CN110782431A - 一种基于深度学习的高压电线结冰区域检测方法 - Google Patents
一种基于深度学习的高压电线结冰区域检测方法 Download PDFInfo
- Publication number
- CN110782431A CN110782431A CN201910949919.8A CN201910949919A CN110782431A CN 110782431 A CN110782431 A CN 110782431A CN 201910949919 A CN201910949919 A CN 201910949919A CN 110782431 A CN110782431 A CN 110782431A
- Authority
- CN
- China
- Prior art keywords
- layer
- picture
- convolution
- convolution module
- pictures
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06T2207/10—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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的高压电线结冰区域检测方法。本发明首先对摄像机拍摄到的高压电线原始图片进行预处理,选择待检测区域的图片,然后通过深度学习的分类方法对图片进行类别判定,如果判定摄像机拍摄图片正常,则通过深度学习的检测方法对图片中高压电线结冰区域的边界进行关键点检测,如果判定图片异常则在屏幕上打印异常警告信息。本发明经实验结果表明,该方法可以对图片中高压电线的结冰区域实现较为精确的检测,便于工作人员后续对结冰厚度进行评估,可有效预防电力设施故障的发生,具有较高的实际应用价值。
Description
技术领域
本发明涉及高压电线结冰区域的检测方法,具体涉及一种基于深度学习的高压电线结冰区域检测方法。
背景技术
高压电线作为一种电力传输设施,在社会生产与生活中扮演了不可或缺的角色,对国民经济的发展起到了至关重要的作用。高压电线广泛存在于各种自然环境中,在监管上存在一定的漏洞和难度。再加上冬天寒冷的天气往往会造成电线表面结冰,影响电线的传输性能,甚至完全损坏电线。因此,对高压电线进行图像监控并对结冰区域自动检测,可以方便工作人员对结冰区域的厚度进行评估,极大程度上保证电力设施的稳定运转。然而截至目前,并没有一种智能的方式可以实现对高压电线外部状况的监测,工作人员往往会选择在发生电力故障之后再进行排查,带了大量人力、物力和时间上的消耗。
传统的区域检测方法,更多依赖于阈值分割,这种方法很大程度上受像素值制约,并且容易受自然环境等不可抗拒的外界因素影响。再加上安装在高压电线上的相机采用俯视拍摄的角度,地面上的物体会对结冰区域的检测带来极大的干扰。因此传统方法在实际应用中效果不佳。
发明内容
为了解决背景技术中的问题,本发明提出了一种基于深度学习的高压电线结冰区域检测方法。该方法中对目标图片的分类和边界关键点检测都是通过深度神经网络计算得出,其可以自动对图片中所选范围内的结冰区域进行有效定位。本文的检测流程可以分为两个步骤,首先通过分类网络对预处理后的图片进行正常类或异常类的判定,若判定图片正常,则继续使用检测网络对结冰区域进行检测,否则及时在屏幕上打印警告信息。
本发明所采用技术方案包括以下步骤:
步骤1)利用高压电线杆上的摄像头采集高压电线图片作为样本图片,然后对样本图片进行预处理,根据所有样本图片构建分类数据集和电线边界关键点数据集;
步骤2)建立深度分类网络并进行训练和测试;
步骤3)建立深度检测网络并进行训练和测试;
步骤4)将待测图片预处理后输入步骤2)的深度分类网络进行类别判定,若分类网络判断待测图片异常,输出警告信息,若深度分类网络判断待测图片正常,将待测图片输入步骤3)的深度检测网络获取电线结冰区域边界关键点的坐标值,从而获得边界位置信息,以便工作人员对结冰厚度进行评估。
所述步骤1)和步骤4)中的预处理为:截取图片底部五分之一高度的图片,并缩放至240×37的设定尺寸;
所述步骤1)具体为:
将预处理后的样本图片分为正常类图片和异常类图片;正常类图片为在摄像机正常运转情况下拍摄到的高压电线图片,其中包括结冰后的高压电线图片,赋予正常类图片标签1;异常类图片为摄像头内部故障或摄像头镜头结冰情况下拍摄到的高压电线图片,赋予异常类图片标签0;所有分类后的样本图片及其标签构成分类数据集;
将正常类图片中电线结冰区域的左上、右上、右下、左下四个边界关键点的坐标值进行标注,所有标注后的正常类图片构成电线边界关键点数据集。
所述步骤2)具体为:
2.1)构建包括输入层、三个卷积模块、一个一维数据转换层、两个全连接层、一个Dropout层和输出层的深度分类网络;输入层依次经第一个卷积模块、第二个卷积模块和第三个卷积模块连接至一维数据转换层,一维数据转换层用于将输入数据转换为一维数据,一维数据转换层的输出依次经第一个全连接层、Dropout层和第二个全连接层处理后产生二分类输出;
每个卷积模块包括两个依次连接的卷积层和最大池化层;
第一个卷积模块和第二个卷积模块均使用32个3×3大小的卷积核,第三个卷积模块的卷积层使用64个3×3大小的卷积核,所有卷积层的步长均为1,填充方式为VALID,每个卷积的结果都会通过ReLU函数进行激活。另外,最大池化层使用大小为2×2,步长为1的池化窗口,Dropout层的节点保留率设置为0.5,第一个全连接层节点个数为64,使用ReLU函数激活,第二个全连接层节点个数为2,使用Softmax函数进行激活;
2.2)将步骤1)构建的分类数据集送入深度分类网络,采用Adam优化算法训练深度分类网络,直到网络的误差达到最小值;其中,损失函数使用交叉熵损失函数,学习率的初始值设置为0.001,衰减步长设置为300步,衰减率设置为0.9。
所述步骤3)具体为:
3.1)构建包括输入层、两个卷积层、四个卷积模块、两个全连接层和输出层的深度检测网络;
输入层经第一个卷积层后输入第一个卷积模块,第一个卷积模块的输出依次经第二个卷积模块、第三个卷积模块输入第四个卷积模块,第四个卷积模块依次经第一个全连接层、第二个全连接层后从输出层输出;
第一个卷积模块和第四个卷积模块包括三个卷积层、一个连接层和一个最大池化层,其中第二个卷积层和第三个卷积层为两个并行的卷积层,第一个卷积层的输出分别输入两个并行的卷积层,两个并行的卷积层的输出结果经连接层后沿通道方向进行堆叠产生新的特征图,最后经最大池化层输出;第二个卷积模块在第一个卷积模块基础上去除了最大池化层,第三个卷积模块在第四个卷积模块基础上去除了最大池化层;
深度检测网络中的第一个卷积层使用64个大小为3×3、步长为2的卷积核,第二个卷积层使用1000个1×1大小的卷积核,第一个全连接层节点个数为128,激活函数为ReLU,第二个全连接层节点个数为8;
第一个卷积模块的第一个卷积层使用16个大小为1×1的卷积核,第一个卷积模块中的第二个卷积层使用64个1×1大小的卷积核,填充方式为VALID,第三个卷积层使用64个3×3大小的卷积核,填充方式为SAME;第四个卷积模块的第一个卷积层使用32个大小为1×1的卷积核,第四个卷积模块的卷积核数目相对第一个卷积模块的卷积核数目提升了一倍;第一个卷积模块和第四个卷积模块的最大池化层使用大小为3×3、步长为2的池化窗口;
以上所有卷积操作未经说明步长均默认为1,填充方式为VALID,且每个卷积层产生的结果均通过ReLU函数进行激活。
3.2)将步骤1)构建的电线边界关键点数据集送入深度检测网络,采用Adam优化算法训练深度检测网络,直到网络的误差达到最小值;其中,损失函数使用最小平方差损失函数,学习率的初始值设置为0.001,衰减步长设置为500步,衰减率设置为0.9。
本发明的有益效果是:
1)本发明的图片分类和结冰区域检测功能都是通过神经网络算法实现的,相比传统的方法,该方法很好地学习到了图片的细节特征,大大提升了检测的精度。
2)本发明对于一张图片的检测只需要30-40ms,具备一定的时效性,可极大程度预防电力故障的发生,提升了安全系数,减少了人力、物力和时间上的消耗。
3)本发明能够快速、有效地实现对高压电线结冰区域的自动检测,便于工作人员后续对结冰厚度进行评估,可有效预防电力设施故障的发生,具有较高的实际应用价值。
附图说明
图1是本发明的流程图。
图2是本发明的深度学习分类网络的结构图。
图3是本发明的深度学习检测网络的结构图。
图4是本发明正常类图片示意图。
图5是本发明异常类图片示意图。
图6是本发明的待测图片,(a)(b)(c)(d)分别为四张不同的待测图片。
图7是本发明的最终检测结果图,(a)(b)(c)(d)为图6中四张不同的待测图片对应的检测结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
如图1所示,本发明的实施过程如下:
步骤一:通过安装在高压电线杆上的高清摄像头采集样本图片,然后对图片进行预处理操作,构建分类数据集和关键点数据集,具体的过程为:
1.1)截取原图片底部五分之一高度的图片,缩放到240×37的固定尺寸,并分为正常和异常两个类别。对每个类别的图片打上标签,其中正常类标签为1,异常类标签为0。所有图片及其标签组成用于分类网络的训练数据。其中,正常类数据和异常类数据都按照4:1的比例划分为训练集和验证集。
1.2)由于高压电线在结冰后形状较为规则,这里检测时只对电线结冰区域的四个边界关键点进行预测,因此取正常类中的图片,使用标注软件标注,标注过程即对电线边界区域左上、右上、右下、左下四个关键点的坐标进行标定。所有图片及坐标信息构成用于检测网络的关键点数据集。其中,关键点数据集中的数据按照4:1的比例划分为训练集和测试集。
步骤二:搭建分类网络,将步骤一中构建的分类数据集送入分类网络进行训练,具体过程为:
2.1)设计如图2所示的分类网络。分类网络包括三个卷积模块、一维数据转换层、第一个全连接层、Dropout层和第二个全连接层。数据首先输入到第一个卷积模块,经过处理后依次送入第二个和第三个卷积模块,随后通过一维数据转换层转换为一维数据,一维数据转换层的输出经第一个全连接层、Dropout层、第二全连接层处理后产生二分类输出;
所述的三个卷积模块结构大体相同,包括一个卷积层和一个最大池化层。其中,前两个卷积模块的卷积层均使用32个3×3大小的卷积核,第三个卷积模块的卷积层使用64个3×3大小的卷积核,默认步长均为1,填充方式均为VALID,每个卷积的结果都会通过ReLU函数进行激活。另外,最大池化层使用大小为2×2的池化窗口,Dropout层的节点保留率设置为0.5,第一个全连接层节点个数为64,使用ReLU函数激活,第二个全连接层节点个数为2,使用Softmax函数进行激活;
2.2)将步骤一中构建的分类数据集送入深度学习分类网络,采用Adam优化算法训练神经网络,直到网络的误差达到最小值。其中,损失函数使用交叉熵损失函数,学习率的初始值设置为0.001,衰减步长设置为300步,衰减率设置为0.9。
步骤三:搭建检测网络,将步骤一中构建的关键点数据集送入检测网络进行训练,具体过程为:
3.1)设计如图3所示的检测网络。深度检测网络包括第一个卷积层、四个卷积模块、第二个卷积层和两个全连接层。数据首先送入第一个卷积层,紧接着送入四个连续的卷积模块,随后经过第二个卷积层后连接到连续的两个全连接层,由全连接层产生最终的输出;
所述的第一个卷积层使用64个大小3×3、步长为2的卷积核,第一个卷积模块包含了一个使用16个大小1×1的卷积核的卷积层,以及两个并行的卷积层、连接层和最大池化层。其中一个并行的卷积层使用64个1×1大小的卷积核,填充方式为VALID,另一个使用64个3×3大小的卷积核,填充方式为SAME。将以上两个卷积层输出的结果沿着通道方向进行堆叠,产生一个新的特征图,再对该特征图使用大小为3×3、步长为2的池化窗口进行处理。第二个卷积模块与第一个卷积模块结构完全相同,但不包括最后的最大池化层;第三个卷积模块相对第二个卷积模块卷积核的数目提升了一倍;第四个卷积模块在第三个卷积模块基础上,增加了一个大小为3×3、步长为2的最大池化层。另外,第二个卷积层使用1000个1×1大小的卷积核,第一个全连接层节点个数为128,激活函数为ReLU,第二个全连接层节点个数为8。以上所有卷积操作未经说明步长均默认为1,填充方式为VALID,且每个卷积层产生的结果都会通过ReLU函数进行激活;
3.2)将步骤1)构建的关键点数据集送入检测网络,采用Adam优化算法训练神经网络,直到网络的误差达到最小值。其中,损失函数使用最小平方差损失函数,学习率的初始值设置为0.001,衰减步长设置为500步,衰减率设置为0.9。
步骤四:获取高压电线的待测图片,选择待检测区域图片并进行预处理,即取底部五分之一高度的部分,缩放到240×37的固定尺寸,送入步骤二中的分类网络。如果分类网络判定摄像机拍摄图片异常,则在屏幕上打印警告信息,否则继续将图片送入步骤三中的检测网络进行计算,得到电线结冰区域左上、右上、右下、左下四个关键点的坐标值(以图片左上角为原点建立坐标系),从而获得边界位置信息,以便工作人员根据相关数值对结冰厚度进行评估。
具体实施例:
本发明采用如图4所示的图片作为正常类样本图片,采用如图5所示的图片作为异常类样本图片。图6为摄像机拍摄到的待测图片,待测图片经过预处理后送入深度分类网络进行类别判定,如果判定摄像机拍摄正常则会继续使用检测网络进行计算,得到电线结冰区域的关键点坐标,如果异常则直接在屏幕上打印警告信息。图6的检测结果如图7所示,上面两张图(a)(b)因为摄像机拍摄时受结冰影响故打印了异常警告信息,下面两张图(c)(d)实现了较为精确的检测,其中直线以下区域为送入网络进行检测的图片,直线以下白色区域的左上、右上、右下、左下四个端点为检测得到的关键点,四个端点围成的区域为电线的结冰区域。
本发明可以实现较为精确的高压电线结冰区域检测功能,可方便工作人员及时对结冰厚度进行评估,对于预防电力设施故障具有重要意义,提升了安全系数,很大程度上节省了人力、物力和时间上的消耗,具有一定的实际应用价值。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种基于深度学习的高压电线结冰区域检测方法,其特征在于,包括以下步骤:
1)利用高压电线杆上的摄像头采集高压电线图片作为样本图片,然后对样本图片进行预处理,根据所有样本图片构建分类数据集和电线边界关键点数据集;
2)建立深度分类网络并进行训练和测试;
3)建立深度检测网络并进行训练和测试;
4)将待测图片预处理后输入步骤2)的深度分类网络进行类别判定,若分类网络判断待测图片异常,输出警告信息,若深度分类网络判断待测图片正常,将待测图片输入步骤3)的深度检测网络获取电线结冰区域边界关键点的坐标值。
2.根据权利要求1所述的一种基于深度学习的高压电线结冰区域检测方法,其特征在于,所述步骤1)和步骤4)中的预处理为:截取图片底部五分之一高度的图片,并缩放至设定尺寸。
3.根据权利要求1所述的一种基于深度学习的高压电线结冰区域检测方法,其特征在于,所述步骤1)具体为:
将预处理后的样本图片分为正常类图片和异常类图片;正常类图片为在摄像机正常运转情况下拍摄到的高压电线图片,其中包括结冰后的高压电线图片,赋予正常类图片标签1;异常类图片为摄像头内部故障或摄像头镜头结冰情况下拍摄到的高压电线图片,赋予异常类图片标签0;所有分类后的样本图片及其标签构成分类数据集;
将正常类图片中电线结冰区域的左上、右上、右下、左下四个边界关键点的坐标值进行标注,所有标注后的正常类图片构成电线边界关键点数据集。
4.根据权利要求1所述的一种基于深度学习的高压电线结冰区域检测方法,其特征在于,所述步骤2)具体为:
2.1)构建包括输入层、三个卷积模块、一个一维数据转换层、两个全连接层、一个Dropout层和输出层的深度分类网络;输入层依次经第一个卷积模块、第二个卷积模块和第三个卷积模块连接至一维数据转换层,一维数据转换层用于将输入数据转换为一维数据,一维数据转换层的输出依次经第一个全连接层、Dropout层和第二个全连接层处理后产生二分类输出;
每个卷积模块包括两个依次连接的卷积层和最大池化层;
2.2)将步骤1)构建的分类数据集送入深度分类网络,采用Adam优化算法训练深度分类网络,直到网络的误差达到最小值;其中,损失函数使用交叉熵损失函数,学习率的初始值设置为0.001,衰减步长设置为300步,衰减率设置为0.9。
5.根据权利要求1所述的一种基于深度学习的高压电线结冰区域检测方法,其特征在于,所述步骤3)具体为:
3.1)构建包括输入层、两个卷积层、四个卷积模块、两个全连接层和输出层的深度检测网络;
输入层经第一个卷积层后输入第一个卷积模块,第一个卷积模块的输出依次经第二个卷积模块、第三个卷积模块输入第四个卷积模块,第四个卷积模块依次经第一个全连接层、第二个全连接层后从输出层输出;
第一个卷积模块和第四个卷积模块包括三个卷积层、一个连接层和一个最大池化层,其中第二个卷积层和第三个卷积层为两个并行的卷积层,第一个卷积层的输出分别输入两个并行的卷积层,两个并行的卷积层的输出结果经连接层后沿通道方向进行堆叠产生新的特征图,最后经最大池化层输出;第二个卷积模块在第一个卷积模块基础上去除了最大池化层,第三个卷积模块在第四个卷积模块基础上去除了最大池化层;
3.2)将步骤1)构建的电线边界关键点数据集送入深度检测网络,采用Adam优化算法训练深度检测网络,直到网络的误差达到最小值;其中,损失函数使用最小平方差损失函数,学习率的初始值设置为0.001,衰减步长设置为500步,衰减率设置为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949919.8A CN110782431B (zh) | 2019-10-08 | 2019-10-08 | 一种基于深度学习的高压电线结冰区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949919.8A CN110782431B (zh) | 2019-10-08 | 2019-10-08 | 一种基于深度学习的高压电线结冰区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782431A true CN110782431A (zh) | 2020-02-11 |
CN110782431B CN110782431B (zh) | 2022-03-22 |
Family
ID=69385492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910949919.8A Expired - Fee Related CN110782431B (zh) | 2019-10-08 | 2019-10-08 | 一种基于深度学习的高压电线结冰区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782431B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966692A (zh) * | 2020-12-23 | 2021-06-15 | 中国人民解放军空军工程大学 | 一种基于图像识别的飞机机翼、平尾结冰实时探测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400379A (zh) * | 2013-07-25 | 2013-11-20 | 江西省电力公司检修分公司 | 一种基于图像的覆冰检测和厚度估计方法 |
CN104655030A (zh) * | 2015-02-16 | 2015-05-27 | 国网安徽省电力公司铜陵供电公司 | 一种输电线路覆冰检测与预警装置 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
CN109410209A (zh) * | 2018-11-19 | 2019-03-01 | 浙江大学 | 一种基于深度学习分类的坚果外源性异物检测方法 |
US20190073568A1 (en) * | 2017-09-06 | 2019-03-07 | Kla-Tencor Corporation | Unified neural network for defect detection and classification |
CN109564632A (zh) * | 2017-05-24 | 2019-04-02 | 深圳配天智能技术研究院有限公司 | 一种视觉检测方法、设备、***及具有存储功能的装置 |
US20190102646A1 (en) * | 2017-10-02 | 2019-04-04 | Xnor.ai Inc. | Image based object detection |
CN109686083A (zh) * | 2018-12-10 | 2019-04-26 | 山东交通学院 | 一种基于道路摄像头的路面结冰监测方法与*** |
CN110040594A (zh) * | 2019-01-08 | 2019-07-23 | 浙江新再灵科技股份有限公司 | 一种基于卷积神经网络的电梯运行检测***及方法 |
CN110070530A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种基于深度神经网络的输电线路覆冰检测方法 |
-
2019
- 2019-10-08 CN CN201910949919.8A patent/CN110782431B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400379A (zh) * | 2013-07-25 | 2013-11-20 | 江西省电力公司检修分公司 | 一种基于图像的覆冰检测和厚度估计方法 |
CN104655030A (zh) * | 2015-02-16 | 2015-05-27 | 国网安徽省电力公司铜陵供电公司 | 一种输电线路覆冰检测与预警装置 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN109564632A (zh) * | 2017-05-24 | 2019-04-02 | 深圳配天智能技术研究院有限公司 | 一种视觉检测方法、设备、***及具有存储功能的装置 |
US20190073568A1 (en) * | 2017-09-06 | 2019-03-07 | Kla-Tencor Corporation | Unified neural network for defect detection and classification |
US20190102646A1 (en) * | 2017-10-02 | 2019-04-04 | Xnor.ai Inc. | Image based object detection |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
CN109410209A (zh) * | 2018-11-19 | 2019-03-01 | 浙江大学 | 一种基于深度学习分类的坚果外源性异物检测方法 |
CN109686083A (zh) * | 2018-12-10 | 2019-04-26 | 山东交通学院 | 一种基于道路摄像头的路面结冰监测方法与*** |
CN110040594A (zh) * | 2019-01-08 | 2019-07-23 | 浙江新再灵科技股份有限公司 | 一种基于卷积神经网络的电梯运行检测***及方法 |
CN110070530A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种基于深度神经网络的输电线路覆冰检测方法 |
Non-Patent Citations (2)
Title |
---|
CHRISTIAN SZEGEDY 等: "inception-v4,inception-resNet and the Impact of Residual Connections on learning", 《ARXIV》 * |
江泽涛 等: "基于CNN的红外与可见光融合图像的场景识别", 《计算机工程与设计》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966692A (zh) * | 2020-12-23 | 2021-06-15 | 中国人民解放军空军工程大学 | 一种基于图像识别的飞机机翼、平尾结冰实时探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110782431B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
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*** | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN102831393A (zh) | 电力杆塔轮廓的快速图像识别方法 | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测*** | |
CN112837313A (zh) | 一种输电线路异物的图像分割的方法 | |
CN114977483A (zh) | 一种智能电网调控控制设备故障诊断*** | |
CN106338674A (zh) | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及*** | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN110782431B (zh) | 一种基于深度学习的高压电线结冰区域检测方法 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN114137358B (zh) | 一种基于图卷积神经网络的输电线路故障诊断方法 | |
CN116523875A (zh) | 基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法 | |
CN116612098A (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN109903258B (zh) | 一种基于灰度匹配的电力电缆类别检测方法及*** | |
CN111062633A (zh) | 一种基于多源异构数据的输变电线路和设备状态评估*** | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN113065416B (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN115294048A (zh) | 一种异物检测方法、装置、设备及存储介质 | |
CN112153464A (zh) | 一种智慧城市管理*** | |
CN112444522A (zh) | 一种电力***绝缘子串缺陷检测方法 | |
CN117150415B (zh) | 一种基于人工智能的通讯设备状态监测方法及*** | |
CN114708267B (zh) | 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220322 |