CN110472510A - 基于红外及可见图像的电力设备故障检测方法及评估设备 - Google Patents
基于红外及可见图像的电力设备故障检测方法及评估设备 Download PDFInfo
- Publication number
- CN110472510A CN110472510A CN201910640921.7A CN201910640921A CN110472510A CN 110472510 A CN110472510 A CN 110472510A CN 201910640921 A CN201910640921 A CN 201910640921A CN 110472510 A CN110472510 A CN 110472510A
- Authority
- CN
- China
- Prior art keywords
- infrared
- characteristic point
- image
- shooting image
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 34
- 238000003745 diagnosis Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
Abstract
本发明涉及一种基于红外及可见图像的电力设备故障检测方法及评估设备,其中方法包括:步骤S1:接收检测到的红外拍摄图像,并基于对比识别红外拍摄图像的设备类别;步骤S2:判断是否存在检测到的可见光拍摄图像,若为是,则执行步骤S3,反之,则执行步骤S4;步骤S3:对红外拍摄图像和可见光拍摄图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;步骤S4:利用红外拍摄图像获取匹配的可见光标准图像,对红外拍摄图像和可见光标准图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;步骤S5:基于获取的设备类别、缺陷部位及缺陷温度得到故障诊断结果。与现有技术相比,本发明具有准确度高等优点。
Description
技术领域
本发明涉及一种,尤其是涉及一种基于红外及可见图像的电力设备故障检测方法及评估设备。
背景技术
目前,电力设备的安全预估,是主动式配电网安全运行的关键问题。然而,检测获得的大量非结构化图像数据由于缺乏有效的结构化方式造成故障诊断、状态预估困难。传统的故障诊断需人为方式对检测图像进行逐一排查,不仅准确性、实效性较差,还由于缺乏后续趋势建模分析导致设备安全管理被动。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于红外及可见图像的电力设备故障检测方法及评估设备。
本发明的目的可以通过以下技术方案来实现:
一种基于红外及可见图像特征的电力设备故障检测方法,包括:
步骤S1:接收检测到的红外拍摄图像,并基于红外拍摄图像与红外标准图像进行对比,识别红外拍摄图像的设备类别;
步骤S2:判断是否存在检测到的可见光拍摄图像,若为是,则执行步骤S3,反之,则执行步骤S4;
步骤S3:对红外拍摄图像和可见光拍摄图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;
步骤S4:利用红外拍摄图像获取匹配的可见光标准图像,对红外拍摄图像和可见光标准图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;
步骤S5:基于获取的设备类别、缺陷部位及缺陷温度得到故障诊断结果。
所述步骤S3和步骤S4中的融合、缺陷部位及缺陷温度获得过程具体包括:
步骤S301:利用KNN,以加速稳健特征算法的特征点极值、特征点垂直响应、特征点水平响应和特征点主方向为样本进行特征点分类;
步骤S302:将分类后的可见光图像与红外拍摄图像的特征点进行匹配、融合,其中,所述可见光图像为可见光标准图像或可见光拍摄图像;
步骤S303:利用该类别设备的可见光健康图像与融合图像进行匹配,进而获得缺陷部位和缺陷温度。
所述特征点分类过程具体为:计算特征点与目标分类集合的距离,并选择距离最小的集合所以的类别作为该特征点的类别,所述距离具体为:
其中:d为距离,v(Det)为待分类特征点v的极值,为a类特征点集合中第K个特征点的极值,为待分类特征点v的水平响应,为a类特征点集合中第K个特征点的水平响应,为待分类特征点v的垂直响应,为a类特征点集合中第K个特征点的垂直响应,为待分类特征点v的主方向,为a类特征点集合中第K个特征点的主方向。
所述步骤S1的对比过程采用NCC算法实现。
一种基于红外及可见图像特征的电力设备安全预评估设备,包括:
用于获取红外拍摄图像的红外摄像模块;
用于根据红外拍摄图像和红外标准图像进行对比以获取设备类别的设备识别模块,该设备分类模块与红外摄像模块连接;
用于将红外拍摄图像和可见光图像进行融合的图像融合模块,该图像融合模块与红外摄像模块连接;
用于根据融合图像获得缺陷位置和缺陷温度的故障诊断模块,该故障诊断模块与图像融合模块连接;
用于对故障进行演化预测的故障演化预测模块,该故障演化预测模块与故障诊断模块连接。
所述设备识别模块的对比过程采用NCC算法实现。
所述故障诊断模块利用权核K均值聚类算法以设备类别、缺陷部位、缺陷温度及运行参数为样本进行故障诊断。
所述故障演化预测模块在故障诊断的基础上结合长-短期记忆模型的预测负荷及环境信息对故障趋势进行建模分析。
所述设备还包括用于获取可见光拍摄图像的可见光摄像模块,所述可见光摄像模块与图像融合模块连接。
融合、缺陷部位及缺陷温度获得过程具体包括:
步骤S301:利用KNN,以加速稳健特征算法的特征点极值、特征点垂直响应、特征点水平响应和特征点主方向为样本进行特征点分类;
步骤S302:将分类后的可见光图像与红外拍摄图像的特征点进行匹配、融合,其中,所述可见光图像为可见光标准图像或可见光拍摄图像;
步骤S303:利用该类别设备的可见光健康图像与融合图像进行匹配,进而获得缺陷部位和缺陷温度。
与现有技术相比,本发明具有以下有益效果:
1)通过对检测图像进行识别和融合,实现了非结构化的图像数据向结构化数据转化。
2)利用NCC算法克服融合过程中的背景及相似设备干扰,通过KNN以SURF特征点极值、特征点垂直响应、特征点水平响应和特征点主方向为样本进行分类匹配的方法避免了融合过程中原匹配原则的缺陷。
3)在故障诊断的基础上,关联环境和深度学习方法预测的负荷,对设备后续趋势进行建模分析。
4)与以往的人工方式进行设备诊断相比,本发明实现了设备识别、状态检测、故障诊断、状态预估的自动化,避免了人力物力的耗费,能更加及时的掌握电力设备运行状态随负荷变化的趋势,有效预估电力设备安全运行极限,提升了电网运行的稳定性、经济性。
附图说明
图1为本发明方法的主要步骤流程示意图;
图2为本发明基于图像特征的电力设备安全预评估结构框图;
图3为情况I的电力设备安全预评估的结构化流程;
图4为情况II的电力设备安全预评估的结构化流程;
图5为KNN以SURF特征点极值、垂直响应、水平响应和主方向为样本进行特征点分类。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
随着检测技术的推广,生成了海量的非结构化数据,难以有效的进行设备故障诊断,进而导致设备状态预评估困难。而长期采用的人工方法进行故障诊断不仅效率低下,还会由于人员主观差异造成误诊。如图2所示,本实例实现一种基于红外-可见图像特征融合的电力设备安全预评估方法,该方法包括设备识别、状态检测、故障诊断和故障演化预测,设备识别包括可见标准图库、红外标准图库以及检测图库,其中检测图库按可见检测图库是否完备进行情况划分。上述一种基于红外-可见图像特征融合的电力设备安全预评估方法首先利用NCC算法将红外检测图像与红外标准图库进行对比,识别设备类型;其次,判断可见检测图库是否存在,若存在则利用改进SURF算法进行红外检测图像与可见检测图像匹配融合,若不存在则根据识别结果利用标准库中预留的可见图像与红外检测图像进行融合;再次,利用WKK以设备识别和图像融合获得的设备类型、缺陷部位、缺陷温度及运行参数为样本进行故障诊断;最后,在故障诊断的基础是关联环境因素及LSTM预测的负荷,进行后续状态预估。
一种基于红外及可见图像特征的电力设备故障检测方法,包括:
步骤S1:接收检测到的红外拍摄图像,并基于红外拍摄图像与红外标准图像进行对比,识别红外拍摄图像的设备类别,其中,对比过程采用NCC算法实现;
步骤S2:判断是否存在检测到的可见光拍摄图像,若为是,则执行步骤S3,反之,则执行步骤S4;
步骤S3:如图3所示,对红外拍摄图像和可见光拍摄图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;
步骤S4:如图4所示,利用红外拍摄图像获取匹配的可见光标准图像,对红外拍摄图像和可见光标准图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;
其中的融合、缺陷部位及缺陷温度获得过程具体包括:
步骤S301:利用KNN,以加速稳健特征算法的特征点极值、特征点垂直响应、特征点水平响应和特征点主方向为样本进行特征点分类;
特征点分类过程具体为:计算特征点与目标分类集合的距离,并选择距离最小的集合所以的类别作为该特征点的类别,距离具体为:
其中:d为距离,v(Det)为待分类特征点v的极值,为a类特征点集合中第K个特征点的极值,为待分类特征点v的水平响应,为a类特征点集合中第K个特征点的水平响应,为待分类特征点v的垂直响应,为a类特征点集合中第K个特征点的垂直响应,为待分类特征点v的主方向,为a类特征点集合中第K个特征点的主方向。
步骤S302:将分类后的可见光图像与红外拍摄图像的特征点进行匹配、融合,其中,可见光图像为可见光标准图像或可见光拍摄图像;
步骤S303:利用该类别设备的可见光健康图像与融合图像进行匹配,进而获得缺陷部位和缺陷温度。
步骤S5:基于获取的设备类别、缺陷部位及缺陷温度得到故障诊断结果。
对应的,一种基于红外及可见图像特征的电力设备安全预评估设备,包括:
用于获取红外拍摄图像的红外摄像模块;
用于根据红外拍摄图像和红外标准图像进行对比以获取设备类别的设备识别模块,该设备分类模块与红外摄像模块连接;
用于将红外拍摄图像和可见光图像进行融合的图像融合模块,该图像融合模块与红外摄像模块连接;
用于根据融合图像获得缺陷位置和缺陷温度的故障诊断模块,该故障诊断模块与图像融合模块连接,其中,故障诊断模块利用权核K均值聚类算法以设备类别、缺陷部位、缺陷温度及运行参数为样本进行故障诊断;
用于对故障进行演化预测的故障演化预测模块,该故障演化预测模块与故障诊断模块连接,其中,故障演化预测模块在故障诊断的基础上结合长-短期记忆模型的预测负荷及环境信息对故障趋势进行建模分析;
用于获取可见光拍摄图像的可见光摄像模块,可见光摄像模块与图像融合模块连接。
本例实施例中,红外标准图库和可见标准图库都以同一设备不同视角的m张照片为完备条件,并对红外标准图库及可见关键构件图库进行背景滤除操作。
利用上述基于红外-可见图像特征融合的电力设备安全预评估方法,包括以下步骤:
1)输入检测图像,判断是否存在可见检测图库,若存在执行步骤2);若不存在,执行步骤3)。
2)输入红外检测图库和可见检测图库将非结构化图像数据转为结构化数据,其中,将红外检测图像和可见检测图像转为结构化数据,具体流程如图3所示,具体包括:
201)输入红外检测图像,利用NCC算法将红外检测图像与标准库中所有红外图像进行对比,以设备图集为单位计算相关系数平均值最大为判别准则识别图中的设备类型,剪切目标设备获得红外模板图像。
202)利用NCC算法将红外模板图像与可见检测图像进行剪切,获得可见模板图像。
203)利用经KNN以SURF的特征点极值、特征点水平响应、特征点垂直响应和特征点主方向为样本进行特征点分类,将分类后的可见模板图像与红外目标图像的特征点进行匹配、融合,对融合后的红外-可见图像采取与可见关键库进行匹配的方式以获取缺陷部位及缺陷温度信息。
204)根据设备识别结果,利用该类型设备的可见光健康与融合图像进行匹配,进而获得缺陷部位和缺陷温度。
3)输入红外检测图库将非结构化图像数据转为结构化数据,其中,将红外检测图像转为结构化数据,具体流程如图5所示,具体包括:
301)输入红外检测图像,利用NCC算法将红外检测图像与标准库中所有红外图像进行对比,以设备图集为单位计算相关系数平均值最大为判别准则识别图中的设备类型,剪切目标设备获得红外模板图像。
302)根据识别结果在可见标准图库选出该设备预留可见光图像,利用NCC算法将红外模板图像与预留可见光图像进行剪切,获得可见模板图像。
303)利用经KNN以SURF的特征点极值、特征点水平响应、特征点垂直响应和特征点主方向为样本进行特征点分类,将分类后的可见模板图像与红外目标图像的特征点进行匹配、融合,获取缺陷部位及缺陷温度信息。改进的特征点分类方法:
vDet、和分别为待分类特征点v的极值、水平响应、垂直响应和主方向;和分别为a类特征点集中第K个特征点的极值、水平响应、垂直响应和主方向。
4)以设备类型、缺陷部位、缺陷温度和运行参数为样本,利用WKK算法进行故障诊断,以获取故障机理。
5)在获知故障机理的前提下,关联环境信息以及未来一周的负荷数据,预估设备状态发展趋势。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于红外及可见图像特征的电力设备故障检测方法,其特征在于,包括:
步骤S1:接收检测到的红外拍摄图像,并基于红外拍摄图像与红外标准图像进行对比,识别红外拍摄图像的设备类别;
步骤S2:判断是否存在检测到的可见光拍摄图像,若为是,则执行步骤S3,反之,则执行步骤S4;
步骤S3:对红外拍摄图像和可见光拍摄图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;
步骤S4:利用红外拍摄图像获取匹配的可见光标准图像,对红外拍摄图像和可见光标准图像进行融合,利用模板匹配的方式获取缺陷部位及缺陷温度,并执行步骤S5;
步骤S5:基于获取的设备类别、缺陷部位及缺陷温度得到故障诊断结果。
2.根据权利要求1所述的一种基于红外及可见图像特征的电力设备故障检测方法,其特征在于,所述步骤S3和步骤S4中的融合、缺陷部位及缺陷温度获得过程具体包括:
步骤S301:利用KNN,以加速稳健特征算法的特征点极值、特征点垂直响应、特征点水平响应和特征点主方向为样本进行特征点分类;
步骤S302:将分类后的可见光图像与红外拍摄图像的特征点进行匹配、融合,其中,所述可见光图像为可见光标准图像或可见光拍摄图像;
步骤S303:利用该类别设备的可见光健康图像与融合图像进行匹配,进而获得缺陷部位和缺陷温度。
3.根据权利要求2所述的一种基于红外及可见图像特征的电力设备故障检测方法,其特征在于,所述特征点分类过程具体为:计算特征点与目标分类集合的距离,并选择距离最小的集合所以的类别作为该特征点的类别,所述距离具体为:
其中:d为距离,v(Det)为待分类特征点v的极值,为a类特征点集合中第K个特征点的极值,为待分类特征点v的水平响应,为a类特征点集合中第K个特征点的水平响应,为待分类特征点v的垂直响应,为a类特征点集合中第K个特征点的垂直响应,为待分类特征点v的主方向,为a类特征点集合中第K个特征点的主方向。
4.根据权利要求2所述的一种基于红外及可见图像特征的电力设备故障检测方法,其特征在于,所述步骤S1的对比过程采用NCC算法实现。
5.一种基于红外及可见图像特征的电力设备安全预评估设备,其特征在于,包括:
用于获取红外拍摄图像的红外摄像模块;
用于根据红外拍摄图像和红外标准图像进行对比以获取设备类别的设备识别模块,该设备分类模块与红外摄像模块连接;
用于将红外拍摄图像和可见光图像进行融合的图像融合模块,该图像融合模块与红外摄像模块连接;
用于根据融合图像获得缺陷位置和缺陷温度的故障诊断模块,该故障诊断模块与图像融合模块连接;
用于对故障进行演化预测的故障演化预测模块,该故障演化预测模块与故障诊断模块连接。
6.根据权利要求5所述的设备,其特征在于,所述设备识别模块的对比过程采用NCC算法实现。
7.根据权利要求5所述的设备,其特征在于,所述故障诊断模块利用权核K均值聚类算法以设备类别、缺陷部位、缺陷温度及运行参数为样本进行故障诊断。
8.根据权利要求5所述的设备,其特征在于,所述故障演化预测模块在故障诊断的基础上结合长-短期记忆模型的预测负荷及环境信息对故障趋势进行建模分析。
9.根据权利要求5所述的设备,其特征在于,所述设备还包括用于获取可见光拍摄图像的可见光摄像模块,所述可见光摄像模块与图像融合模块连接。
10.根据权利要求5所述的设备,其特征在于,融合、缺陷部位及缺陷温度获得过程具体包括:
步骤S301:利用KNN,以加速稳健特征算法的特征点极值、特征点垂直响应、特征点水平响应和特征点主方向为样本进行特征点分类;
步骤S302:将分类后的可见光图像与红外拍摄图像的特征点进行匹配、融合,其中,所述可见光图像为可见光标准图像或可见光拍摄图像;
步骤S303:利用该类别设备的可见光健康图像与融合图像进行匹配,进而获得缺陷部位和缺陷温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640921.7A CN110472510A (zh) | 2019-07-16 | 2019-07-16 | 基于红外及可见图像的电力设备故障检测方法及评估设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640921.7A CN110472510A (zh) | 2019-07-16 | 2019-07-16 | 基于红外及可见图像的电力设备故障检测方法及评估设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472510A true CN110472510A (zh) | 2019-11-19 |
Family
ID=68508761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910640921.7A Pending CN110472510A (zh) | 2019-07-16 | 2019-07-16 | 基于红外及可见图像的电力设备故障检测方法及评估设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472510A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062920A (zh) * | 2019-12-13 | 2020-04-24 | 北京百度网讯科技有限公司 | 用于生成半导体检测报告的方法及装置 |
CN111523423A (zh) * | 2020-04-15 | 2020-08-11 | 四川赛康智能科技股份有限公司 | 一种电力设备识别方法及装置 |
CN111696075A (zh) * | 2020-04-30 | 2020-09-22 | 航天图景(北京)科技有限公司 | 一种基于双光谱图像的风机叶片缺陷智能检测方法 |
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 |
CN112146762A (zh) * | 2020-09-18 | 2020-12-29 | 广东电网有限责任公司 | 继电保护装置的数据处理系统和方法 |
CN112258507A (zh) * | 2020-11-20 | 2021-01-22 | 财拓云计算(上海)有限公司 | 互联网数据中心的目标对象检测方法、装置和电子设备 |
CN112381765A (zh) * | 2020-10-23 | 2021-02-19 | 杭州翔毅科技有限公司 | 基于人工智能的设备检测方法、装置、设备及存储介质 |
CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
CN112598627A (zh) * | 2020-12-10 | 2021-04-02 | 广东省大湾区集成电路与系统应用研究院 | 检测图像缺陷的方法、系统、电子设备及介质 |
CN112733950A (zh) * | 2021-01-18 | 2021-04-30 | 湖北工业大学 | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 |
CN113095321A (zh) * | 2021-04-22 | 2021-07-09 | 武汉菲舍控制技术有限公司 | 一种带式输送机的滚轮轴承测温及故障预警方法及装置 |
CN113160134A (zh) * | 2021-03-12 | 2021-07-23 | 浙江黑卡电气有限公司 | 一种红外热图智能诊断装置及红外热图智能诊断方法 |
CN113284128A (zh) * | 2021-06-11 | 2021-08-20 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 基于电力设备的图像融合显示方法、装置和计算机设备 |
CN113505814A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于图像识别的高压断路器缺陷识别系统及方法 |
CN113537413A (zh) * | 2021-09-15 | 2021-10-22 | 常州微亿智造科技有限公司 | 特征选择与组合优化算法的零部件缺陷检测区间聚类方法 |
CN113743451A (zh) * | 2021-07-21 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 温度图像识别方法、装置、设备及存储介质 |
CN114418941A (zh) * | 2021-12-10 | 2022-04-29 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388414A (zh) * | 2015-10-23 | 2016-03-09 | 国网山西省电力公司大同供电公司 | 一种隔离开关的全方位故障自动识别方法 |
US20160148074A1 (en) * | 2014-11-26 | 2016-05-26 | Captricity, Inc. | Analyzing content of digital images |
CN106920240A (zh) * | 2017-03-09 | 2017-07-04 | 国家电网公司 | 一种基于红外图像的绝缘子识别和故障诊断方法 |
CN107784659A (zh) * | 2017-10-16 | 2018-03-09 | 华南理工大学 | 一种搜索电气设备红外图像相似可见光图像的方法 |
US20180350053A1 (en) * | 2016-10-31 | 2018-12-06 | Optim Corporation | Computer system, and method and program for diagnosing objects |
CN109300161A (zh) * | 2018-10-24 | 2019-02-01 | 四川阿泰因机器人智能装备有限公司 | 一种基于双目视觉的定位方法及装置 |
-
2019
- 2019-07-16 CN CN201910640921.7A patent/CN110472510A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148074A1 (en) * | 2014-11-26 | 2016-05-26 | Captricity, Inc. | Analyzing content of digital images |
CN105388414A (zh) * | 2015-10-23 | 2016-03-09 | 国网山西省电力公司大同供电公司 | 一种隔离开关的全方位故障自动识别方法 |
US20180350053A1 (en) * | 2016-10-31 | 2018-12-06 | Optim Corporation | Computer system, and method and program for diagnosing objects |
CN106920240A (zh) * | 2017-03-09 | 2017-07-04 | 国家电网公司 | 一种基于红外图像的绝缘子识别和故障诊断方法 |
CN107784659A (zh) * | 2017-10-16 | 2018-03-09 | 华南理工大学 | 一种搜索电气设备红外图像相似可见光图像的方法 |
CN109300161A (zh) * | 2018-10-24 | 2019-02-01 | 四川阿泰因机器人智能装备有限公司 | 一种基于双目视觉的定位方法及装置 |
Non-Patent Citations (2)
Title |
---|
崔红艳等: "基于改进的分布式K-Means特征聚类的海量场景图像检索", 《计算机应用与软件》 * |
李寒等: "基于灰度冗余和SURF算法的电气设备红外和可见光图像配准", 《电力系统保护与控制》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062920B (zh) * | 2019-12-13 | 2023-06-20 | 北京百度网讯科技有限公司 | 用于生成半导体检测报告的方法及装置 |
CN111062920A (zh) * | 2019-12-13 | 2020-04-24 | 北京百度网讯科技有限公司 | 用于生成半导体检测报告的方法及装置 |
CN111523423B (zh) * | 2020-04-15 | 2023-08-08 | 四川赛康智能科技股份有限公司 | 一种电力设备识别方法及装置 |
CN111523423A (zh) * | 2020-04-15 | 2020-08-11 | 四川赛康智能科技股份有限公司 | 一种电力设备识别方法及装置 |
CN111696075A (zh) * | 2020-04-30 | 2020-09-22 | 航天图景(北京)科技有限公司 | 一种基于双光谱图像的风机叶片缺陷智能检测方法 |
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 |
CN112146762A (zh) * | 2020-09-18 | 2020-12-29 | 广东电网有限责任公司 | 继电保护装置的数据处理系统和方法 |
CN112381765A (zh) * | 2020-10-23 | 2021-02-19 | 杭州翔毅科技有限公司 | 基于人工智能的设备检测方法、装置、设备及存储介质 |
CN112258507B (zh) * | 2020-11-20 | 2021-07-23 | 财拓云计算(上海)有限公司 | 互联网数据中心的目标对象检测方法、装置和电子设备 |
CN112258507A (zh) * | 2020-11-20 | 2021-01-22 | 财拓云计算(上海)有限公司 | 互联网数据中心的目标对象检测方法、装置和电子设备 |
CN112598627A (zh) * | 2020-12-10 | 2021-04-02 | 广东省大湾区集成电路与系统应用研究院 | 检测图像缺陷的方法、系统、电子设备及介质 |
CN112465738A (zh) * | 2020-12-21 | 2021-03-09 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
CN112465738B (zh) * | 2020-12-21 | 2023-05-05 | 国网山东省电力公司电力科学研究院 | 基于红外与可见光图像的光伏电站在线运维方法及系统 |
CN112733950A (zh) * | 2021-01-18 | 2021-04-30 | 湖北工业大学 | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 |
CN113160134A (zh) * | 2021-03-12 | 2021-07-23 | 浙江黑卡电气有限公司 | 一种红外热图智能诊断装置及红外热图智能诊断方法 |
CN113095321B (zh) * | 2021-04-22 | 2023-07-11 | 武汉菲舍控制技术有限公司 | 一种带式输送机的滚轮轴承测温及故障预警方法及装置 |
CN113095321A (zh) * | 2021-04-22 | 2021-07-09 | 武汉菲舍控制技术有限公司 | 一种带式输送机的滚轮轴承测温及故障预警方法及装置 |
CN113505814A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于图像识别的高压断路器缺陷识别系统及方法 |
CN113284128A (zh) * | 2021-06-11 | 2021-08-20 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 基于电力设备的图像融合显示方法、装置和计算机设备 |
CN113505814B (zh) * | 2021-06-11 | 2024-01-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于图像识别的高压断路器缺陷识别系统及方法 |
CN113743451A (zh) * | 2021-07-21 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 温度图像识别方法、装置、设备及存储介质 |
CN113537413A (zh) * | 2021-09-15 | 2021-10-22 | 常州微亿智造科技有限公司 | 特征选择与组合优化算法的零部件缺陷检测区间聚类方法 |
CN113537413B (zh) * | 2021-09-15 | 2022-01-07 | 常州微亿智造科技有限公司 | 特征选择与组合优化算法的零部件缺陷检测区间聚类方法 |
CN114418941A (zh) * | 2021-12-10 | 2022-04-29 | 国网浙江省电力有限公司宁波供电公司 | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472510A (zh) | 基于红外及可见图像的电力设备故障检测方法及评估设备 | |
CN111862067B (zh) | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109544548A (zh) | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN114627394B (zh) | 一种基于无人机的渣土车套牌识别方法及系统 | |
CN111027397B (zh) | 适用于智能监控网络中的综合特征目标检测方法、系统、介质及设备 | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN115035328A (zh) | 转炉图像增量自动机器学习系统及其建立训练方法 | |
CN114035606A (zh) | 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质 | |
CN109948550A (zh) | 一种智慧火车站人流量监控系统及方法 | |
CN115296193A (zh) | 变电站智能巡检系统及方法 | |
CN113554610A (zh) | 一种光伏组件运行状态检测方法及其应用装置 | |
CN114582012A (zh) | 一种骨架人体行为识别方法、装置及设备 | |
CN112819988A (zh) | 基于5g的无人机电站智能巡检方法、系统和网络侧服务端 | |
CN111859370A (zh) | 识别服务的方法、装置、电子设备和计算机可读存储介质 | |
CN113420646B (zh) | 一种基于深度学习的锁站连接锁检测系统及方法 | |
CN110544182A (zh) | 一种基于机器学习技术的配电通信网融合控制方法及系统 | |
CN116563969B (zh) | 一种设备巡检方法、装置、设备和存储介质 | |
KR102619578B1 (ko) | 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법 | |
CN116168370B (zh) | 一种自动驾驶数据识别方法及其系统 | |
CN117115749A (zh) | 一种建筑质量全局检测方法及系统 |
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: 20191119 |