CN110097531A - 一种用于无人机电力巡检的异构图像融合检测方法 - Google Patents
一种用于无人机电力巡检的异构图像融合检测方法 Download PDFInfo
- Publication number
- CN110097531A CN110097531A CN201910366686.9A CN201910366686A CN110097531A CN 110097531 A CN110097531 A CN 110097531A CN 201910366686 A CN201910366686 A CN 201910366686A CN 110097531 A CN110097531 A CN 110097531A
- Authority
- CN
- China
- Prior art keywords
- evidence
- thermal infrared
- image
- images
- visible light
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000003331 infrared imaging Methods 0.000 claims abstract description 4
- 230000003287 optical effect Effects 0.000 claims abstract description 3
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 239000012212 insulator Substances 0.000 claims description 4
- 238000012634 optical imaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于无人机电力巡检的异构图像融合检测方法,包括如下步骤:首先在电力巡检的无人机上,安装光学成像相机和用热红外成像相机,采集不同角度的可见光图像和热红外图像;(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库;(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中,提取故障目标,结合特征知识库,分别构造基本信度分配函数;(4)、将获取到的针对同一故障目标的异构图像证据进行融合,不同角度的异构图像证据进行融合,并用综合可信度设定融合权重。本发明克服了利用单一的可见光图像与热红外图像造成的诊断结果不可靠这一弊端。
Description
技术领域
本发明属于视觉检测领域,是图像处理与识别技术的应用,具体一种用于无人机电力巡检的异构图像融合检测方法。
背景技术
在电力系统供电运行中,最常见的故障就是高压输电线路故障,包括线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害故障等。及时有效的检测高压输电线路的故障和异常,对于电力系统的安全运行至关重要。人工巡检是现阶段的电力巡检最广泛的巡线方式,但这种方式不仅耗时耗力,而且效率较低。输电线路所处环境复杂,有很多地方并不适合人工巡检。并且由于人工巡检存在人的主观判断性,工作人员的经验对结果分析的准确度也有待商榷。基于视觉的高压线缆带电检测技术,为电力巡检提供一种新的思路。通过无人机作为移动平台携带热红外成像仪与可见光传感器进行线路巡检为解决这一瓶颈提供了可能。可见光相机具有很高的分辨率,可以提供场景的空间细节。但由于能见度低,使得复杂环境下的可见光图像不清晰。且可见光成像传感器对于线缆内部电气故障不敏感。而热红外成像仪善于捕捉所有物体在绝对零度以上发射的红外辐射。对高压线的内部发热异常能得到很好的检测效果,但其对诸如线缆破损这种故障类型不敏感,无法实现对线缆外部的缺陷及异常进行检测。
热红外图像与可见光图像的异构融合在高压线缆带电检测中具有信息表达上的互补性,然而异构图像的像素级融合要求针对同一目标的异构图像进行标定配准,这在无人机飞行过程中很难实现,而采用异构图像决策级融合则可以很好的克服这一困难。将两种异构图像进行决策级融合可以达到更加全面而快速的检测效果。
发明内容
本发明的目的是:提供一种用于无人机电力巡检的异构图像融合检测方法。针对高压输电线缆同时获取其热红外图像与可见光图像,提取关于线缆故障的信息,进行异构图像决策级融合,提供一种新的证据更新规则,使故障检测与识别更加有效。实现对高压电力线缆的全面检测。
为了达到上述目的,本发明的技术方案是:
一种用于无人机电力巡检的异构图像融合检测方法,包括如下步骤:
(1)、在电力巡检的无人机上,安装用于采集可见光图像的光学成像相机和用于采集热红外图像的热红外成像相机,在无人机飞行过程中采集不同角度的可见光图像和热红外图像;
(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库;
(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中,提取故障目标,结合特征知识库,分别构造基本信度分配函数;
(4)、将获取到的针对同一故障目标的异构图像证据进行融合,不同角度的异构图像证据进行融合,并用综合可信度设定融合权重。
上述步骤(2)中电力巡检异常特征是指:线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害故障等。
构建各种故障类型的特征知识库是指:对于可见光图像,选用图像中分割出的故障目标的Hu不变矩特征;对于热红外图像,选用故障目标的亮度特征对应的温度值,分别构建可见光和热红外图像各自的故障特征知识库。
上述步骤(3)中分别构造基本信度分配函数是指:
对于可将光图像中的故障,提取故障目标的Hu不变矩,令R=[m1,m2,L,mm]为知识库的故障hu不变矩,X[k]=[x1[k],x2[k]L xm[k]]为各角度的故障hu不变矩,通过求取不同视角下各故障的Hu不变矩和知识库对应故障的不变矩之间的特征距离来衡量该视角下所获取可见光图像证据的可信度;可见光特征距离函数表示为:
do[k]=||X[k]-R||;
对于热红外图像,令T[k]为环境亮度对应的温度值,T1[k]为各角度的故障目标亮度对应的温度值,通过求取不同视角下各故障目标的亮度特征值与环境亮度特征值之间的距离来衡量该视角下所获取热红外图像证据的可信度。热红外特征距离函数可表示为:
dt[k]=||T1[k]-T[k]||;
两者的故障基本信任分配函数构造如下式所示:
其中,λ1[k],λ2[k]为修正系数,ω[k],ν[k]为互不相关的高斯白噪声。
上述步骤(4)中的证据进行融合具体方式是指:设辨识框架Θ,ε1[k]的mass函数融合规则为:
其中,
用以下公式来计算,
其中:
上述步骤(4)中用综合可信度设定融合权重是指:
证据融合过程中证据的可信度不仅跟证据自身的可信度有关,也跟其他证据对该证据的支持度有关,且用建模过程中的特征距离和证据距离表征;
令CrdI(mi)表示证据mi自身的可信度,如下式所示:
令wi表示其他证据对该证据的支持度,如下式所示:
wi反应了该证据被其它证据支持的程度,即若某个证据与其它证据间的距离较小,则认为它们之间的相互支持度也较高;则令mi的相对置信度为:
证据自身的置信度与相对置信度同等重要,且定义综合置信度为:
Crd(mi)=(CrdI(mi)+CrdO(mi))/2
其中:
将α和β的参数定义为:
{α[k],β[k]}={Crdi,Crdj}
在异构图像融合的过程中,已更新的证据类型以
εΘ[k+1]=(εO[k+1]<εO[k])<(εT[k+1]<εT[k])
的顺序排列;
根据特征距离和证据距离计算出考虑不同类型证据逻辑重要性和可靠性更新权重。
本发明的有益效果是:
采用无人机沿输电线路进行实时拍摄,避免人工巡检主观因素和条件限制影响,可在复杂环境下更好的去检测故障点,提高可靠性和实时性。面向无人机搭载的异构传感器在DS证据更新理论框架下进行异常检测过程,发明了一种基于综合可信度的异构图像决策级融合算法,将可见光图像和热红外图像在决策级进行异构图像融合,并在融合过程中提出综合可信度概念,解决了异构数据基本信度分配函数难以建立,证据更新过程易受人为主观因素影响等问题。克服了利用单一的可见光图像与热红外图像造成的诊断结果不可靠这一弊端。
附图说明
图1电力巡检异构图像融合检测方法流程图。
具体实施方式
围绕发明内容,本发明的具体实施方式如下:
如图1所示,一种用于无人机电力巡检的异构图像融合检测方法,包括如下步骤
(1)、在电力巡检的无人机上,安装用于采集可见光图像的光学成像相机和用于采集热红外图像的热红外成像相机,在无人机飞行过程中采集不同角度的可见光图像和热红外图像;
(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库;
构建各种故障类型的特征知识库是指:对于可见光图像,选用图像中分割出的故障目标的Hu不变矩特征;对于热红外图像,选用故障目标的亮度特征对应的温度值,分别构建可见光和热红外图像各自的故障特征知识库。
基于历史数据和现实需求,利用目标的Hu不变矩来描述图像特征。Hu不变矩满足平移不变形、尺度不变性和旋转不变性的条件。因此对于来自同一传感器的不同视角图像中的同一目标,与其先验知识的距离是不变的。建立特征知识库。将可见光和热红外传感器获取到的线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害等故障分别构建各自的缺陷特征知识库。
(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中,提取故障目标,结合特征知识库,分别构造基本信度分配函数;
对于可将光图像,令R=[m1,m2,L,mm]为知识库的目标hu不变矩,X[k]=[x1[k],x2[k]L xm[k]]为各角度的目标hu不变矩。通过求取不同视角下各目标的hu不变矩和知识库对应目标的不变矩之间的特征距离来衡量该视角下所获取可见光图像证据的可信度。可见光特征距离函数可表示为:
do[k]=||X[k]-R||
距离函数到基本信任分配函数的映射,是非线性映射,且总趋势为:欧氏距离越小,分配给该证据的信任度越大,尤其是当距离为0时分配给该证据的信任度为1,指数函数可以很好地反映这种非线性映射关系。
对于热红外图像。令T[k]为环境亮度对应的温度值,T1[k]为各角度的目标亮度对应的温度值。通过求取不同视角下各目标的亮度特征值与环境亮度特征值之间的距离来衡量该视角下所获取热红外图像证据的可信度。热红外特征距离函数可表示为:
dt[k]=||T1[k]-T[k]||
温差函数到基本信任分配函数的映射,是非线性映射,且总趋势为:温差越大,分配给该证据的信任度越大,尤其是当温差为0时,分配给该证据的信任度为0。同样选取指数函数为基本信度分配函数,可以较好的反映上述非线性映射关系。
则两者的多目标基本信任分配函数可构造如下式所示
其中,λ1[k],λ2[k]为修正系数,ω[k],ν[k]为互不相关的高斯白噪声。
(4)、将获取到异构图像针对同一目标的证据进行融合,不同角度的异构图像证据进行融合,并用综合可信度设定融合权重。
设辨识框架Θ,ε1[k]的mass函数融合规则为:
其中,可以用以下公式来计算,
其中:
融合过程中所涉及的α、β的值都是通过人为赋权重来确定的,这是由于针对异构信息较难找到统一度量来衡量二者间的证据可信度大小,但是这种人为赋值缺乏严格的推理。本发明提出综合可信度概念,即证据融合过程中证据的可信度不仅跟证据自身的可信度有关,也跟其他证据对该证据的支持度有关,且用建模过程中的特征距离和证据距离表征。令CrdI(mi)表示证据mi自身的可信度,如下式所示:
令wi表示其他证据对该证据的支持度,如下式所示:
wi反应了该证据被其它证据支持的程度,即若某个证据与其它证据间的距离较小,则认为它们之间的相互支持度也较高。则令mi的相对置信度为:
证据自身的置信度与相对置信度同等重要,且定义综合置信度为
Crd(mi)=(CrdI(mi)+CrdO(mi))/2
显然:
将α和β的参数定义为:
{α[k],β[k]}={Crdi,Crdj}
在异构图像融合的过程中,已更新的证据类型以
εΘ[k+1]=(εO[k+1]<εO[k])<(εT[k+1]<εT[k])
的顺序排列。根据特征距离和证据距离计算出考虑不同类型证据逻辑重要性和可靠性更新权重。
Claims (5)
1.一种用于无人机电力巡检的异构图像融合检测方法,其特征在于:包括如下步骤:
(1)、在电力巡检的无人机上,安装用于采集可见光图像的光学成像相机和用于采集热红外图像的热红外成像相机,在无人机飞行过程中采集不同角度的可见光图像和热红外图像;
(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库;
(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中,提取故障目标,结合特征知识库,分别构造基本信度分配函数;
(4)、将获取到的针对同一故障目标的异构图像证据进行融合,不同角度的异构图像证据进行融合,并用综合可信度设定融合权重。
2.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法,其特征在于:所述步骤(2)中电力巡检异常特征是指:线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害故障;
所述构建各种故障类型的特征知识库是指:对于可见光图像,选用图像中分割出的故障目标的Hu不变矩特征;对于热红外图像,选用故障目标的亮度特征对应的温度值,分别构建可见光和热红外图像各自的故障特征知识库。
3.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法,其特征在于:所述步骤(3)中分别构造基本信度分配函数是指:
对于可将光图像中的故障,提取故障目标的Hu不变矩,令R=[m1,m2,L,mm]为知识库的故障hu不变矩,X[k]=[x1[k],x2[k]L xm[k]]为各角度的故障hu不变矩,通过求取不同视角下各故障的Hu不变矩和知识库对应故障的不变矩之间的特征距离来衡量该视角下所获取可见光图像证据的可信度;可见光特征距离函数表示为:
do[k]=||X[k]-R||;
对于热红外图像,令T[k]为环境亮度对应的温度值,T1[k]为各角度的故障目标亮度对应的温度值,通过求取不同视角下各故障目标的亮度特征值与环境亮度特征值之间的距离来衡量该视角下所获取热红外图像证据的可信度;热红外特征距离函数可表示为:
dt[k]=||T1[k]-T[k]||;
两者的故障基本信任分配函数构造如下式所示:
其中,λ1[k],λ2[k]为修正系数,ω[k],ν[k]为互不相关的高斯白噪声。
4.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法,其特征在于:所述步骤(4)中的证据进行融合具体方式是指:设辨识框架Θ,ε1[k]的mass函数融合规则为:
其中,
用以下公式来计算,
其中:
5.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法,其特征在于:所述步骤(4)中用综合可信度设定融合权重是指:
证据融合过程中证据的可信度不仅跟证据自身的可信度有关,也跟其他证据对该证据的支持度有关,且用建模过程中的特征距离和证据距离表征;
令CrdI(mi)表示证据mi自身的可信度,如下式所示:
令wi表示其他证据对该证据的支持度,如下式所示:
wi反应了该证据被其它证据支持的程度,即若某个证据与其它证据间的距离较小,则认为它们之间的相互支持度也较高;则令mi的相对置信度为:
证据自身的置信度与相对置信度同等重要,且定义综合置信度为:
Crd(mi)=(CrdI(mi)+CrdO(mi))/2
其中:
将α和β的参数定义为:
{α[k],β[k]}={Crdi,Crdj}
在异构图像融合的过程中,已更新的证据类型以
εΘ[k+1]=(εO[k+1]<εO[k])<(εT[k+1]<εT[k])
的顺序排列;根据特征距离和证据距离计算出考虑不同类型证据逻辑重要性和可靠性更新权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366686.9A CN110097531B (zh) | 2019-05-05 | 2019-05-05 | 一种用于无人机电力巡检的异构图像融合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366686.9A CN110097531B (zh) | 2019-05-05 | 2019-05-05 | 一种用于无人机电力巡检的异构图像融合检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097531A true CN110097531A (zh) | 2019-08-06 |
CN110097531B CN110097531B (zh) | 2023-05-12 |
Family
ID=67446766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910366686.9A Active CN110097531B (zh) | 2019-05-05 | 2019-05-05 | 一种用于无人机电力巡检的异构图像融合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097531B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569776A (zh) * | 2019-08-30 | 2019-12-13 | 国网福建省电力有限公司漳州供电公司 | 台风灾后对输配电线路故障的筛查方法 |
CN110658864A (zh) * | 2019-09-03 | 2020-01-07 | 深圳供电局有限公司 | 一种电力设备监控方法及其装置、计算机可读存储介质 |
CN112598637A (zh) * | 2020-12-21 | 2021-04-02 | 华能安阳能源有限责任公司 | 一种风电机组叶片巡检叶片区域路线自动飞行方法 |
CN112766107A (zh) * | 2021-01-08 | 2021-05-07 | 武汉大学 | 一种基于多源异构数据融合的高压电缆状态检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364003A (zh) * | 2018-04-28 | 2018-08-03 | 国网河南省电力公司郑州供电公司 | 基于无人机可见光及红外图像融合的电力巡检方法及装置 |
CN112001260A (zh) * | 2020-07-28 | 2020-11-27 | 国网湖南省电力有限公司 | 一种基于红外可见光图像融合的电缆沟故障检测方法 |
CN114429457A (zh) * | 2022-01-19 | 2022-05-03 | 中国电建集团中南勘测设计研究院有限公司 | 一种基于双模态融合的风机叶片缺陷智能检测方法 |
-
2019
- 2019-05-05 CN CN201910366686.9A patent/CN110097531B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364003A (zh) * | 2018-04-28 | 2018-08-03 | 国网河南省电力公司郑州供电公司 | 基于无人机可见光及红外图像融合的电力巡检方法及装置 |
CN112001260A (zh) * | 2020-07-28 | 2020-11-27 | 国网湖南省电力有限公司 | 一种基于红外可见光图像融合的电缆沟故障检测方法 |
CN114429457A (zh) * | 2022-01-19 | 2022-05-03 | 中国电建集团中南勘测设计研究院有限公司 | 一种基于双模态融合的风机叶片缺陷智能检测方法 |
Non-Patent Citations (1)
Title |
---|
汪勇等: "基于可见光、热红外及激光雷达传感的无人机图像融合方法", 《激光杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569776A (zh) * | 2019-08-30 | 2019-12-13 | 国网福建省电力有限公司漳州供电公司 | 台风灾后对输配电线路故障的筛查方法 |
CN110658864A (zh) * | 2019-09-03 | 2020-01-07 | 深圳供电局有限公司 | 一种电力设备监控方法及其装置、计算机可读存储介质 |
CN112598637A (zh) * | 2020-12-21 | 2021-04-02 | 华能安阳能源有限责任公司 | 一种风电机组叶片巡检叶片区域路线自动飞行方法 |
CN112766107A (zh) * | 2021-01-08 | 2021-05-07 | 武汉大学 | 一种基于多源异构数据融合的高压电缆状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110097531B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097531A (zh) | 一种用于无人机电力巡检的异构图像融合检测方法 | |
CN108846418B (zh) | 一种电缆设备温度异常定位与识别方法 | |
US10746763B2 (en) | Apparatus and method for diagnosing electric power equipment using thermal imaging camera | |
CN110567964B (zh) | 一种检测变电设备缺陷的方法、装置及存储介质 | |
CN111751002B (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
CN112001260A (zh) | 一种基于红外可见光图像融合的电缆沟故障检测方法 | |
CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
CN113447159B (zh) | 基于全局正态分布及局部离群因子的风洞漏冷监测方法 | |
CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测系统 | |
CN108830840A (zh) | 一种电路板缺陷的主动智能检测方法及其应用 | |
CN106920240A (zh) | 一种基于红外图像的绝缘子识别和故障诊断方法 | |
CN113762161A (zh) | 一种障碍物智能监测方法及系统 | |
CN112270234B (zh) | 一种基于航拍图像的输电线路绝缘子目标识别方法 | |
CN116630327B (zh) | 基于热力图的锅炉状态异常监测系统 | |
CN117058541B (zh) | 绝缘子高光谱数据采集系统及其方法 | |
CN113269744A (zh) | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 | |
CN113077447A (zh) | 一种可探测高压设备微弱放电并进行缺陷分析的方法 | |
CN112541478A (zh) | 一种基于双目摄像头的绝缘子串污损检测方法及系统 | |
CN115912183B (zh) | 高压输电线路生态措施巡视方法、系统及可读存储介质 | |
CN112489017A (zh) | 一种电力设备故障智能识别方法及识别系统 | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
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 | |
CN116094159A (zh) | 一种基于云计算和大数据分析的智慧电网安全运维系统 |
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 |