CN113763320A - 一种电缆附件封铅施工缺陷检测方法及*** - Google Patents
一种电缆附件封铅施工缺陷检测方法及*** Download PDFInfo
- Publication number
- CN113763320A CN113763320A CN202110862315.7A CN202110862315A CN113763320A CN 113763320 A CN113763320 A CN 113763320A CN 202110862315 A CN202110862315 A CN 202110862315A CN 113763320 A CN113763320 A CN 113763320A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample
- data sample
- lead sealing
- real
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 150
- 238000010276 construction Methods 0.000 title claims abstract description 55
- 238000007789 sealing Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008439 repair process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004078 waterproofing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
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)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种电缆附件封铅施工缺陷检测方法,包括采集电缆附件封铅施工的真实缺陷数据样本;将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本;提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷。同时公开了相应的***、存储介质和计算设备。本发明采用修复网络进行真实缺陷数据样本修复,采用特征匹配方式获取缺陷,相较于传统的人工检测,效率高且检测全面。
Description
技术领域
本发明涉及一种电缆附件封铅施工缺陷检测方法及***,属于缺陷检测技术领域。
背景技术
在电缆制造工艺上,封铅对金属护套或铝护套电缆的各种终端头、中间连接有着极重要的密封防水作用,可使电缆的金属外护套与其他电气设备连接成良好的接地***。特别是高压电缆各种接头的施工中,更需要熟练的封铅技术,因此在封铅施工过程中,需要对其缺陷进行检测。目前,电缆附件封铅施工缺陷检测一般依靠人工,不仅效率低,而且存在部分缺陷检测不到的情况。
发明内容
本发明提供了一种电缆附件封铅施工缺陷检测方法及***,解决了人工检测效率低、检测不全的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种电缆附件封铅施工缺陷检测方法,包括:
采集电缆附件封铅施工的真实缺陷数据样本;
将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本;
提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷。
训练修复网络的过程为:
采集电缆附件封铅施工样本;
对电缆附件封铅施工样本进行缺陷构造,生产缺陷样本;
采用缺陷样本训练生成对抗式网络,将训练完成的生成对抗式网络中的生成器作为修复网络;其中,生成对抗式网络中的生成器用以修复缺陷样本,生成对抗式网络中的判别器用以对生成器修复的缺陷样本进行鉴别。
提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷,具体过程为:提取真实缺陷数据样本和修复后真实缺陷数据样本的SIFT特征,基于相似度进行SIFT特征匹配,将SIFT特征差异处作为缺陷。
SIFT特征包括全局SIFT特征和局部SIFT特征。
一种电缆附件封铅施工缺陷检测***,包括:
真实样本采集模块:采集电缆附件封铅施工的真实缺陷数据样本;
修复模块:将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本;
缺陷获取模块:提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷。
还包括网络训练模块,网络训练模块包括:
采集模块:采集电缆附件封铅施工样本;
缺陷样本构造模块:对电缆附件封铅施工样本进行缺陷构造,生产缺陷样本;
训练模块:采用缺陷样本训练生成对抗式网络,将训练完成的生成对抗式网络中的生成器作为修复网络;其中,生成对抗式网络中的生成器用以修复缺陷样本,生成对抗式网络中的判别器用以对生成器修复的缺陷样本进行鉴别。
缺陷获取模块:提取真实缺陷数据样本和修复后真实缺陷数据样本的SIFT特征,基于相似度进行SIFT特征匹配,将SIFT特征差异处作为缺陷。
SIFT特征包括全局SIFT特征和局部SIFT特征。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行电缆附件封铅施工缺陷检测方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行电缆附件封铅施工缺陷检测方法的指令。
本发明所达到的有益效果:本发明采用修复网络进行真实缺陷数据样本修复,采用特征匹配方式获取缺陷,相较于传统的人工检测,效率高且检测全面。
附图说明
图1为本发明方法的流程图;
图2为生成对抗式网络训练的原理图;
图3为本发明方法的原理图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种电缆附件封铅施工缺陷检测方法,包括以下步骤:
步骤1,采集电缆附件封铅施工的真实缺陷数据样本;
真实缺陷数据样本为施工过程中采集样本,该样本仅仅知道存在缺陷,但是不知道缺陷的具***置以及缺陷数量,样本为图像;
步骤2,将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本;
步骤3,提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷。
上述方法采用修复网络进行真实缺陷数据样本修复,采用特征匹配方式获取缺陷,相较于传统的人工检测,效率高且检测全面。
如图2所述,修复网络为预先训练的网络,在实际修复时直接运用,修复网络具体采用的是生成对抗式网络中的生成器,具体训练过程如下:
11)采集电缆附件封铅施工样本;
这里采集的样本无需人工标定,样本为图像,即样本自身不需包含缺陷特征,从而节约数据采集成本,同时避免了人工标定出现的疏漏问题;
12)对电缆附件封铅施工样本进行缺陷构造,生产缺陷样本;
采用随机缺陷模块f(X~||X)自动对采集的样本实施缺陷构造,构造的缺陷为随机缺陷,主要是一些封铅施工中的典型缺陷,生成缺陷样本;
13)采用缺陷样本训练生成对抗式网络,将训练完成的生成对抗式网络中的生成器作为修复网络;其中,生成对抗式网络中的生成器用以修复缺陷样本,生成对抗式网络中的判别器用以对生成器修复的缺陷样本进行鉴别;
将步骤12)中生产的缺陷样本作为输入,训练无监督网络,即生成对抗式网络,该网络由生成器G和判别器D组成,生成器用以修复缺陷样本,得到修复后的图像Y,判别器对修复后的图像Y加以鉴别,若判别器输出的置信度C低于设定阈值T,则表示生成器稳健性不足,需要将样本再次送入生成器迭代训练。
如图3所述,采用训练完成的生成器作为修复网络,即可对真实缺陷数据样本x进行修复,得到修复后的图像y,提取真实缺陷数据样本x和修复后的图像y的SIFT特征,包括全局SIFT特征和局部SIFT特征,基于特征相似度进行SIFT特征匹配,从而可以获得SIFT特征差异处,将这些差异处判定为缺陷,即获得真实缺陷数据样本x的缺陷。
上述方法是基于无监督学习的电缆附件封铅施工缺陷检测方法,训练不需要缺陷样本的收集与手动标定,避免了人工标定出现的疏漏问题;同时,提取SIFT特征,对缺陷图像的局部和全局特征均具有鲁棒性,亦满足实时性要求;上述方法可以实现电缆附件封铅施工缺陷的端到端、全自动检测,提高电缆应用的安全性。
上述方法相应的软件***,即电缆附件封铅施工缺陷检测***,包括:
网络训练模块包括:
采集模块:采集电缆附件封铅施工样本;
缺陷样本构造模块:对电缆附件封铅施工样本进行缺陷构造,生产缺陷样本;
训练模块:采用缺陷样本训练生成对抗式网络,将训练完成的生成对抗式网络中的生成器作为修复网络;其中,生成对抗式网络中的生成器用以修复缺陷样本,生成对抗式网络中的判别器用以对生成器修复的缺陷样本进行鉴别。
真实样本采集模块:采集电缆附件封铅施工的真实缺陷数据样本。
修复模块:将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本。
缺陷获取模块:提取真实缺陷数据样本和修复后真实缺陷数据样本的SIFT特征,基于相似度进行SIFT特征匹配,将SIFT特征差异处作为缺陷;其中,SIFT特征包括全局SIFT特征和局部SIFT特征。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行电缆附件封铅施工缺陷检测方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行电缆附件封铅施工缺陷检测方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种电缆附件封铅施工缺陷检测方法,其特征在于,包括:
采集电缆附件封铅施工的真实缺陷数据样本 ;
将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本;
提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷。
2.根据权利要求1所述的一种电缆附件封铅施工缺陷检测方法,其特征在于,训练修复网络的过程为:
采集电缆附件封铅施工样本;
对电缆附件封铅施工样本进行缺陷构造,生产缺陷样本;
采用缺陷样本训练生成对抗式网络,将训练完成的生成对抗式网络中的生成器作为修复网络;其中,生成对抗式网络中的生成器用以修复缺陷样本,生成对抗式网络中的判别器用以对生成器修复的缺陷样本进行鉴别。
3.根据权利要求1所述的一种电缆附件封铅施工缺陷检测方法,其特征在于,提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷,具体过程为:
提取真实缺陷数据样本和修复后真实缺陷数据样本的SIFT特征,基于相似度进行SIFT特征匹配,将SIFT特征差异处作为缺陷。
4.根据权利要求3所述的一种电缆附件封铅施工缺陷检测方法,其特征在于,SIFT特征包括全局SIFT特征和局部SIFT特征。
5.一种电缆附件封铅施工缺陷检测***,其特征在于,包括:
真实样本采集模块:采集电缆附件封铅施工的真实缺陷数据样本;
修复模块:将真实缺陷数据样本输入预先训练的修复网络,修复真实缺陷数据样本;
缺陷获取模块:提取真实缺陷数据样本和修复后真实缺陷数据样本的特征,进行特征匹配,将特征差异处作为缺陷。
6.根据权利要求5所述的一种电缆附件封铅施工缺陷检测***,其特征在于,还包括网络训练模块,网络训练模块包括:
采集模块:采集电缆附件封铅施工样本;
缺陷样本构造模块:对电缆附件封铅施工样本进行缺陷构造,生产缺陷样本;
训练模块:采用缺陷样本训练生成对抗式网络,将训练完成的生成对抗式网络中的生成器作为修复网络;其中,生成对抗式网络中的生成器用以修复缺陷样本,生成对抗式网络中的判别器用以对生成器修复的缺陷样本进行鉴别。
7.根据权利要求5所述的一种电缆附件封铅施工缺陷检测***,其特征在于,缺陷获取模块:提取真实缺陷数据样本和修复后真实缺陷数据样本的SIFT特征,基于相似度进行SIFT特征匹配,将SIFT特征差异处作为缺陷。
8.根据权利要求7所述的一种电缆附件封铅施工缺陷检测***,其特征在于,SIFT特征包括全局SIFT特征和局部SIFT特征。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110862315.7A CN113763320A (zh) | 2021-07-29 | 2021-07-29 | 一种电缆附件封铅施工缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110862315.7A CN113763320A (zh) | 2021-07-29 | 2021-07-29 | 一种电缆附件封铅施工缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113763320A true CN113763320A (zh) | 2021-12-07 |
Family
ID=78788242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110862315.7A Pending CN113763320A (zh) | 2021-07-29 | 2021-07-29 | 一种电缆附件封铅施工缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763320A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486830A (zh) * | 2010-12-01 | 2012-06-06 | 无锡锦腾智能科技有限公司 | 基于空间变换一致性的物品微观纹理鉴别方法 |
CN105426902A (zh) * | 2015-09-16 | 2016-03-23 | 西安印钞有限公司 | 基于形变复原技术的钞券质量检测***及方法 |
CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及*** |
CN109840908A (zh) * | 2019-01-31 | 2019-06-04 | 浙江工业大学 | 一种基于对抗生成网络的金属轴缺陷图像生成方法 |
JP2020135051A (ja) * | 2019-02-13 | 2020-08-31 | 東レ株式会社 | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル |
CN111798409A (zh) * | 2020-05-19 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb缺陷数据生成方法 |
CN111815555A (zh) * | 2020-05-22 | 2020-10-23 | 武汉大学深圳研究院 | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 |
CN112017182A (zh) * | 2020-10-22 | 2020-12-01 | 北京中鼎高科自动化技术有限公司 | 一种工业级智能表面缺陷检测方法 |
CN112085734A (zh) * | 2020-09-25 | 2020-12-15 | 西安交通大学 | 一种基于gan的图像修复的缺陷检测方法 |
-
2021
- 2021-07-29 CN CN202110862315.7A patent/CN113763320A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486830A (zh) * | 2010-12-01 | 2012-06-06 | 无锡锦腾智能科技有限公司 | 基于空间变换一致性的物品微观纹理鉴别方法 |
CN106445939A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及*** |
CN105426902A (zh) * | 2015-09-16 | 2016-03-23 | 西安印钞有限公司 | 基于形变复原技术的钞券质量检测***及方法 |
CN109840908A (zh) * | 2019-01-31 | 2019-06-04 | 浙江工业大学 | 一种基于对抗生成网络的金属轴缺陷图像生成方法 |
JP2020135051A (ja) * | 2019-02-13 | 2020-08-31 | 東レ株式会社 | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル |
CN111798409A (zh) * | 2020-05-19 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb缺陷数据生成方法 |
CN111815555A (zh) * | 2020-05-22 | 2020-10-23 | 武汉大学深圳研究院 | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 |
CN112085734A (zh) * | 2020-09-25 | 2020-12-15 | 西安交通大学 | 一种基于gan的图像修复的缺陷检测方法 |
CN112017182A (zh) * | 2020-10-22 | 2020-12-01 | 北京中鼎高科自动化技术有限公司 | 一种工业级智能表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131936B (zh) | 一种巡检机器人图像识别方法及巡检机器人 | |
CN111695620B (zh) | 一种电力***时间序列异常数据检测与修正方法及*** | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN111563509A (zh) | 一种基于tesseract的变电站端子排识别方法及*** | |
CN114881956A (zh) | 基于霍夫变换的电池板栅线自适应提取方法及*** | |
CN113470005A (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、***、设备及存储介质 | |
CN111597868A (zh) | 一种基于ssd的变电站隔离开关状态分析方法 | |
CN111768380A (zh) | 一种工业零配件表面缺陷检测方法 | |
CN108537792B (zh) | 一种基于卷积神经网络的电力缺陷图像识别方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测***及方法 | |
CN117484031A (zh) | 光伏组件焊接加工设备 | |
CN113763320A (zh) | 一种电缆附件封铅施工缺陷检测方法及*** | |
CN112083275A (zh) | 一种配网故障类型识别方法及*** | |
CN113487550B (zh) | 一种基于改进激活函数的目标检测方法及装置 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN114841980A (zh) | 基于巡线航拍图像的绝缘子缺陷检测方法及*** | |
Xie et al. | Visible-Light Insulator Defect Detection Algorithm Based on Improved YOLOv4-Tiny | |
CN113515655B (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN113378918B (zh) | 一种基于度量学习的绝缘子绑扎线状态检测方法 | |
CN117493939A (zh) | 一种基于文本信息监督的零样本工业木制品质检方法 | |
CN111797925B (zh) | 一种电力***视觉图像分类方法及装置 | |
CN115311223A (zh) | 一种多尺度融合的电网智能巡检方法及装置 | |
CN117829678A (zh) | 结合多场景拟合的车辆质检方法及*** |
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 |