CN109359697A - 一种电力设备巡检中使用的图形图像识别方法及巡查系统 - Google Patents
一种电力设备巡检中使用的图形图像识别方法及巡查系统 Download PDFInfo
- Publication number
- CN109359697A CN109359697A CN201811278444.6A CN201811278444A CN109359697A CN 109359697 A CN109359697 A CN 109359697A CN 201811278444 A CN201811278444 A CN 201811278444A CN 109359697 A CN109359697 A CN 109359697A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- power equipment
- sample
- training
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力设备巡检中使用的图形图像识别方法及巡查系统,解决了现有的电力设备图像识别方法需要人工标注大量样本数据,耗时费力,经济成本高,识别准确率不理想问题。本发明使用电力设备巡检中使用的图形图像识别方法,首先收集同一类型的电力设备样本图像数据,已标注样本数据和未标注样本数据,其次对样本数据进行预处理,然后对图像数据进行特征提取,并进行基于半监督主动学习训练二元分类器模型训练,最后利用训练好的模型进行分类,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况;本发明利用大量未标注数据,只需要标注少量数据,省时省力,同样条件下达到很好的识别率。
Description
技术领域
本发明涉及电力设备巡查技术领域,具体涉及一种电力设备巡检中使用的图形图像识别方法及巡查系统。
背景技术
近年来,我国的全国电网逐步建成并完善,输电线路总长度和输送容量逐年增长。电力配网主要包括发电设备、输电设备、变电设备、配电设备和用电设备,配网过程中关键是设备保护。为确保输电线路的可靠性,及时发现线路损伤和隐患,电力部门必须定期对输电线路进行巡检。传统输电线路的巡检主要为人工巡检方式,此方式受到自然环境和巡检设备的制约,成本高、效率低、漏检率及误检率大,效果不佳。目前,电网视频监控系统作为智能电网的一个重要组成部分,广泛应用于电网的生产管理、输变电线路状态监测和维修等,但视频监控系统也存在一定的局限性,视频数据存储压力大、网络优势利用不充分等。
随着图像处理和计算机视觉技术的发展,使用计算机视觉识别电力设备,并且分析电力设备的日常运行状态在电力系统检测中发挥着越来越重要的作用,实时监测电力设备的运行状态尤为重要。
然而,目前的电力设备中使用的图像识别分类方法需要人工标注大量的样本数据,耗时费力,经济成本高,且对图像的识别准确率也不是很理想,因此,我们急需一种电力设备巡检中使用的图形图像识别方法,可以更好地使用未标注数据来协助提高分类的性能,将主动学习和半监督学习相结合来充分利用未标注数据进行图像识别,减少人工标注大量数据样本的问题,并且可以达到人工标注大量数据样本情况的图像识别的准确率,完成对电力设备事故的预警,保障电力设备的安全性。
发明内容
本发明所要解决的技术问题是:现有的电力设备图像识别方法需要人工标注大量的样本数据,耗时费力,经济成本高,且对图像的识别准确率也不是很理想的问题,本发明提供了解决上述问题的一种电力设备巡检中使用的图形图像识别方法及巡查系统。
本发明通过下述技术方案实现:
一种电力设备巡检中使用的图形图像识别方法,该方法包括如下步骤:
S1:收集同一类型的电力设备样本图像数据,把收集到的同一类型的电力设备样本图像数据分为两组,两组的比例为1:9,对样本图像数据少的一组进行数据标注并记作为已标注样本数据集L,对样本图像数据多的另一组不进行数据标注并记作为未标注样本数据集U;
S2:对步骤S1中所述同一类型的电力设备样本图像数据进行预处理,去除图像数据噪声,增强图像数据的细节,提高图像数据的信噪比;
S3:对步骤S2中预处理后的图像数据进行特征提取,提取反应同一类型的电力设备样本图像数据的3维特征,图像颜色特征、图像纹理特征和图像形状特征;
S4:对步骤S3提取的3维特征使用基于半监督主动学习训练二元分类器模型,二元分类器模型的训练步骤如下:
S41:采用3个相同的SVM分类器H1、H2、H3,利用随机采用bootstrap算法从已标注样本数据集L中获取有差异的训练数据子集T,进行初始分类器的训练;
S42:利用S41中的其中2个SVM分类器H1、H2协同训练,使用主动学习方法从未标注样本数据集U中挑选置信度高的未标注样本数据x进行标注,其熵值E(x),如此迭代地扩充第3个分类器H3的训练样本集来更新第3个分类器模型,并把熵值E(x)最大的并且完成标注的样本数据x加入到训练数据子集T中和已标注样本数据集L中,同时从未标注样本数据集U中减去该样本数据x;
S43:循环执行步骤S41与步骤S42直至未标注样本数据集U为空,模型训练结束;
S44:模型训练结束后,采用多数投票法对3个分类器H1、H2、H3集成,获得最终二元分类器模型;
S5:利用步骤S4训练好的二元分类器模型,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况。
在主动学习中,选择最富有信息的数据进行标注,每个未标注的样本点都被输入3个分量分类器中,而使得各个分量分类器的判断结果最不一致的样本点就是最富有信息的样本,在这里,这个不一致性的度量采用每个分量分类器对分类结果的投票熵Entropy(x)来确定,简写记为E(x),熵Entropy(x)的数学表达式如下:
其中,V(i)是类别i的投票数,c是总的分类类别数,k是分类器数,pi是未标注样本数据被标注为第c类的概率;本发明方法中,k=3,电力设备最终设置的分类类别为正常图片、异常图片这个两个类别,即c=2。
本发明上述方法的原理是:由于现有的电力设备图像识别方法需要人工标注大量的样本数据,耗时费力,经济成本高,且对图像的识别准确率也不是很理想的问题,本发明上述方法为了更好地利用未标注图像数据来提高分类的性能,结合半监督学习与主动学习来实现识别出正常和异常的电力设备,通过采用bootstrap随机获取有差异的已标注数据的子集,以此来保证分类器之间的差异,分类器训练过程为:首先利用其中两个分类器来对未标注图像数据进行标注,然后挑选置信度高的未标注图像数据样本加入到第三个分类器的训练集中,同时更新第三个分类器,最后不断地迭代直到收敛或者未标注图像数据为空,在每次迭代过程中,每个分类器的训练集扩大了,并且由主动学习产生的图像数据从另一个角度补充了标注样本,从而进一步增加了分类器之间的差异性,训练结束后,采用“少数服从多数”的原则对三个分类器集成,获取最终的分类模型,最后利用训练好的分类器模型,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况。
进一步地,步骤S2中,预处理包括图像降噪、边缘检测、图像压缩和图像分割,目的是对同一类型的电力设备样本图像数据去除干扰、噪声及差异,将原始图像变成适于计算机进行后续特征提取的形式。
一种基于图形图像识别的巡检系统,使用所述的电力设备巡检中使用的图形图像识别方法,还包括监控主机、图像采集模块、报警装置和数据库;
所述监控主机作为电力设备巡查系统的监控中心,实时监控来自所述图像采集模块采集到的图像信息,使用所述的电力设备巡检中使用的图形图像识别方法完成图像分类识别;
所述图像采集模块用于接收CCD摄像机针对电力设备的拍摄图片信息,所述电力设备附近位置安装电荷耦合器件,所述电荷耦合器件把所述电力设备的运行状态转换成光信号,经过所述CCD摄像机将其静态图像输入到所述监控主机内;
所述数据库包括实时数据库、历史数据库和基准数据库,所述图像采集模块实时采集到的图像信息通过所述监控主机实时地存储到所述实时数据库中,所述监控主机在经过图像识别和分析不断地与所述数据库进行信息交换,通过所述监控主机识别后的图像放入对应的所述历史数据库中,更新后的正常和异常标准样本图像放入对应的所述基准数据库中;
所述报警装置连接所述监控主机,所述监控主机识别出异常图像后通过所述报警装置报警。
进一步地,本发明还包括蓄电池和太阳能电池板,所述蓄电池为所述图像采集模块提供电源,所述太阳能电池板借助太阳光能够产生电能,并储存在所述蓄电池内,不用额外地消耗电能,提高了本发明的环保性。
进一步地,所述报警装置采用声光报警器,保证检测到异常的电力设备后给出引起远程值守人员的报警提醒,利于后续维修人员及时对异常的电力设备进行检修维护。
针对电力设备巡检中使用的图形图像识别方法,收集了近3年的同一类型的电力设备样本图像数据,已标注数据集和未标注数据集的比例设置为1:9,对于每个数据集,30%作为测试数据,70%作为训练数据,采用了本发明中的电力设备巡检中使用的图形图像识别方法识别准确率达到了80.35%,识别准确率高,很好地利用大量的未标注数据,只需标注少量的样本数据,省时费力,经济成本低,与标注大量数据方法相比,同样条件下达到了对图像很好的识别准确率。
本发明具有如下的优点和有益效果:
1、本发明的图形图像识别方法很好地利用未标注图像数据来提高分类的性能,结合半监督学习与主动学习来实现识别出正常和异常的电力设备,通过采用bootstrap随机获取有差异的已标注数据的子集,以此来保证分类器之间的差异,分类器训练过程为:首先利用其中两个分类器来对未标注图像数据进行标注,然后挑选置信度高的未标注图像数据样本加入到第三个分类器的训练集中,同时更新第三个分类器,最后不断地迭代直到收敛或者未标注图像数据为空,在每次迭代过程中,每个分类器的训练集扩大了,并且由主动学习产生的图像数据从另一个角度补充了标注样本,从而进一步增加了分类器之间的差异性,训练结束后,采用“少数服从多数”的原则对三个分类器集成,获取最终的分类模型。
2、本发明利用训练好的分类器模型,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况,发现异常图像数据会给出引起远程值守人员的报警提醒,利于后续维修人员及时对异常的电力设备进行检修维护。
3、本发明图形图像识别方法可以很好地利用大量的未标注数据,标注少量的样本数据,省时费力,经济成本低,与标注大量数据方法相比,同样条件下达到了对图像很好的识别准确率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的电力设备巡检中使用的图形图像识别方法流程图。
图2为本发明的基于图形图像识别的巡检系统框架图。
附图中标记及对应的零部件名称:
1-监控主机,2-图像采集模块,3-报警装置,4-数据库,4a-实时数据库,4b-历史数据库,4c-基准数据库,5-CCD摄像机,6-电力设备,7-太阳能电池板,8-蓄电池。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
如图1所示,一种电力设备巡检中使用的图形图像识别方法,该方法包括如下步骤:
S1:收集同一类型的电力设备样本图像数据,把收集到的同一类型的电力设备样本图像数据分为两组,两组的比例为1:9,对样本图像数据少的一组进行数据标注并记作为已标注样本数据集L,对样本图像数据多的另一组不进行数据标注并记作为未标注样本数据集U;
S2:对步骤S1中所述同一类型的电力设备样本图像数据进行预处理,去除图像数据噪声,增强图像数据的细节,提高图像数据的信噪比;
S3:对步骤S2中预处理后的图像数据进行特征提取,提取反应同一类型的电力设备样本图像数据的3维特征,图像颜色特征、图像纹理特征和图像形状特征;
S4:对步骤S3提取的3维特征使用基于半监督主动学习训练二元分类器模型,二元分类器模型的训练步骤如下:
S41:采用3个相同的SVM分类器H1、H2、H3,利用随机采用bootstrap算法从已标注样本数据集L中获取有差异的训练数据子集T,进行初始分类器的训练;
S42:利用S41中的其中2个SVM分类器H1、H2协同训练,使用主动学习方法从未标注样本数据集U中挑选置信度高的未标注样本数据x进行标注,其熵值E(x),如此迭代地扩充第3个分类器H3的训练样本集来更新第3个分类器模型,并把熵值E(x)最大的并且完成标注的样本数据x加入到训练数据子集T中和已标注样本数据集L中,同时从未标注样本数据集U中减去该样本数据x;
S43:循环执行步骤S41与步骤S42直至未标注样本数据集U为空,模型训练结束;
S44:模型训练结束后,采用多数投票法对3个分类器H1、H2、H3集成,获得最终二元分类器模型;
S5:利用步骤S4训练好的二元分类器模型,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况。
本发明图形图像识别方法的工作原理是:为了更好地利用未标注图像数据来提高分类的性能,结合半监督学习与主动学习来实现识别出正常和异常的电力设备,通过采用bootstrap随机获取有差异的已标注数据的子集,以此来保证分类器之间的差异,分类器训练过程为:首先利用其中两个分类器来对未标注图像数据进行标注,然后挑选置信度高的未标注图像数据样本加入到第三个分类器的训练集中,同时更新第三个分类器,最后不断地迭代直到收敛或者未标注图像数据为空,在每次迭代过程中,每个分类器的训练集扩大了,并且由主动学习产生的图像数据从另一个角度补充了标注样本,从而进一步增加了分类器之间的差异性,训练结束后,采用“少数服从多数”的原则对三个分类器集成,获取最终的分类模型,最后利用训练好的分类器模型,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况。
在本实施例中,收集了近3年的同一类型的电力设备样本图像数据,已标注数据集和未标注数据集的比例设置为1:9,对于每个数据集,30%作为测试数据,70%作为训练数据,采用了本发明中的电力设备巡检中使用的图形图像识别方法识别准确率达到了80.35%,识别准确率高,很好地利用大量的未标注数据,只需标注少量的样本数据,省时费力,经济成本低,与标注大量数据方法相比,同样条件下达到了对图像很好的识别准确率。
在本实施例中,步骤S2中,预处理包括图像降噪、边缘检测、图像压缩和图像分割。
如图2所示,一种基于图形图像识别的巡检系统,使用所述的电力设备巡检中使用的图形图像识别方法,还包括监控主机1、图像采集模块2、报警装置3和数据库4;所述监控主机1作为电力设备巡查系统的监控中心,实时监控来自所述图像采集模块2采集到的图像信息,使用所述的电力设备巡检中使用的图形图像识别方法完成图像分类识别;所述图像采集模块2用于接收CCD摄像机5针对电力设备6的拍摄图片信息,所述电力设备6附近位置安装电荷耦合器件,所述电荷耦合器件把所述电力设备6的运行状态转换成光信号,经过所述CCD摄像机5将其静态图像输入到所述监控主机1内;所述数据库4包括实时数据库4a、历史数据库4b和基准数据库4c,所述图像采集模块2实时采集到的图像信息通过所述监控主机1实时地存储到所述实时数据库4a中,所述监控主机1在经过图像识别和分析不断地与所述数据库4进行信息交换,通过所述监控主机1识别后的图像放入对应的所述历史数据库4b中,更新后的正常和异常标准样本图像放入对应的所述基准数据库4c中;所述报警装置3连接所述监控主机1,所述监控主机1识别出异常图像后通过所述报警装置3报警。
还包括蓄电池8和太阳能电池板9,所述蓄电池8为所述图像采集模块2提供电源,所述太阳能电池板9借助太阳光能够产生电能,并储存在所述蓄电池8内,不用额外地消耗电能,提高了本发明的环保性。
所述报警装置3采用声光报警器,声光报警器型号为TGSG-07,保证检测到异常的电力设备6后给出引起远程值守人员的报警提醒,利于后续维修人员及时对异常的电力设备6进行检修维护。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种电力设备巡检中使用的图形图像识别方法,其特征在于:该方法包括如下步骤:
S1:收集同一类型的电力设备样本图像数据,把收集到的同一类型的电力设备样本图像数据分为两组,两组的比例为1:9,对样本图像数据少的一组进行数据标注并记作为已标注样本数据集L,对样本图像数据多的另一组不进行数据标注并记作为未标注样本数据集U;
S2:对步骤S1中所述同一类型的电力设备样本图像数据进行预处理,去除图像数据噪声,增强图像数据的细节,提高图像数据的信噪比;
S3:对步骤S2中预处理后的图像数据进行特征提取,提取反应同一类型的电力设备样本图像数据的3维特征,图像颜色特征、图像纹理特征和图像形状特征;
S4:对步骤S3提取的3维特征使用基于半监督主动学习训练二元分类器模型,二元分类器模型的训练步骤如下:
S41:采用3个相同的SVM分类器H1、H2、H3,利用随机采用bootstrap算法从已标注样本数据集L中获取有差异的训练数据子集T,进行初始分类器的训练;
S42:利用S41中的其中2个SVM分类器H1、H2协同训练,使用主动学习方法从未标注样本数据集U中挑选置信度高的未标注样本数据x进行标注,其熵值E(x),如此迭代地扩充第3个分类器H3的训练样本集来更新第3个分类器模型,并把熵值E(x)最大的并且完成标注的样本数据x加入到训练数据子集T中和已标注样本数据集L中,同时从未标注样本数据集U中减去该样本数据x;
S43:循环执行步骤S41与步骤S42直至未标注样本数据集U为空,模型训练结束;
S44:模型训练结束后,采用多数投票法对3个分类器H1、H2、H3集成,获得最终二元分类器模型;
S5:利用步骤S4训练好的二元分类器模型,输入待检测的实时图像数据进行识别,判断是正常或者异常图像数据,尽而得出电力设备的正常和异常情况。
2.根据权利要求1所述的一种电力设备巡检中使用的图形图像识别方法,其特征在于:步骤S2中,预处理包括图像降噪、边缘检测、图像压缩和图像分割。
3.一种基于图形图像识别的巡检系统,其特征在于:使用如权利要求1或2中所述的电力设备巡检中使用的图形图像识别方法,还包括监控主机(1)、图像采集模块(2)、报警装置(3)和数据库(4);
所述监控主机(1)作为电力设备巡查系统的监控中心,实时监控来自所述图像采集模块(2)采集到的图像信息,使用如权利要求1或2中所述的电力设备巡检中使用的图形图像识别方法完成图像分类识别;
所述图像采集模块(2)用于接收CCD摄像机(5)针对电力设备(6)的拍摄图片信息,所述电力设备(6)附近位置安装电荷耦合器件,所述电荷耦合器件把所述电力设备(6)的运行状态转换成光信号,经过所述CCD摄像机(5)将其静态图像输入到所述监控主机(1)内;所述数据库(4)包括实时数据库(4a)、历史数据库(4b)和基准数据库(4c),所述图像采集模块(2)实时采集到的图像信息通过所述监控主机(1)实时地存储到所述实时数据库(4a)中,所述监控主机(1)在经过图像识别和分析不断地与所述数据库(4)进行信息交换,通过所述监控主机(1)识别后的图像放入对应的所述历史数据库(4b)中,更新后的正常和异常标准样本图像放入对应的所述基准数据库(4c)中;
所述报警装置(3)连接所述监控主机(1),所述监控主机(1)识别出异常图像后通过所述报警装置(3)报警。
4.根据权利要求3所述的一种基于图形图像识别的巡检系统,其特征在于:还包括蓄电池(8)和太阳能电池板(9),所述蓄电池(8)为所述图像采集模块(2)提供电源,所述太阳能电池板(9)借助太阳光能够产生电能,并储存在所述蓄电池(8)内。
5.根据权利要求3所述的一种基于图形图像识别的巡检系统,其特征在于:所述报警装置(3)采用声光报警器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811278444.6A CN109359697A (zh) | 2018-10-30 | 2018-10-30 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811278444.6A CN109359697A (zh) | 2018-10-30 | 2018-10-30 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359697A true CN109359697A (zh) | 2019-02-19 |
Family
ID=65347190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811278444.6A Pending CN109359697A (zh) | 2018-10-30 | 2018-10-30 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359697A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979546A (zh) * | 2019-04-04 | 2019-07-05 | 成都大学 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
CN110334633A (zh) * | 2019-06-27 | 2019-10-15 | 北京御航智能科技有限公司 | 识别巡检数据并更新识别模型的方法、装置及存储介质 |
CN110543903A (zh) * | 2019-08-23 | 2019-12-06 | 国网江苏省电力有限公司电力科学研究院 | 一种gis局部放电大数据系统的数据清洗方法及系统 |
CN110991405A (zh) * | 2019-12-19 | 2020-04-10 | 中国水利水电科学研究院 | 一种非侵入式泵站控制系统液压执行机构异常分析的方法 |
CN111709345A (zh) * | 2020-06-12 | 2020-09-25 | 重庆电政信息科技有限公司 | 一种固定环境内异常物品实时检测方法 |
CN111815581A (zh) * | 2020-06-27 | 2020-10-23 | 国网上海市电力公司 | 一种电力隔离开关及其部件自动识别方法和装置 |
CN111815568A (zh) * | 2020-06-15 | 2020-10-23 | 国网上海市电力公司 | 一种电力设备自动标注方法和装置 |
CN111968048A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
CN112102443A (zh) * | 2020-09-15 | 2020-12-18 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种适用于变电站设备巡检图像的标注系统及标注方法 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
CN112396038A (zh) * | 2020-07-30 | 2021-02-23 | 国网四川省电力公司信息通信公司 | 一种基于深度学习的变电站异常智能识别方法及系统 |
CN112560970A (zh) * | 2020-12-21 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 基于自编码的异常图片检测方法、系统、设备及存储介质 |
CN113177614A (zh) * | 2021-05-27 | 2021-07-27 | 广州白云电器设备股份有限公司 | 一种城市轨道交通供电开关柜图像识别系统及方法 |
CN113450489A (zh) * | 2021-07-21 | 2021-09-28 | 武汉一维路科技有限公司 | 一种电力通信设备维护检修远程授权管理方法、设备及计算机存储介质 |
CN111539443B (zh) * | 2020-01-22 | 2024-02-09 | 北京小米松果电子有限公司 | 一种图像识别模型训练方法及装置、存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1571652A2 (en) * | 2004-03-02 | 2005-09-07 | AT&T Corp. | Combining active and semi-supervised learning for spoken language understanding |
CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN102324046A (zh) * | 2011-09-01 | 2012-01-18 | 西安电子科技大学 | 结合主动学习的四分类器协同训练方法 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN104992184A (zh) * | 2015-07-02 | 2015-10-21 | 东南大学 | 一种基于半监督极限学习机的多类图像分类方法 |
CN106094866A (zh) * | 2016-07-22 | 2016-11-09 | 中国计量大学 | 一种无人机电力线路巡检装置及其使用方法 |
CN107644235A (zh) * | 2017-10-24 | 2018-01-30 | 广西师范大学 | 基于半监督学习的图像自动标注方法 |
CN107977667A (zh) * | 2016-10-21 | 2018-05-01 | 西安电子科技大学 | 基于半监督协同训练的sar目标鉴别方法 |
US20180152467A1 (en) * | 2016-11-30 | 2018-05-31 | Cisco Technology, Inc. | Leveraging synthetic traffic data samples for flow classifier training |
US20180268262A1 (en) * | 2017-03-15 | 2018-09-20 | Fuji Xerox Co., Ltd. | Information processing device and non-transitory computer readable medium |
-
2018
- 2018-10-30 CN CN201811278444.6A patent/CN109359697A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1571652A2 (en) * | 2004-03-02 | 2005-09-07 | AT&T Corp. | Combining active and semi-supervised learning for spoken language understanding |
CN101957325A (zh) * | 2010-10-14 | 2011-01-26 | 山东鲁能智能技术有限公司 | 基于变电站巡检机器人变电站设备外观异常识别方法 |
CN102324046A (zh) * | 2011-09-01 | 2012-01-18 | 西安电子科技大学 | 结合主动学习的四分类器协同训练方法 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN104992184A (zh) * | 2015-07-02 | 2015-10-21 | 东南大学 | 一种基于半监督极限学习机的多类图像分类方法 |
CN106094866A (zh) * | 2016-07-22 | 2016-11-09 | 中国计量大学 | 一种无人机电力线路巡检装置及其使用方法 |
CN107977667A (zh) * | 2016-10-21 | 2018-05-01 | 西安电子科技大学 | 基于半监督协同训练的sar目标鉴别方法 |
US20180152467A1 (en) * | 2016-11-30 | 2018-05-31 | Cisco Technology, Inc. | Leveraging synthetic traffic data samples for flow classifier training |
US20180268262A1 (en) * | 2017-03-15 | 2018-09-20 | Fuji Xerox Co., Ltd. | Information processing device and non-transitory computer readable medium |
CN107644235A (zh) * | 2017-10-24 | 2018-01-30 | 广西师范大学 | 基于半监督学习的图像自动标注方法 |
Non-Patent Citations (2)
Title |
---|
吴浩鹏 等: "基于移动终端的电力设备智能巡检系统设计", 《计算机时代 》 * |
许生旺等: "《图像通信技术》", 30 June 2002, 国防工业出版社 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979546A (zh) * | 2019-04-04 | 2019-07-05 | 成都大学 | 基于人工智能数字病理的网络模型分析平台及构建方法 |
CN110334633A (zh) * | 2019-06-27 | 2019-10-15 | 北京御航智能科技有限公司 | 识别巡检数据并更新识别模型的方法、装置及存储介质 |
CN110543903A (zh) * | 2019-08-23 | 2019-12-06 | 国网江苏省电力有限公司电力科学研究院 | 一种gis局部放电大数据系统的数据清洗方法及系统 |
CN110543903B (zh) * | 2019-08-23 | 2022-02-15 | 国网江苏省电力有限公司电力科学研究院 | 一种gis局部放电大数据系统的数据清洗方法及系统 |
CN110991405A (zh) * | 2019-12-19 | 2020-04-10 | 中国水利水电科学研究院 | 一种非侵入式泵站控制系统液压执行机构异常分析的方法 |
CN110991405B (zh) * | 2019-12-19 | 2023-11-17 | 中国水利水电科学研究院 | 一种非侵入式泵站控制系统液压执行机构异常分析的方法 |
CN111539443B (zh) * | 2020-01-22 | 2024-02-09 | 北京小米松果电子有限公司 | 一种图像识别模型训练方法及装置、存储介质 |
CN111709345A (zh) * | 2020-06-12 | 2020-09-25 | 重庆电政信息科技有限公司 | 一种固定环境内异常物品实时检测方法 |
CN111815568A (zh) * | 2020-06-15 | 2020-10-23 | 国网上海市电力公司 | 一种电力设备自动标注方法和装置 |
CN111815581A (zh) * | 2020-06-27 | 2020-10-23 | 国网上海市电力公司 | 一种电力隔离开关及其部件自动识别方法和装置 |
