CN110008917B - 基于表格理解的继电保护装置定值单数据的故障检测方法 - Google Patents
基于表格理解的继电保护装置定值单数据的故障检测方法 Download PDFInfo
- Publication number
- CN110008917B CN110008917B CN201910290896.4A CN201910290896A CN110008917B CN 110008917 B CN110008917 B CN 110008917B CN 201910290896 A CN201910290896 A CN 201910290896A CN 110008917 B CN110008917 B CN 110008917B
- Authority
- CN
- China
- Prior art keywords
- neural network
- image data
- power equipment
- scanned image
- operation parameters
- 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
- 238000001514 detection method Methods 0.000 title claims description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力设备故障检测方法、装置、计算机设备及存储介质，其中方法包括：获取电网定制单的扫描图像数据；利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；获取所述待测电力设备的实际运行参数；将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；基于所述比对结果判断所述待测电力设备是否故障。本发明通过利用神经网络对定制单的扫描图像数据进行信息识别和提取，实现定制单的自动化分析，然后将其与实际运行参数进行比对用以判断电力设备是否故障，达到提升了电力设备故障检测的效率。
Description
技术领域
本发明涉及电力技术领域，具体涉及一种电力设备故障检测方法、装置、计算机设备及存储介质。
背景技术
随着新一代智能电网、智能输电线路等工程的深入建设，对电网的自动化检测技术提出了新的挑战。需要借助物联网、大数据等新技术，提出智能化的设备运维技术，逐步构建具有信息化、可视化和智能化的设备运维管控体系，满足未来电网设备更高的自动化安全运维要求。
具体来说，由于大量电力设备的运行定值单以纸质形式下发，缺乏完整的数字化、系统化的电力设备运行定值单管理系统，目前大量有智能电网中的传感器上传网络的设备运行数据缺乏完善的定值数据进行数字化比对，因而难以实现自动化的系统运行数据检测与故障报警。
近年来，随着基于深度学习(deep learning)的人工智能技术飞速发展，通过使用包含复杂结构和非线性变换构成的多个处理层对数据进行高层抽象的神经网络算法，在各类机器学习、计算机视觉和人工智能等任务上取到了极大的进步，极大的推动了智能话技术在各个领域的应用。深度学习的另外一个好处是能够对高度抽象化的语义信息和上下文逻辑关系进行表达与描述，它将传统学习方法的特征提取与分析合二为一，从而使得通过学习得到的特征针对于特定任务进行优化，然而发明人发现，目前还没有在定值单处理和识别的相关技术中应用到深度学习相关技术。
发明内容
本发明要解决现有技术中由于确认对设备定值数据进行数字化识别导致电力设备无法根据定值数据进行故障检测的问题，从而提供一种电力设备故障检测方法、装置、计算机设备及存储介质。
本发明的一方面，提供了一种电力设备故障检测方法，包括：获取电网定值单的扫描图像数据；利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；获取所述待测电力设备的实际运行参数；将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；基于所述比对结果判断所述待测电力设备是否故障。
可选地，获取电网定值单的扫描图像数据包括：获取通过扫描仪扫描得到的电网定值单的扫描图像；利用预先建立的预处理神经网络对所述扫描图像进行图像信噪比、清晰度和对比度的增强处理。
可选地，所述预处理神经网络为多层卷积神经网络，采用3层3*3卷积组成的ResNet模块，每层卷积层采用64个通道，使用5个ResNet模块串联。
可选地，所述信息提取神经网络包括表格识别神经网络和字符识别神经网络，其中，利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，包括：利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别和校正；将校正后的表格与预先存储的定值单模板进行匹配对齐，以确定出表格中个单元格的对应关系；利用所述字符识别神经网络对所述扫描图像数据中各单元格的字符进行识别和提取。
可选地，利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别，包括：利用基于霍夫变换的直线边缘提取算法对所述扫描图像数据的直线边缘进行检测；根据所有直线边缘的纵横方向检测出所有单元格。
可选地，利用所述表格识别神经网络对所述扫描图像数据中的表格进行校正，包括：循环遍历扫描图像上所有的像素点，执行以下步骤：根据所述扫描图像上的像素点坐标和畸变函数计算得到校正后的像素点坐标；将所述扫描图像上的像素点的像素值插值赋给校正后的像素点。
可选地，所述字符识别神经网络包括：字符分割提取网络，用于通过多层LSTM组合实现任意字符串的分割提取任务；字符识别网络，用于对提取出来的每个字符串进行识别，得到字符图像对应的文字代码信息。
本发明实施例还提供了一种电力设备故障检测装置，包括：第一获取模块，用于获取电网定值单的扫描图像数据；识别模块，用于利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；第二获取模块，用于获取所述待测电力设备的实际运行参数；比对模块，用于将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；判断模块，用于基于所述比对结果判断所述待测电力设备是否故障。
本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在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上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序：所述计算机程序被处理器执行时实现上法的步骤。
根据本发明实施例，通过利用神经网络对定值单的扫描图像数据进行信息识别和提取，实现定值单的自动化分析，然后将其与实际运行参数进行比对用以判断电力设备是否故障，达到提升了电力设备故障检测的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中电力设备故障检测方法的流程图；
图2为本发明实施例中图像预处理神经网络的结构图；
图3为本发明实施例中字符识别神经网络的结构图；
图4为本发明实施例中电力设备故障检测装置的示意图；
图5为本发明实施例计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种电力设备故障检测方法，如图1所示，方法包括：
步骤S101，获取电网定值单的扫描图像数据。
电网定值单主要包括各电力设备的定值数据，由于通常为纸质文件，因此，在进行检测识别时，先通过扫描仪扫描成图像数据。本实施例中，获取扫描图像数据具体包括：获取通过扫描仪扫描得到的电网定值单的扫描图像；利用预先建立的预处理神经网络对所述扫描图像进行图像信噪比、清晰度和对比度的增强处理。其中，所述预处理神经网络为多层卷积神经网络，采用3层3*3卷积组成的ResNet模块，每层卷积层采用64个通道，使用5个ResNet模块串联。
具体地，首先通过高精度扫描仪获取高质量的清晰的定值单表格数据图像，并建立电网定值单表格数据库，并利用该数据库模拟利用低成本摄像头实现拍摄过程中的噪声和图像模糊问题，建立含噪和模糊表格图像与清晰表格图像的数据对，构建以ResNet网络结构为基础的图像预处理神经网络，网络结构如图2所示，采用3层3×3卷积组成ResNet模块，每层卷积层采用64个通道，使用5个ResNet模块串联，以上述含噪和模糊表格图像与清晰表格图像的数据对为训练数据，训练针对含噪和模糊表格图像预处理的图像预处理网络。
步骤S102，利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数。
对扫描图像数据的信息提取和识别包含两层面的内容，包括表格识别和字符识别。相对应地，所述的信息提取神经网络包括表格识别神经网络和字符识别神经网络，上述步骤具体包括：利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别和校正；将校正后的表格与预先存储的定值单模板进行匹配对齐，以确定出表格中个单元格的对应关系；利用所述字符识别神经网络对所述扫描图像数据中各单元格的字符进行识别和提取。
其中，利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别，包括：利用基于霍夫变换(Hough transform)的直线边缘提取算法对所述扫描图像数据的直线边缘进行检测；根据所有直线边缘的纵横方向检测出所有单元格。本发明实施例中，根据所有直线边缘的方向分为纵线和横线，按照所有相邻横线和纵线可围成一个单元格的原则，就可以检测出图像中所有的单元格。对所有单元格，按照其组成横线和纵线在整个横、纵线序列中的序号来确定单元格坐标，可以对所有单元格给定一个唯一的横纵线索引。
进一步地，利用所述表格识别神经网络对所述扫描图像数据中的表格进行校正，包括：循环遍历扫描图像上所有的像素点，执行以下步骤：根据所述扫描图像上的像素点坐标和畸变函数计算得到校正后的像素点坐标；将所述扫描图像上的像素点的像素值插值赋给校正后的像素点。
具体地，根据扫描镜头参数，对由于相机拍摄造成的表格图像畸变进行校正。假定由于扫描仪相机镜头径向畸变造成的畸变函数为：
x'＝x(1+k1r2+k2r4)
y'＝y(1+k1r2+k2r4)
其中(x',y')为畸变图像坐标，(x,y)为矫正图像坐标，r为矫正图像坐标对应的以光轴为中心的极坐标半径，k1和k2为镜头径向畸变参数，可针对拍摄镜头预先标定得到。对于矫正图像上的每一个坐标点(x,y)，依据上式都能够计算得到一个对应的畸变图像坐标(x',y')，将畸变图像坐标(x',y')处的像素值插值后赋给矫正图像上的坐标点(x,y)，并循环遍历所有的(x,y)就能够得到矫正后的图像。上述中畸变图像也即是扫描图像，校正图像也即是校正后的图像。
另一方面，所述字符识别神经网络包括：字符分割提取网络，用于通过多层LSTM组合实现任意字符串的分割提取任务；字符识别网络，用于对提取出来的每个字符串进行识别，得到字符图像对应的文字代码信息。
本发明实施例中，字符识别神经网络为CNN-FC神经网络，通过该网络对图像中个单元格中的字符进行检测与分割，实现单一字符分割、提取与识别。对于该网络，其中前半部分为字符分割提取网络，通过多层LSTM(Long Short-Term Memory，长短期记忆网络)组合实现任意字符串的分割提取任务。对提取得到的图像，进行缩放，请单个字符的图像块缩放为标准大小(64×64像素)；而后半部分为字符识别网络，将输入字符图像块输入字符识别网络，对于提取出来的每一个字符串，通过一个多层卷积神经网络的进行识别，得到字符图像对应的汉字代码信息。网络结构为多层卷积神经网络(CNN)加上两成全连接网络，具体网络结构如图3所示。
步骤S103，获取所述待测电力设备的实际运行参数。该实际运行参数为电力设备在运行过程中传感器检测到的指标参数，上传至后台系统。
步骤S104，将所述额定运行参数和所述实际运行参数进行比对，得到比对结果。
步骤S105，基于所述比对结果判断所述待测电力设备是否故障。
将额定运行参数与实际运行参数进行比对，其中，额定运行参数表示电力设备正常运行时的参数范围，通过比对，如果实际运行参数处于额定运行参数范围内，则表示电力设备安全正常运行，超出范围则表示电力设备可能存在故障，通过设备安全分析结论并实现预警。
根据本发明实施例，通过利用神经网络对定值单的扫描图像数据进行信息识别和提取，实现定值单的自动化分析，然后将其与实际运行参数进行比对用以判断电力设备是否故障，达到提升了电力设备故障检测的效率。
作为本发明实施例的一种可选的实施方式，一种可选地的电力设备故障检测方法包括步骤如下：
(1)、对输入定值单扫描图像进行预处理，包括图像去噪、去模糊、对比度增强。采用多层卷积神经网络对输入图像进行处理，自适应的对图像信噪比、清晰度和对比度等进行增强，方便后续处理。
(2)、研究基于深度神经网络的图像表格数据的表格特征提取技术，通过对图像表格数据的直线边缘检测，确定表格单元格的行、列结构关系，并对由于扫描相机拍摄造成的表格图像畸变进行校正。
(3)、将上步预处理完成的表格图像的表格数据单元格，与预存定值单模板进行匹配对齐，确定各个单元格对应关系。
(4)、搭建CNN-FC字符提取与识别神经网络系统，对图像中个单元格中的字符进行检测与分割，实现单一字符提取与分割。依据对应表格分类预设的电子表格形式，在对应单元格存储由CNN-FC网络恢复得到的字符信息。
(5)、与通过传感器上传网络得到实际运行参数进行比对，并判断设备运行状况，得到设备安全分析结论并实现预警。
本发明实施例中，还提供了一种电力设备故障检测装置，该装置可用于执行本发明实施例的电力设备故障检测方法，如图4所示，该装置包括：
第一获取模块401，用于获取电网定值单的扫描图像数据。
识别模块402，用于利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；
第二获取模块403，用于获取所述待测电力设备的实际运行参数；
比对模块404，用于将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；
判断模块405，用于基于所述比对结果判断所述待测电力设备是否故障。
由于该装置中各模块的作用与上述方法实施例的中的步骤相对应，因此，具体相关描述参见上述方法实施例，这里不再赘述。
本实施例还提供一种计算机设备，如可以执行程序的台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图4所示。需要指出的是，图5仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如实施例所述的电力设备故障检测装置的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行电力设备故障检测装置，以实现实施例的电力设备故障检测方法。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储电力设备故障检测装置，被处理器执行时实现实施例的电力设备故障检测方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请的保护范围之中。
Claims (7)
1.一种电力设备故障检测方法，其特征在于，包括：
获取电网定值单的扫描图像数据；
利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；
获取所述待测电力设备的实际运行参数；
将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；
基于所述比对结果判断所述待测电力设备是否故障；
所述信息提取神经网络包括表格识别神经网络和字符识别神经网络，其中，利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，包括：
利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别和校正；
将校正后的表格与预先存储的定值单模板进行匹配对齐，以确定出表格中个单元格的对应关系；
利用所述字符识别神经网络对所述扫描图像数据中各单元格的字符进行识别和提取；
利用所述表格识别神经网络对所述扫描图像数据中的表格进行校正，包括：
循环遍历扫描图像上所有的像素点，执行以下步骤：根据所述扫描图像上的像素点坐标和畸变函数计算得到校正后的像素点坐标；将所述扫描图像上的像素点的像素值插值赋给校正后的像素点；
所述字符识别神经网络包括：
字符分割提取网络，用于通过多层LSTM组合实现任意字符串的分割提取任务；
字符识别网络，用于对提取出来的每个字符串进行识别，得到字符图像对应的文字代码信息。
2.根据权利要求1所述的电力设备故障检测方法，其特征在于，获取电网定值单的扫描图像数据包括：
获取通过扫描仪扫描得到的电网定值单的扫描图像；
利用预先建立的预处理神经网络对所述扫描图像进行图像信噪比、清晰度和对比度的增强处理。
3.根据权利要求2所述的电力设备故障检测方法，其特征在于，所述预处理神经网络为多层卷积神经网络，采用3层3*3卷积组成的ResNet模块，每层卷积层采用64个通道，使用5个ResNet模块串联。
4.根据权利要求1所述的电力设备故障检测方法，其特征在于，利用所述表格识别神经网络对所述扫描图像数据中的表格进行识别，包括：
利用基于霍夫变换的直线边缘提取算法对所述扫描图像数据的直线边缘进行检测；
根据所有直线边缘的纵横方向检测出所有单元格。
5.一种电力设备故障检测装置，其特征在于，用于执行如权利要求1-4任一项所述的电力设备故障检测方法，包括：
第一获取模块，用于获取电网定值单的扫描图像数据；
识别模块，用于利用预先建立的信息提取神经网络对所述扫描图像数据进行信息提取和识别，得到待测电力设备的额定运行参数；
第二获取模块，用于获取所述待测电力设备的实际运行参数；
比对模块，用于将所述额定运行参数和所述实际运行参数进行比对，得到比对结果；
判断模块，用于基于所述比对结果判断所述待测电力设备是否故障。
6.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在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权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910290896.4A CN110008917B (zh) | 2019-04-11 | 2019-04-11 | 基于表格理解的继电保护装置定值单数据的故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910290896.4A CN110008917B (zh) | 2019-04-11 | 2019-04-11 | 基于表格理解的继电保护装置定值单数据的故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008917A CN110008917A (zh) | 2019-07-12 |
| CN110008917B true CN110008917B (zh) | 2023-02-17 |
Family
ID=67171209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910290896.4A Active CN110008917B (zh) | 2019-04-11 | 2019-04-11 | 基于表格理解的继电保护装置定值单数据的故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008917B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259880B (zh) * | 2020-01-09 | 2022-11-18 | 国网浙江省电力有限公司舟山供电公司 | 一种基于卷积神经网络的电力操作票文字识别方法 |
| CN112003234A (zh) * | 2020-09-02 | 2020-11-27 | 广西电网有限责任公司河池供电局 | 继电保护设备定值信息智能化校准系统及其方法 |
| CN112396052B (zh) * | 2020-11-09 | 2023-05-30 | 云南电网有限责任公司昆明供电局 | 一种电力系统二次设备可信定值单生成方法及系统 |
| CN115457557B (zh) * | 2022-09-21 | 2024-03-05 | 惠州市学之友电子有限公司 | 一种扫描式翻译笔控制方法及装置 |
| EP4358041A1 (en) * | 2022-10-19 | 2024-04-24 | Koninklijke Philips N.V. | Video-processing for equipment maintenance |
| CN116184230A (zh) * | 2023-02-28 | 2023-05-30 | 东莞市冠达自动化设备有限公司 | 一种锂电池测试方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101350036B1 (ko) * | 2012-12-04 | 2014-01-13 | 주식회사 토페스 | 전광판의 이상 여부 판단 장치 및 이를 이용한 전광판의 이상 여부 판단 방법 |
| CN106407883A (zh) * | 2016-08-10 | 2017-02-15 | 北京工业大学 | 一种复杂表格及其内部手写数字识别方法 |
| CN107276046A (zh) * | 2017-06-16 | 2017-10-20 | 国网辽宁省电力有限公司电力科学研究院 | 智能电网实现继电保护异常智能识别与预警的系统及方法 |
| CN107527344A (zh) * | 2017-09-18 | 2017-12-29 | 广东电网有限责任公司珠海供电局 | 一种继电保护压板状态检测系统及检测方法 |
| CN109086714A (zh) * | 2018-07-31 | 2018-12-25 | 国科赛思(北京)科技有限公司 | 表格识别方法、识别系统及计算机装置 |
| CN109378797A (zh) * | 2018-09-17 | 2019-02-22 | 深圳供电局有限公司 | 一种高压架空线断线保护识别方法 |
| CN109391032A (zh) * | 2018-10-19 | 2019-02-26 | 国网黑龙江省电力有限公司电力科学研究院 | 基于图像识别的二次系统的状态检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100194562A1 (en) * | 2009-01-30 | 2010-08-05 | Jong-Moon Lee | Failure recognition system |
-
2019
- 2019-04-11 CN CN201910290896.4A patent/CN110008917B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101350036B1 (ko) * | 2012-12-04 | 2014-01-13 | 주식회사 토페스 | 전광판의 이상 여부 판단 장치 및 이를 이용한 전광판의 이상 여부 판단 방법 |
| CN106407883A (zh) * | 2016-08-10 | 2017-02-15 | 北京工业大学 | 一种复杂表格及其内部手写数字识别方法 |
| CN107276046A (zh) * | 2017-06-16 | 2017-10-20 | 国网辽宁省电力有限公司电力科学研究院 | 智能电网实现继电保护异常智能识别与预警的系统及方法 |
| CN107527344A (zh) * | 2017-09-18 | 2017-12-29 | 广东电网有限责任公司珠海供电局 | 一种继电保护压板状态检测系统及检测方法 |
| CN109086714A (zh) * | 2018-07-31 | 2018-12-25 | 国科赛思(北京)科技有限公司 | 表格识别方法、识别系统及计算机装置 |
| CN109378797A (zh) * | 2018-09-17 | 2019-02-22 | 深圳供电局有限公司 | 一种高压架空线断线保护识别方法 |
| CN109391032A (zh) * | 2018-10-19 | 2019-02-26 | 国网黑龙江省电力有限公司电力科学研究院 | 基于图像识别的二次系统的状态检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于图像的表格识别算法与自动录入系统";郭佳;《中国优秀优秀硕士学位论文全文数据库》;20181115;第5、12-34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008917A (zh) | 2019-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008917B (zh) | 基于表格理解的继电保护装置定值单数据的故障检测方法 | |
| CN110598686B (zh) | 发票的识别方法、系统、电子设备和介质 | |
| CN111274957A (zh) | 网页页面验证码识别方法、装置、终端和计算机存储介质 | |
| CN103955660A (zh) | 一种批量二维码图像识别方法 | |
| CN111107107B (zh) | 网络行为的检测方法、装置、计算机设备和存储介质 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| US11605210B2 (en) | Method for optical character recognition in document subject to shadows, and device employing method | |
| CN112784853A (zh) | 端子连接状态检测方法及装置 | |
| CN109508571B (zh) | 一种条空定位方法、装置、电子设备及存储介质 | |
| CN117849627A (zh) | 一种电池故障检测模型构建和电池故障检测方法及装置 | |
| CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
| CN112614094B (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
| CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
| CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
| CN117095275A (zh) | 一种数据中心资产盘点方法、系统、装置及存储介质 | |
| CN111414889A (zh) | 基于文字识别的财务报表识别方法及装置 | |
| CN107330470B (zh) | 识别图片的方法和装置 | |
| CN116631003A (zh) | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 | |
| CN116229098A (zh) | 一种基于掩模轮廓跟踪的图像识别方法及相关产品 | |
| CN111079528A (zh) | 一种基于深度学习的图元图纸校核方法及系统 | |
| CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
| CN113127863B (zh) | 恶意代码的检测方法、装置、计算机设备和存储介质 | |
| CN114881103A (zh) | 一种基于通用扰动贴纸的对抗样本检测方法及装置 | |
| CN113869316A (zh) | 信息通知方法、装置、设备及计算机存储介质 | |
| CN114283440A (zh) | 户型图识别方法、装置、电子设备及存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Han Wei Inventor after: Duan Wenyan Inventor after: Cai Deyu Inventor after: Zhang Feng Inventor after: Wu Chunhong Inventor after: Zhao Guoxi Inventor after: Song Chuang Inventor after: Shi Chen Inventor after: Li Qionglin Inventor after: Qiao Lihong Inventor after: Kong Shengli Inventor before: Wu Chunhong Inventor before: Cai Deyu Inventor before: Liu Chao Inventor before: Li Bin Inventor before: Wang Zheng Inventor before: Guo Pei Inventor before: Zhang Yifan Inventor before: Zhao Guoxi Inventor before: Han Wei Inventor before: Song Chuang Inventor before: Zhang Feng Inventor before: Li Qionglin Inventor before: Qiao Lihong Inventor before: Kong Shengli Inventor before: Duan Wenyan |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |