CN110728171B - 一种刀闸状态精细化检测识别方法 - Google Patents

一种刀闸状态精细化检测识别方法 Download PDF

Info

Publication number
CN110728171B
CN110728171B CN201910762414.0A CN201910762414A CN110728171B CN 110728171 B CN110728171 B CN 110728171B CN 201910762414 A CN201910762414 A CN 201910762414A CN 110728171 B CN110728171 B CN 110728171B
Authority
CN
China
Prior art keywords
disconnecting link
image
detected
knife switch
state
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
CN201910762414.0A
Other languages
English (en)
Other versions
CN110728171A (zh
Inventor
骆国铭
周俊宇
唐鹤
吴海江
陈晓彤
李伟
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.)
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Guangdong Power Grid Co Ltd, Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910762414.0A priority Critical patent/CN110728171B/zh
Publication of CN110728171A publication Critical patent/CN110728171A/zh
Application granted granted Critical
Publication of CN110728171B publication Critical patent/CN110728171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/40—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种刀闸状态精细化检测识别方法，包括以下步骤：输入待检测的刀闸图像，对图像进行预处理；将图像输入经过预训练的深度学习模块进行刀闸开闭状态的判断，若为开口状态，则直接输出判断结果并结束检测；若为闭合状态，则判断待检测刀闸的类型，若刀闸类型为双臂折叠式刀闸，则将图像进行锐化处理，提取图像中的特征值并对其进行特征编码，然后根据特征编码，识别得到其两个垂直双臂位置信息，计算刀闸闭合程度进行输出并结束检测；若为双柱旋转式刀闸，则将图像进行边缘检测，选取边缘上的圆形区域，得到闸刀的粗略位置信息，对图像进行直线检测定位得到两段导电闸刀的精确位置，计算刀闸闭合程度进行输出并结束检测。

Description

一种刀闸状态精细化检测识别方法
技术领域
本发明涉及电力设备检测及图像处理技术领域，更具体地，涉及一种刀闸状态精细化检测识别方法。
背景技术
当前电网的深度控制主要体现在设备的远程遥控操作方面，而刀闸作为输变电系统中的重要组成部分，其开合状态是否完全正常直接影响着系统的安全。此外，随着电网的发展，电网负荷越来越大，电网设备远程遥控操作的准确度和精细化要求越来越高，使得电网设备远程遥控操作对刀闸状态检测识别结果的准确度、速度、精度要求越来越高，尤其对于紧急缺陷及事故，在变电巡检未到站的情况下，由于缺乏可靠的技术手段判断隔离刀闸是否分合闸到位，不能及时地为事故缺陷处理提供决策依据。
目前主要通过人工观察刀闸辅助触头的红外测温数据判断刀闸是否合闸到位，但是其判断结果受环境影响因素及人为影响因素较大，且由于一般使用的刀闸包括双臂折叠式刀闸和双柱旋转式刀闸，如果仅仅根据红外测温数据判断刀闸的合闸状态，不能保证其判断结果的准确度。
发明内容
本发明为克服上述现有技术所述的缺乏可靠的技术手段判断隔离刀闸是否分合闸到位，判断结果准确率不能满足需求的缺陷，提供一种刀闸状态精细化检测识别方法。
为解决上述技术问题，本发明的技术方案如下：
一种刀闸状态精细化检测识别方法，包括以下步骤：
S1：输入待检测的刀闸图像，对待检测的刀闸图像进行预处理；
S2：将所述完成预处理的待检测刀闸图像输入经过预训练的深度学习模块进行刀闸开闭状态的判断，若判断结果为刀闸处于闭合状态，则执行S3步骤；若判断结果为刀闸处于开口状态，则直接输出判断结果并结束检测；
S3：判断所述完成预处理的待检测刀闸的类型，若判断刀闸类型为双臂折叠式刀闸，则执行S4步骤；若判断刀闸类型为双柱旋转式刀闸，则跳转执行S6步骤；
S4：将所述完成预处理的待检测刀闸图像进行锐化处理，然后提取所述图像中的特征值并对其进行特征编码；
S5：通过匹配所述特征编码，识别得到双臂折叠式刀闸中两个垂直双臂位置信息，并根据所述位置信息计算刀闸闭合程度进行输出，并结束检测；
S6：将所述完成预处理的待检测刀闸图像进行边缘检测，选取图像中边缘上的圆形区域，得到待检测刀闸中导电闸刀的粗略位置信息；
S7：根据所述待检测刀闸中导电闸刀的粗略位置信息，对待检测刀闸图像进行直线检测，并根据所述直线检测结果定位得到两段导电闸刀的精确位置，计算刀闸闭合程度进行输出，并结束检测。
本技术方案中，考虑到常规使用的刀闸包括双臂折叠式刀闸和双柱旋转式刀闸，因此在本技术方案中先通过一个经过预训练的深度学习模块中进行刀闸类型的分类，再根据刀闸的类型分别采用不同的刀闸状态精细化检测识别方法。对于双臂折叠式刀闸，通过锐化处理提取其垂直双臂的主要线条，然后通过提取特征值并进行特征编码，对双臂折叠式刀闸中的垂直双臂的位置信息进行匹配，确定其垂直双臂的位置信息，然后根据所述位置信息进行刀闸闭合程度的计算；对于双柱旋转式刀闸，由于其导电闸刀上有圆球状部件，通过对待检测刀闸图像进行边缘检测，获得图像中的圆形区域，从而能够得到导电闸刀的粗略位置信息，进而通过直线检测定位导电闸刀的准确位置，从而计算得到刀闸闭合程度。
优选地，S1步骤中，对待检测的刀闸图像进行预处理的具体步骤包括采用高斯滤波进行去噪处理，能够对待检测的刀闸图像中正态分布的噪声进行去噪。
优选地，S2步骤中，深度学习模块采用YOLO_V3算法对刀闸开闭状态进行图像识别分类。
优选地，S4步骤的具体步骤如下：
S4.1：对所述完成预处理的待检测刀闸图像进行锐化处理；
S4.2：对所述完成锐化处理的待检测刀闸图像进行二值化处理，提取包含刀闸垂直双臂的线条；
S4.3：在所述完成二值化处理的待检测刀闸图像上通过滑动窗口提取图像中的特征值，并对其进行特征编码。
优选地，S5步骤的具体步骤如下：
S5.1：将所述特征编码对所述待检测刀闸图像进行匹配，定位刀闸的垂直双臂，得到垂直双臂的位置信息；
S5.2：根据所述垂直双臂的位置信息，计算刀闸的垂直双臂之间的距离d；
S5.3：根据所述待检测刀闸图像，计算刀闸的静触头直径D；
S5.4：计算刀闸的垂直双臂之间的距离d与刀闸的静触头直径D的比值d/D，并转换为百分比数值，将所述百分比数值作为刀闸闭合程度进行输出。
优选地，S6步骤还包括以下步骤：根据常规闸刀与圆形区域的相对关系预设过滤条件，将符合所述过滤条件的圆形区域所在位置信息作为待检测刀闸中导电刀闸的粗略位置信息进行输出。
优选地，S7步骤中，对待检测刀闸图像采用霍夫变换进行直线检测，其中霍夫变换中的投票步骤可以在复杂的参数空间中找到凸形的参数，从而确定边缘的形状，能够解决因噪声或边缘的不完美而导致的点或像素缺漏。
优选地，S7步骤中，对所述刀闸闭合程度的计算步骤如下：根据所述直线检测结果定位得到两段导电闸刀的精确位置，计算双柱旋转式刀闸的两段导电闸刀所属直线之间的角度，并将所述角度作为待检测刀闸中导电刀闸的粗略位置信息进行输出。
与现有技术相比，本发明技术方案的有益效果是：通过结合深度学习模块和根据不同类型的刀闸的外观特征进行刀闸状态的精细化检测识别，能够有效判断刀闸是否分合闸到位，得到准确率较高的刀闸状态检测结果，提高刀闸状态检测效率，并能够提供具体的刀闸闭合程度的定量指标数据供工作人员参考。
附图说明
图1为本实施例的刀闸状态精细化检测识别方法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，为本实施例的刀闸状态精细化检测识别方法流程图。
本实施例提出一种刀闸状态精细化检测识别方法，包括以下步骤：
步骤1：输入待检测的刀闸图像，对待检测的刀闸图像进行预处理。
本步骤中，对待检测的刀闸图像进行预处理的具体步骤为采用高斯滤波对待检测的刀闸图像进行去噪处理。由于刀闸图像中的噪声一般符合正态分布，采用高斯滤波进行去噪处理能够有效对待检测的刀闸图像进行去噪，同时避免图像中重要的像素点被滤除。
步骤2：将所述完成预处理的待检测刀闸图像输入经过预训练的深度学习模块进行刀闸开闭状态的判断，若判断结果为刀闸处于闭合状态，则执行步骤3；若判断结果为刀闸处于开口状态，则直接输出判断结果并结束检测。
本步骤中，所采用的深度学习模块使用预测准确率较高且性能较好的YOLO_V3算法对刀闸图像进行刀闸开闭状态识别的深度学习训练。具体地，将足够数量的在不同环境、不同场景、不同角度、不同开闭状态下拍摄的刀闸图像输入该深度学习模块中进行深度学习，其中，深度学习模块中包括用于图像特征识别的卷积神经网络，对刀闸图像进行刀闸开闭状态的识别判断，同时不断修正模块内部及卷积神经网络的参数权重，从而保证该深度学习模块对刀闸状态识别的高准确率，然后应用于本实施例中的刀闸状态精细化检测识别中，对刀闸开闭状态进行初步识别。
步骤3：判断所述完成预处理的待检测刀闸的类型，若判断刀闸类型为双臂折叠式刀闸，则执行步骤4；若判断刀闸类型为双柱旋转式刀闸，则跳转执行步骤6。
本步骤中，根据待检测刀闸的类型，针对其不同的外观特征，采用不同的精细化检测识别方法。
步骤4：将所述完成预处理的待检测刀闸图像进行锐化处理，然后提取所述图像中的特征值并对其进行特征编码；其具体步骤如下：
S4.1：对所述完成预处理的待检测刀闸图像进行锐化处理；
S4.2：对所述完成锐化处理的待检测刀闸图像进行二值化处理，提取包含刀闸垂直双臂的线条；
S4.3：在所述完成二值化处理的待检测刀闸图像上采用滑动窗口提取图像中的特征值，并对其进行特征编码。
步骤5：通过匹配所述特征编码，识别得到双臂折叠式刀闸中两个垂直双臂位置信息，并根据所述位置信息计算刀闸闭合程度进行输出，并结束检测；其具体步骤如下：
S5.1：将所述特征编码对所述待检测刀闸图像进行匹配，定位刀闸的垂直双臂，得到垂直双臂的位置信息；
S5.2：根据所述垂直双臂的位置信息，计算刀闸的垂直双臂之间的距离d；
S5.3：根据所述待检测刀闸图像，计算刀闸的静触头直径D；
S5.4：计算刀闸的垂直双臂之间的距离d与刀闸的静触头直径D的比值d/D，并转换为百分比数值，将所述百分比数值作为刀闸闭合程度进行输出。
步骤6：将所述完成预处理的待检测刀闸图像进行边缘检测，选取图像中边缘上的圆形区域，然后根据常规闸刀与圆形区域的相对关系预设过滤条件，将符合所述过滤条件的圆形区域所在位置信息作为待检测刀闸中导电刀闸的粗略位置信息进行输出，得到待检测刀闸中导电闸刀的粗略位置信息。
步骤7：根据所述待检测刀闸中导电闸刀的粗略位置信息，对待检测刀闸图像采用霍夫变换进行直线检测，并根据所述直线检测结果定位得到两段导电闸刀的精确位置，计算双柱旋转式刀闸的两段导电闸刀所属直线之间的角度，并将所述角度作为待检测刀闸中导电刀闸的粗略位置信息进行输出，结束检测。
本实施例中，先通过深度学习模块对刀闸开闭状态进行初步检测识别，然后再根据两种常规类型的刀闸的外观特征分别采用不同的精细化检测识别方法。具体地，对于双臂折叠式刀闸，在一般情况下，双臂折叠式刀闸的静触头被独立地安装在架空母线上，动触头则固定在可折叠伸缩的垂直双臂上，动触头通过借助折架的伸缩与悬挂在母线上的静触头接触或分开，从而完成分闸、合闸动作，因此在本实施例中，通过计算导电闸刀垂直双臂之间的距离，及其与静触头之间的比值，直观地表现刀闸的闭合程度；对于双柱旋转式刀闸，其导电闸刀被分成相等的两段，分别固定在两个瓷柱的顶端，操动机构通过瓷柱带动导电闸刀旋转，使闸刀在水平面上转动，从而实现分闸、合闸动作，且其旋转的两段闸刀应处于同一条直线上，因此在本实施例中，通过匹配定位待检测的刀闸图片中两段旋转闸刀的位置，计算其相对角度，并将该两段旋转闸刀的相对角度作为刀闸闭合程度进行输出。
在具体实施过程中，通过巡检机器人进行刀闸图像的采集，然后将所采集的图像传输到终端采用本实施例提出的刀闸状态精细化检测识别方法进行刀闸状态检测。将所采集的图像输入完成深度学习训练的深度学习模块中进行刀闸开闭状态判断，如果刀闸状态为开口状态，则直接输出判断结果，上传刀闸图像后结束本轮的刀闸状态检测识别；如果刀闸状态为闭合状态，则进行下一步精细化判断，针对刀闸为双臂折叠式刀闸或双柱旋转式刀闸的不用外观特征分别采用不同的分析方法，计算刀闸的闭合程度进行输出，并上传刀闸图像后结束本轮的刀闸状态检测识别。
本实施例相对于传统的先提取图像特征再进行特征匹配的图像识别技术，本实施例通过针对不同类型的刀闸外观特征采用不同的图像分析方法对刀闸状态进行精细化检测识别，能够有效判断刀闸是否分合闸到位，得到准确率较高的刀闸状态检测结果，提高刀闸状态检测效率，并能够提供具体的刀闸闭合程度的定量指标数据供工作人员参考。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种刀闸状态精细化检测识别方法，其特征在于，包括以下步骤：
S1：输入待检测的刀闸图像，对待检测的刀闸图像进行预处理；
S2：将所述完成预处理的待检测刀闸图像输入经过预训练的深度学习模块进行刀闸开闭状态的判断，若判断结果为刀闸处于闭合状态，则执行S3步骤；若判断结果为刀闸处于开口状态，则直接输出判断结果并结束检测；
S3：判断所述完成预处理的待检测刀闸的类型，若判断刀闸类型为双臂折叠式刀闸，则执行S4步骤；若判断刀闸类型为双柱旋转式刀闸，则跳转执行S6步骤；
S4：将所述完成预处理的待检测刀闸图像进行锐化处理，然后提取所述图像中的特征值并对其进行特征编码；
S5：通过匹配所述特征编码，识别得到双臂折叠式刀闸中两个垂直双臂位置信息，并根据所述位置信息计算刀闸闭合程度进行输出，并结束检测；
S6：将所述完成预处理的待检测刀闸图像进行边缘检测，选取图像中边缘上的圆形区域，得到待检测刀闸中导电闸刀的粗略位置信息；
S7：根据所述待检测刀闸中导电闸刀的粗略位置信息，对待检测刀闸图像进行直线检测，并根据所述直线检测结果定位得到两段导电闸刀的精确位置，计算刀闸闭合程度进行输出，并结束检测。
2.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S1步骤中，对待检测的刀闸图像进行预处理的具体步骤包括采用高斯滤波进行去噪处理。
3.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S2步骤中，所述深度学习模块采用YOLO_V3算法对刀闸开闭状态进行图像识别分类。
4.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S4步骤的具体步骤如下：
S4.1：对所述完成预处理的待检测刀闸图像进行锐化处理；
S4.2：对所述完成锐化处理的待检测刀闸图像进行二值化处理，提取包含刀闸垂直双臂的线条；
S4.3：在所述完成二值化处理的待检测刀闸图像上采用滑动窗口提取图像中的特征值，并对其进行特征编码。
5.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S5步骤的具体步骤如下：
S5.1：将所述特征编码对所述待检测刀闸图像进行匹配，定位刀闸的垂直双臂，得到垂直双臂的位置信息；
S5.2：根据所述垂直双臂的位置信息，计算刀闸的垂直双臂之间的距离d；
S5.3：根据所述待检测刀闸图像，计算刀闸的静触头直径D；
S5.4：计算刀闸的垂直双臂之间的距离d与刀闸的静触头直径D的比值d/D，并转换为百分比数值，将所述百分比数值作为刀闸闭合程度进行输出。
6.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S6步骤还包括以下步骤：根据常规闸刀与圆形区域的相对关系预设过滤条件，将符合所述过滤条件的圆形区域所在位置信息作为待检测刀闸中导电刀闸的粗略位置信息进行输出。
7.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S7步骤中，对待检测刀闸图像采用霍夫变换进行直线检测。
8.根据权利要求1所述的刀闸状态精细化检测识别方法，其特征在于：所述S7步骤中，对所述刀闸闭合程度的计算步骤如下：根据所述直线检测结果定位得到两段导电闸刀的精确位置，计算双柱旋转式刀闸的两段导电闸刀所属直线之间的角度，并将所述角度作为待检测刀闸中导电刀闸的粗略位置信息进行输出。
CN201910762414.0A 2019-08-19 2019-08-19 一种刀闸状态精细化检测识别方法 Active CN110728171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910762414.0A CN110728171B (zh) 2019-08-19 2019-08-19 一种刀闸状态精细化检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910762414.0A CN110728171B (zh) 2019-08-19 2019-08-19 一种刀闸状态精细化检测识别方法

Publications (2)

Publication Number Publication Date
CN110728171A CN110728171A (zh) 2020-01-24
CN110728171B true CN110728171B (zh) 2023-01-20

Family

ID=69217146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910762414.0A Active CN110728171B (zh) 2019-08-19 2019-08-19 一种刀闸状态精细化检测识别方法

Country Status (1)

Country Link
CN (1) CN110728171B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784677A (zh) * 2020-07-03 2020-10-16 安徽炬视科技有限公司 一种基于场景分析的单摄像头刀闸臂张角识别方法
CN111950369A (zh) * 2020-07-10 2020-11-17 济南信通达电气科技有限公司 一种变电站指针式刀闸动作程度识别方法及装置
CN111950606B (zh) * 2020-07-28 2023-11-07 北京恒通智控机器人科技有限公司 一种刀闸状态识别方法、装置、设备和存储介质
CN111814742A (zh) * 2020-07-29 2020-10-23 南方电网数字电网研究院有限公司 基于深度学习的刀闸状态识别方法
CN112837262B (zh) * 2020-12-04 2023-04-07 国网宁夏电力有限公司检修公司 一种刀闸开合状态的检测方法、介质及系统
CN112464854A (zh) * 2020-12-09 2021-03-09 北京四方继保工程技术有限公司 基于深度学习的机械隔离刀闸的状态精确判断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107257161A (zh) * 2017-06-20 2017-10-17 安徽南瑞继远电网技术有限公司 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统
CN107944396A (zh) * 2017-11-27 2018-04-20 国网安徽省电力有限公司经济技术研究院 一种基于改进深度学习的刀闸状态识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107257161A (zh) * 2017-06-20 2017-10-17 安徽南瑞继远电网技术有限公司 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统
CN107944396A (zh) * 2017-11-27 2018-04-20 国网安徽省电力有限公司经济技术研究院 一种基于改进深度学习的刀闸状态识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
变电站机器人自动巡检中的刀闸开合状态分析;马啸川等;《电子测量与仪器学报》;20180615(第06期);全文 *

Also Published As

Publication number Publication date
CN110728171A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN110728171B (zh) 一种刀闸状态精细化检测识别方法
CN114627118B (zh) 一种光纤电缆绝缘缺陷识别方法和系统
CN107767374B (zh) 一种gis盆式绝缘子内部导体局部过热智能诊断方法
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
CN111145159B (zh) 提取巡检关键部件点的方法及装置
CN105654461A (zh) 一种多分裂导线间隔棒断裂的机器视觉检测方法
CN110008877B (zh) 一种基于Faster RCNN的变电站隔离开关检测识别方法
CN110728300A (zh) 基于道岔动作电流曲线识别故障类型的方法及系统
CN112819784A (zh) 一种配电线路导线断股散股检测方法及系统
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
Lu et al. Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion.
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN116629465B (zh) 智能电网视频监控与风险预测响应系统
Dai et al. Cascade centernet: Robust object detection for power line surveillance
CN113643234B (zh) 一种复合绝缘子破损检测方法、终端设备及可读存储介质
Yang et al. An intelligent identification algorithm for obtaining the state of power equipment in SIFT-based environments
CN113989209A (zh) 基于Faster R-CNN的电力线异物检测方法
CN110516551B (zh) 一种基于视觉的巡线位置偏移识别系统、方法及无人机
CN114330477A (zh) 一种基于混合现实设备的电力设备缺陷检测系统及方法
CN113947563A (zh) 一种基于深度学习的电缆工艺质量动态缺陷检测方法
Bin et al. Study on the method of switch state detection based on image recognition in substation sequence control
Sheng et al. A YOLOX-Based Detection Method of Triple-Cascade Feature Level Fusion for Power System External Defects
CN105718897A (zh) 一种基于视觉特征的数控车床
CN111523591B (zh) 基于eim平台的多源刀闸状态判断方法

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