,提高电力***供电的安全可靠性。现有的输电线路故障类型识别方法有种基于人工智能领域的输电线路故障分类方法,主要以神经网络算法为主。基于人工智能领域的神经网络的输电线路故障识别方法需要将采集的故障信息进行预处理,并事先提取一定的故障特征,然后形成输入样本,将故障类型形成目标值,目标值对应神经网络的输出。但是目前的神经网络诊断对小目标缺陷诊断精度不高。
发明内容
为了解决上述现有技术中的不足,本发明的目的在于提供一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,构建并训练神经网络模型,用于精确识别输电线路各种缺陷,同时基于FPGA的异构高性能硬件架构,实现粗粒度缺陷(鸟巢、异物和绝缘子自爆等)和细粒度缺陷(塔基和均压环损坏等)的智能诊断与空间定位。
为了解决上述技术问题,本发明采用如下技术方案:
一方面,本发明提供了一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,包括:
S1:获取数据参数并预处理;
S2:利用多尺度检测结构构建基于特征金字塔的卷积神经网络模型;
S3:采用网络删减结合参数共享对神经网络模型进行压缩;
S4:通过压缩后的神经网络模型对获取的数据进行测试评价;
S5:得出电线路目标缺陷识别与诊断结果。
进一步优选的,所述步骤S1中的数据参数包括:输电线路的电压、导线直径、导线截面、***数、***间距、导线对地距离、导线距测量点距离、温度、湿度、风速、气压、海拔和背景噪声。
进一步优选的,所述步骤S1中的预处理是对数据参数归一化预处理。
进一步优选的,所述多尺度检测结构为利用了高层特征的语义信息和底层特征的位置信息,更好的结合了不同尺度的特征信息,语义和定位特征表达能力均得到提升。
进一步优选的,所述特征金字塔是一系列多尺度特的特征层形似金字塔的集合,卷积神经网络是利用多层特征层,网络越深,特征层的尺度越小,形似金字塔结构。金字塔多级特征层时使用了反卷积与扩张卷积,反卷积即卷积的反向操作,用在低尺度特征上采样的过程中,反卷积成功应用,不仅提升了特征图尺度,使得后期特征图融合很方便地进行,而且对卷积操作后的高层特征进行反向解码,反向解码后的特征层包含一定的语义信息。
进一步优选的,所述基于特征金字塔的卷积神经网络模型在基础网络末端添加额外的网络结构。
进一步优选的,所述步骤S3对神经网络结构进行压缩的步骤为:
S3-1:对神经网络进行训练,删减掉权重小于阈值的连接,将其权重置零,保留信息量较大的连接权重不变;
S3-2:在删减后的网络上再次进行训练微调;
S3-3:针对每一层的参数进行K-means++聚类,落于每个相同簇的多个参数共享中心值作为权重,优化k的取值。
进一步优选的,S3-1和S3-2中所述对神经网络训练是将损失函数降低,所述损失函数包括诊断时的分类损失和位置损失,总的损失函数可以表示为如公式(1):
其中N为默认框与真实框相匹配的个数,权重因子α设置为1表示分类损失和位置损失等量齐观,c为每一类缺陷的置信度,l和g分别为默认框和真实框的参数,包括中心位置坐标和宽高。Lconf(x,c)为分类损失,使用多类别Softmax损失,Lloc(x,l,g)表示位置损失,包括回归框的中心位置以及宽高,使用Smooth L1损失,Smooth L1计算方式如公式(2):
同时,改进的基于特征金字塔的SSD神经网络模型采用了用来调整正负样本比的难例挖掘方法和用来增加训练样本数量的数据增广方法,调整正负样本比和增加训练样本在一定程度上可提高神经网络的诊断精度。用于使用多个不同尺度的特征层诊断目标缺陷,难免会生成没有缺陷类编的诊断框,因此通过设置可信度阈值,继而通过非极大值抑制消除多余的框,最终可找到目标缺陷的最佳位置。
另一方面,本发明还提供了一种基于SSD神经网络输电线路目标缺陷识别与诊断***,包括:
数据采集单元,配置用于获取数据参数;
构建单元;配置用于利用多尺度检测结构构建基于金字塔的神经网络结构;
压缩单元:配置用于采用网络删减结合参数共享对神经网络结构进行压缩;
测试单元:配置用于通过压缩后的神经网络对输电线路无线电干扰进行测试评价;
输出单元,配置用于将电线路目标缺陷识别与诊断结果输出;
所述构建单元、压缩单元、测试单元、输出单元放置于FPGA嵌入式设备。
另一方面,本发明还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本发明示例的任一种基于SSD神经网络输电线路目标缺陷识别与诊断方法。
另一方面,本发明还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现本发明示例的任一种基于SSD神经网络输电线路目标缺陷识别与诊断方法。
与现有技术相比,本发明的有益效果为:
1、本发明示例的一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,搭建网络并训练,验证平均准确率有较大提升,并且能够定位出物体的位置,减少了人力物力,提升输电线路缺陷诊断的效率和质量,有效保障电网安全运行。
2、本发明示例的一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,采用多尺度检测结构构建金字塔的神经网络结构,更好的结合了不同尺度的特征信息,即利用了高层特征的语义信息和底层特征的位置信息,语义和定位特征表达能力均得到提升,提高小目标识别的准确性。
3、本发明示例的一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,采用的改进基于特征金字塔的SSD网络结构保留了VGG-16基础网络,同时在基础网络末端添加的额外网络结构,解决了由于是负责诊断小目标缺陷的低层特征层语义和定位信息不足所致,导致原SSD对小目标缺陷诊断精度不高的问题。
4、本发明示例的一种基于SSD神经网络输电线路目标缺陷识别与诊断***,将各个单元烧制到FPGA嵌入式设备,充分利用FPGA并行高性能计算、低功耗、小尺寸便于安装的特点,在保证巡检精度的同时降低了装置功耗、提升了响应时间,节省了***资源,使得实时诊断成为可能。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明一个实施例的流程示意图;
图2为本发明多尺度检测结构的示意图;
图3为本发明反卷积操作过程的示意图;
图4本发明扩张卷积操作过程的示意图;
图5为本发明基于特征金字塔的卷积神经网络模型示意图;
图6为本发明实施例中神经网络压缩流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,本发明的一个实施例提供了一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,包括:
S1:获取数据参数并预处理;
S2:利用多尺度检测结构构建基于特征金字塔的卷积神经网络模型;
S3:采用网络删减结合参数共享对神经网络模型进行压缩;
S4:通过压缩后的神经网络模型对获取的数据进行测试评价;
S5:得出电线路目标缺陷识别与诊断结果。
所述步骤S1中的数据参数包括:输电线路的电压、导线直径、导线截面、***数、***间距、导线对地距离、导线距测量点距离、温度、湿度、风速、气压、海拔和背景噪声。
所述步骤S1中的预处理是对数据参数归一化预处理。
所述多尺度检测结构,见图2,即利用了高层特征的语义信息和底层特征的位置信息,更好的结合了不同尺度的特征信息,语义和定位特征表达能力均得到提升。
所述特征金字塔是一系列多尺度特的特征层形似金字塔的集合,卷积神经网络是利用多层特征层,网络越深,特征层的尺度越小,形似金字塔结构。金字塔多级特征层时使用了反卷积与扩张卷积,反卷积即卷积的反向操作,用在低尺度特征上采样的过程中,反卷积成功应用,不仅提升了特征图尺度,使得后期特征图融合很方便地进行,而且对卷积操作后的高层特征进行反向解码,反向解码后的特征层包含一定的语义信息。反卷积操作过程如图3所示,对3x3的特征层反卷积,卷积核大小为3x3,步长为2,先对特征层进行补零填充,然后进行步长为1的反卷积操作。由于池化层作用后会导致信息的大量缺失,特别是目标缺陷的位置信息,因此,将扩张卷积应用在高分辨率特征下采样的过程。相比而言,相同的卷积和大小扩张卷积的感受野比一般卷积操作的感受野较大,获取的信息自然就更多。扩张卷积的操作过程如图4所示,设卷积核大小为3x3,步长为2,则卷积核连接的区域变大,导致感受野更大,学习到的信息更多,更有利于神经网络的诊断。
所述基于金字塔的神经网络模型在基础网络末端添加额外网络结构,如说明书附图5所示,基于特征金字塔的卷积神经网络模型的输入图像尺寸为300x300,改进的多尺度结构如上图所示的Conv4_fp、PC7_fp和Conv8_fp结构,分别是融合了Pool2层、Conv4_3层和Conv5_3层特征形成的Conv4_fp层,融合了Conv4_3层、PC7层和Conv8_2层特征形成的PC7_fp层,融合了Conv5_3层、Conv8_2层和Conv9_2层特征形成的Conv8_fp层。采用的诊断预测的特征层来自Conv4_fp、FC7_fp、Conv8_fp、Conv9_2、Conv10_2、Conv11_2,特征金字塔层则包括前馈网络的Pool2层到Conv11_2层,最大尺度为128,最小尺度为1;Conv9_2、Conv10_2以及Conv11_2是金字塔的顶层,因此包含丰富的语义信息,尺度小,感受野大,适合检测检测框比较大的目标缺陷,而Conv4_fp、FC7_fp、Conv8_fp位于金字塔的顶端层,包含丰富的位置信息,尺度大,感受野小,适合检测检测框比较小的目标缺陷类型,因此对于这三层做多级特征融合处理。
Conv4_fp特征层融合过程如下:前128个38x38的特征图是由Pool2层对128个75x75的特征图卷积池化计算而来,卷积核大小3x3,步长为2,填充值为2,然后经过池化左右将特征层尺度由75x75下采样至38x38;中间的256个特征图通过Conv4_3层卷积计算而来,卷积核大小3x3,步长为1,pad为1,保持了特征图尺度不变;后128个特征图由FC7层反卷积计算而来,卷积核大小为2x2、步长为2的反卷积上采样,将128个尺度为19x19的特征图上采样为38x38的特征图。
FC7_fp层特征图融合如下:前128个特征图是对特征层Conv4_3的38x38的特征图采用步长为2,填充值为2,卷积核为3x3的扩张卷积下采样而来;将FC7层本身的1024个通道经过3x3的卷积输出256个通道,作为FC7_fp的中间256个特征图;使用卷积核为3x3,步长为2,填充值为1的反卷积上采样操作,将conv8_2尺度为10x10高层特征计算为尺度为19x19。
