CN110598736A - 一种电力设备红外图像故障定位、识别与预测方法 - Google Patents
一种电力设备红外图像故障定位、识别与预测方法 Download PDFInfo
- Publication number
- CN110598736A CN110598736A CN201910720161.0A CN201910720161A CN110598736A CN 110598736 A CN110598736 A CN 110598736A CN 201910720161 A CN201910720161 A CN 201910720161A CN 110598736 A CN110598736 A CN 110598736A
- Authority
- CN
- China
- Prior art keywords
- fault
- power equipment
- image
- temperature
- infrared
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000007547 defect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Abstract
一种电力设备红外图像故障定位、识别与预测方法,步骤:1)收集电力设备红外热图像数据;2)分类红外图像,构成数据集;3)构建卷积神经网络模型;4)分出有故障的电力设备;5)实时监测有故障的电力设备,纵向收集温度数据;6)定位故障部位,分割电力设备红外图像,提取故障区域;7)诊断故障区域进行,判断故障等级;8)预测设备状态趋势;9)信息统一输出显示;10)存储故障等级;11)制作四类红外图像数据集;12)构建目标检测模型,并训练;13)直接目标检测待测的电力设备红外图像,获取故障部位、等级;14)重复步骤5);15)重复步骤8);16)重复步骤9);利于故障部位的定位、故障等级判断、故障设备的预测、给出维护建议。
Description
技术领域
本发明属于电力设备故障检测技术领域,具体涉及一种基于深度学习网络的电力设备红外图像故障定位、识别与预测方法。
背景技术
随着科学技术的迅速发展,对于电力行业的要求也得到了逐步的提升。目前,我国大力发展智能变电站,构建大数据平台。由于电力设备长期处于运行状态,同时受环境等因素的影响,会产生不同等级的故障,从而对电力系统的安全、稳定造成一定的危害,因此电力设备的故障检测与分析是智能电网中非常重要的一环,对不同类型的电力设备进行有效的监控,并实时、自动的分析电力设备有无故障、故障程度、故障位置以及故障时间预测等现已成为研究的热点。
目前,多数的设备巡检、故障检测还是依靠现场工作人员进行人工分析诊断,这种传统的巡检故障方式不仅耗时长、危险性高、浪费人力物力,而且容易受到个人经验的影响。可见光由于是人眼能够感受到的电磁波,所以针对电力设备表面缺陷检测可以发挥一定的作用,但是对于内部故障、缺陷分析,由于其无法直接获得物体的温度分布状态,所以对于研究电力设备故障检测产生一定的限制。
红外热成像技术由于具有非接触式检测、无电磁干扰、检测范围大、故障诊断率高、昼夜监控、直观可靠等优点,现已成为电力设备故障检测的重要手段,运用红外热像仪检查电力设备的发热隐患成为保证设备正常运行的方式之一;再者,伴随着计算机的普及,硬件性能的提高,深度学习(Deep Learning)又一次在业界被广泛提及,因其较传统的识别任务能够显著提高准确率,彰显出高超的处理复杂任务的能力,许多领域的学者尝试利用深度学习来解决工业系统故障诊断方面的实际问题,深度学习逐渐在模式识别、故障诊断、缺陷检测方面显示出特有的优势与潜力。
发明内容
为克服上述现有技术的不足,本发明的目的在于提供一种电力设备红外图像故障定位、识别与预测方法,该方法基于深度学习网络,能够准确分类出故障的电力设备,并对其故障部位进行定位,提取温度数据,进行故障等级判断,引入时间序列概念,针对故障设备进行预测,并进行性能分析,给出合理维护建议,有助于健康管理。
为实现上述目的,本发明采用的技术方案是:一种电力设备红外图像故障定位、识别与预测方法,包括以下步骤:
步骤1,采用手持式热像仪或以红外热像仪搭载无人机进行自主巡逻,收集电力设备红外热图像数据;
步骤2,对步骤1中获取的包含已知电力设备的红外图像进行分类,制作标签,包括有缺陷和无缺陷两类,构成数据集;
步骤3,构建卷积神经网络模型,将包含有缺陷和无缺陷两类标签的数据集输入卷积神经网络模型进行训练;
步骤4,采用步骤3得到的训练后的电力设备红外图像故障检测网络对待测的电力设备进行检测,分类出有故障的电力设备;
步骤5,针对步骤4得到的有故障的电力设备,一方面采用固定热像仪进行实时监测,纵向收集温度数据;
步骤6,针对步骤4得到的有故障的电力设备,另一方面对故障部位进行定位,采用SLIC超像素分割算法,对电力设备红外图像进行分割,准确提取故障区域;
步骤7,对步骤6定位的故障区域进行诊断,分析电力设备的故障等级,提取温度信息,采用相对温差判据,通过计算故障区域的温度值及温升变化,判断故障等级;
步骤8,针对步骤7获取的电力设备的故障等级,引入时间序列概念,对步骤5中获取的纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,有助于健康管理;
步骤9,显示界面,将上述步骤1、6、7、8中获取的原始图像、分割后图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示;
步骤10,针对步骤7获取的电力设备的故障等级,依照《带电设备红外诊断技术应用规范》的要求,按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储;
步骤11,对步骤10中的四类电力设备红外图像制作数据集,对每一张红外图像制作标签,生成包含该图像标签以及位置信息的xml文件;
步骤12,构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络,将输入的数据集稍作格式转换之后,利用已构建的故障检测的神经网络对其进行训练;
步骤13,采用步骤12得到的训练后的网络对待测的电力设备红外图像进行目标检测,获取该电力设备的故障部位及故障等级;
步骤14,针对步骤13得到的故障的电力设备,采用固定热像仪进行实时监测,纵向收集温度数据;
步骤15,引入时间序列概念,对步骤14中获取的纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,有助于健康管理;
步骤16,显示界面,将原始图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示;
本发明的特点还在于:
CNN流程也可以完成对于电力设备红外图像的故障定位、识别与预测,但是考虑到效率问题,本发明中,主要是将这一部分作为图像预处理阶段,即视作Mobilenet_ssd目标检测的数据预处理阶段;将收集的电力设备红外热图像数据输入卷积神经网络模型(CNN)进行训练,分类出有故障的电力设备,针对故障的电力设备,采用SLIC超像素分割算法,对电力设备红外图像进行分割,定位故障部位;再对故障部位进行诊断,提取温度信息,采用相对温差判据,分析电力设备的故障等级,最后按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储。
步骤2中,因为步骤1中收集的电力设备红外热图像数据数量有限,所以首先利用MATLAB对原始图像进行镜像和旋转变换,以达到扩充样本的目的;然后将采集到的大小不一的原始数据转换成网络训练需要的shape,利用resize()函数;再制作Tfrecords,读取Tfrecords数据,获得image和label,并保存相应的数据,作为后续训练的inputdata。
步骤3中,构建的卷积神经网络模型(CNN)是一个六层神经网络,其中:
输入层,输入数据为256*256*3的原始数据;
第一层:第一卷积层:卷积核为3*3*64,步长为1,padding=‘SAME’,激活函数为Relu,通过这一层得到的输出为:256*256*64的图像数据;卷积过程如公式(1)所示:
其中:n*n为卷积核大小,w为权值,b为偏置,x为对应位置上的像素值,y为输出值,i、j分别表示第i行、第j列,再将该输出值y输入激活函数Relu中,如公式(2)所示:
其中:f(x)为特征图像对应的像素点的值;
第二层:第一池化层:卷积核为2*2,步长为2,通过这一层得到的输出为:128*128*64的图像数据;池化之后,执行lrn()操作,局部响应归一化,有利于提高训练过程中的准确度;
第三层:第二卷积层:卷积核为3*3*16,步长为1,padding=‘SAME’,激活函数为Relu,通过这一层得到的输出为:128*128*16的图像数据;
第四层:第二池化层:卷积核为2*2,步长为2,通过这一层得到的输出为:64*64*16的图像数据;池化之后,执行lrn()操作,局部响应归一化,有利于提高训练过程中的准确度;
第五层:第一全连接层,128个神经元,将上一层中的输出reshape为一行,激活函数为Relu。完成之后,执行drought操作,即在深度学习神经网络训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,是防止过拟合,提高效果的一种手段;
第六层:第二全连接层,将上一层得到的1*1*128的列向量转换成2个类别打分,此处使用TensorFlow提供的tf.softmax_cross_entropy_with_logits函数,可以直接对Logit定义交叉熵损失;交叉熵刻画的是实际输出与期望输出的距离,即交叉熵的值越小,两个概率分布越接近,如公式(3)所示:
H(p,q)=-∑xp(x)logq(x) (3)
其中,p为期望的输出,q为实际的输出,H(p,q)为交叉熵;
反向传播阶段使用自适应矩估计(Adaptive Moment Estimation,Adam)进行优化,Adam是一种自适应学习率算法,对每一个参数都计算自适应的学习率;Adam相比较于其它自适应算法,在实际中的表现更具优势。
步骤6中,由于一般在电力设备中,仅是个别部位会发生故障,所以需要对特定部位进行识别和定位,采用SLIC超像素分割算法,基于K-means聚类算法,但是降低了复杂度,是一种实现方便、更加简单的算法;算法原理是将输入的彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量,再对这5维特征向量构造距离度量标准,对图像像素进行局部聚类的过程;聚类过程中,需要调整邻域种子点,方法为利用差分方式计算该邻域内所有像素点的梯度值,具体计算公式如公式(4)所示:
式中,Gradient(x,y)为在点(x,y)处的梯度值
以(0,0)为原点,水平向右为x轴正方向,竖直向下为y轴正方向,建立二维图像坐标系,(x,y)为每个像素块中心点的坐标;
调整完种子点之后进行像素点聚类,通过变换的欧式距离公式进行度量,具体计算公式如公式(5)所示:
式中:dc表示颜色距离,l、a、b分别为CIELAB颜色空间下的三个通道;ds表示空间距离,x、y分别为XY空间坐标下的两个分量;m为LAB空间的距离可能最大值,随图像、聚类的不同而不同,取值范围建议取[1,40],一般取m=10;M*N为图像大小,参数K为预生成的超像素数量;D'为距离度量;
分割完成后,通过比较每个超像素块区域的温度平均值,从而提取疑似故障区域。
步骤7中,相对温差判据的计算公式具体如公式(6)所示:
δt=(τ1-τ2)×100%/τ1=(T1-T2)×100%/(T1-T0) (6)
式中,δt表示相对温差指两个对应测点之间的温差与其中较热点的温升的百分比,τ1、τ2分别代表发热点、正常点的温升,T0、T1、T2分别代表环境温度参照体、发热点、正常点的温度;
在提取温度过程中,会存在盲元问题,即存在某些温度坏点,会影响成像质量,进而对电力设备红外图像故障诊断准确率产生一定的影响;本发明采用八邻域法对盲元问题进行补偿,如图3所示,图中白色圆圈表示盲元点,温度为Tp,与之相邻的八个像素点的温度值依次为T1、T2…T8,以区域内温度的平均值代替盲元点的温度,即Tp=(T1+T2+T3+T4+T5+T6+T7+T8)/8代替该盲元点的温度,该步骤中所采用的相对温差判据如下:
步骤9中的显示界面,如图4所示:其中,保存按钮可以将图像信息按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行分类保存,完成对电力设备红外图像数据的预处理;之后需要构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络,对待测图像进行直接检测;利用已构建的Mobilenet_ssd目标检测网络对输入数据进行训练、检测,获取电力设备的故障部位及故障等级,再采用固定热像仪进行实时监测,纵向收集温度数据,对该纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,最后进行显示。
步骤11中,将步骤10中存储的四类电力设备红外图像数据,利用labelImg软件对每一张图片制作标签,生成包含该图像标签以及位置信息的xml文件,作为数据集。
步骤12中所述的格式转换为先将所有的xml文件整合为csv文件,再转化为Tensorflow目标检测API需要的TFRcords Format格式,即将csv文件转化为record文件。
本发明的有益效果是:
传统的电力设备故障检测方法不仅耗时长、危险性高、浪费人力物力,而且容易受到个人经验的影响,除此之外,现有的传统或智能方法均存在的问题是检测设备单一,针对某一特定设备进行检测,并且均没有做到设备预测这一步。本发明在充分考虑现有方法不足的情况下,严格依照《带电设备红外诊断技术应用规范》的要求,对包括高压开关柜、隔离开关、变压器、电流互感器、电力电缆、电容器等绝大多数电力设备提供一种电力设备红外图像故障分析方法,该方法能够准确分类出故障的电力设备,并对其故障部位进行定位,故障等级判断,针对故障设备进行预测,给出合理维护建议,有助于健康管理,具有很大应用价值。
本发明采用两种红外热像仪采集电力设备红外热像图,一种为手持式热像仪或以红外热像仪搭载无人机进行自主巡逻检测,另一种为固定热像仪进行实时监测;对工程现场红外热像仪所采集到的样本数据进行训练、测试,分类出故障的电力设备,实现对电力设备的故障检测;针对故障的电力设备,一方面采用固定热像仪进行实时监测,纵向收集温度数据,另一方面对故障部位进行定位,提取故障区域;对故障区域进行诊断,分析设备的故障等级,提取温度信息,判断故障等级;针对故障等级,对电力设备进行健康管理,引入时间序列概念,针对故障设备进行预测,并进行性能分析,给出合理建议,有助于健康管理。针对传统的电力设备故障检测方法,红外热像仪的引入,能够将物体发出的不可见的红外能量转化为可见的红外热图像,使得本发明能够取得非接触式检测、昼夜监控、内部故障诊断的优势;针对现有的智能方法,深度学习网络模型的引入,能够从少量样本中提取特征,同时具有逐层训练的稳定性以及多层的复杂结构,使得本发明能够快速、准确的找出故障设备及区域,顺应大数据发展的潮流。
根据我国大力发展智能变电站,构建大数据平台的战略,发明一种能够自动准确分类出故障的电力设备,并对其故障部位进行定位,提取温度数据,进行故障等级判断,引入时间序列概念,针对故障设备进行预测,并进行性能分析,给出合理维护建议的智能电力设备红外图像故障定位、识别与预测方法。
a.现有方法主要针对某一特定设备进行检测,并且均没有做到设备预测这一步。本发明严格依照《带电设备红外诊断技术应用规范》的要求,采用相对温差判据对包括高压开关柜、隔离开关、变压器、电流互感器、电力电缆等绝大多数电力设备进行故障等级判断,通过加入时间序列,拟合函数曲线,计算温度梯度,预测故障趋势,对设备进行有效管理,以提高使用率。
依照《带电设备红外诊断技术应用规范》的要求,本发明主要针对电流致热型设备进行故障分析。
采用两种红外热像仪采集电力设备红外热像图,可移动式进行自主巡逻检测,收集原始电力设备红外图像数据,另一种为固定热像仪进行实时监测;对工程现场红外热像仪所采集到的原始样本数据通过CNN模型进行训练、测试,分类出故障的电力设备,针对故障的电力设备,一方面采用固定热像仪进行实时监测,纵向收集温度数据,另一方面对故障部位进行定位,采用SLIC超像素分割算法,对电力设备红外图像进行分割,提取故障区域,采用相对温差判据,判断故障等级。
引入红外热成像技术以及深度学习知识,包括卷积神经网络(CNN)模型和Mobilenet_ssd目标检测框架,扩大了故障分析的范围,提高了故障诊断的准确率、快速性。
随着普遍存在的深度学习瓶颈已至言论,数据红利悄然而至,数据处理或许是一剂良药。本发明中基于CNN模型的流程一方面可以直接进行电力设备红外图像故障定位、识别与预测,另一方面可视作Mobilenet_ssd目标检测的数据预处理阶段,对已检测分析之后的电力设备红外图像按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储,以收集数据集,将预处理之后的数据通过Mobilenet_ssd网络框架进行训练、测试,再完成后期工作,节省了前期数据处理的工作时间。
附图说明
图1为本发明的技术方案路线。
图2为本发明的CNN预处理流程图。
图3为本发明八邻域法盲元补偿原理图。
图4为本发明显示界面截图。
图5为本发明目标检测流程图。
图6为本发明流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
如图1所示,为本发明的技术路线:将采集到的电力设备红外热像图通过深度神经网络模型,分类出故障设备并进行故障定位、判断故障等级,与此同时,对故障设备进行实时监测,纵向收集温度数据,引入时间序列概念,以预测设备状态,分析设备性能,进行健康管理。
一种电力设备红外图像故障定位、识别与预测方法,包括以下步骤:
步骤1,采用手持式热像仪或以红外热像仪搭载无人机进行自主巡逻,收集电力设备红外热图像数据;
步骤2,对步骤1中获取的包含已知电力设备的红外图像进行分类,制作标签,包括有缺陷和无缺陷两类,构成数据集;
步骤3,构建卷积神经网络模型(CNN),将包含有缺陷和无缺陷两类标签的数据集输入卷积神经网络模型(CNN)进行训练;
步骤4,采用步骤3得到的训练后的电力设备红外图像故障检测网络对待测的电力设备进行检测,分类出有故障的电力设备;
步骤5,针对步骤4得到的有故障的电力设备,一方面采用固定热像仪进行实时监测,纵向收集温度数据;
步骤6,针对步骤4得到的有故障的电力设备,另一方面对故障部位进行定位,采用SLIC超像素分割算法,对电力设备红外图像进行分割,准确提取故障区域;
步骤7,对步骤6定位的故障区域进行诊断,分析电力设备的故障等级,提取温度信息,采用相对温差判据,通过计算故障区域的温度值及温升变化,判断故障等级;
步骤8,针对步骤7获取的电力设备的故障等级,引入时间序列概念,对步骤5中获取的纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,有助于健康管理;步骤8为预测的步骤;
步骤9,显示界面,将上述步骤1、6、7、8中获取的原始图像、分割后图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示;,步骤9为显示的步骤;
步骤10,针对步骤7获取的电力设备的故障等级,依照《带电设备红外诊断技术应用规范》的要求,按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储;
步骤11,对步骤10中的四类电力设备红外图像制作数据集,对每一张红外图像制作标签,生成包含该图像标签以及位置信息的xml文件;
步骤12,构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络,将输入的数据集稍作格式转换之后,利用已构建的故障检测的神经网络对其进行训练;
步骤13,采用步骤12得到的训练后的网络对待测的电力设备红外图像进行目标检测,获取该电力设备的故障部位及故障等级;步骤13为识别步骤,Mobilenet_ssd为目标检测框架,直接进行故障的识别定位即判断;
步骤14,针对步骤13得到的故障的电力设备,采用固定热像仪进行实时监测,纵向收集温度数据;
步骤15,引入时间序列概念,对步骤14中获取的纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,有助于健康管理;
步骤16,显示界面,将原始图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示;
本发明的特点还在于:
CNN流程也可以完成对于电力设备红外图像的故障定位、识别与预测,但是考虑到效率问题,本发明中,主要是将这一部分作为图像预处理阶段,即视作Mobilenet_ssd目标检测的数据预处理阶段,流程图如图2所示:将收集的电力设备红外热图像数据输入卷积神经网络模型(CNN)进行训练,分类出有故障的电力设备,针对故障的电力设备,采用SLIC超像素分割算法,对电力设备红外图像进行分割,定位故障部位;再对故障部位进行诊断,提取温度信息,采用相对温差判据,分析电力设备的故障等级,最后按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储。
步骤2中,因为步骤1中收集的电力设备红外热图像数据数量有限,所以首先利用MATLAB对原始图像进行镜像和旋转变换,以达到扩充样本的目的;然后将采集到的大小不一的原始数据转换成网络训练需要的shape,利用resize()函数;再制作Tfrecords,读取Tfrecords数据,获得image和label,并保存相应的数据,作为后续训练的inputdata。
步骤3中,构建的卷积神经网络模型(CNN)是一个六层神经网络,其中:
输入层,输入数据为256*256*3的原始数据;
第一层:第一卷积层:卷积核为3*3*64,步长为1,padding=‘SAME’,激活函数为Relu,通过这一层得到的输出为:256*256*64的图像数据;卷积过程如公式(1)所示:
其中:n*n为卷积核大小,w为权值,b为偏置,x为对应位置上的像素值,y为输出值,i、j分别表示第i行、第j列,再将该输出值y输入激活函数Relu中,如公式(2)所示:
其中:f(x)为特征图像对应的像素点的值;
第二层:第一池化层:卷积核为2*2,步长为2,通过这一层得到的输出为:128*128*64的图像数据;池化之后,执行lrn()操作,局部响应归一化,有利于提高训练过程中的准确度;
第三层:第二卷积层:卷积核为3*3*16,步长为1,padding=‘SAME’,激活函数为Relu,通过这一层得到的输出为:128*128*16的图像数据;
第四层:第二池化层:卷积核为2*2,步长为2,通过这一层得到的输出为:64*64*16的图像数据;池化之后,执行lrn()操作,局部响应归一化,有利于提高训练过程中的准确度;
第五层:第一全连接层,128个神经元,将上一层中的输出reshape为一行,激活函数为Relu。完成之后,执行drought操作,即在深度学习神经网络训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,是防止过拟合,提高效果的一种手段;
第六层:第二全连接层,将上一层得到的1*1*128的列向量转换成2个类别打分,此处使用TensorFlow提供的tf.softmax_cross_entropy_with_logits函数,可以直接对Logit定义交叉熵损失;交叉熵刻画的是实际输出与期望输出的距离,即交叉熵的值越小,两个概率分布越接近,如公式(3)所示:
H(p,q)=-∑xp(x)logq(x) (3)
其中,p为期望的输出,q为实际的输出,H(p,q)为交叉熵;
反向传播阶段使用自适应矩估计(Adaptive Moment Estimation,Adam)进行优化,Adam是一种自适应学习率算法,对每一个参数都计算自适应的学习率;Adam相比较于其它自适应算法,在实际中的表现更具优势;
步骤6中,由于一般在电力设备中,仅是个别部位会发生故障,所以需要对特定部位进行识别和定位,采用SLIC超像素分割算法,基于K-means聚类算法,但是降低了复杂度,是一种实现方便、更加简单的算法;算法原理是将输入的彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量,再对这5维特征向量构造距离度量标准,对图像像素进行局部聚类的过程;聚类过程中,需要调整邻域种子点,方法为利用差分方式计算该邻域内所有像素点的梯度值,具体计算公式如公式(4)所示:
式中,Gradient(x,y)为在点(x,y)处的梯度值
以(0,0)为原点,水平向右为x轴正方向,竖直向下为y轴正方向,建立二维图像坐标系,(x,y)为每个像素块中心点的坐标;
调整完种子点之后进行像素点聚类,通过变换的欧式距离公式进行度量,具体计算公式如公式(5)所示:
式中:dc表示颜色距离,l、a、b分别为CIELAB颜色空间下的三个通道;ds表示空间距离,x、y分别为XY空间坐标下的两个分量;m为LAB空间的距离可能最大值,随图像、聚类的不同而不同,取值范围建议取[1,40],一般取m=10;M*N为图像大小,参数K为预生成的超像素数量;D'为距离度量;
分割完成后,通过比较每个超像素块区域的温度平均值,从而提取疑似故障区域。
步骤7中,相对温差判据的计算公式具体如公式(6)所示:
δt=(τ1-τ2)×100%/τ1=(T1-T2)×100%/(T1-T0) (6)
式中,δt表示相对温差指两个对应测点之间的温差与其中较热点的温升的百分比,τ1、τ2分别代表发热点、正常点的温升,T0、T1、T2分别代表环境温度参照体、发热点、正常点的温度;
在提取温度过程中,会存在盲元问题,即存在某些温度坏点,会影响成像质量,进而对电力设备红外图像故障诊断准确率产生一定的影响;本发明采用八邻域法对盲元问题进行补偿,如图3所示,图中白色圆圈表示盲元点,温度为Tp,与之相邻的八个像素点的温度值依次为T1、T2…T8,以区域内温度的平均值代替盲元点的温度,即Tp=(T1+T2+T3+T4+T5+T6+T7+T8)/8代替该盲元点的温度,该步骤中所采用的相对温差判据如下:
步骤9中的显示界面,如图4所示:其中,保存按钮可以将图像信息按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行分类保存,完成对电力设备红外图像数据的预处理;之后需要构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络,对待测图像进行直接检测,流程图如图5所示:利用已构建的Mobilenet_ssd目标检测网络对输入数据进行训练、检测,获取电力设备的故障部位及故障等级,再采用固定热像仪进行实时监测,纵向收集温度数据,对该纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,最后进行显示。
步骤11中,将步骤10中存储的四类电力设备红外图像数据,利用labelImg软件对每一张图片制作标签,生成包含该图像标签以及位置信息的xml文件,作为数据集。
步骤12中所述的格式转换为先将所有的xml文件整合为csv文件,再转化为Tensorflow目标检测API需要的TFRcords Format格式,即将csv文件转化为record文件。
Claims (8)
1.一种电力设备红外图像故障定位、识别与预测方法,其特征在于,包括以下步骤:
步骤1,采用手持式热像仪或以红外热像仪搭载无人机进行自主巡逻,收集电力设备红外热图像数据;
步骤2,对步骤1中获取的包含已知电力设备的红外图像进行分类,制作标签,包括有缺陷和无缺陷两类,构成数据集;
步骤3,构建卷积神经网络模型,将包含有缺陷和无缺陷两类标签的数据集输入卷积神经网络模型进行训练;
步骤4,采用步骤3得到的训练后的电力设备红外图像故障检测网络对待测的电力设备进行检测,分类出有故障的电力设备;
步骤5,针对步骤4得到的有故障的电力设备,一方面采用固定热像仪进行实时监测,纵向收集温度数据;
步骤6,针对步骤4得到的有故障的电力设备,另一方面对故障部位进行定位,采用SLIC超像素分割算法,对电力设备红外图像进行分割,准确提取故障区域;
步骤7,对步骤6定位的故障区域进行诊断,分析电力设备的故障等级,提取温度信息,采用相对温差判据,通过计算故障区域的温度值及温升变化,判断故障等级;
步骤8,针对步骤7获取的电力设备的故障等级,引入时间序列概念,对步骤5中获取的纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,有助于健康管理;
步骤9,显示界面,将上述步骤1、6、7、8中获取的原始图像、分割后图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示;
步骤10,针对步骤7获取的电力设备的故障等级,依照《带电设备红外诊断技术应用规范》的要求,按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储;
步骤11,对步骤10中的四类电力设备红外图像制作数据集,对每一张红外图像制作标签,生成包含该图像标签以及位置信息的xml文件;
步骤12,构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络,将输入的数据集稍作格式转换之后,利用已构建的故障检测的神经网络对其进行训练;
步骤13,采用步骤12得到的训练后的网络对待测的电力设备红外图像进行目标检测,获取该电力设备的故障部位及故障等级;
步骤14,针对步骤13得到的故障的电力设备,采用固定热像仪进行实时监测,纵向收集温度数据;
步骤15,引入时间序列概念,对步骤14中获取的纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,有助于健康管理;
步骤16,显示界面,将原始图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示。
2.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤2中,因为步骤1中收集的电力设备红外热图像数据数量有限,所以首先利用MATLAB对原始图像进行镜像和旋转变换,以达到扩充样本的目的;然后将采集到的大小不一的原始数据转换成网络训练需要的shape,利用resize()函数;再制作Tfrecords,读取Tfrecords数据,获得image和label,并保存相应的数据,作为后续训练的inputdata。
3.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤3中,构建的卷积神经网络模型(CNN)是一个六层神经网络,其中:输入层,输入数据为256*256*3的原始数据;
第一层:第一卷积层:卷积核为3*3*64,步长为1,padding=‘SAME’,激活函数为Relu,通过这一层得到的输出为:256*256*64的图像数据;卷积过程如公式(1)所示:
其中:n*n为卷积核大小,w为权值,b为偏置,x为对应位置上的像素值,y为输出值,i、j分别表示第i行、第j列,再将该输出值y输入激活函数Relu中,如公式(2)所示:
其中:f(x)为特征图像对应的像素点的值;
第二层:第一池化层:卷积核为2*2,步长为2,通过这一层得到的输出为:128*128*64的图像数据;池化之后,执行lrn()操作,局部响应归一化,有利于提高训练过程中的准确度;
第三层:第二卷积层:卷积核为3*3*16,步长为1,padding=‘SAME’,激活函数为Relu,通过这一层得到的输出为:128*128*16的图像数据;
第四层:第二池化层:卷积核为2*2,步长为2,通过这一层得到的输出为:64*64*16的图像数据;池化之后,执行lrn()操作,局部响应归一化,有利于提高训练过程中的准确度;
第五层:第一全连接层,128个神经元,将上一层中的输出reshape为一行,激活函数为Relu。完成之后,执行drought操作,即在深度学习神经网络训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,是防止过拟合,提高效果的一种手段;
第六层:第二全连接层,将上一层得到的1*1*128的列向量转换成2个类别打分,此处使用TensorFlow提供的tf.softmax_cross_entropy_with_logits函数,可以直接对Logit定义交叉熵损失;交叉熵刻画的是实际输出与期望输出的距离,即交叉熵的值越小,两个概率分布越接近,如公式(3)所示:
H(p,q)=-∑xp(x)logq(x) (3)
其中,p为期望的输出,q为实际的输出,H(p,q)为交叉熵;
反向传播阶段使用自适应矩估计进行优化,Adam是一种自适应学习率算法,对每一个参数都计算自适应的学习率;Adam相比较于其它自适应算法,在实际中的表现更具优势。
4.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤6中,由于一般在电力设备中,仅是个别部位会发生故障,所以需要对特定部位进行识别和定位,采用SLIC超像素分割算法,基于K-means聚类算法,但是降低了复杂度,是一种实现方便、更加简单的算法;算法原理是将输入的彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量,再对这5维特征向量构造距离度量标准,对图像像素进行局部聚类的过程;聚类过程中,需要调整邻域种子点,方法为利用差分方式计算该邻域内所有像素点的梯度值,具体计算公式如公式(4)所示:
式中,Gradient(x,y)为在点(x,y)处的梯度值
以(0,0)为原点,水平向右为x轴正方向,竖直向下为y轴正方向,建立二维图像坐标系,(x,y)为每个像素块中心点的坐标;
调整完种子点之后进行像素点聚类,通过变换的欧式距离公式进行度量,具体计算公式如公式(5)所示:
式中:dc表示颜色距离,l、a、b分别为CIELAB颜色空间下的三个通道;ds表示空间距离,x、y分别为XY空间坐标下的两个分量;m为LAB空间的距离可能最大值,随图像、聚类的不同而不同,取值范围建议取[1,40],一般取m=10;M*N为图像大小,参数K为预生成的超像素数量;D'为距离度量;
分割完成后,通过比较每个超像素块区域的温度平均值,从而提取疑似故障区域。
5.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤7中,相对温差判据的计算公式具体如公式(6)所示:
δt=(τ1-τ2)×100%/τ1=(T1-T2)×100%/(T1-T0) (6)
式中,δt表示相对温差指两个对应测点之间的温差与其中较热点的温升的百分比,τ1、τ2分别代表发热点、正常点的温升,T0、T1、T2分别代表环境温度参照体、发热点、正常点的温度;
在提取温度过程中,会存在盲元问题,即存在某些温度坏点,会影响成像质量,进而对电力设备红外图像故障诊断准确率产生一定的影响;本发明采用八邻域法对盲元问题进行补偿,如图3所示,图中白色圆圈表示盲元点,温度为Tp,与之相邻的八个像素点的温度值依次为T1、T2…T8,以区域内温度的平均值代替盲元点的温度,即Tp=(T1+T2+T3+T4+T5+T6+T7+T8)/8代替该盲元点的温度,该步骤中所采用的相对温差判据如下:
6.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤9中的显示界面,其中,保存按钮可以将图像信息按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行分类保存,完成对电力设备红外图像数据的预处理;之后需要构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络,对待测图像进行直接检测;利用已构建的Mobilenet_ssd目标检测网络对输入数据进行训练、检测,获取电力设备的故障部位及故障等级,再采用固定热像仪进行实时监测,纵向收集温度数据,对该纵向温度数据,拟合函数曲线,计算温度梯度,以预测设备状态趋势,进行性能分析,合理安排维护,最后进行显示。
7.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤11中,将步骤10中存储的四类电力设备红外图像数据,利用labelImg软件对每一张图片制作标签,生成包含该图像标签以及位置信息的xml文件,作为数据集。
8.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法,其特征在于,步骤12中所述的格式转换为先将所有的xml文件整合为csv文件,再转化为Tensorflow目标检测API需要的TFRcords Format格式,即将csv文件转化为record文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720161.0A CN110598736B (zh) | 2019-08-06 | 2019-08-06 | 一种电力设备红外图像故障定位、识别与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720161.0A CN110598736B (zh) | 2019-08-06 | 2019-08-06 | 一种电力设备红外图像故障定位、识别与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598736A true CN110598736A (zh) | 2019-12-20 |
CN110598736B CN110598736B (zh) | 2022-12-20 |
Family
ID=68853570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910720161.0A Active CN110598736B (zh) | 2019-08-06 | 2019-08-06 | 一种电力设备红外图像故障定位、识别与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598736B (zh) |
Cited By (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199219A (zh) * | 2020-01-14 | 2020-05-26 | 国网湖南省电力有限公司 | 一种隔离开关状态分布式监测方法、系统及介质 |
CN111198309A (zh) * | 2020-01-09 | 2020-05-26 | 中国海洋石油集团有限公司 | 一种海上平台干式变压器状态监测与故障预警方法 |
CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
CN111239515A (zh) * | 2020-01-19 | 2020-06-05 | 国网浙江兰溪市供电有限公司 | 电力设备载流故障预测方法及系统 |
CN111342391A (zh) * | 2020-03-06 | 2020-06-26 | 云南电网有限责任公司电力科学研究院 | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 |
CN111524108A (zh) * | 2020-04-15 | 2020-08-11 | 四川赛康智能科技股份有限公司 | 一种变电站设备检测方法及设备 |
CN111553910A (zh) * | 2020-05-06 | 2020-08-18 | 哈尔滨工业大学 | 一种基于红外图像的大型实验装置电器设备热故障检测方法 |
CN111624229A (zh) * | 2020-05-15 | 2020-09-04 | 嘉兴恒创电力设计研究院有限公司明绘分公司 | 一种基于红外成像的带电设备故障智能诊断方法 |
CN111679142A (zh) * | 2020-06-17 | 2020-09-18 | 国网山西省电力公司电力科学研究院 | 一种便携式输变电设备红外智能诊断装置及方法 |
CN111678558A (zh) * | 2020-07-31 | 2020-09-18 | 国网四川省电力公司成都供电公司 | 一种应用于充油设备的红外热成像油位、温度监测系统及方法 |
CN111724353A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种基于One-Class SVM的贴片LED瑕疵标注方法 |
CN111726578A (zh) * | 2020-06-11 | 2020-09-29 | 国家电网有限公司华东分部 | 一种基于人工智能图像识别的电厂故障维护调配系统 |
CN111724352A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种基于核密度估计的贴片led瑕疵标注方法 |
CN111753741A (zh) * | 2020-06-28 | 2020-10-09 | 北京小眼探索科技有限公司 | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 |
CN111751002A (zh) * | 2020-05-15 | 2020-10-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN111796162A (zh) * | 2020-06-24 | 2020-10-20 | 国网浙江平湖市供电有限公司 | 一种可视化配电网故障研判系统 |
CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
CN112001417A (zh) * | 2020-07-17 | 2020-11-27 | 国网宁夏电力有限公司检修公司 | 一种变压器储油柜的监测方法、介质及系统 |
CN112017173A (zh) * | 2020-09-02 | 2020-12-01 | 西南交通大学 | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 |
CN112036410A (zh) * | 2020-08-13 | 2020-12-04 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN112085037A (zh) * | 2020-09-21 | 2020-12-15 | 国网吉林省电力有限公司电力科学研究院 | 一种变电设备红外热故障特征提取及数字化表达方法 |
CN112085089A (zh) * | 2020-09-03 | 2020-12-15 | 国网浙江省电力有限公司电力科学研究院 | 基于深度学习算法的变电站设备智能测温方法 |
CN112184661A (zh) * | 2020-09-27 | 2021-01-05 | 国网上海市电力公司 | 一种基于图像融合深度学习模型的电力设备缺陷识别方法 |
CN112200784A (zh) * | 2020-10-10 | 2021-01-08 | 福州润森电气自动化有限公司 | 一种电力设备智能缺陷诊断方法 |
CN112445240A (zh) * | 2020-11-26 | 2021-03-05 | 广东电网有限责任公司 | 一种自动巡线方法和自动巡线无人机 |
CN112508908A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理动车组撒砂管接头断开故障检测方法 |
CN112729742A (zh) * | 2020-12-25 | 2021-04-30 | 西安理工大学 | 一种基于概率成像的冲击定位方法 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112834841A (zh) * | 2020-12-30 | 2021-05-25 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
CN112880837A (zh) * | 2021-01-26 | 2021-06-01 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
CN112926725A (zh) * | 2020-12-01 | 2021-06-08 | 杭州电力设备制造有限公司 | 基于热力图像的数据分析方法及系统 |
CN113034450A (zh) * | 2021-03-12 | 2021-06-25 | 西安工业大学 | 一种变压器过热故障诊断方法 |
CN113052865A (zh) * | 2021-04-16 | 2021-06-29 | 南通大学 | 一种基于图像相似度的输电线路小样本温度图像扩增方法 |
CN113108921A (zh) * | 2021-04-19 | 2021-07-13 | 巴斯夫新材料有限公司 | 用于监测对象的温度的方法、设备和系统 |
CN113192079A (zh) * | 2021-04-25 | 2021-07-30 | 青海大学 | 一种森林生态保护用的修复设备 |
CN113239731A (zh) * | 2021-04-12 | 2021-08-10 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113378856A (zh) * | 2021-06-24 | 2021-09-10 | 重庆大学 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
WO2021184254A1 (zh) * | 2020-03-18 | 2021-09-23 | 深圳市大疆创新科技有限公司 | 红外热成像测温方法、电子设备、无人机及存储介质 |
CN113486877A (zh) * | 2021-06-08 | 2021-10-08 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
CN113504240A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 基于分层编码和视觉感知的电力设备故障检测方法 |
CN113591251A (zh) * | 2021-08-17 | 2021-11-02 | 中冶北方(大连)工程技术有限公司 | 设备故障温度分析诊断方法 |
CN113723189A (zh) * | 2021-07-28 | 2021-11-30 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
CN113715229A (zh) * | 2021-09-07 | 2021-11-30 | 健大电业制品(昆山)有限公司 | 一种注塑制品质量检测的方法和系统 |
CN113776670A (zh) * | 2021-08-09 | 2021-12-10 | 邹平市供电有限公司 | 一种基于红外图像的电力设备监测系统及方法 |
CN113807194A (zh) * | 2021-08-24 | 2021-12-17 | 哈尔滨工程大学 | 一种增强性电力传输线故障图像识别方法 |
CN113867460A (zh) * | 2021-11-10 | 2021-12-31 | 成都捷豹恒昌电气有限公司 | 变电站温湿度监控治理方法及系统 |
CN114034390A (zh) * | 2021-11-08 | 2022-02-11 | 山东大学 | 一种基于红外检测的设备温度异常检测系统 |
CN114035537A (zh) * | 2021-10-22 | 2022-02-11 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
CN114323302A (zh) * | 2021-12-14 | 2022-04-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种氧化锌避雷器故障智能识别方法 |
CN114648526A (zh) * | 2022-05-18 | 2022-06-21 | 武汉精立电子技术有限公司 | 一种图像坏点处理方法、存储介质、电子设备及系统 |
CN114937142A (zh) * | 2022-07-20 | 2022-08-23 | 北京智盟信通科技有限公司 | 基于图计算的电力设备故障诊断模型实现方法 |
CN115187869A (zh) * | 2022-09-08 | 2022-10-14 | 南昌理工学院 | 基于ai算法的高铁接触网设备巡检系统 |
CN115392512A (zh) * | 2022-10-28 | 2022-11-25 | 中科航迈数控软件(深圳)有限公司 | 基于ar技术的设备检修方法、系统及相关设备 |
CN115460647A (zh) * | 2022-10-21 | 2022-12-09 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及系统 |
CN115656701A (zh) * | 2022-12-12 | 2023-01-31 | 广东电网有限责任公司佛山供电局 | 一种基于红外图像的电容器发热故障识别方法及装置 |
CN115700334A (zh) * | 2022-10-31 | 2023-02-07 | 国联江森自控绿色科技(无锡)有限公司 | 基于物联网的高效机房暖通设备管理系统及方法 |
CN115825088A (zh) * | 2022-12-26 | 2023-03-21 | 众芯汉创(北京)科技有限公司 | 一种基于无人机双光变电站故障检测方法 |
CN115908407A (zh) * | 2023-01-05 | 2023-04-04 | 佰聆数据股份有限公司 | 基于红外图像温度值的电力设备缺陷检测方法及装置 |
CN116086650A (zh) * | 2023-03-31 | 2023-05-09 | 深圳市美路科技有限公司 | 一种基于物联网的分布式电缆桥架温度监测方法及系统 |
WO2023092759A1 (zh) * | 2021-11-25 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的智能检测方法、装置及电子设备 |
WO2023092760A1 (zh) * | 2021-11-29 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
CN116256690A (zh) * | 2023-02-15 | 2023-06-13 | 广州市德珑电子器件有限公司 | 一种电流互感器安全检测方法及系统 |
CN116300835A (zh) * | 2023-05-19 | 2023-06-23 | 深圳市磐锋精密技术有限公司 | 基于互联网的自动化检测设备远程诊断系统 |
CN116295855A (zh) * | 2023-05-24 | 2023-06-23 | 国网吉林省电力有限公司信息通信公司 | 基于无线通信网络的故障定位及诊断系统 |
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116612438A (zh) * | 2023-07-20 | 2023-08-18 | 山东联兴能源集团有限公司 | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 |
CN117196446A (zh) * | 2023-11-06 | 2023-12-08 | 北京中海通科技有限公司 | 一种基于大数据的产品风险实时监测平台 |
CN117197682A (zh) * | 2023-09-01 | 2023-12-08 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
CN117422935A (zh) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
CN113591251B (zh) * | 2021-08-17 | 2024-04-23 | 中冶北方(大连)工程技术有限公司 | 设备故障温度分析诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017039259A1 (ko) * | 2015-08-31 | 2017-03-09 | 한국전력공사 | 열화상 카메라를 이용한 전력설비 진단 장치 및 방법 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
-
2019
- 2019-08-06 CN CN201910720161.0A patent/CN110598736B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017039259A1 (ko) * | 2015-08-31 | 2017-03-09 | 한국전력공사 | 열화상 카메라를 이용한 전력설비 진단 장치 및 방법 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
魏钢等: "输变电设备红外故障诊断技术与试验研究", 《电气技术》 * |
Cited By (104)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
CN111198309B (zh) * | 2020-01-09 | 2022-05-03 | 中国海洋石油集团有限公司 | 一种海上平台干式变压器状态监测与故障预警方法 |
CN111198309A (zh) * | 2020-01-09 | 2020-05-26 | 中国海洋石油集团有限公司 | 一种海上平台干式变压器状态监测与故障预警方法 |
CN111199219A (zh) * | 2020-01-14 | 2020-05-26 | 国网湖南省电力有限公司 | 一种隔离开关状态分布式监测方法、系统及介质 |
CN111239515A (zh) * | 2020-01-19 | 2020-06-05 | 国网浙江兰溪市供电有限公司 | 电力设备载流故障预测方法及系统 |
CN111342391A (zh) * | 2020-03-06 | 2020-06-26 | 云南电网有限责任公司电力科学研究院 | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 |
CN111342391B (zh) * | 2020-03-06 | 2021-05-14 | 云南电网有限责任公司电力科学研究院 | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 |
WO2021184254A1 (zh) * | 2020-03-18 | 2021-09-23 | 深圳市大疆创新科技有限公司 | 红外热成像测温方法、电子设备、无人机及存储介质 |
CN111524108A (zh) * | 2020-04-15 | 2020-08-11 | 四川赛康智能科技股份有限公司 | 一种变电站设备检测方法及设备 |
CN111553910A (zh) * | 2020-05-06 | 2020-08-18 | 哈尔滨工业大学 | 一种基于红外图像的大型实验装置电器设备热故障检测方法 |
CN111553910B (zh) * | 2020-05-06 | 2022-03-25 | 哈尔滨工业大学 | 一种基于红外图像的大型实验装置电器设备热故障检测方法 |
CN111624229A (zh) * | 2020-05-15 | 2020-09-04 | 嘉兴恒创电力设计研究院有限公司明绘分公司 | 一种基于红外成像的带电设备故障智能诊断方法 |
CN111751002A (zh) * | 2020-05-15 | 2020-10-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN111798407A (zh) * | 2020-05-15 | 2020-10-20 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
CN111724353A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种基于One-Class SVM的贴片LED瑕疵标注方法 |
CN111724352B (zh) * | 2020-05-30 | 2022-11-15 | 同济大学 | 一种基于核密度估计的贴片led瑕疵标注方法 |
CN111724352A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种基于核密度估计的贴片led瑕疵标注方法 |
CN111726578A (zh) * | 2020-06-11 | 2020-09-29 | 国家电网有限公司华东分部 | 一种基于人工智能图像识别的电厂故障维护调配系统 |
CN111679142A (zh) * | 2020-06-17 | 2020-09-18 | 国网山西省电力公司电力科学研究院 | 一种便携式输变电设备红外智能诊断装置及方法 |
CN111796162A (zh) * | 2020-06-24 | 2020-10-20 | 国网浙江平湖市供电有限公司 | 一种可视化配电网故障研判系统 |
CN111753741A (zh) * | 2020-06-28 | 2020-10-09 | 北京小眼探索科技有限公司 | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 |
CN111753741B (zh) * | 2020-06-28 | 2024-03-15 | 北京小眼探索科技有限公司 | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 |
CN112001417A (zh) * | 2020-07-17 | 2020-11-27 | 国网宁夏电力有限公司检修公司 | 一种变压器储油柜的监测方法、介质及系统 |
CN112001417B (zh) * | 2020-07-17 | 2022-07-05 | 国网宁夏电力有限公司检修公司 | 一种变压器储油柜的监测方法、介质及系统 |
CN111678558A (zh) * | 2020-07-31 | 2020-09-18 | 国网四川省电力公司成都供电公司 | 一种应用于充油设备的红外热成像油位、温度监测系统及方法 |
CN112036410A (zh) * | 2020-08-13 | 2020-12-04 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
CN112036410B (zh) * | 2020-08-13 | 2022-06-07 | 华乘电气科技股份有限公司 | 基于深度学习和图像梯度的电力设备红外图像分割方法 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN112017173A (zh) * | 2020-09-02 | 2020-12-01 | 西南交通大学 | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 |
CN112085089A (zh) * | 2020-09-03 | 2020-12-15 | 国网浙江省电力有限公司电力科学研究院 | 基于深度学习算法的变电站设备智能测温方法 |
CN112085037A (zh) * | 2020-09-21 | 2020-12-15 | 国网吉林省电力有限公司电力科学研究院 | 一种变电设备红外热故障特征提取及数字化表达方法 |
CN112085037B (zh) * | 2020-09-21 | 2024-04-09 | 国网吉林省电力有限公司电力科学研究院 | 一种变电设备红外热故障特征提取及数字化表达方法 |
CN112184661A (zh) * | 2020-09-27 | 2021-01-05 | 国网上海市电力公司 | 一种基于图像融合深度学习模型的电力设备缺陷识别方法 |
CN112200784A (zh) * | 2020-10-10 | 2021-01-08 | 福州润森电气自动化有限公司 | 一种电力设备智能缺陷诊断方法 |
CN112445240A (zh) * | 2020-11-26 | 2021-03-05 | 广东电网有限责任公司 | 一种自动巡线方法和自动巡线无人机 |
CN112926725A (zh) * | 2020-12-01 | 2021-06-08 | 杭州电力设备制造有限公司 | 基于热力图像的数据分析方法及系统 |
CN112508908A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理动车组撒砂管接头断开故障检测方法 |
CN112734692B (zh) * | 2020-12-17 | 2023-12-22 | 国网信息通信产业集团有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
CN112729742B (zh) * | 2020-12-25 | 2023-08-22 | 西安理工大学 | 一种基于概率成像的冲击定位方法 |
CN112729742A (zh) * | 2020-12-25 | 2021-04-30 | 西安理工大学 | 一种基于概率成像的冲击定位方法 |
CN112834841A (zh) * | 2020-12-30 | 2021-05-25 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
CN112880837B (zh) * | 2021-01-26 | 2022-05-13 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
CN112880837A (zh) * | 2021-01-26 | 2021-06-01 | 四川华能宝兴河水电有限责任公司 | 一种设备故障分析方法 |
CN113034450A (zh) * | 2021-03-12 | 2021-06-25 | 西安工业大学 | 一种变压器过热故障诊断方法 |
CN113239731B (zh) * | 2021-04-12 | 2022-06-14 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113239731A (zh) * | 2021-04-12 | 2021-08-10 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113052865B (zh) * | 2021-04-16 | 2023-12-19 | 南通大学 | 一种基于图像相似度的输电线路小样本温度图像扩增方法 |
CN113052865A (zh) * | 2021-04-16 | 2021-06-29 | 南通大学 | 一种基于图像相似度的输电线路小样本温度图像扩增方法 |
CN113108921B (zh) * | 2021-04-19 | 2023-11-24 | 巴斯夫新材料有限公司 | 用于监测对象的温度的方法、设备和系统 |
CN113108921A (zh) * | 2021-04-19 | 2021-07-13 | 巴斯夫新材料有限公司 | 用于监测对象的温度的方法、设备和系统 |
CN113192079A (zh) * | 2021-04-25 | 2021-07-30 | 青海大学 | 一种森林生态保护用的修复设备 |
CN113486877B (zh) * | 2021-06-08 | 2023-10-17 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
CN113486877A (zh) * | 2021-06-08 | 2021-10-08 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
CN113378856A (zh) * | 2021-06-24 | 2021-09-10 | 重庆大学 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
CN113504240B (zh) * | 2021-07-07 | 2022-06-21 | 广东电力信息科技有限公司 | 基于分层编码和视觉感知的电力设备故障检测方法 |
CN113504240A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 基于分层编码和视觉感知的电力设备故障检测方法 |
CN113723189B (zh) * | 2021-07-28 | 2023-08-01 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
CN113723189A (zh) * | 2021-07-28 | 2021-11-30 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
CN113776670A (zh) * | 2021-08-09 | 2021-12-10 | 邹平市供电有限公司 | 一种基于红外图像的电力设备监测系统及方法 |
CN113591251A (zh) * | 2021-08-17 | 2021-11-02 | 中冶北方(大连)工程技术有限公司 | 设备故障温度分析诊断方法 |
CN113591251B (zh) * | 2021-08-17 | 2024-04-23 | 中冶北方(大连)工程技术有限公司 | 设备故障温度分析诊断方法 |
CN113807194B (zh) * | 2021-08-24 | 2023-10-10 | 哈尔滨工程大学 | 一种增强性电力传输线故障图像识别方法 |
CN113807194A (zh) * | 2021-08-24 | 2021-12-17 | 哈尔滨工程大学 | 一种增强性电力传输线故障图像识别方法 |
CN113715229A (zh) * | 2021-09-07 | 2021-11-30 | 健大电业制品(昆山)有限公司 | 一种注塑制品质量检测的方法和系统 |
CN114035537B (zh) * | 2021-10-22 | 2024-03-01 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
CN114035537A (zh) * | 2021-10-22 | 2022-02-11 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
CN114034390A (zh) * | 2021-11-08 | 2022-02-11 | 山东大学 | 一种基于红外检测的设备温度异常检测系统 |
CN114034390B (zh) * | 2021-11-08 | 2023-11-03 | 山东大学 | 一种基于红外检测的设备温度异常检测系统 |
CN113867460A (zh) * | 2021-11-10 | 2021-12-31 | 成都捷豹恒昌电气有限公司 | 变电站温湿度监控治理方法及系统 |
WO2023092759A1 (zh) * | 2021-11-25 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的智能检测方法、装置及电子设备 |
CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
WO2023092760A1 (zh) * | 2021-11-29 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
CN114323302A (zh) * | 2021-12-14 | 2022-04-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种氧化锌避雷器故障智能识别方法 |
CN114648526A (zh) * | 2022-05-18 | 2022-06-21 | 武汉精立电子技术有限公司 | 一种图像坏点处理方法、存储介质、电子设备及系统 |
CN114937142A (zh) * | 2022-07-20 | 2022-08-23 | 北京智盟信通科技有限公司 | 基于图计算的电力设备故障诊断模型实现方法 |
CN114937142B (zh) * | 2022-07-20 | 2022-09-23 | 北京智盟信通科技有限公司 | 基于图计算的电力设备故障诊断模型实现方法 |
WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
CN115187869A (zh) * | 2022-09-08 | 2022-10-14 | 南昌理工学院 | 基于ai算法的高铁接触网设备巡检系统 |
CN115460647A (zh) * | 2022-10-21 | 2022-12-09 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及系统 |
CN115392512A (zh) * | 2022-10-28 | 2022-11-25 | 中科航迈数控软件(深圳)有限公司 | 基于ar技术的设备检修方法、系统及相关设备 |
CN115700334A (zh) * | 2022-10-31 | 2023-02-07 | 国联江森自控绿色科技(无锡)有限公司 | 基于物联网的高效机房暖通设备管理系统及方法 |
CN115656701A (zh) * | 2022-12-12 | 2023-01-31 | 广东电网有限责任公司佛山供电局 | 一种基于红外图像的电容器发热故障识别方法及装置 |
CN115825088A (zh) * | 2022-12-26 | 2023-03-21 | 众芯汉创(北京)科技有限公司 | 一种基于无人机双光变电站故障检测方法 |
CN115825088B (zh) * | 2022-12-26 | 2023-10-13 | 众芯汉创(北京)科技有限公司 | 一种基于无人机双光变电站故障检测方法 |
CN115908407B (zh) * | 2023-01-05 | 2023-05-02 | 佰聆数据股份有限公司 | 基于红外图像温度值的电力设备缺陷检测方法及装置 |
CN115908407A (zh) * | 2023-01-05 | 2023-04-04 | 佰聆数据股份有限公司 | 基于红外图像温度值的电力设备缺陷检测方法及装置 |
CN116256690A (zh) * | 2023-02-15 | 2023-06-13 | 广州市德珑电子器件有限公司 | 一种电流互感器安全检测方法及系统 |
CN116086650B (zh) * | 2023-03-31 | 2023-06-27 | 深圳市美路科技有限公司 | 一种基于物联网的分布式电缆桥架温度监测方法及系统 |
CN116086650A (zh) * | 2023-03-31 | 2023-05-09 | 深圳市美路科技有限公司 | 一种基于物联网的分布式电缆桥架温度监测方法及系统 |
CN116300835B (zh) * | 2023-05-19 | 2023-08-18 | 深圳市磐锋精密技术有限公司 | 基于互联网的自动化检测设备远程诊断系统 |
CN116300835A (zh) * | 2023-05-19 | 2023-06-23 | 深圳市磐锋精密技术有限公司 | 基于互联网的自动化检测设备远程诊断系统 |
CN116295855B (zh) * | 2023-05-24 | 2023-08-08 | 国网吉林省电力有限公司信息通信公司 | 基于无线通信网络的故障定位及诊断系统 |
CN116295855A (zh) * | 2023-05-24 | 2023-06-23 | 国网吉林省电力有限公司信息通信公司 | 基于无线通信网络的故障定位及诊断系统 |
CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116612438A (zh) * | 2023-07-20 | 2023-08-18 | 山东联兴能源集团有限公司 | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 |
CN116612438B (zh) * | 2023-07-20 | 2023-09-19 | 山东联兴能源集团有限公司 | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 |
CN117197682A (zh) * | 2023-09-01 | 2023-12-08 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
CN117196446B (zh) * | 2023-11-06 | 2024-01-19 | 北京中海通科技有限公司 | 一种基于大数据的产品风险实时监测平台 |
CN117196446A (zh) * | 2023-11-06 | 2023-12-08 | 北京中海通科技有限公司 | 一种基于大数据的产品风险实时监测平台 |
CN117422935B (zh) * | 2023-12-13 | 2024-03-08 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
CN117422935A (zh) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110598736B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN110533086B (zh) | 图像数据半自动标注方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN111209832B (zh) | 变电站巡检机器人辅助避障训练方法、设备及介质 | |
CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN114821014A (zh) | 基于多模态与对抗学习的多任务目标检测识别方法及装置 | |
CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN107545281B (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
CN116704273A (zh) | 一种自适应红外可见光双模融合检测方法 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
CN113191320A (zh) | 一种基于深度学习的食品安全指标监测方法 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN112488213A (zh) | 一种基于多尺度特征学习网络的火灾图片分类方法 | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 |
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 |