CN116109607A - 一种基于图像分割的输电线路工程缺陷检测方法 - Google Patents
一种基于图像分割的输电线路工程缺陷检测方法 Download PDFInfo
- Publication number
- CN116109607A CN116109607A CN202310151436.XA CN202310151436A CN116109607A CN 116109607 A CN116109607 A CN 116109607A CN 202310151436 A CN202310151436 A CN 202310151436A CN 116109607 A CN116109607 A CN 116109607A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- transmission line
- power transmission
- layer
- 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.)
- Granted
Links
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/82—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
-
- 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
- G06V2201/06—Recognition of objects for industrial automation
-
- 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)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出一种基于图像分割的输电线路工程缺陷检测方法,通过图像采集设备采集所述输电线路图像以及与所述图像关联的地理位置信息;对所述输电线路图像进行预处理,得到预处理后的图像;基于A‑UNet网络模型对所述预处理后的图像进行图像分割,得到分割图像,所述A‑Unet网络模型为在U‑Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理;使得得到的分割图像边界清晰,利于后续的缺陷检测,提升缺陷检测的精度,将所述分割图像输入至缺陷检测模型进行缺陷检测,获取得到输电线路的检测结果,提升了缺陷检测的效率。
Description
技术领域
本发明涉及一种输电线路工程缺陷检测,具体涉及一种基于图像分割的输电线路工程缺陷检测。
背景技术
随着我国改革开放的深入与国民经济的发展,电网规模越来越大。输电线路穿越的地理环境复杂,远离主要交通干道,而且输电线路在长期运行中易受自然灾害及人为损伤等因素影响,当输电线路遭受雷击、覆冰和外力破坏时,如果不及时发现输电线路存在的缺陷,将会严重影响电网的运营安全。
为了及时发现输电线路中存在的缺陷,通过红外线检测技术对输电线路上的各种设备进行在线检测,然后基于图像识别技术对所获取的红外图像进行分析处理,从而确定线路缺陷。然而,红外图像中含有大量的噪声和负责的背景信息,导致识别准确率低。
随着人工智能、深度学习的不断发展,通过基于深度学习算法的图像识别方法,可以对图像进行分割、识别,并且可以避免漏检、误检情况,从而可以提高缺陷上报及处理效率。然而,现有技术中的基于深度学习的输电线路工程缺陷检测方法,检测精度不高。
如何克服图像质量问题,实现高精度的输电线路工程缺陷检测仍然存在挑战,因此,本文提出一种基于图像分割的输电线路工程缺陷检测方法,更加高效且准确的对输电线路工程缺陷进行检测。
发明内容
本发明的目的在于解决上述现有技术中输电线路工程缺陷检测方法精度不高的难题,提供一种基于图像分割的输电线路工程缺陷检测方法。
本发明是通过以下技术方案实现的:
本发明提供一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:
S1:通过图像采集设备采集所述输电线路图像以及与所述图像关联的地理位置信息;
S2:对所述输电线路图像进行预处理,得到预处理后的图像;
S3:基于A-UNet网络模型对所述预处理后的图像进行图像分割,得到分割图像,所述A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理;
S4:将所述分割图像输入至缺陷检测模型进行缺陷检测,获取得到输电线路的检测结果;
S5:输出步骤S4得到的所述检测结果,当所述检测结果为存在缺陷时,将所述输电线路图像、分割图像、图像关联的地理位置信息发送至相关工作人员。
进一步的,所述S2对所述输电线路图像进行预处理,得到预处理后的图像,所述预处理包括:中值滤波以及直方图均衡化处理。
进一步的,所述A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理,所述A-Unet网络模型包括:
输入层、下采样模块、上采样模块、ATM自适应调节模块;
所述下采样模块包括:第一特征提取模块、第一池化层、第二特征提取模块、第二池化层、第三特征提取模块、第三池化层、第四特征提取模块、第四池化层、第五特征提取模块;所述特征提取模块包括2个3*3的卷积层;所述第一至第五特征提取模块的输出分别记为F1、F2、F3、F4、F5;
所述上采样模块包括:第四反卷积层、第四上采样模块、第三反卷积层、第三上采样模块、第二反卷积层、第二上采样模块、第一反卷积层、第一上采样模块;所述第一上采样模块至第四上采样模块的输出分别记为U1、U2、U3、U4;
F1、F2、F3、F4经过复制和剪裁之后得到F1’、F2’、F3’、F4’,第四上采样模块的输入为F4’和F5输入第四反卷积层进行反卷积操作的输出,第三上采样模块的输入为F3’和U4输入第三反卷积层进行反卷积操作的输出,第二上采样模块的输入为F2’和U3输入第二反卷积层进行反卷积操作的输出,第一上采样模块的输入为F1’和U2输入第一反卷积层进行反卷积操作的输出;
将所述U1、U2、U3、U4输入Concat层,得到特征U;
将所述特征U、特征F1输入ATM自适应调节模块得到分割图像。
进一步的,所述ATM自适应调节模块具体包括:
将所述特征F1输入第一注意力模块得到F1a;
将所述特征U输入第二注意力模块得到Ua;
将所述F1a和Ua经过特征融合后,输入BN层以及softmax层之后,得到分割图像。
进一步的,所述第一注意力模块为:空间注意力模块。
进一步的,所述第二注意力模块为:通道注意力模块。
进一步的,所述池化层为最大池化层。
进一步的,所述缺陷检测模型为级联缺陷检测模型,所述级联缺陷检测模型包括:第一阶段检测模型和第二阶段检测模型,具体包括:
S41:将所述分割图像输入第一阶段检测模型,输出正常或者缺陷的检测结果,当所述检测结果为缺陷时,执行步骤S42;
S42:将所述分割图像输入第二阶段检测模型,对缺陷类型进行分类得到缺陷类别的检测结果。
与现有技术相比,本发明能够带来如下技术效果:
1、本申请基于A-UNet网络模型对所述预处理后的图像进行图像分割,A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,ATM自适应调节模块用于调节边缘纹理,使得得到的分割图像边界清晰,利于后续的缺陷检测,提升缺陷检测的精度;
2、本申请基于级联缺陷检测模型进行缺陷检测,当缺陷检测为存在缺陷时,才进行缺陷类型的识别,提升了缺陷检测的效率。
附图说明
为了更清楚的说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术中描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施方式,对于本领域普通技术人员来说,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的附图。
图1为一种基于图像分割的输电线路工程缺陷检测方法的流程图;
图2为A-UNet网络模型的结构图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面对本发明具体实施方式中的技术方案进行清楚、完整的描述,以进一步阐述本发明,显然,所描述的具体实施方式仅仅是本发明的一部分实施方式,而不是全部的样式。
下面结合附图对本发明作进一步详细描述:
如附图1所示,本发明提供一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:
S1:通过图像采集设备采集所述输电线路图像以及与所述图像关联的地理位置信息;
S2:对所述输电线路图像进行预处理,得到预处理后的图像;
S3:基于A-UNet网络模型对所述预处理后的图像进行图像分割,得到分割图像,所述A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理;
S4:将所述分割图像输入至缺陷检测模型进行缺陷检测,获取得到输电线路的检测结果;
S5:输出步骤S4得到的所述检测结果,当所述检测结果为存在缺陷时,将所述输电线路图像、分割图像、图像关联的地理位置信息发送至相关工作人员。
进一步的,所述S2对所述输电线路图像进行预处理,得到预处理后的图像,所述预处理包括:中值滤波以及直方图均衡化处理。
进一步的,所述A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理,如附图2所示所述A-Unet网络模型包括:
输入层、下采样模块、上采样模块、ATM自适应调节模块;
所述下采样模块包括:第一特征提取模块、第一池化层、第二特征提取模块、第二池化层、第三特征提取模块、第三池化层、第四特征提取模块、第四池化层、第五特征提取模块;所述特征提取模块包括2个3*3的卷积层;所述第一至第五特征提取模块的输出分别记为F1、F2、F3、F4、F5;
所述上采样模块包括:第四反卷积层、第四上采样模块、第三反卷积层、第三上采样模块、第二反卷积层、第二上采样模块、第一反卷积层、第一上采样模块;所述第一上采样模块至第四上采样模块的输出分别记为U1、U2、U3、U4;
F1、F2、F3、F4经过复制和剪裁之后得到F1’、F2’、F3’、F4’,第四上采样模块的输入为F4’和F5输入第四反卷积层进行反卷积操作的输出,第三上采样模块的输入为F3’和U4输入第三反卷积层进行反卷积操作的输出,第二上采样模块的输入为F2’和U3输入第二反卷积层进行反卷积操作的输出,第一上采样模块的输入为F1’和U2输入第一反卷积层进行反卷积操作的输出;
将所述U1、U2、U3、U4输入Concat层,得到特征U;
将所述特征U、特征F1输入ATM自适应调节模块得到分割图像。
进一步的,所述ATM自适应调节模块具体包括:
将所述特征F1输入第一注意力模块得到F1a;
将所述特征U输入第二注意力模块得到Ua;
将所述F1a和Ua经过特征融合后,输入BN层以及softmax层之后,得到分割图像。
进一步的,所述第一注意力模块为:空间注意力模块。
进一步的,所述第二注意力模块为:通道注意力模块。
进一步的,所述池化层为最大池化层。
进一步的,所述缺陷检测模型为级联缺陷检测模型,所述级联缺陷检测模型包括:第一阶段检测模型和第二阶段检测模型,具体包括:
S41:将所述分割图像输入第一阶段检测模型,输出正常或者缺陷的检测结果,当所述检测结果为缺陷时,执行步骤S42;
S42:将所述分割图像输入第二阶段检测模型,对缺陷类型进行分类得到缺陷类别的检测结果。
与现有技术相比,本发明能够带来如下技术效果:
1.本申请基于A-UNet网络模型对所述预处理后的图像进行图像分割,A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,ATM自适应调节模块用于调节边缘纹理,使得得到的分割图像边界清晰,利于后续的缺陷检测,提升缺陷检测的精度;
2.本申请基于级联缺陷检测模型进行缺陷检测,当缺陷检测为存在缺陷时,才进行缺陷类型的识别,提升了缺陷检测的效率。
以上描述了本发明的主要技术特征和基本原理及相关优点,对于本领域技术人员而言,显然本发明不限于上述示范性具体实施方式的细节,而且在不背离本发明的构思或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将上述具体实施方式看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照各实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:
S1:通过图像采集设备采集所述输电线路图像以及与所述图像关联的地理位置信息;
S2:对所述输电线路图像进行预处理,得到预处理后的图像;
S3:基于A-UNet网络模型对所述预处理后的图像进行图像分割,得到分割图像,所述A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理;
S4:将所述分割图像输入至缺陷检测模型进行缺陷检测,获取得到输电线路的检测结果;
S5:输出步骤S4得到的所述检测结果,当所述检测结果为存在缺陷时,将所述输电线路图像、分割图像、图像关联的地理位置信息发送至相关工作人员。
2.根据权利要求1所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述S2对所述输电线路图像进行预处理,得到预处理后的图像,所述预处理包括:中值滤波以及直方图均衡化处理。
3.根据权利要求1所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述A-Unet网络模型为在U-Net的基础上,添加了ATM自适应调节模块,所述ATM自适应调节模块用于调节边缘纹理,所述A-Unet网络模型包括:
输入层、下采样模块、上采样模块、ATM自适应调节模块;
所述下采样模块包括:第一特征提取模块、第一池化层、第二特征提取模块、第二池化层、第三特征提取模块、第三池化层、第四特征提取模块、第四池化层、第五特征提取模块;所述特征提取模块包括2个3*3的卷积层;所述第一特征提取模块至第五特征提取模块的输出分别记为F1、F2、F3、F4、F5;
所述上采样模块包括:第四反卷积层、第四上采样模块、第三反卷积层、第三上采样模块、第二反卷积层、第二上采样模块、第一反卷积层、第一上采样模块;所述第一上采样模块至第四上采样模块的输出分别记为U1、U2、U3、U4;F1、F2、F3、F4经过复制和剪裁之后得到F1’、F2’、F3’、F4’,第四上采样模块的输入为F4’和F5输入第四反卷积层进行反卷积操作的输出,第三上采样模块的输入为F3’和U4输入第三反卷积层进行反卷积操作的输出,第二上采样模块的输入为F2’和U3输入第二反卷积层进行反卷积操作的输出,第一上采样模块的输入为F1’和U2输入第一反卷积层进行反卷积操作的输出;
将所述U1、U2、U3、U4输入Concat层,得到特征U;
将所述特征U、特征F1输入ATM自适应调节模块得到分割图像。
4.根据权利要求1所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述ATM自适应调节模块具体包括:
将特征F1输入第一注意力模块得到F1a;
将特征U输入第二注意力模块得到Ua;
将所述F1a和Ua经过特征融合后,输入BN层以及softmax层之后,得到分割图像。
5.根据权利要求4所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述第一注意力模块为:空间注意力模块。
6.根据权利要求4所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述第二注意力模块为:通道注意力模块。
7.根据权利要求3所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述池化层为最大池化层。
8.根据权利要求1所述的一种基于图像分割的输电线路工程缺陷检测方法,其特征在于:所述缺陷检测模型为级联缺陷检测模型,所述级联缺陷检测模型包括:第一阶段检测模型和第二阶段检测模型,具体包括:
S41:将所述分割图像输入第一阶段检测模型,输出正常或者缺陷的检测结果,当所述检测结果为缺陷时,执行步骤S42;
S42:将所述分割图像输入第二阶段检测模型,对缺陷类型进行分类得到缺陷类别的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151436.XA CN116109607B (zh) | 2023-02-22 | 2023-02-22 | 一种基于图像分割的输电线路工程缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151436.XA CN116109607B (zh) | 2023-02-22 | 2023-02-22 | 一种基于图像分割的输电线路工程缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109607A true CN116109607A (zh) | 2023-05-12 |
CN116109607B CN116109607B (zh) | 2023-10-20 |
Family
ID=86256017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310151436.XA Active CN116109607B (zh) | 2023-02-22 | 2023-02-22 | 一种基于图像分割的输电线路工程缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109607B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN112508864A (zh) * | 2020-11-20 | 2021-03-16 | 昆明理工大学 | 基于改进UNet++的视网膜血管图像分割方法 |
CN113012172A (zh) * | 2021-04-09 | 2021-06-22 | 杭州师范大学 | 一种基于AS-UNet的医学图像分割方法及*** |
CN113298757A (zh) * | 2021-04-29 | 2021-08-24 | 同济大学 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
CN114612472A (zh) * | 2022-05-11 | 2022-06-10 | 泉州装备制造研究所 | 一种基于SegNet改进的皮革缺陷分割网络算法 |
WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
KR20220087699A (ko) * | 2020-12-18 | 2022-06-27 | 한국공학대학교산학협력단 | 딥러닝 기반의 타이어 외관 결함 검출 방법 및 장치 |
CN115409789A (zh) * | 2022-08-17 | 2022-11-29 | 广东电网有限责任公司 | 基于图像语义分割的输电线路工程缺陷检测方法 |
-
2023
- 2023-02-22 CN CN202310151436.XA patent/CN116109607B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN112508864A (zh) * | 2020-11-20 | 2021-03-16 | 昆明理工大学 | 基于改进UNet++的视网膜血管图像分割方法 |
WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
KR20220087699A (ko) * | 2020-12-18 | 2022-06-27 | 한국공학대학교산학협력단 | 딥러닝 기반의 타이어 외관 결함 검출 방법 및 장치 |
CN113012172A (zh) * | 2021-04-09 | 2021-06-22 | 杭州师范大学 | 一种基于AS-UNet的医学图像分割方法及*** |
CN113298757A (zh) * | 2021-04-29 | 2021-08-24 | 同济大学 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
CN114612472A (zh) * | 2022-05-11 | 2022-06-10 | 泉州装备制造研究所 | 一种基于SegNet改进的皮革缺陷分割网络算法 |
CN115409789A (zh) * | 2022-08-17 | 2022-11-29 | 广东电网有限责任公司 | 基于图像语义分割的输电线路工程缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
郭瑞琦 等: "基于U-Net卷积神经网络的轮毂缺陷分割", 自动化与仪表, no. 04, pages 49 - 53 * |
Also Published As
Publication number | Publication date |
---|---|
CN116109607B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717481B (zh) | 一种利用级联卷积神经网络实现人脸检测的方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN111368825B (zh) | 一种基于语义分割的指针定位方法 | |
Thanikkal et al. | Advanced plant leaf classification through image enhancement and canny edge detection | |
CN111738054A (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN114332008B (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
CN114170144A (zh) | 一种输电线路销钉缺陷检测方法、设备及介质 | |
CN110599458A (zh) | 基于卷积神经网络的地下管网检测评估云*** | |
CN116579616A (zh) | 一种基于深度学习的风险识别方法 | |
CN112686261A (zh) | 一种基于改进U-Net的葡萄根系图像分割方法 | |
CN113920080A (zh) | 一种基于生成对抗网络的电网故障定位方法 | |
CN117115715A (zh) | 一种基于流重构和帧预测结合的视频异常检测方法 | |
CN117237683B (zh) | 基于改进神经网络的芯片缺陷智慧检测*** | |
CN112614094B (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN116109607B (zh) | 一种基于图像分割的输电线路工程缺陷检测方法 | |
CN112884721A (zh) | 一种异常检测方法、***及计算机可读存储介质 | |
CN113012107A (zh) | 电网缺陷检测方法及*** | |
CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
CN112418229A (zh) | 一种基于深度学习的无人船海上场景图像实时分割方法 | |
CN117036266A (zh) | 一种基于知识蒸馏的工业图像异常检测方法及*** | |
CN110599460A (zh) | 基于混合卷积神经网络的地下管网检测评估云*** | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
Rani et al. | Object Detection in Natural Scene Images Using Thresholding Techniques | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 |
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 |