CN110069975A - 一种基于神经网络的导线开股识别方法及系统 - Google Patents
一种基于神经网络的导线开股识别方法及系统 Download PDFInfo
- Publication number
- CN110069975A CN110069975A CN201811589764.3A CN201811589764A CN110069975A CN 110069975 A CN110069975 A CN 110069975A CN 201811589764 A CN201811589764 A CN 201811589764A CN 110069975 A CN110069975 A CN 110069975A
- Authority
- CN
- China
- Prior art keywords
- conducting wire
- opens
- picture
- strand
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于神经网络的导线开股识别的方法及系统。该方法涉及图像识别技术、机器学习技术领域，包括：建立缺陷样本系统，包含导线开股故障图片，导线故障图片检测结果；利用人工标注故障图片生成标签文件，转换标签文件生成数据训练集和测试集；利用SSD目标检测算法与故障图片标注信息对候选框进行分类回归，利用MobileNet网络与数据集，调整超参数训练导线开股故障检测模型；将导线开股故障检测模型装入导线开股缺陷识别智能设备；导线开股缺陷识别智能设备将检测的导线开股图片传输到服务器，扩充缺陷样本库。
Description
技术领域
本发明涉及图像识别技术、机器学习技术领域，具体涉及一种基于神经网络的导线开股识别的方法及系统。
背景技术
随着电网规模的不断扩大，电网运行的安全可靠问题引起了广泛关注。输电线路是连接国家电力网络的主要电力部件。由于输电线路跨越不同的复杂地形，导线长期暴露在各种环境下，极易发生开股等故障，输电线路一旦发生故障将严重影响电网系统的安全可靠运行。因此，对于输电线路的故障检测是国家电力网络运检维护的必要程序之一。
传统电网设备监控系统只有视频监控和录像功能，不能对监控目标进行智能化的主动识别分析，需要操作员时刻观察分析图像，对于复杂地形，更是需要操作员手持设备亲身去检查电网设备是否故障。增加了操作员的工作负担。人眼易疲劳和人工判断的主观性，严重影响了输电线路状态监测的准确度和自动化程度。将数据运回运检维护中心增加了操作员的压力，也延长了故障的修复时间。
近年来，随着计算机硬件的发展及深度学习的快速发展，图像识准确率和计算时间有所提高，但现有方法多采用Faster R-CNN算法与VGG16等复杂网络，将设备监控视频和无人机拍摄图像传输到服务器上对设备故障进行模型训练与故障识别，大型网络与复杂算法需要昂贵硬件的支持，不利于设备故障识别方法的推广。将故障识别任务上传到服务器上进行识别，一方面加重了数据传输的负载，另外也加重了服务器的计算能力，传统的服务器无法满足图像识别计算能力。传统方法不能满足输电线路故障检测的实时性需求。
发明内容
本发明的目的在于提供一种基于神经网络的导线开股识别的方法及系统，通过监控设备利用深度学习的目标检测技术实时而准确地识别出输电线路导线开股等故障，其检测速度满足实时监测的要求，帮助操作员完成导线故障监测的初步分析，提高操作员的工作效率，并进一步提高电网设备监控系统的智能化、自动化。具体包括：
1.建立缺陷样本库系统，其中图像来源为前期操作员手持设备现场拍摄、无人机航拍及监控设备定点拍摄和后期导线缺陷智能识别设备提交到后台服务器，系统包含操作员交互界面用于确认提交和管理缺陷图像。
2.训练深度学习模型，通过人工对导线故障图像进行标注，生成标准训练集和测试集数据，在现有模型基础上针对导线故障特征进行训练，得到导线开股检测模型，其中基础网络采用适合移动端和嵌入式端的MobileNet网络，目标检测算法采用速度较快、使用单阶段训练(one-stage)方法的SSD(Single Shot MultiBox Detector)算法。
3.对模型进行测试，将待检测图像输入到导线开股检测模型，用矩形边框在原有图像上标注出模型检测到的故障区域，以及置信度得分。
4.将训练的导线故障识别模型在嵌入式板上进行部署，与传统电池电源、数据通信模块、摄像头、硬盘等设备进行装箱整合，部署到各个线路上进行实时监控。对监控视频进行每秒20张图像提取，在嵌入式板上的监测系统对图像进行本地实时设备故障检测识别，将识别结果置信度高的图像通过数据通信模块传输到后台服务器，通知操作员进行二次验证和存入缺陷样本库操作，利用新增样本图像对模型进行优化。
与现有技术相比，本发明的创新之处在于，通过端到端的深度学习目标检测方法有效提升了不同场景下导线开股检测的准确率和检测速度，无需人工提取导线开股特征，通过卷积神经网络，自动提取出更全面的、更能准确描述导线开股的特征信息。输入图片经过导线开股检测模型自动生成矩形边框包围目标区域，减轻了操作员面对海量数据使用肉眼进行甄别的身体负担，也避免了人工判断的主观性。进一步，使用轻量级网络MobileNet部署到嵌入式板中，将设备安装电网系统线路上，与传统复杂网络VGG16相比，鉴于嵌入式设备计算能力有限，轻量级网络MobileNet更适合边缘计算设备，在线路上直接将监控的图片进行本地导线故障检测，将故障图片通过通信模块传输到服务器。相比传统在服务器端进行故障检测，需要将海量监控数据传入服务器端，仅传输故障数据减轻了通信线路的数据负载压力。操作员通过接收到的故障图片对缺陷样本库进行扩充，增加了样本库的多样性，利用样本库中的故障图片进行模型训练，提升了导线开股检测模型的准确度。
附图说明
图1基于神经网络的导线开股识别的方法系统架构
图2 SSD基本框架图
图3 MobileNet深度分离卷积结构
具体实施方式
整个方法的系统架构参阅图1，首先通过电力设备智能识别系统对摄像头拍摄的图片进行识别，将高于设置置信度的图片通过4g传输到服务器，由操作员对图片进行最终确认及对缺陷样本库进行相应操作。包括步骤如下：
步骤1，建立缺陷样本库系统。缺陷样本库部署在交互式服务器上，将导线故障数据，包括无人机巡检图像、监控设备录像与操作员手持设备现场拍摄图像进行收集，加入缺陷样本库。导线缺陷智能识别设备部署后，通过该设备识别出的故障图像通过4g传输到缺陷样本库，通过操作员确认将图像与标记位置添加入缺陷样本库中，完成样本库的扩充。便于操作员优化导线开股检测模型。
步骤2，准备数据集。对样本库中所有图像通过LableImg软件手动打标签，生成符合PASCAL VOC格式的XML标签文件。其中标签文件包含图片以下信息：图片名称，图片路径，图片像素高度、宽度与深度，图片中包含故障类别，故障所在区域的矩形边框的坐标(xmin,ymin,xmax,ymax)，即矩形边框的左上坐标和右下坐标。通过数据转换脚本将PASCAL VOC格式的数据集转换成符合深度学习框架caffe的lmdb数据集格式。
步骤3，训练深度学习模型。采用端到端的深度学习目标检测算法SSD，参阅图2，采用卷积对不同的特征图来进行提取特征结果，对于形状为m×n×p的特征图，采用3×3×p的比较小的卷积核得到检测值。通过提取不同尺度的特征图进行检测，大尺度特性图用来检测小物体，小尺寸特征图用来检测大物体。SSD每个单元设置尺度或长宽比不同的先验框，预测的边界框以这些先验框为基准，减少训练难度。对于每个单元的每个先验框，都输出一套独立的检测值，对应一个边界框。输出包含两部分：第一部分是各个类别的置信度，第二部分是边界框的具体位置值(cx,cy,w,h)，分别是边界框的中心坐标、宽度和高度。训练时图片中的真实目标，即标签文件中的矩形边框坐标，与多个先验框进行匹配，采用对负样本进行抽样，按照置信度误差进行降序排列，选取误差较大的400个作为训练负样本，保证正负样本比例接近1:3。损失函数采用位置误差与置信度误差的加权和。其中位置误差采用Smooth L1 loss损失函数，置信度误差采用softmax loss损失函数。通过对图片进行水平翻转、随机裁剪加颜色扭曲、随机采集块域与获取小目标训练样本手段对数据进行扩增，提升SSD的鲁棒性。
采用轻量级网络MobileNet，基于深度可分离卷积，参阅图3，将标准卷积分解成深度卷积和逐点卷积，降低参数量和计算量。深度卷积部分作用在输入图片的每个通道上，逐点卷积部分作用在深度卷积的输出特征映射上。具体计算量为：
M为输入通道数，N为输出通道数，输入的映射F尺寸为(DF,DF,M),采用的标准卷积K为(DK,DK,M,N),输出的特征映射G为(DG,DG,N)。标准卷积计算量为DK·DK·M·N·DF·DF；深度卷积和逐点卷积计算量为DK·DK·M·DF·DF+M·N·DF·DF。与标准卷积相比，计算量减少了：
由于训练模型较小，较少使用正则和数据增强技术，该训练模型不易陷入过拟合。进一步，MobileNet针对具体嵌入式板硬件水平，通过设置超参数宽度因子和分辨率因子对模型进行优化。通过宽度因子α控制输入和输出的通道数，深度卷积和逐点卷积的计算量为DK·DK·αM·DF·DF+αM·αN·DF·DF。与标准卷积相比，计算量减少了：
宽度因子将计算量和参数降低了约α2倍。
通过分辨率因子ρ控制输入的分辨率，深度卷积和逐点卷积的计算量为DK·DK·αM·ρDF·ρDF+αM·αN·ρDF·ρDF。与标准卷积相比，计算量减少了：
分辨率因子将计算量和参数降低了约ρ2倍。
通过使用深度学习常用训练集PASCAL VOC0712预训练好的模型，使用缺陷样本库中的数据对模型进行训练，利用测试集数据对模型进行验证，调整阈值，生成导线开股检测模型。
步骤4，将导线开股检测模型写入嵌入式板的深度学习框架caffe中，将嵌入式板与电池电源、监控设备、数据通信模块统一整合到设备箱中，将嵌入式板接入缺陷样本库系统中，组成导线开股缺陷识别智能设备。
Claims (3)
1.一种基于神经网络的导线开股识别的方法及系统，其特征在于，包括以下步骤：
步骤1，获取输电线路图像数据，建立缺陷样本库，生成数据集；
步骤2，使用目标检测算法和卷积神经网络训练检测模型，通过生成数据集对模型进行训练与调整。
2.根据权利要求1所述一种基于神经网络的导线开股识别的方法及系统，其特征在于，步骤1包括：
建立缺陷样本库系统，包括导线开股样本库与样本库交互系统，其中，导线开股图片为无人机航拍、监控视频与操作员现场拍摄图像；
建立数据集，缺陷样本库中的导线开股图片人工标注目标信息，生成符合PASCAL VOC标准的XML标签文件；样本数据库的标签文件包含信息：图片名称，图片路径，图片像素高度，图片像素宽度，图片像素深度，图片包含故障类型，故障目标所在区域的矩形边框坐标(xmin,ymin,xmax,ymax)；转换标签文件与导线开股图片为符合深度学习框架caffe规范的lmdb数据集格式。
3.根据权利要求1所述一种基于神经网络的导线开股识别的方法及系统，其特征在于，步骤2包括：
训练深度学习模型，采用端到端的深度学习目标检测算法SSD，采用卷积对不同的特征图来进行提取特征结果，对于形状为m×n×p的特征图，采用3×3×p的比较小的卷积核得到检测值，对每个单元设置尺度或长宽比不同的先验框，对于每个先验框，都输出一套独立的检测值，对应一个边界框；输出包含各个类别的置信度和边界框的具体位置值(cx,cy,w,h)，损失函数采用位置误差Smooth L1loss与置信度误差softmax loss的加权和；采用轻量级网络MobileNet，基于深度可分离卷积，将标准卷积分解生深度卷积和逐点卷积，设置超参数宽度因子与分辨率因子对模型进行优化；使用数据集对在PASCAL VOC0712数据集上训练的初始模型进行训练，生成导线开股检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811589764.3A CN110069975A (zh) | 2018-12-25 | 2018-12-25 | 一种基于神经网络的导线开股识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811589764.3A CN110069975A (zh) | 2018-12-25 | 2018-12-25 | 一种基于神经网络的导线开股识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110069975A true CN110069975A (zh) | 2019-07-30 |
Family
ID=67365921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811589764.3A Pending CN110069975A (zh) | 2018-12-25 | 2018-12-25 | 一种基于神经网络的导线开股识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110069975A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580475A (zh) * | 2019-11-12 | 2019-12-17 | 江西博微新技术有限公司 | 基于无人机巡检的线路诊断方法、电子装置及存储介质 |
| CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
| CN111537515A (zh) * | 2020-03-31 | 2020-08-14 | 国网辽宁省电力有限公司朝阳供电公司 | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 |
| CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
| CN112070728A (zh) * | 2020-08-24 | 2020-12-11 | 西安理工大学 | 基于目标检测算法的钢绳表面缺陷识别方法 |
| CN112232133A (zh) * | 2020-09-18 | 2021-01-15 | 许继集团有限公司 | 基于深度卷积神经网络的输电线路图像识别方法及装置 |
| CN112990335A (zh) * | 2021-03-31 | 2021-06-18 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统 |
| CN113642595A (zh) * | 2020-05-11 | 2021-11-12 | 北京金山数字娱乐科技有限公司 | 一种基于图片的信息提取方法及装置 |
| CN114577410A (zh) * | 2022-03-04 | 2022-06-03 | 浙江蓝能燃气设备有限公司 | 一种用于瓶组容器氦气泄漏的自动检漏系统及应用方法 |
| CN114882336A (zh) * | 2022-05-18 | 2022-08-09 | 湖北工业大学 | 列车制动系统故障图像的端到端实时检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN108921218A (zh) * | 2018-06-29 | 2018-11-30 | 炬大科技有限公司 | 一种目标物体检测方法及装置 |
-
2018
- 2018-12-25 CN CN201811589764.3A patent/CN110069975A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN108921218A (zh) * | 2018-06-29 | 2018-11-30 | 炬大科技有限公司 | 一种目标物体检测方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
| CN110580475A (zh) * | 2019-11-12 | 2019-12-17 | 江西博微新技术有限公司 | 基于无人机巡检的线路诊断方法、电子装置及存储介质 |
| CN111537515A (zh) * | 2020-03-31 | 2020-08-14 | 国网辽宁省电力有限公司朝阳供电公司 | 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 |
| CN113642595A (zh) * | 2020-05-11 | 2021-11-12 | 北京金山数字娱乐科技有限公司 | 一种基于图片的信息提取方法及装置 |
| CN111831430A (zh) * | 2020-06-15 | 2020-10-27 | 国网上海市电力公司 | 一种基于边缘计算的电力设备缺陷识别系统 |
| CN112070728B (zh) * | 2020-08-24 | 2022-04-22 | 西安理工大学 | 基于目标检测算法的钢绳表面缺陷识别方法 |
| CN112070728A (zh) * | 2020-08-24 | 2020-12-11 | 西安理工大学 | 基于目标检测算法的钢绳表面缺陷识别方法 |
| CN112232133A (zh) * | 2020-09-18 | 2021-01-15 | 许继集团有限公司 | 基于深度卷积神经网络的输电线路图像识别方法及装置 |
| CN112990335A (zh) * | 2021-03-31 | 2021-06-18 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统 |
| CN112990335B (zh) * | 2021-03-31 | 2021-10-15 | 江苏方天电力技术有限公司 | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统 |
| CN114577410A (zh) * | 2022-03-04 | 2022-06-03 | 浙江蓝能燃气设备有限公司 | 一种用于瓶组容器氦气泄漏的自动检漏系统及应用方法 |
| CN114882336A (zh) * | 2022-05-18 | 2022-08-09 | 湖北工业大学 | 列车制动系统故障图像的端到端实时检测方法 |
| CN114882336B (zh) * | 2022-05-18 | 2024-04-26 | 湖北工业大学 | 列车制动系统故障图像的端到端实时检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110069975A (zh) | 一种基于神经网络的导线开股识别方法及系统 | |
| CN106097346B (zh) | 一种自学习的视频火灾探测方法 | |
| CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
| CN108734117A (zh) | 基于yolo的电缆设备外部腐蚀破损识别方法 | |
| CN102509100A (zh) | 一种基于图像模式识别的刀闸分合可靠性识别方法 | |
| CN108229587A (zh) | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 | |
| CN107767374A (zh) | 一种gis盆式绝缘子内部导体局部过热智能诊断方法 | |
| CN112966589A (zh) | 一种在危险区域的行为识别方法 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN109784375A (zh) | 基于Faster RCNN的自适应变压器部件检测识别方法 | |
| CN112434828A (zh) | 一种5t运维中安全防护智能识别方法 | |
| 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 | |
| CN112434827A (zh) | 一种5t运维中安全防护识别单元 | |
| 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 | |
| CN115311585A (zh) | 用于电网架空线路异物的识别检测系统 | |
| Leelaruji et al. | Short term prediction of solar irradiance fluctuation using image processing with resnet | |
| CN114332769A (zh) | 基于实时监控的变电站刀闸检测方法及系统 | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| CN116191680B (zh) | 一种应用于光伏发电的监控管理系统 | |
| CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
| CN111951161A (zh) | 目标识别方法及系统、巡检机器人 | |
| CN113504240B (zh) | 基于分层编码和视觉感知的电力设备故障检测方法 | |
| CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |