CN115564715B - 一种基于视觉小块的输电线路缺陷图片分类方法 - Google Patents

一种基于视觉小块的输电线路缺陷图片分类方法 Download PDF

Info

Publication number
CN115564715B
CN115564715B CN202211100982.2A CN202211100982A CN115564715B CN 115564715 B CN115564715 B CN 115564715B CN 202211100982 A CN202211100982 A CN 202211100982A CN 115564715 B CN115564715 B CN 115564715B
Authority
CN
China
Prior art keywords
defect
small block
transmission line
test image
small
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
Application number
CN202211100982.2A
Other languages
English (en)
Other versions
CN115564715A (zh
Inventor
葛雄
朱传刚
刘全
雷雨
苏中立
孙忠慧
张治国
熊继开
张晓春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Super High Voltage Co Of State Grid Hubei Electric Power Co ltd
Original Assignee
Super High Voltage Co Of State Grid Hubei Electric Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Super High Voltage Co Of State Grid Hubei Electric Power Co ltd filed Critical Super High Voltage Co Of State Grid Hubei Electric Power Co ltd
Priority to CN202211100982.2A priority Critical patent/CN115564715B/zh
Publication of CN115564715A publication Critical patent/CN115564715A/zh
Application granted granted Critical
Publication of CN115564715B publication Critical patent/CN115564715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图片分类技术领域，公开了一种基于视觉小块的输电线路缺陷图片分类方法，通过将输电线路缺陷测试图像填充后，切分成小块，使用无缺陷图像编码器对所述输电线路缺陷图像小块进行特征及位置编码，获得测试图像小块编码结果；将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，对所述缺陷小块进行分类，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型，来达到对输电线路场景存在的缺陷进行精准分类的目的。尤其是在缺陷样本很少的情况下，能对缺陷类型精准分类，有效提高对输电线路的巡检效率。

Description

一种基于视觉小块的输电线路缺陷图片分类方法
技术领域
本发明属于图片分类技术领域，具体涉及一种基于视觉小块的输电线路缺陷图片分类方法。
背景技术
输电线路缺陷图片分类是输电线路巡检的重要环节，对输电线路存在的缺陷分析有很重要的作用。但是输电线路场景存在缺陷的类别很多，而缺陷样本数据较少。
亟待对输电线路上存在的缺陷进行分类，根据缺陷的分类开展进一步的处理，利于提高巡检的效率。而目前对输电线路缺陷分类的方法，主要存在以下问题：1)对分类训练集要求高，少量或不平衡的训练数据使分类准确率降低；2)无缺陷数据数量较多，无法充分利用无缺陷数据。3)采用有监督学习，图像标注成本较高。
发明内容
本发明提供一种基于视觉小块的输电线路缺陷图片分类方法，通过将输电线路缺陷测试图像填充后，切分成小块，获得输电线路缺陷测试图像小块，使用无缺陷图像编码器对所述输电线路缺陷图像小块进行特征及位置编码，获得测试图像小块编码结果；将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果；根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，对所述缺陷小块进行分类，获得缺陷小块分类类型，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型，来达到对输电线路场景存在的缺陷进行精准分类的目的。尤其是在缺陷样本很少的情况下，也能对缺陷类型进行精准分类，从而有效提高对输电线路的巡检效率，解决了现有技术存在的缺陷样本很少时，对缺陷分类准确性低等技术问题。
本发明通过下述技术方案实现：
一种基于视觉小块的输电线路缺陷图片分类方法，所述方法包括以下步骤：
S001：将输电线路缺陷测试图像填充后，切分成小块，获得输电线路缺陷测试图像小块，使用无缺陷图像编码器对所述输电线路缺陷图像小块进行特征及位置编码，获得测试图像小块编码结果；
S002：将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果；
S003：根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，对所述缺陷小块进行分类，获得缺陷小块分类类型，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型。
可选地，步骤S001中，输电线路缺陷测试图像填充方法为，将输电线路缺陷测试图像或无缺陷图像填充到所述输电线路缺陷测试图像小块长宽的整数倍，并将所述输电线路缺陷测试图像小块按照其整数倍个数进行切分。
可选地，所述输电线路缺陷测试图像小块的长宽以及输电线路缺陷测试图像的填充可根据所述缺陷小块分类类型设置。
可选地，步骤S003中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，使用缺陷分类器对所述缺陷小块进行分类。
可选地，步骤S003中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，判定方法为：对所述输电线路缺陷图像小块进行小块特征提取，将提取结果与无缺陷图像小块特征进行相似度计算。
可选地，步骤S003中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，具体将所述测试图像小块相似度对比结果与阈值进行对比，从而判定所述输电线路缺陷图像小块是否存在缺陷小块。
可选地，步骤S001中，通过带有小块特征信息的特征向量，判断缺陷图像的缺陷位置。
可选地，步骤S002中，将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果中，相似度计算方法为，计算测试图像小块与无缺陷图像小块的距离，距离的大小表示测试图像小块与无缺陷图像小块的差异程度。
可选地，步骤S002中，计算测试图像小块与无缺陷图像小块的距离方法为：设定初始阈值γ0，如果测试图像小块与无缺陷图像小块的距离L大于初始阈值γ0。，则判定测试图像小块存在缺陷小块，反之，如果测试图像小块与无缺陷图像小块的距离L小于初始阈值γ0，则判定测试图像小块无缺陷小块。
可选地，步骤S003中，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型，具体为提取全部缺陷小块，用于判定输电线路缺陷测试图像小块中存在的缺陷类型。
本发明与现有技术相比，具有如下的优点和有益效果：
1)本技术方案通过采用输电线路缺陷测试图像小块，使用半监督的方式学习缺陷类型，焦距具体缺陷位置，提高缺陷分类准确率。
2)本技术方案中使用无监督异常识别方法找到存在缺陷的小块，再采用有监督的分类方法，对缺陷进行分类，由于图像小块包括重要的缺陷特征，所以在进行分类计算时，不需要大量的训练数据对分类模型训练，减少了数据的标注成本。
附图说明
图1为本发明的流程结构示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：
如图1所示，一种基于视觉小块的输电线路缺陷图片分类方法，所述方法包括以下步骤：
S001：将输电线路缺陷测试图像填充后，切分成小块，获得输电线路缺陷测试图像小块，使用无缺陷图像编码器对所述输电线路缺陷图像小块进行特征及位置编码，获得测试图像小块编码结果；
具体地，步骤S001中，输电线路缺陷测试图像填充方法为，将输电线路缺陷测试图像或无缺陷图像填充到所述输电线路缺陷测试图像小块长宽的整数倍，并将所述输电线路缺陷测试图像小块按照其整数倍个数进行切分。
所述输电线路缺陷测试图像小块的长宽以及输电线路缺陷测试图像的填充可根据所述缺陷小块分类类型设置。
在对所述输电线路缺陷测试图像小块的长宽和图像小块填充后大小可根据图像小块缺陷类型灵活设置。在输电线路图像中，输电线路缺陷测试图像仅为其中一部分，通过视觉小块识别方法，可以专注于输送线路缺陷测试图像中缺陷类别的识别，确保输电线路缺陷测试图像小块大小可以充分表达缺陷特征。
S001中，通过带有小块特征信息的特征向量，判断缺陷图像的缺陷位置。每个小块通过无缺陷图像编码器，得到带有小块位置信息的特征向量，无缺陷图像编码器可以提取小块的位置信息和特征向量，并将位置信息和特征向量组合在一起，成为带有小块位置特征信息的特征向量。具体的方法为将小块在图片中的排和列位置用坐标表示，比如，(1，1)表示第一排第一列的小块，将坐标转换为二进制并在用0在二进制前进行16位、32位或者64位补齐，在特征向量中预留相应的位数存放补齐后的二进制，用来判断小块在图像中的缺陷位置。
S002：将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果；
