CN112183342A - 一种带有模板的综合型换流站缺陷识别方法 - Google Patents
一种带有模板的综合型换流站缺陷识别方法 Download PDFInfo
- Publication number
- CN112183342A CN112183342A CN202011041010.1A CN202011041010A CN112183342A CN 112183342 A CN112183342 A CN 112183342A CN 202011041010 A CN202011041010 A CN 202011041010A CN 112183342 A CN112183342 A CN 112183342A
- Authority
- CN
- China
- Prior art keywords
- picture
- detected
- detection
- frames
- hidden danger
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种带有模板的综合型换流站缺陷识别方法，其步骤包括:1获取换流站样本库中的基准图片和待检测图片，样本库是基准图片的集合，基准图片是指换流站无隐患时的正常图片，待检测图片为实时拍摄的相同换流站位置的图片，2通过综合两种及以上检测算法的同时比对结果，得到样本库中的基准图片和待检测图片的差异图，3根据差异图提示隐患可能存在的位置。本发明能够有效提高现有换流站缺陷识别准确率，降低误报、漏报可能，减轻工作人员负担。
Description
技术领域
本发明涉及换流站设备技术领域，具体为一种带有模板的综合型换流站缺陷识别方法。
背景技术
换流站作为电力***中的重要一环，发挥着极其重要的作用，但因其设备既多且杂，大部分设备的结构也很复杂，这使得对其进行全面准确的缺陷检测变得极为困难。现阶段换流站缺陷检查，主要还是通过人工巡查的方式来进行，这种方法费时费力，且因为人员数量与人员素质的影响，经常会出现误检、漏检的情况。即使少数换流站通过智能化检测设备，建立了在线巡查***，降低了人力的参与，仍然无法满足实际使用需要。究其原因，是因为一般在线巡查***其缺陷检测方法在换流站这种环境条件复杂、设备种类繁多的特点下准确性大打折扣，无法实现全面准确的缺陷识别。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种带有模板的综合型换流站缺陷识别方法，以期能提高换流站缺陷识别检测准确性，降低误报、漏报可能，减轻工作人员负担，从而实现换流站整体效率的提升，减小大型事故发生的可能。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种带有模板的综合型换流站缺陷识别方法的特点是按如下步骤进行：
步骤1、获取换流站样本库中的基准图片和待检图片，所述基准图片为换流站无隐患时的正常图片，所述待检图片为实时拍摄的相同换流站位置的图片；
步骤2、基于所述基准图片利用SSIM算法对待检图片进行检测，得到SSIM检测结果；
利用深度学习的机器视觉检测算法对所述待检图片进行检测，得到视觉算法检测结果；
步骤3、判断所述SSIM检测结果中的基准图片与待检图片的相似值是否大于所设定的相似度限值，若大于，则表示所述待检图片与正常图片相同，即待检图片中未检测出隐患；否则，则执行步骤4；
步骤4、判断所述SSIM检测结果是否存在相似判别框，若存在，则执行步骤5，否则，表示待检图片与正常图片相同，即待检图片中未检测出隐患；
步骤5、获取相似判别框的数量，若相似判别框的数量为1时，则执行步骤6；若相似判别框数量为两个及以上时，则执行步骤7；
步骤6、对视觉算法检测结果进行判断，并根据判断结果，输出结论；
步骤7、判断所述视觉算法检测结果中是否存在检测框，若存在，则执行步骤8；否则，直接将相似判别框在待检图片上的显示位置并作为隐患位置进行提示；
步骤8、判断所述检测框的数量是否为1，若是，则执行步骤9；否则，表示所述检测框的数量为两个及以上时，并执行步骤10；
步骤9、判断检测框的优先类别，并根据判断结果输出对应结论；
步骤10、判断检测框的种类是否含有优先类别，若含有优先类别时，则直接将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，执行步骤11；
步骤11、对所有相似判别框分别与所有检测框的重合度进行计算，若所得的重合度平均值达到所预设的阈值D时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将所有相似判别框在待检图片上的显示位置作为隐患位置进行提示。
本发明所述的综合型换流站缺陷识别方法的特点也在于，所述步骤6是按如下步骤进行：
步骤6.1、判断所述视觉算法检测结果中是否存在检测框，若存在，则执行步骤6.2；否则，直接将相似判别框在待检图片上的显示位置作为隐患位置进行提示；
步骤6.2、获取所述检测框的数量，若检测框数量为1时，则执行步骤6.3；若检测框数量为两个及以上时，则执行步骤6.4；
步骤6.3、对相似判别框与检测框的重合度进行计算，当所得的结果达到所预设的阈值A时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则将相似判别框在待检图片上的显示位置作为隐患位置进行提示；
步骤6.4、判断检测框类别中是否含有优先类别，若有优先类别存在时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，若没有优先类别存在时，则执行步骤6.5；
步骤6.5、对所述相似判别框和所有检测框的重合度进行计算，当所得到的重合度平均值均达到所预设的阈值B时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将相似判别框在待检图片上的显示位置作为隐患位置进行提示。
所述步骤9是按如下步骤进行：
步骤9.1、判断检测框的种类是否含有优先类别，若有优先类别存在时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则执行步骤9.2；
步骤9.2、对所有相似判别框分别和检测框的重合度进行计算，当所得到的重合度平均值达到所预设的阈值C时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将所有判别框在待检图片上的显示位置作为隐患位置进行提示。
所述优先类别是指基于深度学习的机器视觉检测算法在进行样本识别训练过程中所设定的重点检测类别。
各个阈值的大小关系为A>B>C>D。
与现有技术相比，本发明的有益效果在于：
本发明方法采用SSIM算法与深度学习的计算机视觉算法两种不同的算法同时对待检测图片进行识别检测，综合两种算法的优势，互相映证检测结果，使得最终输出结果准确率大幅度提高，有效的提高了换流站缺陷检测识别准确性，减少大型事故风险可能。检测结果正确率的提升，可以增加在线巡查***的工作比重，有效降低了工作人员负担，减少了人力参与缺陷巡查，提升了工作效率，使得换流站整体效益得到大幅度提高。
附图说明
图1为本发明一种带有模板的综合型换流站缺陷识别方法具体实施流程图；
具体实施方式
本实施例中，一种带有模板的综合型换流站缺陷识别方法是按如下步骤进行：
步骤1、获取换流站样本库中的基准图片和待检图片，基准图片为换流站无隐患时的正常图片，待检图片为实时拍摄的相同换流站位置的图片；
步骤2、基于基准图片利用SSIM算法对待检图片进行检测，得到SSIM检测结果；
利用深度学习的计算机视觉算法对待检图片进行检测，得到视觉算法检测结果；
如图1所示，SSIMbox即为SSIM算法，检测器box指代深度学习的计算机视觉算法，待检图片和基准图片经过SSIM算法处理后，得到基准图片与待检图片对比相似值和差异判别框，待检图片经过检测器box，当检测到训练集中涵盖的隐患时，即输出检测框。
本方法采用两种不同的检测算法对待检图片进行处理，是因为单一的SSIM算法和深度学习算法都具有较大的缺陷。
首先SSIM算法需要将基准图片与待检测图片进行对齐，在对齐的过程中如果出现问题，对后续比对结果影响极大，其次，处理复杂场景时，SSIM算法结果容易受到干扰，第三，光照变化带来的物体影子位置的变换也会被检测出来，第四SSIM算法语义信息需要单独处理。但SSIM算法不需要大量的前期工作，不用考虑所要检测的样本之前是否出现过，只要有基准图片与待检图片进行对比。
深度学习算法不需要与基准图片对齐，只需要大量的样本图片进行训练；在复杂场景中可以有效的识别样本信息；几乎不受光影变换的影响；不需要单独处理语义信息。但深度学习算法对未出现过的样本信息处理准确度较低，易出现误检、漏检。
因此，结合两种算法优点对所得结果进行处理可以大大提高检测准确率。
步骤3、判断SSIM检测结果中的基准图片与待检图片的相似值是否大于所设定的相似度限值，如图1所示所设定的相似度限值为0.995，若大于，则表示待检图片与正常图片相同，即待检图片中未检测出隐患；否则，则执行步骤4；
步骤4、判断SSIM检测结果是否存在相似判别框，若存在，则执行步骤5，否则，表示待检图片与正常图片相同，即待检图片中未检测出隐患；
步骤5、获取相似判别框的数量，若相似判别框的数量为1，即如图1所示Len(SSIMbox)＝1判断为Y，则执行步骤6；若相似判别框数量为两个及以上，即Len(SSIMbox)＝1判断结果为N，则执行步骤7；
步骤6、对视觉算法检测结果进行判断，并根据判断结果，输出结论；
如图1中虚线框所示步骤6是按如下步骤进行：
步骤6.1、判断视觉算法检测结果中是否存在检测框，若存在，则执行步骤6.2；不存在则说明检测器box未检测到隐患，直接将相似判别框在待检图片上的显示位置作为隐患位置进行提示；
步骤6.2、获取检测框的数量，若检测框数量为1，即如图1虚线框中所示Len(Netbox)＝1判断为Y，则执行步骤6.3；若检测框数量为两个及以上时，即Len(Netbox)＝1判断为N，则执行步骤6.4；
步骤6.3、对相似判别框与检测框的重合度进行计算，当所得的结果达到所预设的阈值A时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则将相似判别框在待检图片上的显示位置作为隐患位置进行提示；
如图1所示阈值条件为IOU>0.5，当重合度结果符合条件时，默认检测框所示结果正确，应将检测框在待检图片上的显示位置作为隐患位置进行提示；当条件不符合时，说明检测框显示区域与基准图片相同，检测框所示结果错误，应将相似判别框在待检图片上的显示位置作为隐患位置进行提示。
步骤6.4、判断检测框类别中是否含有优先类别，若有优先类别存在时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，若没有优先类别存在时，则执行步骤6.5；
优先类别是指基于深度学习的机器视觉检测算法在进行样本识别训练过程中所设定的重点检测类别。重点检测类别是对换流站影响较大的安全隐患种类，本着“宁错杀不放过”的原则，作为优先判断条件。所以无需计算重合度，直接将所有检测框在待检图片上的显示位置作为隐患位置进行提示。
步骤6.5、对相似判别框和所有检测框的重合度进行计算，当所得到的重合度平均值达到所预设的阈值B时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将相似判别框在待检图片上的显示位置作为隐患位置进行提示。
如图1虚线框中所示阈值条件为IOU>0.4，因为此时检测框不止一个，与判别框进行重合度计算时，偏差相对较大，所设阈值条件低于阈值A。
步骤7、判断视觉算法检测结果中是否存在检测框，若存在，则执行步骤8；否则，直接将相似判别框在待检图片上的显示位置并作为隐患位置进行提示；
步骤8、判断检测框的数量是否为1，若是，则执行步骤9；否则，表示检测框的数量为两个及以上时，并执行步骤10；
步骤9、判断检测框的优先类别，并根据判断结果输出对应结论；
如图1中点线框所示步骤9是按如下步骤进行：
步骤9.1、判断检测框的种类是否含有优先类别，若有优先类别存在时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则执行步骤9.2；
步骤9.2、对所有相似判别框分别和检测框的重合度进行计算，当所得到的重合度平均值达到所预设的阈值C时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将所有判别框在待检图片上的显示位置作为隐患位置进行提示。
如图1点线框中所示阈值条件为IOU>0.3，因为此时判别框不止一个，且SSIM算法在复杂场景条件下，检测结果正确率相比于深度学习的计算机视觉算法略低，所以所设阈值条件低于阈值B。
步骤10、判断检测框的种类是否含有优先类别，若含有优先类别时，则直接将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，执行步骤11；
步骤11、对所有相似判别框分别与所有检测框的重合度进行计算，若所得的重合度平均值达到所预设的阈值D时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将所有相似判别框在待检图片上的显示位置作为隐患位置进行提示。
如图1所示阈值条件为IOU>0.25，因为此时检测框与判别框数量均为两个或以上，对重合度计算结果影响较大，所以所设阈值条件最低。
Claims (5)
1.一种带有模板的综合型换流站缺陷识别方法，其特征是按如下步骤进行：
步骤1、获取换流站样本库中的基准图片和待检图片，所述基准图片为换流站无隐患时的正常图片，所述待检图片为实时拍摄的相同换流站位置的图片；
步骤2、基于所述基准图片利用SSIM算法对待检图片进行检测，得到SSIM检测结果；
利用深度学习的机器视觉检测算法对所述待检图片进行检测，得到视觉算法检测结果；
步骤3、判断所述SSIM检测结果中的基准图片与待检图片的相似值是否大于所设定的相似度限值，若大于，则表示所述待检图片与正常图片相同，即待检图片中未检测出隐患；否则，则执行步骤4；
步骤4、判断所述SSIM检测结果是否存在相似判别框，若存在，则执行步骤5，否则，表示待检图片与正常图片相同，即待检图片中未检测出隐患；
步骤5、获取相似判别框的数量，若相似判别框的数量为1时，则执行步骤6；若相似判别框数量为两个及以上时，则执行步骤7；
步骤6、对视觉算法检测结果进行判断，并根据判断结果，输出结论；
步骤7、判断所述视觉算法检测结果中是否存在检测框，若存在，则执行步骤8；否则，直接将相似判别框在待检图片上的显示位置并作为隐患位置进行提示；
步骤8、判断所述检测框的数量是否为1，若是，则执行步骤9；否则，表示所述检测框的数量为两个及以上时，并执行步骤10；
步骤9、判断检测框的优先类别，并根据判断结果输出对应结论；
步骤10、判断检测框的种类是否含有优先类别，若含有优先类别时，则直接将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，执行步骤11；
步骤11、对所有相似判别框分别与所有检测框的重合度进行计算，若所得的重合度平均值达到所预设的阈值D时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将所有相似判别框在待检图片上的显示位置作为隐患位置进行提示。
2.根据权利要求1所述的综合型换流站缺陷识别方法，其特征是，所述步骤6是按如下步骤进行：
步骤6.1、判断所述视觉算法检测结果中是否存在检测框，若存在，则执行步骤6.2；否则，直接将相似判别框在待检图片上的显示位置作为隐患位置进行提示；
步骤6.2、获取所述检测框的数量，若检测框数量为1时，则执行步骤6.3；若检测框数量为两个及以上时，则执行步骤6.4；
步骤6.3、对相似判别框与检测框的重合度进行计算，当所得的结果达到所预设的阈值A时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则将相似判别框在待检图片上的显示位置作为隐患位置进行提示；
步骤6.4、判断检测框类别中是否含有优先类别，若有优先类别存在时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，若没有优先类别存在时，则执行步骤6.5；
步骤6.5、对所述相似判别框和所有检测框的重合度进行计算，当所得到的重合度平均值均达到所预设的阈值B时，则将所有检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将相似判别框在待检图片上的显示位置作为隐患位置进行提示。
3.根据权利要求1所述的综合型换流站缺陷识别方法，其特征是，所述步骤9是按如下步骤进行：
步骤9.1、判断检测框的种类是否含有优先类别，若有优先类别存在时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则执行步骤9.2；
步骤9.2、对所有相似判别框分别和检测框的重合度进行计算，当所得到的重合度平均值达到所预设的阈值C时，则将检测框在待检图片上的显示位置作为隐患位置进行提示，否则，将所有判别框在待检图片上的显示位置作为隐患位置进行提示。
4.根据权利要求1所述的综合型换流站缺陷识别方法，其特征是，所述优先类别是指基于深度学习的机器视觉检测算法在进行样本识别训练过程中所设定的重点检测类别。
5.根据权利要求1～3所述的综合型换流站缺陷识别方法，其特征是，各个阈值的大小关系为A>B>C>D。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011041010.1A CN112183342B (zh) | 2020-09-28 | 2020-09-28 | 一种带有模板的综合型换流站缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011041010.1A CN112183342B (zh) | 2020-09-28 | 2020-09-28 | 一种带有模板的综合型换流站缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183342A true CN112183342A (zh) | 2021-01-05 |
| CN112183342B CN112183342B (zh) | 2022-07-12 |
Family
ID=73943789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011041010.1A Active CN112183342B (zh) | 2020-09-28 | 2020-09-28 | 一种带有模板的综合型换流站缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183342B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050286753A1 (en) * | 2004-06-25 | 2005-12-29 | Triant Technologies Inc. | Automated inspection systems and methods |
| JP2017097718A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社リコー | 識別処理装置、識別システム、識別処理方法、およびプログラム |
| CN106952257A (zh) * | 2017-03-21 | 2017-07-14 | 南京大学 | 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法 |
| CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
| CN109447154A (zh) * | 2018-10-29 | 2019-03-08 | 网易（杭州）网络有限公司 | 图片相似度检测方法、装置、介质及电子设备 |
| CN109670515A (zh) * | 2018-12-13 | 2019-04-23 | 南京工业大学 | 一种用于无人机影像中建筑物变化的检测方法及*** |
| CN110378869A (zh) * | 2019-06-05 | 2019-10-25 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
| CN110570536A (zh) * | 2019-08-26 | 2019-12-13 | 北京许继电气有限公司 | 一种特高压输电线路智能巡线*** |
| CN110610485A (zh) * | 2019-08-26 | 2019-12-24 | 北京许继电气有限公司 | 一种基于ssim算法的特高压输电线路通道隐患预警方法 |
| CN111024708A (zh) * | 2019-09-06 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、***和设备 |
| CN111340791A (zh) * | 2020-03-02 | 2020-06-26 | 浙江浙能技术研究院有限公司 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
| CN111563896A (zh) * | 2020-07-20 | 2020-08-21 | 成都中轨轨道设备有限公司 | 一种用于接触网异常检测的图像处理方法 |
| CN111598857A (zh) * | 2020-05-11 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 产品表面缺陷的检测方法、装置、终端设备及介质 |
-
2020
- 2020-09-28 CN CN202011041010.1A patent/CN112183342B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050286753A1 (en) * | 2004-06-25 | 2005-12-29 | Triant Technologies Inc. | Automated inspection systems and methods |
| JP2017097718A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社リコー | 識別処理装置、識別システム、識別処理方法、およびプログラム |
| CN106952257A (zh) * | 2017-03-21 | 2017-07-14 | 南京大学 | 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法 |
| CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
| CN109447154A (zh) * | 2018-10-29 | 2019-03-08 | 网易（杭州）网络有限公司 | 图片相似度检测方法、装置、介质及电子设备 |
| CN109670515A (zh) * | 2018-12-13 | 2019-04-23 | 南京工业大学 | 一种用于无人机影像中建筑物变化的检测方法及*** |
| CN110378869A (zh) * | 2019-06-05 | 2019-10-25 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
| CN110570536A (zh) * | 2019-08-26 | 2019-12-13 | 北京许继电气有限公司 | 一种特高压输电线路智能巡线*** |
| CN110610485A (zh) * | 2019-08-26 | 2019-12-24 | 北京许继电气有限公司 | 一种基于ssim算法的特高压输电线路通道隐患预警方法 |
| CN111024708A (zh) * | 2019-09-06 | 2020-04-17 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、***和设备 |
| CN111340791A (zh) * | 2020-03-02 | 2020-06-26 | 浙江浙能技术研究院有限公司 | 一种基于gan改进算法的光伏组件无监督缺陷检测方法 |
| CN111598857A (zh) * | 2020-05-11 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 产品表面缺陷的检测方法、装置、终端设备及介质 |
| CN111563896A (zh) * | 2020-07-20 | 2020-08-21 | 成都中轨轨道设备有限公司 | 一种用于接触网异常检测的图像处理方法 |
Non-Patent Citations (5)
| Title |
|---|
| BEIXIN XIA等: ""SSIM-NET: Real-Time PCB Defect Detection Based on SSIM and MobileNet-V3"", 《2019 2ND WORLD CONFERENCE ON MECHANICAL ENGINEERING AND INTELLIGENT MANUFACTURING (WCMEIM)》, 20 February 2020 (2020-02-20), pages 756 - 759 * |
| JING WANG等: ""Visual Defect Detection for Substation Equipment based on Joint Inspection Data of Camera and Robot"", 《2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》, 16 July 2020 (2020-07-16), pages 491 - 495 * |
| 乔羽等: ""基于加权SSIM算法的PCB元件缺陷检测"", 《制造业自动化》, 30 April 2019 (2019-04-30), pages 10 - 14 * |
| 刘萍: ""基于深度学习的视频异常事件检测"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 January 2020 (2020-01-15), pages 138 - 1240 * |
| 高吉: ""基于改进结构相似度的标签缺陷检测***研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 October 2018 (2018-10-15), pages 138 - 542 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183342B (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110108712A (zh) | 多功能视觉缺陷检测*** | |
| CN111460969A (zh) | 一种基于云计算的工业信息智能化监控*** | |
| CN116228651A (zh) | 一种布匹缺陷检测方法、***、设备及介质 | |
| WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、***及计算机存储介质 | |
| CN112183342B (zh) | 一种带有模板的综合型换流站缺陷识别方法 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及*** | |
| CN116310294A (zh) | 一种地铁列车螺栓松动检测方法及装置 | |
| CN114622311A (zh) | 断线检测方法、装置及纺纱机 | |
| CN112465784B (zh) | 一种地铁夹钳外观异常检测的方法 | |
| KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
| KR20230024160A (ko) | 의미 분할 학습 데이터 오류 검출 및 수정 시스템 및 그 방법 | |
| CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
| CN112288747A (zh) | 一种钢坯的智能检测方法及装置 | |
| CN112329783B (zh) | 基于图像处理的钩尾框折断识别方法 | |
| CN111223086A (zh) | 一种基于深度学习的建筑裂缝识别及识别效果的优化方法 | |
| CN112329775B (zh) | 一种数字多用表字符识别方法 | |
| CN116311073A (zh) | 一种智能安防***及运行方法 | |
| RU2787072C1 (ru) | Способ оперативного обнаружения поверхностных дефектов кроненпробок на основе обработки изображений | |
| CN117593515B (zh) | 一种轨道车辆用螺栓松动检测***、方法及存储介质 | |
| CN113962956B (zh) | 一种运煤皮带机异物检测方法 | |
| CN112634352B (zh) | 一种变电站鱼眼式分合闸状态识别方法与*** | |
| CN116612088A (zh) | 一种废旧服务端拆解零部件缺陷检测方法和*** | |
| CN118314578A (zh) | 一种ocr识别及数据处理方法及*** | |
| CN118071694A (zh) | 一种工厂设备异常检测***、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 |