CN113160184B - 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 - Google Patents
一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 Download PDFInfo
- Publication number
- CN113160184B CN113160184B CN202110453748.7A CN202110453748A CN113160184B CN 113160184 B CN113160184 B CN 113160184B CN 202110453748 A CN202110453748 A CN 202110453748A CN 113160184 B CN113160184 B CN 113160184B
- Authority
- CN
- China
- Prior art keywords
- cable
- image
- defect detection
- model
- surface defect
- 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.)
- Active
Links
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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
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)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,使用YOLOv3表面缺陷检测模型分别进行训练和检测,通过无人机采集电缆图像数据验证及应用所构建的缺陷检测模型,评估与分析应用误差,构建合理有效评价机制,本发明可以提高电缆中缺陷的识别精确度,对电缆中缺陷产生初期有较好的识别能力,可以及时发现电缆缺陷并快速处理。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法。
背景技术
现今我国的电网规模就已跃居世界首位。目前已经建成了六大跨省区的电网,分别是南方、西北、华东、华中、华北和东北这六大电网,输电线路总长度超过了115万千米,500kV及以上的输电线路已成为各区电网输电主力。由于地形复杂,丘陵多、平原少,以及气象条件复杂多变,电力线路走廊需要穿越各种复杂的地理环境,特别是对于电力线路穿越原始森林边缘地区、高海拔、冰雪覆盖区以及沿线存在频繁多滑坡、泥石流等地质灾害,大部分地区山高坡陡,交通和通讯极不发达时,给跨区电网和超高压输电线路工程的建设带来一定难度。在这种复杂气候地形情况下,人工巡检作业非常困难,受限制的因素也特别多。庞大的线路,纯靠人工,巡线人员工作量会非常大、劳动强度高、巡线时间长,巡线效率也较低。
使用无人机进行人工观测,检测电缆破损位置。但是对大规模电网无法迅速检测,人工观察无人机拍摄的电缆图片会造成极大的效率迟缓,且存在漏检的问题,该方式对于人力、物力以及时间等方面消耗巨大。
发明内容
有鉴于此,本发明的目的是提供一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,通过无人机采集电缆图像,构建YOLOv3表面缺陷检测模型对大规模的电缆识别判断是否存在缺陷或缺陷,检测和分析预测能力较其他方法有较大的提升。
本发明的目的是通过以下技术方案实现的:
该种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,包括以下步骤:
S1:本发明使用缺陷检测模型检测电缆中出现的缺陷,建立电缆缺陷图像数据库,对所有电缆的图像进行标注,然后按照预设比例划分训练集和测试集,同时针对实际中无法获取大量实际电缆缺陷图像采用人工合成的方式扩充数据集;
S2:构建改进YOLOv3缺陷检测模型,所述的改进YOLOv3缺陷检测模型主要功能是检测出电缆存在的缺点和缺陷,并检测电缆中缺陷的具体种类,分析的电缆缺陷类型;
S3:使用训练集训练改进YOLOv3缺陷检测模型;
S4:将测试集中的电缆图像输入训练好的改进YOLOv3检测模型,获取检测结果,并使用该结果针对普通可见光图像裁切出对应的目标框,识别缺陷点电缆的类别。
进一步,YOLOv3表面缺陷检测模型是指改进后的YOLOv3表面缺陷检测模型,是在YOLOv3的基础上改进特征检测层,改进了检测单元中先验框,对特征图进行缺陷预估算从而提高模型的识别精度,并针对无人机拍摄的电缆表面缺陷检测具体类别。
进一步,步骤S1中,电缆表面图像数据库由无人机采集电缆图像以及人工合成缺陷图像,并加以标注。
进一步,将电缆表面图像数据库中每一张图像中每个缺陷的缺陷点的四个顶点坐标进行标注,将其坐标、边框、检测信息类别一起写入到标签文件中,构建电缆的电缆表面缺陷图像数据库中每一张图片对应一个标签。
进一步,所述步骤S2中,YOLOv3表面缺陷检测模型中的先验框部分改进了提取特征,在先验框前对特征图进行预估算,对特征图采取高斯建模,判断特征图中是否达到自适应阈值,该阈值为超参数随训练轮数进行调整,在N维卷积层中采用一个N维列向量对输出的卷积层进行判断,LThreshold用来表示阈值损失,经过迭代调整出一个合适的阈值。将符合条件的特征图继续向先验框继续运行;
进一步的,在先验框中,选定预测框后设置搜索算法,并分析区域是否存在连续,在预测框中可能存在多个缺陷特征区域故需要将预测框划分为若干小预测框,将若干个较小预测框进行筛选后在预测框中找到特征较大值,在较大的特征值中选择位置坐标最大值Xmax、Ymax和最小值Xmin、Ymin,重新调整box为仅包含特征最大的几个值的新box,进行后序流程。
进一步,所述步骤S3中,在训练模型前进行预处理及分析步骤,采用图像处理并将每个处理部分进行放入封装处理成一个模块,将每个模块嵌入到模型中。在数据喂入模型前,采用数据增强对图像进行扩充,将电缆表面缺陷按照类别进行标记,并有标记好的数据集训练该模型。
进一步,所述步骤S4中,通过无人机采集电网中电缆图像和构建缺陷检测模型对图像进行识别判断是否存在表面缺陷,分析图像中电缆表面缺陷特征的特点。
进一步,所述步骤S4中,将采集到的电缆表面图像输入训练好的YOLOv3检测模型,获取电缆表面缺陷热成像检测结果,并使用该结果针对图像裁切出对应的目标框,并使用该结果针对图像裁切出对应的目标框,识别缺陷点电缆的类别。
进一步,所述步骤S3中,YOLOv3表面缺陷检测模型使用包含电缆表面图像缺陷的普通图像,将标记好的数据集训练该模型,在训练前采用数据增强和迁移训练提高模型精度。
本发明的有益效果是:
(1)本发明提出的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法采用改进的YOLOv3模型进程训练感知,构建表面缺陷检测模型,用于检测电缆图像检测是否存在缺陷损坏,并精准定位到缺陷位置;
(2)本发明围绕着电网电缆的电缆表面缺陷检测YOLOv3模型实现表面缺陷检测模型机制,可以使得模型输出特征向量具备更好的训练性能,弥补传统检测中缺陷目标识别能力不足的问题,使缺陷检测的目标位置更加精确;
(3)本发明利用无人机采集图像并构建YOLOv3表面缺陷检测模型,解决电缆巡检的实际环境中人工无法快速分析大批量场景图片的问题,同时避免在实际应用场景中会出现检测能力不足的问题,提高识别检测效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明的流程图;
图2为本发明中改进YOLOv3模型的结构示意图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
在本发明的描述中,需要理解的是,术语“纵向”、“长度”、“周向”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或可以互相通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
YOLOv3是YOLO(You Only Look Once)系列目标检测算法中的第三版,相比之前的算法,尤其是针对小目标,精度有显著提升,YOLOv3的网络模型结构主要由75个卷基层构成,卷基层对于分析物体特征最为有效。由于没有使用全连接层,该网络可以对应任意大小的输入图像。此外,池化层也没有出现在YOLOv3当中,取而代之的是将卷基层的stride设为2来达到下采样的效果,同时将尺度不变特征传送到下一层。除此之外,YOLOv3中还使用了类似ResNet和FPN网络的结构,这两个结构对于提高检测精度也是大有裨益。
本发明的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,如图1所示,包括以下步骤:
S1:本发明使用YOLOv3表面缺陷检测模型检测电缆中出现的缺陷,建立电缆缺陷图像数据库,对所有电缆的表面缺陷进行标注,然后按照预设比例划分训练集和测试集,同时针对实际中无法获取大量实际电缆缺陷的图像采用人工合成的方式扩充数据集;
本实施的步骤S1中,将电缆表面图像数据库中每个缺陷的四个顶点坐标进行标注,将其坐标、边框、检测信息类别一起写入到标签文件中,构建电缆表面缺陷图像数据库中每一张图片对应一个标签。将图像按照预设的比例机械能划分,本实施例中采用4:1的比例,划分至训练集和测试集。
S2:构建改进YOLOv3表面缺陷检测模型,所述的改进YOLOv3表面缺陷检测模型主要功能是检测出电缆中电缆表面存在的缺点和缺陷,并分析的电缆中缺陷类型;
如图2所示,本发明的改进YOLOv3表面缺陷检测模型。在实际检测中,检测目标为电缆巡检中的电缆表面缺陷,虽然电缆表面缺陷有分布不均大小不一的特点,但是电电缆表面缺陷具有像素一致性即缺陷区域图像的像素值趋同,且像素值偏高。利用这一特征,针对性的对YOLOv3模型中先验框进行调整。
具体地,如图2所示,在先验框前对特征图进行缺陷预估算,对特征图采取高斯建模,判断特征图中是否达到自适应阈值,该阈值为超参数随训练轮数进行调整,在N维卷积层中采用一个N维列向量对输出的卷积层进行判断,LThreshold用来表示阈值损失,经过迭代调整出一个合适的阈值。将符合条件的特征图继续向先验框继续运行;其次是在先验框中,选定预测框后设置搜索算法,并分析区域是否存在连续,在预测框中可能存在多个缺陷特征区域故需要将预测框划分为若干小预测框。将若干个较小预测框进行筛选后在预测框中找到特征较大值,在较大的特征值中选择位置坐标最大值Xmax、Ymax和最小值Xmin、Ymin重新调整box为仅包含特征最大的几个值的新box,进行后序流程。
S3:使用训练集训练改进YOLOv3表面缺陷检测模型;
本实施例中,对损失函数采用批量梯度下降的方法,优化深度学习模型的权重参数,使得分类的错误率最小。训练过程中各项超参数配置:权值初始化采用正态随机初始化方法,批大小根据训练所使用GPU的性能和内存容量,选取最适当的批大小;学习率采用动态学习率。训练完成后,使用独立的测试集损失函数进行误差评估。
在设置好网络结构并将训练集完成后,本实施例中使用COCO2017数据集分别对YOLOv3表面缺陷检测模型进行预训练(用coco数据库进行的是预训练,也可以换成其他数据集进行预训练,能加快缺陷数据集的训练速度、尽快实现拟合),将模型在多次迭代中学习网络参数,使模型具有良好的检测性能。
图像经预处理后,待检测图像输入YOLOv3,在骨干网输出层上采样,获取预测的目标区域,在预测器中首先经过一个先验框,在N维卷积层中采用一个N维列向量对输出的卷积层进行判断,用来表示阈值损失,经过迭代调整出一个合适的阈值。将符合条件的特征图继续向先验框继续运行。最终网络输出预测框的中心坐标和长宽数据和预测框的类型。
S4:将测试集中的电缆图像输入训练好的改进YOLOv3检测模型,获取电缆表面缺陷检测结果,识别缺陷的类别。
本实施例中,对路巡检中出现的电缆表面进行检测采用的YOLOv3检测模型,该模型是由无人机在采集的普通电缆表面图像和人工拍摄的数据集训练出来的。制作训练集时标注标签是由实际电网运行中使用的电缆上缺陷进行标注分类。在实践工作中,无人机采集图像,使用YOLOv3表面缺陷检测模型针对实际场景中的电缆图像进行检测和分析。
本发明利用YOLOv3表面缺陷检测模型检测结果来定位相应的普通可见光电缆的电缆表面在图像中的位置,对图像中的电缆表面分类得出缺陷的具体类别便于快速发现、快速诊断,实现高效率运营维护。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,其特征在于:包括以下步骤:
S1:使用缺陷检测模型检测电缆中出现的缺陷,建立电缆缺陷图像数据库,对所有电缆的图像进行标注,然后按照预设比例划分训练集和测试集,同时针对实际中无法获取大量实际电缆缺陷图像采用人工合成的方式扩充数据集;
S2:构建改进YOLOv3缺陷检测模型,所述的改进YOLOv3缺陷检测模型用于检测出电缆存在的缺点和缺陷,并检测电缆中缺陷的具体种类,分析的电缆缺陷类型;
所述YOLOv3表面缺陷检测模型是改进后的YOLOv3表面缺陷检测模型,是在YOLOv3的基础上改进特征检测层,改进了检测单元中先验框,对特征图进行缺陷预估算从而提高模型的识别精度,并针对无人机拍摄的电缆表面缺陷检测具体类别;
YOLOv3表面缺陷检测模型中的先验框部分改进了提取特征,在先验框前对特征图进行预估算,对特征图采取高斯建模,判断特征图中是否达到自适应阈值,该阈值为超参数随训练轮数进行调整,在N维卷积层中采用一个N维列向量对输出的卷积层进行判断, LThreshold用来表示阈值损失,经过迭代调整出一个自适应阈值,将符合条件的特征图继续向先验框继续运行;
将符合条件的特征图继续向先验框继续运行包括:在先验框中,选定预测框后设置搜索算法,并分析区域是否存在连续,在预测框中存在多个缺陷特征区域,将预测框划分为若干小预测框,将若干个小预测框进行筛选后在预测框中找到特征值中位置坐标最大值Xmax、Ymax和最小值Xmin、Ymin,重新调整预测框为仅包含特征值中的位置坐标最大值的新预测框,进行后续流程;
S3:使用训练集训练改进YOLOv3缺陷检测模型;
所述步骤S3中,在训练模型前进行预处理及分析步骤,采用图像处理并将每个处理部分进行放入封装处理成一个模块,将每个模块嵌入到模型中;在数据喂入模型前,采用数据增强对图像进行扩充,将电缆表面缺陷按照类别进行标记,并有标记好的数据集训练该模型;
S4:将测试集中的电缆图像输入训练好的改进YOLOv3检测模型,获取检测结果,并使用该结果针对普通可见光图像裁切出对应的目标框,识别缺陷点电缆的类别。
2.根据权利要求1所述的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,其特征在于:步骤S1中,电缆表面图像数据库由无人机采集电缆图像以及人工合成缺陷图像,并加以标注。
3.根据权利要求1所述的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,其特征在于:将电缆表面图像数据库中每一张图像中每个缺陷的缺陷点的四个顶点坐标进行标注,将其坐标、边框、检测信息类别一起写入到标签文件中,构建电缆的电缆表面缺陷图像数据库中每一张图片对应一个标签。
4.根据权利要求1所述的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,其特征在于:所述步骤S4中,通过无人机采集电网中电缆图像和构建缺陷检测模型对图像进行识别判断是否存在表面缺陷,分析图像中电缆表面缺陷特征的特点。
5.根据权利要求1所述的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法,其特征在于:所述步骤S4中,将采集到的电缆表面图像输入训练好的YOLOv3检测模型,获取电缆表面缺陷热成像检测结果,并使用该结果针对图像裁切出对应的目标框,识别缺陷点电缆的类别。
6.根据权利要求1或3所述的一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法, 其特征在于:所述步骤S3中,YOLOv3表面缺陷检测模型使用包含电缆表面图像缺陷的普通图像,将标记好的数据集训练该模型,在训练前采用数据增强和迁移训练提高模型精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453748.7A CN113160184B (zh) | 2021-04-26 | 2021-04-26 | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453748.7A CN113160184B (zh) | 2021-04-26 | 2021-04-26 | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160184A CN113160184A (zh) | 2021-07-23 |
CN113160184B true CN113160184B (zh) | 2022-06-07 |
Family
ID=76870879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110453748.7A Active CN113160184B (zh) | 2021-04-26 | 2021-04-26 | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160184B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663375B (zh) * | 2022-03-14 | 2023-07-07 | 中国电子科技集团公司第三十八研究所 | 基于小样本学习的浮空器主缆绳表面缺陷检测方法及*** |
CN115144704B (zh) * | 2022-09-02 | 2022-11-15 | 深圳永贵技术有限公司 | 电缆生产的故障检测方法、装置、设备及存储介质 |
CN115205318B (zh) * | 2022-09-16 | 2023-03-24 | 中天科技海缆股份有限公司 | 一种海缆表面缺陷识别的方法及*** |
CN116433659B (zh) * | 2023-06-09 | 2023-08-29 | 山东高速工程检测有限公司 | 一种三段式道路缺陷图像处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408193A (zh) * | 2016-09-26 | 2017-02-15 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路网格化风险分析及评估方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
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 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107835997B (zh) * | 2015-08-06 | 2021-07-30 | 埃森哲环球服务有限公司 | 使用计算机视觉的用于电力线走廊监测的植被管理 |
-
2021
- 2021-04-26 CN CN202110453748.7A patent/CN113160184B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408193A (zh) * | 2016-09-26 | 2017-02-15 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路网格化风险分析及评估方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
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 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
Non-Patent Citations (6)
Title |
---|
《A Method of Power Line Hanging Point Location Based on LiDAR Data》;Shi Shushan等;《2019 IEEE 3rd Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC)》;20200206;第1900-1905页 * |
《Ampacity level monitoring utilizing fuzzy logic theory in deregulated power markets》;Rafik Fainti等;《 2017 8th International Conference on Information, Intelligence, Systems & Applications (IISA)》;20180315;第1-6页 * |
《一种红外图像增强算法在无人机巡检输电线路上的应用》;陈科羽等;《电子设计工程》;20200831;第28卷(第16期);第174-178页 * |
《基于Faster RCNN的绝缘子自爆缺陷识别》;虢韬等;《电瓷避雷器》;20190630(第3期);第183-189页 * |
《基于改进YOLOv3的电力设备红外目标检测模型》;郑含博;《电工技术学报》;20210415;第11卷(第34期);第1389-1398页 * |
《考虑温度效应的直流融冰架空输电线振动特性数值分析》;冯文斌等;《吉林电力》;20200630;第48卷(第3期);第11-14+19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160184A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160184B (zh) | 一种基于深度学习的无人机智能巡检电缆表面缺陷检测方法 | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN108037770A (zh) | 基于人工智能的无人机输电线路巡检***和方法 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
CN114283117A (zh) | 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN111310756B (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾***及方法 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及*** | |
CN109829881A (zh) | 基于深度学习的鸟巢检测方法及*** | |
CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
CN111832398A (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN109815798A (zh) | 无人机图像处理方法及*** | |
CN109785288A (zh) | 基于深度学习的输电设备缺陷检测方法及*** | |
CN112455676A (zh) | 一种光伏板健康状态智能监测分析***及方法 | |
CN115456955A (zh) | 一种球笼防尘罩内部毛刺缺陷检测方法 | |
Elidrissi et al. | Automatic on field detection and localization of defective solar photovoltaic modules from orthorectified RGB UAV imagery | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及*** | |
CN114821370A (zh) | 基于无人机影像与U-Net的单木树冠检测与分割方法 | |
CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及*** |
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 |