CN108597053A - 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 - Google Patents
基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 Download PDFInfo
- Publication number
- CN108597053A CN108597053A CN201810380786.2A CN201810380786A CN108597053A CN 108597053 A CN108597053 A CN 108597053A CN 201810380786 A CN201810380786 A CN 201810380786A CN 108597053 A CN108597053 A CN 108597053A
- Authority
- CN
- China
- Prior art keywords
- training
- defect
- data
- shaft tower
- target
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T2207/20081—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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及电力巡检技术领域,尤其涉及一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法。包括以下步骤:1、从数据源抽取数据,建立训练样本库,对巡检数据标注后分类存储;2、搭建训练平台,利用BP神经网络技术对样本库数据进行训练,生成训练模型;3、在检测系统中导入训练模型和待检测图像数据,根据任务需求进行杆塔和通道目标识别和缺陷诊断,生成缺陷报告。本发明将人工智能引入电力巡检领域,实现从电力巡检数据训练样本库建立、模型训练、未知图像目标识别和缺陷诊断的全流程操作,实现从原始巡检数据输入到缺陷结果导出整个过程的自动化运行,节省劳动力,降低人工肉眼检测的难度和错误率,提高了电力巡检效率。
Description
技术领域
本发明涉及电力巡检技术领域,尤其涉及一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法。
背景技术
电力设备巡检是保证电力设备安全运行的一项重要工作,目前国内普遍采用人工巡视、手工记录的方式,这种方式存在人力成本高、工作效率低、巡检数据信息化程度低等缺陷,尤其是在线路巡检工作中,还存在有些线路地处偏僻地区,人员无法到达,或有些设备安装位置较高,人员攀爬不便等问题。随着无人机、有人机拍摄技术的发展,在电力巡检领域逐渐采用通过拍摄现场图像,将图像传回中心,观察图像,识别目标或故障的方式。在应用上述方法时,存在海量图片数据存储混乱,采用人工肉眼判读,容易造成检测误判或漏检,而且没有实现图像的自动处理和分析,信息自动化程度仍旧不高。
发明内容
为进一步解决上述问题,本发明将人工智能技术应用到电力巡检领域,基于神经网络训练模型识别未知图像,使得电力巡检更加高效、便捷、精确。
本发明采用的技术方案为:
一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,包括以下步骤:
步骤1、从数据源抽取数据,建立训练样本库,对巡检数据标注后分类存储;
步骤2、搭建训练平台,利用神经网络技术对样本库数据进行训练,生成训练模型;
步骤3、在检测系统中导入训练模型和待检测图像数据,根据任务需求进行杆塔和通道目标识别和缺陷诊断,生成缺陷报告。
本发明在建立训练样本库时只需要从海量数据中抽取部分数据进行人工手动标注,标注完成的图片按照层级关系存储起来,使得数据结构条理,为简化训练过程提供数据支持。本发明构建训练平台时比较灵活,基于Web端的训练平台可以让用户进行远程训练操作,按照训练类别的划分,既可以进行单类目标的训练,又能综合多种目标同时进行训练,得到训练模型,将其应用到其他未知图像的目标识别中。目标识别在后台运行的过程是按照一定的规则从大尺度目标到小尺度目标进行,从而实现对杆塔部件、金具、鸟巢、销钉的识别检测。针对通道巡检数据进行通道隐患检测,在进行检测的过程中可以根据用户电脑配置自行决定在中央处理器(CPU)或者图像处理器(GPU)进行。当对图片检测完成后,根据缺陷图像的类型进行汇总分析,生成巡检报告,并可以将其导出word文档。
步骤1的具体步骤为:
步骤1.1、从原始数据源抽取数据,建立训练样本库;
步骤1.2、确定类别和标注准则,对样本库数据进行人工标注;
步骤1.3、将标注后的样本数据按照目标类别和层级关系分类存储;
步骤1.4、完成标注样本库的建立,为训练提供数据源。
步骤1.1中原始数据源是通过无人机、有人机或人工拍照方式产生的图像数据。
步骤1.2中进行人工标注时首先根据数据来源将标注分为杆塔巡检本体目标和通道巡检目标两大类,再根据电力巡检数据特有的层次结构,对数据进行处理,又可以分为防鸟特巡、杆塔本体目标和杆塔本体缺陷目标;其中防鸟特巡分为:鸟巢、鸟刺、人造鸟巢、挡板;杆塔本体目标分为:大金具和小金具,大金具包括防震锤、间隔棒、均压环、绝缘子、连接部件,小金具包括销钉、螺母;杆塔本体缺陷目标分为:绝缘子爆片、防震锤损坏、销钉和螺母缺失;通道巡检目标包括:施工外破、施工车辆、违章建筑物、水、毛竹和泡桐树。
步骤2的具体步骤为:
步骤2.1、配置训练环境,采用支持多GPU和分布式训练的mxnet作为训练平台;
步骤2.2、将训练样本库数据上传到服务器;
步骤2.3、建立训练任务,设置训练类别、训练次数和计算资源;
步骤2.4、进行迭代训练:基于Faster RCNN目标检测算法,利用VGG或ResNet网络模型结构提取图像的特征,对特征信息采用区域候选框的方式确定目标区域,采用误差回传方式对网络参数进行调整,实施迭代训练,生成训练模型;
步骤2.5、训练完成,将训练模型下载到本地。
杆塔中有大小不一各种目标,为了提高训练速度,训练时进行参数调整时加入先验知识,根据目标尺度的不同,预先改变候选框的大小,降低目标区域的叠加次数,从而提高了训练速度,且一定程度上提高了检测的精确度。
电力行业缺陷种类较多,导致缺陷样本数量参差不齐,为了解决样本数量对训练造成的影响,训练过程中根据样本量的变化调整网络层数和结构,在训练样本不足时,压缩网络结构,提高拟合程度。
步骤3的具体步骤为:
步骤3.1、将本地下载的训练模型导入检测系统,同时将拍摄得到的图片以及地理坐标、台账信息导入检测系统;
步骤3.2、对未知图像进行目标识别和缺陷诊断,包括杆塔特定目标识别、杆塔缺陷检测和通道隐患检测;
步骤3.3、按照三维地图中杆塔位置对应的图片或预览图片格式对检测结果进行查看;
步骤3.4、对检测结果生成缺陷列表,进而生成缺陷报告;
步骤3.5、进行缺陷汇总,导出缺陷报告。
步骤3.1中向系统导入数据时,之所以导入杆塔的台账信息和地理坐标,是因为可以根据杆塔的台账信息将图片位置和地理坐标信息吻合在一起,显示在三维地球中,如果检测到哪张图片里存在缺陷,就可以精确地知道什么位置的几号杆塔出现了故障。
无人机航拍影像一般分辨率都很高,而杆塔中的销钉、螺母在影像中占的像素数普遍较低,为了解决对缺失销钉的识别,目标识别时采用高低层语义结合方式,按照大小尺度目标先后检测的层级策略,实现对小目标缺陷的识别。
本发明生成缺陷报告的方式比较灵活,根据需求,可选择批量生成缺陷报告或针对某个目标或缺陷单独生成缺陷报告,并可以将生成的文档导出或打印。
本发明的有益效果:
1、本发明将人工智能引入电力巡检领域,实现从电力巡检数据训练样本库建立、模型训练、未知图像目标识别和缺陷诊断的全流程操作方案,实现从原始巡检数据输入到缺陷结果导出整个过程的自动化运行,节省劳动力,降低人工肉眼检测的难度和错误率,提高了电力巡检检测效率。
2、根据电力巡检数据的独特特征修改神经网络结构,通过数据集增强等手段提高目标检测的精确度。
附图说明
图1是本发明方法的主流程图;
图2是步骤1的流程图;
图3是步骤2的流程图;
图4是步骤3的流程图。
具体实施方式
下面结合附图对本发明进行详细说明。
一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,包括以下步骤:
步骤1、抽取数据,建立训练样本库,对巡检数据标注后分类存储。具体步骤如下:
步骤1.1、从无人机等设备拍摄的海量图片数据中抽取部分数据,建立训练样本库。
步骤1.2、确定类别和标注准则,对样本库数据进行人工标注;首先根据数据来源将标注分为杆塔巡检本体目标和通道巡检目标两大类,再根据电力巡检数据特有的层次结构,对数据进行处理,又可以分为防鸟特巡、杆塔本体目标和杆塔本体缺陷目标;其中防鸟特巡分为:鸟巢、鸟刺、人造鸟巢、挡板;杆塔本体目标分为:大金具和小金具,大金具包括防震锤、间隔棒、均压环、绝缘子、连接部件,小金具包括销钉、螺母;杆塔本体缺陷目标分为:绝缘子爆片、防震锤损坏、销钉和螺母缺失;通道巡检目标包括:施工外破、施工车辆、违章建筑物、水、毛竹和泡桐树。
步骤1.3、将标注后的样本数据按照目标类别和层级关系分类存储。
步骤1.4、完成标注样本库的建立,为训练提供数据源。
步骤2、搭建训练平台,对样本库数据进行训练,生成训练模型。具体步骤为:
步骤2.1、配置训练环境,其中硬件设施采用多块NVIDIA显卡级联,配置好驱动和CUDA加速,并采用支持多GPU和分布式训练的mxnet作为训练平台;
步骤2.2、将训练样本库数据上传到服务器;
步骤2.3、建立训练任务,设置训练类别、训练次数和计算资源;
步骤2.4、进行迭代训练:基于Faster RCNN目标检测算法,利用VGG或ResNet网络模型结构提取图像的特征,对特征信息采用区域候选框(RPN)的方式确定目标区域,采用误差回传(BP)方式对网络参数进行调整,实施迭代训练,生成训练模型;
步骤2.5、训练完成,将训练模型下载到本地。
训练过程中将先验知识加入到参数调整过程,根据目标尺度的不同,预先改变候选框的大小。同时,根据样本量的变化调整网络层数和结构,在训练样本不足时,压缩网络结构,提高拟合程度。
步骤3、导入训练模型和待检测图像数据,进行杆塔和通道目标识别和缺陷诊断,生成缺陷报告。具体步骤为:
步骤3.1、将本地下载的训练模型导入检测系统,同时将拍摄得到的图片以及地理坐标、台账信息导入检测系统。
步骤3.2、对未知图像进行目标识别和缺陷诊断,包括杆塔特定目标识别、杆塔缺陷检测和通道隐患检测,如杆塔部件金具识别、鸟巢、绝缘子爆片检测、通道隐患检测、销钉缺失检测等。目标识别时采用高低层语义结合方式,按照大小尺度目标先后检测的层级策略,实现对小目标缺陷的识别。
步骤3.3、按照三维地图中杆塔位置对应的图片或预览图片格式对检测结果进行查看。
步骤3.4、对检测结果生成缺陷列表,可以选择批量生成缺陷报告或针对某个目标或缺陷单独生成缺陷报告。
步骤3.5、进行缺陷汇总,导出缺陷报告。
Claims (10)
1.一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于包括以下步骤:
步骤1、从数据源抽取数据,建立训练样本库,对巡检数据标注后分类存储;
步骤2、搭建训练平台,利用BP神经网络技术对样本库数据进行训练,生成训练模型;
步骤3、在检测系统中导入训练模型和待检测图像数据,根据任务需求进行杆塔和通道目标识别和缺陷诊断,生成缺陷报告。
2.根据权利要求1所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:步骤1的具体步骤为:
步骤1.1、从原始数据源抽取数据,建立训练样本库;
步骤1.2、确定类别和标注准则,对样本库数据进行人工标注;
步骤1.3、将标注后的样本数据按照目标类别和层级关系分类存储;
步骤1.4、完成标注样本库的建立,为训练提供数据源。
3.根据权利要求2所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:步骤1.1中原始数据源是通过无人机、有人机或人工拍照方式产生的图像数据。
4.根据权利要求2所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:步骤1.2中进行人工标注时首先根据数据来源将标注分为杆塔巡检本体目标和通道巡检目标两大类,再根据电力巡检数据特有的层次结构,对数据进行处理,又可以分为防鸟特巡、杆塔本体目标和杆塔本体缺陷目标;其中防鸟特巡分为:鸟巢、鸟刺、人造鸟巢、挡板;杆塔本体目标分为:大金具和小金具,大金具包括防震锤、间隔棒、均压环、绝缘子、连接部件,小金具包括销钉、螺母;杆塔本体缺陷目标分为:绝缘子爆片、防震锤损坏、销钉和螺母缺失;通道巡检目标包括:施工外破、施工车辆、违章建筑物、水、毛竹和泡桐树。
5.根据权利要求1所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:步骤2的具体步骤为:
步骤2.1、配置训练环境,采用支持多GPU和分布式训练的mxnet作为训练平台;
步骤2.2、将训练样本库数据上传到服务器;
步骤2.3、建立训练任务,设置训练类别、训练次数和计算资源;
步骤2.4、进行迭代训练:基于Faster RCNN目标检测算法,利用VGG或ResNet网络模型结构提取图像的特征,对特征信息采用区域候选框的方式确定目标区域,采用误差回传方式对网络参数进行调整,实施迭代训练,生成训练模型;
步骤2.5、训练完成,将训练模型下载到本地。
6.根据权利要求1或5所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:训练时进行参数调整时加入先验知识,根据目标尺度的不同,预先改变候选框的大小。
7.根据权利要求1或5所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:训练过程中根据样本量的变化调整网络层数和结构,在训练样本不足时,压缩网络结构。
8.根据权利要求1所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:步骤3的具体步骤为:
步骤3.1、将本地下载的训练模型导入检测系统,同时将拍摄得到的图片以及地理坐标、台账信息导入检测系统;
步骤3.2、对未知图像进行目标识别和缺陷诊断,包括杆塔特定目标识别、杆塔缺陷检测和通道隐患检测;
步骤3.3、按照三维地图中杆塔位置对应的图片或预览图片格式对检测结果进行查看;
步骤3.4、对检测结果生成缺陷列表,进而生成缺陷报告;
步骤3.5、进行缺陷汇总,导出缺陷报告。
9.根据权利要求1或8所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:目标识别时采用高低层语义结合方式,按照大小尺度目标先后检测的层级策略,实现对小目标缺陷的识别。
10.根据权利要求8所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法,其特征在于:步骤3.4中,根据需求,选择批量生成缺陷报告或针对某个目标或缺陷单独生成缺陷报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810380786.2A CN108597053A (zh) | 2018-04-25 | 2018-04-25 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810380786.2A CN108597053A (zh) | 2018-04-25 | 2018-04-25 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108597053A true CN108597053A (zh) | 2018-09-28 |
Family
ID=63609811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810380786.2A Pending CN108597053A (zh) | 2018-04-25 | 2018-04-25 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108597053A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109472308A (zh) * | 2018-11-08 | 2019-03-15 | 华南理工大学 | 一种基于人工智能的免标记仪器设备特征锚点检测方法 |
CN109492586A (zh) * | 2018-11-12 | 2019-03-19 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109489629A (zh) * | 2018-12-07 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 一种输电线路杆塔的安全监测方法 |
CN109711556A (zh) * | 2018-12-24 | 2019-05-03 | 中国南方电网有限责任公司 | 机巡数据处理方法、装置、网级服务器和省级服务器 |
CN109816253A (zh) * | 2019-01-29 | 2019-05-28 | 成都国铁电气设备有限公司 | 一种基于杆号识别的综合缺陷分析方法 |
CN110120091A (zh) * | 2019-04-28 | 2019-08-13 | 深圳供电局有限公司 | 电力巡检图像样本制作方法、装置和计算机设备 |
CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
CN110298932A (zh) * | 2019-07-26 | 2019-10-01 | 国网浙江省电力有限公司衢州供电公司 | 一种无人机智能巡检一体化管控平台 |
CN110599445A (zh) * | 2019-07-24 | 2019-12-20 | 安徽南瑞继远电网技术有限公司 | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 |
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
CN111027402A (zh) * | 2019-11-15 | 2020-04-17 | 国网江西省电力有限公司电力科学研究院 | 一种自然灾害风险智能检测与评估方法及应用 |
CN111046756A (zh) * | 2019-11-27 | 2020-04-21 | 武汉大学 | 高分辨率遥感影像目标尺度特征的卷积神经网络检测方法 |
CN111708380A (zh) * | 2020-06-29 | 2020-09-25 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
