CN111881937A - 输电线路金具目标检测和缺陷识别方法及终端 - Google Patents

输电线路金具目标检测和缺陷识别方法及终端 Download PDF

Info

Publication number
CN111881937A
CN111881937A CN202010572240.4A CN202010572240A CN111881937A CN 111881937 A CN111881937 A CN 111881937A CN 202010572240 A CN202010572240 A CN 202010572240A CN 111881937 A CN111881937 A CN 111881937A
Authority
CN
China
Prior art keywords
target
defect
data set
model
training
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
Application number
CN202010572240.4A
Other languages
English (en)
Inventor
潘成龙
张宇
刘东剑
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.)
Santachi Video Technology Shenzhen Co ltd
Original Assignee
Santachi Video Technology Shenzhen Co ltd
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 Santachi Video Technology Shenzhen Co ltd filed Critical Santachi Video Technology Shenzhen Co ltd
Priority to CN202010572240.4A priority Critical patent/CN111881937A/zh
Publication of CN111881937A publication Critical patent/CN111881937A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明公开了一种输电线路金具目标检测和缺陷识别方法及终端，方法包括：分别构建输电线路的目标数据集和目标缺陷数据集；通过深度学习方法获取目标检测预训练模型；根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；通过深度学习方法获取目标缺陷预训练模型；根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。本发明采用深度学习的方式进行目标检测和缺陷识别，具有更高的检测精度和更好的缺陷类别可扩展性，且检测速度更快。

Description

输电线路金具目标检测和缺陷识别方法及终端
技术领域
本发明涉及检测技术领域，尤其涉及一种输电线路金具目标检测和缺陷识别方法及终端。
背景技术
张凤羽在发表的题目为《基于计算机视觉的输电线路异常巡检图的识别和研究》的论文中公开了：利用得到的图像进行传统图像操作后得到灰度图像，再利用相关逻辑来处理判断缺陷是否存在，利用绝缘子的位置和对称性来判断是否存在缺陷。此方法对每一类缺陷都需要设计额外的逻辑处理操作，且操作复杂。
马兴誉在发表的题目为《基于航拍图像的输电线路自动巡检相关技术研究》的论文中公开了：首先研究图像预处理，再从利用canny和LSD直线检测方法来定位和提取目标，最后利用背景建模等方案来实现相关的目标检测方案。该方法的流程复杂，速度很慢，且精度低。
齐南珣在发表的题目为《输电线路巡检图像的智能缺陷检测方法研究》的论文中公开了：使用深度学习的目标检测算法进行目标定位，但是对缺陷检测时，使用传统的模板匹配的方式。由于金具缺陷有很多种类，模板匹配只适应于单一场景，因此精度比较低。
发明内容
本发明所要解决的技术问题是：提供一种输电线路金具目标检测和缺陷识别方法及终端，检测精度高且检测速度快。
为了解决上述技术问题，本发明采用的技术方案为：
一种输电线路金具目标检测和缺陷识别方法，包括：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
本发明采用的另一技术方案为：
一种输电线路金具目标检测和缺陷识别终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
本发明的有益效果在于：采用深度学习的方式进行目标检测和缺陷识别，具有更高的检测精度和更好的缺陷类别可扩展性，且检测速度更快。
附图说明
图1为本发明实施例一的输电线路金具目标检测和缺陷识别方法的流程图；
图2为本发明实施例二的输电线路金具目标检测和缺陷识别终端的示意图。
标号说明：
100、输电线路金具目标检测和缺陷识别终端；1、存储器；2、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：采用深度学习的方式进行目标检测和缺陷识别，具有更高的检测精度和更好的缺陷类别可扩展性，且检测速度更快。
请参照图1，一种输电线路金具目标检测和缺陷识别方法，包括：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
从上述描述可知，本发明的有益效果在于：采用深度学习的方式进行目标检测和缺陷识别，具有更高的检测精度和更好的缺陷类别可扩展性，且检测速度更快。
进一步的，所述分别构建输电线路的目标数据集和目标缺陷数据集具体为：
获取输电线路的原始图像；
对所述原始图像中的目标采用pascal voc数据集的格式进行标注，得到目标数据集；
对所述原始图像中的目标按照缺陷类别分别放入不同的缺陷样本库中，得到目标缺陷数据集。
由上述描述可知，可以根据需要基于多个原始图像以获得目标数据集和目标缺陷数据集。
进一步的，所述通过深度学习方法获取目标检测预训练模型具体为：
搭建yolov3网络，利用coco数据集训练得到目标检测预训练模型。
进一步的，所述根据所述目标检测预训练模型和目标数据集训练得到目标检测模型具体为：
将所述目标检测预训练模型加载至yolov3网络，利用目标数据集训练yolov3网络至收敛后得到目标检测模型。
由上述描述可知，采用yolov3算法可以训练得到高精度的目标检测模型。
进一步的，所述通过深度学习方法获取目标缺陷预训练模型具体为：
搭建Inception V3网络，利用imagenet数据集训练得到目标缺陷预训练模型。
进一步的，所述根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型具体为：
将目标缺陷预训练模型加载至Inception V3网络，利用目标数据集训练Inception V3网络至收敛得到目标缺陷分类模型。
由上述描述可知，通过Inception V3进行深度学习，可以得到高检测精度和高检测效率的目标缺陷分类模型。
进一步的，所述根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类具体为：
将待检测图像输入至目标检测模型进行目标检测，得到目标图像；
将与所述目标图像对应的待检测图像部分输入至目标缺陷分类模型进行缺陷识别分类，得到缺陷识别分类结果。
请参照图2，本发明涉及的另一技术方案为：
一种输电线路金具目标检测和缺陷识别终端100，包括存储器1、处理器2以及存储在所述存储器1上并可在处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现以下步骤：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
进一步的，所述分别构建输电线路的目标数据集和目标缺陷数据集具体为：
获取输电线路的原始图像；
对所述原始图像中的目标采用pascal voc数据集的格式进行标注，得到目标数据集；
对所述原始图像中的目标按照缺陷类别分别放入不同的缺陷样本库中，得到目标缺陷数据集。
进一步的，所述通过深度学习方法获取目标检测预训练模型具体为：
搭建yolov3网络，利用coco数据集训练得到目标检测预训练模型。
进一步的，所述根据所述目标检测预训练模型和目标数据集训练得到目标检测模型具体为：
将所述目标检测预训练模型加载至yolov3网络，利用目标数据集训练yolov3网络至收敛后得到目标检测模型。
进一步的，所述通过深度学习方法获取目标缺陷预训练模型具体为：
搭建Inception V3网络，利用imagenet数据集训练得到目标缺陷预训练模型。
进一步的，所述根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型具体为：
将目标缺陷预训练模型加载至Inception V3网络，利用目标数据集训练Inception V3网络至收敛得到目标缺陷分类模型。
进一步的，所述根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类具体为：
将待检测图像输入至目标检测模型进行目标检测，得到目标图像；
将与所述目标图像对应的待检测图像部分输入至目标缺陷分类模型进行缺陷识别分类，得到缺陷识别分类结果。
实施例一
请参照图1，本发明的实施例一为一种输电线路金具目标检测和缺陷识别方法，包括如下步骤：
S1、分别构建输电线路的目标数据集和目标缺陷数据集。
本实施例中，步骤S1具体为：
S11、获取输电线路的原始图像。可以根据需要获取多张原始图像。
S12、对所述原始图像中的目标采用pascal voc数据集的格式进行标注，得到目标数据集。
S13、对所述原始图像中的目标按照缺陷类别分别放入不同的缺陷样本库中，得到目标缺陷数据集。
S2、通过深度学习方法获取目标检测预训练模型。
本实施例中，步骤S2具体为：
搭建yolov3网络，利用coco数据集训练得到目标检测预训练模型。
S3、根据所述目标检测预训练模型和目标数据集训练得到目标检测模型。
本实施例中，步骤S3具体为：将所述目标检测预训练模型加载至yolov3网络，利用目标数据集训练yolov3网络至收敛后得到目标检测模型。
基于yolov3算法可以训练得到高精度的目标检测模型，能够只使用一次处理就实现图像中的目标识别和定位。
S4、通过深度学习方法获取目标缺陷预训练模型。
本实施例中，步骤S4具体为：搭建Inception V3网络，利用imagenet数据集训练得到目标缺陷预训练模型。
S5、根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型。
本实施例中，步骤S5具体为：将目标缺陷预训练模型加载至Inception V3网络，利用目标数据集训练Inception V3网络至收敛得到目标缺陷分类模型。
S6、根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
本实施例中，步骤S6具体为：
S61、将待检测图像输入至目标检测模型进行目标检测，得到目标图像；
S62、将与所述目标图像对应的待检测图像部分输入至目标缺陷分类模型进行缺陷识别分类，得到缺陷识别分类结果。
本实施例的目标为输电线路上的金具，在检测到金具之后，将金具从待检测图像中提取出来，得到目标图像，将待检测图像中与目标图像对应的像素按照统一尺寸输入至目标缺陷分类模型进行缺陷识别分类，如式1所示：
Figure BDA0002549808390000071
其中，Vi为目标缺陷分类模型的输出单元输出，i表示类别索引，C表示总的类别个数，Si表示当前属于类别的相对概率。输出概率最大的类别为缺陷类别。
本实施例利用基于深度学习的高精度目标检测模型和目标缺陷分类模型可以完成输电线路上的绝缘子、防震锤、间隔棒和均压环等多种金具的缺陷检测与定位。本实施例的方法还可以使用GPU2080Ti加速，无需进行直线提取，检测效率更高。
请参照图2，本发明的实施例二为：
一种输电线路金具目标检测和缺陷识别终端100，与实施例一的方法相对应，包括存储器1、处理器2以及存储在所述存储器1上并可在处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现以下步骤：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
进一步的，所述分别构建输电线路的目标数据集和目标缺陷数据集具体为：
获取输电线路的原始图像；
对所述原始图像中的目标采用pascal voc数据集的格式进行标注，得到目标数据集；
对所述原始图像中的目标按照缺陷类别分别放入不同的缺陷样本库中，得到目标缺陷数据集。
进一步的，所述通过深度学习方法获取目标检测预训练模型具体为：
搭建yolov3网络，利用coco数据集训练得到目标检测预训练模型。
进一步的，所述根据所述目标检测预训练模型和目标数据集训练得到目标检测模型具体为：
将所述目标检测预训练模型加载至yolov3网络，利用目标数据集训练yolov3网络至收敛后得到目标检测模型。
进一步的，所述通过深度学习方法获取目标缺陷预训练模型具体为：
搭建Inception V3网络，利用imagenet数据集训练得到目标缺陷预训练模型。
进一步的，所述根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型具体为：
将目标缺陷预训练模型加载至Inception V3网络，利用目标数据集训练Inception V3网络至收敛得到目标缺陷分类模型。
进一步的，所述根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类具体为：
将待检测图像输入至目标检测模型进行目标检测，得到目标图像；
将与所述目标图像对应的待检测图像部分输入至目标缺陷分类模型进行缺陷识别分类，得到缺陷识别分类结果。
综上所述，本发明提供的一种输电线路金具目标检测和缺陷识别方法及终端，采用深度学习的方式进行目标检测和缺陷识别，具有更高的检测精度和更好的缺陷类别可扩展性，且检测速度更快。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种输电线路金具目标检测和缺陷识别方法，其特征在于，包括：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
2.根据权利要求1所述的输电线路金具目标检测和缺陷识别方法，其特征在于，所述分别构建输电线路的目标数据集和目标缺陷数据集具体为：
获取输电线路的原始图像；
对所述原始图像中的目标采用pascal voc数据集的格式进行标注，得到目标数据集；
对所述原始图像中的目标按照缺陷类别分别放入不同的缺陷样本库中，得到目标缺陷数据集。
3.根据权利要求1所述的输电线路金具目标检测和缺陷识别方法，其特征在于，所述通过深度学习方法获取目标检测预训练模型具体为：
搭建yolov3网络，利用coco数据集训练得到目标检测预训练模型。
4.根据权利要求3所述的输电线路金具目标检测和缺陷识别方法，其特征在于，所述根据所述目标检测预训练模型和目标数据集训练得到目标检测模型具体为：
将所述目标检测预训练模型加载至yolov3网络，利用目标数据集训练yolov3网络至收敛后得到目标检测模型。
5.根据权利要求4所述的输电线路金具目标检测和缺陷识别方法，其特征在于，所述通过深度学习方法获取目标缺陷预训练模型具体为：
搭建Inception V3网络，利用imagenet数据集训练得到目标缺陷预训练模型。
6.根据权利要求5所述的输电线路金具目标检测和缺陷识别方法，其特征在于，所述根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型具体为：
将目标缺陷预训练模型加载至Inception V3网络，利用目标数据集训练Inception V3网络至收敛得到目标缺陷分类模型。
7.根据权利要求6所述的输电线路金具目标检测和缺陷识别方法，其特征在于，所述根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类具体为：
将待检测图像输入至目标检测模型进行目标检测，得到目标图像；
将与所述目标图像对应的待检测图像部分输入至目标缺陷分类模型进行缺陷识别分类，得到缺陷识别分类结果。
8.一种输电线路金具目标检测和缺陷识别终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
分别构建输电线路的目标数据集和目标缺陷数据集；
通过深度学习方法获取目标检测预训练模型；
根据所述目标检测预训练模型和目标数据集训练得到目标检测模型；
通过深度学习方法获取目标缺陷预训练模型；
根据所述目标缺陷预训练模型和目标缺陷数据集训练得到目标缺陷分类模型；
根据所述目标检测模型和目标缺陷分类模型对待检测图像依次进行目标检测和缺陷识别分类。
9.根据权利要求8所述的输电线路金具目标检测和缺陷识别终端，其特征在于，所述分别构建输电线路的目标数据集和目标缺陷数据集具体为：
获取输电线路的原始图像；
对所述原始图像中的目标采用pascal voc数据集的格式进行标注，得到目标数据集；
对所述原始图像中的目标按照缺陷类别分别放入不同的缺陷样本库中，得到目标缺陷数据集。
10.根据权利要求8所述的输电线路金具目标检测和缺陷识别终端，其特征在于，所述通过深度学习方法获取目标检测预训练模型具体为：
搭建yolov3网络，利用coco数据集训练得到目标检测预训练模型。
CN202010572240.4A 2020-06-22 2020-06-22 输电线路金具目标检测和缺陷识别方法及终端 Pending CN111881937A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572240.4A CN111881937A (zh) 2020-06-22 2020-06-22 输电线路金具目标检测和缺陷识别方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572240.4A CN111881937A (zh) 2020-06-22 2020-06-22 输电线路金具目标检测和缺陷识别方法及终端

Publications (1)

Publication Number Publication Date
CN111881937A true CN111881937A (zh) 2020-11-03

Family

ID=73157022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572240.4A Pending CN111881937A (zh) 2020-06-22 2020-06-22 输电线路金具目标检测和缺陷识别方法及终端

Country Status (1)

Country Link
CN (1) CN111881937A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966788A (zh) * 2021-04-19 2021-06-15 扬州大学 基于深度学习的输电线路间隔棒故障检测方法
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法
CN113515829A (zh) * 2021-05-21 2021-10-19 华北电力大学（保定） 一种用于极寒灾害下输电线路金具缺陷的态势感知方法
CN113610252A (zh) * 2021-08-17 2021-11-05 浙江捷瑞电力科技有限公司 一种元学习小样本输电线缺陷目标检测和告警***及方法
CN113627299A (zh) * 2021-07-30 2021-11-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949296A (zh) * 2019-03-21 2019-06-28 北京中飞艾维航空科技有限公司 一种输电线路缺陷识别方法、装置及存储介质
CN110569762A (zh) * 2019-08-27 2019-12-13 许昌许继软件技术有限公司 一种基于多级神经网络的销钉脱落检测方法及装置
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN110796107A (zh) * 2019-11-04 2020-02-14 南京北旨智能科技有限公司 电力巡检图像缺陷识别方法和***、电力巡检无人机
CN111179223A (zh) * 2019-12-12 2020-05-19 天津大学 基于深度学习的工业自动化缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949296A (zh) * 2019-03-21 2019-06-28 北京中飞艾维航空科技有限公司 一种输电线路缺陷识别方法、装置及存储介质
CN110569762A (zh) * 2019-08-27 2019-12-13 许昌许继软件技术有限公司 一种基于多级神经网络的销钉脱落检测方法及装置
CN110689531A (zh) * 2019-09-23 2020-01-14 云南电网有限责任公司电力科学研究院 一种基于yolo的输电线路机巡图像缺陷自动识别方法
CN110796107A (zh) * 2019-11-04 2020-02-14 南京北旨智能科技有限公司 电力巡检图像缺陷识别方法和***、电力巡检无人机
CN111179223A (zh) * 2019-12-12 2020-05-19 天津大学 基于深度学习的工业自动化缺陷检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966788A (zh) * 2021-04-19 2021-06-15 扬州大学 基于深度学习的输电线路间隔棒故障检测方法
CN113515829A (zh) * 2021-05-21 2021-10-19 华北电力大学（保定） 一种用于极寒灾害下输电线路金具缺陷的态势感知方法
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法
CN113627299A (zh) * 2021-07-30 2021-11-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置
CN113627299B (zh) * 2021-07-30 2024-04-09 广东电网有限责任公司 一种基于深度学习的导线漂浮物智能识别方法及装置
CN113610252A (zh) * 2021-08-17 2021-11-05 浙江捷瑞电力科技有限公司 一种元学习小样本输电线缺陷目标检测和告警***及方法
CN113610252B (zh) * 2021-08-17 2023-09-19 浙江捷瑞电力科技有限公司 一种元学习小样本输电线缺陷目标检测和告警***及方法

Similar Documents

Publication Publication Date Title
CN111881937A (zh) 输电线路金具目标检测和缺陷识别方法及终端
CN110008342A (zh) 文献分类方法、装置、设备及存储介质
KR20170090345A (ko) 디지털 이미지의 시맨틱 태그의 획득 방법 및 장치
Liu et al. Data extraction from charts via single deep neural network
CN109508740B (zh) 基于高斯混合噪声生成式对抗网络的物体硬度识别方法
Wang et al. Automatic rebar counting using image processing and machine learning
CN112241739A (zh) 识别文本错误的方法、装置、设备和计算机可读介质
Torres et al. Bin-picking solution for randomly placed automotive connectors based on machine learning techniques
CN110807754A (zh) 基于深度语义分割的真菌显微图像分割检测方法及***
CN115359295A (zh) 一种解耦知识蒸馏金具目标检测方法及***
CN108992033B (zh) 一种视觉测试的评分装置、设备和存储介质
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
Xu et al. Defect detection on LED chips based on position pre-estimation and feature enhancement
CN111160374A (zh) 一种基于机器学习的颜色识别方法及***、装置
CN115631374A (zh) 控件操作方法、控件检测模型的训练方法、装置和设备
Zhang et al. A YOLOv3‐Based Industrial Instrument Classification and Reading Recognition Method
CN113177602A (zh) 图像分类方法、装置、电子设备和存储介质
Chen et al. An Active Learning Model Production Method for Electric Power Inspection Image Multi-target Detection
CN118135333B (zh) 医疗图片智能分拣方法、装置、电子设备及可读存储介质
CN116564423B (zh) 一种微生物宏基因组数据库构建方法及***
CN117789910A (zh) 一种cma分析报告生成方法及***
CN117635931A (zh) 一种临床检验样本分类转移方法及装置
Dai et al. Intelligent Quality Inspection of Secondary Wiring based on Rotating Object Detection and Pairwise Matching Strategy
CN117457128A (zh) 一种样本检测信息录入上传方法及装置
CN117315277A (zh) 一种基于弱监督学习的局部特征提取方法和***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201103

RJ01 Rejection of invention patent application after publication