CN108564565A - 一种基于深度学习的电力设备红外图像多目标定位方法 - Google Patents
一种基于深度学习的电力设备红外图像多目标定位方法 Download PDFInfo
- Publication number
- CN108564565A CN108564565A CN201810199434.7A CN201810199434A CN108564565A CN 108564565 A CN108564565 A CN 108564565A CN 201810199434 A CN201810199434 A CN 201810199434A CN 108564565 A CN108564565 A CN 108564565A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- power equipment
- deep learning
- training
- method based
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20081—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]
-
- 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
Abstract
本发明公开了一种基于深度学习的电力设备红外图像多目标定位方法,包括步骤:1)通过变电站设备检测装置获取标准化的电力设备红外图像;2)建立电力设备红外图像样本库,提取训练集、验证集和测试集;3)建立FASTER‑RCNN深度目标检测神经网络,使用样本库的训练集对所建立的FASTER‑RCNN深度目标检测神经网络进行训练,并通过验证集对模型的过拟合程度进行验证;4)利用训练建立的网络模型,对测试集中的红外图像进行多目标识别与定位,并产生识别结果。本发明利用深度学习算法对输入红外图像进行深度特征挖掘,不依赖于手工提取特征参数,能够有效的并准确的识别并定位各类电力主干设备的区域和位置,从而在一定程度上,缩减人工劳动量。
Description
技术领域
本发明涉及电力设备红外图像识别与定位的技术领域,尤其是指一种基于深度学习的电力设备红外图像多目标定位方法。
背景技术
电力设备红外图像是由红外技术通过探测电力设备发出的红外辐射能量,并转化为相应的电信号,经过电信号处理后获得电力设备表面热图像。红外检测技术具有远距离、不接触、不取样、不解体、准确、快速、直观等特点,广泛用于电力设备过热缺陷检测和诊断中,对提高电力系统的稳定性具有重要意义。因此,高效而准确地识别电力设备红外图像中的电力主干设备的区域和位置便成为了红外技术在电力系统中应用的关键一环。
在红外图像故障诊断中,需要能够在红外图像中获得多个目标区域(比如三相设备或同类设备所在的位置),在每个区域提取最高温度信息,通过温度比较电力设备的状态。图像分割和图像匹配是目标定位中的两种常见方法,其中大津法和分水岭法作为图像分割法的代表,通过对电力设备红外图像进行阈值分割达到目标识别效果。图像匹配是计算机视觉、图像处理和模式识别领域的研究热点,方法大体分为两类:基于区域的匹配方法和基于特征的匹配方法。但是,红外图像是一种伪色彩图像,它反映了物体表面温度的高低及分布,具有强度集中和对比度低等特性。并且受红外成像仪技术的限制,红外图像的质量通常不高。因此图像分割方法往往不能把目标和背景分割出来,对于多目标分割更是困难。此外,红外图像数据量大且形式多变,图像匹配法容易受限于单一的匹配模板从而导致通用性不强。为了实现电力设备红外图像多目标识别与定位,本发明创新的将深度学习应用到图像处理中,显著提升了识别效率和准确性。
深学习作为机器学习一个分支,它旨在构建更深层的结构来加强模型在海量数据中捕捉隐含特征的能力。与传统的浅层神经网络比较而言,深度学习有一系列能够进行非线性变换的隐含层,从而能够挑战更加复杂的环境与问题。就红外图像目标识别与定位问题而言,深度学习中的卷积神经网络能够获取图像更深层的特征表述。因此,将深度学习理论应用到电力系统领域,是能源电力转型发展的重要支撑,也是电网技术发展的重要趋势。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于深度学习的电力设备红外图像多目标定位方法,基于深度学习中的FASTER-RCNN深度目标检测神经网络来构建端到端训练的深层神经网络模型,能够更加准确且高效地识别电力设备红外图像中的电力主干设备的区域和位置。
为实现上述目的,本发明所提供的技术方案为:一种基于深度学习的电力设备红外图像多目标定位方法,包括以下步骤:
步骤1:通过变电站设备检测装置获取标准化的电力设备红外图像;
步骤2:建立电力设备红外图像样本库,提取训练集、验证集和测试集;
步骤3:建立FASTER-RCNN深度目标检测神经网络,使用样本库的训练集对所建立的FASTER-RCNN深度目标检测神经网络进行训练,并通过验证集对模型的过拟合程度进行验证,不断调试后得到网络模型的连接权值和偏置参数;
步骤4:利用训练建立的网络模型,对测试集中的红外图像进行多目标识别,对红外图谱中主干电力设备的区域和位置进行提取,并产生电力设备红外图像的识别结果。
在步骤1中,通过变电站技术人员手持热像仪现场采集图片或变电站巡检机器人携带红外热像仪在巡检轨道上拍摄红外图像,其中所采集的红外图像中包含的电力设备有:电力变压器、断路器、避雷器、电压传感器、电流传感器。
