CN115082695A - 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 - Google Patents
一种基于改进Yolov5的变电站绝缘子串建模及检测方法 Download PDFInfo
- Publication number
- CN115082695A CN115082695A CN202210608920.6A CN202210608920A CN115082695A CN 115082695 A CN115082695 A CN 115082695A CN 202210608920 A CN202210608920 A CN 202210608920A CN 115082695 A CN115082695 A CN 115082695A
- Authority
- CN
- China
- Prior art keywords
- network
- insulator string
- improved
- detection
- module
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013526 transfer learning Methods 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 102100027557 Calcipressin-1 Human genes 0.000 description 2
- 101100247605 Homo sapiens RCAN1 gene Proteins 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 101150064416 csp1 gene Proteins 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 101100441251 Arabidopsis thaliana CSP2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/70—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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进Yolov5的变电站绝缘子串建模及检测方法，属于目标检测领域。本发明包括：步骤1，分析Yolov5Neck端不同尺度层在绝缘子串检测任务上的推理表现，修改裁剪Yolov5Neck端结构。步骤2，对网络内部的CSP模块使用ECA模块进行改进，提高网络检测精度。步骤3：使用迁移学习训练网络，并测试改进后网络的推理效果。本发明改进了Yolov5检测方法，通过对网络的Neck端进行裁剪，使网络对针对性的目标获得推理速度的提升，同时通过添加注意力机制改善网络的推理精度，并使用迁移学习训练网络以获得最佳检测效果。
Description
技术领域
本发明涉及目标检测领域，具体地说是一种基于改进Yolov5的变电站绝缘子串建模及检测方法。
背景技术
绝缘子主要用于电气绝缘和机械支撑，是架设输电线路过程中的重要原件。在输电线路的运行过程中，绝缘子长期承受高压电流和自然环境变化的影响，其表面堆积的污秽会导致绝缘子的绝缘能力下降，严重时可能导致闪络事故。使用高压水枪对绝缘子串进行水冲洗可以有效的防止闪络事故，为了不影响工业生产，目前常采用的方法是人工带电水冲洗，这种方式操作难度高、安全性差。目前，研制一种新型的可替代人工完成变电站带电水冲洗作业的智能机器人越来越受到重视。
对于传统的绝缘子串检测方法来说，其多是利用绝缘子串的纹理、形状等特征设计算法对绝缘子串进行检测；对于基于深度学习的绝缘子串方法来说，其多是输出一个包含有绝缘子串位置信息的矩形框，往往还需要进一步的算法来提取绝缘子串的精确轮廓坐标。对于神经网络算法来说，其多尺度融合层会上下融合不同尺度的目标检测信息以对不同大小的目标获得良好的检测效果，但对于变电站绝缘子串检测任务而言，其目标属于较大目标，在图像视野中占据较大面积，因此其部分多尺度层是多余的，可以对其进行裁剪以获得更好的网络推理效率提高实时性。
发明内容
本发明解决的是神经网络在实际推理过程中难以满足实时性的问题。通过对网络的Neck端进行裁剪，使网络对针对性的目标获得推理速度的提升，同时通过添加注意力机制改善网络的推理精度，并使用迁移学习训练网络以获得最佳检测效果。
为了解决现有技术中的上述问题，本发明采用的技术方案是：
一种基于改进Yolov5的变电站绝缘子串检测建模方法，包括以下步骤：
步骤1、采集变电站环境下绝缘子串原始图像，并标记绝缘子串位置信息，用于制作图像数据集；
步骤2、分析Yolov5 Neck端不同尺度层在绝缘子串检测上的推理表现，修改裁剪Yolov5 Neck端结构；
步骤3、对剪枝后网络内部的CSP模块采用ECA模块进行改进，用于提高网络检测精度；
步骤4、将图像数据集数据输入网络模型，使用迁移学习方法训练网络，并测试改进后网络的推理效果，获取优化后的网络结构。
所述推理表现为检测识别速度，所述修改裁剪Yolov5 Neck端结构是将小尺度和大尺度预测层进行剪枝。
所述的CSP模块改进操作包括：在Backbone、Neck的每个CSP模块后添加ECANet模块。
所述ECA模块的处理输入信息的步骤包括：
对输入数据H*W*M的向量进行全局平均池化操作；
通过一维卷积获取相邻k个邻居的跨通道信息；
使用Sigmoid激活，得到输入特征图不同通道的权重；
将权重与CSP模块处理输出的对应的通道相乘，输出特征。
使用迁移学习训练网络操作，包括：
首先冻结Backbone前n层网络，使用较大学习率进行训练；
然后对模型进行解冻操作，使用较小的学习率进行微调，用于防止陷入局部最优解；
最后使用余弦退火算法更新学习率。
一种基于改进Yolov5的变电站绝缘子串检测方法，采集现场变电站环境下绝缘子串原始图像，输入如上所述改进Yolov5变电站绝缘子串检测模型，输出当前图像上绝缘子串定位框。
本发明具有以下有益效果及优点：
1.通过对Yolov5的Neck进行裁剪，使其在针对变电站绝缘子串目标时的网络推理速度获得显著提高，且网络的推理精度基本不变。
2.通过在网络中添加ECA注意力机制模块改善网络的检测精度。
3.使用迁移学习训练网络以获得最佳检测效果。
4.本发明可以解决神经网络在实际推理过程中难以满足实时性的问题。
附图说明
图1为方法流程图。
图2为Yolov5原网络结构图。
图3为Yolov5 Neck裁剪后的结构图。
图4为注意力改进前后结构图。
图5为本发明改进的Yolov5结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施用于说明本发明的目的，但不限定本发明的范围。
本发明的一种基于改进Yolov5的变电站绝缘子串检测方法，其具体实施步骤如下：
步骤1、采集变电站环境下绝缘子串原始图像，并标记绝缘子串位置信息，用于制作图像数据集；
步骤2、分析Yolov5 Neck端不同尺度层在绝缘子串检测任务上的推理表现，修改裁剪Yolov5 Neck端结构。
步骤3、对网络内部的CSP模块使用ECA模块进行改进，提高网络检测精度。
步骤4、使用迁移学习训练网络，并测试改进后网络的推理效果。
步骤1中，需要人工专家标记绝缘子串位置，可以采用定位框的方式框选图像上的绝缘子串。将被标记的图像和标记信息一同输入后续改进的网络结构。
步骤2中，图2为Yolov5原网络结构图，Backbone为特征提取层，Neck为多尺度融合层，Output为输出层。Neck中有大、中、小三种不同尺度的预测层，对应不同尺度目标的检测。Focus为切片操作，其针对输入的图像每隔一个像素点采样一次值，在获取四张图像后对其进行通道拼接；CBL为Yolov5的基础模块，由卷积层、Batch Normalization层和LeakyRelu层组成；CSP层有两种类型，其中CSP1层是由一系列的残差模块及拼接操作组成，根据残差模块数量的不同可以分为CSP1-1、CSP1-3等模块，CSP2和CSP1模块的区别在于其使用CBL模块代替残差模块；SPP为空间金字塔池化层，其解决了不同尺度输入图像的问题，UPsample为上采样层，Conact为通道拼接层，其在通道维度上对特征图进行拼接，Conv为卷积操作。本发明有针对性的裁剪了Yolov5的Neck端的不同尺度层,即对小尺度层和大尺度层预测层进行剪枝，得到如图2所示的Yolov5 Neck裁剪后的结构图，使其在绝缘子串检测任务上获得了推理速度的提升。
步骤3中，在如图3所示网络基础上添加了ECA模块，即在Backbone、Neck的每个CSP模块后添加ECANet结构，提高了网络的推理精度。基于注意力改进后的网络结构图如图4所示。
注意力机制是一种可以自动学习输入数据权重的神经网络模块，其可以嵌入在不同的检测网络中改善其检测性能其中，ECA模块是一种注意力机制，其是对SENet模块的一种改进。SENet的操作是挤压(squeeze)和激励(excitation)。挤压操作是对输入的特征图进行全局平局池化，将W×H×M大小的特征图压缩成1×1×M大小，这种操作可以使每个特征图都具有全局感受野。激励操作是将挤压层的输出送入两个全连接层，先降维后得到
大小的向量，然后使用Relu激活后再进行升维，得到1×1×M大小的向量，再使用Sigmoid激活后得到的便是输入特征图不同通道的权重。最终，将权重与对应的通道相乘便是最终的输出。
ECANet通过添加少量的参数避免了降维操作，并使用一维卷积来实现跨通道的信息交互，显著提高了网络性能，其中，ECA模块的流程为：
步骤31、全局平均池化操作：对输入数据H*W*M的向量进行全局平均池化操作，得到一个1*1*M的向量。
步骤32、k个邻居的跨通道信息交互操作：通过一维卷积获取相邻k个邻居的跨通道信息，完成通道间的信息交互。
其中k的大小可以自适应获取，如公式所示。
其中，c是通道维数，|t|odd表示离t最近的奇数，r取2，b取1。本文中k值选取5。
步骤33、Sigmoid激活操作：再使用Sigmoid激活后得到的便是输入特征图不同通道的权重。
步骤34、特征融合操作：最终，将权重与CSP模块处理输出的对应的通道相乘便是最终的输出特征。
步骤4中，首先冻结Backbone前n层网络，使用较大学习率进行训练；然后对模型进行解冻操作，使用较小的学习率对改进后网络的各个参数进行微调，为了防止陷入局部最优解，使用余弦退火算法更新学习率。训练中以定位精度的损失函数为目标函数，其最小时当前网络参数最优。
本方法训练中关注2个目标参数，其中一个是定位框的定位精度，即mAP值，另一个是模型的推理速度。本发明的网络结构与现有的Yolov5原网络结构相比，优势如下表1。可以看到改进后的网络在模型精度mAP略微下降的情况下，推理速度大幅提高了约30％。
表1
如图5所示为本发明改进的Yolov5结构图。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰应视为本发明的保护范围。
Claims (6)
1.一种基于改进Yolov5的变电站绝缘子串检测建模方法，其特征在于，包括以下步骤：
步骤1、采集变电站环境下绝缘子串原始图像，并标记绝缘子串位置信息，用于制作图像数据集；
步骤2、分析Yolov5 Neck端不同尺度层在绝缘子串检测上的推理表现，修改裁剪Yolov5 Neck端结构；
步骤3、对剪枝后网络内部的CSP模块采用ECA模块进行改进，用于提高网络检测精度；
步骤4、将图像数据集数据输入网络模型，使用迁移学习方法训练网络，获取优化后的网络模型。
2.根据权利要求1所述的一种基于改进Yolov5的变电站绝缘子串检测建模方法，其特征在于，所述推理表现为检测识别速度，所述修改裁剪Yolov5 Neck端结构是将小尺度和大尺度预测层进行剪枝。
3.根据权利要求1所述的一种基于改进Yolov5的变电站绝缘子串检测建模方法，其特征在于，所述的CSP模块改进操作包括：在Backbone、Neck的每个CSP模块后添加ECANet模块。
4.根据权利要求3所述的一种基于改进Yolov5的变电站绝缘子串检测建模方法，其特征在于，所述ECA模块的处理输入信息的步骤包括：
对输入数据H*W*M的向量进行全局平均池化操作；
通过一维卷积获取相邻k个邻居的跨通道信息；
使用Sigmoid激活，得到输入特征图不同通道的权重；
将权重与CSP模块处理输出的对应的通道相乘，输出特征。
5.根据权利要求1所述的一种基于改进Yolov5的变电站绝缘子串检测建模方法，其特征在于，使用迁移学习训练网络操作，包括：
首先冻结Backbone前n层网络，使用较大学习率进行训练；
然后对模型进行解冻操作，使用较小的学习率进行微调，用于防止陷入局部最优解；
最后使用余弦退火算法更新学习率。
6.一种基于改进Yolov5的变电站绝缘子串检测方法，其特征在于，采集现场变电站环境下绝缘子串原始图像，输入如上权利要求1-6任意一项所述改进Yolov5变电站绝缘子串检测模型，输出当前图像上绝缘子串定位框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210608920.6A CN115082695B (zh) | 2022-05-31 | 2022-05-31 | 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210608920.6A CN115082695B (zh) | 2022-05-31 | 2022-05-31 | 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115082695A true CN115082695A (zh) | 2022-09-20 |
| CN115082695B CN115082695B (zh) | 2024-06-28 |
Family
ID=83249655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210608920.6A Active CN115082695B (zh) | 2022-05-31 | 2022-05-31 | 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115082695B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
| CN111461083A (zh) * | 2020-05-26 | 2020-07-28 | 青岛大学 | 基于深度学习的快速车辆检测方法 |
| CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
| CN113592822A (zh) * | 2021-08-02 | 2021-11-02 | 郑州大学 | 一种电力巡检图像的绝缘子缺陷定位方法 |
| CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
| CN113920443A (zh) * | 2021-09-29 | 2022-01-11 | 海南大学 | 基于yolov5的遥感有向目标检测方法 |
| WO2022036867A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站三维模型重构方法 |
| CN114283117A (zh) * | 2021-11-24 | 2022-04-05 | 广西大学 | 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法 |
| CN114372949A (zh) * | 2021-10-26 | 2022-04-19 | 桂林电子科技大学 | 基于改进YOLOv5算法的PCB表面缺陷检测方法 |
| CN114494908A (zh) * | 2022-02-11 | 2022-05-13 | 南通大学 | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 |
| CN114548208A (zh) * | 2021-12-22 | 2022-05-27 | 上海辰山植物园 | 一种基于YOLOv5改进的植物种子实时分类检测方法 |
-
2022
- 2022-05-31 CN CN202210608920.6A patent/CN115082695B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288586A (zh) * | 2019-06-28 | 2019-09-27 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 |
| CN111461083A (zh) * | 2020-05-26 | 2020-07-28 | 青岛大学 | 基于深度学习的快速车辆检测方法 |
| WO2022036867A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站三维模型重构方法 |
| CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
| CN113592822A (zh) * | 2021-08-02 | 2021-11-02 | 郑州大学 | 一种电力巡检图像的绝缘子缺陷定位方法 |
| CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
| CN113920443A (zh) * | 2021-09-29 | 2022-01-11 | 海南大学 | 基于yolov5的遥感有向目标检测方法 |
| CN114372949A (zh) * | 2021-10-26 | 2022-04-19 | 桂林电子科技大学 | 基于改进YOLOv5算法的PCB表面缺陷检测方法 |
| CN114283117A (zh) * | 2021-11-24 | 2022-04-05 | 广西大学 | 一种基于改进YOLOv3卷积神经网络的绝缘子缺陷检测方法 |
| CN114548208A (zh) * | 2021-12-22 | 2022-05-27 | 上海辰山植物园 | 一种基于YOLOv5改进的植物种子实时分类检测方法 |
| CN114494908A (zh) * | 2022-02-11 | 2022-05-13 | 南通大学 | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| LINLIN ZHU.ET AL: "Improving YOLOv5 with Attention Mechanism for Detecting Boulders from Planetary Images", 《REMOTE SENSING, 》, vol. 13, no. 18, 31 December 2021 (2021-12-31) * |
| 王书坤等: "改进的轻量型YOLOv5绝缘子缺陷检测算法研究", 《湖北民族大学学报（自然科学版）》, vol. 39, no. 4, 31 December 2021 (2021-12-31) * |
| 管智: "基于深度学习的遥感图像建筑目标检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 04, 15 April 2022 (2022-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115082695B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541503A (zh) | 基于上下文注意力机制和信息融合的实时语义分割方法 | |
| CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
| CN109635662B (zh) | 一种基于卷积神经网络的道路场景语义分割方法 | |
| CN112750129B (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
| CN112750125B (zh) | 一种基于端到端关键点检测的玻璃绝缘子片定位方法 | |
| CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
| CN111144254A (zh) | 城市内涝积水程度识别方法及装置 | |
| CN114862768A (zh) | 基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法 | |
| CN115620107A (zh) | 一种基于深度学习的变电站涉鸟故障相关鸟种识别方法 | |
| CN113011308A (zh) | 一种引入注意力机制的行人检测方法 | |
| CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
| CN113420759B (zh) | 一种基于深度学习的抗遮挡与多尺度死鱼识别系统与方法 | |
| CN115410087A (zh) | 一种基于改进YOLOv4的输电线路异物检测方法 | |
| CN115953408A (zh) | 一种基于YOLOv7的避雷器表面缺陷检测方法 | |
| CN114511627A (zh) | 一种目标果实定位分割方法及系统 | |
| CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
| CN115359029A (zh) | 一种基于异构交叉伪监督网络的半监督医学图像分割方法 | |
| CN115546713A (zh) | 一种基于语义分割的变电站水位监测方法及系统 | |
| CN115082695A (zh) | 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN113111830A (zh) | 一种葡萄藤冬剪点检测算法 | |
| CN112651337A (zh) | 应用于训练线路异物目标检测模型的样本集构建方法 | |
| CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
| CN116452848A (zh) | 一种基于改进注意力机制的金具分类检测方法 | |
| CN115965907A (zh) | 基于yolo网络的绝缘子覆冰类型识别方法及装置 |
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 |