CN112396038A (zh) * | 2020-07-30 | 2021-02-23 | 国网四川省电力公司信息通信公司 | 一种基于深度学习的变电站异常智能识别方法及系统 |
CN112396038B (zh) * | 2020-07-30 | 2023-08-29 | 国网四川省电力公司信息通信公司 | 一种基于深度学习的变电站异常智能识别方法及系统 |
CN111968048A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
CN111968048B (zh) * | 2020-07-30 | 2024-03-26 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
CN112102443B (zh) * | 2020-09-15 | 2022-07-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种适用于变电站设备巡检图像的标注系统及标注方法 |
CN112102443A (zh) * | 2020-09-15 | 2020-12-18 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种适用于变电站设备巡检图像的标注系统及标注方法 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
CN112560970A (zh) * | 2020-12-21 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 基于自编码的异常图片检测方法、系统、设备及存储介质 |
CN113177614A (zh) * | 2021-05-27 | 2021-07-27 | 广州白云电器设备股份有限公司 | 一种城市轨道交通供电开关柜图像识别系统及方法 |
CN113450489A (zh) * | 2021-07-21 | 2021-09-28 | 武汉一维路科技有限公司 | 一种电力通信设备维护检修远程授权管理方法、设备及计算机存储介质 |
CN113450489B (zh) * | 2021-07-21 | 2022-09-13 | 广东润元能源科技有限公司 | 一种电力通信设备维护检修远程授权管理方法、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN112069940B (zh) | 一种基于分阶段特征学习的跨域行人重识别方法 | |
CN110070073A (zh) | 基于注意力机制的全局特征和局部特征的行人再识别方法 | |
CN102163290A (zh) | 基于时空关联信息的多视角视频监控中异常事件建模方法 | |
CN110378233B (zh) | 一种基于人群行为先验知识的双分支异常检测方法 | |
CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
CN115311241B (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN115601197B (zh) | 光伏电站的异常状态检测方法、装置 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
CN114359702A (zh) | 一种基于Transformer的宅基地遥感图像违建识别方法及系统 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别系统 | |
CN115830533A (zh) | 基于K-means聚类改进YOLOv5算法的安全帽佩戴检测方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN114037873A (zh) | 基于人工智能的变电站二次回路保护压板检测系统及方法 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN113343926A (zh) | 一种基于卷积神经网络的驾驶员疲劳检测方法 | |
CN103824058A (zh) | 基于局部分布式线性嵌套算法的人脸识别系统及方法 | |
Imran et al. | Image-based automatic energy meter reading using deep learning | |
CN110414338A (zh) | 基于稀疏注意力网络的行人再辨识方法 | |
Chen et al. | Attention mechanism-based CNN for surface damage detection of wind turbine blades |
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: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |