CN110188786B - 一种用于罐式避雷器泄漏电流的机器人图像识别算法 - Google Patents
一种用于罐式避雷器泄漏电流的机器人图像识别算法 Download PDFInfo
- Publication number
- CN110188786B CN110188786B CN201910288953.5A CN201910288953A CN110188786B CN 110188786 B CN110188786 B CN 110188786B CN 201910288953 A CN201910288953 A CN 201910288953A CN 110188786 B CN110188786 B CN 110188786B
- Authority
- CN
- China
- Prior art keywords
- leakage current
- image
- color
- value
- pointer
- 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
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明涉及变电站巡检机器人技术领域,具体涉及一种用于罐式避雷器泄漏电流的机器人图像识别算法,本发明提供了针对户内变电站组合电器罐式避雷器泄漏电流值的图像识别算法,可以大幅提升了吊轨式机器人的使用效率,有效降低日常巡检过程中人力、时间成本;创造性地提出比对原始图像、匹配图像边缘点色标特征的识别方法,成功克服了以往复杂算法在背景噪声处理方面效果欠佳的弊端,显著降低了读取泄漏电流值的误报率;率先提出了基于数量、颜色、疏密度三类边缘点特征判据的指针位置识别方法,一举攻克了以往复杂算法在界定边缘点方面效果欠佳的弊端,显著改进了读取泄漏电流值的准确率。
Description
技术领域
本发明涉及变电站巡检机器人技术领域,具体涉及一种用于罐式避雷器泄漏电流的机器人图像识别算法。
背景技术
变电站是各级电网的核心枢纽,对变电站内设备例行巡检是保证电网安全运行的关键手段。随着电力系统稳定性的要求不断提高,人工巡检模式存在劳动强度大、待检设备分散、恶劣天气干扰影响等缺点,人工巡检日益暴露出不适应智能电网发展趋势的迹象。
针对上述情况,2002年,“变电站设备巡检机器人“项目被列为国家863计划;2013年,变电站巡检机器人开始全面投入国家电网公司的巡检应用;2016年,南方电网公司也适时提出了推行“机巡+人巡”和探索应用智能作业的新要求,旨在通过研制灵活搭载多种类、高性能、高精度传感器的智能机器人,解决结构性缺员的突出矛盾,提升生产运行质量和设备健康水平。
气体绝缘金属封闭开关设备(GAS insulated SWITCHGEAR,GIS)又称组合电器,是变电站内的高价值关键设备。GIS主要由断路器、隔离开关、接地开关、互感器、罐式避雷器、母线、连接件和出线终端等组成,具有体积和占地面积小,维护工作量小,不受周围环境的影响,对外界没有电磁干扰,运行可靠等优势。罐式避雷器是专门为保护GIS,防止被雷电和操作过电压冲击破坏而设计的金属氧化物避雷器(Metal Oxide Surge Arrester,MOA)。MOA也是变电站内的重要设备,均压环、外套(磁外套、复合外套)、底座、引流线、放电计数器组成。MOA具有优异的非线性特性和大的通流能力,已经成为变电站内高压电气设备过电压保护的重要设备。运行中的MOA会通过泄漏电流,长期承受工频电压、冲击电压和内部受潮等因素的影响,将致使金属氧化物阀片老化、阻性泄漏电流增大,甚至导致阀片温度升高和损坏,严重情况下还会导致MOA爆炸。因此,《电力设备检修试验规程》(Q/CSG 1206007)要求运行人员巡视、记录泄漏电流,并用于监测、诊断MOA状态。
一方面,在电网企业中,户内变电站均部署应用了GIS,并已逐步开始采用配置了红外热成像仪、可见光摄像机及拾音器等传感装置的吊轨式机器人执行以往的人工室内巡检任务,进而降低人力、时间成本。另一方面,虽然户内变电站GIS所在环境的光照度相对稳定,但限于GIS设备结构复杂,吊轨式机器人采集的背景图像紊乱,加之难以保证可见光摄像机针对MOA等站内设备的拍摄角度、距离处于最优位置,加剧了泄漏电流值图像识别的难度。边缘点是一幅图像的基础特征,也是图像识别过程中的重要因素。当前的边缘点特征检测方法主要有:梯度算法、拉普拉斯算法、Sobel算法、Robert算法、Marr算法和小波变换算法等。相关算法过于复杂,但在背景噪声处理、界定边缘点等方面的效果却并不理想。
鉴于此,为完全有效推进应用户内变电站的吊轨式机器人,有必要基于计算机视觉技术,研究仪表读数的识别算法,攻克记录MOA泄漏电流值方面的自动检测识别难题,使之能够破解结构性缺员的突出矛盾,确保提升生产运行的质量水平。
发明内容
为了解决上述问题,本发明提供了一种配电网设备供应商的评价方法,具体技术方案如下:
一种用于罐式避雷器泄漏电流的机器人图像识别算法包括以下步骤:
S1:输入原始图像,并定义原始图像中不同示值刻度位置的边缘点特征信息O(x,y),x、y分别表示图像中横坐标方向、纵坐标方向的位置;设原始图像特征点集为式中,i表示不同泄漏电流示值刻度区域,i∈0,1,2,···,l;
S2:输入匹配图像,所述匹配图像是指巡检机器人拍摄MOA泄漏电流监测器的当前图像,所述匹配图像与原始图像的大小、拍摄位置相同;
S3:提取匹配图像中指针位置边缘点的特征信息M(x,y);若M(x,y)满足以下条件,则定义M(x,y)为特征点:
S31:Ma(x,y)>T,即边缘点数量大于T,用以过滤局部噪声,避免误判;式中,Ma(x,y)是指边缘点数量的局部最大值;T是指控制特征点数量的阈值;
S32:Mb(x,y)∈n,即各边缘点颜色特征属于既定色标范围n,用以过滤局部最大噪声,避免误判,式中,Mb(x,y)是指边缘点颜色特征;n是指既定色标范围,包括正常室内光照度下的常见指针颜色;
S33:即控制边缘点的疏密程度,用以避免特征点距离过近;式中,Mbf(x,y)是指某一区域内的边缘点,Np是指Mbf(x,y)周边(2L+1)×(2W+1)大小的相邻区域;L、W分别是指Np区域的长和宽的数值,L、W的大小视指针大小、仪表盘形状确定;Mbf(x′,y′)是指为保证检测识别效果事先确定的合理边缘点数量经验值;x′、y′分别指理想情况下最优检测范围的横、纵坐标值;
S5:针对各边缘点特征的色标n的取值范围,定义Coi(n)代表Oi位置的色标,定义Cmi(n)代表Mi位置的色标;
S6:比对原始图像、匹配图像中关于示值刻度位置与指针位置边缘点的色标特征,当存在色标不同时,即Coi(n)≠Cmi(n),即是当前指针所在位置;式中,Coi(n)为既定变量,Cmi(n)由S32中所提出特征信息获知;
S7:读取原始图像中既定的刻度值,即可得到MOA当前泄漏电流的监测值l。
优选地,所述步骤S1中的示值刻度位置边缘点特征信息包括颜色信息、角点信息。
优选地,所述步骤S3中指针位置边缘点的特征信息包括数量信息、颜色信息、疏密度信息。
优选地,所述步骤S32中的既定色标范围n包括:RAL4012珍珠黑、RAL5004蓝黑色、RAL7001银灰色、RAL7004信号灰、RAL8019灰褐色、RAL8022黑褐色、RAL9004信号黑、RAL9005墨黑色、RAL9011石墨黑、RAL9017交通黑。
本发明的有益效果为:本发明提供了针对户内变电站组合电器罐式避雷器泄漏电流值的图像识别算法,可以大幅提升了吊轨式机器人的使用效率,有效降低日常巡检过程中人力、时间成本;创造性地提出比对原始图像、匹配图像边缘点色标特征的识别方法,成功克服了以往复杂算法在背景噪声处理方面效果欠佳的弊端,显著降低了读取泄漏电流值的误报率;率先提出了基于数量、颜色、疏密度三类边缘点特征判据的指针位置识别方法,一举攻克了以往复杂算法在界定边缘点方面效果欠佳的弊端,显著改进了读取泄漏电流值的准确率。
附图说明
图1为本发明中机器人读取MOA的泄漏电流值的工作示意图;
图2为本发明的实施例中原始图像与匹配图像的配对识别示意图;
其中,1:巡检机器人、2:巡检机器人的吊轨、3:隔离刀闸、4:接地刀闸、5:电压互感器、6:MOA、7:墙壁、8:地面。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
吊轨式机器人识别组合电器罐式避雷器泄漏电流值的过程可以描述为:一台吊轨式机器人依次巡视组合电器的各关键部位,并利用本发明所述图像识别算法记录泄漏电流值大小,并实时监测、准确诊断MOA的运行状态。
如图1所示,吊轨式机器人沿敷设于GIS室顶部的轨道行走。当吊轨式机器人移动至MOA的对应位置时,下降至与泄漏电流监测器齐平的既定高度。吊轨式机器人使用可见光摄像机拍摄正面的泄漏电流监测器,并配对识别原始图像与匹配图像。
一种用于罐式避雷器泄漏电流的机器人图像识别算法包括以下步骤:
S1:输入原始图像,并定义原始图像中不同示值刻度位置的边缘点特征信息O(x,y),x、y分别表示图像中横坐标方向、纵坐标方向的位置;设原始图像特征点集为式中,i表示不同泄漏电流示值刻度区域,i∈0,1,2,···,l;示值刻度位置边缘点特征信息包括颜色信息、角点信息。
S2:输入匹配图像,所述匹配图像是指巡检机器人拍摄MOA泄漏电流监测器的当前图像,所述匹配图像与原始图像的大小、拍摄位置相同。
S3:提取匹配图像中指针位置边缘点的特征信息M(x,y);若M(x,y)满足以下条件,则定义M(x,y)为特征点,其中指针位置边缘点的特征信息包括数量信息、颜色信息、疏密度信息。
S31:Ma(x,y)>T,即边缘点数量大于T,用以过滤局部噪声,避免误判;式中,Ma(x,y)是指边缘点数量的局部最大值;T是指控制特征点数量的阈值;
S32:Mb(x,y)∈n,即各边缘点颜色特征属于既定色标范围n,用以过滤局部最大噪声,避免误判,式中,Mb(x,y)是指边缘点颜色特征;n是指既定色标范围,包括正常室内光照度下的常见指针颜色;既定色标范围n包括:RAL4012珍珠黑、RAL5004蓝黑色、RAL7001银灰色、RAL7004信号灰、RAL8019灰褐色、RAL8022黑褐色、RAL9004信号黑、RAL9005墨黑色、RAL9011石墨黑、RAL9017交通黑。
S33:即控制边缘点的疏密程度,用以避免特征点距离过近;式中,Mbf(x,y)是指某一区域内的边缘点,Np是指Mbf(x,y)周边(2L+1)×(2W+1)大小的相邻区域;L、W分别是指Np区域的长和宽的数值,L、W的大小视指针大小、仪表盘形状确定;Mbf(x′,y′)是指为保证检测识别效果事先确定的合理边缘点数量经验值;x′、y′分别指理想情况下最优检测范围的横、纵坐标值。
S5:针对各边缘点特征的色标n的取值范围,定义Coi(n)代表Oi位置的色标,定义Cmi(n)代表Mi位置的色标。
S6:比对原始图像、匹配图像中关于示值刻度位置与指针位置边缘点的色标特征,当存在色标不同时,即Coi(n)≠Cmi(n),即是当前指针所在位置;式中,Coi(n)为既定变量,Cmi(n)由S32中所提出特征信息获知。
S7:读取原始图像中既定的刻度值,即可得到MOA当前泄漏电流的监测值l。
如图2所示,吊轨式机器人配对识别泄漏电流监测器的原始图像与匹配图像,利用识别、读取算法提取泄漏电流指针位置的边缘点特征信息(数量、颜色、疏密度),根据指针与刻度值的对齐位置,求解对应指示值。
当吊轨式机器人未发现泄漏电流示值存在异常变化时,则按既定步骤继续巡视下一任务点。
当发现泄漏电流示值异常增大时,则利用可见光传感器初步扫视设备外绝缘积污程度,是否有破损、裂纹,内部有无异常声响,再利用红外热成像仪检测MOA的本体温度,并及时向生产监控指挥中心报告检查及检测结果。
其中,如泄漏电流读数超过初始值,则提醒运行人员及时采取缺陷流程处理措施,必要时还应立即申请停运处理。如发现泄漏电流指示虽异常增大时,但低于初始值时,还应提醒运行人员及检查避雷器与监测装置连接是否可靠,中间是否有短接,绝缘底座及接地是否良好、牢靠,必要时通过巡检机器人集控系统通知检修人员对其进行接地导通试验,判断接地电阻是否合格。此外,如接地电阻合格,则初判为监测装置有问题,并及时采取缺陷流程处理措施。
与其他专家系统算法相比,本发明所述算法具有简单有效的优势,可以通过基于数量、颜色、疏密度三类边缘点特征判据可准确判断指针位置,克服了以往复杂算法在背景噪声处理、界定边缘点特征方面效果欠佳的弊端,为巡检户内变电站的气体绝缘金属封闭开关设备提供了有效技术手段,达到巡检过程耗费成本(人力、物力和时间成本)最小的目标。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种用于罐式避雷器泄漏电流的机器人图像识别算法,其特征在于:包括以下步骤:
S1:输入原始图像,并定义原始图像中不同示值刻度位置的边缘点特征信息O(x,y),x、y分别表示图像中横坐标方向、纵坐标方向的位置;设原始图像特征点集为式中,i表示不同泄漏电流示值刻度区域,i∈0,1,2,···,l;
S2:输入匹配图像,所述匹配图像是指巡检机器人拍摄MOA泄漏电流监测器的当前图像,所述匹配图像与原始图像的大小、拍摄位置相同;
S3:提取匹配图像中指针位置边缘点的特征信息M(x,y);若M(x,y)满足以下条件,则定义M(x,y)为特征点:
S31:Ma(x,y)>T,即边缘点数量大于T,用以过滤局部噪声,避免误判;式中,Ma(x,y)是指边缘点数量的局部最大值;T是指控制特征点数量的阈值;
S32:Mb(x,y)∈n,即各边缘点颜色特征属于既定色标范围n,用以过滤局部最大噪声,避免误判,式中,Mb(x,y)是指边缘点颜色特征;n是指既定色标范围,包括正常室内光照度下的常见指针颜色;
S33:即控制边缘点的疏密程度,用以避免特征点距离过近;式中,Mbf(x,y)是指某一区域内的边缘点,Np是指Mbf(x,y)周边(2L+1)×(2W+1)大小的相邻区域;L、W分别是指Np区域的长和宽的数值,L、W的大小视指针大小、仪表盘形状确定;Mbf(x′,y′)是指为保证检测识别效果事先确定的合理边缘点数量经验值;x′、y′分别指理想情况下最优检测范围的横、纵坐标值;
S5:针对各边缘点特征的色标n的取值范围,定义Coi(n)代表Oi位置的色标,定义Cmi(n)代表Mi位置的色标;
S6:比对原始图像、匹配图像中关于示值刻度位置与指针位置边缘点的色标特征,当存在色标不同时,即Coi(n)≠Cmi(n),即是当前指针所在位置;式中,Coi(n)为既定变量,Cmi(n)由S32中所提出特征信息获知;
S7:读取原始图像中既定的刻度值,即可得到MOA当前泄漏电流的监测值l。
2.根据权利要求1所述的一种用于罐式避雷器泄漏电流的机器人图像识别算法,其特征在于:所述步骤S1中的示值刻度位置边缘点特征信息包括颜色信息、角点信息。
3.根据权利要求1所述的一种用于罐式避雷器泄漏电流的机器人图像识别算法,其特征在于:所述步骤S3中指针位置边缘点的特征信息包括数量信息、颜色信息、疏密度信息。
4.根据权利要求1所述的一种用于罐式避雷器泄漏电流的机器人图像识别算法,其特征在于:所述步骤S32中的既定色标范围n包括:RAL4012珍珠黑、RAL5004蓝黑色、RAL7001银灰色、RAL7004信号灰、RAL8019灰褐色、RAL8022黑褐色、RAL9004信号黑、RAL9005墨黑色、RAL9011石墨黑、RAL9017交通黑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288953.5A CN110188786B (zh) | 2019-04-11 | 2019-04-11 | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288953.5A CN110188786B (zh) | 2019-04-11 | 2019-04-11 | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188786A CN110188786A (zh) | 2019-08-30 |
CN110188786B true CN110188786B (zh) | 2022-12-06 |
Family
ID=67714159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910288953.5A Active CN110188786B (zh) | 2019-04-11 | 2019-04-11 | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188786B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4343992A2 (en) | 2016-11-22 | 2024-03-27 | Hydro-Québec | Unmanned aerial vehicle for monitoring an electrical line |
CN112861817A (zh) * | 2021-03-31 | 2021-05-28 | 国网上海市电力公司 | 一种仪表噪声图像处理方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5805813A (en) * | 1996-07-26 | 1998-09-08 | Schweitzer Engineering Laboratories, Inc. | System for visual monitoring of operational indicators in an electric power system |
US6349526B1 (en) * | 1997-09-12 | 2002-02-26 | Paul Bernard Newman | Automated packaging |
CN101244649A (zh) * | 2008-03-28 | 2008-08-20 | 北京工业大学 | 印品四色套准偏差自动检测方法 |
CN101527041A (zh) * | 2009-04-22 | 2009-09-09 | 天津大学 | 基于shadow matte一致性的图片伪造检测方法 |
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
CN102831606A (zh) * | 2012-08-01 | 2012-12-19 | 中国科学院自动化研究所 | 在医学影像中获取发音器官轮廓的方法 |
CN103927507A (zh) * | 2013-01-12 | 2014-07-16 | 山东鲁能智能技术有限公司 | 一种改进的变电站巡检机器人的多仪表读数识别方法 |
CN104282010A (zh) * | 2013-07-06 | 2015-01-14 | 南京车联网研究院有限公司 | 车辆多鱼眼摄像机360度俯视图像拼接曲线标定方法 |
CN105869122A (zh) * | 2015-11-24 | 2016-08-17 | 乐视致新电子科技(天津)有限公司 | 图像处理方法和装置 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN106203406A (zh) * | 2016-08-27 | 2016-12-07 | 李春华 | 一种基于云计算的识别系统 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN108921177A (zh) * | 2018-06-22 | 2018-11-30 | 重庆邮电大学 | 变电站巡检机器人的仪表定位方法 |
CN108921176A (zh) * | 2018-06-22 | 2018-11-30 | 河海大学常州校区 | 一种基于机器视觉的指针式仪表定位与识别方法 |
CN109034027A (zh) * | 2018-07-16 | 2018-12-18 | 上海电机学院 | 一种用于巡检机器人的仪表识别方法 |
CN109100788A (zh) * | 2018-07-06 | 2018-12-28 | 东北石油大学 | 地震数据非局部均值去噪方法 |
CN109242338A (zh) * | 2018-09-28 | 2019-01-18 | 广西电网有限责任公司电力科学研究院 | 一种集中控制下的变电站巡检机器人跨区域调配算法 |
CN109255336A (zh) * | 2018-09-29 | 2019-01-22 | 南京理工大学 | 基于巡检机器人的避雷器识别方法 |
CN109284718A (zh) * | 2018-09-26 | 2019-01-29 | 大连航佳机器人科技有限公司 | 面向巡检机器人的变视角多仪表同时识别方法 |
CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9773183B2 (en) * | 2015-05-07 | 2017-09-26 | The United States Of America As Represented By The Secretary Of The Air Force | Morphological automatic Landolt C orientation detection |
-
2019
- 2019-04-11 CN CN201910288953.5A patent/CN110188786B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5805813A (en) * | 1996-07-26 | 1998-09-08 | Schweitzer Engineering Laboratories, Inc. | System for visual monitoring of operational indicators in an electric power system |
US6349526B1 (en) * | 1997-09-12 | 2002-02-26 | Paul Bernard Newman | Automated packaging |
CN101244649A (zh) * | 2008-03-28 | 2008-08-20 | 北京工业大学 | 印品四色套准偏差自动检测方法 |
CN101527041A (zh) * | 2009-04-22 | 2009-09-09 | 天津大学 | 基于shadow matte一致性的图片伪造检测方法 |
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
CN102831606A (zh) * | 2012-08-01 | 2012-12-19 | 中国科学院自动化研究所 | 在医学影像中获取发音器官轮廓的方法 |
CN103927507A (zh) * | 2013-01-12 | 2014-07-16 | 山东鲁能智能技术有限公司 | 一种改进的变电站巡检机器人的多仪表读数识别方法 |
CN104282010A (zh) * | 2013-07-06 | 2015-01-14 | 南京车联网研究院有限公司 | 车辆多鱼眼摄像机360度俯视图像拼接曲线标定方法 |
CN105869122A (zh) * | 2015-11-24 | 2016-08-17 | 乐视致新电子科技(天津)有限公司 | 图像处理方法和装置 |
CN105930858A (zh) * | 2016-04-06 | 2016-09-07 | 吴晓军 | 一种带旋转、缩放的快速高精度几何模板匹配方法 |
CN106203406A (zh) * | 2016-08-27 | 2016-12-07 | 李春华 | 一种基于云计算的识别系统 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN108921177A (zh) * | 2018-06-22 | 2018-11-30 | 重庆邮电大学 | 变电站巡检机器人的仪表定位方法 |
CN108921176A (zh) * | 2018-06-22 | 2018-11-30 | 河海大学常州校区 | 一种基于机器视觉的指针式仪表定位与识别方法 |
CN109100788A (zh) * | 2018-07-06 | 2018-12-28 | 东北石油大学 | 地震数据非局部均值去噪方法 |
CN109034027A (zh) * | 2018-07-16 | 2018-12-18 | 上海电机学院 | 一种用于巡检机器人的仪表识别方法 |
CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
CN109284718A (zh) * | 2018-09-26 | 2019-01-29 | 大连航佳机器人科技有限公司 | 面向巡检机器人的变视角多仪表同时识别方法 |
CN109242338A (zh) * | 2018-09-28 | 2019-01-18 | 广西电网有限责任公司电力科学研究院 | 一种集中控制下的变电站巡检机器人跨区域调配算法 |
CN109255336A (zh) * | 2018-09-29 | 2019-01-22 | 南京理工大学 | 基于巡检机器人的避雷器识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188786A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722166B (zh) | 变电站设备智能视觉检测系统及状态检测方法 | |
CN103926510B (zh) | 一种电缆护层电流及载流量在线监测和故障诊断定位方法 | |
CN103499774B (zh) | 输电绝缘子闪络在线监视安全预警装置 | |
CN207780137U (zh) | 一种开关柜氧化锌避雷器监测装置 | |
CN204269739U (zh) | 基于线路避雷器的雷击诊断及实时报警装置 | |
CN110188786B (zh) | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 | |
CN105259443A (zh) | 一种智能防雷在线实时监测系统 | |
CN213986651U (zh) | 一种避雷器多状态在线监测系统 | |
CN108362950A (zh) | 一种雷电智能监测系统 | |
CN105112921A (zh) | 接地网智能防腐蚀保护及监控系统 | |
CN106597225A (zh) | 一种配电网在线状态监测系统及其在线监测方法 | |
CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
CN114088212A (zh) | 基于温度视觉的诊断方法及诊断装置 | |
CN110690699A (zh) | 一种基于泛在电力物联网的变电站智慧检测系统 | |
CN115792437B (zh) | 一种避雷器数字化监测方法与系统 | |
CN117239926A (zh) | 基于多参量感知的配电台区监测系统及方法 | |
CN202676797U (zh) | 一种消弧消谐及过电压保护器在线监测系统 | |
CN202217010U (zh) | 变压器铁芯接地电流在线监测装置 | |
CN110165674B (zh) | 一种有源滤波器安全管理系统 | |
CN107358343A (zh) | 基于图像数据特征差异性的电力工程安全预警方法 | |
CN116566043A (zh) | 一种配电终端监控系统及监控方法 | |
CN109870625A (zh) | 一种基于无线通信的氧化锌避雷器带电测量装置 | |
CN208607277U (zh) | 一种cvt二次侧远程实时监测装置 | |
CN110866155B (zh) | 一种基于大数据的设备热成像温度健康分析方法 | |
CN207926274U (zh) | 配电变压器中性点接地保护系统 |
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 |