Image Segmentation and Defect Detection of Insulators Based on U-net and YOLOv4
-
摘要: 输电线路上绝缘子的完整性直接影响了输电的安全与可靠性.采用深度学习方法,对绝缘子图像识别提取和缺陷检测问题进行了研究.首先基于优化的U-net模型获取绝缘子区域掩模图像,实现对绝缘子串语义分割;然后基于YOLOv4模型获取缺陷绝缘子的位置,实现对自爆绝缘子目标的检测.为充分利用高分辨率图像的像素信息,提出“切分-识别-合成”的检测思路,精确分割出绝缘子以及判断并获取缺陷区域;最后设计了多组实验并进行对比,验证了模型的有效性.采用优化的U-net模型分割绝缘子的Dice系数达0.92;采用YOLOv4模型检测自爆绝缘子的识别精度达0.96,平均重叠度IOU达0.88.研究结果对实现电力系统运维的智能化具有较高的应用价值.Abstract: The integrity of the insulator on transmission lines directly affects the safety and reliability of power transmission. Deep learning methods are used to explore the problems of insulator image extraction and defect detection. First, the mask image of the insulator region is obtained with the optimized U-net model so as to implement the semantic segmentation of the insulator. Then the YOLOv4 model is built to obtain the position of the defective insulator and achieve the detection of the self-explosive insulator. Aiming at making full use of the pixel information of high-resolution images, the "segmentation-recognition-synthesis" model is proposed to segment the insulator and obtain the defect area precisely. Multiple groups of experimental comparison are designed to verify the effectiveness of the model. The Dice coefficient of insulator segmentation based on the optimized U-net model is up to 0.92; the accuracy of the self-explosive insulator identification based on the YOLOv4 model is up to 0.96, and the average degree of overlapping IOU reaches 0.88. The research results have high practical value for the realization of intelligent power system operation and maintenance.
-
Keywords:
- insulator /
- semantic segmentation /
- object detection /
- U-net /
- YOLOv4
-
绝缘子是一种特殊的绝缘部件,实现电气绝缘和机械固定,保证输电线路的可靠运行,在架空输电线路中起到重要作用.近年来,无人机技术已被广泛应用于电力设施及线路的巡检任务中,但由于无人机拍摄图像数目多,人工标注工作量大、效率低,且人眼的疲劳容易导致漏标或错标.鉴于此,开展对绝缘子采集图像进行自动化识别与缺陷检测的研究具有重要意义.
在复杂背景绝缘子串的分割方面,黄新波等[1]提出基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法; 刘永权等[2]提出一种结合颜色特征和形状特征的支持向量机图像处理方法,实现了对绝缘子的分割.上述基于传统分割技术采用特征提取器结合分类器的方法,不仅识别速度较慢,而且精度较低.梁耀等[3]针对复杂背景下的图像分割问题,利用模糊高斯混合模型和树叶图像的颜色信息提出Grab Cut算法实现自动分割,但不适合对多张独立目标的图像分割.近年来,深度学习已被应用于图像分割领域,高金峰等[4]使用Faster R-CNN[5]模型实现对绝缘子串的语义分割,该方法提高了识别精度,但由于网络参数冗余,导致训练时间长,图像分割精度仍有待提升.
在自爆绝缘子缺陷的检测方面,陈文浩等[6]基于传统的目标检测算法,将图像RGB的颜色空间转换为LAB的颜色空间来避免光照影响,采用最大类间方差法进行阈值分割,然后进行形态学运算,通过获取绝缘子对应位置的像素值来定位绝缘子自爆点的坐标.在深度学习方面,王梦[7]通过训练基于vgg16和Resnet-101的Faster R-CNN模型,采用基于连通区域、直线拟合、形态学图像处理方法,实现了对绝缘子定位和自爆缺陷的检测,缺陷检出率为0.89,检测精度有待提高.
进一步探究更优的绝缘子分割提取和缺陷检测方案十分必要. U-net[8]模型常被用于医学图像的语义分割,特征融合算法因而具有很高的分割精度.而航拍绝缘子的图像与医学影像的图像特点有一定的相似性,因此U-net模型可被用于绝缘子的高精度提取.在目标检测领域中,YOLO模型[9]因具有较高的检测速度、良好的检测精度和兼容多种硬件平台等优点而备受青睐.航拍自爆绝缘子的实时检测对检测速度提出了很高的要求,因此,本文采用YOLOv4[10]模型实现了对自爆绝缘子缺陷的高精度自动检测.
1. 基于U-net的绝缘子分割算法
1.1 U-net基本原理
基于深度学习的图像分割算法主要有2种核心框架:一种是基于卷积神经网络(CNN)特征编码对图象进行特征提取的框架; 另一种是基于全卷积网络(FCN)的上采样/反卷积分割框架.前者在卷积和池化过程中易丢失图像细节,且采用全连接层获取类别概率的方式导致不能标识每个像素类别,因此无法做到精确分割; 而后者在CNN基础上把全连接层改为卷积层,在多次池化操作前加入了上采样,解决了精确分割问题,但边缘提取效果不佳.
U-net借鉴了FCN网络,该网络结构包括收缩路径和扩展路径2个对称部分:收缩路径的网络与普通卷积网络相同,使用3×3的卷积和池化下采样,得到浅层特征和深层特征,捕捉像素间的关系; 扩展路径的网络则与收缩路径网络基本对称,使用3×3卷积和上采样,上采样时通过级联的方式将深层特征和浅层特征结合起来,以实现对图像中待分割部分进行精准定位的目的.这种特征融合操作充分利用了浅层特征和深层特征,可达到更好的分割效果(图 1).
1.2 U-net训练和优化
1.2.1 绝缘子分割评价指标
对绝缘子串珠分割精度采用Dice系数进行评价. Dice系数是一种集合相似度的度量函数,如果Dice接近1则说明预测结果与专业人士标注的结果相符.计算公式如下:
Dice(A,B)=2|A∩B||A|+|B|, (1) 其中,A为专业人士标注的区域,B为算法分割所得到的区域.
1.2.2 模型训练框架及参数设置
网络模型参数的设置影响网络的性能以及训练速度. U-net模型采用pytorch框架搭建.参数设置:训练批量大小为4,学习率为10×10-6,网络分辨率为512×512,最大批数为50.
1.2.3 模型训练优化
实验中的绝缘子航拍图像目标小,背景复杂,边界模糊,为了获取较多的高分辨率信息,对图像进行优化调整:
(1) 在每次卷积计算后进行批规范化(Batch Normalization),以避免梯度弥散,提高模型的泛化能力,使网络允许更高的学习速率从而加速收敛.
(2) 采用二元交叉熵损失函数(BCEWithLogitsLoss),以提高损失数值的稳定性.计算公式:
σn=11+exp(−xn), (2) ln=−Wn[yn⋅lgσn+(1−yn)⋅lg(1−σn)], (3) 其中,n为批量大小,xn为输入矩阵,yn为目标矩阵,Wn为权重矩阵,ln为损失输出值.
(3) 采用RMSprop优化器,用以修正摆动幅度,提高网络函数的收敛速度.
(4) 为充分利用高分辨率图像的像素信息,实验中通过滑动窗口将一张完整图像切分为若干子图,采样后将子图送入U-net模型进行预测, 然后对预测的子图进行形态学滤波,最后合并子图,实现更高精度的分割(图 2).
1.2.4 “过拟合”问题的改进
(1) 对输入图像进行归一化处理,即利用图像的不变矩阵寻找一组参数,使其能够消除其他函数对图像变换的影响,转换成唯一的标准形式以抵抗仿射变换,归纳统一样本的统计分布性. (2)在神经网络中添加丢弃机制(dropout),dropout是指在网络训练期间根据一定的概率将神经单元暂时从网络中失活.实验发现,当dropout概率等于0.5时的拟合效果最好. (3)为数据集增加负样本,其作用是提高模型的纠错能力,将引入负样本和不含负样本的数据集分别送入模型训练.测试集输出结果(图 3)表明:在引入负样本后的模型在测试集中表现良好,但不含负样本的模型在测试集中表现不佳,出现“过拟合”问题.
2. 基于YOLOv4的绝缘子缺陷检测
2.1 YOLOv4基本原理
基于深度学习的目标检测算法分为两大类:一类是two-stage检测算法(R-CNN); 另一类是one-stage检测算法(YOLO系列).前者在检测精度上占优势,后者则在检测速度上占优势. YOLO的核心思想是将目标检测视为单一的回归问题,直接在输出层回归边框坐标和所属类别.将输入图像统一成448 px×448 px的尺寸后送入CNN网络进行特征提取和目标预测.另外,以往的目标检测多采用滑动窗口技术,将图像目标检测问题转化为图像分类问题,缺点是窗口尺寸不一致且数量大,运算量庞大.而YOLO则将输入图像分成S×S个网格,每个网格用于预测物体中心落入该网格的物体,该做法大大减少了模型的运算量,进一步提高模型的检测速度.
YOLOv4相较YOLO以往版本更新了众多改进方法(图 4),其骨干网络采用CSPDarknet53[11],并在CSPDarknet53上增加了深卷积网络的空间金字塔池(SPP)块[12],共包含72个卷积层和1个全连接层,采用3×3卷积核.针对不同级别的检测器,挑选PAN[13]作为对不同骨干层进行参数聚合的方法,并将PAN快捷连接的相加改为串联.优化方法还包括马赛克数据增强、提出了自对抗训练,即让神经网络反向更新图像,对图像进行改变扰动后继续训练、采用Mish激活函数和优化损失函数等操作,使其在目标检测中具有更好的表现能力.
2.2 YOLOv4训练和检测
2.2.1 绝缘子缺陷检测评价指标
采用平均重叠度IOU评价模型预测边界框的精度. IOU的意义是候选框C与原标记框G的重叠度,IOU越接近1表示预测结果越接近正确结果.计算公式:
IOU=area(C)∩area(G)area(C)∪area(G). (4) 2.2.2 模型训练及参数设置
YOLOv4模型采用基于darknet框架.本文训练均使用GPU为NVIDIA GTX 1080Ti,CPU为Intel i7-7800X,内存为16 G的硬件环境.训练参数设置如下:训练批尺寸为64,学习率为10×10-3,最大迭代次数为4 000.选取分辨率864 px×864 px的训练网络.同时在训练时引入与正样本相当的负样本,一定程度提高了模型的鲁棒性,训练过程如图 5所示.
均值平均精度(Mean Average Precision, MAP)是目标检测领域的一个重要衡量指标,表示对目标检测中每个类别的平均精确率求和后再取平均.结果表明:采用YOLW4模型可使数据集的训练损失迅速收敛, map达到较高水平.
2.2.3 检测优化
针对无人机航拍的绝缘子图像分辨率高、背景复杂、目标小等特点,本文提出“切分-识别-合成”检测方案(图 6),以解决预测图像直接输入YOLOv4模型时被严重压缩的问题,以及特征提取效果不理想导致目标检测精度低的问题.选择适合模型检测的滑窗尺寸,对高分辨图像进行切分操作,滑窗移动步长为窗口边长的一半,即相邻滑窗重叠率(Overlap Rate)为0.5,确保特征出现在切割边缘时, 缺陷绝缘子能在某个邻接滑窗被完整保留,从而避免因切割被破坏而无法识别的情况.将切分的子图分别送入模型进行检测,可识别自爆绝缘子区域,并获得对应的预测边界框坐标.通过保留置信度在0.8以上的边界框,对每个子图预测的结果进行筛选,再根据预测边界框的相对位置、大小等信息,对边界框回归和坐标修正,剔除属于同一缺陷绝缘子的重复边界框,保留最优预测结果,将结果边界框标记在原图中.
3. 实验结果分析
3.1 数据集处理结果
本文数据来源于第八届泰迪杯全国大学生数据挖掘挑战赛,由广州智能装备研究院有限公司提供(https://www.tipdm.org/bdrace/tzbstysj/20200228/1637.html).数据包含无人机航拍原图、对应的绝缘子掩模图和绝缘子自爆标签.对源数据进行如下操作,以获取训练样本.
(1) 对源数据集进行2次不同尺度的滑窗切分,切分示意图如图 7所示.滑动窗口大小分别为1 024 px×1 024 px与2 048 px×2 048 px,相邻滑窗重叠率为0.5.一方面扩充数据集,另一方面在训练时充分利用图像的像素信息.
(2) 对切分后的掩模图进行连通域计算,对切分后的绝缘子自爆标签进行自爆区边界完整性的检测,剔除因滑窗切割而导致绝缘子自爆区域结构破坏的图像,同时将筛选后的切割图像、掩模图和绝缘子自爆标签对应保存.
(3) 将上述得到的切割图像、掩模图和绝缘子自爆标签,对图像进行随机缩放、平移、翻折、旋转以及亮度调节等基本变换,进行数据的增强、数据集的扩充操作.
(4) 对增强后的图像进行正样本和负样本数量的均衡操作,将得到的照片划分为训练集、验证集和测试集.
通过数据分析和处理,累计获得了总计4 337的样本数据,将其用于绝缘子的语义分割训练,其中包含2 311个正样本(包含绝缘子区域的图像)和2 026个负样本(不包含绝缘子区域的图像); 获得总计4 296的样本数据,将其用于绝缘子的自爆缺陷识别,其中包含2 372个正样本和1 924个负样本.
3.2 优化U-net的绝缘子分割结果
在基本模型训练参数相同的情况下,模型优化前和优化后训练过程如图 8所示.经算法改进和增强后,数据集训练损失曲线震荡减轻并得到较好的收敛.为评估优化后U-net模型的性能,本文在包含缺陷自爆区和复杂场景的图像中,将FCN模型与优化后的U-net模型实验结果进行对比(表 1),得到两者的分割结果(图 9).
表 1 FCN和优化后U-net的效果对比Table 1. The comparison of results between the FCN model and the optimized U-net model模型 图像数 精确率/% 召回率/% Dice/% 平均处理时间/ms FCN 126 91.83 81.16 85.56 202 优化后U-net 126 94.34 89.05 91.31 191 当缺陷区域背景较复杂、光线较暗时,FCN对绝缘子区域不能较好响应,而U-net能精确地完成分割; 当图像出现复杂的前景与背景时,U-net能较好地完成对绝缘子的分割,而FCN模型对复杂区域的边界分割结果较差.与FCN模型的性能相比,U-net模型能较好地应对不同环境(光线、复杂的前景与背景),具有较强的泛化能力.
3.3 优化YOLOv4的绝缘子缺陷检测结果
为验证优化后YOLOv4的有效性,将其与优化前的YOLOv4和Faster-RCNN进行对比(表 2).复杂背景下YOLOv4部分检测效果如图 10所示,红色框为预测结果,绿色框为正确结果.
表 2 检测优化前后的性能Table 2. The performance before and after detection optimization模型 图像数 平均处理时间/ms 识别精确率/% 平均IOU 优化的YOLOv4 304 53 0.96 0.88 YOLOv4 304 53 0.88 0.76 Faster-RCNN 304 605 0.93 0.83 从表 2的识别准确率和平均IOU可见,经过检测优化后的YOLOv4在识别精度上大幅提升,且检测速度远远快于Faster-RCNN; 检测优化后的YOLOv4也能很好应对复杂背景的绝缘子图像的检测(图 10),进一步验证了本文模型的可靠性与实用性.
4. 结论
针对高分辨率航拍图像中绝缘子的分割提取和自爆缺陷检测的问题,提出了基于深度学习模型的解决方案.该方案包括:(1)采用优化后的基于U-net模型获取绝缘子区域掩模图像,实现绝缘子的识别与提取; (2)构建基于YOLOv4模型获取缺陷绝缘子的位置信息,实现自爆绝缘子的检测.结果表明:本方案识别精度和模型鲁棒性良好,采用第八届泰迪杯全国大学生数据挖掘挑战赛的测试数据集验证,本模型具有可靠性和实用性.该成果获得了2020年第八届泰迪杯数据挖掘挑战赛全国一等奖.该方案对实现电力系统运维的智能化、保证电力系统的安全和稳定提供了参考,具有较高的应用价值.
-
表 1 FCN和优化后U-net的效果对比
Table 1 The comparison of results between the FCN model and the optimized U-net model
模型 图像数 精确率/% 召回率/% Dice/% 平均处理时间/ms FCN 126 91.83 81.16 85.56 202 优化后U-net 126 94.34 89.05 91.31 191 表 2 检测优化前后的性能
Table 2 The performance before and after detection optimization
模型 图像数 平均处理时间/ms 识别精确率/% 平均IOU 优化的YOLOv4 304 53 0.96 0.88 YOLOv4 304 53 0.88 0.76 Faster-RCNN 304 605 0.93 0.83 -
[1] 黄新波, 刘新慧, 张烨, 等.基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法[J].高电压技术, 2018, 44(5):1528-1534. http://www.cnki.com.cn/Article/CJFDTotal-GDYJ201805018.htm HUANG X B, LIU X H, ZHANG Y, et al. Classification recognition method of insulator in aerial image based on the red-blue difference and developed K-means algorithm[J]. High Voltage Engineering, 2018, 44(5):1528-1534. http://www.cnki.com.cn/Article/CJFDTotal-GDYJ201805018.htm
[2] 刘永权, 肖德军.基于支持向量机的绝缘子图像分割[J].科技与企业, 2015(22):250-250. http://www.cqvip.com/main/zcps.aspx?c=1&id=666629088 LIU Y Q, XIAO D J. Insulator image segmentation based on support vector machine[J]. Technology and Enterprise, 2015(22):250-250. http://www.cqvip.com/main/zcps.aspx?c=1&id=666629088
[3] 梁耀, 黎双文, 刘鑫磊, 等.复杂背景下目标树叶自动分割的Grabcut算法[J].华南师范大学学报(自然科学版), 2018, 50(6):112-118. doi: 10.6054/j.jscnun.2018126 LIANG Y, NI S W, LIU X L, et al. The grabcut algorithm for the automatic segmentation of target leaves under the complex background[J]. Journal of South China Normal University (Natural Science Edition), 2018, 50(6):112-118. doi: 10.6054/j.jscnun.2018126
[4] 高金峰, 吕易航.航拍图像中绝缘子串的识别与分割方法研究[J].郑州大学学报(理学版), 2019, 51(4):16-22. http://www.zhangqiaokeyan.com/academic-journal-cn_journal-zhengzhou-university-natural-science-edition_thesis/0201273466894.html GAO J F, LV Y H. Research on insulator string detection, segmentation and self-explosion fault identification method in aerial images[J]. Journal of Zhengzhou University(Science Edition), 2019, 51(4):16-22. http://www.zhangqiaokeyan.com/academic-journal-cn_journal-zhengzhou-university-natural-science-edition_thesis/0201273466894.html
[5] REN S, HE K, GIRSHICK R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6):1137-1149. doi: 10.1109/TPAMI.2016.2577031
[6] 陈文浩, 姚利娜, 李丰哲.无人机电网巡检中的绝缘子缺陷检测与定位[J].计算机应用, 2019, 39(S1):210-214. http://www.cnki.com.cn/Article/CJFDTotal-JSJY2019S1044.htm CHEN W H, YAO L N, LI F Z. Insulator defect detection and location in UAV grid inspection[J]. Journal of Computer Applications, 2019, 39(S1):210-214. http://www.cnki.com.cn/Article/CJFDTotal-JSJY2019S1044.htm
[7] 王梦.基于绝缘子图像的缺陷检测方法研究[D].武汉: 华中科技大学, 2019. WANG M. Study on the method of fault detection based on insulator images[D]. Wuhan: Huazhong University of Science and Technology, 2019.
[8] RONNEBERGER O, FISCHER P, BROX T. U-net: convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Berlin: Springer, 2015: 234-241.
[9] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. New York: IEEE, 2016: 779-788.
[10] BOCHKOVSKIY A, WANG C Y, LIAO H Y. YOLOv4: optimal speed and accuracy of object detection[EB/OL]. https://arxiv.org/abs/2004.10934.
[11] WANG C Y, LIAO H Y, WU Y H, et al. CSPNet: a new backbone that can enhance learning capability of cnn[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. New York: IEEE, 2020: 390-391.
[12] HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(9):1904-1916.
[13] LIU S, QI L, QIN H, et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. New York: IEEE, 2018: 8759-8768.
-
期刊类型引用(43)
1. 张辉,杜瑞,钟杭,曹意宏,王耀南. 电力设施多模态精细化机器人巡检关键技术及应用. 自动化学报. 2025(01): 20-42 . 百度学术
2. 王思,熊惠敏,胡蕾,王文彬. 基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法. 江西电力. 2024(01): 1-6+20 . 百度学术
3. 徐海洋,卢泉. 改进SSD的变电站电力设备识别方法. 计算机与数字工程. 2024(01): 240-246 . 百度学术
4. 程仲汉,俞劭凯,赖怡欣. 一种基于YOLOv5s的绝缘子自爆轻量化检测方法. 湖北师范大学学报(自然科学版). 2024(02): 45-51 . 百度学术
5. 曹峰墅,方芳. 基于无人机的智慧城市给水工程施工管理方法研究与应用. 工程与建设. 2024(02): 453-455+475 . 百度学术
6. 韦英虹,曾繁政,黄健志. 基于改进YOLOv5的电力线路绝缘子检测算法研究. 广西电业. 2024(06): 39-47 . 百度学术
7. 刘垚. 复合绝缘子表面异常发热点识别方法. 光通信研究. 2024(06): 42-47 . 百度学术
8. 刘维娜,钟宇宁,余兆钗. YOLOv4-tiny的绝缘子缺陷检测算法. 武夷学院学报. 2024(12): 17-24 . 百度学术
9. 任爽,商继财,杨凯,祁继明,魏翔宇,蔡永根. 改进YOLOv4的绝缘子图像检测模型. 广东电力. 2023(01): 94-101 . 百度学术
10. 丁晨寅,徐止政,段纳. 基于改进的Yolov4航拍绝缘子目标识别算法. 计算机仿真. 2023(01): 73-78 . 百度学术
11. 严宇平,吴广财,王泽涌. 基于深度学习的配电线路瓷绝缘子缺陷识别. 工业加热. 2023(01): 70-74 . 百度学术
12. 暴泰焚,焦慧敏,张皓,琚恭伟,吴志鹏. 基于语义分割的纸质包装产品表面缺陷检测. 制造业自动化. 2023(03): 216-220 . 百度学术
13. 谢国波,林立,林志毅,贺笛轩,文刚. 基于YOLOv4-MP的绝缘子爆裂缺陷检测方法. 广东工业大学学报. 2023(02): 15-21 . 百度学术
14. 周燕茹. 基于分布函数PNN的绝缘子表面污秽度检测. 咸阳师范学院学报. 2023(02): 17-22 . 百度学术
15. 何胜红,吴小平,王俊波,张殷. 基于背景数据增强和改进YOLOv4的断路器试验机器人接线定位方法. 电力科学与技术学报. 2023(02): 196-204+239 . 百度学术
16. 何锦强,李锐海,李昊,廖永力,龚博,郝艳捧,梁苇,吴建蓉,文屹. 基于Yolo v5与Grabcut的架空线路绝缘子可见光图像自动识别与分割方法. 南方电网技术. 2023(06): 128-135 . 百度学术
17. 韦华. 基于计算机图像处理技术的皮革表面缺陷检测研究现状及展望. 中国皮革. 2023(07): 18-21 . 百度学术
18. 李运堂,詹叶君,王鹏峰,张坤,金杰,李孝禄,陈源,冯娟. 基于改进YOLOV4网络的绝缘子缺陷检测. 传感技术学报. 2023(08): 1250-1260 . 百度学术
19. 唐小煜,向秋驰,黄晓宁,张怡丰. 基于改进YOLOv5的农业害虫检测. 华南师范大学学报(自然科学版). 2023(04): 42-49 . 百度学术
20. 伊力哈木·亚尔买买提,邓皓,谢丽蓉. 基于改进YOLOv4的太阳能电池板缺陷检测. 华南师范大学学报(自然科学版). 2023(05): 21-30 . 百度学术
21. 邱志斌,朱轩,廖才波,况燕军,张宇,石大寨. 基于目标检测的电网涉鸟故障相关鸟种智能识别. 电网技术. 2022(01): 369-377 . 百度学术
22. 宋立博,费燕琼. 两类YOLOv4-tiny简化网络及其裂缝检测性能比较. 同济大学学报(自然科学版). 2022(01): 129-137 . 百度学术
23. 王宾. 基于X射线探伤的焊接图像缺陷自动检测方法. 电子测试. 2022(03): 75-77 . 百度学术
24. 韩谷静,何敏,雷宇航,张敏,赵柳,秦亮. 基于改进U-Net的输电线路绝缘子图像分割方法研究. 智慧电力. 2022(03): 93-99 . 百度学术
25. 李磊,李英娜,赵振刚. 基于改进YOLOv4的中小型绝缘子检测. 电视技术. 2022(03): 74-82 . 百度学术
26. 刘行谋,田浩,杨永明,王燕,赵小翔. 复杂环境背景下绝缘子缺陷图像检测方法研究. 电子测量与仪器学报. 2022(02): 57-67 . 百度学术
27. 熊文军,赵山虎,李世博,杨建华,范孝波,孙洪良,陈军. 清洁车智能监测与控制系统研究. 计算机测量与控制. 2022(05): 109-114 . 百度学术
28. 张乔木,钟倩文,孙明,罗文成,柴晓冬. 复杂环境下弓网接触位置动态监测方法研究. 电子科技. 2022(08): 66-72 . 百度学术
29. 王浩东,王立勇,苏清华,谢敏,王超,丁炳超. 基于YOLOv4网络模型的临时道路识别算法. 广西大学学报(自然科学版). 2022(03): 712-722 . 百度学术
30. 张俊林,石冬阳,贾兵,聂玲. 暗通道先验理论的绝缘子图像去雾算法. 重庆理工大学学报(自然科学). 2022(07): 208-215 . 百度学术
31. 程松,戴金涛,杨洪刚,陈云霞. 基于改进型YOLOv4的焊缝图像检测与识别. 激光与光电子学进展. 2022(16): 105-111 . 百度学术
32. 叶兆平,黄亚艺,刘旭,纪锡亮,戴沈祥. 基于Yolact++的氧化锌避雷器红外图谱智能识别诊断. 海峡科学. 2022(08): 59-64 . 百度学术
33. 丛犁,黄成斌,刘彬,张超,李锐. 基于改进YOLOv4的车辆检测算法研究. 电力信息与通信技术. 2022(08): 130-136 . 百度学术
34. 汪庆海,杨芳艳. 异构低能耗的跟随机器人系统设计. 电子科技. 2022(10): 8-14 . 百度学术
35. 及浩然,侯春萍,杨阳,张贵峰,及泓鸥,赵艺. 基于生成对抗网络的自爆绝缘子检测模型设计. 现代电力. 2022(05): 587-596 . 百度学术
36. 齐冬莲,韩译锋,周自强,闫云凤. 基于视频图像的输变电设备外部缺陷检测技术及其应用现状. 电子与信息学报. 2022(11): 3709-3720 . 百度学术
37. 曾绍攀,廖振陆,吴晓杰,陈道模,周懋熹. 不同光照下的绝缘子串劣化灰度图像识别方法. 激光与红外. 2022(11): 1635-1640 . 百度学术
38. 宋立博,费燕琼. 新型YOLOv4-tiny网络及在绝缘子检测中的应用. 哈尔滨理工大学学报. 2022(06): 73-79 . 百度学术
39. 曾兴晖,许祥丛,李晓,王茗祎,钟俊平,熊红莲. 基于RAU-net的视网膜OCT图像快速自动分层研究. 华南师范大学学报(自然科学版). 2021(02): 1-6 . 百度学术
40. 焦润童,倪虹霞,王智昱. 基于Faster RCNN算法的输电线路防震锤识别研究. 长春工程学院学报(自然科学版). 2021(01): 38-43 . 百度学术
41. 赵晨,李开成,林寿英,曾子莹,林炜鑫. 基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别. 华南师范大学学报(自然科学版). 2021(04): 8-16 . 百度学术
42. 李俊,任景,王晔琳,张小东,薛晨,任冲,范国伟. 基于改进U-net和CNN的绝缘子自爆检测方法研究. 智慧电力. 2021(08): 98-103 . 百度学术
43. 李昊,周帅. 基于深度学习的变电设备缺陷检测. 云南电力技术. 2021(06): 17-20 . 百度学术
其他类型引用(56)