CN109685761A - 一种基于云平台的电力电缆缺陷检测方法及其检测系统 - Google Patents
一种基于云平台的电力电缆缺陷检测方法及其检测系统 Download PDFInfo
- Publication number
- CN109685761A CN109685761A CN201811327932.1A CN201811327932A CN109685761A CN 109685761 A CN109685761 A CN 109685761A CN 201811327932 A CN201811327932 A CN 201811327932A CN 109685761 A CN109685761 A CN 109685761A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- defect
- power cable
- detection 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 125
- 230000007547 defect Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000007689 inspection Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000003384 imaging method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Signal Processing (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本公开揭示了一种基于云平台的电力电缆缺陷检测方法,包括:利用X射线对待测电力电缆进行轴向垂直照射;接收透过待测电力电缆的X射线实时生成检测图像;采集实时生成的检测图像并发送至云平台;对所采集到的检测图像进行预处理;识别预处理后的检测图像的缺陷并给出识别结果以及评判预处理后的检测图像的缺陷危害性并给出评判结果。本公开还揭示了一种基于云平台的电力电缆缺陷检测系统,包括X射线发生模块、图像生成模块、图像采集模块、图像预处理模块和图像缺陷识别模块。本公开将电力电缆的缺陷检测结果存储至云平台,便于检测人员通过智能移动终端下载进而提高工作效率。
Description
技术领域
本公开属于电力电缆缺陷检测领域,具体涉及一种基于云平台的 电力电缆缺陷检测方法及其检测系统。
背景技术
为保证供电的稳定不间断,对电力电缆的检测要求在带电的情况 下进行,X射线对电缆的正常运行无影响、灵敏度高,因此,X射线 可以作为一种电力电缆带电检测的手段,但目前并没有得到广泛应 用,原因在于X射线应用于电力电缆检测还存在如下问题:
目前,有关X射线在电力设备检测中经常被采用的是X射线照 相技术(CR技术)和X射线数字成像技术(DR技术),CR技术需 要先在IP板上形成潜影,再将IP板送入扫描仪转化为数字图像,操 作过程复杂,且设备不利于现场检测。DR技术利用平板探测器直接 形成数字图像,不再需要扫描仪,DR在CR的基础上虽然简化了检 测过程和检测设备但一次照射仅能成一张图像,拍摄成像效率较低。
其次,配套的图像接收和处理软件安装运行在专门配置的笔记本 电脑上,对电脑计算性能的要求导致配备的笔记本电脑比较笨重,不 方便随身携带随地使用。
再其次,图像由成像设备到图像处理软件采用有线传输,限制了 操作人员与射线机拍摄区域的距离,灵活性不高,同时增加了辐射防 护难度。
此外,由于现场检测环境、射线源、成像设备等多方面的因素, 拍摄的图像往往清晰度不够,成像质量达不到要求,细节信息被掩盖, 影响对结果的判断。与X射线成像系统配套的图像处理软件发展相 对滞后,通常仅能提供简单的图像调整功能,且需手动操作处理图像, 实际检测中会有大量图像需要处理,手动单张调节会严重影响图像处 理效率。另外,目前的X射线成像系统配套图像处理软件不具备电 力电缆缺陷自动识别功能,对缺陷的判断依靠人眼观察识别,增加了 检测人员的工作量,不利于提高效率和结果管理。
发明内容
本公开的目的是为了克服上述现有技术中存在的缺陷而提出一 种基于云平台的电力电缆缺陷检测方法及其检测系统,能够对电力电 缆内部实时成像,自动进行图像优化处理和识别电缆缺陷,能够有效 的减轻检测人员的工作量,且控制终端体积小、重量轻、使用灵活, 能够满足现场检测要求。
本公开的目的可以通过以下技术方案来实现:
一种基于云平台的电力电缆缺陷检测方法,包括如下步骤:
S100:利用X射线对待测电力电缆进行轴向垂直照射;
S200:接收透过待测电力电缆的X射线实时生成检测图像;
S300:采集实时生成的检测图像并发送至云平台;
S400:对所采集到的检测图像进行预处理;
S500:识别预处理后的检测图像的缺陷并给出识别结果以及评判 预处理后的检测图像的缺陷危害性并给出评判结果。
优选的,步骤S400中,所述对所采集到的检测图像进行预处理 包括如下步骤:
S401:图像几何变换:对检测图像进行倾斜较正,将检测图像自 动变换至电缆轴向沿水平方向;
S402:图像去噪:利用滤波降低检测图像的量子噪声和颗粒噪声;
S403:图像增强:对检测图像进行灰度调节和锐化。
优选的,步骤S500中,所述识别预处理后的检测图像的缺陷是 通过缺陷识别模型完成的,所述缺陷识别模型包括:
图像分类模块,用于判断检测图像中电力电缆的受检测部位;
图像分割模块,根据预置的电力电缆型号匹配检测图像中电力电 缆的标称尺寸,识别检测图像中的电力电缆的结构;
物体检测模块,用于对检测图像中的电力电缆进行缺陷诊断,若 存在缺陷,则在检测图像中对缺陷所在方位进行标记。
优选的,步骤S500中,所述对预处理后的检测图像进行缺陷危 害性评判通过如下方式进行:
其中,Q为缺陷危害性评分,n为缺陷数量,Si为第i个缺陷的 面积大小,Ai为第i个缺陷的权重。
优选的,步骤S500中,所述缺陷类型识别结果和缺陷危害性评 判结果存储于云平台。
优选的,所述缺陷识别模型在使用前需要进行模型训练,所述模 型训练包括如下步骤:
S1001:获取大量X射线电力电缆检测图像形成模型训练图片库;
S1002:对检测图像进行手工标注,所述标注包括:设置检测图 像标签、划分电缆各部分结构并标注名称、框选出检测图像的缺陷位 置;
S1003:将标注完成的检测图像保存至云平台,并进入构建好的 模型进行训练;
S1004:将经过训练的检测图像添加进模型训练图片库,经标注 后用于对模型的再次训练。
本公开还提供一种基于云平台的电力电缆缺陷检测系统,包括:
X射线发生模块,用于产生X射线对待测电力电缆进行轴向垂 直照射;
图像生成模块,用于接收透过待测电力电缆的X射线实时生成检 测图像;
图像采集模块,用于采集实时生成的检测图像并发送至云平台;
图像预处理模块,用于对所采集到的检测图像进行预处理;
图像缺陷识别模块,用于识别预处理后的检测图像的缺陷并给出 识别结果以及评判预处理后的检测图像的缺陷的危害性并给出评判 结果。
优选的,所述图像生成模块包括增强器和荧光显示屏。
优选的,所述图像采集模块包括具有无线通讯功能的智能移动终 端。
优选的,所述图像预处理模块和图像缺陷识别模块均运行于云平 台上。
与现有技术相比,本公开带来的有益效果为:
1、本公开的图像处理程序和数据存储均在云平台完成,不需要 很强的本地计算能力;
2、检测图像能实时动态显示在成像模块显示屏上,摒弃了传统CR或DR成像系统射线机一次加压拍摄一张图像的工作模式;
3、采用人工智能深度学习方法,不需要人工提取特征参数,并 且准确度能够随着训练数据增多而提高;
4、通过云平台汇集不同用户拍摄的电缆检测图像,并训练已有 缺陷模型,从而不断提高检测准确度。
附图说明
图1是一种基于云平台的电力电缆缺陷检测方法流程图。
具体实施方式
下面结合附图和实施例对本公开的技术方案进行详细描述。
参见图1,本公开提供了一种基于云平台的电力电缆缺陷检测方 法,包括如下步骤:
S100:利用X射线对待测电力电缆进行轴向垂直照射;
S200:接收透过待测电力电缆的X射线实时生成检测图像;
S300:采集实时生成的检测图像并发送至云平台;
S400:对所采集到的检测图像进行预处理;
S500:识别预处理后的检测图像的缺陷并给出识别结果以及评判 预处理后的检测图像的缺陷危害性并给出评判结果。
至此,上述实施例完整的公开了一种基于云平台的电力电缆缺陷 检测方法,本实施例中的图像处理和图像存储均在云平台上完成,不 需要很强的本地计算能力,因此,控制程序可运行在移动智能终端, 在减小设备体积的同时便于检测人员在远离射线检测现场通过远程 控制完成电力电缆检测,降低了射线对人体伤害的风险;本实施例能 够实时生成检测图像,摒弃了传统CR或DR成像系统射线机一次加 压拍摄一张图像的工作模式,具有图像采集效率高的优点;本实施例 通过采用人工智能深度学习进行缺陷识别,能够极大提高检测精度, 并且检测精度随着使用过程中检测数据的累积而提高。
另一个实施例中,步骤S400中,所述对所采集到的检测图像进 行预处理包括如下步骤:
S401:图像几何变换:对检测图像进行倾斜较正,将检测图像自 动变换至电缆轴向沿水平方向;
S402:图像去噪:利用滤波降低检测图像的量子噪声和颗粒噪声;
S403:图像增强:对检测图像进行灰度调节和锐化。
在步骤S402的具体实施例中,图像去噪采用多帧平均滤波与小 波包变换结合的方法;
在步骤S403的具体实施例中,图像灰度调节采用基于s曲线灰 度变换;图像锐化可使用梯度算子法、拉普拉斯算子法等
另一个实施例中,步骤S500中,所述识别预处理后的检测图像 的缺陷是通过缺陷识别模型完成的,所述缺陷识别模型包括:
图像分类模块,用于判断检测图像中电力电缆的受检测部位;
图像分割模块,根据预置的电力电缆型号匹配检测图像中电力电 缆的标称尺寸,识别检测图像中的电力电缆的结构;
物体检测模块,用于对检测图像中的电力电缆进行缺陷诊断,若 存在缺陷,则在检测图像中对缺陷所在方位进行标记。
本实施例中,图像分类模块采用卷积神经网络模型中的深度残差 网络ResNet判断检测图像中电力电缆受检测部位,所述部位包括电 力电缆本体、电力电缆终端和电力电缆中间接头;图像分割模块深度 卷积编码-解码结构中的SegNet网络识别检测图像中的电力电缆的 结构,根据用户输入的被测电缆型号,从预置的电力电缆型号数据库 中匹配图中电缆的标称尺寸,根据成像最清晰的金属线芯在检测图像 上的尺寸与该电缆的标称尺寸,得到两者的比例关系,从而粗略得出 被遮挡部位的轮廓位置;物体检测模块采用前沿的Faster-RCNN网络 判断电力电缆检测图像中是否存在缺陷,若存在缺陷,判断缺陷的位置,并在检测图像中标注出缺陷及其位置。需要说明的是,本实施例 的缺陷识别模型还可以采用VGGNet网络、以及以VGGNet为基础 网络的Faster-RCNN、FCN等。
另一个实施例中,步骤S500中,所述对预处理后的检测图像进 行缺陷危害性评判通过如下方式进行:
其中,Q为缺陷危害性评分,n为缺陷数量,Si为第i个缺陷的 面积大小,Ai为第i个缺陷的权重。
本实施例中,将将缺陷按危害性分为不同等级,等级越高,缺陷 造成的危害性越高,权重就越大。
另一个实施例中,步骤S500中,所述缺陷识别结果和缺陷危害 性评判结果存储于云平台。
本实施例中,将缺陷识别结果和缺陷危害性评判结果存储于云平 台上,便于检测人员在远离射线检测现场的情况下即可通过智能终端 获得检测数据,进而对电力电缆的缺陷进行有针对性的维护,具有降 低射线妨害风险的优点,同时便于模型的再训练以进一步提高检测精 度。
另一个实施例中,所述缺陷识别模型在使用前需要进行模型训 练,所述模型训练包括如下步骤:
S1001:获取大量X射线电力电缆检测图像形成模型训练图片库;
S1002:对检测图像进行手工标注,所述标注包括:设置检测图 像标签、划分电缆各部分结构并标注名称、框选出检测图像的缺陷位 置;
S1003:将标注完成的检测图像保存至云平台,并进入构建好的 模型进行训练;
S1004:将经过训练的检测图像添加进模型训练图片库,经标注 后用于对模型的再次训练。
本公开还提供了一种基于云平台的电力电缆缺陷检测系统,包括:
X射线发生模块,用于产生X射线对待测电力电缆进行轴向垂 直照射;
图像生成模块,用于接收透过待测电力电缆的X射线实时生成检 测图像;
图像采集模块,用于采集实时生成的检测图像并发送至云平台;
图像预处理模块,用于对所采集到的检测图像进行预处理;
图像缺陷识别模块,用于识别预处理后的检测图像的缺陷并给出 识别结果以及评判预处理后的检测图像的缺陷的危害性并给出评判 结果。
另一个实施例中,所述图像生成模块包括像增强器和荧光显示 屏。
本实施例中,通过像增强器接收穿过待测电力电缆后的X射线, 并在荧光显示屏上实时生成检测图像。
另一个实施例中,所述图像采集模块包括具有无线通讯功能的智 能移动终端。
本实施例中,所述智能移动终端包括智能手机、笔记本电脑、平 台电脑、车载电脑等。
另一个实施例中,所述图像预处理模块和图像缺陷识别模块均运 行于云平台上。
本实施例中,将图像预处理模块和图像缺陷识别模块运行与云平 台上,一方面可以节省本地运行空间和本地存储空间,另一方面便于 检测人员通过无线网络即可下载接收电力电缆缺陷检测信息,利于提 高工作效率。
以上所述,仅为本公开较佳的具体实施方式,但本公开的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本公开披露的技 术范围内,根据本公开的技术方案及其公开构思加以等同替换或改 变,都应涵盖在本公开的保护范围之内。
Claims (10)
1.一种基于云平台的电力电缆缺陷检测方法,包括如下步骤:
S100:利用X射线对待测电力电缆进行轴向垂直照射;
S200:接收透过待测电力电缆的X射线实时生成检测图像;
S300:采集实时生成的检测图像并发送至云平台;
S400:对所采集到的检测图像进行预处理;
S500:识别预处理后的检测图像的缺陷并给出识别结果以及评判预处理后的检测图像的缺陷危害性并给出评判结果。
2.根据权利要求1所述的检测方法,其特征在于,优选的,步骤S400中,所述对所采集到的检测图像进行预处理包括如下步骤:
S401:图像几何变换:对检测图像进行倾斜较正,将检测图像自动变换至电缆轴向沿水平方向;
S402:图像去噪:利用滤波降低检测图像的量子噪声和颗粒噪声;
S403:图像增强:对检测图像进行灰度调节和锐化。
3.根据权利要求1所述的检测方法,其特征在于,步骤S500中,所述识别预处理后的检测图像的缺陷是通过缺陷识别模型完成的,所述缺陷识别模型包括:
图像分类模块,用于判断检测图像中电力电缆的受检测部位;
图像分割模块,根据预置的电力电缆型号匹配检测图像中电力电缆的标称尺寸,识别检测图像中的电力电缆的结构;
物体检测模块,用于对检测图像中的电力电缆进行缺陷诊断,若存在缺陷,则在检测图像中对缺陷所在方位进行标记。
4.根据权利要求1所述的检测方法,其特征在于,步骤S500中,所述对预处理后的检测图像进行缺陷危害性评判通过如下方式进行:
其中,Q为缺陷危害性评分,n为缺陷数量,Si为第i个缺陷的面积大小,Ai为第i个缺陷的权重。
5.根据权利要求1所述的检测方法,其特征在于,步骤S500中,所述缺陷类型识别结果和缺陷危害性评判结果存储于云平台。
6.根据权利要求3所述的检测方法,其特征在于,所述缺陷识别模型在使用前需要进行模型训练,所述模型训练包括如下步骤:
S1001:获取大量X射线电力电缆检测图像形成模型训练图片库;
S1002:对检测图像进行手工标注,所述标注包括:设置检测图像标签、划分电缆各部分结构并标注名称、框选出检测图像的缺陷位置;
S1003:将标注完成的检测图像保存至云平台,并进入构建好的模型进行训练;
S1004:将经过训练的检测图像添加进模型训练图片库,经标注后用于对模型的再次训练。
7.一种基于云平台的电力电缆缺陷检测系统,包括:
X射线发生模块,用于产生X射线对待测电力电缆进行轴向垂直照射;
图像生成模块,用于接收透过待测电力电缆的X射线实时生成检测图像;
图像采集模块,用于采集实时生成的检测图像并发送至云平台;
图像预处理模块,用于对所采集到的检测图像进行预处理;
图像缺陷识别模块,用于识别预处理后的检测图像的缺陷并给出识别结果以及评判预处理后的检测图像的缺陷的危害性并给出评判结果。
8.根据权利要求7所述的检测系统,其特征在于,所述图像生成模块包括增强器和荧光显示屏。
9.根据权利要求7所述的检测系统,其特征在于,所述图像采集模块包括具有无线通讯功能的智能移动终端。
10.根据权利要求7所述的检测系统,其特征在于,所述图像预处理模块和图像缺陷识别模块均运行于云平台上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811327932.1A CN109685761B (zh) | 2018-11-08 | 2018-11-08 | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811327932.1A CN109685761B (zh) | 2018-11-08 | 2018-11-08 | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685761A true CN109685761A (zh) | 2019-04-26 |
CN109685761B CN109685761B (zh) | 2020-09-22 |
Family
ID=66184620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811327932.1A Active CN109685761B (zh) | 2018-11-08 | 2018-11-08 | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685761B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599460A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于混合卷积神经网络的地下管网检测评估云系统 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
CN111596179A (zh) * | 2020-05-25 | 2020-08-28 | 国网湖南省电力有限公司 | 基于数字成像技术的电缆缓冲层缺陷带电检测方法、系统、介质及设备 |
CN111855700A (zh) * | 2020-07-17 | 2020-10-30 | 清华大学 | 基于智能手机的产品抽检商标缺陷检测系统及方法 |
CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
CN112179922A (zh) * | 2020-09-24 | 2021-01-05 | 安徽德尔电气集团有限公司 | 一种电线电缆缺陷检测系统 |
CN113706500A (zh) * | 2021-08-25 | 2021-11-26 | 河南九域恩湃电力技术有限公司 | 一种基于dr检测的管理系统 |
CN115981256A (zh) * | 2022-12-19 | 2023-04-18 | 肇庆高峰机械科技有限公司 | 一种磁钢码垛装置的云端控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680854A (zh) * | 2012-05-08 | 2012-09-19 | 山东康威通信技术股份有限公司 | 一种电力电缆隐性故障及接头工艺缺陷在线监测方法 |
CN104090214A (zh) * | 2014-07-31 | 2014-10-08 | 成都高斯电子技术有限公司 | 一种电缆故障检测及老化分析方法 |
CN107808241A (zh) * | 2017-10-16 | 2018-03-16 | 山西太钢不锈钢股份有限公司 | 一种不锈钢表面检测结果综合分析系统 |
CN107941828A (zh) * | 2018-01-03 | 2018-04-20 | 国网安徽省电力有限公司电力科学研究院 | 一种基于x射线实时成像技术的电力电缆及接头无损检测系统及方法 |
CN108020751A (zh) * | 2017-11-06 | 2018-05-11 | 四川大学 | 一种电缆故障检测方法及电缆故障检测系统 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
-
2018
- 2018-11-08 CN CN201811327932.1A patent/CN109685761B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680854A (zh) * | 2012-05-08 | 2012-09-19 | 山东康威通信技术股份有限公司 | 一种电力电缆隐性故障及接头工艺缺陷在线监测方法 |
CN104090214A (zh) * | 2014-07-31 | 2014-10-08 | 成都高斯电子技术有限公司 | 一种电缆故障检测及老化分析方法 |
CN107808241A (zh) * | 2017-10-16 | 2018-03-16 | 山西太钢不锈钢股份有限公司 | 一种不锈钢表面检测结果综合分析系统 |
CN108020751A (zh) * | 2017-11-06 | 2018-05-11 | 四川大学 | 一种电缆故障检测方法及电缆故障检测系统 |
CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
CN107941828A (zh) * | 2018-01-03 | 2018-04-20 | 国网安徽省电力有限公司电力科学研究院 | 一种基于x射线实时成像技术的电力电缆及接头无损检测系统及方法 |
CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599460A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于混合卷积神经网络的地下管网检测评估云系统 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
CN111596179A (zh) * | 2020-05-25 | 2020-08-28 | 国网湖南省电力有限公司 | 基于数字成像技术的电缆缓冲层缺陷带电检测方法、系统、介质及设备 |
CN111855700A (zh) * | 2020-07-17 | 2020-10-30 | 清华大学 | 基于智能手机的产品抽检商标缺陷检测系统及方法 |
CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
CN112179922A (zh) * | 2020-09-24 | 2021-01-05 | 安徽德尔电气集团有限公司 | 一种电线电缆缺陷检测系统 |
CN113706500A (zh) * | 2021-08-25 | 2021-11-26 | 河南九域恩湃电力技术有限公司 | 一种基于dr检测的管理系统 |
CN115981256A (zh) * | 2022-12-19 | 2023-04-18 | 肇庆高峰机械科技有限公司 | 一种磁钢码垛装置的云端控制系统 |
CN115981256B (zh) * | 2022-12-19 | 2023-08-08 | 肇庆高峰机械科技有限公司 | 一种磁钢码垛装置的云端控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109685761B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685761A (zh) | 一种基于云平台的电力电缆缺陷检测方法及其检测系统 | |
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
CN109859168B (zh) | 一种x射线胸片图像质量确定方法及装置 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN102175701B (zh) | 工业x射线机在线探伤检测系统及方法 | |
CN108288506A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
CN109003390A (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核系统 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
CN112730454A (zh) | 基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法 | |
CN109299632A (zh) | 皮肤检测方法、系统、设备及存储介质 | |
CN113256605B (zh) | 一种基于深度神经网络的乳腺癌图像识别分类方法 | |
CN113256672B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 | |
CN116712042B (zh) | 一种荧光影像的扫描成像系统及方法 | |
CN113935971A (zh) | 一种复合材料表面缺陷的检测方法及装置 | |
CN111402231A (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
CN117670834A (zh) | 一种无人机喷涂缺陷图像检测方法 | |
CN115661057A (zh) | 一种基于云边协同和深度学习的工业无损检测系统与方法 | |
CN116503807A (zh) | 一种设备巡检方法、装置、电子设备及计算机程序产品 | |
CN110414551A (zh) | 一种基于rcnn网络对医疗器械进行自动分类的方法及系统 | |
CN115601712A (zh) | 适用于现场安全措施的图像数据处理方法及系统 | |
CN113408805A (zh) | 一种雷电地闪识别方法、装置、设备及可读存储介质 | |
CN118069469B (zh) | 一种基于人工智能的建筑工程安全监测方法及系统 |
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 |