CN115908295A - 一种基于深度学习的电网绝缘子缺陷检测方法及*** - Google Patents
一种基于深度学习的电网绝缘子缺陷检测方法及*** Download PDFInfo
- Publication number
- CN115908295A CN115908295A CN202211407339.4A CN202211407339A CN115908295A CN 115908295 A CN115908295 A CN 115908295A CN 202211407339 A CN202211407339 A CN 202211407339A CN 115908295 A CN115908295 A CN 115908295A
- Authority
- CN
- China
- Prior art keywords
- insulator
- algorithm
- deep learning
- image data
- detection
- 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
-
- 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
- Image Analysis (AREA)
Abstract
本发明提出一种基于深度学***、减少人工依赖,降低了因绝缘子故障引起的电力损失。
Description
技术领域
本发明涉及绝缘子缺陷检测技术领域,具体涉及一种基于深度学习的电网绝缘子缺陷检测方法及***。
背景技术
随着国家经济的高速增长,我国需要一个运行稳定性高的输电线路来保障社会生产正常运行。目前我国输电线路的巡检方式为无人机辅助人工进行检测,其智能化程度较低,易造成误判。
绝缘子作为输电线路中基础的电力元件,不仅要承受线路的垂直、水平荷载和导线张力,还要承受工作电压与过电压,因此绝缘子必须具有良好的绝缘性与机械性。在实际情况中,绝缘子长期运行在复杂多样的自然环境当中,不可避免地出现自爆、掉串、裂纹、侵蚀、异物等故障;并且故障绝缘子导致的电压降低和泄漏电流将严重影响***的性能。因此,准确、迅速地检测出绝缘子的缺陷才能避免停电事故的发生,减少电力***的损失。
我国电网输电线路巡检方式包括人工巡检、直升机巡检、无人机巡检等方式,其中无人机巡检凭借成本低、操作性和灵活性好、效率高等优点,逐渐成为电力巡检中的发展趋势。无人机巡检会产生大量的图像影视信息,单纯依靠检查人员的视觉判断显然不合适,而深度学习刚好能够满足巡检中海量图像智能化处理与分析的需求,为运维人员提供自动化缺陷识别工具。目前,深度学习在国内外输电线路巡检方面得到了广泛研究与应用,但是现有的大多数输电线路绝缘子缺陷检测方法在识别精度上没有得到有效提升。
发明内容
鉴于以上问题,本发明提出一种基于深度学习的电网绝缘子缺陷检测方法及***,用以解决现有绝缘子缺陷检测模型检测精度不佳的问题。
根据本发明的一方面,提供一种基于深度学习的电网绝缘子缺陷检测方法,该方法包括以下步骤:
步骤一、获取绝缘子航拍图像数据;
步骤二、对绝缘子航拍图像数据进行预处理;
步骤三、将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练,获取训练好的检测模型;
步骤四、将待检测绝缘子图像输入训练好的检测模型中,获取检测结果。
进一步地,步骤二中所述预处理包括:图像归一化、对绝缘子及缺陷进行标记。
进一步地,步骤三中改进Yolov3算法的改进之处在于,利用遗传算法对绝缘子航拍图像数据进行交叉变异,选择适应度高的多个数据作为k-means算法的初始中心点。
进一步地,步骤三中改进Yolov3算法的改进之处还在于,对Darknet-53特征提取网络进行改进,包括将53层卷积层减少为41层,减少相连卷积层的数量,降低Yolov3算法的5 次下采样中使用Residual的次数,以降低网络深度和运算量。
进一步地,步骤三中改进Yolov3算法的改进之处还在于,损失函数的三部分组成如下:采用Giou函数作为位置损失函数、采用平衡交叉熵函数作为置信度损失函数、采用Focal Loss 函数作为分类损失函数。
根据本发明的另一方面,提供一种基于深度学习的电网绝缘子缺陷检测***,该***包括:
数据获取模块,其配置成获取绝缘子航拍图像数据;
预处理模块,其配置成对绝缘子航拍图像数据进行预处理;
模型训练模块,其配置成将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练,获取训练好的检测模型;
检测模块,其配置成将待检测绝缘子图像输入训练好的检测模型中,获取检测结果。
进一步地,所述预处理模块中预处理包括:图像归一化、对绝缘子及缺陷进行标记。
进一步地,所述模型训练模块中改进Yolov3算法的改进之处在于,利用遗传算法对绝缘子航拍图像数据进行交叉变异,选择适应度高的多个数据作为k-means算法的初始中心点。
进一步地,所述模型训练模块中改进Yolov3算法的改进之处还在于,对Darknet-53特征提取网络进行改进,包括将53层卷积层减少为41层,减少相连卷积层的数量,降低Yolov3 算法的5次下采样中使用Residual的次数,以降低网络深度和运算量。
进一步地,所述模型训练模块中改进Yolov3算法的改进之处还在于,损失函数的三部分组成如下:采用Giou函数作为位置损失函数、采用平衡交叉熵函数作为置信度损失函数、采用Focal Loss函数作为分类损失函数。
本发明的有益技术效果是:
本发明提供一种基于深度学***、减少人工依赖、降低检测成本,降低了因绝缘子故障引起的电力损失。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1是本发明实施例一种基于深度学习的电网绝缘子缺陷检测方法的流程图;
图2是本发明实施例中改进yolov3算法的特征提取流程图;
图3是本发明实施例中改进yolov3算法中改进网络的结构示意图;
图4是本发明实施例中改进yolov3算法中先验框改进的对比示意图;其中,(a)对应原始k-means算法的先验框;(b)改进k-means算法的先验框;
图5是本发明实施例中检测结果对比图;其中,(a)为待检测图片;(b)为原始yolov3 算法检测结果;(c)为改进yolov3算法检测结果;
图6是本发明实施例中改进前后的损失函数收敛曲线;其中,(a)对应改进前;(b)对应改进后。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。在本文中,需要理解的是,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
本发明实施例提供一种基于深度学习的电网绝缘子缺陷检测方法,如图1所示,本发明首先利用无人机拍摄图像,再通过图传技术将图像发回地面站,同时将原始图像存储在实时图像存储器中。对地面站的图像,先进行图像预处理,然后利用训练好的yolov3检测模型对绝缘子缺陷进行检测。具体包括:
步骤1、建立数据集
绝缘子缺陷图像属于国家电网内部资料,市面上没有完备的绝缘子缺陷数据集。通过3D 建模获得绝缘子缺陷图像,再与无人机航拍背景图像人工合成绝缘子缺陷图像,获得6000张绝缘子图像。
步骤2、图像信息标注
预处理包括图像归一化、对绝缘子及缺陷进行标记。运用LabelImg软件对绝缘子区域及缺陷区域进行标注,得到以“.XML”为后缀的标注文件,缺陷包括均压环脱落缺陷和玻璃绝缘子爆缸缺陷。按照voc2007数据集标准构建绝缘子缺陷数据集。对于数据集数据较小的(万量级及以下),常按照6:2:2的比例将数据集划分为训练集、验证集、测试集三部分;对于数据集数据较大的(百万级及以上),常按照98:1:1的比例划分。本数据集较小,因此按照6:2:2的比例划分。
步骤3、训练模型
将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练,获取训练好的检测模型;其中,用遗传算法对K-means算法的初始点进行优化,改进yolov3算法的先验框。设置模型参数,使用训练集和验证集训练yolov3绝缘子缺陷识别模型。用测试集对识别模型进行检测,防止过拟合。
步骤4、缺陷检测
使用无人机拍摄图像利用图传技术传回地面站,将待检测绝缘子图像输入训练好的检测模型中,检测图像中绝缘子是否存在缺陷。
Yolov3绝缘子检测算法主要分为两部分,首先训练算法,然后利用训练好的模型来对绝缘子进行检测。在训练算法前还需要对数据集进行处理,并通过k-means算法产生先验框,本发明实施例中主要是对k-means算法产生先验框这一过程进行优化改进。
Yolov3算法使用的是darknet-53去除全连接层的前52层的全卷积网络,其中大量使用残差跳层连接,并且为了降低池化带来的梯度负面效果,直接摒弃了池化层,用卷积的步长来实现降采样。如图2所示,在这个网络结构中,使用的是步长为2的卷积来进行降采样,在这个过程中进行三次检测,分别在32倍、16倍、8倍降采样时进行检测,在原始yolov3中加入了k-means算法作为前置算法来决定先验框的尺寸,先验框设置为9个,大中小三类,每一类3个,分别对应三次检测。
K-means算法首先选择k个样本作为初始中心点,再通过计算数据集中每个样本到k个中心点的距离并将其分配到距离最短的中心点所代表的族类中,针对每个类别再重新计算聚类中心,重复上述过程直到每个样本归属不再发生变化为止。k-means算法对初始中心较为敏感,由于初始中心点是随机选择的,不同的初始中心会导致不同的结果,最终产生的先验框为局部最优解而不是全局最优解,从而影响检测的准确性。针对k-means算法产生先验框不是最优解的问题,本发明实施例采用遗传算法对k-means算法进行改进。
遗传算法首先根据适应函数选择适应度较高的个体,淘汰适应度较低的个体,对适应度较高的个体进行交叉和变异,继续淘汰适应度低的个体,实质上就是一个多元函数寻找最优解的过程。利用遗传算法为K-means算法选取最佳的初始点,使其产生的先验框为全局最优解,通过对先验框的改进提高神经网络训练的收敛速度和绝缘子检测的速度。
利用遗传算法改进K-means算法的步骤如下:利用遗传算法对样本集进行交叉变异,选择适应度最高的9个样本点作为k-means算法的初始中心点;利用k-means算法聚类产生先验框。
进一步地,本发明实施例中还对Yolov3算法中使用的Darknet-53特征提取网络进行改进, Darknet-53是在Darknet-19的基础上,融合了残差单元和跳跃连接的思想,以更好地获取物体特征,而删除全连接层则可以输入任意大小的图像,并且为了降低池化带来地梯度负面效果摒弃了Pooling池化层,取而代之的是用步长为2的卷积层来达到下采样。Darknet-53网络共有53层卷积层,考虑到本发明只识别绝缘子,过多的卷积层会增加计算量,因此对 Darknet-53网络进行改进。改进的Darknet-53网络,记为Darknet-41,模型结构见图3,减少相连卷积层的数量,降低Yolov3的5次下采样中使用残差网络Residual的次数,降低网络深度和运算量,避免丢失过多的特征信息。
进一步地,本发明实施例中还对Yolov3算法中损失函数进行改进。在原始YOLOv3算法中,损失函数由三部分构成,以均方误差函数作为位置损失、以交叉熵函数计算的置信度损失和分类损失。
由于均方误差不能消除尺度对回归准确性的影响,本发明实施例采用Giou函数作为位置损失函数。Giou损失函数能够很好地替代原始YOLOv3损失函数中的位置损失部分,Giou 计算公式如下式所示:
式中,Iou表示预测边框和真实边框的交集和并集的比值;Ac表示两个边框的最小框面积;U表示两个边框的并集面积。
为了解决原始YOLOv3目标检测中正负样本比例失衡的问题,采用平衡交叉熵函数替换原始置信度损失使用的交叉熵函数。平衡交叉熵函数是在损失函数中添加权重因子,提高少数类别在损失函数中的权重,平衡损失函数的分布。计算公式如下式所示:
采用Focal Loss函数作为分类损失函数。Focal Loss函数是从loss角度解决样本不均衡问题,在交叉熵损失函数基础上进行修改后提出的,计算公式如下式所示:
其中,γ表示一个参数,范围在[0,5];γ=2,α=0.25的时候效果最佳。
损失函数改进后,数据集中占少数的样本对损失函数的贡献度得到了提升。
进一步通过实验验证本发明的技术效果。
实验选取联想拯救者R7000、GTX1650显卡、keras框架,样本集由200幅640*480的绝缘子缺陷图像构成,其中完整绝缘子和缺陷绝缘子图像的比例为1:3。
实验结果分析如下:
1.改进前后先验框的契合度对比
先验框的契合度指先验框与真实框的差距,一般用两者的交并比来表示,契合度越高则证明先验框对检测目标的所在位置和形状检测更准确。
图4为原始k-means算法聚类生成的先验框和使用遗传算法改进后的算法产生的9个先验框尺寸,通过对比先验框的长、宽可发现改进后先验框比原始的偏大,对比真实框的长宽发现改进后的先验框更贴合绝缘子的尺寸,因此改进后的先验框和样本的契合度更高。
2.改进前后的置信度对比
图5中(a)为待检测图片,其中1、2、3为三个绝缘子,4为绝缘子缺陷;(b)为原始算法检测结果,其中1号绝缘子置信度0.90,2号绝缘子置信度为0.55,3号绝缘子未检测出,4号绝缘子缺陷未检测出;(c)为改进后的算法检测结果,其中1号绝缘子置信度为0.99, 2号绝缘子置信度为0.77,三号绝缘子置信度为0.79,4号绝缘子缺陷置信度为0.58。
通过数据对比可知改进后的算法对绝缘子和缺陷的置信度都有所提高,且改进后的算法对绝缘子的位置判断更准确,对缺陷的检测也更为准确,可以检测到原始算法检测不到的绝缘子,且对绝缘子位置的判断更为准确,这进一步说明改进后的算法先验框更贴合绝缘子的尺寸,检测结果更准确。
3.改进前后的收敛速度对比
yolov3使用的损失函数为二元交叉熵函数,图6为改进前后的损失函数收敛曲线,横坐标为迭代次数,纵坐标为损失值,当函数图像区域稳定时,说明函数已经收敛,模型趋于稳定。(a)中损失函数在20次迭代时收敛;(b)中损失函数在15次迭代时收敛。通过数据对比可发现改进后的算法收敛速度更快。
本发明另一实施例提供一种基于深度学习的电网绝缘子缺陷检测***,该***包括:
数据获取模块,其配置成获取绝缘子航拍图像数据;
预处理模块,其配置成对绝缘子航拍图像数据进行预处理;
模型训练模块,其配置成将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练,获取训练好的检测模型;
检测模块,其配置成将待检测绝缘子图像输入训练好的检测模型中,获取检测结果。
本实施例中,优选地,所述预处理模块中预处理包括:图像归一化、对绝缘子及缺陷进行标记。
本实施例中,优选地,所述模型训练模块中改进Yolov3算法的改进之处在于,利用遗传算法对绝缘子航拍图像数据进行交叉变异,选择适应度高的多个数据作为k-means算法的初始中心点。
本实施例中,优选地,所述模型训练模块中改进Yolov3算法的改进之处还在于,对Darknet-53特征提取网络进行改进,包括将53层卷积层减少为41层,减少相连卷积层的数量,降低Yolov3算法的5次下采样中使用残差网络Residual的次数,以降低网络深度和运算量。
本实施例中,优选地,所述模型训练模块中改进Yolov3算法的改进之处还在于,损失函数的三部分组成如下:采用Giou函数作为位置损失函数、采用平衡交叉熵函数作为置信度损失函数、使用Focal Loss函数作为分类损失函数。
本实施例所述一种基于深度学习的电网绝缘子缺陷检测***的功能可以由前述一种基于深度学习的电网绝缘子缺陷检测方法说明,本实施例未详述部分参见以上方法实施例。
应当注意,尽管在上文详细描述中提及了若干单元、模块或子模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种基于深度学习的电网绝缘子缺陷检测方法,其特征在于,包括以下步骤:
步骤一、获取绝缘子航拍图像数据;
步骤二、对绝缘子航拍图像数据进行预处理;
步骤三、将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练,获取训练好的检测模型;
步骤四、将待检测绝缘子图像输入训练好的检测模型中,获取检测结果。
2.根据权利要求1所述的一种基于深度学习的电网绝缘子缺陷检测方法,其特征在于,步骤二中所述预处理包括:图像归一化、对绝缘子及缺陷进行标记。
3.根据权利要求2所述的一种基于深度学习的电网绝缘子缺陷检测方法,其特征在于,步骤三中改进Yolov3算法的改进之处在于,利用遗传算法对绝缘子航拍图像数据进行交叉变异,选择适应度高的多个数据作为k-means算法的初始中心点。
4.根据权利要求3所述的一种基于深度学习的电网绝缘子缺陷检测方法,其特征在于,步骤三中改进Yolov3算法的改进之处还在于,对Darknet-53特征提取网络进行改进,包括将53层卷积层减少为41层,减少相连卷积层的数量,降低Yolov3算法的5次下采样中使用Residual的次数,以降低网络深度和运算量。
5.根据权利要求4所述的一种基于深度学***衡交叉熵函数作为置信度损失函数、采用Focal Loss函数作为分类损失函数。
6.一种基于深度学习的电网绝缘子缺陷检测***,其特征在于,包括:
数据获取模块,其配置成获取绝缘子航拍图像数据;
预处理模块,其配置成对绝缘子航拍图像数据进行预处理;
模型训练模块,其配置成将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练,获取训练好的检测模型;
检测模块,其配置成将待检测绝缘子图像输入训练好的检测模型中,获取检测结果。
7.根据权利要求6所述的一种基于深度学习的电网绝缘子缺陷检测***,其特征在于,所述预处理模块中预处理包括:图像归一化、对绝缘子及缺陷进行标记。
8.根据权利要求7所述的一种基于深度学习的电网绝缘子缺陷检测***,其特征在于,所述模型训练模块中改进Yolov3算法的改进之处在于,利用遗传算法对绝缘子航拍图像数据进行交叉变异,选择适应度高的多个数据作为k-means算法的初始中心点。
9.根据权利要求8所述的一种基于深度学习的电网绝缘子缺陷检测***,其特征在于,所述模型训练模块中改进Yolov3算法的改进之处还在于,对Darknet-53特征提取网络进行改进,包括将53层卷积层减少为41层,减少相连卷积层的数量,降低Yolov3算法的5次下采样中使用Residual的次数,以降低网络深度和运算量。
10.根据权利要求9所述的一种基于深度学***衡交叉熵函数作为置信度损失函数、采用FocalLoss函数作为分类损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211407339.4A CN115908295A (zh) | 2022-11-10 | 2022-11-10 | 一种基于深度学习的电网绝缘子缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211407339.4A CN115908295A (zh) | 2022-11-10 | 2022-11-10 | 一种基于深度学习的电网绝缘子缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908295A true CN115908295A (zh) | 2023-04-04 |
Family
ID=86490744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211407339.4A Pending CN115908295A (zh) | 2022-11-10 | 2022-11-10 | 一种基于深度学习的电网绝缘子缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883862A (zh) * | 2023-07-19 | 2023-10-13 | 北京理工大学 | 一种光学遥感图像多尺度目标检测方法及装置 |
-
2022
- 2022-11-10 CN CN202211407339.4A patent/CN115908295A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883862A (zh) * | 2023-07-19 | 2023-10-13 | 北京理工大学 | 一种光学遥感图像多尺度目标检测方法及装置 |
CN116883862B (zh) * | 2023-07-19 | 2024-02-23 | 北京理工大学 | 一种光学遥感图像多尺度目标检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN114283117A (zh) | 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法 | |
CN108154072A (zh) | 基于深度卷积神经网络的航拍绝缘子故障自动检测 | |
CN110838112A (zh) | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
CN112070104A (zh) | 主变压器局部放电识别方法 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
Wang et al. | Insulator defect recognition based on faster R-CNN | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及*** | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN115908295A (zh) | 一种基于深度学习的电网绝缘子缺陷检测方法及*** | |
CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检***及方法 | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及*** | |
CN115631411A (zh) | 基于sten网络对不同环境中的绝缘子破损检测方法 | |
Chen et al. | Insulator recognition method for distribution network overhead transmission lines based on modified yolov3 | |
CN117152529A (zh) | 基于目标检测算法的电力***故障诊断方法 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN115937195A (zh) | 表面缺陷检测方法、装置和计算机设备 |
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 |