CN115240092A - 输电杆塔巡检方法、装置、电子设备及存储介质 - Google Patents
输电杆塔巡检方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115240092A CN115240092A CN202210949926.XA CN202210949926A CN115240092A CN 115240092 A CN115240092 A CN 115240092A CN 202210949926 A CN202210949926 A CN 202210949926A CN 115240092 A CN115240092 A CN 115240092A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- connecting part
- part detection
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
-
- 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
- G06V10/22—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
- G06V10/225—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 based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种输电杆塔巡检方法、装置、电子设备及存储介质,该方法包括:获取输电杆塔的巡检图像;将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像;将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。即本发明实施例可以利用连接部检测模型和环形销检测模型自动检测巡检图像中是否有环形销,无需人工检查输电杆塔的巡检图像中是否有环形销,提高了将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
Description
技术领域
本发明实施例涉及目标检测技术,尤其涉及一种输电杆塔图像的环形销检测方法、装置、电子设备及存储介质。
背景技术
为了确保输电线路正常运行,需要利用无人机在可巡检区域周期性拍摄得到输电杆塔图像,然后人工检查无人机巡检图像确定哪些输电杆塔的连接部件是否安装有销子。
目前的输电杆塔使用的销子主要包括R型销和环形销。R型销较小,无人机拍摄会由于角度问题得到无法识别到R型销的输电杆塔图像,造成检查输电杆塔的连接部件是否安装R型销的误判。而无人机在拍摄时不会由于角度问题拍摄到无法识别到环型销的杆塔图像,相当于可以降低检查输电杆塔的连接部件是否安装环形销的误判率。因此需要人工检查输电杆塔的巡检图像中是否有环形销,然后将输电杆塔的连接部件的R型销替换为环形销。
但人工检查输电杆塔的巡检图像中是否有环形销的准确率低,检查速度慢,降低了将输电杆塔的连接部件的R型销替换为环形销的速度,增加了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
发明内容
本发明实施例提供一种输电杆塔巡检方法、装置、电子设备及存储介质,可以提高将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少将输电杆塔的连接部件的R型销替换为环形销的时间成本。
第一方面,本发明实施例提供一种输电杆塔巡检方法,所述方法包括:
获取输电杆塔的巡检图像;
将所述巡检图像输入连接部检测模型做连接部检测,得到所述输电杆塔的连接部检测目标图像;
将所述连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;
将所述环形销检测结果映射回所述巡检图像,得到所述输电杆塔的巡检结果。
第二方面,本发明实施例提供了一种输电杆塔巡检装置,所述装置包括:
巡检图像获取模块,用于获取输电杆塔的巡检图像;
目标图像生成模块,用于将所述巡检图像输入连接部检测模型做连接部检测,得到所述输电杆塔的连接部检测目标图像;
环形销检测结果生成模块,用于将所述连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;
巡检结果生成模块,用于将所述环形销检测结果映射回所述巡检图像,得到所述输电杆塔的巡检结果。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的输电杆塔巡检方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的输电杆塔巡检方法。
本发明实施例中,可以获取输电杆塔的巡检图像;将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像;将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。即本发明实施例可以利用连接部检测模型和环形销检测模型自动检测巡检图像中是否有环形销,无需人工检查输电杆塔的巡检图像中是否有环形销,解决了人工检查输电杆塔的巡检图像中是否有环形销的准确率低和检查速度慢的问题,提高了将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例提供的连接部检测模型的训练方法的一个流程示意图;
图2是本发明实施例提供的连接部的一个示意图;
图3是本发明实施例提供的预设环形销检测模型的训练方法的一个流程示意图;
图4是本发明实施例提供的环形销的一个示意图;
图5是本发明实施例提供的连接部检测模型和环形销检测模型的联合训练方法的一个流程示意图;
图6是本发明实施例提供的输电杆塔巡检方法的一个流程示意图;
图7是本发明实施例提供的输电杆塔巡检方法的另一个流程示意图;
图8是本发明实施例提供的输电杆塔巡检装置的一个结构示意图;
图9是本发明实施例提供的电子设备的一个结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
由于本发明实施例提供的输电杆塔巡检方法中需要使用到连接部检测模型和环形销检测模型,而连接部检测模型和环形销检测模型需要在实际应用之前,需要做相应预设连接部检测模型训练、预设环形销检测模型训练、连接部检测模型和环形销检测模型的联合训练,因此,在说明本发明实施例提供的输电杆塔巡检方法之前,在此先对连接部检测模型训练方法、环形销检测模型训练方法、连接部检测模型和环形销检测模型的联合训练方法做进一步说明,上述三个阶段的训练过程具体如下:
图1是本发明实施例提供的连接部检测模型的训练方法的一个流程示意图,如图1所示,连接部检测模型的训练方法具体可以包括如下步骤:
步骤101,将第一训练图像输入预设连接部检测模型做连接部检测,得到检测框,第一训练图像中包括预设连接部和预设连接部的标记框。
其中,连接部可以理解为输电杆塔中安装有环形销的部件,图2是本发明实施例提供的连接部的一个示意图,如图2所示,图2中的连接部2为安装有环形销的一个部件;预设连接部可以理解为巡检图像中预先确定的连接部;预设连接部检测模型可以理解为连接部检测模型的训练模型;第一训练图像可以理解为经过人工为预设连接部标记了位置信息的图像。
具体地,可以将第一训练图像输入预设连接部检测模型,在经过预设连接部检测模型所采用的目标检测算法进行预设连接部检测之后,预设连接部检测模型可以输出预设连接部的检测框。其中,为了提高连接部检测模型的召回率和模型精度,因此预设连接部检测模型所采用的目标检测算法可以是在模型精度上表现较好的两阶段目标检测算法,两阶段目标检测算法可以采用Faster R-CNN算法或者Cascade R-CNN算法。
步骤102,确定标记框与检测框的交并比。
其中,交并比(Intersection-over-Union,IoU)可以理解为多个框相互之间的重叠比。
具体地,可以根据标记框与检测框的重叠部分的左上角坐标和右下角坐标计算标记框与检测框的重叠面积,再根据标记框的坐标和检测框的坐标计算标记框和检测框的面积,最后将重叠面积、标记框面积和检测框面积代入交并比的计算公式进行计算,可以得到标记框与检测框的交并比。
步骤103,基于交并比从检测框中确定出目标框。
其中,目标框可以理解为检测框与标记框的交并比的值超过设定交并比的值的检测框。
具体地,可以通过比较检测框与标记框的交并比的值与设定交并比的值的大小,确定检测框与标记框的交并比的值是否超过设定交并比的值,若检测框与标记框的交并比的值超过设定交并比的值,则可以将检测框与标记框的交并比的值超过设定交并比的值的检测框确定为目标框。
示例地,若设定交并比的值为0.3,检测框与标记框的交并比的值为0.5,可以确定检测框与标记框的交并比的值超过设定交并比的值,则可以将该检测框确定为目标框。
步骤104,基于目标框与标记框确定预测连接部检测模型的损失函数。
步骤105,基于损失函数优化预设连接部检测模型的模型参数,得到连接部检测模型。
具体地,可以基于损失函数不断优化预设连接部检测模型的模型参数,以使得预设连接部检测模型的模型参数被调整至最优,从而模型参数被调整至最优的预设连接部检测模型就可以被确定为用于实际应用中输电杆塔巡检方法中的连接部检测模型。
图3是本发明实施例提供的预设环形销检测模型的训练方法的一个流程示意图,如图3所示,预设环形销检测模型的训练方法具体可以包括如下步骤:
步骤301,将第二训练图像输入预设环形销检测模型做环形销检测,得到检测框,第二训练图像中包括位于预设连接部的预设环形销和预设环形销的标记框。
其中,图4是本发明实施例提供的环形销的一个示意图,如图4所示,图4中的环形销可以用于穿过销孔以防止螺母脱落,预设环形销可以理解为巡检图像中预先确定的环形销;预设环形销检测模型可以理解为环形销检测模型的训练模型;第二训练图像可以理解为经过人工为预设环形销标记了位置信息的图像。
具体地,可以将第二训练图像输入预设环形销检测模型,在经过预设环形销检测模型所采用的目标检测算法进行预设环形销检测之后,预设环形销检测模型可以输出预设环形销的检测框。其中,为了提高环形销检测模型的检测效率,因此预设环形销检测模型所采用的目标检测算法可以是在模型精度上表现较好的一阶段目标检测算法,一阶段目标检测算法可以采用YOLOv3算法,YOLOv3中的图像特征提取网络可以采用RetinaNet网络结构。
步骤302,确定标记框与检测框的交并比。
步骤303,基于交并比从检测框中确定出目标框。
步骤304,基于目标框与标记框确定预设环形销检测模型的损失函数。
步骤305,基于损失函数优化预设环形销检测模型的模型参数,得到环形销检测模型。
具体地,可以基于损失函数不断优化预设环形销检测模型的模型参数,以使得预设环形销检测模型的模型参数被调整至最优,从而模型参数被调整至最优的预设环形销检测模型就可以被确定为用于实际应用中输电杆塔巡检方法中的连接部检测模型。
图5是本发明实施例提供的连接部检测模型和环形销检测模型的联合训练方法的一个流程示意图,如图5所示,连接部检测模型和环形销检测模型的联合训练方法具体可以包括如下步骤:
步骤501,将训练图像输入预设连接部检测模型做连接部检测,得到连接部检测训练图像,训练图像包括位于预设连接部的预设环形销和预设环形销的标记框。
步骤502,将连接部检测训练图像输入预设环形销检测模型做环形销检测,得到检测框。
步骤503,确定标记框与检测框的交并比。
步骤504,基于交并比从检测框中确定出目标框。
步骤505,基于目标框与标记框确定预设环形销检测模型的损失函数,并基于目标框与标记框确定预设连接部检测模型的损失函数。
步骤506,基于预设环形销检测模型的损失函数优化预设环形销检测模型的模型参数,得到环形销检测模型;并基于预设连接部检测模型的损失函数优化预设连接部检测模型的模型参数,得到连接部检测模型。
完成上述三个阶段的模型训练之后,可以对经过训练得到的连接部检测模型和环形销检测模型进行模型测试,可以将巡检图像中的测试图像依次输入连接部检测模型和环形销检测模型,得到检测结果,人工审核检测结果并将审核结果反馈到连接部标签库和环形销标签库进行迭代训练,不断地测试各检测模型的模型精度,当各检测模型的模型精度达到了实际应用要求,则可以将得到的模型投入至实际应用。
完成模型训练过程和模型测试过程之后,可以得到输电杆塔巡检方法中实际应用的连接部检测模型和环形销检测模型。下面详细描述使用连接部检测模型和环形销检测模型执行本发明实施例提供的输电杆塔巡检方法。图6是本发明实施例提供的输电杆塔巡检方法的一个流程示意图,该方法可以由本发明实施例提供的输电杆塔巡检装置来执行,该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中,该装置可以集成在电子设备中。以下实施例将以该装置集成在电子设备中为例进行说明,参考图6,该方法具体可以包括如下步骤:
步骤601,获取输电杆塔的巡检图像。
其中,巡检图像可以理解为巡检人员在巡检时利用巡检拍摄设备所拍摄的输电杆塔图像。
具体地,可以利用无人机搭载拍摄设备按照巡检航线进行输电杆塔的巡检图像的拍摄,然后可以获取拍摄设备中所存储的输电杆塔的巡检图像。
步骤602,将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像。
其中,输电杆塔的连接部检测目标图像可以理解为用于进行环形销检测的连接部检测图像。
具体地,可以将巡检图像输入连接部检测模型做连接部检测,得到连接部检测模型对应的连接部检测图像,然后基于连接部检测图像相互之间的交并比和连接部检测图像的置信度从连接部检测图像中筛选出连接部检测目标图像。
示例地,可以将巡检图像输入连接部检测模型做连接部检测,得到连接部检测模型对应的3张连接部检测图像;3张连接部检测图像相互之间的交并比依次为0.2、0.4、0.5,3张连接部检测图像的置信度依次为0.4、0.6、0.7,可以筛选出交并比大于0.3且置信度大于0.5的连接部检测图像,将交并比大于0.3且置信度大于0.5的连接部检测图像确定为连接部检测目标图像。
步骤603,将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果。
其中,环形销检测结果可以包括目标环形销在连接部检测目标图像的位置信息、置信度信息和特征信息。目标环形销可以理解为连接部检测目标图像中的环形销。特征信息可以理解为目标环形销的尺寸信息。位置信息可以理解为目标环形销在巡检图像中的连接部检测目标图像的坐标信息。
示例地,若目标环形销为A,可以将连接部检测目标图像输入环形销检测模型做环形销检测,得到目标环形销A在连接部检测目标图像的位置信息、置信度信息和特征信息。
步骤604,将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。
其中,输电杆塔的巡检结果可以理解为将环形销检测结果映射回巡检图像后得到的标记图像,标记图像中可以包括目标环形销在连接部检测目标图像的位置信息、置信度信息和特征信息。
具体地,可以将目标环形销在连接部检测目标图像的位置信息、置信度信息和特征信息映射回巡检图像,即将目标环形销在连接部检测目标图像的位置信息、置信度信息和特征信息在巡检图像中进行标记,得到输电杆塔的巡检结果。巡检人员可以通过判断输电杆塔的巡检结果中是否有目标环形销的位置信息、置信度信息和特征信息的标记,确定输电杆塔的巡检图像中有环形销。
本发明实施例中,可以获取输电杆塔的巡检图像;将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像;将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。即本发明实施例可以利用连接部检测模型和环形销检测模型自动检测巡检图像中是否有环形销,无需人工检查输电杆塔的巡检图像中是否有环形销,解决了人工检查输电杆塔的巡检图像中是否有环形销的准确率低和检查速度慢的问题,提高了将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
本发明实施例提供的输电杆塔的巡检方法中的连接部检测模型可以包括第一连接部检测模型和第二连接部检测模型,第一连接部检测模型采用的检测算法与第二连接部检测模型采用的检测算法可以不同,第一连接部检测模型采用的检测算法可以是FasterR-CNN算法,第二连接部检测模型采用的检测算法可以是Cascade R-CNN算法。下面进一步说明本发明实施例提供的输电杆塔巡检方法,如图7所示,图7是本发明实施例提供的输电杆塔巡检方法的另一个流程示意图,具体可以包括如下步骤:
步骤701,获取输电杆塔的巡检图像。
步骤702,将巡检图像输入第一连接部检测模型做连接部检测,得到第一连接部检测模型对应的第一连接部检测图像。
具体地,可以将巡检图像输入第一连接部检测模型做连接部检测,得到第一连接部检测候选图像,基于各个第一连接部检测候选图像相互之间的交并比从第一连接部检测候选图像中确定出第一连接部检测中间图像,根据第一连接部检测中间图像的目标置信度从第一连接部检测中间图像中筛选出第一连接部检测图像。
其中,第一连接部检测中间图像的目标置信度可以按照如下方法得到:将第一连接部检测中间图像的原始置信度与第一连接部检测模型的权重相乘,得到第一连接部检测中间图像的目标置信度。第一连接部检测中间图像的原始置信度可以理解为第一连接部检测候选图像的置信度。
进一步地,可以将巡检图像输入第一连接部检测模型做连接部检测,得到第一连接部检测候选图像,基于各个第一连接部检测候选图像相互之间的交并比,从第一连接部检测候选图像中确定出各个第一连接部检测候选图像相互之间的交并比超过设定的交并比的第一连接部检测候选图像,将第一连接部检测候选图像相互之间的交并比超过设定的交并比的第一连接部检测候选图像确定为第一连接部检测中间图像;然后可以根据第一连接部检测中间图像的目标置信度,从第一连接部检测中间图像中筛选出目标置信度超过设定的置信度的第一连接部检测中间图像,并将目标置信度超过设定的置信度的第一连接部检测中间图像确定为第一连接部检测图像。
示例地,若第一连接部检测模型的权重为0.4,设定的交并比为0.3,设定的置信度为0.3,将巡检图像输入第一连接部检测模型做连接部检测,得到第一连接部检测候选图像分别为A1、A2、A3,A1与A2之间的交并比为0.3,A2与A3之间的交并比为0.5,A3与A1之间的交并比为0.6;A1的置信度为0.5、A2的置信度为0.6、A3的置信度为0.9;可以基于各个第一连接部检测候选图像相互之间的交并比,从第一连接部检测候选图像中确定出各个第一连接部检测候选图像相互之间的交并比超过设定的交并比的第一连接部检测候选图像为A2、A3,将第一连接部检测候选图像相互之间的交并比超过设定的交并比的第一连接部检测候选图像(A2、A3)确定为第一连接部检测中间图像P1、P2;P1的原始置信度级A2的置信度,P2的原始置信度即A3的置信度,通过目标置信度的计算方法可以得到P1的目标置信度为0.24,P2的目标置信度为0.36,然后可从P1、P2中筛选出目标置信度超过设定的置信度的第一连接部检测中间图像为P2,并将目标置信度超过设定的置信度的第一连接部检测中间图像(P2)确定为第一连接部检测图像S1。
步骤703,将巡检图像输入第二连接部检测模型做连接部检测,得到第二连接部检测模型对应的第二连接部检测图像。
具体地,将巡检图像输入第二连接部检测模型做连接部检测,得到第二连接部检测候选图像,基于各个第二连接部检测候选图像相互之间的交并比从第二连接部检测候选图像中确定出第二连接部检测中间图像,根据第二连接部检测中间图像的目标置信度从第二连接部检测中间图像中筛选出第二连接部检测图像。
其中,第二连接部检测中间图像的目标置信度可以按照如下方法得到:将第二连接部检测中间图像的原始置信度与第二连接部检测模型的权重相乘,得到第二连接部检测中间图像的目标置信度。
需要说明的是,第一连接部检测模型的权重和第二连接部检测模型的权重的总和为1。
进一步地,可以将巡检图像输入第二连接部检测模型做连接部检测,得到第二连接部检测候选图像,基于各个第二连接部检测候选图像相互之间的交并比,从第二连接部检测候选图像中确定出各个第二连接部检测候选图像相互之间的交并比超过设定的交并比的第二连接部检测候选图像,将第二连接部检测候选图像相互之间的交并比超过设定的交并比的第二连接部检测候选图像确定为第二连接部检测中间图像;然后可以根据第二连接部检测中间图像的目标置信度,从第二连接部检测中间图像中筛选出目标置信度超过设定的置信度的第二连接部检测中间图像,并将目标置信度超过设定的置信度的第二连接部检测中间图像确定为第二连接部检测图像。
示例地,若第二连接部检测模型的权重为0.6,设定的交并比为0.3,设定的置信度为0.3,将巡检图像输入第二连接部检测模型做连接部检测,得到第二连接部检测候选图像分别为B1、B2、B3,B1与B2之间的交并比为0.7,B2与B3之间的交并比为0.3,B3与B1之间的交并比为0.9;B1的置信度为0.5、B2的置信度为0.6,B3的置信度为0.8;可以基于各个第二连接部检测候选图像相互之间的交并比,从第二连接部检测候选图像中确定出各个第二连接部检测候选图像相互之间的交并比超过设定的交并比的第二连接部检测候选图像为B1、B3,将第二连接部检测候选图像相互之间的交并比超过设定的交并比的第二连接部检测候选图像(B1、B3)确定为第二连接部检测中间图像P3、P4;P3的原始置信即B1的置信度,P4的原始置信度即B3的置信度,通过目标置信度的计算方法可以得到P3的目标置信度为0.3,P4的目标置信度为0.48,然后可从P3、P4中筛选出目标置信度超过设定的置信度的第二连接部检测中间图像为P4,并将目标置信度超过设定的置信度的第二连接部检测中间图像(P4)确定为第二连接部检测图像S2。
步骤704,根据第一连接部检测图像和第二连接部检测图像确定连接部检测目标图像。
具体地,可以将第一连接部检测图像和第二连接部检测图像映射至同一图像上,得到连接部检测映射图像;基于各个连接部检测映射图像相互之间的交并比从连接部检测映射图像中确定出连接部检测目标图像。其中,连接部检测映射图像可以理解为包括第一连接部检测图像和第二连接部检测图像的检测框的图像。
进一步地,可以基于各个连接部检测映射图像相互之间的交并比,从连接部检测映射图像中确定各个连接部检测映射图像相互之间的交并比大于设定的交并比的连接部检测映射图像,并将交并比大于设定的交并比的连接部检测映射图像确定为连接部检测目标图像。
示例地,若第一连接部检测图像为S1,第二连接部检测图像为S2,设定的交并比为0.3,可以将S1和S2映射至同一图像上,得到连接部检测映射图像;连接部检测映射图像中的S1和S2相互之间的交并比为0.5,可以确定S1和S2相互之间的交并比超过了设定的交并比,可以将S1和S2确定为连接部检测目标图像。
步骤705,将连接部检测目标图像输入环形销检测模型,以利用圆形提取函数从连接部检测目标图像中提取环形销特征图像,并利用目标检测函数对环形销特征图像做环形销检测,得到环形销检测结果。
由于环形销相比与传统的R型销子的特征,环形销有独特的圆形形状特征,即便用无人机拍摄,在不同的角度拍摄到的图片均可以看到圆形形状。因此本发明实施例将圆形特征作为先验知识加入到特征提取网络的特征提取函数中,可以提高特征提取网络的圆形特征提取的特征提取能力;其中,圆形提取函数如下所示:
x=x0+r cosθ
y=y0+r sinθ
上述公式中,r可以代表半径,θ为参数,0≤θ≤2π,x0、y0为圆心,x、y为自变量。
环形销检测模型可以采用YOLOv3算法,YOLOv3算法中可以包括目标检测函数和圆形特征提取函数。
步骤706,将目标环形销在连接部检测目标图像的位置信息、置信度信息和特征信息映射回巡检图像,得到目标环形销在巡检图像中的位置信息、置信度信息和特征信息。
示例地,若环形销检测结果为目标环形销A在连接部检测目标图像S1的位置信息(L)、置信度信息(0.8)和特征信息(环形销半径为2厘米),可以将目标环形销A在连接部检测目标图像S1的位置信息、置信度信息和特征信息映射回巡检图像,得到目标环形销在巡检图像中的位置信息、置信度信息和特征信息。巡检人员可以看到输电杆塔的巡检图像中有目标环形销A的位置信息、置信度信息和特征信息的标记,则确定输电杆塔的巡检图像中有环形销。
本发明实施例中,可以利用连接部检测模型和环形销检测模型自动检测巡检图像中是否有环形销,无需人工检查输电杆塔的巡检图像中是否有环形销,解决了人工检查输电杆塔的巡检图像中是否有环形销的准确率低和检查速度慢的问题,提高了将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
图8是本发明实施例提供的输电杆塔巡检装置的一个结构示意图,该装置适用于执行本发明实施例提供的输电杆塔巡检方法。如图8所示,该装置具体可以包括:
巡检图像获取模块801,用于获取输电杆塔的巡检图像;
目标图像生成模块802,用于将所述巡检图像输入连接部检测模型做连接部检测,得到所述输电杆塔的连接部检测目标图像;
环形销检测结果生成模块803,用于将所述连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;
巡检结果生成模块804,用于将所述环形销检测结果映射回所述巡检图像,得到所述输电杆塔的巡检结果。
可选地,所述连接部检测模型包括第一连接部检测模型和第二连接部检测模型,所述第一连接部检测模型采用的检测算法与所述第二连接部检测模型采用的检测算法不同;
目标图像生成模块802,具体用于:
将所述巡检图像输入所述第一连接部检测模型做连接部检测,得到所述第一连接部检测模型对应的第一连接部检测图像;
将所述巡检图像输入所述第二连接部检测模型做连接部检测,得到所述第二连接部检测模型对应的第二连接部检测图像;
根据所述第一连接部检测图像和所述第二连接部检测图像确定所述连接部检测目标图像。
可选地,
目标图像生成模块802将所述巡检图像输入所述第一连接部检测模型做连接部检测,得到所述第一连接部检测模型对应的第一连接部检测图像,包括:将所述巡检图像输入所述第一连接部检测模型做连接部检测,得到第一连接部检测候选图像,基于各个所述第一连接部检测候选图像相互之间的交并比从所述第一连接部检测候选图像中确定出第一连接部检测中间图像,根据所述第一连接部检测中间图像的目标置信度从所述第一连接部检测中间图像中筛选出所述第一连接部检测图像;
目标图像生成模块802将所述巡检图像输入所述第二连接部检测模型做连接部检测,得到所述第二连接部检测模型对应的第二连接部检测图像,包括:将所述巡检图像输入所述第二连接部检测模型做连接部检测,得到第二连接部检测候选图像,基于各个所述第二连接部检测候选图像相互之间的交并比从所述第二连接部检测候选图像中确定出第二连接部检测中间图像,根据所述第二连接部检测中间图像的目标置信度从所述第二连接部检测中间图像中筛选出所述第二连接部检测图像。
可选地,
所述第一连接部检测中间图像的目标置信度按照如下方法得到:将所述第一连接部检测中间图像的原始置信度与所述第一连接部检测模型的权重相乘,得到所述第一连接部检测中间图像的目标置信度;
所述第二连接部检测中间图像的目标置信度按照如下方法得到:将所述第二连接部检测中间图像的原始置信度与所述第二连接部检测模型的权重相乘,得到所述第二连接部检测中间图像的目标置信度。
可选地,目标图像生成模块802根据所述第一连接部检测图像和所述第二连接部检测图像确定所述连接部检测目标图像,包括:
将所述第一连接部检测图像和所述第二连接部检测图像映射至同一图像上,得到连接部检测映射图像;
基于各个所述连接部检测映射图像相互之间的交并比从所述连接部检测映射图像中确定出所述连接部检测目标图像。
可选地,所述环形销检测模型中包括圆形提取函数和目标检测函数;
环形销检测结果生成模块803,具体用于:
将所述连接部检测目标图像输入所述环形销检测模型,以利用所述圆形提取函数从所述连接部检测目标图像中提取环形销特征图像,并利用所述目标检测函数对所述环形销特征图像做环形销检测,得到所述环形销检测结果。
可选地,所述环形销检测结果中包括目标环形销在所述连接部检测目标图像的位置信息、置信度信息和特征信息;
巡检结果生成模块804,具体用于:
将所述目标环形销在所述连接部检测目标图像的位置信息、置信度信息和特征信息映射回所述巡检图像,得到所述目标环形销在所述巡检图像中的位置信息、置信度信息和特征信息。
可选地,所述连接部检测模型和所述环形销检测模型通过如下训练方式得到:
将训练图像输入预设连接部检测模型做连接部检测,得到连接部检测训练图像,所述训练图像包括位于预设连接部的预设环形销和所述预设环形销的标记框;
将所述连接部检测训练图像输入预设环形销检测模型做环形销检测,得到检测框;
确定所述标记框与所述检测框的交并比;
基于所述交并比从所述检测框中确定出目标框;
基于所述目标框与所述标记框确定所述预设环形销检测模型的损失函数,并基于所述目标框与所述标记框确定所述预设连接部检测模型的损失函数;
基于所述预设环形销检测模型的损失函数优化所述预设环形销检测模型的模型参数,得到所述环形销检测模型;并基于所述预设连接部检测模型的损失函数优化所述预设连接部检测模型的模型参数,得到所述连接部检测模型。
本领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例的装置,可以获取输电杆塔的巡检图像;将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像;将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。即本发明实施例可以利用连接部检测模型和环形销检测模型自动检测巡检图像中是否有环形销,无需人工检查输电杆塔的巡检图像中是否有环形销,解决了人工检查输电杆塔的巡检图像中是否有环形销的准确率低和检查速度慢的问题,提高了将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例提供的输电杆塔巡检方法。
本发明实施例还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例提供的输电杆塔巡检方法。
下面参考图9,其示出了适于用来实现本发明实施例的电子设备的计算机***1000的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机***1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有计算机***1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括巡检图像获取模块、目标图像生成模块、环形销检测结果生成模块和巡检结果生成模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
获取输电杆塔的巡检图像;将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像;将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。
根据本发明实施例的技术方案,可以获取输电杆塔的巡检图像;将巡检图像输入连接部检测模型做连接部检测,得到输电杆塔的连接部检测目标图像;将连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;将环形销检测结果映射回巡检图像,得到输电杆塔的巡检结果。即本发明实施例可以利用连接部检测模型和环形销检测模型自动检测巡检图像中是否有环形销,无需人工检查输电杆塔的巡检图像中是否有环形销,解决了人工检查输电杆塔的巡检图像中是否有环形销的准确率低和检查速度慢的问题,提高了将输电杆塔的连接部件的R型销替换为环形销的速度和准确率,减少了将输电杆塔的连接部件的R型销替换为环形销的时间成本。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种输电杆塔巡检方法,其特征在于,所述方法包括:
获取输电杆塔的巡检图像;
将所述巡检图像输入连接部检测模型做连接部检测,得到所述输电杆塔的连接部检测目标图像;
将所述连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;
将所述环形销检测结果映射回所述巡检图像,得到所述输电杆塔的巡检结果。
2.根据权利要求1所述的方法,其特征在于,所述连接部检测模型包括第一连接部检测模型和第二连接部检测模型,所述第一连接部检测模型采用的检测算法与所述第二连接部检测模型采用的检测算法不同,所述将所述巡检图像输入连接部检测模型做连接部检测,得到所述输电杆塔的连接部检测目标图像,包括:
将所述巡检图像输入所述第一连接部检测模型做连接部检测,得到所述第一连接部检测模型对应的第一连接部检测图像;
将所述巡检图像输入所述第二连接部检测模型做连接部检测,得到所述第二连接部检测模型对应的第二连接部检测图像;
根据所述第一连接部检测图像和所述第二连接部检测图像确定所述连接部检测目标图像。
3.根据权利要求2所述的方法,其特征在于,
所述将所述巡检图像输入所述第一连接部检测模型做连接部检测,得到所述第一连接部检测模型对应的第一连接部检测图像,包括:将所述巡检图像输入所述第一连接部检测模型做连接部检测,得到第一连接部检测候选图像,基于各个所述第一连接部检测候选图像相互之间的交并比从所述第一连接部检测候选图像中确定出第一连接部检测中间图像,根据所述第一连接部检测中间图像的目标置信度从所述第一连接部检测中间图像中筛选出所述第一连接部检测图像;
所述将所述巡检图像输入所述第二连接部检测模型做连接部检测,得到所述第二连接部检测模型对应的第二连接部检测图像,包括:将所述巡检图像输入所述第二连接部检测模型做连接部检测,得到第二连接部检测候选图像,基于各个所述第二连接部检测候选图像相互之间的交并比从所述第二连接部检测候选图像中确定出第二连接部检测中间图像,根据所述第二连接部检测中间图像的目标置信度从所述第二连接部检测中间图像中筛选出所述第二连接部检测图像。
4.根据权利要求3所述的方法,其特征在于,
所述第一连接部检测中间图像的目标置信度按照如下方法得到:将所述第一连接部检测中间图像的原始置信度与所述第一连接部检测模型的权重相乘,得到所述第一连接部检测中间图像的目标置信度;
所述第二连接部检测中间图像的目标置信度按照如下方法得到:将所述第二连接部检测中间图像的原始置信度与所述第二连接部检测模型的权重相乘,得到所述第二连接部检测中间图像的目标置信度。
5.根据权利要求2所述的方法,其特征在于,所述根据所述第一连接部检测图像和所述第二连接部检测图像确定所述连接部检测目标图像,包括:
将所述第一连接部检测图像和所述第二连接部检测图像映射至同一图像上,得到连接部检测映射图像;
基于各个所述连接部检测映射图像相互之间的交并比从所述连接部检测映射图像中确定出所述连接部检测目标图像。
6.根据权利要求1所述的方法,其特征在于,所述环形销检测模型中包括圆形提取函数和目标检测函数,所述将所述连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果,包括:
将所述连接部检测目标图像输入所述环形销检测模型,以利用所述圆形提取函数从所述连接部检测目标图像中提取环形销特征图像,并利用所述目标检测函数对所述环形销特征图像做环形销检测,得到所述环形销检测结果。
7.根据权利要求1所述的方法,其特征在于,所述环形销检测结果中包括目标环形销在所述连接部检测目标图像的位置信息、置信度信息和特征信息,所述将所述环形销检测结果映射回所述巡检图像,得到所述输电杆塔的巡检结果,包括:
将所述目标环形销在所述连接部检测目标图像的位置信息、置信度信息和特征信息映射回所述巡检图像,得到所述目标环形销在所述巡检图像中的位置信息、置信度信息和特征信息。
8.根据权利要求1所述的方法,其特征在于,所述连接部检测模型和所述环形销检测模型通过如下训练方式得到:
将训练图像输入预设连接部检测模型做连接部检测,得到连接部检测训练图像,所述训练图像包括位于预设连接部的预设环形销和所述预设环形销的标记框;
将所述连接部检测训练图像输入预设环形销检测模型做环形销检测,得到检测框;
确定所述标记框与所述检测框的交并比;
基于所述交并比从所述检测框中确定出目标框;
基于所述目标框与所述标记框确定所述预设环形销检测模型的损失函数,并基于所述目标框与所述标记框确定所述预设连接部检测模型的损失函数;
基于所述预设环形销检测模型的损失函数优化所述预设环形销检测模型的模型参数,得到所述环形销检测模型;并基于所述预设连接部检测模型的损失函数优化所述预设连接部检测模型的模型参数,得到所述连接部检测模型。
9.一种输电杆塔巡检装置,其特征在于,所述装置包括:
巡检图像获取模块,用于获取输电杆塔的巡检图像;
目标图像生成模块,用于将所述巡检图像输入连接部检测模型做连接部检测,得到所述输电杆塔的连接部检测目标图像;
环形销检测结果生成模块,用于将所述连接部检测目标图像输入环形销检测模型做环形销检测,得到环形销检测结果;
巡检结果生成模块,用于将所述环形销检测结果映射回所述巡检图像,得到所述输电杆塔的巡检结果。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的输电杆塔巡检方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述的输电杆塔巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949926.XA CN115240092A (zh) | 2022-08-09 | 2022-08-09 | 输电杆塔巡检方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949926.XA CN115240092A (zh) | 2022-08-09 | 2022-08-09 | 输电杆塔巡检方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115240092A true CN115240092A (zh) | 2022-10-25 |
Family
ID=83679605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210949926.XA Pending CN115240092A (zh) | 2022-08-09 | 2022-08-09 | 输电杆塔巡检方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240092A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953486A (zh) * | 2022-12-30 | 2023-04-11 | 国网电力空间技术有限公司 | 一种直流t型直线塔部件巡检图像自动编码方法 |
-
2022
- 2022-08-09 CN CN202210949926.XA patent/CN115240092A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953486A (zh) * | 2022-12-30 | 2023-04-11 | 国网电力空间技术有限公司 | 一种直流t型直线塔部件巡检图像自动编码方法 |
CN115953486B (zh) * | 2022-12-30 | 2024-04-12 | 国网电力空间技术有限公司 | 一种直流t型直线塔部件巡检图像自动编码方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300119B (zh) | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 | |
CN108874665A (zh) | 一种测试结果校验方法、装置、设备和介质 | |
CN113379712A (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及*** | |
CN115240092A (zh) | 输电杆塔巡检方法、装置、电子设备及存储介质 | |
CN111220988A (zh) | 一种地图数据处理方法、装置、设备和介质 | |
CN111136655B (zh) | 一种获取巡检点的方法及装置 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN115809622B (zh) | 具有自动优化配置功能的芯片仿真加速*** | |
CN116698874A (zh) | 一种电缆的缺陷检测方法、装置、设备及存储介质 | |
CN112232326A (zh) | 行驶信息生成方法、装置、电子设备和计算机可读介质 | |
CN111047160A (zh) | 污染原因分析方法、装置、可读存储介质及电子设备 | |
CN115546666A (zh) | 基于无人机巡检的电力设备螺栓检测方法及*** | |
CN114078234B (zh) | 供电台区施工工艺的检测方法、***、存储介质及设备 | |
CN116205835A (zh) | 电路板瑕疵检测方法、装置及电子设备 | |
CN112529829B (zh) | 一种毛刺定位、毛刺检测模型的训练方法及装置 | |
CN115309593A (zh) | 一种面向国产计算机的自动化测试***及方法 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN111583176B (zh) | 一种基于图像的防雷模拟盘元件故障检测方法及*** | |
CN115327497B (zh) | 雷达检测范围确定方法、装置、电子设备及可读介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN117499621B (zh) | 视频采集设备的检测方法、装置、设备及介质 | |
KR20220152785A (ko) | 이종 임베디드 플랫폼에서 비전 가속 처리와 머신러닝을 활용한 pcb 외관검사 장치 및 방법 | |
CN114264904B (zh) | 基于仿真和机器视觉的全液晶仪表测试方法及*** | |
CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 | |
CN111985497B (zh) | 架空输电线路下吊车作业识别方法及*** |
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 |