[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110288586A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110288586A
CN110288586A CN201910574405.9A CN201910574405A CN110288586A CN 110288586 A CN110288586 A CN 110288586A CN 201910574405 A CN201910574405 A CN 201910574405A CN 110288586 A CN110288586 A CN 110288586A
Authority
CN
China
Prior art keywords
image
transmission line
multiple dimensioned
visible images
coordinate
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
Application number
CN201910574405.9A
Other languages
English (en)
Inventor
赵李强
杨映春
张�浩
师智良
刘毅
杨加莹
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.)
Kunming Enersun Technology Co Ltd
Original Assignee
Kunming Enersun Technology 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 Kunming Enersun Technology Co Ltd filed Critical Kunming Enersun Technology Co Ltd
Priority to CN201910574405.9A priority Critical patent/CN110288586A/zh
Publication of CN110288586A publication Critical patent/CN110288586A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20024—Filtering details
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了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，通过无人机搭载的高清相机获取可见光图像数据，使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库，以及多尺度物体检测算法。本发明使用了尺度归一化思想有效的防止了在迁移学习过程域漂移现象的出现；在实时检测缺陷阶段采用图像金字塔技术和滑动窗口裁剪技术有效的解决了神经网络模型不能直接检测高分辨率巡检图像的矛盾，提高了输电线路巡检的自动化程度和巡检的效率，降低了巡检人员的劳动强度，进而降低了整个电网系统的运营成本。

Description

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
技术领域
本发明属于电力系统运维技术领域，具体涉及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。
背景技术
电力的应用已经渗透到了我们生活中的各个方面，而电力资源主要集中在人迹罕至的区域，要将电力资源充分的利用就需要进行远距离输电，故输电线路在电力系统中具有十分重要的作用。输电线路长期暴露在野外自然环境中各种部件比热出现老化严重威胁电网系统的稳定运行，所以需要电网维护人员密集的对线路进行巡检，这样大大的增加了电力系统运营成本。随着无人机和计算机技术的飞速发展，我们可以通过无人机搭载的成像设备获取到输电线路的图像数据，进而通过图像处理技术分析出输电线路上的安全隐患和存在的故障。
目前在基于图像数据的物体检测系统都是基于卷积神经网络技术，不管是单步检测的方法(SSD，YOLO)还是二步检测的方法(RCNN，Fast-RCNN，Faster-RCNN)都智能处理低分辨率的图像，在生产环境下必须将拍摄到的高分辨率图像转化成低费率来适应检测模型，这样处理后由于图像分辨率的下降信息量降低导致模型的识别效率较低不能满足实际的生产要求。此外，目前使用的预训练模型几乎都是在imageNet数据集上进行训练等到的，这个数据集的分辨率较低而输电线路巡检图像时高分辨率图像，如果在这两个数据集上进行迁移学习必然出现域漂移现象。
发明内容
本发明在训练神经网络的时候使用了尺度归一化思想，有效的避免了域漂移现象出现，进而提高了物体检测模型的检测精度。
本发明是通过如下技术方案来实现的。
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，包括如下步骤：
步骤一：可见光图像数据的获取
通过深度学习技术检测出输电线路上部件存在的缺陷；采用无人机搭载的高清相机获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：输电线路部件缺陷样本库的获取
通过使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库；
步骤三：多尺度物体检测算法
在实际基于图像数据的物体检测场景中，使用了以Faster-RCNN模型为代表的两步检测框架和以YOLOv3为代表的一步检测框架。它们在多尺度的数据集上的识别率(mAp)非常的低；而在单一尺度数据集上的识别率(mAp)非常的高，出现这个现象的原因是训练数据和测试数据之间存在域漂移。从这个对比上可以得出以下结论：深度学习模型不具备感知图像尺度的能力，如果要提高模型的识别率和识别精度就必须设计出具有尺度感知的深度学习模型。为了使深度学习模型具有尺度感知的能力，本发明设计了两种解决方案：
方案一：通过单一尺度的数据集训练模型，在检测的时候对图像进行缩放和裁剪，以达到使测试图像的尺度与训练图像的尺度相匹配的目的；
方案二：在深度学习模型的训练过程中，只允许尺度在指定范围内的目标回传损失(这个范围需要接近预训练模型的训练数据的尺度)，也就是说训练过程只是针对于尺度在特定范围内的目标进行，这样就可以有效的减少域漂移现象的出现。
1)尺度归一化训练算法
为了在训练过程中避免域漂移现象对模型检测性能的影响，本发明提出一种使用图像金字塔对图像进行尺度归一化的训练算法。为了防止出现训练目标实例与预训练目标实例尺寸不相同导致的域漂移现象，本发明在训练的过程中移除非常小或者非常大的目标实例，仅训练那些落入我们指定尺度范围内的目标，并且在梯度反向传播的时候限制这些极端目标的梯度参与反向传播训练。本发明的训练算法在训练的阶段使用所有的目标实例，这样有利于获取到实例在表象和姿势上的所有变化。尺度归一化训练算法实现步骤如下：
a.首先使用高斯滤波器对初始输入的图像进行平滑降采样构造图像金字塔；
b.将图像金字塔的每一层输入到区域推荐网络中，在每个分辨率上产生anchorbox；
c.选中指定范围内的推荐框和实例目标；
d.将选出的有效边框输入到物体检测的网络模型中进行梯度下降训练；
e.对输出的边框进行非极大值抑制。
2)实时多尺度缺陷检测
首先，定义R为目标物体在图像中所占的面积与原始图像面积的比，其公式如下：
上式中，Area(object)为目标物体在图像中所占的面积，Area(image)为原始图像面积；
当R大于等于0.1时，直接对原始图像进行缩放；在缩放时采用均值滤波器对图像进行平滑处理，最终构建出图像金字塔并将金字塔上的每一层输入到检测模型进行检测；只要在金字塔的任何一层上检测到物体实例，就认为检测到了一个物体实例，最终将检测到的坐标映射回到原始图像中的坐标；
当R小于0.1，且图像的分辨大于1000万像素时；在这种条件下，由于目标物体在图像中所占的比列很小，如果直接对原始图像进行缩放构造金字塔，在金字塔的上层会出现目标物体在图像中所占的面积过小，物体的信息量太少而导致深度学习的模型无法检测到目标物体。为了防止小目标物体的信息丢失，采用对高分辨的图像进行切分，再用深度学习的模型对每一个切块进行检测，其分为分割和合并两个部分；
a.分割
在使用深度学习模型对图像进行实时检测时，把任意尺寸的图像切分成模型可以处理的图像块，并将每个图像块传递给事先训练好的模型进行识别；切分图像的工作是通过用户预先定义好的窗口大小和重叠的程度的滑动窗口来实现；
b.合并
在大尺度的航拍输电线路图像中能够呈现出大尺度的空间结构，在对图像进行切分识别后，需要将识别出来的坐标还原成原来图像中的坐标；把图像块的坐标信息记录为filename_rows_column_height_width，假设识别出的目标物体相对于图像块的坐标为x，y，w，h，那么目标物体相对于原始图像的绝对坐标为：
xobj＝column+x
yobj＝rows+y
上式中，filename代表的是初始图像文件的文件名，假设图像在计算机中被存储为一个二维数组，物体检测神经网络模型输入图像的尺寸为(width(宽),height(高))，以这个尺寸对原始图像进行分块，相邻块之间的重叠度为a(0<a<1)；rows，column代表的是当前图像子块左上顶点相对原始图像左上顶点的偏移量；xobj,yobj代表的是当前图像子块中检测到的物体(obj)相对于原始图像左上顶点的偏移量(即当前检测到的物体目标在初始二维图像中的坐标)。
优选地，所述尺度归一化训练算法中，推荐框和实例目标选择的标准如下：
1)在一个特定的分辨率下，边框的尺度在一个指定的范围之内；
2)anchorbox与一个无效的groundtruthbox的重叠率小于0.3。
优选地，在实时多尺度缺陷检测的过程中，首先对待检测图像进行裁剪和缩放处理，然后使用深度学习物体检测模型(如SSD，YOLO，Faster-rcnn)在各个分辨率的子图像上进行检测，最后将检测到的目标实例坐标映射到原始图像坐标系下。
有益效果：本发明使用了尺度归一化思想有效的防止了在迁移学习过程域漂移现象的出现；在实时检测缺陷阶段采用图像金字塔技术和滑动窗口裁剪技术有效的解决了神经网络模型不能直接检测高分辨率巡检图像的矛盾，提高了输电线路巡检的自动化程度和巡检的效率，降低了巡检人员的劳动强度，进而降低了整个电网系统的运营成本。
附图说明
图1为本发明尺度归一化训练算法流程图；
图2为本发明尺度归一化算法的预测过程图；
图3为本发明的流程图；
图4和图5为本发明检测结果的示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
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，包括如下步骤：
步骤一：可见光图像数据的获取
通过深度学习技术检测出输电线路上部件存在的缺陷；采用无人机搭载的高清相机获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：输电线路部件缺陷样本库的获取
通过使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库；
步骤三：多尺度物体检测算法
1)尺度归一化训练算法(图1所示)
a.首先使用高斯滤波器对初始输入的图像进行平滑降采样构造图像金字塔；
b.将图像金字塔的每一层输入到区域推荐网络中，在每个分辨率上产生anchorbox；
c.选中指定范围内的推荐框和实例目标；
d.将选出的有效边框输入到物体检测的网络模型中进行梯度下降训练；
e.对输出的边框进行非极大值抑制。
本发明尺度归一化算法的预测过程如图2所示。
2)实时多尺度缺陷检测
首先，定义R为目标物体在图像中所占的面积与原始图像面积的比，其公式如下：
上式中，Area(object)为目标物体在图像中所占的面积，Area(image)为原始图像面积；
当R大于等于0.1时，直接对原始图像进行缩放；在缩放时采用均值滤波器对图像进行平滑处理，最终构建出图像金字塔并将金字塔上的每一层输入到检测模型进行检测；只要在金字塔的任何一层上检测到物体实例，就认为检测到了一个物体实例，最终将检测到的坐标映射回到原始图像中的坐标；
当R小于0.1，且图像的分辨大于1000万像素时，采用对高分辨的图像进行切分，再用深度学习的模型对每一个切块进行检测，其分为分割和合并两个部分；
a.分割
在使用深度学习模型对图像进行实时检测时，把任意尺寸的图像切分成模型可以处理的图像块，并将每个图像块传递给事先训练好的模型进行识别；切分图像的工作是通过用户预先定义好的窗口大小和重叠的程度的滑动窗口来实现；
b.合并
在大尺度的航拍输电线路图像中能够呈现出大尺度的空间结构，在对图像进行切分识别后，需要将识别出来的坐标还原成原来图像中的坐标；把图像块的坐标信息记录为filename_rows_column_height_width，假设识别出的目标物体相对于图像块的坐标为x，y，w，h，那么目标物体相对于原始图像的绝对坐标为：
xobj＝column+x
yobj＝rows+y。
本发明中，所述尺度归一化训练算法中，推荐框和实例目标选择的标准如下：
1)在一个特定的分辨率下，边框的尺度在一个指定的范围之内；
2)anchorbox与一个无效的groundtruthbox的重叠率小于0.3。
这里特定的分辨率是指在一个具体的应用场景下，通过成像设备获取到的图像数据的分辨率，在本实施例中指的是无人搭载的可见光成像设备的分辨率。
指定的范围之内指的是在给定用于训练的图像数据后，此时用于训练的图像数据的尺寸(分辨率)就已经确定，此时指定目标边框尺寸为原始图像尺寸的0.1-0.6倍范围内的目标才可以参加训练。
本发明中，在尺度归一化训练算法训练过程中，移除非常小或者非常大的目标实例，仅训练那些落入指定尺度范围内的目标，并且在梯度反向传播的时候限制这些极端目标的梯度参与反向传播训练。
本发明在实时多尺度缺陷检测的过程中，首先对待检测图像进行裁剪和缩放处理，然后使用深度学习物体检测模型(如SSD，YOLO，Faster-rcnn)在各个分辨率的子图像上进行检测，最后将检测到的目标实例坐标映射到原始图像坐标系下。
如图3所示，本发明过程分为三个模块：1、可见光图像数据的获取；2、离线训练深度神经网络物体检测模型；3、实时在线检测输电线路巡检图像并输出检测结果；下面对本方案进行详细的说明：
1、图像获取
本发明通过无人机搭载的可见光成像设备，在人工控制或自动飞行状态下实现对输电线路的巡视，使用定点抓拍获取到输电线路部件的影像数据；在线路巡检完成后将巡检数据导入数据存储服务器。
2、离线训练
本发明通过专业人员对巡检数据进行整理分类，按照标准的规范对数据进行标注制作出缺陷样本数据库；再根据样本数据所表现出的统计分布特征，设计物体检测的深度神经网络模型和初始化模型的超参数；最后使用样本数据库中的数据对模型进行训练和微调。
3、在线识别
本发明将检测算法部署在计算服务器上，当服务接收到客户的服务请求时，算法对输入的图像进行检测，检测完成后将结果返回给用户。
4、检测结果
实验结果如图4、图5所示：其中编号1表示玻璃绝缘子，编号10表示绝缘子爆片缺陷，编号13表示有鸟窝缺陷，编号2表示防震锤。
以上所揭露的为本发明的优选实施例，不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种基于可见光图像数据的多尺度输电线路缺陷检测方法，其特征在于，所述方法包括如下步骤：
步骤一：可见光图像数据的获取
通过深度学习技术检测出输电线路上部件存在的缺陷；采用无人机搭载的高清相机获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；
步骤二：输电线路部件缺陷样本库的获取
通过使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库；
步骤三：多尺度物体检测算法
1)尺度归一化训练算法
a.首先使用高斯滤波器对初始输入的图像进行平滑降采样构造图像金字塔；
b.将图像金字塔的每一层输入到区域推荐网络中，在每个分辨率上产生anchor box；
c.选中指定范围内的推荐框和实例目标；
d.将选出的有效边框输入到物体检测的网络模型中进行梯度下降训练；
e.对输出的边框进行非极大值抑制；
2)实时多尺度缺陷检测
首先，定义R为目标物体在图像中所占的面积与原始图像面积的比，其公式如下：
上式中，Area(object)为目标物体在图像中所占的面积，Area(image)为原始图像面积；
当R大于等于0.1时，直接对原始图像进行缩放；在缩放时采用均值滤波器对图像进行平滑处理，最终构建出图像金字塔并将金字塔上的每一层输入到检测模型进行检测；只要在金字塔的任何一层上检测到物体实例，就认为检测到了一个物体实例，最终将检测到的坐标映射回到原始图像中的坐标；
当R小于0.1，且图像的分辨大于1000万像素时，采用对高分辨的图像进行切分，再用深度学习的模型对每一个切块进行检测，其分为分割和合并两个部分；
a.分割
在使用深度学习模型对图像进行实时检测时，把任意尺寸的图像切分成模型可以处理的图像块，并将每个图像块传递给事先训练好的模型进行识别；切分图像的工作是通过用户预先定义好的窗口大小和重叠的程度的滑动窗口来实现；
b.合并
在大尺度的航拍输电线路图像中能够呈现出大尺度的空间结构，在对图像进行切分识别后，需要将识别出来的坐标还原成原来图像中的坐标；把图像块的坐标信息记录为filename_rows_column_height_width，假设识别出的目标物体相对于图像块的坐标为x，y，w，h，那么目标物体相对于原始图像的绝对坐标为：
xobj＝column+x
yobj＝rows+y
上式中，filename代表初始图像文件的文件名；rows，column代表的是当前图像子块左上顶点相对原始图像左上顶点的偏移量；xobj,yobj代表的是当前图像子块中检测到的物体相对于原始图像左上顶点的偏移量。
2.根据权利要求1所述的基于可见光图像数据的多尺度输电线路缺陷检测方法，其特征在于：所述尺度归一化训练算法中，推荐框和实例目标选择的标准如下：
1)在一个特定的分辨率下，边框的尺度在一个指定的范围之内；
2)anchor box与一个无效的ground truth box的重叠率小于0.3。
3.根据权利要求2所述的基于可见光图像数据的多尺度输电线路缺陷检测方法，其特征在于：在尺度归一化训练算法训练过程中，移除非常小或者非常大的目标实例，仅训练那些落入指定尺度范围内的目标，并且在梯度反向传播的时候限制这些极端目标的梯度参与反向传播训练。
4.根据权利要求1所述的基于可见光图像数据的多尺度输电线路缺陷检测方法，其特征在于：在实时多尺度缺陷检测的过程中，首先对待检测图像进行裁剪和缩放处理，然后使用深度学习物体检测模型在各个分辨率的子图像上进行检测，最后将检测到的目标实例坐标映射到原始图像坐标系下。
CN201910574405.9A 2019-06-28 2019-06-28 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 Pending CN110288586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910574405.9A CN110288586A (zh) 2019-06-28 2019-06-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910574405.9A CN110288586A (zh) 2019-06-28 2019-06-28 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

Publications (1)

Publication Number Publication Date
CN110288586A true CN110288586A (zh) 2019-09-27

Family

ID=68019911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910574405.9A Pending CN110288586A (zh) 2019-06-28 2019-06-28 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

Country Status (1)

Country Link
CN (1) CN110288586A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796104A (zh) * 2019-11-01 2020-02-14 深圳市道通智能航空技术有限公司 目标检测方法、装置、存储介质及无人机
CN110889841A (zh) * 2019-11-28 2020-03-17 江苏电力信息技术有限公司 一种基于YOLOv3的输电线路鸟类检测算法
CN110942455A (zh) * 2019-11-26 2020-03-31 南方电网数字电网研究院有限公司 输电线路开口销缺失检测方法、装置和计算机设备
CN111105398A (zh) * 2019-12-19 2020-05-05 昆明能讯科技有限责任公司 一种基于可见光图像数据的输电线路部件裂纹检测方法
CN111126335A (zh) * 2019-12-31 2020-05-08 珠海大横琴科技发展有限公司 一种结合显著性和神经网络的sar船只识别方法及系统
CN111460995A (zh) * 2020-03-31 2020-07-28 普宙飞行器科技（深圳）有限公司 基于无人机的电力线路巡检方法及巡检系统
CN111462046A (zh) * 2020-03-06 2020-07-28 国家能源集团谏壁发电厂 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法
CN111583183A (zh) * 2020-04-13 2020-08-25 成都数之联科技有限公司 一种用于pcb板图像缺陷检测的数据增强方法和系统
CN111597939A (zh) * 2020-05-07 2020-08-28 西安电子科技大学 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111753666A (zh) * 2020-05-21 2020-10-09 西安科技大学 输电线路中小目标故障检测方法、检测系统及存储介质
CN112233071A (zh) * 2020-09-28 2021-01-15 国网浙江省电力有限公司杭州供电公司 基于复杂环境下输电网图片的多粒度隐患检测方法及系统
CN113420844A (zh) * 2021-08-23 2021-09-21 深圳市信润富联数字科技有限公司 物体缺陷检测方法、装置、电子设备和存储介质
CN113988119A (zh) * 2021-10-14 2022-01-28 电子科技大学 一种多旋翼无人机识别中的块概率分布特征提取方法
CN115082695A (zh) * 2022-05-31 2022-09-20 中国科学院沈阳自动化研究所 一种基于改进Yolov5的变电站绝缘子串建模及检测方法
CN115984672A (zh) * 2023-03-17 2023-04-18 成都纵横自动化技术股份有限公司 基于深度学习的高清图像内小目标的检测方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060159367A1 (en) * 2005-01-18 2006-07-20 Trestle Corporation System and method for creating variable quality images of a slide
CN104715481A (zh) * 2015-03-17 2015-06-17 西安交通大学 基于随机森林的多尺度印刷品缺陷检测方法
CN105551036A (zh) * 2015-12-10 2016-05-04 中国科学院深圳先进技术研究院 一种深度学习网络的训练方法和装置
CN107123111A (zh) * 2017-04-14 2017-09-01 浙江大学 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN108898594A (zh) * 2018-06-27 2018-11-27 湖北工业大学 一种均质面板缺陷的检测方法
CN109360193A (zh) * 2018-09-27 2019-02-19 北京基石生命科技有限公司 一种基于深度学习的原代肿瘤细胞分割识别方法及系统
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN109598290A (zh) * 2018-11-22 2019-04-09 上海交通大学 一种基于两级检测相结合的图像小目标检测方法
CN109886286A (zh) * 2019-01-03 2019-06-14 武汉精测电子集团股份有限公司 基于级联检测器的目标检测方法、目标检测模型及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060159367A1 (en) * 2005-01-18 2006-07-20 Trestle Corporation System and method for creating variable quality images of a slide
CN104715481A (zh) * 2015-03-17 2015-06-17 西安交通大学 基于随机森林的多尺度印刷品缺陷检测方法
CN105551036A (zh) * 2015-12-10 2016-05-04 中国科学院深圳先进技术研究院 一种深度学习网络的训练方法和装置
CN107123111A (zh) * 2017-04-14 2017-09-01 浙江大学 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN108389197A (zh) * 2018-02-26 2018-08-10 上海赛特斯信息科技股份有限公司 基于深度学习的输电线路缺陷检测方法
CN108898594A (zh) * 2018-06-27 2018-11-27 湖北工业大学 一种均质面板缺陷的检测方法
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN109360193A (zh) * 2018-09-27 2019-02-19 北京基石生命科技有限公司 一种基于深度学习的原代肿瘤细胞分割识别方法及系统
CN109598290A (zh) * 2018-11-22 2019-04-09 上海交通大学 一种基于两级检测相结合的图像小目标检测方法
CN109886286A (zh) * 2019-01-03 2019-06-14 武汉精测电子集团股份有限公司 基于级联检测器的目标检测方法、目标检测模型及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BHARAT SINGH等: "An Analysis of Scale Invariance in Object Detection - SNIP", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
ZEKUN HAO等: "Scale-Aware Face Detection", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
周建新: "适用于密集人群目标检测的多尺度检测方法", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
郭爱心: "基于深度卷积特征融合的多尺度行人检测", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796104A (zh) * 2019-11-01 2020-02-14 深圳市道通智能航空技术有限公司 目标检测方法、装置、存储介质及无人机
CN110942455A (zh) * 2019-11-26 2020-03-31 南方电网数字电网研究院有限公司 输电线路开口销缺失检测方法、装置和计算机设备
CN110889841A (zh) * 2019-11-28 2020-03-17 江苏电力信息技术有限公司 一种基于YOLOv3的输电线路鸟类检测算法
CN111105398A (zh) * 2019-12-19 2020-05-05 昆明能讯科技有限责任公司 一种基于可见光图像数据的输电线路部件裂纹检测方法
CN111126335A (zh) * 2019-12-31 2020-05-08 珠海大横琴科技发展有限公司 一种结合显著性和神经网络的sar船只识别方法及系统
CN111462046A (zh) * 2020-03-06 2020-07-28 国家能源集团谏壁发电厂 基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法
CN111460995A (zh) * 2020-03-31 2020-07-28 普宙飞行器科技（深圳）有限公司 基于无人机的电力线路巡检方法及巡检系统
CN111583183A (zh) * 2020-04-13 2020-08-25 成都数之联科技有限公司 一种用于pcb板图像缺陷检测的数据增强方法和系统
CN111597939A (zh) * 2020-05-07 2020-08-28 西安电子科技大学 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111597939B (zh) * 2020-05-07 2023-04-18 西安电子科技大学 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111753666A (zh) * 2020-05-21 2020-10-09 西安科技大学 输电线路中小目标故障检测方法、检测系统及存储介质
CN111753666B (zh) * 2020-05-21 2024-01-23 西安科技大学 输电线路中小目标故障检测方法、检测系统及存储介质
CN112233071A (zh) * 2020-09-28 2021-01-15 国网浙江省电力有限公司杭州供电公司 基于复杂环境下输电网图片的多粒度隐患检测方法及系统
CN113420844A (zh) * 2021-08-23 2021-09-21 深圳市信润富联数字科技有限公司 物体缺陷检测方法、装置、电子设备和存储介质
CN113988119A (zh) * 2021-10-14 2022-01-28 电子科技大学 一种多旋翼无人机识别中的块概率分布特征提取方法
CN113988119B (zh) * 2021-10-14 2023-04-07 电子科技大学 一种多旋翼无人机识别中的块概率分布特征提取方法
CN115082695A (zh) * 2022-05-31 2022-09-20 中国科学院沈阳自动化研究所 一种基于改进Yolov5的变电站绝缘子串建模及检测方法
CN115984672A (zh) * 2023-03-17 2023-04-18 成都纵横自动化技术股份有限公司 基于深度学习的高清图像内小目标的检测方法和装置

Similar Documents

Publication Publication Date Title
CN110288586A (zh) 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
CN106356757B (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
Li et al. Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform
CN107742093B (zh) 一种红外图像电力设备部件实时检测方法、服务器及系统
CN109598794B (zh) 三维gis动态模型的构建方法
CN109376605B (zh) 一种电力巡检图像防鸟刺故障检测方法
CN111753698B (zh) 一种多模态三维点云分割系统和方法
CN108734143A (zh) 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN109615611A (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN108805906A (zh) 一种基于深度图的运动障碍物检测及定位方法
Mao et al. Development of power transmission line defects diagnosis system for UAV inspection based on binocular depth imaging technology
CN109472776A (zh) 一种基于深度显著性的绝缘子检测及自爆识别方法
CN109544501A (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
CN109815800A (zh) 基于回归算法的目标检测方法及系统
CN110133443B (zh) 基于平行视觉的输电线路部件检测方法、系统、装置
CN109949229A (zh) 一种多平台多视角下的目标协同检测方法
CN113284144B (zh) 一种基于无人机的隧道检测方法及装置
CN112489099A (zh) 点云配准方法、装置、存储介质及电子设备
CN109146880A (zh) 一种基于深度学习的电力设备检测方法
CN113537180B (zh) 树障的识别方法、装置、计算机设备和存储介质
Bai et al. Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018)
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
CN111683221A (zh) 嵌入矢量红线数据的自然资源实时视频监测方法及系统
Lin et al. Research on denoising and segmentation algorithm application of pigs’ point cloud based on DBSCAN and PointNet

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190927