CN106780471B - 基于马尔科夫随机场的变电站设备红外图像变化检测方法 - Google Patents
基于马尔科夫随机场的变电站设备红外图像变化检测方法 Download PDFInfo
- Publication number
- CN106780471B CN106780471B CN201611208477.4A CN201611208477A CN106780471B CN 106780471 B CN106780471 B CN 106780471B CN 201611208477 A CN201611208477 A CN 201611208477A CN 106780471 B CN106780471 B CN 106780471B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- gray level
- gray
- label
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000005381 potential energy Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 11
- 238000007689 inspection Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于马尔科夫随机场的变电站设备红外图像变化检测方法,包括:1获取同一设备在不同时期采集的原始红外图像;2将原始红外图像转换为灰度图像;3获取灰度差分图像;4利用k‐means聚类对灰度差分图像初始化每个像素点的标签;5计算灰度差分图像每个像素点属于标签W的先验概率P(W);6计算灰度差分图像每个像素点的类条件概率密度P(S|W);7将P(W)和P(S|W)相乘,取获最大值时的标签W作为该像素点在本次迭代后的标签;8返回5继续下一次迭代,直至满足迭代停止条件;解决了现在通过人工判断变电站设备运行状态变化的过程中,存在判断误差大,人工成本高等问题。
Description
技术领域
本发明属于变电站设备运行状态变化检测技术,尤其涉及一种基于马尔科夫随机场的变电站设备红外图像变化检测方法。
背景技术
随着人工智能技术的发展,各个企业以及工厂的生产效率越来越高。传统制造业往自动化流水线的发现发展,而高新技术和服务行业则向智能化的方向发展。而变电站的日常巡检任务对于巡检人员来说工作量是比较大的,且随着人工成本的不断提高,人工巡检越来越不具有生产效率和经济效益。且在实际巡检过程中,巡检人员对于设备状态的判断具有强烈的经验性和主观性,对于不同的巡检人员,巡检结果存在较大偏差。因此,综合上述问题,变电站智能巡检机器人近年来发展迅猛。
变电站智能巡检机器人的智能性主要体现在对变电站环境和目标设备的感知以及能够对场景或者设备状态变化及时地做出判断。而感知和判断离不开传感器获取物理世界信息,对于已知的大多数变电站巡检机器人,可见光摄像头和红外摄像头是必不可少的。可将光摄像头主要用于读取仪表数字和液位等任务,而红外摄像头主要是红外热像仪,接收环境以及目标设备所辐射的红外线,经过转换,转为红外图像输出。因此,可以拿同一目标设备在不同时期采集的红外图像来做分析和比较,进而获取该设备在这两个时期所发生的变化信息,如果变化的幅度超过阈值,则及时报警维修。同样可以分析多个时期的红外图像,记录目标设备状态的变化趋势。因此,通过对变电站目标设备红外图像的变化检测,我们可以对变电站设备的状态进行趋势预测和故障预警。
目前的图像或者场景变化检测技术主要是针对遥感影像展开的,可以用于监测国土资源或者森林覆盖,农田面积的变迁等,并没有适合于变电站设备状态变化图像的智能检测处理手段,主要还是通过人工视觉和经验判断,存在判断误差大,人工成本高等问题。
发明内容:
本发明要解决的技术问题是:提供一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,以解决通过人工判断设备运行状态变化的过程中,存在判断误差大,人工成本高等问题。
本发明技术方案:
一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,它包括:
步骤1、获取同一变电站设备在两个不同时期采集的原始红外图像;
步骤2、将两幅原始红外图像转换为相应的灰度图像;
步骤3、获取两幅灰度图像的灰度差分图像;
步骤4、利用k‐means聚类对灰度差分图像初始化每个像素点的标签;
步骤5、计算灰度差分图像每个像素点属于标签W的先验概率P(W);
步骤6、计算灰度差分图像每个像素点的类条件概率密度P(S|W);
步骤7、将P(W)和P(S|W)相乘,取获最大值时的标签W作为该像素点在本次迭代后的标签;
步骤8、返回步骤5继续下一次迭代,直至满足迭代停止条件,获得最终的变化检测结果。
步骤2所述将原始红外图像转换为灰度图像的公式为:
I=0.587·R+0.299·G+0.114·B
式中:I为获取的灰度图像,R为原始红外图像的红色分量通道组成的单通道图像,G为原始红外图像的绿色分量通道组成的单通道图像,B为原始红外图像的蓝色分量通道所组成的单通道图像。
步骤3所述获取两幅灰度图像的灰度差分图像的方法为:将两幅灰度图像逐像素点相减,便可获得灰度差分图像。
步骤4所述利用k‐means聚类初始化像素点标签的方法为:
步骤4.1、随机选取2个聚类中心u1,u2;
步骤4.2、对于每个像素点x(i),计算其属于的类:
步骤4.3、对于每一个类别j∈[1,2],重新计算该类别的聚类中心
步骤4.4、重复步骤4.2和4.3,直到超过迭代次数或者聚类中心位移小于设定阈值。
步骤5所述计算差分图像每个像素点属于标签W的先验概率P(W),公式为:
Vc(Wc)为势团势能,
步骤6所述计算差分图像每个像素点的类条件概率密度P(S|W)方法为:
步骤6.1、将差分图像中的像素点灰度强度视为随机变量S,其所属标签为变量W,P(S|W)即是在像素点所属类别为W的情况下,它的像素值取值为S的概率;
步骤6.2、每一类建立一个高斯密度函数P(x|wi);根据高斯密度函数计算得到每个像素点的类条件概率密度;
所述高斯密度函数表达式
式中:μi为属于wi类别的像素点灰度均值,σi为属于wi类别的像素点灰度方差。
步骤7所述的将P(W)和P(S|W)相乘的计算公式为:
步骤8所述满足迭代停止条件为:迭代次数超过阈值或者检测结果和参考变化图像的均方误差小于设定阈值或者变化检测结果在相邻两次迭代中的变化小于一定阈值。
本发明的有益效果:
本发明在变电站设备陷入故障之前对设备状态变化趋势做出预测,实现故障预警。并且将人工判断不稳定的缺点大大降低,释放劳动力,大大提升变化区域识别的稳定性和准确度。
本发明的特点:
本发明提供了智能巡检机器人的视觉处理算法。
本发明消除了变电站人工巡检存在主观判断和经验不同造成的设备状态判断偏差,极大提升设备故障识别和预警的准确性和稳定性。
本发明将人力资源从变电站巡检中释放出来,提升生产效率。
本发明使用贝叶斯理论和马尔可夫随机场,对变电站巡检的智能化做出了贡献。
附图说明
图1是本发明所述方法整体流程示意图。
具体实施方式:
本发明技术方案为:一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,它包括:
步骤1、获取同一变电站设备在两个不同时期采集的原始红外图像;
步骤2、将两幅原始红外图像转换为相应的灰度图像;
步骤3、获取两幅灰度图像的灰度差分图像;
步骤4、利用k‐means聚类对灰度差分图像初始化每个像素点的标签;
步骤5、计算灰度差分图像每个像素点属于标签(或类别)W的先验概率P(W);
步骤6、计算灰度差分图像每个像素点的类条件概率密度(或似然函数)P(S|W);
步骤7、将P(W)和P(S|W)相乘,取获最大值时的标签W作为该像素点在本次迭代后的标签;
步骤8、返回步骤5继续下一次迭代,直至满足迭代停止条件,获得最终的变化检测结果。
下面结合附图,对本发明技术方案进行进一步的详细说明:
如图1所示,首先获取同一目标设备在两个不同的时间上被采集的经过校准的原始红外图像。接着分别将两幅图像化为灰度图像。其灰度化公式为:
I=0.587·R+0.299·G+0.114·B
其中,I表示获取的灰度图像,R表示原始红外图像的红色分量通道组成的单通道图像,G表示原始红外图像的绿色分量通道组成的单通道图像,B表示原始红外图像的蓝色分量通道所组成的单通道图像。在心理学公式中,红色分量R的加权系数为0.299,而绿色分量B的加权系数为0.587,这样做的原因是:在大部分红外图像中,肉眼所观察到的接近红色的区域为高温区域,绿色区域温度稍低,蓝色区域最低,如果按照心理学公式进行转换,由于绿色分量系数太大,很可能红外图像上的绿色区域在灰度图像上为最高亮的区域,即对应温度最高,为了避免这样造成的技术问题,本发明特意修改了灰度转换公式,使灰度强度和温度高低对应起来,解决了上述问题为后续处理带来极大方便。
下一步,将之前获得的两幅灰度图像逐像素点相减,获得灰度差分图像。
获得灰度差分图像之后,使用无监督聚类方法K‐means给灰度差分图像上的每一个像素点初始化类别标签W,有两个类别:变化和不变化,分别用0,1代替。使用k‐means聚类初始化像素点标签的过程为:
(1)随机选取2个聚类中心u1,u2;
(2)重复下面过程直到收敛:
对于每个像素点x(i),计算其应该属于的类:
对于每一个类别j∈[1,2],重新计算该类别的聚类中心
(3)收敛条件:超过迭代次数或者聚类中心位移小于设定阈值。
计算差分图像每个像素点属于标签(类别)W的先验概率P(W),其原理和过程为:马尔科夫性质告诉我们一个像素点的分类情况只与附近一些领域分类情况有关,而与另一些邻域没有关系,也就是说我们可以根据这个像素点的附近领域的分类情况决定这个像素点属于哪一类的,既然我们认为每个像素点的分类符合马尔科夫随机模型,而另一些学者证明了这种马尔科夫随机场可以与一个Gibbs随机场等价(这就是Hammcrslcy‐Clifford定理),而Gibbs随机场也有一个概率密度函数,这样我们就用求图像的Gibbs随机场的概率P代替了P(W);
初始化类别标签之后,接下来开始进行迭代,更新灰度差分图像上的每个像素点的标签。首先计算每个像素点标签W的先验概率P(W),用求图像的Gibbs随机场的概率P代替了P(W),其求解公式为:
之后,需要计算每个像素点属于标签W的条件下的类条件概率密度(似然函数)P(S|W),其原理和过程为:将图像中的像素点灰度强度视为随机变量S,其所属标签为变量W,P(S|W)即是已知分类标签那么它的像素值(灰度)是S的概率,现在就假设W=1,某个像素点灰度为S,那么表示的意思就是在第一类里面像素灰度为S的概率。因为分类标签在前面说到,每次迭代的时候是有一个分类标签的(尽管不是最后的标签),那么我们可以把属于第一类的所有点都挑出来,考虑每个点都是独立的,并且认为每一类里面的所有点服从高斯分布(正态分布),那么在每一类里面我们是不是可以根据这一类里面的这些点建立一个属于这一类的高斯密度函数了,那么再来一个像素点值,把它带到这类的类条件密度函数中去就可以得到这个概率了吧。同理对于2,3,4类,每一类都可以建立一个高斯密度函数,这样就有四个高斯密度函数了,那么每一个点属于这四类的类条件概率就可以分别带到这四个高斯密度函数中计算了。
本发明其计算原理假设像素点S在所属类别的灰度强度特征空间中服从高斯分布,计算公式如下:
式中:μi表示属于wi类别的像素点灰度均值,σi表示属于wi类别的像素点灰度方差。
接下来,计算P(W)*P(S|W),把该乘积取最大值时的W作为像素点作为此次迭代过程产生的标签。遍历整个灰度差分图像,更新所有像素点标签。
所依据原理:贝叶斯理论:
其中,P(W|S)表示将像素点S预测为标签W的后验概率
对于同一个像素点来说,其P(S)是相同的,故一个像素点到底属于哪个标签便转换为P(S|W)P(W)两者乘积的大小,对于本发明来说,像素点S取P(S|W1)P(W1)和P(S|W2)P(W2)二者较大的W作为该像素点在一次迭代过程中的临时标签;
最后,判断是否满足停止迭代条件:迭代次数大于设定阈值或者检测结果与变化区域参考图像均方误差小于设定阈值。如果不满足停止迭代条件,继续回到步骤5)进行下次迭代,如果满足停止迭代条件,停止迭代,获取最终的变电站设备红外图像变化检测结果。
Claims (7)
1.一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,它包括:
步骤1、获取同一变电站设备在两个不同时期采集的原始红外图像;
步骤2、将两幅原始红外图像转换为相应的灰度图像;
步骤3、获取两幅灰度图像的灰度差分图像;
步骤4、利用k-means聚类对灰度差分图像初始化每个像素点的标签;
步骤5、计算灰度差分图像每个像素点属于像素点标签W的先验概率P(W);
步骤6、计算灰度差分图像每个像素点的类条件概率密度P(S|W);S为灰度差分图像中的像素点灰度强度;
步骤7、将P(W)和P(S|W)相乘,将乘积最大值时的像素点标签W作为该像素点在本次迭代后的标签;
步骤8、返回步骤5继续下一次迭代,直至满足迭代停止条件,获得最终的变化检测结果。
2.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,其特征在于:步骤2所述将原始红外图像转换为灰度图像的公式为:
I=0.587·R+0.299·G+0.114·B
式中:I为获取的灰度图像,R为原始红外图像的红色分量通道组成的单通道图像,G为原始红外图像的绿色分量通道组成的单通道图像,B为原始红外图像的蓝色分量通道所组成的单通道图像。
3.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,其特征在于:步骤3所述获取两幅灰度图像的灰度差分图像的方法为:将两幅灰度图像逐像素点相减,便可获得灰度差分图像。
7.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法,其特征在于:步骤8所述满足迭代停止条件为:迭代次数超过阈值或者检测结果和参考变化图像的均方误差小于设定阈值或者变化检测结果在相邻两次迭代中的变化小于一定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208477.4A CN106780471B (zh) | 2016-12-23 | 2016-12-23 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208477.4A CN106780471B (zh) | 2016-12-23 | 2016-12-23 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780471A CN106780471A (zh) | 2017-05-31 |
CN106780471B true CN106780471B (zh) | 2020-05-12 |
Family
ID=58920158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611208477.4A Active CN106780471B (zh) | 2016-12-23 | 2016-12-23 | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780471B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298178A (zh) * | 2021-06-11 | 2021-08-24 | 国家电网有限公司 | 基于热红外图像的变电站高压设备故障识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
CN102496154A (zh) * | 2011-10-24 | 2012-06-13 | 华中科技大学 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
CN103198480A (zh) * | 2013-04-02 | 2013-07-10 | 西安电子科技大学 | 基于区域和Kmeans聚类的遥感图像变化检测方法 |
CN103353989A (zh) * | 2013-06-18 | 2013-10-16 | 西安电子科技大学 | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 |
CN103426158A (zh) * | 2012-05-17 | 2013-12-04 | 中国科学院电子学研究所 | 两时相遥感图像变化检测的方法 |
CN103810704A (zh) * | 2014-01-23 | 2014-05-21 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
-
2016
- 2016-12-23 CN CN201611208477.4A patent/CN106780471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694719A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于非参数密度估计的遥感图像变化检测方法 |
CN102496154A (zh) * | 2011-10-24 | 2012-06-13 | 华中科技大学 | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 |
CN103426158A (zh) * | 2012-05-17 | 2013-12-04 | 中国科学院电子学研究所 | 两时相遥感图像变化检测的方法 |
CN103198480A (zh) * | 2013-04-02 | 2013-07-10 | 西安电子科技大学 | 基于区域和Kmeans聚类的遥感图像变化检测方法 |
CN103353989A (zh) * | 2013-06-18 | 2013-10-16 | 西安电子科技大学 | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 |
CN103810704A (zh) * | 2014-01-23 | 2014-05-21 | 西安电子科技大学 | 基于支持向量机和判别随机场的sar图像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
A Comparative Study of Image Change Detection Algorithms in MATLAB;Minu S;《Aquatic Procedia 4》;20151231;第1366-1373页 * |
A Toolbox for Unsupervised Change Detection Analysis;N Falco 等;《International Journal of Remote Sensing》;20160331;第1-16页 * |
变电站红外图像的识别与故障诊断;梁利利;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110515(第05期);全文 * |
基于红外图像的洛阳变电站电气设备诊断分析;周雪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106780471A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
Kurukuru et al. | Fault classification for photovoltaic modules using thermography and image processing | |
CN109870617B (zh) | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 | |
CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN105956618B (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别系统及方法 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN116189103B (zh) | 基于视觉图像分析的设备监控自动控制方法及控制系统 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN112847321B (zh) | 基于人工智能的工业机器人视觉图像识别系统 | |
CN111398291A (zh) | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
CN105262441A (zh) | 基于红外图像的光伏阵列故障等级划分方法 | |
CN110059713A (zh) | 一种基于降水粒子多特征参量的降水类型识别方法 | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
CN113947570A (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN116805204A (zh) | 一种智慧厂务监控方法及系统 | |
CN113361686A (zh) | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN106780471B (zh) | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 | |
CN111402249A (zh) | 基于深度学习的图像演化分析方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 |
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 |