CN117333440A - 输配电线路缺陷检测方法、装置、设备、介质和程序产品 - Google Patents
输配电线路缺陷检测方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN117333440A CN117333440A CN202311255258.1A CN202311255258A CN117333440A CN 117333440 A CN117333440 A CN 117333440A CN 202311255258 A CN202311255258 A CN 202311255258A CN 117333440 A CN117333440 A CN 117333440A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- model
- images
- sample set
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 107
- 230000005540 biological transmission Effects 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000003287 optical effect Effects 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种输配电线路缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。本申请能够提高电网输配电线路检测的效率和准确率。该方法包括:获取多对基准图像和目标图像,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;根据训练样本集中待使用的基准图像和目标图像,对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;基于经训练的图像配准模型和模型文件,对测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;根据差分运算模型输出的单通道差异图,计算出单通道差异图的差异均值,在差异均值的时序阶跃值超过阈值的时,确认当前配对图像对应的输配电线路区域存在缺陷。
Description
技术领域
本申请涉及电网缺陷检测技术领域,特别是涉及一种输配电线路缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
传统技术中,电网输配电线路检测通常是通过使用航拍图像进行目测来完成的。然而,目前在通过人工检测识别无人机图像上是否存在输配电线路缺陷之前,并没有进行图像识别前的图像配准等预处理工作,导致后续的图像识别等图像处理工作效率低下、人工识别工作强度大,费时费力且容易出现误差。
发明内容
基于此,有必要针对上述技术问题,提供一种输配电线路缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种输配电线路缺陷检测方法。所述方法包括:
获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;
根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;
基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;
将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;
根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
在其中一个实施例中,所述根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,包括:
将所述基准图像和目标图像分别输入两个并行的光流估算模型,基于所述光流估算模型分别对所述基准图像和目标图像进行相互映射,得到由所述基准图像向所述目标图像的第一光流映射,以及由所述目标基准图像向所述基准图像的第二光流映射;根据所述基准图像和第一光流映射,得到预估目标图像,并根据所述第二光流映射,构建损失函数的遮罩层;基于所述预估目标图像和所述遮罩层的有效区域,构建所述损失函数,并利用所述损失函数对所述待训练的图像配准模型进行训练。
在其中一个实施例中,所述基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像,包括:
根据所述经训练的图像配准模型和模型文件,重构训练过程中生成的历史光流估算模型;对所述待测试的基准图像和目标图像进行图像拼接,得到拼接张量;将所述拼接张量输入所述历史光流估算模型,得到目标光流映射;根据所述待测试的基准图像和目标光流映射,得到所述映射目标图像。
在其中一个实施例中,在得到所述差分运算模型输出的单通道差异图之后,还包括:
以所述单通道差异图中的每个像素点为中心,根据预设参数,形成所述每个像素点对应的正方形窗口;计算出所述正方形窗口所在区域的像素中值,作为对应像素点的像素值。
在其中一个实施例中,所述根据所述单通道差异图,得到所述单通道差异图的差异均值,包括:
识别出所述单通道差异图中像素值未知的目标部分,根据像素插值技术,生成所述目标部分的像素值,得到更新后的单通道差异图;对所述更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为所述单通道差异图的差异均值。
在其中一个实施例中,所述方法还包括:
