-
公开(公告)号：CN117113066B
公开(公告)日：2024-03-29
申请号：CN202311388369.X
申请日：2023-10-25
申请人： 南昌大学
IPC分类号： G06F18/213 , G06N3/0464 , G06N3/08 , G01R31/08
摘要： 本发明公开了一种基于计算机视觉的输电线路绝缘子缺陷检测方法，S1：构建输电线路绝缘子缺陷的图像数据库，并划分训练集、验证集与测试集；S2：构建MIDDNet绝缘子缺陷检测模型，该模型包括RGNet主干特征提取网络、RSNet特征融合网络与GSNet缺陷检测网络；S3：训练MIDDNet绝缘子缺陷检测模型；S4：通过训练好的MIDDNet绝缘子缺陷检测模型进行输电线路绝缘子缺陷检测。本发明通过降低检测模型整体的参数量、加强多尺度特征融合的融合效果与提取密集的上下文特征信息，最终增强模型的检测精度与鲁棒性能。本发明可为输电线路绝缘子缺陷检测研究提供参考。
-
公开(公告)号：CN117593268A
公开(公告)日：2024-02-23
申请号：CN202311563232.3
申请日：2023-11-22
申请人： 南昌大学
IPC分类号： G06T7/00 , G06V10/774 , G06V10/80 , G06V10/82
摘要： 本发明公开了一种多网络融合的输电线路绝缘子缺陷检测方法，S1：构建输电线路绝缘子缺陷图像数据集；S2：构建CenterNet目标检测模型，训练CenterNet目标检测模型并进行绝缘子伞裙检测；S3：构建绝缘子伞裙缺陷图像数据集；S4：构建BFINet绝缘子伞裙缺陷检测模型，包括RMNet主干特征提取网络、RMCNet特征融合网络与BFI Head缺陷检测网络；S5：训练BFINet绝缘子伞裙缺陷检测模型；S6：利用训练好的BFINet绝缘子伞裙缺陷检测模型进行绝缘子伞裙缺陷检测。本发明通过多网络融合、加强多尺度特征融合的融合效果，最终增强模型的检测精度与鲁棒性能。本发明可为输电线路绝缘子缺陷检测研究提供参考。
-
公开(公告)号：CN117237871A
公开(公告)日：2023-12-15
申请号：CN202311241031.1
申请日：2023-09-25
申请人： 南昌大学
IPC分类号： G06V20/52 , G06V10/40 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/096
摘要： 本发明公开了一种基于轻量化目标检测模型的电力线路鸟类辨识方法，首先根据相关鸟种名录，构建了电力线路相关危害鸟类图像数据集并进行标签制作，划分为训练集、测试集和验证集；搭建轻量化目标检测模型，其主要包括轻量级特征提取网络、轻量级特征融合网络和多重注意力机制统一物体检测头三个部分；采用训练集和验证集对轻量化目标检测模型进行训练，训练后获得鸟类检测模型；将测试集输入至模型中进行检测，获得对图像中鸟类的定位与分类。本发明通过构建轻量化目标检测模型，在保持检测精度的同时提升检测速度，可为实现电力线路相关危害鸟类检测提供参考。
-
公开(公告)号：CN118967613A
公开(公告)日：2024-11-15
申请号：CN202411026686.1
申请日：2024-07-30
申请人： 南昌大学
摘要： 本发明提供了一种光伏电池电致发光缺陷检测方法及检测系统，涉及光伏电池缺陷检测技术领域。本发明提供的检测方法包括以下步骤：获取光伏电池的电致发光图像数据，对所述图像数据进行标注及预处理后构建数据集；基于注意力机制的轻量化主干提取网络、特征融合网络、高效多尺度检测头构建初始检测模型；基于所述数据集对所述初始检测模型进行训练获得缺陷检测模型；获取待测电致发光图像，基于所述缺陷检测模型输出检测结果。本发明通过构建并训练极具轻量化的缺陷检测模型，能够获得更加丰富和具有代表性的特征信息，从而提高缺陷检测模型的检测精度，从而能够实现对多种光伏缺陷的高效、准确检测和定位。
-
公开(公告)号：CN114842208B
公开(公告)日：2024-05-03
申请号：CN202210638361.3
申请日：2022-06-08
申请人： 南昌大学
IPC分类号： G06V10/30 , G06V10/762 , G06V40/10 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于深度学习的电网危害鸟种目标检测方法，首先利用Avibase世界鸟类数据库与收集的输电线路巡检图像，构建威胁电网安全的相关鸟种图像数据集，并基于改进的DnCNN去噪网络模型对鸟种图像数据集进行预处理，对预处理后的图像进行标签制作，获得图像中鸟种的真实边界框位置和框内类别信息；然后采用聚类算法对真实边界框的高和宽进行聚类分析，得到最优先验框，并将鸟种图像数据集划分为训练集、验证集与测试集；构建并训练改进的YOLOv4鸟种目标检测模型；最后利用训练后的改进YOLOv4鸟种目标检测模型对测试集图像进行检测。本发明可为电网涉鸟故障差异化防治提供参考。
-
公开(公告)号：CN117113066A
公开(公告)日：2023-11-24
申请号：CN202311388369.X
申请日：2023-10-25
申请人： 南昌大学
IPC分类号： G06F18/213 , G06N3/0464 , G06N3/08 , G01R31/08
摘要： 本发明公开了一种基于计算机视觉的输电线路绝缘子缺陷检测方法，S1：构建输电线路绝缘子缺陷的图像数据库，并划分训练集、验证集与测试集；S2：构建MIDDNet绝缘子缺陷检测模型，该模型包括RGNet主干特征提取网络、RSNet特征融合网络与GSNet缺陷检测网络；S3：训练MIDDNet绝缘子缺陷检测模型；S4：通过训练好的MIDDNet绝缘子缺陷检测模型进行输电线路绝缘子缺陷检测。本发明通过降低检测模型整体的参数量、加强多尺度特征融合的融合效果与提取密集的上下文特征信息，最终增强模型的检测精度与鲁棒性能。本发明可为输电线路绝缘子缺陷检测研究提供参考。
-
公开(公告)号：CN116167999A
公开(公告)日：2023-05-26
申请号：CN202310150335.0
申请日：2023-02-22
申请人： 南昌大学
摘要： 本发明公开了一种基于图像匹配的配电线路零值绝缘子红外热像检测方法，首先通过现场采集配电线路绝缘子的红外图像，建立典型拍摄角度下绝缘子的红外图像库，并采用灰度化、改进的BM3D去噪算法对红外图像进行预处理，还原红外图像中有效信息并且减少杂乱噪声；然后，利用改进的模板匹配算法定位识别绝缘子，获取红外图像中绝缘子的坐标参数，并采用改进的阈值分割算法对绝缘子进行分割提取；最后，利用最小二乘线性拟合对绝缘子图像进行提取温度，通过同类判断比较法对比多个绝缘子间温度状态的差异，实现零值绝缘子的检测。本发明能够为运维人员提供安全、高效的零值绝缘子检测方法，有助于实现配电线路绝缘子的智能运检。
-
公开(公告)号：CN115359286A
公开(公告)日：2022-11-18
申请号：CN202210917631.4
申请日：2022-08-01
申请人： 南昌大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06V10/80 , G06T7/136 , G06T5/30 , G06T5/50 , G06N3/04 , G06N3/08 , G06Q10/00 , G06Q50/06
摘要： 本发明公开了一种基于多网络特征融合的输电线路悬挂异物检测方法，首先构建输电线路悬挂异物图像数据集；其次对输电线路悬挂异物图像融合特征提取；再构建与训练基于贝叶斯优化的随机森林输电线路悬挂异物分类识别模型；输电线路悬挂异物分类识别：利用测试集的融合特征X对随机森林分类模型中M棵CART决策树进行测试，得到预测类别{C1(X)、C2(X)、Cm(X)}；对于测试得到的分类结果进行投票，选择在M棵CART决策树分类结果中出现频率最高的作为最终的分类结果；本发明具有较好的检测精度和检测速度，且更有利于实际应用，可为电网运维人员开展输电线路悬挂异物清障工作提供参考。
-
公开(公告)号：CN114723750B
公开(公告)日：2022-09-16
申请号：CN202210631775.3
申请日：2022-06-07
申请人： 南昌大学
摘要： 本发明公开一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，构建输电线路耐张线夹的X光图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签；构建YOLOX模型并进行改进，增加一个Resblock body0模块、特征层feat1和以及类预测层YOLO Head以增加网络的深度，并引入空间、通道注意力机制；使用VOC2007数据集训练改进后的网络，获得预训练权重W1；利用W1并结合Mosaic数据增强方法训练耐张线夹数据集获得权重W2，将W2输入改进后的YOLOX网络进行分类预测。本发明通过改进YOLOX算法，提升了对耐张线夹细微缺陷的检测效果，可以准确高效地实现输电线路耐张线夹的缺陷检测。
-
公开(公告)号：CN114842208A
公开(公告)日：2022-08-02
申请号：CN202210638361.3
申请日：2022-06-08
申请人： 南昌大学
摘要： 本发明公开了一种基于深度学习的电网危害鸟种目标检测方法，首先利用Avibase世界鸟类数据库与收集的输电线路巡检图像，构建威胁电网安全的相关鸟种图像数据集，并基于改进的DnCNN去噪网络模型对鸟种图像数据集进行预处理，对预处理后的图像进行标签制作，获得图像中鸟种的真实边界框位置和框内类别信息；然后采用聚类算法对真实边界框的高和宽进行聚类分析，得到最优先验框，并将鸟种图像数据集划分为训练集、验证集与测试集；构建并训练改进的YOLOv4鸟种目标检测模型；最后利用训练后的改进YOLOv4鸟种目标检测模型对测试集图像进行检测。本发明可为电网涉鸟故障差异化防治提供参考。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.025 秒)