CN112001902A (zh) * | 2020-08-19 | 2020-11-27 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质 |
CN112070135A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像检测方法、装置、电力设备及存储介质 |
CN112101088A (zh) * | 2020-07-27 | 2020-12-18 | 长江大学 | 一种无人机电力自动巡检方法、装置及系统 |
CN112229845A (zh) * | 2020-10-12 | 2021-01-15 | 国网河南省电力公司濮阳供电公司 | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 |
CN112307851A (zh) * | 2019-08-02 | 2021-02-02 | 上海交通大学烟台信息技术研究院 | 一种电力铁塔上鸟巢的识别方法及系统 |
CN112380944A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电杆塔结构状态的评估方法和系统 |
CN112801120A (zh) * | 2019-11-13 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种无人机巡检图像缺陷智能分析的方法 |
CN113436362A (zh) * | 2021-06-16 | 2021-09-24 | 国网河北省电力有限公司邯郸供电分公司 | 一种通信线缆巡检方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886189A (zh) * | 2014-03-07 | 2014-06-25 | 国家电网公司 | 用于无人机巡检的巡检结果数据处理系统及方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
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 |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
-
2018
- 2018-04-25 CN CN201810380786.2A patent/CN108597053A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886189A (zh) * | 2014-03-07 | 2014-06-25 | 国家电网公司 | 用于无人机巡检的巡检结果数据处理系统及方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
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 (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
WO2020078263A1 (zh) * | 2018-10-16 | 2020-04-23 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN111062952A (zh) * | 2018-10-16 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 肺部图像分割设备、方法及存储介质 |
CN109410220B (zh) * | 2018-10-16 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN111062952B (zh) * | 2018-10-16 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 肺部图像分割设备、方法及存储介质 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109472308A (zh) * | 2018-11-08 | 2019-03-15 | 华南理工大学 | 一种基于人工智能的免标记仪器设备特征锚点检测方法 |
CN109492586A (zh) * | 2018-11-12 | 2019-03-19 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109492586B (zh) * | 2018-11-12 | 2021-08-17 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109489629A (zh) * | 2018-12-07 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 一种输电线路杆塔的安全监测方法 |
CN109711556A (zh) * | 2018-12-24 | 2019-05-03 | 中国南方电网有限责任公司 | 机巡数据处理方法、装置、网级服务器和省级服务器 |
CN109816253A (zh) * | 2019-01-29 | 2019-05-28 | 成都国铁电气设备有限公司 | 一种基于杆号识别的综合缺陷分析方法 |
CN110120091A (zh) * | 2019-04-28 | 2019-08-13 | 深圳供电局有限公司 | 电力巡检图像样本制作方法、装置和计算机设备 |
CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
CN110599445A (zh) * | 2019-07-24 | 2019-12-20 | 安徽南瑞继远电网技术有限公司 | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 |
CN110298932A (zh) * | 2019-07-26 | 2019-10-01 | 国网浙江省电力有限公司衢州供电公司 | 一种无人机智能巡检一体化管控平台 |
CN112307851A (zh) * | 2019-08-02 | 2021-02-02 | 上海交通大学烟台信息技术研究院 | 一种电力铁塔上鸟巢的识别方法及系统 |
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
CN112801120A (zh) * | 2019-11-13 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种无人机巡检图像缺陷智能分析的方法 |
CN111027402B (zh) * | 2019-11-15 | 2022-09-02 | 国网江西省电力有限公司电力科学研究院 | 一种自然灾害风险智能检测与评估方法 |
CN111027402A (zh) * | 2019-11-15 | 2020-04-17 | 国网江西省电力有限公司电力科学研究院 | 一种自然灾害风险智能检测与评估方法及应用 |
CN111046756A (zh) * | 2019-11-27 | 2020-04-21 | 武汉大学 | 高分辨率遥感影像目标尺度特征的卷积神经网络检测方法 |
CN111708380A (zh) * | 2020-06-29 | 2020-09-25 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
CN111708380B (zh) * | 2020-06-29 | 2023-11-10 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
CN112101088A (zh) * | 2020-07-27 | 2020-12-18 | 长江大学 | 一种无人机电力自动巡检方法、装置及系统 |
CN112101088B (zh) * | 2020-07-27 | 2023-10-27 | 长江大学 | 一种无人机电力自动巡检方法、装置及系统 |
CN112001902A (zh) * | 2020-08-19 | 2020-11-27 | 上海商汤智能科技有限公司 | 缺陷检测方法和相关装置、设备、存储介质 |
CN112070135A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像检测方法、装置、电力设备及存储介质 |
CN112229845A (zh) * | 2020-10-12 | 2021-01-15 | 国网河南省电力公司濮阳供电公司 | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 |
CN112380944B (zh) * | 2020-11-06 | 2021-12-21 | 中国电力科学研究院有限公司 | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 |
CN112380944A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电杆塔结构状态的评估方法和系统 |
CN113436362A (zh) * | 2021-06-16 | 2021-09-24 | 国网河北省电力有限公司邯郸供电分公司 | 一种通信线缆巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597053A (zh) | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 | |
CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
Yuan et al. | Vision-based defect detection for mobile phone cover glass using deep neural networks | |
CN110222792A (zh) | 一种基于孪生网络的标签缺陷检测算法 | |
CN107239790A (zh) | 一种基于深度学习的服务机器人目标检测与定位方法 | |
CN109615611A (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN109284729A (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
CN114994061B (zh) | 一种基于机器视觉的钢轨智能化检测方法及系统 | |
CN108846835A (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
CN112465006B (zh) | 一种图神经网络目标跟踪方法及装置 | |
CN108537222A (zh) | 一种用于电力仪表的图像识别方法及系统 | |
CN114066848B (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN105334224B (zh) | 自动化质量检测云平台 | |
CN109146873A (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
CN110097091A (zh) | 训练与推理数据分布不一致条件下的图像细粒度识别方法 | |
CN104680188A (zh) | 一种人体姿态基准图像库的构建方法 | |
CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN112257500A (zh) | 一种基于云边协同技术的电力设备智能图像识别系统及识别方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN106604193A (zh) | 应用于受话器的缺陷检测方法及系统 | |
CN104112003B (zh) | 对游戏终端的性能进行检测的方法及系统 |
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: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |