CN113469953B - 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 - Google Patents
一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 Download PDFInfo
- Publication number
- CN113469953B CN113469953B CN202110650700.5A CN202110650700A CN113469953B CN 113469953 B CN113469953 B CN 113469953B CN 202110650700 A CN202110650700 A CN 202110650700A CN 113469953 B CN113469953 B CN 113469953B
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- transmission line
- model
- algorithm
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000009413 insulation Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 15
- 238000002372 labelling Methods 0.000 abstract description 4
- 238000012795 verification Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06F18/21—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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，该方法首先通过电网巡检图像、公共数据集与图像样本扩充方法构建输电线路绝缘子图像数据库，并对绝缘子图像进行标签制作；采用基于非锐化掩模的锐化算法对绝缘子图像进行预处理，以突出绝缘子目标；构建基于MobileNet轻量级卷积神经网络的改进YOLOv4检测模型，并优化原YOLOv4中的PANet网络结构，然后通过模型训练与验证，获得其最优检测模型，对输电线路绝缘子缺陷进行检测。本发明能够克服电网巡检图像中绝缘子缺陷尺寸太小、不显著、模型参数量大、检测速度低等问题，能够实现输电线路绝缘子的定位与其缺陷的快速、精确检测，为输电线路智能化巡检提供技术参考。
Description
技术领域
本发明属于输电线路技术领域，具体涉及一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法。
背景技术
绝缘子作为输电线路中基础的电力元件，不仅要承受线路的垂直、水平荷载和导线张力，还要承受工作电压与过电压，因此绝缘子必须具有良好的绝缘性与机械性。在实际情况中，绝缘子长期运行在复杂多样的自然环境当中，不可避免地出现自爆、掉串、裂纹、侵蚀、异物等故障；并且故障绝缘子导致的电压降低和泄漏电流将严重影响***的性能。因此，准确、迅速地检测出绝缘子的缺陷才能避免停电事故的发生，减少电力***的损失。
我国电网输电线路巡检方式包括人工巡检、直升机巡检、无人机巡检等方式，其中无人机巡检凭借成本低、操作性和灵活性好、效率高等优点，逐渐成为电力巡检中的发展趋势。无人机巡检会产生大量的图像影视信息，单纯依靠检查人员的视觉判断显然不合适，而深度学习刚好能够满足巡检中海量图像智能化处理与分析的需求，为运维人员提供自动化缺陷识别工具。目前，深度学习在国内外输电线路巡检方面得到了广泛研究与应用，但输电线路绝缘子缺陷检测的研究大多数都注重识别精度的提升，没有结合巡检中实时性的需求，导致训练得到的网络检测出缺陷后运维人员无法及时反馈与处理。
发明内容
针对现有技术中的不足与难题，本发明旨在提供一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，用于精准并迅速检测出输电线路绝缘子及其缺陷目标的位置，为运维人员开展绝缘子检测工作提供技术参考。
为达到此发明目的，本发明通过以下技术方案予以实现：
一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，包括如下步骤：
S1：根据电网无人机航拍绝缘子图像与公共数据集，构建真实输电线路绝缘子图像数据库；
S2：基于真实的输电线路绝缘子图像，采用分割算法提取绝缘子目标，将其与电网运行背景图像进行融合，生成新的绝缘子图像，并利用MRLabeler标注真实与扩充的绝缘子图像；
S3：采用基于非锐化掩模的锐化算法对图像进行锐化处理，将图像从RGB颜色空间转换为YCbCr颜色空间，利用高斯低通滤波器对绝缘子图像进行滤波，在Y分量提取低频分量，将原图减去低频部分以提取图像中的高频分量，再将高频分量与原图叠加，实现绝缘子图像的锐化增强，提高图像中绝缘子目标的细节；将预处理后的图像划分训练集和测试集；
S4：利用构建的MobileNet网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，并且利用深度可分离卷积替换PANet网络中所有3×3的普通卷积，将PANet网络中的输入与输出通道乘以宽度乘数α，α取值范围为[0，1]，得到改进YOLOv4算法模型；
S5：先利用ImageNet公共数据集对改进YOLOv4模型进行预训练，结合多阶段迁移学习等方法，采用真实与扩充后的绝缘子图像训练集对改进YOLOv4模型进行重新训练；在训练时，将整体损失值除以所有正样本个数，对损失进行归一化，得到最优模型；
S6：采用最优模型对绝缘子图像测试集进行逐个检测，得到绝缘子定位准确率与缺陷检测准确率等性能指标；采用对比度与亮度调整、图像加雾预处理方法，模拟改进YOLOv4模型在光线极暗、曝光、雾天三种情况下的检测效果，验证模型的泛化能力与鲁棒性。
进一步地，步骤S2用的分割算法包括但不限于GraphCut、GrabCut算法。
进一步地，步骤S4中利用MobileNet轻量级卷积神经网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，将初始MobileNet输入尺寸要求(224×224)改变为416×416，并且根据卷积的运算操作，分别提取深度可分离卷积5次之后的特征作为特征1，再将卷积6次之后的特征作为特征2，卷积2次之后的特征作为特征3；
相较于YOLOv4，改进模型后的三种特征图的尺寸变为64×64、32×32、16×16，然后将提取的特征1、2、3用于SPP以及PANet的特征融合，并且将原激活函数也替换为ReLU6激活函数；
针对PANet网络，利用深度可分离卷积替换其中3×3的普通卷积，将通道数乘以宽度乘数α，当α值调小时将大幅度降低模型的参数量。
与现有技术相比，本发明有益效果包括：
本发明提供的一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，能够在输电线路无人机或其他机器巡检航拍图像中迅速检测出绝缘子及其缺陷，具有较高的检测精度与检测速度，可为电网运维人员开展输电线路绝缘子巡检工作提供技术参考。
附图说明
图1为本发明方法的流程图；
图2为本发明中基于GraphCut分割算法的图像样本扩充示意图；
图3为本发明实施例中应用的改进YOLOv4算法结构图；
图4为本发明实施例中输电线路绝缘子图像在光线极暗、曝光、雾天三种情况下绝缘子的识别检测效果对比图。
具体实施方式
下面结合附图，对本发明作进一步地说明。
本发明方法的流程图如图1所示，本发明对输电线路绝缘子图像数据库的构建及标注、预处理和目标检测与识别进行详细阐述，包括以下步骤：
(一)根据电网无人机航拍绝缘子图像与公共数据集，构建真实输电线路绝缘子图像数据库。
在本实施例中，真实输电线路绝缘子图像数据集部分来源于中国输电线路绝缘子数据集，其中包含正常绝缘子图像600张，缺陷绝缘子图像248张；部分数据集来源于电网巡检图像216张。
(二)基于真实的输电线路绝缘子图像，采用分割算法(如GraphCut、GrabCut算法等)提取绝缘子目标，将其与电网运行背景图像进行融合，生成新的绝缘子图像，并利用MRLabeler标注真实与扩充的绝缘子图像。
在本实施例中，通过基于GraphCut分割的图像样本扩充方法生成，扩充样本如图2所示，共同构成本实例中模型训练、验证、测试所用数据集，共2403张。
然后，采用MRLabeler图像标注工具按照VOC格式标注绝缘子及其缺陷的位置与类别；针对正常绝缘子，只标记绝缘子的位置与类别；而对于缺陷绝缘子，则同时标记绝缘子与缺陷的位置与类别，此标记方式可使模型训练时学习出缺陷与绝缘子的空间关系。
(三)采用基于非锐化掩模的锐化算法对图像进行锐化处理，将图像从RGB颜色空间转换为YCbCr颜色空间，利用高斯低通滤波器对绝缘子图像进行滤波，在Y分量提取低频分量，将原图减去低频部分以提取图像中的高频分量，再将高频分量与原图叠加，实现绝缘子图像的锐化增强，提高图像中绝缘子目标的细节；将锐化处理后的图像划分训练集和测试集。
在本实施例中，采用上述基于非锐化掩模的锐化算法对图像进行锐化处理，实现绝缘子图像的锐化增强，从而提高模型对绝缘子缺陷的识别与检测效果；本实施例中还将其与拉普拉斯、sobel、prewitt等锐化方法进行对比，并得出本实施例中改进YOLOv4模型在各种锐化方法下的检测结果。
(四)利用构建的MobileNet网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，并且利用深度可分离卷积替换PANet网络中所有3×3的普通卷积，将PANet网络中的输入与输出通道乘以宽度乘数α，α取值范围为[0，1]，得到改进YOLOv4算法模型。
在本实施例中，利用MobileNet轻量级卷积神经网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，将初始MobileNet输入尺寸要求(224×224)改变为416×416，并且根据卷积的运算操作，分别提取深度可分离卷积5次之后的特征作为特征1，再将卷积6次之后的特征作为特征2，卷积2次之后的特征作为特征3；
相较于YOLOv4，改进模型后的三种特征图的尺寸变为64×64、32×32、16×16，然后将提取的特征1、2、3用于SPP以及PANet的特征融合，并且将原激活函数也替换为ReLU6激活函数。
针对PANet网络，利用深度可分离卷积替换其中3×3的普通卷积，将通道数乘以宽度乘数α，α取值范围为[0，1]，当α值调小时将大幅度降低模型的参数量，以实现更轻量化的部署。
(五)先利用ImageNet公共数据集对改进YOLOv4模型进行预训练，结合多阶段迁移学习等方法，采用真实与扩充后的绝缘子图像训练集对改进YOLOv4模型进行重新训练；在训练时，将整体损失值除以所有正样本个数，对损失进行归一化，得到最优模型。
在本实施例中，首先利用ImageNet公共数据集对改进YOLOv4模型进行预训练，迁移预训练模型至输电线路绝缘子数据集中；在训练之前，需要先利用K-means聚类算法在绝缘子数据库训练集中进行先验框的聚类，获得最优先验框尺寸为[15，14 21，135 21，15；39，18 81，21 107，36；252，52 265，80 266，126]，共包含9组先验框的宽和高，前3组先验框对应16×16尺寸的特征图，中间3组先验框对应32×32尺寸的特征图，最后3组先验框对应64×64尺寸的特征图，负责检测图像中不同大小的目标。
然后，利用先验框与训练集图像训练改进YOLOv4算法模型，其结构如图3所示，经过MobileNet提取64×64、32×32、16×16三种不同尺度的特征图，然后通过SPP与改进PANet网络进行特征融合，再将融合后三种尺度的特征图送入到YOLOHead预测网络中进行位置回归与类别预测，最后利用非极大值抑制NMS剔除冗余目标边框，得到最终预测检测框。
在此过程中，为增加训练后网络模型的检测精度，采用多种训练技巧，其中包括：
(1)多阶段迁移学习方法，迁移在ImageNet公共数据集上训练获得的预训练模型，将整个训练过程分为两个阶段，第一个阶段训练时冻住一部分带有权值参数的网络层，第二阶段则是解冻后训练所有网络层；
(2)通过Mosaic数据增强将随机输入的四张图像进行拼接，同时对标注框进行变换，以丰富图像背景并提高模型对小目标的检测性能；
(3)利用余弦退火学习率衰减策略，根据余弦衰减的方式调整学习率；
(4)通过标签平滑处理方法解决过拟合问题；
(5)通过将整体损失值处理所有正样本数，实现对损失的归一化，防止模型过拟合。
(六)采用最优模型对绝缘子图像测试集进行逐个检测，得到绝缘子定位准确率与缺陷检测准确率等性能指标；采用对比度与亮度调整、图像加雾预处理方法，模拟改进YOLOv4模型在光线极暗、曝光、雾天三种情况下的检测效果，验证模型的泛化能力与鲁棒性。
本实施例中根据实际运行中可能出现的影响情况，采用对比度与亮度、图像加雾预处理方法，模拟出了输电线路绝缘子图像在光线极暗、曝光、雾天三种情况下的效果，如图4所示，从而验证模型的泛化能力与鲁棒性。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，其特征在于，所述方法包括如下步骤：
S1，根据电网无人机航拍绝缘子图像与公共数据集，构建真实输电线路绝缘子图像数据库；
S2，基于真实的输电线路绝缘子图像，采用分割算法提取绝缘子目标，将其与电网运行背景图像进行融合，生成新的绝缘子图像，并利用MRLabeler标注真实与扩充的绝缘子图像；
S3，采用基于非锐化掩模的锐化算法对图像进行锐化处理，将图像从RGB颜色空间转换为YCbCr颜色空间，利用高斯低通滤波器对绝缘子图像进行滤波，在Y分量提取低频分量，将原图减去低频部分以提取图像中的高频分量，再将高频分量与原图叠加，实现绝缘子图像的锐化增强，提高图像中绝缘子目标的细节；将上述锐化处理后的图像划分训练集和测试集；
S4，利用构建的MobileNet网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，并且利用深度可分离卷积替换PANet网络中所有3×3的普通卷积，将PANet网络中的输入与输出通道乘以宽度乘数α，α取值范围为[0,1]，得到改进YOLOv4算法模型；
S5，先利用ImageNet公共数据集对改进YOLOv4模型进行算法预训练，结合多阶段迁移学习方法，采用真实与扩充后的绝缘子图像训练集对改进YOLOv4模型进行重新训练；在训练时，将整体损失值除以所有正样本个数，对损失进行归一化，得到最优模型；
S6，采用最优模型对绝缘子图像测试集进行逐个检测，得到绝缘子定位准确率与缺陷检测准确率性能指标；采用对比度与亮度调整、图像加雾预处理方法，模拟改进YOLOv4模型在光线极暗、曝光、雾天三种情况下的检测效果，验证模型的泛化能力与鲁棒性。
2.根据权利要求1所述的一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，其特征在于：所述步骤S2中所用的分割算法包括GraphCut、GrabCut算法中任意一种。
3.根据权利要求1所述的一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S4中利用MobileNet轻量级卷积神经网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，其具体包括：
首先，将初始MobileNet的输入尺寸要求224×224改变为416×416；
然后，根据卷积的运算操作，分别提取深度可分离卷积5次之后的特征作为特征1，再将卷积6次之后的特征作为特征2，卷积2次之后的特征作为特征3，改进模型后的三种特征图的尺寸变为64×64、32×32、16×16；
最后，将提取的特征1、2、3用于SPP以及PANet的特征融合，并且将原激活函数替换为ReLU6激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110650700.5A CN113469953B (zh) | 2021-06-10 | 2021-06-10 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110650700.5A CN113469953B (zh) | 2021-06-10 | 2021-06-10 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469953A CN113469953A (zh) | 2021-10-01 |
| CN113469953B true CN113469953B (zh) | 2022-06-14 |
Family
ID=77869653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110650700.5A Active CN113469953B (zh) | 2021-06-10 | 2021-06-10 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469953B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657414B (zh) * | 2021-10-19 | 2022-02-11 | 广州微林软件有限公司 | 一种物体识别方法 |
| CN114511710A (zh) * | 2022-02-10 | 2022-05-17 | 北京工业大学 | 一种基于卷积神经网络的图像目标检测方法 |
| CN114723750B (zh) * | 2022-06-07 | 2022-09-16 | 南昌大学 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
| CN115018818B (zh) * | 2022-07-01 | 2024-03-29 | 南昌大学 | 一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法 |
| CN115984843A (zh) * | 2022-12-06 | 2023-04-18 | 北京信息科技大学 | 一种再制造原料评估方法、装置、存储介质及电子设备 |
| CN115816460B (zh) * | 2022-12-21 | 2023-06-09 | 苏州科技大学 | 一种基于深度学习目标检测与图像分割的机械手抓取方法 |
| CN117437188B (zh) * | 2023-10-17 | 2024-05-28 | 广东电力交易中心有限责任公司 | 一种用于智慧电网的绝缘子缺陷检测*** |
| CN117541890A (zh) * | 2023-11-08 | 2024-02-09 | 北京天易数聚科技有限公司 | 一种电网设备目标检测方法、***、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101452575A (zh) * | 2008-12-12 | 2009-06-10 | 北京航空航天大学 | 一种基于神经网络的图像自适应增强方法 |
| CN101706954A (zh) * | 2009-11-13 | 2010-05-12 | 北京中星微电子有限公司 | 图像增强方法和装置以及图像低频分量计算方法和装置 |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034244B (zh) * | 2010-12-03 | 2013-03-13 | 国家电网公司 | 基于运动背景的绝缘子实时目标识别和跟踪装置 |
| JP6039681B2 (ja) * | 2011-11-14 | 2016-12-07 | ネオセラ リミテッド ライアビリティ カンパニー | Ｄｃｓｑｕｉｄベースのｒｆ磁気計を用いた電子デバイスにおけるオープン欠陥の位置測定のための方法およびシステム |
| CN105096305A (zh) * | 2014-09-25 | 2015-11-25 | 天津航天中为数据***科技有限公司 | 绝缘子状态分析的方法及装置 |
| CN106127756B (zh) * | 2016-06-21 | 2019-03-26 | 西安工程大学 | 一种基于多特征信息融合技术的绝缘子识别检测方法 |
| CN106198551A (zh) * | 2016-08-01 | 2016-12-07 | 南方电网科学研究院有限责任公司 | 一种输电线路缺陷的检测方法及装置 |
| CN106803254A (zh) * | 2017-01-17 | 2017-06-06 | 广东容祺智能科技有限公司 | 一种输电线路中绝缘子缺损分析的图片自动检测方法 |
| CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
| CN109709452A (zh) * | 2018-12-21 | 2019-05-03 | 深圳供电局有限公司 | 输电线路的绝缘子检测方法、***和装置 |
| CN111242025B (zh) * | 2020-01-13 | 2023-06-06 | 佛山科学技术学院 | 一种基于yolo的动作实时监测方法 |
| CN111738056B (zh) * | 2020-04-27 | 2023-11-03 | 浙江万里学院 | 一种基于改进YOLO v3的重卡盲区目标检测方法 |
| CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
| CN112907614A (zh) * | 2021-03-26 | 2021-06-04 | 东北电力大学 | 基于深度特征融合的yolov5-segnet绝缘子串轮廓提取方法 |
-
2021
- 2021-06-10 CN CN202110650700.5A patent/CN113469953B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101452575A (zh) * | 2008-12-12 | 2009-06-10 | 北京航空航天大学 | 一种基于神经网络的图像自适应增强方法 |
| CN101706954A (zh) * | 2009-11-13 | 2010-05-12 | 北京中星微电子有限公司 | 图像增强方法和装置以及图像低频分量计算方法和装置 |
| CN102508110A (zh) * | 2011-10-10 | 2012-06-20 | 上海大学 | 基于纹理的绝缘子缺陷诊断方法 |
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN106023185A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种输电设备故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469953A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
| CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN113486865B (zh) | 一种基于深度学习的输电线路悬挂异物目标检测方法 | |
| CN111563893B (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
| CN114240878A (zh) | 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法 | |
| CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
| CN108802041B (zh) | 一种屏幕检测的小样本集快速换型的方法 | |
| CN110599445A (zh) | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
| CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
| CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
| CN113158969A (zh) | 一种苹果外观缺陷识别***及方法 | |
| CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及*** | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN113256668A (zh) | 图像分割方法以及装置 | |
| CN114627044A (zh) | 一种基于深度学习的太阳能光伏组件热斑检测方法 | |
| CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及*** | |
| CN113947567B (zh) | 基于多任务学习的缺陷检测方法 | |
| CN114372922A (zh) | 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 | |
| CN114240948A (zh) | 一种结构表面损伤图像的智能分割方法及*** |
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 |