CN109765462A - 输电线路的故障检测方法、装置和终端设备 - Google Patents
输电线路的故障检测方法、装置和终端设备 Download PDFInfo
- Publication number
- CN109765462A CN109765462A CN201910165020.7A CN201910165020A CN109765462A CN 109765462 A CN109765462 A CN 109765462A CN 201910165020 A CN201910165020 A CN 201910165020A CN 109765462 A CN109765462 A CN 109765462A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- faster
- fault
- network
- electricity
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于图像识别技术领域,提供了一种输电线路的故障检测方法、装置和终端设备。该方法包括:获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集;建立快速区域卷积神经网络Faster‑RCNN模型,并根据所述Faster‑RCNN模型对所述故障数据集进行特征提取得到训练后的Faster‑RCNN模型;将采集的输电线路巡检图像输入到所述训练后的Faster‑RCNN模型检测输电线路故障。本发明能够提高无人机巡检实时性,减少故障误判和漏判问题,提升故障诊断的准确性,在提升巡检诊断效率的同时节省了大量人力物力。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种输电线路的故障检测方法、装置和终端设备。
背景技术
传统输电线路的故障检测方法主要通过直升机或无人机进行巡检,采集输电线路图像。直升机巡检主要通过人工筛查的方式进行输电线路巡检,例如由经验丰富的从业人员通过望远镜进行故障筛查,主要针对销钉这一类的可见光故障,或是通过安装在吊舱内的红外设备进行故障的扫描,主要针对鸟巢、绝缘子自爆等类的红外故障;输电线路巡检无人机主要搭载各种巡检设备沿输电线路飞行,采集输电线图像并判断输电线的状况,通过图像识别技术和无人机巡检相结合进行故障检测。但是,直升机和无人机巡检由于技术和巡检模式上的局限性,仍然存在单次飞行采集的有效可识别信息不足,数据无法现场分析处理,缺陷诊断准确度不高,巡检结果挖掘不充分等问题。
发明内容
有鉴于此,本发明实施例提供了一种输电线路的故障检测方法、装置和终端设备,以解决现有技术中无人机巡检有效识别率低,出现较多误判和漏判,使得故障诊断准确度不高的问题。
本发明实施例的第一方面提供了一种输电线路的故障检测方法,包括:
获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集;
建立Faster-RCNN(Faster Region-based Convolution Neural Network,快速区域卷积神经网络)模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型;
将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
可选的,在对所述输电线路巡检图像集进行故障信息标注之前,所述方法还包括:
利用深度卷积生成对抗网络DCGAN(Deep Convolutional GenerativeAdversarial Networks),通过所述对抗网络对所述输电线路巡检图像集进行数据增广。
可选的,所述对所述输电线路巡检图像集进行故障信息标注得到故障数据集,包括:
利用标注工具对所述输电线路巡检图像集中每张图像进行故障类别和故障位置的标注,得到故障数据集。
可选的,所述建立Faster-RCNN模型,包括:
将VGG16网络作为共享网络,并在所述共享网络的最后一个卷积层设置区域选取网络;
在所述区域选取网络的输出端和所述共享网络的最后一个卷积层依次设置特征区域ROI池化层和预设个数的全连接层;
根据所述ROI池化层和所述预设个数的全连接层进行分类得到分类结果。
可选的,所述区域选取网络包括:
设置多个候选窗口,并映射到所述共享网络的最后一层卷积特征图上得到候选特征框;
根据归一化指数函数确定多个所述候选特征框中的目标特征框;
根据所述目标特征框的位置和尺寸确定每个候选窗口的第一边框回归偏移量;
根据所述第一边框回归偏移量修正所述候选窗口得到建议窗口,并剔除异常建议窗口。
可选的,所述根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型,包括:
根据VGG16网络提取所述故障数据集中每张图像的多层卷积特征图;
将所述区域选取网络生成的多个建议窗口映射到每张图像的最后一层卷积特征图上得到多个特征框,计算所述区域选取网络的分类损失和边框回归损失;
通过ROI池化层对每个特征框进行融合生成预设尺寸的特征图;
采用所述归一化指数函数和所述全连接层将多个所述特征图进行分类,根据分类结果、所述分类损失和所述边框回归损失确定所述训练后的Faster-RCNN模型。
可选的,所述根据所述归一化指数函数和所述全连接层将多个所述特征图进行分类之后,所述方法还包括:
根据边框回归算法获取分类后的特征图对应的建议窗口的第二边框回归偏移量,并根据所述第二边框回归偏移量修正所述区域选取网络的建议窗口。
本发明实施例的第二方面提供了一种输电线路的故障检测装置,包括:
训练集建立模块,用于获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集;
特征提取模型训练模块,用于建立快速区域卷积神经网络Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型;
故障检测模块,用于将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述的输电线路的故障检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的输电线路的故障检测方法的步骤。
本发明实施例中的输电线路的故障检测方法、装置和终端设备与现有技术相比存在的有益效果是:首先获取包括故障信息的输电线路巡检图像集,对所述输电线路巡检图像集进行故障信息标注得到故障数据集,确定故障信息以便训练检测模型;然后建立Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型,不需要进行图像分辨率的标准化处理,保留特征的完整性,减少故障误判和漏判问题,提升故障诊断的准确性;最后将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障,提高了无人机巡检实时性,在提升巡检诊断效率的同时节省了大量人力物力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的输电线路的故障检测方法的实现流程示意图;
图2是本发明实施例提供的建立Faster-RCNN模型的实现流程示意图;
图3是本发明实施例提供的建立区域选取网络的实现流程示意图;
图4是图1中步骤102的具体实现流程示意图;
图5是本发明实施例提供的输电线路的故障检测装置的结构框图;
图6是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
参见图1提供了输电线路的故障检测方法的一个实施例实现流程示意图,详述如下:
步骤S101,获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集。
一个实施例中,在对所述输电线路巡检图像集进行故障信息标注之前,所述方法还包括:利用深度卷积生成对抗网络,通过所述对抗网络对所述输电线路巡检图像集进行数据增广。
本实施例先获取输电线路巡检图像集,使用深度卷积生成对抗网络对输电线路巡检图像集进行增广,以满足后面对故障数据集进行训练的数据要求。
首先建立深度卷积生成对抗网络模型:根据包括批归一化的四层卷积网络构建生成器模型和判别器模型。
具体的,生成器模型使用反卷积层代替卷积神经网络的池化层进行上采样,除了生成器模型的输出层,在卷积神经网络的其它层上都使用批归一化方法实现生成器模型和判别器模型的稳定学习;然后去除卷积神经网络的全连接层,直接使用卷积层连接生成器的输入层和输出层,使整个网络变成全卷积网络;另外在生成器模型的输出层使用Tanh(双曲正切)激活函数,而在其它层使用ReLU(线性整流函数)激活函数。
判别器模型使用跨步卷积层代替卷积神经网络的池化层进行上采样,除了判别器模型的输入层,在卷积神经网络的其它层上都使用批归一化方法实现生成器模型和判别器模型的稳定学习;然后去除卷积神经网络的全连接层,直接使用卷积层连接判别器的输入层和输出层,使整个网络变成全卷积网络;另外,在判别器的输出层上使用leaky ReLU(带泄露修正线性单元)激活函数。
进一步的,将输电线路巡检图像集中每一类故障类型的图像子集分别输入到对抗网络模型中进行训练,示例性的,深度卷积生成对抗网络模型的批尺寸可以设置为64,卷积核大小可以设置为5*5,卷积步长可以设置为2。训练过程中生成器模型和判别器模型同时训练,并使用两个优化器用于对判别器模型和生成器模型的损失函数进行最小化,使得对应模型的损失函数更加准确,最后得到每一类故障类型的对抗网络模型,最终获取数据增广后的输电线路巡检图像集。其中,优化器则为一种函数优化方法,判别器模型和生成器模型的优化器可以是同一种优化器,也可以是不同的优化器,本实施例对优化器的种类不进行具体限定,例如可以是梯度下降法,还可以是其他可以优化损失函数的优化方法。
另外,对于输入的图集,判别器模型的损失函数d_loss_real为判别器模型的输出A与1的交叉熵,而对于输出的图集,判别器模型的损失函数d_loss_fake为判别器的输出B与0的交叉熵,即判别器模型的损失函数d_loss=d_loss_real+d_loss_fake。生成器模型的损失函数是:判别器对于输出的图集时的输出B与1的交叉熵。
使用深度卷积生成对抗网络模型通过无监督学习的方式进行输电线路巡检图像集的数据增广,相比传统的变换角度、图片旋转等图像处理方式,可以更加快速是增加样本的数量并减小样本间的相似度,更好地满足Faster-RCNN模型的数据量需求。
一个实施例中,所述对所述输电线路巡检图像集进行故障信息标注得到故障数据集,包括:
利用标注工具对所述输电线路巡检图像集中每张图像进行故障类别和故障位置的标注,得到故障数据集。
示例性的,将数据增广后的输电线路巡检图像集中的每张图像利用图像标注工具Labeling(标签)进行标注,获取每张图像的名称、故障类别和故障位置,得到故障数据集,即得到训练Faster-RCNN模型的数据集。
具体的,将数据增广后的输电线路巡检图像集进行标注获取每张图像的名称、故障类别和故障位置,并将获取的故障信息保存到xml文件中;将得到的xml文件制作成VOC2007(一种数据集的格式)数据集Annotations(注释)文件中的xml文件格式;另外,还可以将故障数据集按3:1:1的比例分配为训练集、验证集以及测试集,并按照VOC2007数据集ImageSets(像集)文件中的txt文件格式制作训练集train.txt、验证集val.txt和测试集test.txt;下载VOC2007数据集,将得到的txt数据替换ImageSets文件中的数据。
步骤S102,建立快速区域卷积神经网络Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型。
Faster-RCNN模型适用于各种尺寸的图像,不需要进行图像分辨率的标准化处理,允许直接将原尺寸的影像输入网络,保留更多的信息,使得特征提取的时候信息更加完整,提高准确率。
一个实施例中,参见图2,建立Faster-RCNN模型的具体实现流程包括:
步骤S201,将VGG16网络作为共享网络,并在所述共享网络的最后一个卷积层设置区域选取网络。
步骤S202,在所述区域选取网络的输出端和所述共享网络的最后一个卷积层依次设置ROI池化层和预设个数的全连接层。
步骤S203,根据所述ROI池化层和所述预设个数的全连接层进行分类得到分类结果。
具体的,Faster-RCNN模型可以分为两个部分,第一部分是区域选取网络(RegionProposal Network,RPN)来得到图像的特征候选区域(故障特征),第二部分是分类网络,用来对特征候选区域进行分类并判断特征候选区域的准确性。其中,区域选取网络和分类网络共享整个Faster-RCNN模型前几层的卷积层和池化层,即Faster-RCNN模型在区域选取网络前端还包括共享网络。Faster-RCNN模型的建立过程具体如下:
首先建立共享网络。本实施例使用VGG16网络的卷积层部分作为Faster-RCNN模型的共享网络,VGG16网络是卷积神经网络的一种经典网络,其包括了16个卷积层和全连接层,最大的优点是简化了神经网络结构,使得特征训练更加便捷,在本实施例中VGG16网络的卷积核的尺寸相对较小,将一个包括多个较小卷积核的卷积层代替一个卷积核较大的卷积层,一方面可以减少参数,另一方面可以进行更多的非线性映射,增加网络的拟合表达能力。
示例性的,VGG16网络的卷积核的尺寸可以为3*3,池化核的尺寸可以为2*2,每层的卷积层还可以包括2~4个卷积操作(既可以包括2~4个卷积核),卷积步长可以为1,通过反复堆叠小尺寸的卷积核和池化核构建具有16层深度的卷积神经网络。另外,在共享网络的多尺度训练方面,VGG16网络还可以将输入的原始图像缩放成不同尺寸,再将不同尺寸的图像的尺寸随机裁剪为预设尺寸,例如裁剪为224*224的尺寸,增加图像特征的数据量,防止Faster-RCNN模型过拟合。
然后,在共享网络的最后一个卷积层设置区域选取网络和ROI池化层,区域选取网络的输出也与所述ROI池化层连接,ROI池化层之后设置预设个数的全连接层。区域选取网络生成多个建议窗口,建议窗口映射到共享网络的最后一个卷积层的图像特征图上得到图像的特征候选区域,ROI池化层可以用来对特征候选区域进行特征融合,特征融合之后使用预设个数的全连接层进行特征分类得到分类结果,即ROI池化层和预设个数的全连接层作为Faster-RCNN模型的分类网络。
可选的,分类结果可以包括两个结果信息,一个是特征候选区域的分类结果,另一个是区域选取网络的建议窗口的回归输出(第二边框回归偏移量),所述回归输出用于区域选取网络的调整建议窗口的位置。
示例性的,本实施例可以使用三个全连接层对ROI池化层的输出进行分类。具体的,通过三个全连接层与归一化指数函数计算每个特征候选区域具体属于哪个故障类别,输出特征候选区域的分类概率向量,同时还可以利用边框回归法获得每个建议窗口的边框回归偏移量,用于回归更加精确的建议窗口,实现多故障目标的精确识别检测。
可选的,Faster-RCNN模型还可以利用Softmax Loss(探测分类概率)法和SmoothL1Loss(探测边框回归)法对分类概率向量和边框回归(Bounding box regression)法联合训练,精确Faster-RCNN模型,提高故障检测精度。
一个实施例中,参见图3,建立所述区域选取网络的具体实现流程包括:
步骤S301,设置多个候选窗口,并映射到所述共享网络的最后一层卷积特征图上得到候选特征框。
步骤S302,根据归一化指数函数确定多个所述候选特征框中的目标特征框。
步骤S303,根据所述目标特征框的位置和尺寸确定每个候选窗口的第一边框回归偏移量。
步骤S304,根据所述第一边框回归偏移量修正所述候选窗口得到建议窗口,并剔除异常建议窗口。
具体的,区域选取网络会生成多个候选窗口,并将多个候选窗口映射到所述共享网络的最后一层卷积特征图上得到候选特征框(特征候选区域),然后区域选取网络的输入依次设置至少一个大卷积层和两个卷积基层,其中一个卷积基层的输出通过归一化指数函数对候选特征框进行分类获得目标和背景,即检测候选特征框是否为目标特征框,另一个卷积基层的输出根据所述目标特征框的位置和尺寸确定每个候选窗口的第一边框回归偏移量,以获得精确的建议窗口,即输出目标特征框的中心点坐标、框的长坐标和宽坐标,最后根据所述第一边框回归偏移量修正所述候选窗口得到建议窗口,并剔除异常建议窗口。
示例性的,区域选取网络的输入依次设置一个大卷积层和两个卷积基层,所述大卷积层可以包括256个卷积核,卷积核的尺寸可以为3*3,步长可以为1;卷积基层是卷积核尺寸为1*1的卷积层。卷积基层1的输出通过归一化指数函数对候选特征框进行分类获得目标特征框,卷积基层2的输出根据目标特征框的位置和尺寸,而区域选取网络最后的建议层则根据第一边框回归偏移量修正候选窗口得到建议窗口,同时剔除太小和超出边界的建议窗口。
一个实施例中,参见图4,步骤102中根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型的具体实现流程包括:
步骤S401,根据VGG16网络提取所述故障数据集中每张图像的多层卷积特征图。
步骤S402,将所述区域选取网络生成的多个建议窗口映射到每张图像的最后一层卷积特征图上得到多个特征框,计算所述区域选取网络的分类损失和边框回归损失。
步骤S403,通过ROI池化层对每个特征框进行融合生成预设尺寸的特征图。
步骤S404,采用所述归一化指数函数和所述全连接层将多个所述特征图进行分类,根据分类结果、所述分类损失和所述边框回归损失确定所述训练后的Faster-RCNN模型。
可选的,所述根据所述归一化指数函数和所述全连接层将多个所述特征图进行分类之后,所述输电线路的故障检测方法还可以包括:
根据边框回归算法获取分类后的特征图对应的建议窗口的第二边框回归偏移量,并根据所述第二边框回归偏移量修正所述区域选取网络的建议窗口。
具体的,首先将故障数据集(或者故障数据集的一部分)的图像输入建立的Faster-RCNN模型,通过Faster-RCNN模型的共享网络提取图像的特征图;区域选取网络会通过归一化指数函数判断候选特征框是否是目标特征框,同时计算候选特征框和目标特征框之间的缩放尺度与平移尺度,通过平移尺度与缩放尺度对候选特征框进行位置修正,获取建议窗口,同时剔除太小和超出边界的建议框。
本实施例还可以计算区域选取网络的整体损失(分类损失和边框回归损失)以便区域选取网络训练,更加准确地定位目标区域,实现对候选特征框进行位置的准确修正。具体如下:通过
得到分类损失Lcls;其中,i为整数,pi表示第i个候选特征框预测为目标特征框的概率,表示第i个候选特征框对应的GT(Ground Truth,有效值)预测概率。然后通过
得到回归损失Lreg;其中,ti表示第i个候选特征框的坐标向量,表示第i个目标特征框的坐标向量,R表示探测边框回归函数。最后通过
得到区域选取网络的整体损失L(pi,pi *);其中,Ncls表示分类损失Lcls的归一化值等于mini-batch(最小批尺寸)时的值,Nreg表示回归损失的归一化值在候选特征框内的数量,λ表示平衡权重。
然后,将区域选取网络的多个建议窗口映射到每张图像的最后一层卷积特征图上得到多个特征框,通过ROI池化层对每个特征框进行融合生成预设尺寸的特征图,采用归一化指数函数和全连接层将多个特征图进行分类。
最后根据边框回归算法获取分类后的特征图对应的建议窗口的第二边框回归偏移量,并根据所述第二边框回归偏移量修正所述区域选取网络的建议窗口,即计算特征框的平移尺度与缩放尺度,并修正所述区域选取网络的建议窗口,获取更加精准的建议窗口。
可选的,本实施还可以根据分类结果调整Faster-RCNN模型的学习率和迭代次数,根据故障数据集重新训练,得到精准的输电线路故障检测模型。
步骤S103,将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
示例性的,将采集的输电线路巡检图像进行数据增广和标注后输入到训练后的Faster-RCNN模型进行故障检测,或故障数据集中一部分图像作为训练数据集输入到训练后的Faster-RCNN模型进行测试。Faster-RCNN模型的共享网络提取图像的多层卷积特征图,然后区域候选网络将多个建议窗口映射到共享网络的最后一层卷积特征图上得到多个特征框;Faster-RCNN模型的分类网络中,池化层使得每个特征框生成尺寸大小相同的特征图,归一化指数函数和全连接层将多个特征图进行分类输出结果。另外在Faster-RCNN模型中,还可以利用探测分类概率对得出的分类概率进行训练,以及利用探测边框回归法根据边框回归偏移量对区域选取网络的建议窗口进行训练,进一步精确Faster-RCNN模型,提高故障检测精度。
上述输电线路的故障检测方法,首先获取包括故障信息的输电线路巡检图像集,对所述输电线路巡检图像集进行故障信息标注得到故障数据集,确定故障信息以便训练检测模型;然后建立Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型,不需要进行图像分辨率的标准化处理,保留特征的完整性,减少故障误判和漏判问题,提升故障诊断的准确性;最后将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障,提高了无人机巡检实时性,在提升巡检诊断效率的同时节省了大量人力物力。
本领域技术人员可以理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二
对应于上文实施例一所述的输电线路的故障检测方法,图5中示出了本发明实施例二中输电线路的故障检测装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分。
该装置包括:训练集建立模块110、特征提取模型训练模块120和故障检测模块130。
训练集建立模块110用于获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集。
特征提取模型训练模块120用于建立快速区域卷积神经网络Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型。
故障检测模块130用于将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
上述输电线路的故障检测装置中,训练集建立模块110先获取包括故障信息的输电线路巡检图像集,对所述输电线路巡检图像集进行故障信息标注得到故障数据集,确定故障信息以便训练检测模型;然后特征提取模型训练模块120建立Faster-RCNN模型,并对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型,不需要进行图像分辨率的标准化处理,保留特征的完整性,减少故障误判和漏判问题,提升故障诊断的准确性;最后故障检测模块130将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障,提高了无人机巡检实时性,在提升巡检诊断效率的同时节省了大量人力物力。
实施例三
图6是本发明实施例三提供的终端设备100的示意图。如图6所示,该实施例的终端设备100包括:处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序151,例如输电线路的故障检测方法的程序。所述处理器140在执行所述计算机程序151时实现上述输电线路的故障检测方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器140执行所述计算机程序151时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块110至130的功能。
示例性的,所述计算机程序151可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器150中,并由所述处理器140执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序151在所述终端设备100中的执行过程。例如,所述计算机程序151可以被分割成训练集建立模块、特征提取模型训练模块和故障检测模块,各模块具体功能如下:
训练集建立模块用于获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集。
特征提取模型训练模块用于建立快速区域卷积神经网络Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型。
故障检测模块用于将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
所述终端设备100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备100可包括,但不仅限于处理器140、存储器150。本领域技术人员可以理解,图6仅仅是终端设备100的示例,并不构成对终端设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备100还可以包括输入输出设备、网络接入设备、总线等。
所称处理器140可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器150可以是所述终端设备100的内部存储单元,例如终端设备100的硬盘或内存。所述存储器150也可以是所述终端设备100的外部存储设备,例如所述终端设备100上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器150还可以既包括所述终端设备100的内部存储单元也包括外部存储设备。所述存储器150用于存储所述计算机程序以及所述终端设备100所需的其他程序和数据。所述存储器150还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模型的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输电线路的故障检测方法,其特征在于,包括:
获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集;
建立快速区域卷积神经网络Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型;
将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
2.如权利要求1所述的输电线路的故障检测方法,其特征在于,在对所述输电线路巡检图像集进行故障信息标注之前,所述方法还包括:
利用深度卷积生成对抗网络,通过所述对抗网络对所述输电线路巡检图像集进行数据增广。
3.如权利要求1所述的输电线路的故障检测方法,其特征在于,所述对所述输电线路巡检图像集进行故障信息标注得到故障数据集,包括:
利用标注工具对所述输电线路巡检图像集中每张图像进行故障类别和故障位置的标注,得到故障数据集。
4.如权利要求1所述的输电线路的故障检测方法,其特征在于,所述建立Faster-RCNN模型,包括:
将VGG16网络作为共享网络,并在所述共享网络的最后一个卷积层设置区域选取网络;
在所述区域选取网络的输出端和所述共享网络的最后一个卷积层依次设置特征区域ROI池化层和预设个数的全连接层;
根据所述ROI池化层和所述预设个数的全连接层进行分类得到分类结果。
5.如权利要求4所述的输电线路的故障检测方法,其特征在于,建立所述区域选取网络,包括:
设置多个候选窗口,并映射到所述共享网络的最后一层卷积特征图上得到候选特征框;
根据归一化指数函数确定多个所述候选特征框中的目标特征框;
根据所述目标特征框的位置和尺寸确定每个候选窗口的第一边框回归偏移量;
根据所述第一边框回归偏移量修正所述候选窗口得到建议窗口,并剔除异常建议窗口。
6.如权利要求5所述的输电线路的故障检测方法,其特征在于,所述根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型,包括:
根据VGG16网络提取所述故障数据集中每张图像的多层卷积特征图;
将所述区域选取网络生成的多个建议窗口映射到每张图像的最后一层卷积特征图上得到多个特征框,计算所述区域选取网络的分类损失和边框回归损失;
通过ROI池化层对每个特征框进行融合生成预设尺寸的特征图;
采用所述归一化指数函数和所述全连接层将多个所述特征图进行分类,根据分类结果、所述分类损失和所述边框回归损失确定所述训练后的Faster-RCNN模型。
7.如权利要求6所述的输电线路的故障检测方法,其特征在于,所述根据所述归一化指数函数和所述全连接层将多个所述特征图进行分类之后,所述方法还包括:
根据边框回归算法获取分类后的特征图对应的建议窗口的第二边框回归偏移量,并根据所述第二边框回归偏移量修正所述区域选取网络的建议窗口。
8.一种输电线路的故障检测装置,其特征在于,包括:
训练集建立模块,用于获取包括故障信息的输电线路巡检图像集,并对所述输电线路巡检图像集进行故障信息标注得到故障数据集;
特征提取模型训练模块,用于建立快速区域卷积神经网络Faster-RCNN模型,并根据所述Faster-RCNN模型对所述故障数据集进行特征提取得到训练后的Faster-RCNN模型;
故障检测模块,用于将采集的输电线路巡检图像输入到所述训练后的Faster-RCNN模型检测输电线路故障。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的输电线路的故障检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的输电线路的故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910165020.7A CN109765462A (zh) | 2019-03-05 | 2019-03-05 | 输电线路的故障检测方法、装置和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910165020.7A CN109765462A (zh) | 2019-03-05 | 2019-03-05 | 输电线路的故障检测方法、装置和终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109765462A true CN109765462A (zh) | 2019-05-17 |
Family
ID=66457753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910165020.7A Pending CN109765462A (zh) | 2019-03-05 | 2019-03-05 | 输电线路的故障检测方法、装置和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765462A (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110247725A (zh) * | 2019-06-24 | 2019-09-17 | 国网河北省电力有限公司经济技术研究院 | Otn网络的线路故障排查方法、装置及终端设备 |
CN110246128A (zh) * | 2019-06-17 | 2019-09-17 | 苏州浪潮智能科技有限公司 | 一种基于深度学习的工业故障检测方法以及设备 |
CN110378221A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110443130A (zh) * | 2019-07-01 | 2019-11-12 | 国网湖南省电力有限公司 | 一种配电网架空线路异常状态检测方法 |
CN110531218A (zh) * | 2019-09-04 | 2019-12-03 | 国网四川省电力公司乐山供电公司 | 一种基于图像轮廓检测的输电线路故障识别系统 |
CN110569717A (zh) * | 2019-07-26 | 2019-12-13 | 深圳供电局有限公司 | 局部放电检测方法、装置、系统、设备及可读存储介质 |
CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
CN110716101A (zh) * | 2019-09-05 | 2020-01-21 | 广州供电局有限公司 | 电力线路故障定位方法、装置、计算机和存储介质 |
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 |
CN110889357A (zh) * | 2019-11-19 | 2020-03-17 | 湖南国奥电力设备有限公司 | 基于标注区域的地下电缆故障检测方法和装置 |
CN110907749A (zh) * | 2019-11-19 | 2020-03-24 | 湖南国奥电力设备有限公司 | 故障地下电缆定位方法和装置 |
CN110929618A (zh) * | 2019-11-15 | 2020-03-27 | 国网江西省电力有限公司电力科学研究院 | 一种用于配电网跨越式建筑的安全隐患检测与评估方法 |
CN111091552A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折角塞门把手关闭故障图像识别方法 |
CN111311967A (zh) * | 2020-03-31 | 2020-06-19 | 普宙飞行器科技(深圳)有限公司 | 基于无人机的电力线路巡检系统及方法 |
CN111372042A (zh) * | 2020-01-16 | 2020-07-03 | 上海眼控科技股份有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN111459178A (zh) * | 2020-04-30 | 2020-07-28 | 广东电网有限责任公司 | 一种自动激光消缺的5g智能巡视系统 |
CN111735815A (zh) * | 2020-06-18 | 2020-10-02 | 江苏方天电力技术有限公司 | 一种输电线路小金具缺陷检测方法、装置及存储介质 |
CN111917178A (zh) * | 2020-06-23 | 2020-11-10 | 国网浙江乐清市供电有限公司 | 一种运维一体化变电站的巡视方法 |
CN112131907A (zh) * | 2019-06-24 | 2020-12-25 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
CN112183191A (zh) * | 2020-08-18 | 2021-01-05 | 天津大学 | 一种基于对抗训练的检测输电线路中鸟巢的方法 |
CN112233193A (zh) * | 2020-09-30 | 2021-01-15 | 上海恒能泰企业管理有限公司 | 一种基于多光谱图像处理的变电设备故障诊断方法 |
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 |
CN112668696A (zh) * | 2020-12-25 | 2021-04-16 | 杭州中科先进技术研究院有限公司 | 一种基于嵌入式深度学习的无人机电网巡检方法和系统 |
CN112991297A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、系统、电子设备和存储介质 |
CN113255605A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面病害检测方法、装置、终端设备及存储介质 |
CN113361508A (zh) * | 2021-08-11 | 2021-09-07 | 四川省人工智能研究院(宜宾) | 一种基于无人机-卫星的跨视角地理定位方法 |
CN113359826A (zh) * | 2021-06-02 | 2021-09-07 | 太原理工大学 | 一种无人机智能电力巡检系统及方法 |
CN113411204A (zh) * | 2021-05-17 | 2021-09-17 | 吴志伟 | 电信接入网设施故障检测方法、装置及计算机存储介质 |
CN114091699A (zh) * | 2021-11-18 | 2022-02-25 | 广东电网有限责任公司 | 一种电力通信设备故障诊断方法及系统 |
CN114241185A (zh) * | 2021-11-23 | 2022-03-25 | 国网上海市电力公司 | 一种大型油浸式电力变压器内部油中缺陷识别技术 |
CN114299359A (zh) * | 2021-12-22 | 2022-04-08 | 山东浪潮科学研究院有限公司 | 一种检测输电线路故障的方法、设备及存储介质 |
TWI769829B (zh) * | 2021-05-21 | 2022-07-01 | 崛智科技有限公司 | 積體電路輔助設計裝置與方法以及電性效能梯度模型建構方法 |
CN114998758A (zh) * | 2022-05-26 | 2022-09-02 | 电子科技大学 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
CN115220479A (zh) * | 2022-09-20 | 2022-10-21 | 山东大学 | 动静协同的输电线路精细化巡检方法与系统 |
CN115272981A (zh) * | 2022-09-26 | 2022-11-01 | 山东大学 | 云边共学习输电巡检方法与系统 |
CN115512098A (zh) * | 2022-09-26 | 2022-12-23 | 重庆大学 | 一种桥梁电子化巡检系统及巡检方法 |
CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN116681687A (zh) * | 2023-06-20 | 2023-09-01 | 广东电网有限责任公司广州供电局 | 基于计算机视觉的导线检测方法、装置和计算机设备 |
WO2024087182A1 (zh) * | 2022-10-28 | 2024-05-02 | 西门子股份公司 | 电机的故障诊断方法及装置 |
CN118425691A (zh) * | 2024-07-05 | 2024-08-02 | 国网浙江省电力有限公司宁波市鄞州区供电公司 | 一种输电线路故障定位方法、装置、设备及介质 |
CN118425691B (zh) * | 2024-07-05 | 2024-09-24 | 国网浙江省电力有限公司宁波市鄞州区供电公司 | 一种输电线路故障定位方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108444447A (zh) * | 2018-02-28 | 2018-08-24 | 哈尔滨工程大学 | 一种用于水下避障系统中的渔网实时自主检测方法 |
CN108537742A (zh) * | 2018-03-09 | 2018-09-14 | 天津大学 | 一种基于生成对抗网络的遥感图像全色锐化方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
-
2019
- 2019-03-05 CN CN201910165020.7A patent/CN109765462A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108444447A (zh) * | 2018-02-28 | 2018-08-24 | 哈尔滨工程大学 | 一种用于水下避障系统中的渔网实时自主检测方法 |
CN108537742A (zh) * | 2018-03-09 | 2018-09-14 | 天津大学 | 一种基于生成对抗网络的遥感图像全色锐化方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
Non-Patent Citations (11)
Title |
---|
何俊杰: "基于区域神经网络的TFT-LCD电路缺陷检测方法", 《计算机与现代化》 * |
何霞: "基于级联多任务深度学习的卡口识别引擎研究", 《计算机科学》 * |
冯小雨: "基于改进Faster_R_CNN的空中目标检测", 《光学学报》 * |
叶运生: "一种基于卷积神经网络的车辆检测方法", 《农业装备与车辆工程》 * |
张慧: "深度学习在目标视觉检测中的应用进展与展望", 《自动化学报》 * |
方卫平: "《跨拦河建筑物安全状态感知、融合与预测》", 31 December 2018 * |
汤踊: "深度学习在输电线路中部件识别与缺陷检测的研究_汤踊", 《电子测量技术》 * |
王全东: "面向多尺度坦克装甲车辆目标检测的改进Faster_R_CNN算法", 《计算机辅助设计与图形学学报》 * |
王林: "Faster_R_CNN模型在车辆检测中的应用", 《计算机应用》 * |
王荣辉: "基于深度学习的无人机影像车辆检测研究", 《江西测绘》 * |
陈良琴: "基于深度学习的输电线路风险预警识别研究_陈良琴", 《电力大数据》 * |
Cited By (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110378221A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110246128A (zh) * | 2019-06-17 | 2019-09-17 | 苏州浪潮智能科技有限公司 | 一种基于深度学习的工业故障检测方法以及设备 |
WO2020258913A1 (zh) * | 2019-06-24 | 2020-12-30 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
CN110247725A (zh) * | 2019-06-24 | 2019-09-17 | 国网河北省电力有限公司经济技术研究院 | Otn网络的线路故障排查方法、装置及终端设备 |
CN110247725B (zh) * | 2019-06-24 | 2021-05-04 | 国网河北省电力有限公司经济技术研究院 | Otn网络的线路故障排查方法、装置及终端设备 |
CN112131907A (zh) * | 2019-06-24 | 2020-12-25 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
CN110443130A (zh) * | 2019-07-01 | 2019-11-12 | 国网湖南省电力有限公司 | 一种配电网架空线路异常状态检测方法 |
CN110569717A (zh) * | 2019-07-26 | 2019-12-13 | 深圳供电局有限公司 | 局部放电检测方法、装置、系统、设备及可读存储介质 |
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 |
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 |
CN110531218A (zh) * | 2019-09-04 | 2019-12-03 | 国网四川省电力公司乐山供电公司 | 一种基于图像轮廓检测的输电线路故障识别系统 |
CN110531218B (zh) * | 2019-09-04 | 2021-07-27 | 国网四川省电力公司乐山供电公司 | 一种基于图像轮廓检测的输电线路故障识别系统 |
CN110716101A (zh) * | 2019-09-05 | 2020-01-21 | 广州供电局有限公司 | 电力线路故障定位方法、装置、计算机和存储介质 |
CN110716101B (zh) * | 2019-09-05 | 2021-11-02 | 广东电网有限责任公司广州供电局 | 电力线路故障定位方法、装置、计算机和存储介质 |
CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
CN110929618B (zh) * | 2019-11-15 | 2023-06-20 | 国网江西省电力有限公司电力科学研究院 | 一种用于配电网跨越式建筑的安全隐患检测与评估方法 |
CN110929618A (zh) * | 2019-11-15 | 2020-03-27 | 国网江西省电力有限公司电力科学研究院 | 一种用于配电网跨越式建筑的安全隐患检测与评估方法 |
CN110889357B (zh) * | 2019-11-19 | 2023-10-27 | 湖南国奥电力设备有限公司 | 基于标注区域的地下电缆故障检测方法和装置 |
CN110907749A (zh) * | 2019-11-19 | 2020-03-24 | 湖南国奥电力设备有限公司 | 故障地下电缆定位方法和装置 |
CN110889357A (zh) * | 2019-11-19 | 2020-03-17 | 湖南国奥电力设备有限公司 | 基于标注区域的地下电缆故障检测方法和装置 |
CN111091552A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折角塞门把手关闭故障图像识别方法 |
CN111372042A (zh) * | 2020-01-16 | 2020-07-03 | 上海眼控科技股份有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN111311967A (zh) * | 2020-03-31 | 2020-06-19 | 普宙飞行器科技(深圳)有限公司 | 基于无人机的电力线路巡检系统及方法 |
CN111459178A (zh) * | 2020-04-30 | 2020-07-28 | 广东电网有限责任公司 | 一种自动激光消缺的5g智能巡视系统 |
CN111735815A (zh) * | 2020-06-18 | 2020-10-02 | 江苏方天电力技术有限公司 | 一种输电线路小金具缺陷检测方法、装置及存储介质 |
CN111917178A (zh) * | 2020-06-23 | 2020-11-10 | 国网浙江乐清市供电有限公司 | 一种运维一体化变电站的巡视方法 |
CN111917178B (zh) * | 2020-06-23 | 2023-07-14 | 国网浙江乐清市供电有限公司 | 一种运维一体化变电站的巡视方法 |
CN112183191A (zh) * | 2020-08-18 | 2021-01-05 | 天津大学 | 一种基于对抗训练的检测输电线路中鸟巢的方法 |
CN112233193A (zh) * | 2020-09-30 | 2021-01-15 | 上海恒能泰企业管理有限公司 | 一种基于多光谱图像处理的变电设备故障诊断方法 |
CN112668696A (zh) * | 2020-12-25 | 2021-04-16 | 杭州中科先进技术研究院有限公司 | 一种基于嵌入式深度学习的无人机电网巡检方法和系统 |
CN112991297A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、系统、电子设备和存储介质 |
CN112991297B (zh) * | 2021-03-15 | 2024-06-14 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、系统、电子设备和存储介质 |
CN113411204A (zh) * | 2021-05-17 | 2021-09-17 | 吴志伟 | 电信接入网设施故障检测方法、装置及计算机存储介质 |
TWI769829B (zh) * | 2021-05-21 | 2022-07-01 | 崛智科技有限公司 | 積體電路輔助設計裝置與方法以及電性效能梯度模型建構方法 |
US11880643B2 (en) | 2021-05-21 | 2024-01-23 | Digwise Technology Corporation, Ltd | Device and method for integrated circuit assistance design, and method for constructing electrical performance gradient model |
CN113359826A (zh) * | 2021-06-02 | 2021-09-07 | 太原理工大学 | 一种无人机智能电力巡检系统及方法 |
CN113255605A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面病害检测方法、装置、终端设备及存储介质 |
CN113361508A (zh) * | 2021-08-11 | 2021-09-07 | 四川省人工智能研究院(宜宾) | 一种基于无人机-卫星的跨视角地理定位方法 |
CN114091699A (zh) * | 2021-11-18 | 2022-02-25 | 广东电网有限责任公司 | 一种电力通信设备故障诊断方法及系统 |
CN114241185A (zh) * | 2021-11-23 | 2022-03-25 | 国网上海市电力公司 | 一种大型油浸式电力变压器内部油中缺陷识别技术 |
CN114299359A (zh) * | 2021-12-22 | 2022-04-08 | 山东浪潮科学研究院有限公司 | 一种检测输电线路故障的方法、设备及存储介质 |
CN114299359B (zh) * | 2021-12-22 | 2024-05-10 | 山东浪潮科学研究院有限公司 | 一种检测输电线路故障的方法、设备及存储介质 |
CN114998758A (zh) * | 2022-05-26 | 2022-09-02 | 电子科技大学 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
CN114998758B (zh) * | 2022-05-26 | 2024-05-03 | 电子科技大学 | 一种基于多源遥感卫星影像的输电线路绝缘子检测方法 |
CN115220479A (zh) * | 2022-09-20 | 2022-10-21 | 山东大学 | 动静协同的输电线路精细化巡检方法与系统 |
CN115512098B (zh) * | 2022-09-26 | 2023-09-01 | 重庆大学 | 一种桥梁电子化巡检系统及巡检方法 |
CN115512098A (zh) * | 2022-09-26 | 2022-12-23 | 重庆大学 | 一种桥梁电子化巡检系统及巡检方法 |
CN115272981A (zh) * | 2022-09-26 | 2022-11-01 | 山东大学 | 云边共学习输电巡检方法与系统 |
WO2024087182A1 (zh) * | 2022-10-28 | 2024-05-02 | 西门子股份公司 | 电机的故障诊断方法及装置 |
CN116256602B (zh) * | 2023-05-15 | 2023-07-11 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN116681687A (zh) * | 2023-06-20 | 2023-09-01 | 广东电网有限责任公司广州供电局 | 基于计算机视觉的导线检测方法、装置和计算机设备 |
CN118425691A (zh) * | 2024-07-05 | 2024-08-02 | 国网浙江省电力有限公司宁波市鄞州区供电公司 | 一种输电线路故障定位方法、装置、设备及介质 |
CN118425691B (zh) * | 2024-07-05 | 2024-09-24 | 国网浙江省电力有限公司宁波市鄞州区供电公司 | 一种输电线路故障定位方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765462A (zh) | 输电线路的故障检测方法、装置和终端设备 | |
Wu et al. | Object detection based on RGC mask R‐CNN | |
Xu et al. | Light-YOLOv3: fast method for detecting green mangoes in complex scenes using picking robots | |
CN110555481B (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
CN105912990B (zh) | 人脸检测的方法及装置 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN110335270A (zh) | 基于层级区域特征融合学习的输电线路缺陷检测方法 | |
CN110532859A (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
CN113822209B (zh) | 高光谱图像识别方法、装置、电子设备及可读存储介质 | |
CN108898177A (zh) | 一种输电线路走廊地表分类方法、系统、介质及设备 | |
CN106909924A (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN107480730A (zh) | 电力设备识别模型构建方法和系统、电力设备的识别方法 | |
CN110532417A (zh) | 基于深度哈希的图像检索方法、装置及终端设备 | |
US11941865B2 (en) | Hyperspectral image classification method based on context-rich networks | |
CN106649487A (zh) | 基于兴趣目标的图像检索方法 | |
CN110188209A (zh) | 基于层次标签的跨模态哈希模型构建方法、搜索方法及装置 | |
CN106537379A (zh) | 细粒度图像相似性 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN110349082A (zh) | 图像区域的裁剪方法和装置、存储介质及电子装置 | |
CN104537273B (zh) | 一种溺水模式智能推理系统及方法 | |
CN107341440A (zh) | 基于多任务度量多核学习的室内rgb‑d场景图像识别方法 | |
CN109614990A (zh) | 一种目标检测装置 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |