CN113763321B - 一种电缆附件主绝缘体施工缺陷检测方法及*** - Google Patents
一种电缆附件主绝缘体施工缺陷检测方法及*** Download PDFInfo
- Publication number
- CN113763321B CN113763321B CN202110862325.0A CN202110862325A CN113763321B CN 113763321 B CN113763321 B CN 113763321B CN 202110862325 A CN202110862325 A CN 202110862325A CN 113763321 B CN113763321 B CN 113763321B
- Authority
- CN
- China
- Prior art keywords
- construction
- modules
- cable accessory
- module
- main insulator
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 66
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 239000012212 insulator Substances 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000009413 insulation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (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主绝缘体施工缺陷检测方法,包括实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷。同时公开了相应的***。本发明从实时视频中提取施工图片,采用缺陷识别网络进行缺陷识别,相较于人工识别,效率高且不存在漏检情况。
Description
技术领域
本发明涉及一种电缆附件主绝缘体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,电缆附件的绝缘性能应不低于电缆本体,所用绝缘材料的介质损耗要低;在结构上,应对电缆附件中电场的突变能完善处理,有改变电场分布的措施。
目前,电缆附件主绝缘体施工缺陷一般依靠人工检查,效率低,而且存在部分缺陷漏检的情况,影响电缆应用的安全性。
发明内容
本发明提供了一种电缆附件主绝缘体施工缺陷检测方法及***,解决了传统检测效率低和存在漏检的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种电缆附件主绝缘体施工缺陷检测方法,包括:
实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;
将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷。
缺陷识别网络包括依次串联的inception模块、残差网络模块、若干inception模块、若干残差网络模块、若干inception模块、全连接模块和分类模块。
inception模块为:在传统inception模块的基础上,用(Maxpool+avgpool)/2替换Maxpool;其中,Maxpool为最大池化函数,avgpool为平均池化函数。
inception模块有25个,残差网络模块有22个,全连接模块和分类模块均有1个。
一种电缆附件主绝缘体施工缺陷检测***,包括:
图片获取模块:实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;
识别模块:将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷。
缺陷识别网络包括依次串联的inception模块、残差网络模块、若干inception模块、若干残差网络模块、若干inception模块、全连接模块和分类模块。
inception模块为:在传统inception模块的基础上,用(Maxpool+avgpool)/2替换Maxpool;其中,Maxpool为最大池化函数,avgpool为平均池化函数。
inception模块有25个,残差网络模块有22个,全连接模块和分类模块均有1个。
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主绝缘体施工缺陷检测方法。
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主绝缘体施工缺陷检测方法的指令。
本发明所达到的有益效果:1、本发明从实时视频中提取施工图片,采用缺陷识别网络进行缺陷识别,相较于人工识别,效率高且不存在漏检情况;2、本发明通过inception模块和残差网络模块构建缺陷识别网络,使得网络在深度和宽度得以提升,从而提高网络的识别率;3、本发明对传统inception模块进行了改进,不仅减少了特征参数维度,也可以选择辨识度更好的特征,从而降低特征提取的误差。
附图说明
图1为本发明方法的流程图;
图2为缺陷识别网络的结构图;;
图3为inception模块的结构图;
图4为残差网络模块的结构图。
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,一种电缆附件主绝缘体施工缺陷检测方法,包括以下步骤:
步骤1,实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;
步骤2,将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷。
上述方法可直接运用在施工的监控后台,从实时视频中提取施工图片,保证施工图片能够体现完整的施工过程,采用缺陷识别网络进行缺陷识别,相较于人工识别,效率高且不存在漏检情况。
在施工之前,在工人佩戴的安全帽正面安装实时摄像装置,如摄像机等,将摄取的视频流通过无线传输给后台,后台通过现有的图片采集工具,从视频中提取电缆附件主绝缘体施工图片,然后将图片输入缺陷识别网络,识别出施工缺陷。
当识别出施工缺陷后,即使向工人发出告警,另起整改,防止缺陷进一步扩大,提高施工效率。
上述缺陷识别网络是一个卷积神经网络,包括依次串联的inception模块、残差网络模块、若干inception模块、若干残差网络模块、若干inception模块、全连接(FC)模块和分类(softmax)模块;其中,Inception模块的特点:通过自身网络的并联结构减少参数计算,降低对样本数量的要求,使得泛化性更好;残差网络模块的特点:一是网络较深,便于学习图像更多的特征,二是自身的结构与权重计算方式决定了可以加速训练的优势;因此整个卷积神经网络的设计兼顾了精度与速度,使得识别的性能可以大幅提升。
如图2所示为一个缺陷识别网络实例,具体包括依次串联的inception模块、残差网络模块、21个inception模块、21个残差网络模块、3个inception模块、全连接模块和分类模块;各模块的数量取决于样本图像的输入尺寸、特征维度,卷积、池化层所设计的参数,以及对网络不断地调试训练和后期实验验证。
如图3所示,上述网络中inception模块将1*1、3*3、5*5的卷积层和3*3的池化层并行堆叠,增加了网络的通道数即网络宽度;其次,该模块设计不同尺寸的卷积核(1*1、3*3、5*5)表示不同大小的感受野,可以提取不同维度的图像特征,增加了网络对尺度的适应性,提升识别精度,增加了网络的宽度,提高了网络对尺度的适应性;并且该inception模块不是传统的inception模块,而是对其进行了一定的改进,在传统inception模块的基础上,用(Maxpool+avgpool)/2替换Maxpool,Pooling池化层本身相当于是一个降采样的过程,可降低原有特征维度,average-pooling强调对整体特征信息进行一层下采样,而max-pooling作用是特征选择,选取辨识度更好的特征,Maxpool替换为(Maxpool+avgpool)/2,相当于加权融合了两种池化层的特征采样效果,可以处理更丰富的图像特征,不仅减少了特征参数维度,也可以选择辨识度更好的特征,从而降低特征提取的误差;其中,Maxpool为最大池化函数,avgpool为平均池化函数。
残差网络模块为现有的模块,具体结构如图4所示,该模块加深了网络,输入为x,输出为F(F(x))+x,其中,weight layer为3*3卷积层,F(x)为残差,F(X)是经过线性变化并激活后的输出。
缺陷识别网络的损失函数如下:
其中,M为类别数量;yc为变量(0或1),如果该类别和样本类别c相同就是1,否则是0;pc为观测样本属于类别c的预测概率。
上述缺陷识别网络由inception模块和残差网络模块构成,使得网络在深度和宽度得以提升,从而提高网络的识别率。
在训练上述缺陷识别网络之前,需要先构建样本集,构建过程如下:采集电缆附件主绝缘体施工样本图片,人工将样本图片进行分类,分为合格施工图片和有缺陷施工图片,并将有缺陷的施工图片根据缺陷类别分类,形成各类缺陷的施工图片,构成样本集;在样本集中合格施工图片和各类缺陷施工图片数量均达到1000张以上。
在训练时,选修改分类模块,将损失函数类别数量改为样本集中样本的类别数,然后训练缺陷识别网络;训练完成后,将分类模块中修改的部分还原,得到识别电缆附件主绝缘体施工缺陷的网络。
一种电缆附件主绝缘体施工缺陷检测***,包括:
图片获取模块:实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片。
识别模块:将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷;其中,缺陷识别网络包括依次串联的inception模块、残差网络模块、21个inception模块、21个残差网络模块、3个inception模块、全连接模块和分类模块;inception模块为:在传统inception模块的基础上,用(Maxpool+avgpool)/2替换Maxpool;其中,Maxpool为最大池化函数,avgpool为平均池化函数。
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主绝缘体施工缺陷检测方法。
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主绝缘体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 (6)
1.一种电缆附件主绝缘体施工缺陷检测方法,其特征在于,包括:
实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;
将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷;其中,缺陷识别网络包括依次串联的inception模块、残差网络模块、若干inception模块、若干残差网络模块、若干inception模块、全连接模块和分类模块;inception模块为:在传统inception模块的基础上,用(Maxpool+avgpool)/2替换Maxpool;其中,Maxpool为最大池化函数,avgpool为平均池化函数。
2.根据权利要求1所述的一种电缆附件主绝缘体施工缺陷检测方法,其特征在于,inception模块有25个,残差网络模块有22个,全连接模块和分类模块均有1个。
3.一种电缆附件主绝缘体施工缺陷检测***,其特征在于,包括:
图片获取模块:实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;
识别模块:将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷;其中,缺陷识别网络包括依次串联的inception模块、残差网络模块、若干inception模块、若干残差网络模块、若干inception模块、全连接模块和分类模块;inception模块为:在传统inception模块的基础上,用(Maxpool+avgpool)/2替换Maxpool;其中,Maxpool为最大池化函数,avgpool为平均池化函数。
4.根据权利要求3所述的一种电缆附件主绝缘体施工缺陷检测***,其特征在于,inception模块有25个,残差网络模块有22个,全连接模块和分类模块均有1个。
5.一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2所述的方法中的任一方法。
6.一种计算设备,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2所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110862325.0A CN113763321B (zh) | 2021-07-29 | 2021-07-29 | 一种电缆附件主绝缘体施工缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110862325.0A CN113763321B (zh) | 2021-07-29 | 2021-07-29 | 一种电缆附件主绝缘体施工缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763321A CN113763321A (zh) | 2021-12-07 |
CN113763321B true CN113763321B (zh) | 2024-05-31 |
Family
ID=78788236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110862325.0A Active CN113763321B (zh) | 2021-07-29 | 2021-07-29 | 一种电缆附件主绝缘体施工缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、***及存储介质 |
CN111784692A (zh) * | 2020-08-11 | 2020-10-16 | 国网内蒙古东部电力有限公司 | 一种电力***中绝缘子缺陷的检测方法、装置及电子设备 |
CN111797769A (zh) * | 2020-07-06 | 2020-10-20 | 东北大学 | 一种小目标敏感的车辆检测*** |
CN112085735A (zh) * | 2020-09-28 | 2020-12-15 | 西安交通大学 | 一种基于自适应锚框的铝材质图像缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960219B (zh) * | 2017-03-10 | 2021-04-16 | 百度在线网络技术(北京)有限公司 | 图片识别方法及装置、计算机设备及计算机可读介质 |
-
2021
- 2021-07-29 CN CN202110862325.0A patent/CN113763321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、***及存储介质 |
CN111797769A (zh) * | 2020-07-06 | 2020-10-20 | 东北大学 | 一种小目标敏感的车辆检测*** |
CN111784692A (zh) * | 2020-08-11 | 2020-10-16 | 国网内蒙古东部电力有限公司 | 一种电力***中绝缘子缺陷的检测方法、装置及电子设备 |
CN112085735A (zh) * | 2020-09-28 | 2020-12-15 | 西安交通大学 | 一种基于自适应锚框的铝材质图像缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113763321A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及*** | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及*** | |
CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
CN115829999A (zh) | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 | |
CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN113221687B (zh) | 一种压板状态识别模型的训练方法及压板状态识别方法 | |
CN112766195B (zh) | 一种电气化铁路弓网燃弧视觉检测方法 | |
CN113239930A (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
CN109376580A (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
CN109086737B (zh) | 基于卷积神经网络的航运货物监控视频识别方法及*** | |
CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及*** | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN115526852A (zh) | 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用 | |
CN116977292A (zh) | 一种太阳能电池片虚焊检测方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN117541587B (zh) | 太阳能电池板缺陷检测方法、***、电子设备及存储介质 | |
CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
CN113947564A (zh) | 一种电力行业低压台区计量设备图像校验方法及*** | |
CN113763321B (zh) | 一种电缆附件主绝缘体施工缺陷检测方法及*** | |
CN113888477A (zh) | 网络模型的训练方法、金属表面缺陷检测方法及电子设备 | |
CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
CN113379685A (zh) | 一种基于双通道特征比对模型的pcb板缺陷检测方法及装置 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及*** |
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 |