具体地，步骤S002中，将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果中，相似度计算方法为，计算测试图像小块与无缺陷图像小块的距离，距离的大小表示测试图像小块与无缺陷图像小块的差异程度。其中，测试图像小块与无缺陷图像小块的距离，距离的具体计算方法可采用对小块的特征向量使用欧式距离计算或余弦相似度计算。
S002中，计算测试图像小块与无缺陷图像小块的距离方法为：设定初始阈值γ0，如果测试图像小块与无缺陷图像小块的距离L大于初始阈值γ0。，则判定测试图像小块存在缺陷小块，反之，如果测试图像小块与无缺陷图像小块的距离L小于初始阈值γ0，则判定测试图像小块无缺陷小块。
S003：根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，对所述缺陷小块进行分类，获得缺陷小块分类类型，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型。
具体地，步骤S003中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，使用缺陷分类器对所述缺陷小块进行分类。
其中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，判定方法为：对所述输电线路缺陷图像小块进行小块特征提取，将提取结果与无缺陷图像小块特征进行相似度计算。其中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，具体将所述测试图像小块相似度对比结果与阈值进行对比，从而判定所述输电线路缺陷图像小块是否存在缺陷小块。进一步地，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型，具体为提取全部缺陷小块，用于判定输电线路缺陷测试图像小块中存在的缺陷类型。
具体地，提取全部缺陷小块进行缺陷分类，主要是根据所述缺陷小块分类类型对缺陷小块进行有监督的分类，将缺陷小块的特征向量经过全连接成，再经过softmax网络层，实现对缺陷小块的分类。
本实施例所述方案通过将输电线路缺陷测试图像填充后，切分成小块，获得输电线路缺陷测试图像小块，使用无缺陷图像编码器对所述输电线路缺陷图像小块进行特征及位置编码，获得测试图像小块编码结果；将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果；根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，对所述缺陷小块进行分类，获得缺陷小块分类类型，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型，来达到对输电线路场景存在的缺陷进行精准分类的目的。尤其是在缺陷样本很少的情况下，也能对缺陷类型进行精准分类，从而有效提高对输电线路的巡检。
本实施例所述方案：先使用无监督异常识别方法找到存在缺陷的小块，不需要标注，再使用有监督的分类方法，对缺陷进行分类，由于图像小块包括重要的缺陷特征，所以在进行分类计算时，不需要大量的训练数据对分类模型训练，减少了数据的标注成本。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于视觉小块的输电线路缺陷图片分类方法，其特征在于：所述方法包括以下步骤：
S001：将输电线路缺陷测试图像填充后，切分成小块，获得输电线路缺陷测试图像小块，使用无缺陷图像编码器对输电线路缺陷图像小块进行特征及位置编码，获得测试图像小块编码结果；
S002：将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果；
S003：根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，对所述缺陷小块进行分类，获得缺陷小块分类类型，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型；
步骤S001中，输电线路缺陷测试图像填充方法为，将输电线路缺陷测试图像或无缺陷图像填充到所述输电线路缺陷测试图像小块长宽的整数倍，并将所述输电线路缺陷测试图像小块按照其整数倍个数进行切分；
步骤S002中，将所述测试图像小块编码结果与无缺陷图像编码结果进行相似度计算，获得测试图像小块相似度对比结果中，相似度计算方法为，计算测试图像小块与无缺陷图像小块的距离，距离的大小表示测试图像小块与无缺陷图像小块的差异程度；计算测试图像小块与无缺陷图像小块的距离方法为：设定初始阈值γ0，如果测试图像小块与无缺陷图像小块的距离L大于初始阈值γ0，则判定测试图像小块存在缺陷小块，反之，如果测试图像小块与无缺陷图像小块的距离L小于初始阈值γ0 ，则判定测试图像小块无缺陷小块；
步骤S003中，根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，如果存在缺陷小块，使用缺陷分类器对所述缺陷小块进行分类；根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，判定方法为：对所述输电线路缺陷图像小块进行小块特征提取，将提取结果与无缺陷图像小块特征进行相似度计算；根据所述测试图像小块相似度对比结果判定所述输电线路缺陷图像小块是否存在缺陷小块，具体将所述测试图像小块相似度对比结果与阈值进行对比，从而判定所述输电线路缺陷图像小块是否存在缺陷小块。
2.根据权利要求1所述的一种基于视觉小块的输电线路缺陷图片分类方法，其特征在于：所述输电线路缺陷测试图像小块的长宽以及输电线路缺陷测试图像的填充可根据所述缺陷小块分类类型设置。
3.根据权利要求1所述的一种基于视觉小块的输电线路缺陷图片分类方法，其特征在于：步骤S001中，通过带有小块特征信息的特征向量，判断缺陷图像的缺陷位置。
4.根据权利要求1所述的一种基于视觉小块的输电线路缺陷图片分类方法，其特征在于：步骤S003中，根据所述缺陷小块分类类型，判定输电线路缺陷测试图像小块所属类型，具体为提取全部缺陷小块，用于判定输电线路缺陷测试图像小块中存在的缺陷类型。
CN202211100982.2A 2022-09-09 2022-09-09 一种基于视觉小块的输电线路缺陷图片分类方法 Active CN115564715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211100982.2A CN115564715B (zh) 2022-09-09 2022-09-09 一种基于视觉小块的输电线路缺陷图片分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211100982.2A CN115564715B (zh) 2022-09-09 2022-09-09 一种基于视觉小块的输电线路缺陷图片分类方法

Publications (2)

Publication Number Publication Date
CN115564715A CN115564715A (zh) 2023-01-03
CN115564715B true CN115564715B (zh) 2023-10-13

Family

ID=84741990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211100982.2A Active CN115564715B (zh) 2022-09-09 2022-09-09 一种基于视觉小块的输电线路缺陷图片分类方法

Country Status (1)

Country Link
CN (1) CN115564715B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1139506A (zh) * 1994-10-07 1997-01-01 索尼公司 图象数据记录设备及图象数据再现设备
CN111815601A (zh) * 2020-07-03 2020-10-23 浙江大学 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN112734691A (zh) * 2020-12-17 2021-04-30 郑州金惠计算机***工程有限公司 一种工业制品缺陷检测方法、装置、终端设备及存储介质
KR102260734B1 (ko) * 2020-02-11 2021-06-07 주식회사 와이앤와이 제품 검사 장치 및 이를 이용한 제품 검사 방법
CN113870257A (zh) * 2021-12-01 2021-12-31 武汉飞恩微电子有限公司 印刷电路板缺陷检测分类方法、装置及计算机储存介质
CN114332047A (zh) * 2021-12-31 2022-04-12 华中科技大学 一种表面缺陷检测模型的构建方法及其应用
CN114387233A (zh) * 2021-12-29 2022-04-22 山东大学 一种基于机器视觉的砂型缺陷检测方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4125273B2 (ja) * 2004-08-24 2008-07-30 キヤノン株式会社 画像処理装置及びその方法、プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1139506A (zh) * 1994-10-07 1997-01-01 索尼公司 图象数据记录设备及图象数据再现设备
KR102260734B1 (ko) * 2020-02-11 2021-06-07 주식회사 와이앤와이 제품 검사 장치 및 이를 이용한 제품 검사 방법
CN111815601A (zh) * 2020-07-03 2020-10-23 浙江大学 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN112734691A (zh) * 2020-12-17 2021-04-30 郑州金惠计算机***工程有限公司 一种工业制品缺陷检测方法、装置、终端设备及存储介质
CN113870257A (zh) * 2021-12-01 2021-12-31 武汉飞恩微电子有限公司 印刷电路板缺陷检测分类方法、装置及计算机储存介质
CN114387233A (zh) * 2021-12-29 2022-04-22 山东大学 一种基于机器视觉的砂型缺陷检测方法及***
CN114332047A (zh) * 2021-12-31 2022-04-12 华中科技大学 一种表面缺陷检测模型的构建方法及其应用

Also Published As

Publication number Publication date
CN115564715A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN109063723B (zh) 基于迭代挖掘物体共同特征的弱监督图像语义分割方法
CN112990335B (zh) 一种电网无人机巡检影像缺陷智能识别自学习训练方法、***
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN111784633A (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN110598693A (zh) 一种基于Faster-RCNN的船牌识别方法
CN113506286A (zh) 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法
CN116110036B (zh) 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN111179263B (zh) 一种工业图像表面缺陷检测模型、方法、***及装置
CN110705630A (zh) 半监督学习式目标检测神经网络训练方法、装置及应用
CN114511568B (zh) 基于无人机的高速公路桥梁检修方法
CN114782410A (zh) 一种基于轻量化模型的绝缘子缺陷检测方法及其***
CN113888462A (zh) 一种裂纹识别方法、***、可读介质及存储介质
CN112364837A (zh) 一种基于目标检测和文本识别的票据信息识别方法
CN112132088B (zh) 一种巡检点位漏巡识别方法
CN110991374A (zh) 一种基于rcnn的指纹奇异点检测方法
CN114581932A (zh) 一种图片表格线提取模型构建方法及图片表格提取方法
CN115564715B (zh) 一种基于视觉小块的输电线路缺陷图片分类方法
CN112070714B (zh) 一种基于局部三元计数特征的翻拍图像检测方法
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
US11908124B2 (en) Pavement nondestructive detection and identification method based on small samples
CN116994161A (zh) 一种基于改进YOLOv5的绝缘子缺陷检测方法
CN113793327B (zh) 一种基于token的高铁异物检测方法
CN114529894A (zh) 一种融合空洞卷积的快速场景文本检测方法
CN115100546A (zh) 一种基于mobilenet的电力设备小目标缺陷识别方法及***

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