CN114972721A - 一种基于深度学习的输电线路绝缘子串识别定位方法 - Google Patents
一种基于深度学习的输电线路绝缘子串识别定位方法 Download PDFInfo
- Publication number
- CN114972721A CN114972721A CN202210660158.6A CN202210660158A CN114972721A CN 114972721 A CN114972721 A CN 114972721A CN 202210660158 A CN202210660158 A CN 202210660158A CN 114972721 A CN114972721 A CN 114972721A
- Authority
- CN
- China
- Prior art keywords
- insulator string
- positioning
- transmission line
- loss
- deep learning
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 82
- 230000005540 biological transmission Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的输电线路绝缘子串识别定位方法，通过结合Faster R‑CNN网络模型和YOLOv3网络模型，能够有效解决绝缘子串识别以及缺陷定位问题。同时，通过数据增强方法并对方法进行定量分析，能够有效解决绝缘子串数据集不足问题。将绝缘子串识别定位任务分为两个阶段，第一阶段利用Faster R‑CNN网络模型进行绝缘子串识别，第二阶段利用YOLOv3网络模型进行缺陷定位，全面考虑任务中的多种因素并设计了基于Faster R‑CNN网络模型的绝缘子串识别网络以及基于YOLOv3网络模型的绝缘子串缺陷定位网络。使方案具有目前更高正确率和更高召回率的优点。
Description
技术领域
本发明涉及工业物联网与边缘计算领域，具体涉及一种输电线路绝缘子串识别定位方法。
背景技术
近年来，在利用无人机对输电线路巡检的过程中，会产生大量的图片数据，目前大多是利用人工对绝缘子串图片进行判读，来完成绝缘子串的目标标注以及缺陷的定位。使用这种方法效率低，而且需要经验丰富的工作人员进行判断。所以，提出一种自动化的图像识别方式来进行绝缘子串的识别和缺陷定位具有很高的应用价值。近年来，利用计算机视觉技术对输电线路上电气元件的检测成为近几年的研究热点。
绝缘子串作为输电线路中的物理介质，具有电气绝缘和支撑线路的功能，对电力***的正常运行具有十分关键的作用。一旦输电线路上的绝缘子串发生故障，就会导致输电***的停滞或崩溃。在拍摄图像中，绝缘子串的缺陷大小相对于整幅图片而言很小，所以直接在原图中定位，会使得准确率降低。并且，采用将识别定位任务分为两阶段的方法会带来模型准确率不高的问题。
发明内容
本发明的目的在于提供一种更精确的基于深度学习的输电线路绝缘子串识别定位方法，能够准确的识别出图像中的绝缘子串，并对缺陷的部分进行定位，提出了一种新的绝缘子串识别定位的方案。
本发明为实现上述目的所采用的技术方案是：一种基于深度学习的输电线路绝缘子串识别定位方法，包括以下步骤：
1)采用Faster R-CNN网络模型，对输入的绝缘子串图像进行识别；
2)采用YOLOv3模型，对绝缘子串的缺陷进行定位。
所述步骤1)中，采用基于VGG16的Faster R-CNN网络模型对图像进行识别，其中，所述Faster R-CNN网络模型的损失函数由RPN部分和分类器部分各自的分类损失和边界框回归损失组成；分类损失函数均采用多类别的交叉熵损失函数，边界框回归损失函数均采用平方差损失函数。
步骤1)中，采用基于VGG16的Faster R-CNN网络模型对图像进行识别，其中，所述Faster R-CNN网络模型的边界框回归损失函数实现方式包括以下步骤：
首先，将图像分成w×h个网格，并对网格大小进行归一化；
然后，在处理后的图像中进行回归，回归公式如下：
G″x＝σ(d'x(A))+cx
G″y＝σ(d'y(A))+cy
G″w＝A'wexp(d'w(A))
G″h＝A'hexp(dh'(A))
其中，其中，G″x,G″y是先验框坐标，G″w,G″h是先验框的宽和高，σ()函数是sigmoid函数，cx和cy是预测框所在网格的左上角到图像左上角的相对距离，A'w和A'h是预测框的相对大小，d'x(A),d'y(A),d'w(A),d'h(A)是四个需要学习的参数。
在计算边界框回归损失时，对先验框的高和宽以及预测框的高和宽分别进行开方处理后，再计算平方误差损失。
所述YOLOv3模型中的检测器部分包括顺次的卷积块集合、3×3卷积块、1×1卷积层，所述1×1卷积层生成结果信息，以表示预测缺陷所处的位置以及是否为缺陷的置信度；
所述的卷积块集合包括多个依次连接的卷积块，依次为1×1卷积块、3×3卷积块、1×1卷积块、3×3卷积块、1×1卷积块；
所述卷积块包含依次的一个卷积层、一个BN层、一个LeakyReLU激活函数。
Faster R-CNN中的分类损失采用交叉熵损失函数，所述边界框回归损失采用平方差损失函数；所述YOLOv3模型中，回归损失中的中心点坐标、置信度损失和分类损失采用交叉熵损失函数，回归损失中的宽和高采用平方差损失函数。
所述YOLOv3模型，采用k-means算法对标签框进行聚类，生成3个anchorbox，使原图像下采样到原来的八分之一，且不需要另外两个尺度的特征图。
一种基于深度学习的输电线路绝缘子串识别定位***，包括：
绝缘子串识别模块，用于采用Faster R-CNN网络模型，对输入的绝缘子串图像进行识别；
绝缘子串缺陷定位模块，用于采用YOLOv3模型，对绝缘子串的缺陷进行定位。
一种基于深度学习的输电线路绝缘子串识别定位装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现一种基于深度学习的输电线路绝缘子串识别定位方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现一种基于深度学习的输电线路绝缘子串识别定位方法。
本发明具有以下有益效果及优点：
本发明提出一种基于深度学习的输电线路绝缘子串识别定位方法，不仅可以解决绝缘子串的识别问题，还可以很好地解决绝缘子串的缺陷定位问题，本发明与其他方法相比，具有更高的准确率和召回率。
附图说明
图1为本发明的绝缘子串识别定位流程图；
图2为本发明的绝缘子串识别网络架构图；
图3为本发明的绝缘子串定位网络架构图；
图4a为本发明提出的识别定位算法流程结果图的具体实施样例一；
图4b为本发明提出的识别定位算法流程结果图的具体实施样例二。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明提供了一种深度学习的输电线路绝缘子串识别定位方法，通过结合FasterR-CNN网络模型和YOLOv3网络模型，能够有效解决绝缘子串识别以及缺陷定位问题。同时，通过数据增强方法并对方法进行定量分析，能够有效解决绝缘子串数据集不足问题。将绝缘子串识别定位任务分为两个阶段，第一阶段利用Faster R-CNN网络模型进行绝缘子串识别，第二阶段利用YOLOv3网络模型进行缺陷定位，全面考虑任务中的多种因素并设计了基于Faster R-CNN网络模型的绝缘子串识别网络以及基于YOLOv3网络模型的绝缘子串缺陷定位网络。使方案具有目前更高正确率和更高召回率的优点。
一种基于深度学习的输电线路绝缘子串识别定位方法，包括以下步骤：
1)采用Faster R-CNN网络模型，对输入的绝缘子串图像进行识别，该网络模型需要根据绝缘子串的特征进行修改；
2)采用YOLOv3模型，对绝缘子串的缺陷进行定位，该网络需要根据绝缘子串的特征进行修改。
步骤1)将Faster R-CNN网络模型根据绝缘子串的特征进行修改，具体为：
在进行边界框回归损失时，由于原来的变换公式中，如下所示：
G'x＝Aw×dx(A)+Ax
G'y＝Ah×dy(A)+Ay
G'w＝Aw×exp[dw(A)]
G'h＝Ah×exp[dh(A)]
并没有对中心点的变换进行约束，所以预测边框的中心可能出现在任何位置，早期训练容易不稳定，所以需要将原图像水平进行分成w×h个网格，并对网格大小进行归一化，令一个网格的宽＝1，高＝1，再进行变换，其公式为：
G″x＝σ(d'x(A))+cx
G″y＝σ(d'y(A))+cy
G″w＝A'wexp(d'w(A))
G″h＝A'hexp(d′h(A))
其中，d'x(A),d'y(A),d'w(A),d'h(A)是四个需要学***方误差损失。
步骤2)中，将YOLOv3网络模型根据绝缘子串的特征进行修改，具体为：
k-means聚类后，只需要生成3个anchor box，原图像下采样到原来的八分之一，且不需要另外两个尺度的特征图。
如图1所示，此流程图主要包括2个步骤，
步骤1：使用基于的VGG16的FasterR-CNN网络模型对绝缘子串进行识别；
步骤2：使用YOLOv3网络模型对识别结果进行缺陷定位。
如图2所示，为本发明使用的绝缘子串识别网络架构图，对于绝缘子串的定位，本发明采用基于VGG16的Faster R-CNN网络模型对图像进行识别，并对该网络模型的损失函数进行了修改，使其更适合绝缘子串的定位。FasterR-CNN网络架构由特征提取部分、RPN部分、RoIPooling部分和分类器部分组成。其特征提取部分使用VGG16网络架构，VGG16网络架构由13个步长为1的3×3的卷积层、13个ReLU激活函数，以及4个步长为2的2×2最大池化层组成，每次池化操作后，特征图的长宽都变为原来的
通道数变为原来的2倍，直到最后变为原图像的
并达到512个通道。假设featuremap的大小为w×h，其上的每一个点都对应k个anchorbox，设置k＝9。RPN部分由卷积层、softmax函数以及proposal层组成。剩余部分可以分为两条线，左边一条线，通过1×1大小的卷积层，将特征图的通道数变为18，这是因为每个anchorbox都有属于前景的概率和背景的概率，采用softmax函数进行分类。右边一条线，通过1×1大小的卷积层，将特征图的通道数变为36，这是因为每个anchorbox的位置信息包含四个数值。最终，在proposal层中，对anchorbox进行边框回归。然后，按照softmax函数分类时得到的属于前景的概率，由大到小排序anchors，提取前N个anchors作为positiveanchor，一般N＝6000。限定超出原图像的positive anchors的边界为图像边界，剔除尺寸非常小的positive anchors，最后对剩余的positiveanchor进行NMS回归，最终获得resignproposal。RoI Pooling部分的输入是特征提取部分的featuremap和RPN部分的resignproposal，在原图像的featuremap中，将resignproposal对应的部分，水平分成7×7大小的网格，对每个网格进行maxpooling处理后，送入分类器部分。分类器部分包括全连接层、ReLU激活函数和softmax函数。该部分利用全连接层与softmax函数对输入进行分类，并计算属于该类的概率。同时，再次利用边框回归获得更加精确的目标检测框。
本发明中涉及到的实验均在ubuntu18.04，python3.6，rtx2080ti上进行，绝缘子串分割的标签使用LabelMe软件进行标注，在训练阶段，初始学习率设为0.0001，权重衰减系数设为0.0005，动量值设为0.9，优化算法使用Adam。
损失函数由RPN部分和分类器部分各自的分类损失和边界框回归损失组成，分类损失函数均采用二值交叉熵损失函数，边界框回归损失函数均采用平方差损失函数。在进行边界框回归损失时，由于原来的变换公式中，如下所示：
G'x＝Aw×dx(A)+Ax
G'y＝Ah×dy(A)+Ay
G'w＝Aw×exp[dw(A)]
G'h＝Ah×exp[dh(A)]
其中，G'x,G'y,G'w,G'h是先验框的中心点坐标以及宽高，Ax和Ay是预测框中心点的坐标，Aw和Ah是预测框的宽高，dx(A),dy(A),dw(A),dh(A)是四个需要学习的参数。
原变换公式中，并没有对中心点的变换进行约束，所以预测边框的中心可能出现在任何位置，早期训练容易不稳定，所以需要将原图像水平进行分成w×h个网格，并对网格大小进行归一化，令一个网格的宽＝1，高＝1，再进行变换，其公式为：
G″x＝σ(d'x(A))+cx
G″y＝σ(d'y(A))+cy
G″w＝A'wexp(d'w(A))
G″h＝A'hexp(d′h(A))
其中，d'x(A),d'y(A),d'w(A),d'h(A)是四个需要学***方误差损失。
如图3所示，为本发明使用的绝缘子串定位网络架构图，对于缺陷的定位，本发明采用修改后的YOLOv3网络对图像进行目标检测。首先采用k-means算法对标签框进行分析，由于绝缘子串缺陷大小相差不大，可以选择生成较少数量的anchorbox。YOLOv3网络架构由修改之后的Darknet53部分与检测器部分组成。其Darknet部分由步幅为1和步幅为2的3×3卷积层、步幅为1的1×1卷积层、BN层、LeakyReLU激活函数和残差连接组成。每一个卷积层都需要在后面连接BN层与LeakyReLU层。每次使用步幅为2的3×3卷积层后，特征图尺寸就变为原来的二分之一，直到变为最初的八分之一。残差连接在该部分共使用了11次。其检测器部分由步幅为1的1×1卷积层和3×3卷积层、BN层、LeakyReLU层和sigmoid函数组成。该部分在最后采用步幅为1的1×1卷积层，生成结果信息。损失函数包括置信度损失、分类损失和位置损失。置信度损失和类别损失均采用二值交叉熵损失函数，分类损失采用平方差损失函数。
如图4a、图4b所示，是使用本发明提出的绝缘子串识别定位算法对绝缘子串的具体实施样例，从上到下依次是：图4a是绝缘子串的识别结果；图4b绝缘子串的缺陷定位结果。
Claims (10)
1.一种基于深度学习的输电线路绝缘子串识别定位方法，其特征在于，包括以下步骤：
1)采用Faster R-CNN网络模型，对输入的绝缘子串图像进行识别；
2)采用YOLOv3模型，对绝缘子串的缺陷进行定位。
2.根据权利要求1所述的一种基于深度学***方差损失函数。
3.根据权利要求1或2所述的一种基于深度学习的输电线路绝缘子串识别定位方法，其特征在于，步骤1)中，采用基于VGG16的Faster R-CNN网络模型对图像进行识别，其中，所述Faster R-CNN网络模型的边界框回归损失函数实现方式包括以下步骤：
首先，将图像分成w×h个网格，并对网格大小进行归一化；
然后，在处理后的图像中进行回归，回归公式如下：
G″x＝σ(d′x(A))+cx
G″y＝σ(d′y(A))+cy
G″w＝A′wexp(d′w(A))
G″h＝A′hexp(d′h(A))
其中，其中，G″x,G″y是先验框坐标，G″w,G″h是先验框的宽和高，σ()函数是sigmoid函数，cx和cy是预测框所在网格的左上角到图像左上角的相对距离，A′w和A′h是预测框的相对大小，d′x(A),d′y(A),d′w(A),d′h(A)是四个需要学习的参数。
4.根据权利要求3所述的一种基于深度学***方误差损失。
5.根据权利要求1所述的一种基于深度学习的输电线路绝缘子串识别定位方法，其特征在于，所述YOLOv3模型中的检测器部分包括顺次的卷积块集合、3×3卷积块、1×1卷积层，所述1×1卷积层生成结果信息，以表示预测缺陷所处的位置以及是否为缺陷的置信度；
所述的卷积块集合包括多个依次连接的卷积块，依次为1×1卷积块、3×3卷积块、1×1卷积块、3×3卷积块、1×1卷积块；
所述卷积块包含依次的一个卷积层、一个BN层、一个LeakyReLU激活函数。
6.根据权利要求1所述的一种基于深度学***方差损失函数；所述YOLOv3模型中，回归损失中的中心点坐标、置信度损失和分类损失采用交叉熵损失函数，回归损失中的宽和高采用平方差损失函数。
7.根据权利要求1所述的一种基于深度学习的输电线路绝缘子串识别定位方法，其特征在于，所述YOLOv3模型，采用k-means算法对标签框进行聚类，生成3个anchorbox，使原图像下采样到原来的八分之一，且不需要另外两个尺度的特征图。
8.一种基于深度学习的输电线路绝缘子串识别定位***，其特征在于，包括：
绝缘子串识别模块，用于采用Faster R-CNN网络模型，对输入的绝缘子串图像进行识别；
绝缘子串缺陷定位模块，用于采用YOLOv3模型，对绝缘子串的缺陷进行定位。
9.一种基于深度学习的输电线路绝缘子串识别定位装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-7任一项所述的一种基于深度学习的输电线路绝缘子串识别定位方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的一种基于深度学习的输电线路绝缘子串识别定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210660158.6A CN114972721A (zh) | 2022-06-13 | 2022-06-13 | 一种基于深度学习的输电线路绝缘子串识别定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210660158.6A CN114972721A (zh) | 2022-06-13 | 2022-06-13 | 一种基于深度学习的输电线路绝缘子串识别定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972721A true CN114972721A (zh) | 2022-08-30 |
Family
ID=82962062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210660158.6A Pending CN114972721A (zh) | 2022-06-13 | 2022-06-13 | 一种基于深度学习的输电线路绝缘子串识别定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972721A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934222A (zh) * | 2019-03-01 | 2019-06-25 | 长沙理工大学 | 一种基于迁移学习的绝缘子串自爆识别方法 |
| CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学（保定） | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
| 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 |
| CN111784685A (zh) * | 2020-07-17 | 2020-10-16 | 国网湖南省电力有限公司 | 一种基于云边协同检测的输电线路缺陷图像识别方法 |
| CN112183667A (zh) * | 2020-10-31 | 2021-01-05 | 哈尔滨理工大学 | 一种协同深度学习的绝缘子故障检测方法 |
| CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、*** |
| CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
-
2022
- 2022-06-13 CN CN202210660158.6A patent/CN114972721A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934222A (zh) * | 2019-03-01 | 2019-06-25 | 长沙理工大学 | 一种基于迁移学习的绝缘子串自爆识别方法 |
| CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学（保定） | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
| 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 |
| CN111784685A (zh) * | 2020-07-17 | 2020-10-16 | 国网湖南省电力有限公司 | 一种基于云边协同检测的输电线路缺陷图像识别方法 |
| CN112183667A (zh) * | 2020-10-31 | 2021-01-05 | 哈尔滨理工大学 | 一种协同深度学习的绝缘子故障检测方法 |
| CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、*** |
| CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728200B (zh) | 一种基于深度学习的实时行人检测方法及*** | |
| CN106778835B (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
| US8379994B2 (en) | Digital image analysis utilizing multiple human labels | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
| CN111476284A (zh) | 图像识别模型训练及图像识别方法、装置、电子设备 | |
| CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
| CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
| CN110909820A (zh) | 基于自监督学习的图像分类方法及*** | |
| CN106156777B (zh) | 文本图片检测方法及装置 | |
| CN110188827B (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
| CN111178451A (zh) | 一种基于YOLOv3网络的车牌检测方法 | |
| CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115731422A (zh) | 多标签分类模型的训练方法、分类方法及装置 | |
| CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及*** | |
| CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 | |
| CN111401360B (zh) | 优化车牌检测模型的方法及***、车牌检测方法及*** | |
| CN114092818B (zh) | 语义分割方法、装置、电子设备及存储介质 | |
| CN115994918A (zh) | 一种细胞分割方法及*** | |
| KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
| CN114972721A (zh) | 一种基于深度学习的输电线路绝缘子串识别定位方法 | |
| CN115147405A (zh) | 一种快速新能源电池无损检测方法 | |
| CN115424250A (zh) | 一种车牌识别方法及装置 |
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 |