Conv8_fp层融合过程如下:低层特征层是Conv5_3层而不是FC7层,主要因为FC7层定位信息不如Conv5_3层,而且FC7的通道数较大,容易增加计算量,对来自Conv5_3层的128个19x19特征图采用步长为2,填充值为2,卷积核为3x3的扩张卷积下采样,下采样后的特征图尺度为10x10;Conv8_2通过3x3的卷积输出256个通道,作为Conv8_fp的中间特征图;后128个特征图来自对Conv9_2的128个尺度为5x5的特征图通过2x2的反卷积上采样输出128个10x10的特征图。
由于高分辨率的低层均与高层特征数据分布情况差距较大,直接融合会导致特征层的特征图之间差异较大,难以学习,因此在高分辨率的特征层下采样后进行做归一化处理操作,即添加了BN层(Batch Normalization Layer)。来自三个特征金字塔层级的特征图在融合之前先进行激活操作,即ReLU激活函;然后使用3x3的卷积核去处理已经融合的特征图,消除三种特征图的特征分布差异,融合特征金字塔各层级信息;最后对每个用来预测的特征层,使用一个3x3的卷积预测默认框的位置偏移,使用另一个3x3的卷积预测每个默认框的缺陷类别。
所述步骤S3对神经网络结构进行压缩的步骤,如图6,具体为:
S3-1:对神经网络进行训练,删减掉权重小于阈值的连接,将其权重置零,保留信息量较大的连接权重不变;
S3-2:在删减后的网络上再次进行训练微调;
S3-3:针对每一层的参数进行K-means++聚类,落于每个相同簇的多个参数共享中心值作为权重,优化k的取值。
S3-1和S3-2中所述对神经网络训练是将损失函数降低,所述损失函数包括诊断时的分类损失和位置损失,总的损失函数可以表示为如公式(1):
其中N为默认框与真实框相匹配的个数,权重因子α设置为1表示分类损失和位置损失等量齐观,c为每一类缺陷的置信度,l和g分别为默认框和真实框的参数,包括中心位置坐标和宽高。Lconf(x,c)为分类损失,使用多类别Softmax损失,Lloc(x,l,g)表示位置损失,包括回归框的中心位置以及宽高,使用Smooth L1损失,Smooth L1计算方式如公式(2):
同时,改进的基于特征金字塔的SSD神经网络模型采用了用来调整正负样本比的难例挖掘方法和用来增加训练样本数量的数据增广方法,调整正负样本比和增加训练样本在一定程度上可提高神经网络的诊断精度。用于使用多个不同尺度的特征层诊断目标缺陷,难免会生成没有缺陷类编的诊断框,因此通过设置可信度阈值,继而通过非极大值抑制消除多余的框,最终可找到目标缺陷的最佳位置。
本实施例采用的评价指标为平均准确率均值(Mean Average Precision,mAP),在mAP的计算过程中会使用到检测评价函数(IOU),IOU来衡量实际检测窗口与预测的检测窗口的重叠率,定义为:
在上式中,DetectionResult表示目标缺陷的预测检测窗口,GroundTruth表示目标缺陷的实际检测窗口,IOU=1说明预测窗口与实际窗口完全重叠。本实施例中,当检测结果的IOU>0.5时,表明检测诊断的结果是正确的。
另一方面,本发明还提供了一种基于SSD神经网络输电线路目标缺陷识别与诊断***,包括:
数据采集单元,配置用于获取数据参数;
构建单元;配置用于利用多尺度检测结构构建基于金字塔的神经网络结构;
压缩单元:配置用于采用网络删减结合参数共享对神经网络结构进行压缩;
测试单元:配置用于通过压缩后的神经网络对输电线路无线电干扰进行测试评价;
输出单元,配置用于将电线路目标缺陷识别与诊断结果输出;
所述构建单元、压缩单元、测试单元、输出单元放置于FPGA嵌入式设备。
另一方面,本发明还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本发明示例的任一种基于SSD神经网络输电线路目标缺陷识别与诊断方法。
另一方面,本发明还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现本发明示例的任一种基于SSD神经网络输电线路目标缺陷识别与诊断方法。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
实验例
分别采用实施例1的模型和方法,以及采用现有SSD模型和方法作为对比例1,对相同样本和验证集的玻璃绝缘子爆裂、鸟巢、异物等目标缺陷进行诊断检测,检测结果见表1:
表1两种网络模型的实验结果对比
分析表1,可以得出如下结论:
(1)实施例1压缩后的模型对绝缘子自爆、导地线、鸟巢等的目标缺陷识别诊断率略微低于原SSD模型效果,但是综合上来说,诊断率均大于80%,达到使用标准。
(2)实施例1对绝缘子自爆、异物、鸟巢等的目标缺陷识别诊断的响应时间均明显优于原始SSD模型,响应时间均在200ms内,响应时间相比较而言缩短了两到三倍。
输电线路目标缺陷智能诊断可有效识别绝缘子自爆、异物、鸟巢、均压环损坏等目标缺陷,减少了人力物力,提升输电线路缺陷诊断的效率和质量,有效保障电网安全运行
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外,其余技术特征为本领域技术人员的已知技术,为突出本发明的创新特点,其余技术特征在此不再赘述。
Claims (10)
1.一种基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:具体步骤为:
S1:获取数据参数并预处理;
S2:利用多尺度检测结构构建基于特征金字塔的卷积神经网络模型;
S3:采用网络删减结合参数共享对神经网络模型进行压缩;
S4:通过压缩后的神经网络模型对获取的数据进行测试评价;
S5:得出电线路目标缺陷识别与诊断结果。
2.根据权利要求1所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:所述步骤S1中的数据参数包括:输电线路的电压、导线直径、导线截面、***数、***间距、导线对地距离、导线距测量点距离、温度、湿度、风速、气压、海拔和背景噪声。
3.根据权利要求1所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:所述步骤S1中的预处理是对数据参数归一化预处理。
4.根据权利要求1所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:所述多尺度检测结构为利用了高层特征的语义信息和底层特征的位置信息。
5.根据权利要求1所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:所述基于特征金字塔的卷积神经网络模型在基础网络末端添加额外网络结构。
6.根据权利要求1所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:所述步骤S3对神经网络结构进行压缩的步骤为:
S3-1:对神经网络进行训练,删减掉权重小于阈值的连接,将其权重置零,保留信息量较大的连接权重不变;
S3-2:在删减后的网络上再次进行训练微调;
S3-3:针对每一层的参数进行K-means++聚类,落于每个相同簇的多个参数共享中心值作为权重,优化k的取值。
7.根据权利要求6所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法,其特征在于:所述步骤S3-1和S3-2中对神经网络训练是将损失函数降低,所述损失函数包括诊断时的分类损失和位置损失。
8.一种基于SSD神经网络输电线路目标缺陷识别与诊断***,包括:
数据采集单元,配置用于获取数据参数;
构建单元;配置用于利用多尺度检测结构构建基于金字塔的神经网络结构;
压缩单元:配置用于采用网络删减结合参数共享对神经网络结构进行压缩;
测试单元:配置用于通过压缩后的神经网络对输电线路无线电干扰进行测试评价;
输出单元,配置用于将电线路目标缺陷识别与诊断结果输出;
所述构建单元、压缩单元、测试单元、输出单元放置于FPGA嵌入式设备。
9.一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求1-7任所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法。
10.一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现权利要求1-7任一所述的基于SSD神经网络输电线路目标缺陷识别与诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596383.6A CN110362907B (zh) | 2019-07-03 | 2019-07-03 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596383.6A CN110362907B (zh) | 2019-07-03 | 2019-07-03 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110362907A true CN110362907A (zh) | 2019-10-22 |
CN110362907B CN110362907B (zh) | 2023-10-20 |
Family
ID=68218023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910596383.6A Active CN110362907B (zh) | 2019-07-03 | 2019-07-03 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362907B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
CN111709936A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种基于多级特征比对的令纸缺陷检测方法 |
CN111724337A (zh) * | 2020-03-05 | 2020-09-29 | 中冶赛迪重庆信息技术有限公司 | 一种冷床冲顶识别方法、***、电子设备及介质 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN116679161A (zh) * | 2023-05-25 | 2023-09-01 | 国网江苏省电力有限公司南京供电分公司 | 一种电网线路故障诊断方法、设备和介质 |
CN117079044A (zh) * | 2023-08-25 | 2023-11-17 | 华大天元(北京)科技股份有限公司 | 架空线路外力破坏的识别模型训练方法、预警方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
WO2018171109A1 (zh) * | 2017-03-23 | 2018-09-27 | 北京大学深圳研究生院 | 基于卷积神经网络的视频动作检测方法 |
CN109961003A (zh) * | 2018-12-26 | 2019-07-02 | 安徽继远软件有限公司 | 一种基于fpga的嵌入式输电线路机载辅助巡视装置 |
-
2019
- 2019-07-03 CN CN201910596383.6A patent/CN110362907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018171109A1 (zh) * | 2017-03-23 | 2018-09-27 | 北京大学深圳研究生院 | 基于卷积神经网络的视频动作检测方法 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
CN109961003A (zh) * | 2018-12-26 | 2019-07-02 | 安徽继远软件有限公司 | 一种基于fpga的嵌入式输电线路机载辅助巡视装置 |
Non-Patent Citations (1)
Title |
---|
刘业鹏等: "基于特征金字塔算法的输电线路多尺度目标检测方法", 《仪器仪表用户》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN111724337A (zh) * | 2020-03-05 | 2020-09-29 | 中冶赛迪重庆信息技术有限公司 | 一种冷床冲顶识别方法、***、电子设备及介质 |
CN111709936A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种基于多级特征比对的令纸缺陷检测方法 |
CN111709936B (zh) * | 2020-06-17 | 2023-10-24 | 广州麦仑智能科技有限公司 | 一种基于多级特征比对的令纸缺陷检测方法 |
CN116679161A (zh) * | 2023-05-25 | 2023-09-01 | 国网江苏省电力有限公司南京供电分公司 | 一种电网线路故障诊断方法、设备和介质 |
CN117079044A (zh) * | 2023-08-25 | 2023-11-17 | 华大天元(北京)科技股份有限公司 | 架空线路外力破坏的识别模型训练方法、预警方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110362907B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN115294473A (zh) | 一种基于目标检测与实例分割的绝缘子故障识别方法及*** | |
CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、***及设备 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
CN113606099A (zh) | 一种监测风电机组叶片结冰的方法和*** | |
Ying et al. | An improved defect detection method for substation equipment | |
CN117132531A (zh) | 一种基于轻量化的YOLOv5的绝缘子缺陷检测方法 | |
Chen et al. | Real-time detection of UAV detection image of power line insulator bursting based on YOLOV3 | |
CN116383723A (zh) | 一种泥石流数据异常辨识方法、计算机设备及介质 | |
CN116046796A (zh) | 一种基于无人机的光伏组件热斑检测方法及*** | |
CN115713038A (zh) | 一种基于深度循环神经网络的配用电故障检测方法及*** | |
CN115423810A (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
CN115294048A (zh) | 一种异物检测方法、装置、设备及存储介质 | |
CN110782431B (zh) | 一种基于深度学习的高压电线结冰区域检测方法 | |
CN112710918B (zh) | 基于边缘计算的无线数据采集方法及*** | |
Gu et al. | Object detection of overhead transmission lines based on improved YOLOv5s | |
CN118050729B (zh) | 一种基于改进U-Net的雷达回波时间降尺度订正方法 | |
Wang et al. | Image classification of missing insulators based on EfficientNet | |
CN117892252B (zh) | 基于大数据的智慧园区运营管理平台 | |
CN117541890A (zh) | 一种电网设备目标检测方法、***、设备及介质 |
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 |