在步骤2中,将采集到的电力设备红外图像按照预设比例分为训练集、验证集和测试集,并对训练集和验证集中的红外图像添加标签,制作成PASCAL VOC格式的数据集,其中,测试集的样本图像要求不能与训练集与验证集中的图像重叠,且不需要添加标签。
在步骤3中,所建立的FASTER-RCNN深度目标检测神经网络包括:用于提取图像特征并生成特征图谱的卷积神经网络(Convolutional Neural Network,CNN),用于对特征图谱中的每一个像素点生成候选区域的区域候选网络(Region Proposal Network,RPN),以及将图像特征与所选的候选区域相结合的兴趣区域池化层(Region Of Interests,ROI);最后通过边框回归法(Bounding-Box,Bbox)选择出最优的区域,进而完成目标识别与分类。
在步骤4中,将测试集中的红外图像输入步骤3所搭建的FASTER-RCNN深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
组成FASTER-RCNN的卷积神经网络结构由Imagenet训练集进行预训练,其相应的卷积层激活函数为线性修正单元函数(Rectified Linear Unit,ReLU)。
所述FASTER-RCNN深度目标检测神经网络采用的梯度优化算法为适应性矩估计算法(Adaptive Moment Estimation,Adam),在迭代过程中,观察损失函数值的变化判断收敛情况,调整学习率,并且在该网络中采用dropout方法来减少训练过程中的过拟合现象。
本发明与现有技术相比,具有如下优点与有益效果:
本发明通过使用卷积神经网络对输入红外图像进行深度特征挖掘,不依赖于手工特征提取参数,并通过引入dropout技术来减少训练过程中的过拟合现象,从而能够有效并准确的识别并定位各类电力主干设备的区域和位置,进而在一定程度上减少了对人工识别的依赖,缩减人工劳动量。
附图说明
图1为本发明方法的总体流程图。
图2为一个二维卷积神经网络的基本结构示意图。
图3为FASTER-RCNN深度目标检测神经网络的结构图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明针对当前电力设备红外图像定位与识别准确度不高、多目标识别困难、人工依赖程度高等问题,提出了一种基于深度学习的电力设备红外图像多目标定位方法。在实施例中,将电力设备红外图像作为输入,通过深度学习方法对电力主干设备的区域和位置进行定位与识别,下面将实施的方案进行详细描述。
如图1所示,所述基于深度学习的电力设备红外图像多目标定位方法,包括以下步骤:
步骤1:通过变电站设备检测装置获取标准化的电力设备红外图像;其中,通过变电站技术人员手持热像仪现场采集图片或变电站巡检机器人携带红外热像仪在巡检轨道上拍摄红外图像,具体的,所采集的红外图像中包含的电力设备有:电力变压器、断路器、避雷器、电压传感器、电流传感器。
步骤2:建立电力设备红外图像样本库,提取训练集验、证集和测试集;其中,将采集到的电力设备红外图像按照一定比例分为训练集、验证集和测试集,并对训练集和验证集中的红外图像添加标签,制作成PASCAL VOC格式的数据集,测试集的样本图像要求不能与训练集与验证集中的图像重叠,且不需要添加标签。
步骤3:建立FASTER-RCNN深度目标检测神经网络;使用样本库的训练集对所建立的FASTER-RCNN深度目标检测神经网络进行训练,并通过验证集对模型的过拟合程度进行验证,不断调试后得到网络模型的连接权值和偏置参数。如图2所示,为FASTER-RCNN深度目标检测神经网络的基本结构图,其建立步骤如下:
步骤3.1:通过深度卷积神经网络(CNN)提取图像特征并生成特征图谱。参见图3所示,为一个二维卷积神经网络的基本结构示意图:每一层卷积层中都包含一定数量的特征探测器,当输入传入卷积层后,每一个特征探测器都会沿着图像滑动平移进行卷积运算,产生与之对应的特征图谱。而随着卷积层的堆叠,输入中隐含的更深层的特征将会被提取并学习。以3x3的特征捕捉器为例,输入矩阵经过特征捕捉器的平移卷积之后得到特征图谱。即对于输入矩阵元素aij,特征图谱M为:
式中,σ表示为卷积层的激活函数,ωkl是一个3x3的系数矩阵,aij为卷积层的输入i表示行j表示列,b为偏置项。每一个系数矩阵只能学习一种单一的特征,故一层中需要多个特征捕捉器,而数据中的深层次的特征则需要堆叠更多的卷积层来捕捉。
步骤3.2:利用区域候选网络(RPN)对特征图谱中的每一个像素点生成候选区域(目标检测框)。具体的,RPN通过采用一个小的窗口网络对步骤3.1中产生的特征图谱进行滑动计算,特征图谱中的每一个像素点生成k个可选的目标检测框,并对每一个可选的目标检测框通过SoftMax分类器进行前景还是背景的判断并且为Bbox回归的偏移量打分;
步骤3.3:通过ROI池化层将图像特征与所选的候选区域(目标检测框)相结合,通过Bbox回归法对候选窗口进行缩放和微调,剔除太小和超出边界的目标检测框,最终选择出最优的区域,进而完成目标识别与分类。
步骤4:利用训练建立的网络模型,对测试集中的红外图像进行多目标识别,对红外图谱中电力主干设备的区域和位置进行提取,并产生电力设备红外图像的识别结果;具体是,将测试集中的红外图像输入步骤3所搭建的FASTER-RCNN深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
本发明所述基于深度学习的电力设备红外图像多目标定位方法,其组成FASTER-RCNN的卷积神经网络采用Imagenet训练集进行预训练,其相应的卷积层激活函数为ReLU,其公式如下:
f(x)=max(0,x)
式中:当输入信号小于0时,输出为0;当输入信号大于0时,输出等于输入。
本发明所述基于深度学习的电力设备红外图像多目标定位方法,其模型采用的梯度优化算法为适应性矩估计算法(Adam),在迭代过程中,观察损失函数值的变化判断收敛情况,调整学习率。
模型中采用dropout方法来减少训练过程中的过拟合现象。具体的,在训练过程中,dropout技术通过按照一定概率将网络中的隐含神经元随机丢弃,即将该神经元的输入与输出置零,一方面能够有效地减少模型中内部参数的数量,另一方面也相当于变相增加了模型输入数据的多样性,从而一定程度上减轻了过拟合现象。
相比现有技术,本发明所述基于深度学习的电力设备红外图像多目标定位方法,通过使用卷积神经网络对输入红外图像进行深度特征挖掘,不依赖与手工特征提取参数,并通过引入dropout技术来减少训练过程中的过拟合现象,从而能够有效地识别并定位各类电力主干设备的区域和位置,提高定位的准确性。并且在一定程度上减少了对人工识别的依赖,缩减人工劳动量,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于,包括以下步骤:
步骤1:通过变电站设备检测装置获取标准化的电力设备红外图像;
步骤2:建立电力设备红外图像样本库,提取训练集、验证集和测试集;
步骤3:建立FASTER-RCNN深度目标检测神经网络,使用样本库的训练集对所建立的FASTER-RCNN深度目标检测神经网络进行训练,并通过验证集对模型的过拟合程度进行验证,不断调试后得到网络模型的连接权值和偏置参数;
步骤4:利用训练建立的网络模型,对测试集中的红外图像进行多目标识别,对红外图谱中主干电力设备的区域和位置进行提取,并产生电力设备红外图像的识别结果。
2.根据权利要求1所述的一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于:在步骤1中,通过变电站技术人员手持热像仪现场采集图片或变电站巡检机器人携带红外热像仪在巡检轨道上拍摄红外图像,其中所采集的红外图像中包含的电力设备有:电力变压器、断路器、避雷器、电压传感器、电流传感器。
3.根据权利要求1所述的一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于:在步骤2中,将采集到的电力设备红外图像按照预设比例分为训练集、验证集和测试集,并对训练集和验证集中的红外图像添加标签,制作成PASCAL VOC格式的数据集,其中,测试集的样本图像要求不能与训练集与验证集中的图像重叠,且不需要添加标签。
4.根据权利要求1所述的一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于:在步骤3中,所建立的FASTER-RCNN深度目标检测神经网络包括:用于提取图像特征并生成特征图谱的卷积神经网络,用于对特征图谱中的每一个像素点生成候选区域的区域候选网络,以及将图像特征与所选的候选区域相结合的兴趣区域池化层;最后通过边框回归法选择出最优的区域,进而完成目标识别与分类。
5.根据权利要求1所述的一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于:在步骤4中,将测试集中的红外图像输入步骤3所搭建的FASTER-RCNN深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
6.根据权利要求4所述的一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于:组成FASTER-RCNN的卷积神经网络结构由Imagenet训练集进行预训练,其相应的卷积层激活函数为线性修正单元函数。
7.根据权利要求4所述的一种基于深度学习的电力设备红外图像多目标定位方法,其特征在于:所述FASTER-RCNN深度目标检测神经网络采用的梯度优化算法为适应性矩估计算法,在迭代过程中,观察损失函数值的变化判断收敛情况,调整学习率,并且在该网络中采用dropout方法来减少训练过程中的过拟合现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199434.7A CN108564565A (zh) | 2018-03-12 | 2018-03-12 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199434.7A CN108564565A (zh) | 2018-03-12 | 2018-03-12 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564565A true CN108564565A (zh) | 2018-09-21 |
Family
ID=63532700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810199434.7A Pending CN108564565A (zh) | 2018-03-12 | 2018-03-12 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564565A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166336A (zh) * | 2018-10-19 | 2019-01-08 | 福建工程学院 | 一种基于区块链技术的实时路况信息采集推送方法 |
CN109448061A (zh) * | 2018-10-09 | 2019-03-08 | 西北工业大学 | 一种无需摄像机标定的水下双目视觉定位方法 |
CN109522946A (zh) * | 2018-10-31 | 2019-03-26 | 咪咕文化科技有限公司 | 一种图像分类模型处理方法、装置及存储介质 |
CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN109948613A (zh) * | 2019-03-22 | 2019-06-28 | 国网重庆市电力公司电力科学研究院 | 一种避雷器的红外图像识别方法及装置 |
CN110261703A (zh) * | 2019-07-08 | 2019-09-20 | 厦门理工学院 | 一种变压器故障预警方法、终端设备及存储介质 |
CN110276394A (zh) * | 2019-06-21 | 2019-09-24 | 扬州大学 | 一种小样本下基于深度学习的电力设备分类方法 |
CN110411580A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断系统 |
CN110850723A (zh) * | 2019-12-02 | 2020-02-28 | 西安科技大学 | 一种基于变电站巡检机器人系统的故障诊断及定位方法 |
CN111209958A (zh) * | 2020-01-03 | 2020-05-29 | 南方电网科学研究院有限责任公司 | 基于深度学习的变电站设备检测方法及装置 |
CN111260876A (zh) * | 2018-11-30 | 2020-06-09 | 北京欣奕华科技有限公司 | 一种图像处理方法及装置 |
CN111353487A (zh) * | 2019-08-20 | 2020-06-30 | 国网浙江省电力有限公司台州供电公司 | 用于变电站的设备信息提取方法 |
CN111488918A (zh) * | 2020-03-20 | 2020-08-04 | 天津大学 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
CN111639579A (zh) * | 2020-05-25 | 2020-09-08 | 南京航空航天大学 | 一种基于红外图像的电力变压器套管智能油位识别方法 |
CN111751762A (zh) * | 2020-05-29 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种电力变压器状态识别和安全防控系统 |
CN111764963A (zh) * | 2020-07-06 | 2020-10-13 | 中国矿业大学(北京) | 基于Faster-RCNN的冲击地压预测方法 |
CN112036410A (zh) * | 2020-08-13 | 2020-12-04 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112380952A (zh) * | 2020-11-10 | 2021-02-19 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
CN112508073A (zh) * | 2020-12-01 | 2021-03-16 | 杭州天铂云科光电科技有限公司 | 一种深度学习结合传统算法的电力设备红外热图识别方法 |
CN112598049A (zh) * | 2020-12-18 | 2021-04-02 | 上海大学 | 一种基于深度学习的掩埋物体红外图像的目标检测方法 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN114120160A (zh) * | 2022-01-25 | 2022-03-01 | 成都合能创越软件有限公司 | 基于Faster-RCNN物体空间区分方法、装置、计算机设备及存储介质 |
CN114199381A (zh) * | 2021-12-13 | 2022-03-18 | 国网陕西省电力公司延安供电公司 | 一种改进红外检测模型的电气设备故障检测方法 |
EP3706268B1 (en) * | 2019-03-07 | 2022-06-29 | ABB Schweiz AG | Artificial intelligence monitoring system using infrared images to identify hotspots in a switchgear |
CN115063418A (zh) * | 2022-08-10 | 2022-09-16 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247039A (zh) * | 2013-05-09 | 2013-08-14 | 河海大学常州校区 | 一种基于复合视觉的高压线缆带电检测方法 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
-
2018
- 2018-03-12 CN CN201810199434.7A patent/CN108564565A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247039A (zh) * | 2013-05-09 | 2013-08-14 | 河海大学常州校区 | 一种基于复合视觉的高压线缆带电检测方法 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448061A (zh) * | 2018-10-09 | 2019-03-08 | 西北工业大学 | 一种无需摄像机标定的水下双目视觉定位方法 |
CN109166336A (zh) * | 2018-10-19 | 2019-01-08 | 福建工程学院 | 一种基于区块链技术的实时路况信息采集推送方法 |
CN109166336B (zh) * | 2018-10-19 | 2020-08-07 | 福建工程学院 | 一种基于区块链技术的实时路况信息采集推送方法 |
CN109522946A (zh) * | 2018-10-31 | 2019-03-26 | 咪咕文化科技有限公司 | 一种图像分类模型处理方法、装置及存储介质 |
CN109583344A (zh) * | 2018-11-21 | 2019-04-05 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN109583344B (zh) * | 2018-11-21 | 2019-11-19 | 红相股份有限公司 | 一种基于深度学习的电力设备红外图像处理方法 |
CN111260876A (zh) * | 2018-11-30 | 2020-06-09 | 北京欣奕华科技有限公司 | 一种图像处理方法及装置 |
EP3706268B1 (en) * | 2019-03-07 | 2022-06-29 | ABB Schweiz AG | Artificial intelligence monitoring system using infrared images to identify hotspots in a switchgear |
CN109948613A (zh) * | 2019-03-22 | 2019-06-28 | 国网重庆市电力公司电力科学研究院 | 一种避雷器的红外图像识别方法及装置 |
CN110276394A (zh) * | 2019-06-21 | 2019-09-24 | 扬州大学 | 一种小样本下基于深度学习的电力设备分类方法 |
CN110261703A (zh) * | 2019-07-08 | 2019-09-20 | 厦门理工学院 | 一种变压器故障预警方法、终端设备及存储介质 |
CN110411580A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断系统 |
CN111353487A (zh) * | 2019-08-20 | 2020-06-30 | 国网浙江省电力有限公司台州供电公司 | 用于变电站的设备信息提取方法 |
CN110850723A (zh) * | 2019-12-02 | 2020-02-28 | 西安科技大学 | 一种基于变电站巡检机器人系统的故障诊断及定位方法 |
CN111209958A (zh) * | 2020-01-03 | 2020-05-29 | 南方电网科学研究院有限责任公司 | 基于深度学习的变电站设备检测方法及装置 |
CN111209958B (zh) * | 2020-01-03 | 2023-11-14 | 南方电网科学研究院有限责任公司 | 基于深度学习的变电站设备检测方法及装置 |
CN111488918A (zh) * | 2020-03-20 | 2020-08-04 | 天津大学 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
CN111639579A (zh) * | 2020-05-25 | 2020-09-08 | 南京航空航天大学 | 一种基于红外图像的电力变压器套管智能油位识别方法 |
CN111639579B (zh) * | 2020-05-25 | 2023-08-15 | 南京航空航天大学 | 一种基于红外图像的电力变压器套管智能油位识别方法 |
CN111751762A (zh) * | 2020-05-29 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种电力变压器状态识别和安全防控系统 |
CN111764963A (zh) * | 2020-07-06 | 2020-10-13 | 中国矿业大学(北京) | 基于Faster-RCNN的冲击地压预测方法 |
CN112036410A (zh) * | 2020-08-13 | 2020-12-04 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
CN112036410B (zh) * | 2020-08-13 | 2022-06-07 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112200214B (zh) * | 2020-08-24 | 2022-09-13 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112380952A (zh) * | 2020-11-10 | 2021-02-19 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
CN112380952B (zh) * | 2020-11-10 | 2022-10-11 | 广西大学 | 基于人工智能的电力设备红外图像实时检测及识别方法 |
CN112508073A (zh) * | 2020-12-01 | 2021-03-16 | 杭州天铂云科光电科技有限公司 | 一种深度学习结合传统算法的电力设备红外热图识别方法 |
CN112697798B (zh) * | 2020-12-07 | 2023-03-31 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN112598049A (zh) * | 2020-12-18 | 2021-04-02 | 上海大学 | 一种基于深度学习的掩埋物体红外图像的目标检测方法 |
CN114199381A (zh) * | 2021-12-13 | 2022-03-18 | 国网陕西省电力公司延安供电公司 | 一种改进红外检测模型的电气设备故障检测方法 |
CN114120160B (zh) * | 2022-01-25 | 2022-04-29 | 成都合能创越软件有限公司 | 基于Faster-RCNN物体空间区分方法、装置、计算机设备及存储介质 |
CN114120160A (zh) * | 2022-01-25 | 2022-03-01 | 成都合能创越软件有限公司 | 基于Faster-RCNN物体空间区分方法、装置、计算机设备及存储介质 |
CN115063418A (zh) * | 2022-08-10 | 2022-09-16 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
CN115063418B (zh) * | 2022-08-10 | 2022-11-01 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
CN103927534B (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN105069779B (zh) | 一种建筑陶瓷表面花纹图案质量检测方法 | |
CN107491781A (zh) | 一种巡检机器人可见光与红外传感器数据融合方法 | |
CN109118479A (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN111814661A (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
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 | |
CN111353487A (zh) | 用于变电站的设备信息提取方法 | |
CN108875819B (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
CN113378792B (zh) | 融合全局和局部信息的弱监督宫颈细胞图像分析方法 | |
CN107067410A (zh) | 一种基于增广样本的流形正则化相关滤波目标跟踪方法 | |
CN106326932A (zh) | 一种基于神经网络的电力巡线图像自动识别方法、装置 | |
CN109544546A (zh) | 一种基于多目标优化的红外热图像缺陷特征提取方法 | |
Xu et al. | D4Net: De-deformation defect detection network for non-rigid products with large patterns | |
CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN109598711A (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN113076816A (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
CN111402249A (zh) | 基于深度学习的图像演化分析方法 | |
CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |
|
RJ01 | Rejection of invention patent application after publication |