CN109631848B - 输电线路异物入侵检测系统和检测方法 - Google Patents
输电线路异物入侵检测系统和检测方法 Download PDFInfo
- Publication number
- CN109631848B CN109631848B CN201811533798.0A CN201811533798A CN109631848B CN 109631848 B CN109631848 B CN 109631848B CN 201811533798 A CN201811533798 A CN 201811533798A CN 109631848 B CN109631848 B CN 109631848B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- foreign matter
- image data
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于并联神经网络的输电线路异物入侵检测系统和检测方法,能够及时有效的发现输电线路异物入侵,不仅大大提高了异物入侵检测的准确率,还保证了检测效率。该检测方法包括以下步骤:将输电线路划分成若干段,获取输电线路每段的图像数据;分别对输电线路每段的图像数据进行灰度处理;利用训练好的并联神经网络分别对得到的每个灰度图像进行异物入侵检测;如果检测到异物入侵,将检测结果和对应的图像数据发送到后台存储服务器进行存储。
Description
技术领域
本公开涉及输电线路检测领域,具体涉及一种基于并联神经网络的嵌入式输电线路异物入侵检测系统和检测方法。
背景技术
随着我国经济的迅速发展,保证电力供需安全可靠至关重要。由于输电线路常年暴露在野外环境中,经常会发生异物悬挂于高压线和异物入侵损坏线路设备,导致坠线、燃烧、线路损坏等,不仅造成了严重的经济损失,而且会对输电线路下的车辆、行人造成无法挽回的危害。因此,准确及时的发现异物入侵并且预警对我国电网输电线路安全具有非常重要的意义。
目前针对输电线路异物入侵的检测主要有人工巡检和无人机巡检。输电线路通常经过山川河流、公路桥梁等复杂的地理环境,人工巡线法存在较大的安全隐患,浪费大量的人力物力,且存在巡检效率低和巡检效果差等问题。随后,出现了借助飞行器作为运载工具,装载可见光成像设备对110~1000KV高压输电线走廊进行巡检的无人机巡检法。它虽然不受地理环境的影响,但是无人飞行器传回的大量图像数据还是需要人为地判断线路上是否存在异物。以上两种方法均需要人工检测,无法及时发现异物入侵。
此外,随着监控设备的普及,基于图像处理的输电线路异物入侵检测也是一种可行的方法。目前异物入侵检测方法一般是通过高斯滤波、中值滤波、或者双边滤波消除噪声,利用最大类间方差(Otsu)对图像进行背景和前景的分割,最后利用Hough变换提取输电线路,再对异物进行识别。然而,输电线路常年暴露在野外,受天气、光照和地理环境的影响较大,很难提取准确有效的背景信息,且输电线路数量庞大,获取摄像头拍摄的视频图像信息需要花费昂贵的网络通信费用,很难及时有效的发现异物入侵。
综上所述,目前对于复杂场景中无法及时有效的发现输电线路异物入侵,异物入侵检测准确率低的问题,尚缺乏有效的解决方案。
发明内容
为了解决复杂场景中输电线路异物检测准确率低、不及时的问题,本公开提供了一种基于并联神经网络的输电线路异物入侵检测系统和检测方法,能够及时有效的发现输电线路异物入侵,不仅大大提高了异物入侵检测的准确率,还保证了检测效率。
本公开所采用的技术方案是:
一种输电线路异物入侵检测方法,该方法包括以下步骤:
将输电线路划分成若干段,获取输电线路每段的图像数据;
分别对输电线路每段的图像数据进行灰度处理;
利用训练好的并联神经网络分别对得到的每个灰度图像进行异物入侵检测;
如果检测到异物入侵,将检测结果和对应的图像数据发送到后台存储服务器进行存储。
进一步的,所述输电线路每段的图像数据的获取方法为:
在输电线路的每段分别设置摄像头和处理器,通过处理器获取当前摄像头采集的视频流,并对视频流进行解码,生成图像数据。
进一步的,所述并联神经网络包括特征提取层和若干个并联的网络结构层。
进一步的,所述利用训练好的并联神经网络对灰度图像进行异物入侵检测的方法为:
利用异物入侵数据集对并联神经网络进行训练;
将灰度图像输入到训练好的并联神经网络中;
经过特征提取层,提取特征图;
将特征图划分为若干个网格区域;
将每一个网格区域输入到并联的不同网络结构层进行处理,得到分类结果;
将每个网络结构层的分类结果进行合并,得到判断矩阵;
利用判断矩阵判断输电线路是否存在异物入侵。
进一步的,所述每个网络结构层均包括两个卷积层、一个池化层、一个全连接层和SVM分类器。
进一步的,所述判断矩阵中元素个数与网格区域个数相同,判断矩阵中每个元素代表当前区域是否存在异物入侵,若存在,则元素为1,若不存在,则元素为0。
进一步的,所述利用判断矩阵判断输电线路是否存在异物入侵的方法为:
若判断矩阵中所有元素均不为0,则该段输电线路存在异物入侵,将该判断矩阵和该段输电线路的图像数据发送到后台存储服务器;
若判断矩阵中所有元素均为0,则该段输电线路不存在异物入侵,不发送数据。
一种输电线路异物入侵检测系统,该系统用于实现如上所述的输电线路异物入侵检测方法,该系统包括若干个个摄像头、与每个摄像头连接的处理器和存储服务器;
所述摄像头,用于采集输电线路每段的视频流,并发送至处理器。
所述处理器,用于获取当前摄像头采集的视频流,并对视频流进行解码,生成图像,对图像进行灰度处理,得到灰度图像;将灰度图像输入到训练好的并联神经网络中进行异物入侵检测,如果检测到异物入侵,将检测结果和对应的图像数据发送到存储服务器;
所述存储服务器,用于存储入侵图像数据和该入侵图像数据的检测结果。
通过上述技术方案,本公开的有益效果是:
(1)本公开通过接入嵌入式处理器,可以在前端实现图像检测处理,只需将异常信息返回服务器,大大节省了网络传输资源;
(2)本公开通过并联神经网络对现场图像进行检测处理,可以准确有效的发现异物入侵情况,并且可以适应不同种类的异物入侵,且对新的异物入侵也具有很好的检测效果。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是输电线路异物入侵检测系统的结构图;
图2是输电线路异物入侵检测方法的流程图;
图3是利用训练好的并联神经网络对灰度图像进行异物入侵检测的流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种或多种实施例提供一种输电线路异物入侵检测系统,该系统包括若干个摄像头、与每个摄像头连接的处理器和存储服务器,如图1所示。
所述摄像头,用于采集输电线路每段的视频流,并发送至处理器。
所述处理器采用TX2开发板,用于获取当前摄像头采集的视频流,并对视频流进行解码,生成图像,对图像进行灰度处理,得到灰度图像;将灰度图像输入到训练好的并联神经网络中进行异物入侵检测,将如果检测到入侵目标,将检测结果和入侵图像发送到后台存储服务器;
所述存储服务器,用于存储入侵图像和该入侵图像的检测结果。
在本实施例中,将输电线路划分成若干段,在输电线路的每段上均设置摄像头和处理器,通过摄像头采集输电线路每段的视频流,并发送至处理器;处理器对输电线路每段的视频流进行解码得到输电线路每段的图像,对输电线路每段的图像进行检测处理,及时发现输电线路上每段是否有异物入侵。
本实施例提出的输电线路异物入侵检测系统,采用多个摄像头和多个嵌入式处理器,将训练好的神经网络模型部署到嵌入式处理器中,可在前端通过每个处理器对每个摄像头采集的图像进行检测处理,及时发现异物入侵隐患,将神经网络技术和图像处理技术相结合,提高了检测的速度和精度。
一种或多种实施例提供一种输电线路异物入侵检测方法,该方法基于如上所述的输电线路异物入侵检测系统实现的,如图2所示,该方法包括以下步骤:
S101,将输电线路划分成若干段,获取输电线路每段的图像数据。
在至少一个实施例中,在输电线路的每段分别设置摄像头和处理器,通过处理器获取当前摄像头采集的视频流,并对视频流进行解码,生成输电线路每段的图像。
S102,分别对输电线路每段的图像进行灰度处理,得到输电线路每段的灰度图像。
为了避免光照阴影对异物入侵检测的影响,处理器将RGB图像转换为灰度图像。
S103,分别利用训练好的并联神经网络对步骤S102得到的输电线路每段的灰度图像进行异物入侵检测。
在本实施例中,所述并联神经网络包括特征提取层和若干个并联的网络结构层。
所述步骤S103中,利用训练好的并联神经网络对灰度图像进行异物入侵检测的方法具体为:
S103-1,利用异物入侵数据集对并联神经网络进行训练。
所述步骤S103-1中,利用异物入侵数据集对并联神经网络进行训练的方法具体为:
将训练数据集按7:3分为训练集和测试集,输入到并联神经网络,采用随机梯度下降的训练方式根据中间结果,对初始值、训练速率和迭代次数不断进行调整,获得最优的并联神经网络。
S103-2,利用训练好的并联神经网络对灰度图像进行异物入侵检测。
所述步骤S103-2的具体实现方式如下:
(1)将灰度图像输入到训练好的并联神经网络中;
(2)经过特征提取层,提取共享特征图;经过2个卷积层和一个池化层,生成图像特征图;
(2)将图像特征图划分为若干个网格区域;
(3)将每一个网格区域输入到并联的不同网络结构层进行处理,通过卷积提取区域特征,将卷积特征输入到SVM分类器,得到分类结果;其中,并联的每个网络结构层均包括2个卷积层、1个池化层,1个全连接层和SVM分类器。分类结果包括存在异物入侵和不存在异物入侵;
(4)将并联的每个网络结构层的分类结果进行合并,得到判断矩阵,判断矩阵中每个元素代表当前区域是否存在异物入侵,若存在,则元素为1,若不存在,则元素为0;
(5)利用判断矩阵判断输电线路某段是否存在异物入侵,若判断矩阵中所有元素均不为0,则该段输电线路存在异物入侵,将该判断矩阵和该段输电线路的图像数据发送到后台存储服务器;若判断矩阵中所有元素均为0,则该段输电线路不存在异物入侵,不发送数据。
如图3所示,输入并联神经网络的灰度图像的尺寸是512×512,首先经过特征提取层,提取共享特征图,经过2个卷积层和1个池化层,生成128×128的图像特征图;然后将图像特征图划分为8×8=64个网格区域,分别输入到并联的不同网络结构层,将每个网络结构层的分类结果合并后生成8×8的判断矩阵,判断矩阵中每个元素代表当前区域是否存在异物入侵,存在为1,不存在为0。
本实施例提出一种并联神经网络,将神经网络技术和图像处理技术相结合,提高了检测的速度和精度;将训练好的神经网络模型部署到嵌入式处理器,可以在前端对摄像头采集的图像进行检测处理,及时发现异物入侵隐患。
S104,如果检测到入侵目标,将检测结果和图像发送到后台存储服务器进行存储。
如果发现输电线路有异物入侵,将图像和检测结果信息发送到后台存储服务器,仅发送入侵图像,可以大大节省网络传输带宽。
本实施例提出的输电线路异物入侵检测方法,将图像处理和并联神经网络相结合,有效提高了输电线路场景中异物入侵检测的鲁棒性和准确性;将模型部署到嵌入式系统,实现了图像的前端处理,大大节省了网络带宽,提高了检测效率。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (4)
1.一种输电线路异物入侵检测方法,其特征是,该方法包括以下步骤:
将输电线路划分成若干段,获取输电线路每段的图像数据;
分别对输电线路每段的图像数据进行灰度处理;
利用训练好的并联神经网络分别对得到的每个灰度图像进行异物入侵检测;
如果检测到异物入侵,将检测结果和对应的图像数据发送到后台存储服务器进行存储;
所述并联神经网络包括特征提取层和若干个并联的网络结构层;
所述利用训练好的并联神经网络对灰度图像进行异物入侵检测的方法为:
利用异物入侵数据集对并联神经网络进行训练;
将灰度图像输入到训练好的并联神经网络中;
经过特征提取层,提取特征图;
将特征图划分为若干个网格区域;
将每一个网格区域输入到并联的不同网络结构层进行处理,得到分类结果;
将每个网络结构层的分类结果进行合并,得到判断矩阵;
利用判断矩阵判断输电线路是否存在异物入侵;
所述判断矩阵中元素个数与网格区域个数相同,判断矩阵中每个元素代表当前区域是否存在异物入侵,若存在,则元素为1,若不存在,则元素为0;
所述利用判断矩阵判断输电线路是否存在异物入侵的方法为:
若判断矩阵中所有元素均不为0,则输电线路存在异物入侵,将判断矩阵和输电线路的图像数据发送到后台存储服务器;
若判断矩阵中所有元素均为0,则输电线路不存在异物入侵,不发送数据。
2.根据权利要求1所述的输电线路异物入侵检测方法,其特征是,所述输电线路每段的图像数据的获取方法为:
在输电线路的每段分别设置摄像头和处理器,通过处理器获取当前摄像头采集的视频流,并对视频流进行解码,生成图像数据。
3.根据权利要求1所述的输电线路异物入侵检测方法,其特征是,所述每个网络结构层均包括两个卷积层、一个池化层、一个全连接层和SVM分类器。
4.一种输电线路异物入侵检测系统,该系统用于实现权利要求1-3中任一项所述的输电线路异物入侵检测方法,其特征是,包括若干个个摄像头、与每个摄像头连接的处理器和存储服务器;
所述摄像头,用于采集输电线路每段的视频流,并发送至处理器;
所述处理器,用于获取当前摄像头采集的视频流,并对视频流进行解码,生成图像,对图像进行灰度处理,得到灰度图像;将灰度图像输入到训练好的并联神经网络中进行异物入侵检测,如果检测到异物入侵,将检测结果和对应的图像数据发送到存储服务器;
所述存储服务器,用于存储入侵图像数据和该入侵图像数据的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533798.0A CN109631848B (zh) | 2018-12-14 | 2018-12-14 | 输电线路异物入侵检测系统和检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533798.0A CN109631848B (zh) | 2018-12-14 | 2018-12-14 | 输电线路异物入侵检测系统和检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109631848A CN109631848A (zh) | 2019-04-16 |
CN109631848B true CN109631848B (zh) | 2021-04-16 |
Family
ID=66073892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811533798.0A Active CN109631848B (zh) | 2018-12-14 | 2018-12-14 | 输电线路异物入侵检测系统和检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109631848B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110730327A (zh) * | 2019-09-03 | 2020-01-24 | 华为技术有限公司 | 一种对输电线路监控的方法及采集前端 |
CN110807353B (zh) * | 2019-09-03 | 2023-12-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于深度学习的变电站异物识别方法、装置及系统 |
CN110728202A (zh) * | 2019-09-23 | 2020-01-24 | 国网宁夏电力有限公司电力科学研究院 | 一种输电导线异物检测方法、终端及系统 |
CN111325708B (zh) * | 2019-11-22 | 2023-06-30 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN113011252B (zh) * | 2021-02-04 | 2023-12-05 | 成都希格玛光电科技有限公司 | 轨道异物侵限检测系统及方法 |
CN113160150B (zh) * | 2021-04-01 | 2022-12-06 | 西安科技大学 | 线网异物入侵ai检测方法与装置 |
CN113673514B (zh) * | 2021-08-11 | 2024-06-04 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和系统 |
CN114627388B (zh) * | 2022-03-23 | 2024-03-29 | 南方电网数字电网研究院有限公司 | 输电线路异物检测设备及其异物检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530620A (zh) * | 2013-10-30 | 2014-01-22 | 华北电力大学 | 一种输电线路杆塔鸟巢的识别方法 |
CN104463324A (zh) * | 2014-11-21 | 2015-03-25 | 长沙马沙电子科技有限公司 | 一种基于大规模高性能集群的卷积神经网络并行处理方法 |
CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN108573228A (zh) * | 2018-04-09 | 2018-09-25 | 杭州华雁云态信息技术有限公司 | 一种输电线路异物入侵监测方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3647584B2 (ja) * | 1996-12-26 | 2005-05-11 | 富士通株式会社 | 学習型自己定位装置 |
US9811775B2 (en) * | 2012-12-24 | 2017-11-07 | Google Inc. | Parallelizing neural networks during training |
US9921339B2 (en) * | 2014-03-31 | 2018-03-20 | Stc.Unm | Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
US10157441B2 (en) * | 2016-12-27 | 2018-12-18 | Automotive Research & Testing Center | Hierarchical system for detecting object with parallel architecture and hierarchical method thereof |
CN107680097A (zh) * | 2017-10-31 | 2018-02-09 | 湖北中海盛达电力器材有限公司 | 一种输电线路杆塔识别鸟巢的方法 |
CN107944412A (zh) * | 2017-12-04 | 2018-04-20 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路自动识别系统及方法 |
CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
-
2018
- 2018-12-14 CN CN201811533798.0A patent/CN109631848B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530620A (zh) * | 2013-10-30 | 2014-01-22 | 华北电力大学 | 一种输电线路杆塔鸟巢的识别方法 |
CN104463324A (zh) * | 2014-11-21 | 2015-03-25 | 长沙马沙电子科技有限公司 | 一种基于大规模高性能集群的卷积神经网络并行处理方法 |
CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN108573228A (zh) * | 2018-04-09 | 2018-09-25 | 杭州华雁云态信息技术有限公司 | 一种输电线路异物入侵监测方法及装置 |
Non-Patent Citations (4)
Title |
---|
分布式环境下卷积神经网络并行策略研究;张任其 等;《计算机工程与应用》;20171231;第53卷(第8期);第1-8页 * |
卷积神经网络的并行化研究;凡保磊;《中国优秀硕士学位论文全文数据库信息科技辑》;20131115(第11期);第I140-33页 * |
基于并行深度卷积神经网络的图像美感分类;王励 等;《自动化学报》;20160630;第42卷(第6期);第904-914页 * |
基于深度神经网络的铁路异物检测算法;刘文祺;《中国优秀硕士学位论文全文数据库信息科技辑》;20160715(第7期);第C033-243页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109631848A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
CN111862013A (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
CN110991447B (zh) | 基于深度学习的列车车号精确定位与识别方法 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN113627299A (zh) | 一种基于深度学习的导线漂浮物智能识别方法及装置 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN111738228A (zh) | 一种面向治超证据链校验的多视角车辆特征匹配方法 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN111274896A (zh) | 一种烟火识别算法 | |
CN116630866B (zh) | 音视频雷达融合的异常事件监控方法、装置、设备及介质 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN113822814A (zh) | 利用大数据存储的环境辨识系统及方法 | |
CN113450318A (zh) | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN112016641A (zh) | 一种异物导致线路短路故障告警方法及装置 | |
CN115063739B (zh) | 异常行为的检测方法、装置、设备及计算机存储介质 | |
CN114592411B (zh) | 一种载体寄生式公路损坏智能巡查方法 | |
CN111325708A (zh) | 一种输电线路检测方法和服务器 | |
CN112734745B (zh) | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Yinhe building, 2008 Xinluo street, high tech Industrial Development Zone, Jinan City, Shandong Province, 250098 Patentee after: Shandong luruan Digital Technology Co.,Ltd. Address before: No.185, Jingsi Road, Shizhong District, Jinan City, Shandong Province Patentee before: SHANDONG LUNENG SOFTWARE TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |