CN112163573A - 一种绝缘子的识别方法及装置 - Google Patents
一种绝缘子的识别方法及装置 Download PDFInfo
- Publication number
- CN112163573A CN112163573A CN202011238139.1A CN202011238139A CN112163573A CN 112163573 A CN112163573 A CN 112163573A CN 202011238139 A CN202011238139 A CN 202011238139A CN 112163573 A CN112163573 A CN 112163573A
- Authority
- CN
- China
- Prior art keywords
- insulator
- picture
- recognition model
- identified
- region
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种绝缘子的识别方法及装置,本申请提供的方法包括:获取待识别图片;待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片。将待识别图片输入绝缘子识别模型中,得到绝缘子识别结果;绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系。绝缘子识别模型包括注意力层;注意力层用于确定绝缘子在待识别图片中的位置数据。本申请通过注意力层将绝缘子在复杂的背景中予以突出显示,使得绝缘子识别模型可以准确在复杂的背景中精准定位绝缘子的区域,从而提高对绝缘子识别的准确率。
Description
技术领域
本申请涉及电力技术领域,特别涉及一种绝缘子的识别方法及装置。
背景技术
输配电***中,绝缘子的使用是最频繁的,因此对绝缘子的检测是对输配电***日常检测的一项重要内容。传统的人工检测方式,是由工作人员到绝缘子所在的各个地点,肉眼判断绝缘子是否存在磨损的情况,如果存在,则对磨损的绝缘子进行进一步的检测。人工检测的方法,不仅浪费了大量的人力资源,而且在复杂的输配电***中,存在遗漏检测绝缘子的可能性。
目前,对绝缘子进行智能检测成为一种主流工作方式。无人机拍摄照片后,检测设备自动识别照片中是否存在绝缘子,并判断绝缘子是否有缺陷。由于绝缘子处于各种不同的环境中,例如深色山丘、树林以及其他深色环境中。如果绝缘子处于复杂的环境中,则检测设备难以从复杂的环境中识别出绝缘子。
基于此,目前亟需一种绝缘子的识别方法,用于解决现有技术中难以从复杂的环境中识别出绝缘子的问题。
发明内容
本申请提供了一种绝缘子的识别方法及装置,可用于解决在现有技术中难以从复杂的环境中识别出绝缘子的问题。
第一方面,本申请提供了一种绝缘子的识别方法,所述方法包括:
获取待识别图片;所述待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片;
将所述待识别图片输入绝缘子识别模型中,得到绝缘子识别结果;所述绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系;所述绝缘子识别模型包括注意力层;所述注意力层用于确定所述绝缘子在所述待识别图片中的位置数据。
结合第一方面,在第一方面的一种可实现方式中,所述绝缘子识别模型通过以下方法训练:
对样本图片进行人工处理,得到样本绝缘子识别结果;
将所述样本图片划分为训练样本图片以及测试样本图片;
根据训练样本图片以及训练样本绝缘子识别结果,对初始绝缘子识别模型进行训练,得到训练后的绝缘子识别模型;所述训练样本绝缘子识别结果为所述训练样本图片对应的样本绝缘子识别结果;
将所述测试样本图片输入所述训练后的绝缘子识别模型中,得到预测绝缘子识别结果;
判断所述预测绝缘子识别结果与测试样本绝缘子识别结果的差值是否在预设范围内;
如果所述预测绝缘子识别结果与所述测试样本绝缘子识别结果的差值在所述预设范围内,则将所述训练后的绝缘子识别模型确定为所述绝缘子识别模型。
结合第一方面,在第一方面的一种可实现方式中,所述绝缘子识别模型包括以下工作步骤:
提取所述待识别图片的多个特征值,并根据所述多个特征值,确定特征图;
利用所述注意力层确定所述特征图的区域建议窗口;所述区域建议窗口包括待识别的绝缘子;
对所述区域建议窗口进行归一化处理,得到归一化后的区域建议窗口;
对所述归一化后的区域建议窗口进行分类,得到所述绝缘子识别结果。
结合第一方面,在第一方面的一种可实现方式中,利用所述注意力层确定所述特征图的区域建议窗口,包括:
利用注意力层提高待增强区域的权重;所述待增强区域为所述绝缘子所在区域;
将所述特征图中权重高于预设值的区域确定为所述建议窗口。
结合第一方面,在第一方面的一种可实现方式中,所述绝缘子识别结果包括:
所述待识别图片包含完整的绝缘子、所述待识别图片包含破损的绝缘子以及所述待识别图片不包含绝缘子。
第二方面,本申请提供了一种绝缘子的识别装置,所述装置包括:
获取模块,用于获取待识别图片;所述待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片;
处理模块,用于将所述待识别图片输入绝缘子识别模型中,得到绝缘子识别结果;所述绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系;所述绝缘子识别模型包括注意力层;所述注意力层用于确定所述绝缘子在所述待识别图片中的位置数据。
结合第二方面,在第二方面的一种可实现方式中,所述绝缘子识别模型通过以下方法训练:
对样本图片进行人工处理,得到样本绝缘子识别结果;
将所述样本图片划分为训练样本图片以及测试样本图片;
根据训练样本图片以及训练样本绝缘子识别结果,对初始绝缘子识别模型进行训练,得到训练后的绝缘子识别模型;所述训练样本绝缘子识别结果为所述训练样本图片对应的样本绝缘子识别结果;
将所述测试样本图片输入所述训练后的绝缘子识别模型中,得到预测绝缘子识别结果;
判断所述预测绝缘子识别结果与测试样本绝缘子识别结果的差值是否在预设范围内;
如果所述预测绝缘子识别结果与所述测试样本绝缘子识别结果的差值在所述预设范围内,则将所述训练后的绝缘子识别模型确定为所述绝缘子识别模型。
结合第二方面,在第二方面的一种可实现方式中,所述绝缘子识别模型包括以下工作步骤:
提取所述待识别图片的多个特征值,并根据所述多个特征值,确定特征图;
利用所述注意力层确定所述特征图的区域建议窗口;所述区域建议窗口包括待识别的绝缘子;
对所述区域建议窗口进行归一化处理,得到归一化后的区域建议窗口;
对所述归一化后的区域建议窗口进行分类,得到所述绝缘子识别结果。
结合第二方面,在第二方面的一种可实现方式中,利用所述注意力层确定所述特征图的区域建议窗口,包括:
利用注意力层提高待增强区域的权重;所述待增强区域为所述绝缘子所在区域;
将所述特征图中权重高于预设值的区域确定为所述建议窗口。
结合第二方面,在第二方面的一种可实现方式中,所述绝缘子识别结果包括:
所述待识别图片包含完整的绝缘子、所述待识别图片包含破损的绝缘子以及所述待识别图片不包含绝缘子。
本申请实施例通过注意力层将绝缘子在复杂的背景中予以突出显示,使得绝缘子识别模型可以准确在复杂的背景中精准定位绝缘子的区域,从而提高对绝缘子识别的准确率。
附图说明
图1为本申请实施例提供的一种绝缘子的识别方法的流程示意图;
图2为本申请实施例提供的一种绝缘子识别模型的训练过程对应的流程示意图;
图3为本申请实施例提供的一种绝缘子识别模型的工作流程示意图;
图4为本申请实施例提供的一种绝缘子的识别装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
如图1所示,为本申请实施例提供的一种绝缘子的识别方法的流程示意图。具体的,本申请实施例包括以下步骤:
步骤101,获取待识别图片。
本申请实施例中可以采用多种方式获取待识别图片,包括无人机航拍,或者巡检人员通过拍摄获取待识别图片。
待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片。
具体的,由于获取的待识别图片具有随机性,特别是通过无人机航拍获取待识别图片时,并不能保证每张待识别图片中均包括含有绝缘子的图片。
步骤102,将待识别图片输入绝缘子识别模型中,得到绝缘子识别结果。
绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系。
本申请实施例中,绝缘子识别模型包括注意力层。注意力层用于确定绝缘子在待识别图片中的位置数据。具体的,注意力层,用于将绝缘子从复杂的环境中识别出来,提高对绝缘子识别的准确率。
本申请实施例中,绝缘子识别模型通过训练得到,如图2所示,为本申请实施例提供的一种绝缘子识别模型的训练过程对应的流程示意图。具体的,绝缘子识别模型包括以下步骤:
步骤201,对样本图片进行人工处理,得到样本绝缘子识别结果。
具体的,样本绝缘子识别结果通过人工识别,确定样本图片是属于那一种种类的图片。样本图片包含完整的绝缘子、样本图片包含破损的绝缘子以及样本图片不包含绝缘子。为了保证训练的准确性,本申请实施中,采用的样本图片在三千张以上。
步骤202,将样本图片划分为训练样本图片以及测试样本图片。
本申请实施例汇总,样本图片随机划分,其中百分之八十为训练样本图片,百分之二十为测试样本图片。
步骤203,根据训练样本图片以及训练样本绝缘子识别结果,对初始绝缘子识别模型进行训练,得到训练后的绝缘子识别模型。
具体的,训练样本绝缘子识别结果为训练样本图片对应的样本绝缘子识别结果。
步骤204,将测试样本图片输入训练后的绝缘子识别模型中,得到预测绝缘子识别结果。
步骤205,判断预测绝缘子识别结果与测试样本绝缘子识别结果的差值是否在预设范围内;如果预测绝缘子识别结果与测试样本绝缘子识别结果的差值在预设范围内,则执行步骤206,否则,执行步骤204。
本申请实施例中,步骤205的目的,是确定绝缘子识别模型预测结果的精准性。只有当绝缘子预测结果的精准性达到一定的程度,绝缘子识别模型才能达到较为优良的绝缘子识别效果。
步骤206,将训练后的绝缘子识别模型确定为绝缘子识别模型。
如图3所示,为本申请实施例提供的一种绝缘子识别模型的工作流程示意图。本申请中,绝缘子识别模型包括以下工作步骤:
步骤301,提取待识别图片的多个特征值,并根据多个特征值,确定特征图。
本申请实施例中,将待识别图片转化为加色模式下的三维矩阵待识别图片。一种可行的三维矩阵待识别图片的尺寸为1000*600*3。本申请实施例中采用resnet-50提取三维矩阵待识别图片的特征值。resnet-50一共有5层,每一层都会提取得到一个特征值。
具体的,一种可行的方式中,第一层为7*7卷积;第二层为3个残差模块堆叠,内部为1*1卷积,3*3卷积,1*1卷积;第三层为4个残差模块堆叠,内部为1*1卷积,3*3卷积,1*1卷积;第四层为6个残差模块堆叠,内部为1*1卷积,3*3卷积,1*1卷积,;第五层为3个残差模块堆叠,内部为1*1卷积,3*3卷积,1*1卷积。经过多次卷积后,得到60*40的特征图。
步骤302,利用注意力层确定特征图的区域建议窗口。
区域建议窗口包括待识别的绝缘子。
利用注意力层提高待增强区域的权重。待增强区域为绝缘子所在区域。
将特征图中权重高于预设值的区域确定为建议窗口。
需要说明的是,对于待识别图片,待识别图片中背景里的图像内容非常地复杂,我们要选取有用的信息,而忽略无关的内容,这里的有用信息,也就是我们要识别的绝缘子,而其他区域的是无关区域,因此利用注意力层将包含绝缘子的区域突出显示。
步骤303,对区域建议窗口进行归一化处理,得到归一化后的区域建议窗口。
具体的,在ROI pooling层中确定特征图中区域建议窗口的位置,并将60*40的特征图映射回1000*600的待识别图片大小,得到归一化后的区域建议窗口。
步骤304,对归一化后的区域建议窗口进行分类,得到绝缘子识别结果。
具体的,用Softmax分类器计算每个归一化后的区域建议窗口具体属于哪个类别,即属于哪个绝缘子识别结果,输出分类概率(置信度)。
本申请实施例中,绝缘子识别结果包括待识别图片包含完整的绝缘子、待识别图片包含破损的绝缘子以及待识别图片不包含绝缘子。同时再次利用Bbox回归获得每个区域建议窗口的位置偏移量,获得更加精确的目标检测框,即对于待识别图片包含完整的绝缘子、待识别图片包含破损的绝缘子的识别结果中,待识别图片将完整的绝缘子以及包含破损的绝缘子框选出来予以显示。
本申请实施例通过注意力层将绝缘子在复杂的背景中予以突出显示,使得绝缘子识别模型可以准确在复杂的背景中精准定位绝缘子的区域,从而提高对绝缘子识别的准确率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图4示例性示出了本申请实施例提供的一种绝缘子的识别装置的结构示意图。如图4所示,该装置具有实现上述绝缘子的识别方法的功能,功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:获取模块401以及处理模块402。
获取模块401,用于获取待识别图片;待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片。
处理模块402,用于将待识别图片输入绝缘子识别模型中,得到绝缘子识别结果;绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系;绝缘子识别模型包括注意力层;注意力层用于确定绝缘子在待识别图片中的位置数据。
可行的,绝缘子识别模型通过以下方法训练:
对样本图片进行人工处理,得到样本绝缘子识别结果。
将样本图片划分为训练样本图片以及测试样本图片。
根据训练样本图片以及训练样本绝缘子识别结果,对初始绝缘子识别模型进行训练,得到训练后的绝缘子识别模型;训练样本绝缘子识别结果为训练样本图片对应的样本绝缘子识别结果。
将测试样本图片输入训练后的绝缘子识别模型中,得到预测绝缘子识别结果。
判断预测绝缘子识别结果与测试样本绝缘子识别结果的差值是否在预设范围内。
如果预测绝缘子识别结果与测试样本绝缘子识别结果的差值在预设范围内,则将训练后的绝缘子识别模型确定为绝缘子识别模型。
可行的,绝缘子识别模型包括以下工作步骤:
提取待识别图片的多个特征值,并根据多个特征值,确定特征图。
利用注意力层确定特征图的区域建议窗口;区域建议窗口包括待识别的绝缘子。
对区域建议窗口进行归一化处理,得到归一化后的区域建议窗口。
对归一化后的区域建议窗口进行分类,得到绝缘子识别结果。
可行的,利用注意力层确定特征图的区域建议窗口,包括:
利用注意力层提高待增强区域的权重;待增强区域为绝缘子所在区域。
将特征图中权重高于预设值的区域确定为建议窗口。
可行的,绝缘子识别结果包括:
待识别图片包含完整的绝缘子、待识别图片包含破损的绝缘子以及待识别图片不包含绝缘子。
本申请实施例通过注意力层将绝缘子在复杂的背景中予以突出显示,使得绝缘子识别模型可以准确在复杂的背景中精准定位绝缘子的区域,从而提高对绝缘子识别的准确率。
本发明可用于众多通用或专用的计算***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种绝缘子的识别方法,其特征在于,所述方法包括:
获取待识别图片;所述待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片;
将所述待识别图片输入绝缘子识别模型中,得到绝缘子识别结果;所述绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系;所述绝缘子识别模型包括注意力层;所述注意力层用于确定所述绝缘子在所述待识别图片中的位置数据。
2.根据权利要求1所述的方法,其特征在于,所述绝缘子识别模型通过以下方法训练:
对样本图片进行人工处理,得到样本绝缘子识别结果;
将所述样本图片划分为训练样本图片以及测试样本图片;
根据训练样本图片以及训练样本绝缘子识别结果,对初始绝缘子识别模型进行训练,得到训练后的绝缘子识别模型;所述训练样本绝缘子识别结果为所述训练样本图片对应的样本绝缘子识别结果;
将所述测试样本图片输入所述训练后的绝缘子识别模型中,得到预测绝缘子识别结果;
判断所述预测绝缘子识别结果与测试样本绝缘子识别结果的差值是否在预设范围内;
如果所述预测绝缘子识别结果与所述测试样本绝缘子识别结果的差值在所述预设范围内,则将所述训练后的绝缘子识别模型确定为所述绝缘子识别模型。
3.根据权利要求1所述的方法,其特征在于,所述绝缘子识别模型包括以下工作步骤:
提取所述待识别图片的多个特征值,并根据所述多个特征值,确定特征图;
利用所述注意力层确定所述特征图的区域建议窗口;所述区域建议窗口包括待识别的绝缘子;
对所述区域建议窗口进行归一化处理,得到归一化后的区域建议窗口;
对所述归一化后的区域建议窗口进行分类,得到所述绝缘子识别结果。
4.根据权利要求3所述的方法,其特征在于,利用所述注意力层确定所述特征图的区域建议窗口,包括:
利用注意力层提高待增强区域的权重;所述待增强区域为所述绝缘子所在区域;
将所述特征图中权重高于预设值的区域确定为所述建议窗口。
5.根据权利要求1所述的方法,其特征在于,所述绝缘子识别结果包括:
所述待识别图片包含完整的绝缘子、所述待识别图片包含破损的绝缘子以及所述待识别图片不包含绝缘子。
6.一种绝缘子的识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别图片;所述待识别图片包括含有绝缘子的图片、含有破损绝缘子的图片以及不含绝缘子的图片;
处理模块,用于将所述待识别图片输入绝缘子识别模型中,得到绝缘子识别结果;所述绝缘子识别模型包括待识别图片与绝缘子识别结果的对应关系;所述绝缘子识别模型包括注意力层;所述注意力层用于确定所述绝缘子在所述待识别图片中的位置数据。
7.根据权利要求6所述的装置,其特征在于,所述绝缘子识别模型通过以下方法训练:
对样本图片进行人工处理,得到样本绝缘子识别结果;
将所述样本图片划分为训练样本图片以及测试样本图片;
根据训练样本图片以及训练样本绝缘子识别结果,对初始绝缘子识别模型进行训练,得到训练后的绝缘子识别模型;所述训练样本绝缘子识别结果为所述训练样本图片对应的样本绝缘子识别结果;
将所述测试样本图片输入所述训练后的绝缘子识别模型中,得到预测绝缘子识别结果;
判断所述预测绝缘子识别结果与测试样本绝缘子识别结果的差值是否在预设范围内;
如果所述预测绝缘子识别结果与所述测试样本绝缘子识别结果的差值在所述预设范围内,则将所述训练后的绝缘子识别模型确定为所述绝缘子识别模型。
8.根据权利要求6所述的装置,其特征在于,所述绝缘子识别模型包括以下工作步骤:
提取所述待识别图片的多个特征值,并根据所述多个特征值,确定特征图;
利用所述注意力层确定所述特征图的区域建议窗口;所述区域建议窗口包括待识别的绝缘子;
对所述区域建议窗口进行归一化处理,得到归一化后的区域建议窗口;
对所述归一化后的区域建议窗口进行分类,得到所述绝缘子识别结果。
9.根据权利要求8所述的装置,其特征在于,利用所述注意力层确定所述特征图的区域建议窗口,包括:
利用注意力层提高待增强区域的权重;所述待增强区域为所述绝缘子所在区域;
将所述特征图中权重高于预设值的区域确定为所述建议窗口。
10.根据权利要求6所述的装置,其特征在于,所述绝缘子识别结果包括:
所述待识别图片包含完整的绝缘子、所述待识别图片包含破损的绝缘子以及所述待识别图片不包含绝缘子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238139.1A CN112163573A (zh) | 2020-11-09 | 2020-11-09 | 一种绝缘子的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238139.1A CN112163573A (zh) | 2020-11-09 | 2020-11-09 | 一种绝缘子的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163573A true CN112163573A (zh) | 2021-01-01 |
Family
ID=73865656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238139.1A Pending CN112163573A (zh) | 2020-11-09 | 2020-11-09 | 一种绝缘子的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163573A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
-
2020
- 2020-11-09 CN CN202011238139.1A patent/CN112163573A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976383A (zh) * | 2016-05-16 | 2016-09-28 | 国网河南省电力公司电力科学研究院 | 一种基于极限学习机图像识别的输电设备故障诊断方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
Non-Patent Citations (1)
Title |
---|
赵文清等: ""注意力机制和Faster RCNN相结合的绝缘子识别"", 《智能***学报》, vol. 15, no. 1, 5 January 2020 (2020-01-05), pages 2 - 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705405B (zh) | 目标标注的方法及装置 | |
CN111814835B (zh) | 计算机视觉模型的训练方法、装置、电子设备和存储介质 | |
CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
CN111126514A (zh) | 图像多标签分类方法、装置、设备及介质 | |
CN108323209B (zh) | 信息处理方法、***、云处理设备以及计算机存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN112633297A (zh) | 目标对象的识别方法、装置、存储介质以及电子装置 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN115151952A (zh) | 一种变电设备高精度识别方法及*** | |
CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及*** | |
CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
CN115661810A (zh) | 安检ct目标物识别方法和装置 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
CN112163573A (zh) | 一种绝缘子的识别方法及装置 | |
CN116385957A (zh) | 一种x光图像违禁品检测方法、装置、设备及介质 | |
CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
CN114743048A (zh) | 检测异常秸秆图片的方法和检测装置 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 | |
CN113297998B (zh) | 国土空间规划问题的识别方法、装置、设备及存储介质 | |
CN116503406B (zh) | 基于大数据的水利工程信息管理*** | |
CN115761345A (zh) | 图像分类方法和装置、电子设备及存储介质 |
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 |