在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据所述当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;根据所述位置信息和缺陷程度,生成所述目标缺陷区域对应的缺陷预警信息。
第二方面,本申请还提供了一种输配电线路缺陷检测装置。所述装置包括:
图像处理模块,用于获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;
模型训练模块,用于根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;
图像配准模块,用于基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;
差分运算模块,用于将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;
缺陷检测模块,用于根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
上述输配电线路缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品,通过利用无人机航拍所获取的基准图像和目标图像,这些图像是输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像,无需人工标注,因此避免了大量数据标注的繁琐过程;此外,无人机航拍所获取的多对基准图像和目标图像可以涵盖不同的时间、天气和光照条件,从而增加了训练样本集的多样性,并有助于提高图像配准模型在实际场景中的适应性和实时性;最后,基于不同时间点但相同位置的图像进行配准和对比,可以综合利用时序信息,从而增强对输配电线路缺陷的敏感性。综上整个检测过程,通过利用智能算法和计算机视觉技术辅助配电线路缺陷检测,能够更精确地找出图像之间的差异,并定位潜在的缺陷位置,由此避免了人工检测识别等费时费力的低效过程,提高了电网输配电线路检测的效率和准确率。
附图说明
图1为一个实施例中输配电线路缺陷检测方法的应用环境图;
图2为一个实施例中输配电线路缺陷检测方法的流程示意图;
图3为一个实施例中单通道差异图的示意图;
图4为一个实施例中图像配准模型整体结构的示意图;
图5为一个实施例中光流估算模型运算过程的示意图;
图6为一个实施例中光流估算模型中细化层结构的示意图;
图7为一个实施例中图像配准步骤的流程示意图;
图8为一具体实施例中输配电线路缺陷检测方法的流程示意图;
图9为另一个实施例中输配电线路缺陷检测方法的流程示意图;
图10为一个实施例中输配电线路缺陷检测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的客户信息(包括但不限于客户设备信息、客户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经客户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本申请实施例提供的输配电线路缺陷检测方法,可以应用于如图1所示的应用环境中。其中,终端101通过网络与服务器102进行通信。数据存储***可以存储服务器102需要处理的数据。数据存储***可以集成在服务器102上,也可以放在云上或其他网络服务器上。
具体地,本申请实施例提供的输配电线路缺陷检测方法,可以由服务器102执行。
示例性的,服务器102获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;服务器102根据训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;基于经训练的图像配准模型和模型文件,对测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;将测试样本集中待测试的目标图像和映射目标图像输入预设的差分运算模型,得到差分运算模型输出的单通道差异图;服务器102根据单通道差异图,得到单通道差异图的差异均值,在差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
在如图1所示的应用环境中,终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种输配电线路缺陷检测方法,以该方法应用于图1中的服务器102为例进行说明,包括以下步骤:
步骤S201,获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像。
其中,基准图像是在图像处理和计算机视觉任务中作为比较标准或参考的图像,它通常用作与其他图像进行比较、分析和匹配的基础;在图像配准中,基准图像是已知的、被认为是准确的图像,其他待配准的图像将与基准图像进行对齐。
其中,目标图像是在图像处理和计算机视觉任务中需要进行操作、分析或改变的图像,它是我们希望处理或获得某种结果的主要对象。
其中,归一化处理是将数据转换为特定范围或标准的过程,以消除不同特征之间的量纲差异,此处的归一化处理包括图像缩放操作和像素值归一化操作等。
具体地,服务器102响应于输配电线路缺陷的检测指令,获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,按照预设比例,划分为训练样本集和测试样本集。
步骤S202,根据训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件。
其中,无监督学习是一种机器学习的训练方式,其中模型从未标记和未分类的数据中自动学习隐藏的模式、结构和关系,而无需外部标签或指导;无监督学习的目标是发现数据中的内在结构,并进行数据的聚类、降维等任务。
其中,模型信息主要包括神经网络的结构,以及神经网络在不同层级当中的所有权重,以及当遇到阈值操作时,数据在模型当中的走向分支等信息。
具体地,服务器102根据训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,在训练过程中所得到的必要的模型信息会被保存起来并生成对应的模型文件。
步骤S203,基于经训练的图像配准模型和模型文件,对测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像。
其中,图像配准是将两个或多个不同视角、尺度或时间的图像对齐的过程;它是计算机视觉和医学图像处理中常用的一项技术,用于比较、分析和融合不同图像之间的信息。
具体地,服务器102基于经训练的图像配准模型和模型文件,对测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像。
步骤S204,将测试样本集中待测试的目标图像和映射目标图像输入预设的差分运算模型,得到差分运算模型输出的单通道差异图。
其中,差分运算指的是在数字信号或图像处理中,计算相邻数据点之间的差异或变化;它常用于检测信号的趋势、边缘或变化,并在许多领域中有广泛的应用,如图像处理、音频处理、时间序列分析等。
具体地,服务器102将测试样本集中待测试的目标图像和映射目标图像输入预设的差分运算模型,得到差分运算模型输出的单通道差异图。
举例说明,服务器102将测试样本集中待测试的目标图像和映射目标图像逐像素进行差分运算,并将差分结果取绝对值之后,便可得到一个与原始目标图片尺寸相同的单通道差异图,如图3所示,在单通道差异图中,高亮区域表示差异较大,低亮度区域表示差异较小。
步骤S205,根据单通道差异图,得到单通道差异图的差异均值,在差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
其中,时序阶跃是指在时间序列中出现的阶跃状变化;与传统的阶跃函数不同,时序阶跃是在时间上有序排列的数据序列中发生的突变或转变。
其中,阈值是指在进行决策或分类任务时,用于判断输入数据属于哪个类别或是否满足某个条件的临界值。
具体地,服务器102根据单通道差异图,得到单通道差异图的差异均值;判断差异均值的时序阶跃值和预设阈值的大小关系,在差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
上述输配电线路缺陷检测方法中,通过利用无人机航拍所获取的基准图像和目标图像,这些图像是输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像,无需人工标注,因此避免了大量数据标注的繁琐过程;此外,无人机航拍所获取的多对基准图像和目标图像可以涵盖不同的时间、天气和光照条件,从而增加了训练样本集的多样性,并有助于提高图像配准模型在实际场景中的适应性和实时性;最后,基于不同时间点但相同位置的图像进行配准和对比,可以综合利用时序信息,从而增强对输配电线路缺陷的敏感性。综上整个检测过程,通过利用智能算法和计算机视觉技术辅助配电线路缺陷检测,能够更精确地找出图像之间的差异,并定位潜在的缺陷位置,由此避免了人工检测识别等费时费力的低效过程,提高了电网输配电线路检测的效率和准确率。
在一个实施例中,上述步骤S202中,根据训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,具体包括如下步骤:将基准图像和目标图像分别输入两个并行的光流估算模型,基于光流估算模型分别对基准图像和目标图像进行相互映射,得到由基准图像向目标图像的第一光流映射,以及由目标基准图像向基准图像的第二光流映射;根据基准图像和第一光流映射,得到预估目标图像,并根据第二光流映射,构建损失函数的遮罩层;基于预估目标图像和遮罩层的有效区域,构建损失函数,并利用损失函数对待训练的图像配准模型进行训练。
其中,光流估算是计算机视觉中的一个重要任务,它用于估计图像序列中的像素在连续帧之间的运动信息;光流估算模型旨在计算出每个像素在两个相邻帧之间的位移向量(光流向量),以表示其运动方向和速度。
具体地,服务器102将基准图像和目标图像分别输入两个并行的光流估算模型,基于光流估算模型分别对基准图像和目标图像进行相互映射,得到由基准图像向目标图像的第一光流映射,以及由目标基准图像向基准图像的第二光流映射;根据基准图像和第一光流映射,得到预估目标图像,并根据第二光流映射,构建损失函数的遮罩层;识别出遮罩层的有效区域,基于预估目标图像和遮罩层的有效区域,构建损失函数,并利用损失函数对待训练的图像配准模型进行训练。
举例说明,在本算法模型当中,通过两个并行的FLowNetS(一种用于光流估计的神经网络模型)来分别对基准图片以及目标图片进行相互映射,这两个FlowNetS共享参数,从而获取由基准图片像目标图片映射所需的光流,并解决在映射的过程当中由于视觉的变换而导致的像素不存在的问题,在训练的过程当中,图像配准模型的整体结构如图4所示。其中,FlowNetS的运算过程如图5所示;在本算法模型当中,上层的FlowNetS通过将两张待配准图片按照通道进行拼接之后,根据图像当中不同的子区域直接在Feature Map(特征图)上计算不同Patch之间的相关性:
其中表示图像当中像素的坐标,/>代表以/>为中心的窗口,以/>为中心,/>的距离内均为该窗口的范围,而/>与/>则对应提取特征的卷积层。
当不同Patch(图像的局部区域或小块)之间的相关性计算之后,Feature Map送入Refinement Layer(细化层),通过不断的逆卷积操作即可得到由基准图像到目标图像的光流映射。其中,Refinement Layerr的结构如图6所示;基于光流映射/>,则可以通过基准图片来得到一个预估的目标图片,预估所得的目标图片为:
因此可以通过与/>之间的误差来构成损失函数对网络进行训练,其中后面两项最大值相乘实际上是为了基于图片/>中的像素值取双线性插值的结果。
而下层的FlowNetS则是为了输出反向光流,该反向映射可以把目标图像反向映射得到基准图像的预测,反向映射可以得到很多像素值为0的区域,这些区域之所以为0是由于视觉偏差的原因,导致本来存在在基准图像当中的像素实际上在目标图像当中不存在,因此后期在构建损失函数的时候,这部分为0的像素值是不需要考虑的,因此实际上通过下层FlowNetS可以构建一个损失函数的遮罩层V,遮罩层中为0的区域在损失函数当中不贡献梯度,V如下所示:
基于公式(2)所得到的目标图像的估计,以及公式(3)所得到的遮罩,对于遮罩不为0的有效区域,则可以构建如下所示的逐像素值的损失函数:
其中是针对遮罩当中非0区域所构建的针对像素值亮度的损失项,而/>是针对遮罩当中非0区域所构建的针对梯度的损失项,而/>。基于公式(4)以及公式(5)的损失函数即可对模型展开训练。
本实施例中,基于预估目标图像和遮罩层的有效区域,构建损失函数,并利用损失函数对待训练的图像配准模型进行训练;从而通过利用智能算法和计算机视觉技术辅助模型训练,有效得到经训练的图像配准模型。
在一个实施例中,如图7所示,上述步骤S203中,基于经训练的图像配准模型和模型文件,对测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像,具体包括如下步骤:
步骤S701,根据经训练的图像配准模型和模型文件,重构训练过程中生成的历史光流估算模型。
步骤S702,对待测试的基准图像和目标图像进行图像拼接,得到拼接张量。
步骤S703,将拼接张量输入历史光流估算模型,得到目标光流映射。
步骤S704,根据待测试的基准图像和目标光流映射,得到映射目标图像。
其中,拼接张量是指将多个张量沿着某个维度进行拼接操作得到一个新的张量,这个操作可以用来增加特征维度或者连接不同数据集。
具体地,服务器102根据经训练的图像配准模型和模型文件,重构训练过程中生成的历史光流估算模型;对待测试的基准图像和目标图像进行图像拼接,得到拼接张量;将拼接张量输入历史光流估算模型,得到目标光流映射;根据待测试的基准图像和目标光流映射,得到映射目标图像。
举例说明,服务器102将待测试的基准图像和目标图像在通道维度进行拼接,得到一个尺寸为的拼接张量;将拼接后得到的拼接张量送入FlowNetS当中,得到目标光流映射/>;利用公式(2)基于待测试的基准图像得到预测的映射目标图片/>。
本实施例中,通过将拼接张量输入历史光流估算模型,得到目标光流映射,根据待测试的基准图像和目标光流映射,得到映射目标图像;从而通过利用历史光流估算模型,准确地得到目标光流映射,进而有效得到映射目标图像。
在一个实施例中,在得到差分运算模型输出的单通道差异图之后,还包括如下步骤:以单通道差异图中的每个像素点为中心,根据预设参数,形成每个像素点对应的正方形窗口;计算出正方形窗口所在区域的像素中值,作为对应像素点的像素值。
其中,单通道差异图是指通过比较两个图像的像素值之间的差异而生成的一幅图像;在计算机视觉领域,常用于图像处理、图像比较、检测和分析等任务。
具体地,服务器102以单通道差异图中的每个像素点为中心,根据预设参数,形成每个像素点对应的正方形窗口;计算出正方形窗口所在区域的像素中值,作为对应像素点的像素值。
举例说明,通过采用非线性中值滤波的方式,对单通道差异图中每个像素为中心的 N * N(其中 N 为奇数)窗,统计计算出中值,该位置处的像素值用中值代替。
本实施例中,通过对单通道差异图进行中值滤波处理,有效降低了在差异对比的统计结果中存在噪声所造成的影响。
在一个实施例中,上述步骤S205中,根据单通道差异图,得到单通道差异图的差异均值,具体包括如下步骤:识别出单通道差异图中像素值未知的目标部分,根据像素插值技术,生成目标部分的像素值,得到更新后的单通道差异图;对更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为单通道差异图的差异均值。
其中,像素插值技术是一种图像处理技术,用于根据已知像素值来估计或生成未知位置的像素值;它在图像缩放、图像旋转、图像超分辨率重建等任务中广泛应用。
其中,全局平均池化操作是一种常用的卷积神经网络中的特征降维操作;它在某些情况下可以替代传统的全连接层,用于提取图像的高级特征并进行分类或其他任务。
具体地,服务器102识别出单通道差异图中像素值未知的目标部分,根据像素插值技术,生成目标部分的像素值,得到更新后的单通道差异图;对更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为单通道差异图的差异均值。
本实施例中,通过对更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为单通道差异图的差异均值;从而根据差异均值的时序阶跃值与预设阈值的大小关系,高效准确地得到输配电线路区域是否存在缺陷的判断结果。
在一个实施例中,还包括如下步骤:在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;根据位置信息和缺陷程度,生成目标缺陷区域对应的缺陷预警信息。
具体地,服务器102在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;根据位置信息和缺陷程度,生成目标缺陷区域对应的缺陷预警信息。
本实施例中,通过在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;根据位置信息和缺陷程度,生成目标缺陷区域对应的缺陷预警信息;从而提高电网输配电线路检测的效率和准确率,并增加了方案的实用性和可靠性。
在一个实施例中,如图8所示,提供了一具体实施例中输配电线路缺陷检测方法,具体包括以下步骤:
步骤S801,获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像。
步骤S802,将基准图像和目标图像分别输入两个并行的光流估算模型,基于光流估算模型分别对基准图像和目标图像进行相互映射,得到由基准图像向目标图像的第一光流映射,以及由目标基准图像向基准图像的第二光流映射。
步骤S803,根据基准图像和第一光流映射,得到预估目标图像,并根据第二光流映射,构建损失函数的遮罩层;基于预估目标图像和遮罩层的有效区域,构建损失函数,利用损失函数对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件。
步骤S804,根据经训练的图像配准模型和模型文件,重构训练过程中生成的历史光流估算模型;对待测试的基准图像和目标图像进行图像拼接,得到拼接张量;将拼接张量输入历史光流估算模型,得到目标光流映射;根据待测试的基准图像和目标光流映射,得到映射目标图像。
步骤S805,将测试样本集中待测试的目标图像和映射目标图像输入预设的差分运算模型,得到差分运算模型输出的单通道差异图。
步骤S806,以单通道差异图中的每个像素点为中心,根据预设参数,形成每个像素点对应的正方形窗口;计算出正方形窗口所在区域的像素中值,作为对应像素点的像素值。
步骤S807,识别出单通道差异图中像素值未知的目标部分,根据像素插值技术,生成目标部分的像素值,得到更新后的单通道差异图;对更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为单通道差异图的差异均值。
步骤S808,在差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
步骤S809,在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;根据位置信息和缺陷程度,生成目标缺陷区域对应的缺陷预警信息。
上述输配电线路缺陷检测方法中,通过利用智能算法和计算机视觉技术辅助配电线路缺陷检测,能够更精确地找出图像之间的差异,并定位潜在的缺陷位置,由此避免了人工检测识别等费时费力的低效过程,提高了电网输配电线路检测的效率和准确率。
为了更清晰阐明本申请实施例提供的输配电线路缺陷检测方法,以下以一个具体的实施例对输配电线路缺陷检测方法进行具体说明。在一个实施例中,如图9所示,本申请还提供了一种输配电线路缺陷检测方法,具体包括以下步骤:
步骤一:图像预处理;
步骤二:图像配准模型训练;
步骤三:生成模型文件;
步骤四:对预处理后的图像进行配准操作;
步骤五:差异对比;
步骤六:图像后处理;
步骤七:得到图像差异统计结果。
上述实施例带来的有益效果如下:
通过图像配准并对比配准后的输配电线路图片之间的差异可以有效的避免基于使用目标检测算法在训练时所遇到的样本分布不均衡、样本缺少等问题,与基准图片差异较大的图片则认为其有较大概率存在输配电线路缺陷,从而提高缺陷发现的准确度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的输配电线路缺陷检测方法的输配电线路缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个输配电线路缺陷检测装置实施例中的具体限定可以参见上文中对于输配电线路缺陷检测方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种输配电线路缺陷检测装置,包括:
图像处理模块1001,用于获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;
模型训练模块1002,用于根据训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;
图像配准模块1003,用于基于经训练的图像配准模型和模型文件,对测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;
差分运算模块1004,用于将测试样本集中待测试的目标图像和映射目标图像输入预设的差分运算模型,得到差分运算模型输出的单通道差异图;
缺陷检测模块1005,用于根据单通道差异图,得到单通道差异图的差异均值,在差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
在一个实施例中,模型训练模块1002,还用于将基准图像和目标图像分别输入两个并行的光流估算模型,基于光流估算模型分别对基准图像和目标图像进行相互映射,得到由基准图像向目标图像的第一光流映射,以及由目标基准图像向基准图像的第二光流映射;根据基准图像和第一光流映射,得到预估目标图像,并根据第二光流映射,构建损失函数的遮罩层;基于预估目标图像和遮罩层的有效区域,构建损失函数,并利用损失函数对待训练的图像配准模型进行训练。
在一个实施例中,图像配准模块1003,还用于根据经训练的图像配准模型和模型文件,重构训练过程中生成的历史光流估算模型;对待测试的基准图像和目标图像进行图像拼接,得到拼接张量;将拼接张量输入历史光流估算模型,得到目标光流映射;根据待测试的基准图像和目标光流映射,得到映射目标图像。
在一个实施例中,输配电线路缺陷检测装置还包括中值滤波模块,用于以单通道差异图中的每个像素点为中心,根据预设参数,形成每个像素点对应的正方形窗口;计算出正方形窗口所在区域的像素中值,作为对应像素点的像素值。
在一个实施例中,缺陷检测模块1005,还用于识别出单通道差异图中像素值未知的目标部分,根据像素插值技术,生成目标部分的像素值,得到更新后的单通道差异图;对更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为单通道差异图的差异均值。
在一个实施例中,输配电线路缺陷检测装置还包括缺陷预警模块,用于在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;根据位置信息和缺陷程度,生成目标缺陷区域对应的缺陷预警信息。
上述输配电线路缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储模型文件等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输配电线路缺陷检测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种输配电线路缺陷检测方法,其特征在于,所述方法包括:
获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;
根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;
基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;
将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;
根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
2.根据权利要求1所述的方法,其特征在于,所述根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,包括:
将所述基准图像和目标图像分别输入两个并行的光流估算模型,基于所述光流估算模型分别对所述基准图像和目标图像进行相互映射,得到由所述基准图像向所述目标图像的第一光流映射,以及由所述目标基准图像向所述基准图像的第二光流映射;
根据所述基准图像和第一光流映射,得到预估目标图像,并根据所述第二光流映射,构建损失函数的遮罩层;
基于所述预估目标图像和所述遮罩层的有效区域,构建所述损失函数,并利用所述损失函数对所述待训练的图像配准模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像,包括:
根据所述经训练的图像配准模型和模型文件,重构训练过程中生成的历史光流估算模型;
对所述待测试的基准图像和目标图像进行图像拼接,得到拼接张量;
将所述拼接张量输入所述历史光流估算模型,得到目标光流映射;
根据所述待测试的基准图像和目标光流映射,得到所述映射目标图像。
4.根据权利要求1所述的方法,其特征在于,在得到所述差分运算模型输出的单通道差异图之后,还包括:
以所述单通道差异图中的每个像素点为中心,根据预设参数,形成所述每个像素点对应的正方形窗口;
计算出所述正方形窗口所在区域的像素中值,作为对应像素点的像素值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述单通道差异图,得到所述单通道差异图的差异均值,包括:
识别出所述单通道差异图中像素值未知的目标部分,根据像素插值技术,生成所述目标部分的像素值,得到更新后的单通道差异图;
对所述更新后的单通道差异图进行全局平均池化操作,得到目标数值,作为所述单通道差异图的差异均值。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
在确认当前配对图像对应的输配电线路区域存在缺陷的情况下,根据所述当前配对图像,确定目标缺陷区域的位置信息和缺陷程度;
根据所述位置信息和缺陷程度,生成所述目标缺陷区域对应的缺陷预警信息。
7.一种输配电线路缺陷检测装置,其特征在于,所述装置包括:
图像处理模块,用于获取多对基准图像和目标图像,对每一对基准图像和目标图像进行归一化处理,根据归一化处理后的基准图像和目标图像,得到训练样本集和测试样本集;所述基准图像和目标图像为输配电线路巡视时不同时间点拍摄的相同线路位置的配对图像;
模型训练模块,用于根据所述训练样本集中待使用的基准图像和目标图像,利用无监督学习的训练方式对待训练的图像配准模型进行训练,并生成包含模型信息的模型文件;
图像配准模块,用于基于经训练的图像配准模型和所述模型文件,对所述测试样本集中待测试的基准图像和目标图像进行图像配准,得到映射目标图像;
差分运算模块,用于将所述测试样本集中待测试的目标图像和所述映射目标图像输入预设的差分运算模型,得到所述差分运算模型输出的单通道差异图;
缺陷检测模块,用于根据所述单通道差异图,得到所述单通道差异图的差异均值,在所述差异均值的时序阶跃值超过预设阈值的情况下,确认当前配对图像对应的输配电线路区域存在缺陷。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311255258.1A CN117333440A (zh) | 2023-09-27 | 2023-09-27 | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311255258.1A CN117333440A (zh) | 2023-09-27 | 2023-09-27 | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333440A true CN117333440A (zh) | 2024-01-02 |
Family
ID=89278324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311255258.1A Pending CN117333440A (zh) | 2023-09-27 | 2023-09-27 | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052816A (zh) * | 2024-04-15 | 2024-05-17 | 深圳市赋研星辰科技有限公司 | 一种pcba表面缺陷检测方法、*** |
-
2023
- 2023-09-27 CN CN202311255258.1A patent/CN117333440A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052816A (zh) * | 2024-04-15 | 2024-05-17 | 深圳市赋研星辰科技有限公司 | 一种pcba表面缺陷检测方法、*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Region segmentation in histopathological breast cancer images using deep convolutional neural network | |
US20200117906A1 (en) | Space-time memory network for locating target object in video content | |
KR101603019B1 (ko) | 화상 처리 장치, 화상 처리 방법 및 컴퓨터로 판독 가능한 기록 매체 | |
US20220156944A1 (en) | Apparatus and method with video processing | |
CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
WO2023201924A1 (zh) | 对象缺陷检测方法、装置、计算机设备和存储介质 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
US11429806B2 (en) | Devices, systems, and methods for anomaly detection | |
CN117333440A (zh) | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 | |
CN113221731B (zh) | 一种多尺度遥感图像目标检测方法及*** | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN114359228A (zh) | 物体表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
EP4174774A1 (en) | Planar surface detection apparatus and method | |
CN116310899A (zh) | 基于YOLOv5改进的目标检测方法及装置、训练方法 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
Fan et al. | Occlusion-aware self-supervised stereo matching with confidence guided raw disparity fusion | |
Wang et al. | CD-GAN: A robust fusion-based generative adversarial network for unsupervised remote sensing change detection with heterogeneous sensors | |
Kee et al. | Cracks identification using mask region-based denoised deformable convolutional network | |
CN113192085A (zh) | 三维器官图像分割方法、装置及计算机设备 | |
Zhang et al. | UAV image matching from handcrafted to deep local features | |
Laptev et al. | Integrating Traditional Machine Learning and Neural Networks for Image Processing | |
Shin et al. | Visualization for explanation of deep learning-based defect detection model using class activation map | |
CN115984583B (zh) | 数据处理方法、装置、计算机设备、存储介质和程序产品 |
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 |