CN110674861B - 一种输变电巡检图像智能分析方法及装置 - Google Patents

一种输变电巡检图像智能分析方法及装置 Download PDF

Info

Publication number
CN110674861B
CN110674861B CN201910887730.0A CN201910887730A CN110674861B CN 110674861 B CN110674861 B CN 110674861B CN 201910887730 A CN201910887730 A CN 201910887730A CN 110674861 B CN110674861 B CN 110674861B
Authority
CN
China
Prior art keywords
inspection
image
images
defect
equipment
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
Application number
CN201910887730.0A
Other languages
English (en)
Other versions
CN110674861A (zh
Inventor
刘越
王万国
刘广秀
卢刚
白万建
孙晓斌
杨波
李建祥
孙金洋
刘彦红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Intelligent Technology Co Ltd
Original Assignee
State Grid Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Intelligent Technology Co Ltd filed Critical State Grid Intelligent Technology Co Ltd
Priority to CN201910887730.0A priority Critical patent/CN110674861B/zh
Publication of CN110674861A publication Critical patent/CN110674861A/zh
Application granted granted Critical
Publication of CN110674861B publication Critical patent/CN110674861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种输变电巡检图像智能分析方法及装置，巡检图像预处理：对巡检图像进行过滤；巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备类型；巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。实现了对计算集群硬件的高效利用，进而实现巡检图像数据的高时效性的分析与处理，满足巡检后对图像高效分析的需求。

Description

一种输变电巡检图像智能分析方法及装置
技术领域
本发明图像处理技术领域，尤其涉及一种输变电巡检图像智能分析方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
电力输电线路是电网的重要组成部分，是整个电网正常、安全运行的重要支撑。输电线路通常分布在山区、丘陵、无人区等地带，自然环境恶劣极易发生地质、山火等自然灾害。由于地处偏僻、地理环境复杂，发生灾害时人员无法第一时间达到开展灾情评估与灾情抢救，导致居民、生产用电受损。
利用无人机、机器人对输电线路、变电站等电力环境进行智能化、自主化巡检，具有效率高、人工劳动少、自动化程度高等一系列的优点，是未来电网智能运维重要的支撑与发展方向。
但现阶段利用无人机对输电线路进行巡检，每天可巡检10余基杆塔获取300余张图像，图像处理主要依靠人工完成，每次巡检图像人工处理的大约是巡检的2倍，极大的影响了巡检工作的开展。
发明人在研究中发现，变电站内的机器人可自主获取站内设备的可见光、红外图像，设备的故障识别部分基于模板匹配的方法实现了简单缺陷的识别与判断，但需实现对机器人采集图像进行设定，人工劳动强度大且采集的设备图像单一，无法准确、全面的获取站内设备的运行状态。
发明内容
为克服上述现有技术的不足，本发明提供了一种输变电巡检图像智能分析方法，目的在于实现巡检图像的高效、智能、准确的分析与诊断，提高现有图像处理系统的性能。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种输变电巡检图像智能分析方法,包括:
巡检图像预处理：对巡检图像进行聚类与过滤；
巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类；
巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；
巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。
进一步的技术方案，巡检图像预处理时：
以一次巡检任务为基本单位，将巡检图像进行初步的聚类，通过提取图像中记录的GPS信息作为聚类分析的输入，利用KNN算法将GPS信息进行聚合，实现对巡检图像的初步聚类处理；
对每个类别的巡检图像进行显著性质量分析与相似度分析，依据相似度对每个类别的图像进行更精确地聚合分类，并对每个细分类别的图像依据显著性评价进行排序；
依据细化分类图像的显著性排序结果，对巡检图像进行过滤操作，每个分类根据巡检要求，保留排序在前几位的巡检图像。
进一步的技术方案，构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类及识别：
以全时段、多天气、复杂背景的巡检图像，构建卷积神经网络训练数据集；通过标注的方式，构建用于巡检设备识别与缺陷诊断的巡检图像标注数据集；
利用标注数据集训练神经网络；
利用训练后的神经网络进行设备分类；
针对巡检设备识别与缺陷诊断，将神经网络中的分类层替换成为定位与识别层，实现对设备及缺陷的定位与相应缺陷的类型识别。
进一步的技术方案，利用训练数据集对构建的特征提取网络、分类网络、设备识别与缺陷诊断网络，进行训练，实现对巡检图像的特征提取、分类、设备识别与缺陷诊断。
进一步的技术方案，对巡检图像进行多管道、同时数据流读入，减少图像数据在GPU显存中的拷贝开销，实现GPU底层的数据快速读图。
进一步的技术方案，利用训练好的分类网络，对图像数据里进行分类计算，获取图像的类别信息。
进一步的技术方案，根据类别信息及此次巡检重点观察设备的缺陷类别，自主选择设备识别与缺陷诊断网络；自主读取计算服务器GPU信息，获取GPU显存、使用情况基本信息，根据识别与诊断网络对显存的占有情况，利用计算资源虚拟化、多线程技术、线程同步技术，同时对多张图像的数据流进行诊断处理，保证GPU满负荷使用，进而提高图像的诊断效率。
进一步的技术方案，在识别与诊断时，针对不同的缺陷设定不同的NMS阈值。
本发明还公开一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
巡检图像预处理：对巡检图像进行聚类与过滤；
巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类；
巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；
巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。
本发明还公开一种计算机可读存储介质，其上存储有计算机程序，，该程序被处理器执行时执行以下步骤：
巡检图像预处理：对巡检图像进行过滤；
巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类；
巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；
巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。
以上一个或多个技术方案存在以下有益效果：
本发明针对输变电巡检图像智能化分析需求，提出了一种高效智能分析方法，利用图像预处理技术实现巡检图像质量评价与冗余图像、低对比图像的过滤，保证巡检图像的质量，降低智能分析服务端巡检图像处理量。基于深度卷积神经网络自主化提取巡检图像语意特征，结合GPU并行计算、多线程计算，实现了对计算集群硬件的高效利用，进而实现巡检图像数据的高时效性的分析与处理，满足巡检后对图像高效分析的需求。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一巡检图像预处理流程图；
图2为本发明实施例一智能分析处理流程图；
图3为本发明实施例一整体流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路：
通过分析大量无人机、机器人采集的巡检数据特点，基于机器学习、深度学习、机器视觉、GPU加速等技术，构建输变电巡检图像高效智能化处理方法，实现巡检图像的高效、智能、准确的分析与诊断，提高现有图像处理系统的性能。
实施例一
本实施例公开了一种输变电巡检图像智能分析方法，本发明专利具体方案如下：
步骤一：巡检图像预处理：分析巡检图像质量，并根据一次巡检任务与巡检设备对图像质量差、重复度高的巡检图像进行过滤。
步骤二：巡检图像分类：构建图像特征提取网络，对巡检图像进行分类，确定设备分类。
步骤三：巡检图像缺陷预测：基于图像设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理。
步骤四：巡检图像缺陷筛选：基于图像设备缺陷预测结果，结合巡检需求制定多重缺陷阈值，实现缺陷的自主识别与分析。
所述步骤(1)的巡检图像预处理：
(1)以一次巡检任务为基本单位，将巡检图像进行初步的聚类。通过提取图像中记录的GPS信息作为聚类分析的输入，利用KNN算法将GPS信息进行聚合，实现对巡检图像的初步聚类处理。
具体实施例子中，在巡检过程中，会记录作业机器人的GPS信息，通过GPS信息，可以对图像进行聚类。
当移动到下一个点、拍摄图像时GPS信息会变化，可以通过GPS粗略的对图像与设备进行匹配。
(2)对每个类别的巡检进行显著性质量分析与相似度分析，依据相似度对每个类别的图像进行更精确地聚合分类，并对每个细分类别的图像依据显著性评价进行排序。
具体实施例子中，质量分析用显著性分析，相似度分析用普通的距离来度量。
(3)依据细化分类图像的显著性排序结果，对巡检图像进行过滤操作，每个分类根据巡检要求，保留排序在前几位的巡检图像。通常，为了保证拍摄图像的内容覆盖全面、同时降低智能分析数据量，保留前5位的巡检图像。
预处理流程如图2所示。巡检图像经过预处理后，利用深度卷积神经网络提取巡检图像特征与分类、缺陷诊断，具体流程如图2所示：
(1)以全时段、多天气、复杂背景的巡检图像，构建卷积神经网络训练数据集；通过人工标注的方式，构建用于巡检设备识别与缺陷诊断的巡检图像标注数据集。
用作深度网络的巡检数据集，就是把标记图像进行打包，输入到网络中、训练，标注巡检图像的目的是用来做卷积神经网络的训练集。
(2)基于101层的ResNeXt为基础结构，以ImageNet数据集训练的网络数据固定前4个模块的网络参数；对第5个模块网络、全连接层和分类层设定fine-tuning策略。
(3)针对巡检设备识别与缺陷诊断，将上述步骤的分类层替换成为定位与识别层，通过训练完成后面两层参数的更新，实现对设备及缺陷的定位与相应缺陷的类型识别。
(4)以高性能GPU为计算算力支撑，利用训练数据集对构建的特征提取网络、分类网络、设备识别与缺陷诊断网络，依据第二部设定的fine-tuning策略，进行训练，实现对巡检图像的特征提取、分类、设备识别与缺陷诊断。
在实际应用中，为满足巡检图像数据近乎实时处理的巡检需求，尽可能的提高数据分析的时效性，在执行图像预测工作时，基于多线程、GPU集群进行预测处理运算。为提高处理效率，在图像读入、图像分类、设备定位与缺陷诊断三大步骤中，均使用多线程的技术处理：
(1)利用CUDA Stream的方式对巡检图像进行多管道、同时数据流读入，减少图像数据在GPU显存中的拷贝开销，实现GPU底层的数据快速读取。
(2)利用步骤二训练好的分类网络，对图像数据里进行分类计算，获取图像的类别信息。例如输电：塔头、绝缘子等相对大的部件。
(3)根据类别信息及此次巡检重点观察设备的缺陷类别，自主选择目标识别与缺陷诊断网络；自主读取计算服务器GPU信息，获取GPU显存、使用情况等基本信息，根据识别与诊断网络对显存的占有情况，利用计算资源虚拟化、多线程技术、线程同步技术，同时对多张图像的数据流进行诊断处理，保证GPU满负荷使用，进而提高图像的诊断效率。
自主识别与诊断时，针对每个部件有不同的缺陷诊断模型，根据分类类型，选择诊断模型，只检测一个或几个相关的缺陷，来降低误报。
(4)在识别与诊断时，针对不同的缺陷设定不同的NMS阈值，以提高网络对不同尺度、背景缺陷的鲁棒性能。发明整体流程如图3所示。
实施例二
本实施例的目的是提供一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
步骤一：巡检图像预处理：分析巡检图像质量，并根据一次巡检任务与巡检设备对图像质量差、重复度高的巡检图像进行过滤。
步骤二：巡检图像分类：构建图像特征提取网络，对巡检图像进行分类确定设备分类。
步骤三：巡检图像缺陷预测：基于图像设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理。
步骤四：巡检图像缺陷筛选：基于图像设备缺陷预测结果，结合巡检需求制定多重缺陷阈值，实现缺陷的自主识别与分析。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
步骤一：巡检图像预处理：分析巡检图像质量，并根据一次巡检任务与巡检设备对图像质量差、重复度高的巡检图像进行过滤。
步骤二：巡检图像分类：构建图像特征提取网络，对巡检图像进行分类确定设备分类。
步骤三：巡检图像缺陷预测：基于图像设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理。
步骤四：巡检图像缺陷筛选：基于图像设备缺陷预测结果，结合巡检需求制定多重缺陷阈值，实现缺陷的自主识别与分析。
以上实施例二、三的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种输变电巡检图像智能分析方法,其特征是，包括:
巡检图像预处理：对巡检图像进行聚类与过滤；巡检图像预处理时：
以一次巡检任务为基本单位，将巡检图像进行初步的聚类，通过提取图像中记录的GPS信息作为聚类分析的输入，利用KNN算法将GPS信息进行聚合，实现对巡检图像的初步聚类处理；
对每个类别的巡检进行显著性质量分析与相似度分析，依据相似度对每个类别的图像进行更精确地聚合分类，并对每个细分类别的图像依据显著性评价进行排序；
依据细化分类图像的显著性排序结果，对巡检图像进行过滤操作，每个分类根据巡检要求，保留排序在前几位的巡检图像；
巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类；
巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；
巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。
2.如权利要求1所述的一种输变电巡检图像智能分析方法,其特征是，构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类及识别：
以全时段、多天气、复杂背景的巡检图像，构建卷积神经网络训练数据集；通过标注的方式，构建用于巡检设备识别与缺陷诊断的巡检图像标注数据集；
利用标注数据集训练神经网络；
利用训练后的神经网络进行设备分类；
针对巡检设备识别与缺陷诊断，将神经网络中的分类层替换成为定位与识别层，实现对设备及缺陷的定位与相应缺陷的类型识别。
3.如权利要求2所述的一种输变电巡检图像智能分析方法,其特征是，利用训练数据集对构建的特征提取网络、分类网络、设备识别与缺陷诊断网络，进行训练，实现对巡检图像的特征提取、分类、设备识别与缺陷诊断。
4.如权利要求1所述的一种输变电巡检图像智能分析方法,其特征是，对巡检图像进行多管道、同时数据流读入，减少图像数据在GPU显存中的拷贝开销，实现GPU底层的数据快速读取。
5.如权利要求2所述的一种输变电巡检图像智能分析方法,其特征是，利用训练好的分类网络，对图像数据里进行分类计算，获取图像的类别信息。
6.如权利要求2所述的一种输变电巡检图像智能分析方法,其特征是，根据类别信息及此次巡检重点观察设备的缺陷类别，自主选择目标识别与缺陷诊断网络；自主读取计算服务器GPU信息，获取GPU显存、使用情况基本信息，根据识别与诊断网络对显存的占有情况，利用计算资源虚拟化、多线程技术、线程同步技术，同时对多张图像的数据流进行诊断处理，保证GPU满负荷使用，进而提高图像的诊断效率。
7.如权利要求2所述的一种输变电巡检图像智能分析方法,其特征是，在识别与诊断时，针对不同的缺陷设定不同的NMS阈值。
8.一种计算装置，其特征是，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行如权利要求1-7所述方法程序时实现以下步骤，包括：
巡检图像预处理：对巡检图像进行过滤；
巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类；
巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；
巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。
9.一种计算机可读存储介质，其特征是，其上存储有如权利要求1-7所述的方法的执行计算机程序，该程序被处理器执行时执行以下步骤：
巡检图像预处理：对巡检图像进行过滤；
巡检图像分类：构建图像特征提取网络，将过滤后的巡检图像进行分类确定设备分类；
巡检图像缺陷预测：基于设备分类，确定待识别设备可能存在的缺陷，并自动选取缺陷诊断网络模型，利用多线程GPU加速技术，实现多模型的并发、一次预测处理；
巡检图像缺陷筛选：基于图像设备缺陷预测结果，制定多重缺陷阈值，实现缺陷的自主识别。
CN201910887730.0A 2019-09-19 2019-09-19 一种输变电巡检图像智能分析方法及装置 Active CN110674861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910887730.0A CN110674861B (zh) 2019-09-19 2019-09-19 一种输变电巡检图像智能分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910887730.0A CN110674861B (zh) 2019-09-19 2019-09-19 一种输变电巡检图像智能分析方法及装置

Publications (2)

Publication Number Publication Date
CN110674861A CN110674861A (zh) 2020-01-10
CN110674861B true CN110674861B (zh) 2022-03-18

Family

ID=69078252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910887730.0A Active CN110674861B (zh) 2019-09-19 2019-09-19 一种输变电巡检图像智能分析方法及装置

Country Status (1)

Country Link
CN (1) CN110674861B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339882B (zh) * 2020-02-19 2022-05-31 山东大学 基于实例分割的输电线路隐患检测方法
CN111339893B (zh) * 2020-02-21 2022-11-22 哈尔滨工业大学 基于深度学习和无人机的管道检测系统及方法
CN111325167A (zh) * 2020-02-26 2020-06-23 中国铁路上海局集团有限公司南京动车段 一种基于深度学习技术的巡检作业评价方法
CN111352750B (zh) * 2020-03-04 2023-08-18 云南电网有限责任公司电力科学研究院 一种用于输电线路多源影像缺陷隐患识别的方法及系统
CN111563530B (zh) * 2020-04-01 2023-05-09 中铁大桥科学研究院有限公司 一种智能化桥梁病害巡检方法和系统
CN113836646A (zh) * 2020-06-04 2021-12-24 北京国电思达科技有限公司 一种基于深度学习的风机叶片缺陷智能分析方法及系统
CN111680753A (zh) * 2020-06-10 2020-09-18 创新奇智(上海)科技有限公司 一种数据标注方法、装置、电子设备及存储介质
CN111709353A (zh) * 2020-06-12 2020-09-25 中国能源建设集团江苏省电力设计院有限公司 一种电力走廊中心提取方法及系统
CN112558081A (zh) * 2020-11-18 2021-03-26 国网智能科技股份有限公司 一种基于无线通讯网络的激光雷达系统及其工作方法
CN112929613B (zh) * 2021-03-08 2022-03-11 华录智达科技股份有限公司 一种基于图像识别进行设备运维的巡检方法及系统
CN113155851A (zh) * 2021-04-30 2021-07-23 西安交通大学 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置
CN113657336A (zh) * 2021-08-25 2021-11-16 浙江捷瑞电力科技有限公司 一种基于多维图像的目标智能匹配和识别方法
CN114227717A (zh) * 2021-12-31 2022-03-25 深圳市优必选科技股份有限公司 基于巡检机器人的智能巡检方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105022960A (zh) * 2015-08-10 2015-11-04 济南大学 基于网络流量的多特征移动终端恶意软件检测方法及系统
CN106570853A (zh) * 2015-10-08 2017-04-19 上海深邃智能科技有限公司 一种形状与颜色融合的绝缘子识别与缺陷检测方法
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
CN108830801A (zh) * 2018-05-10 2018-11-16 湖南丹尼尔智能科技有限公司 一种自动识别模糊类型的深度学习图像复原方法
CN109085850A (zh) * 2018-09-10 2018-12-25 国网电力科学研究院武汉南瑞有限责任公司 基于输电通道三维雷扫数据的无人机自主巡检方法
CN109635918A (zh) * 2018-10-30 2019-04-16 银河水滴科技（北京）有限公司 基于云平台和预设模型的神经网络自动训练方法和装置
CN109698938A (zh) * 2018-12-20 2019-04-30 国网北京市电力公司 图像分析方法、装置及系统
CN109815998A (zh) * 2019-01-08 2019-05-28 科大国创软件股份有限公司 一种基于yolo算法的ai装维巡检方法及系统
CN110197176A (zh) * 2018-10-31 2019-09-03 国网宁夏电力有限公司检修公司 基于图像识别技术的巡检数据智能分析系统及分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105022960A (zh) * 2015-08-10 2015-11-04 济南大学 基于网络流量的多特征移动终端恶意软件检测方法及系统
CN106570853A (zh) * 2015-10-08 2017-04-19 上海深邃智能科技有限公司 一种形状与颜色融合的绝缘子识别与缺陷检测方法
CN108037133A (zh) * 2017-12-27 2018-05-15 武汉市智勤创亿信息技术股份有限公司 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统
CN108830801A (zh) * 2018-05-10 2018-11-16 湖南丹尼尔智能科技有限公司 一种自动识别模糊类型的深度学习图像复原方法
CN109085850A (zh) * 2018-09-10 2018-12-25 国网电力科学研究院武汉南瑞有限责任公司 基于输电通道三维雷扫数据的无人机自主巡检方法
CN109635918A (zh) * 2018-10-30 2019-04-16 银河水滴科技（北京）有限公司 基于云平台和预设模型的神经网络自动训练方法和装置
CN110197176A (zh) * 2018-10-31 2019-09-03 国网宁夏电力有限公司检修公司 基于图像识别技术的巡检数据智能分析系统及分析方法
CN109698938A (zh) * 2018-12-20 2019-04-30 国网北京市电力公司 图像分析方法、装置及系统
CN109815998A (zh) * 2019-01-08 2019-05-28 科大国创软件股份有限公司 一种基于yolo算法的ai装维巡检方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A novel autonomous navigation approach for UAV power line inspection;Xiaolong Hui et al.;《2017 IEEE International Conference on Robotics and Biomimetics (ROBIO)》;20180326;全文 *
基于RCNN的无人机巡检图像电力小部件识别研究;王万国 等;《地球信息科学学报》;20170217;第19卷(第2期);全文 *

Also Published As

Publication number Publication date
CN110674861A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110674861B (zh) 一种输变电巡检图像智能分析方法及装置
CN110059631B (zh) 接触网非接触式监测缺陷识别方法
Jiang et al. Insulator fault detection in aerial images based on ensemble learning with multi-level perception
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN111368690B (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN110264440B (zh) 基于深度学习的大规模列车移位故障检测方法及系统
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测系统
CN111914813A (zh) 基于图像分类的输电线路巡检图像命名方法及系统
CN108764456B (zh) 机载目标识别模型构建平台、机载目标识别方法及设备
CN112070135A (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN112367400B (zh) 一种边云协同的电力物联网智能巡检方法及系统
CN112184625A (zh) 一种基于视频深度学习的路面缺陷识别方法和系统
US20190325581A1 (en) Cloud detection using images
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
CN115147383A (zh) 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法
CN113988573A (zh) 基于电力系统巡检无人机的风险判断方法、系统和介质
CN111767826A (zh) 一种定时定点场景异常检测方法
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN111241905A (zh) 基于改进ssd算法的输电线路鸟窝检测方法
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN113408630A (zh) 一种变电站指示灯状态识别方法
CN111242042A (zh) 基于车辆检测的检验时长判断方法、装置、设备和介质
CN116580324A (zh) 一种基于YOLOv5的无人机对地目标检测方法
CN115689206A (zh) 一种基于深度学习的变电站基建进度智能监测方法
CN115147777A (zh) 船员违规行为识别方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201029

Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park)

Applicant after: National Network Intelligent Technology Co.,Ltd.

Address before: Wang Yue Central Road Ji'nan City, Shandong province 250002 City No. 2000

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant before: National Network Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant