CN110850723A - 一种基于变电站巡检机器人系统的故障诊断及定位方法 - Google Patents
一种基于变电站巡检机器人系统的故障诊断及定位方法 Download PDFInfo
- Publication number
- CN110850723A CN110850723A CN201911213470.5A CN201911213470A CN110850723A CN 110850723 A CN110850723 A CN 110850723A CN 201911213470 A CN201911213470 A CN 201911213470A CN 110850723 A CN110850723 A CN 110850723A
- Authority
- CN
- China
- Prior art keywords
- fault
- steps
- following
- robot system
- frame
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及变电站故障巡检技术领域，尤其涉及一种基于变电站故障巡检机器人系统的故障诊断及定位方法，包括：服务器端、通信模块、主控制模块、数据采集模块、导航模块及运动控制模块，数据采集模块及导航模块将采集到的信息传送到主控制器，主控制器通过通信模块将信息传送到服务器端，同时也接收来自服务器端的指令，主控制器接收来自运动控制器的信息也可以发送指令给运动控制器。本发明算法准确率较高，故障查准率高，故障信息丰富，位置信息可精确到厘米级别。
Description
技术领域
本发明涉及变电站故障巡检技术领域，尤其涉及变电站故障巡检机器人系统的故障诊断及定位方法。
背景技术
目前，巡检机器人有助于及时发现故障及一些安全隐患，并及时排查和故障检修。现实中大多数巡检依旧依靠着人工巡检，巡检人员在固定时间进行巡检，并在完成巡检任务后将巡检结果上传到服务器，这种巡检方式耗费的人力物力成本比较大，巡检完成好坏完全在于巡检人员的专业程度，且这种巡检的对故障的查全率不是很高。
市场上也存在许多变电站巡检机器人，多数巡检机器人可以自主行走，可以识别开关的通断，但依旧非常不智能，无法自己检测出故障，多数需要工作人员在监控室中对传回图像进行观看识别。这种方式相对于人工巡检降低了很多人力成本，但是容易漏掉很多故障信息，查全率不足。巡检机器人的故障识别也是比较简单容易误报，查准率不足。这种方法还有一个问题就是定位问题。
发明内容
为了克服以上问题，本发明提出一种基于变电站巡检机器人系统的故障诊断及定位方法，其故障识别准确率较高，故障查准率高，故障信息丰富，位置信息可精确到厘米级别的故障诊断及定位方法。
为实现上述目的，本发明采用的技术方案是：
一种变电站智能巡检机器人系统，其特征在于，包括：服务器端、通信模块、主控制模块、数据采集模块、导航模块及运动控制模块，数据采集模块及导航模块将采集到的信息传送到主控制器，主控制器通过通信模块将信息传送到服务器端，同时也接收来自服务器端的指令，主控制器接收来自运动控制器的信息也可以发送指令给运动控制器。
所述数据采集模块包括：双目可见光摄像头及红外热像仪，所述导航模块包括多线激光雷达及GPS单元。
一种变电站智能巡检机器人系统的故障诊断方法，所述方法包括以下几个步骤：
步骤一：收集并标注电气设备及故障图片，制作出样本集；
步骤二：使用Mask-RCNN神经网络算法对所述样本集进行训练，生成可以识别电气设备及其故障的模型，并将模型导入变电站巡检机器人中；
步骤三：在变电站智能巡检机器人系统巡检过程中，通过数据采集模块对可见光图片、红外热图像进行采集，对红外热图像进行滤波处理，检测是否存在异常高温区域；
步骤四：若存在，则通过热红外图片向可见光图片映射将异常高温区域映射到可见光图片中，然后识别可见光图片中的电气设备并使用框标识，通过聚类算法判断识别高温区域的电气设备，并通过知识库中电气设备工作的温度范围来判断温度是否达到报警温度，若是则报警，若否，返回通过知识库中电气设备工作的；
步骤五：若不存在，利用双目摄像头检测是否存在故障，若是，则向服务器发故障类型并报警，若否，返回通过知识库中电气设备工作的。
一种变电站智能巡检机器人系统的故障定位方法，所述方法包括以下几个步骤：
步骤一：在检测到故障后，将红外热像图映射到可见光图上；
步骤二：对双目摄像头获取的两张可见光图片做视差获取视差图，将异常区域映射到视差图中；
步骤三：通过导航进行自身位置定位信息、云台精密角度信息及距离信息可直接在地图中精确定位故障；
步骤四：将故障位置发送给服务器。
所述Mask-RCNN神经网络训练过程包括以下步骤：
步骤一：搭建构成Mask-RCNN神经网络的ResNet网络、FPN网络、RPN网络、ROIAlign层、全连接层和分类分支、边框回归分以及 mask分支；
步骤二：使用数据集训练ResNet网络和FPN网络得到特征图；
步骤三：给特征图赋予基准框，训练RPN网络，得到预选框；
步骤四：通过预选框的位置坐标，使用ROIAlign层对特征图进行大小的调整，使其成为统一大小的特征图；
步骤五：使用全连接层将特征图全连接到分类分支、边框回归分支以及mask分支；
步骤六：分类分支进行类别分类，边框回归分支生成边框，mask 分支输出mask，以此完成目标分割任务。
所述对红外热图像进行滤波处理方法为双边滤波融合的滤波算法。
所述异常高温区域检测方法包括以下步骤：
步骤一：将红外热图像转为灰度图像；
步骤二：使用最大类间差方法提取异常高温区域；
步骤三：将异常高温区域在红外热图像上标识出来。
所述热红外图片向可见光图片映射的方法包括以下步骤：
步骤一：通过红外热像仪的视角参数和可见光摄像头的视角参数对红外图像在可将光图像上的映射区域进行同等放缩处理；
步骤二：在可见光图像中标出映射过来的异常高温区域。
所述识别高温区域的电气设备的判断方法包括以下步骤：
步骤一：在可将光图像中找到电气设备框及映射过来的异常高温区域；
步骤二：使用最近邻算法找出高温区域的聚类中心，同时统计每个框内的异常高温区域像素点数，最近邻算法找出高温区域的聚类中心；
步骤三：聚类中心所在的框为异常电气设备框，若聚类中心不在框内，异常高温区域像素较多的框内为异常电气设备框，识别异常电气设备。
与现有技术相比，本发明具有以下有益效果：
1.本发明使用Mask-RCNN神经网络进行电气设备及其可见故障进行识别，其识别准确率非常高，在适当调整结构和网络参数下可达到95％以上的识别率，因此故障的识别率高。
2.本发明对异常高温的进行故障诊断，结合知识库判断是否故障，其误报率大大降低，因此本发明对故障的查准率非常高。
3.本发明不仅可以识别出故障，还对故障信息有一个比较详细的诊断和描绘，并对其进行定位，因此故障信息非常丰富。
4.本发明的故障定位方法是结合自身位置，使用双目摄像头进行距离测量，其精度可达到厘米级别，因此定位精度较高。
附图说明
图(1)为本发明的变电站智能巡检机器人系统图；
图(2)为本发明的电气设备、建筑及故障识别模型训练流程图；
图(3)为本发明的故障及隐患识别报警流程图；
图(4)为本发明的故障及隐患定位流程图；
图(5)为本发明的电气设备识别的MaskRCNN网络结构图。
具体实施方式
为了更好理解本发明内容，下面根据具体实施方式，进一步说明本发明。
实施例一：
如图1所示，一种变电站智能巡检机器人系统，其特征在于，包括：服务器端、通信模块、主控制模块、数据采集模块、导航模块及运动控制模块，数据采集模块及导航模块将采集到的信息传送到主控制器，主控制器通过通信模块将信息传送到服务器端，同时也接收来自服务器端的指令，主控制器接收来自运动控制器的信息也可以发送指令给运动控制器。
所述数据采集模块包括：双目可见光摄像头及红外热像仪，所述导航模块包括多线激光雷达及GPS单元。
如图2、3、4、5所示，一种变电站智能巡检机器人系统的故障诊断方法，所述方法包括以下几个步骤：
步骤一：收集并标注电气设备及故障图片，制作出样本集；
步骤二：使用Mask-RCNN神经网络算法对所述样本集进行训练，生成可以识别电气设备及其故障的模型，并将模型导入变电站巡检机器人中；
步骤三：在变电站智能巡检机器人系统巡检过程中，通过数据采集模块对可见光图片、红外热图像进行采集，对红外热图像进行滤波处理，检测是否存在异常高温区域；
步骤四：若存在，则通过热红外图片向可见光图片映射将异常高温区域映射到可见光图片中，然后识别可见光图片中的电气设备并使用框标识，通过聚类算法判断识别高温区域的电气设备，并通过知识库中电气设备工作的温度范围来判断温度是否达到报警温度，若是则报警，若否，返回通过知识库中电气设备工作的；
步骤五：若不存在，利用双目摄像头检测是否存在故障，若是，则向服务器发故障类型并报警，若否，返回通过知识库中电气设备工作的。
所述Mask-RCNN神经网络训练过程包括以下步骤：
步骤一：搭建构成Mask-RCNN神经网络的ResNet网络、FPN网络、RPN网络、ROIAlign层、全连接层和分类分支、边框回归分以及 mask分支；
步骤二：使用数据集训练ResNet网络和FPN网络得到特征图；
步骤三：给特征图赋予基准框，训练RPN网络，得到预选框；
步骤四：通过预选框的位置坐标，使用ROIAlign层对特征图进行大小的调整，使其成为统一大小的特征图；
步骤五：使用全连接层将特征图全连接到分类分支、边框回归分支以及mask分支；
步骤六：分类分支进行类别分类，边框回归分支生成边框，mask 分支输出mask，以此完成目标分割任务。
所述对红外热图像进行滤波处理方法为双边滤波算法。
以图像点坐标为(I,j)则有邻域，点(i,j)邻域坐标为(k,l)则有
g(i,j)为滤波后图像的值f(k,l)为滤波前图像的值w(i,j,k,l)为权值。
所述异常高温区域检测方法包括以下步骤：
步骤一：将红外热图像转为灰度图像；
步骤二：使用最大类间差方法提取异常高温区域；
t为阈值，大于t值为前景，小于t值为背景，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则前景和背景的方差g为：
g＝w0*w1*(u0-u1)^2
找出g最大时的t，并以t为阈值提取前景。
步骤三：将异常高温区域在红外热图像上标识出来。
所述热红外图片向可见光图片映射的方法包括以下步骤：
步骤一：通过红外热像仪的视角参数和可见光摄像头的视角参数对红外图像在可将光图像上的映射区域进行同等放缩处理；
红外热像仪和可见光摄像头位置和视角可知透视矩阵T3*3，红外图像上像素点坐标为(x,y)映射到可见光图像上坐标为(i,j),则有：
[a，b，c]′＝T*[x，y，1]′
g(i,j)＝f(x,y)
映射完成后，对图像进行放射变换使两幅图像大小相同。
步骤二：在可见光图像中标出映射过来的异常高温区域。
所述识别高温区域的电气设备的判断方法包括以下步骤：
步骤一：在可将光图像中找到电气设备框及映射过来的异常高温区域；
步骤二：使用最近邻算法找出高温区域的聚类中心，同时统计每个框内的异常高温区域像素点数，最近邻算法找出高温区域的聚类中心；高温区域点为Ck，某一点为X,聚类中心为C，使用欧式距离为距离值，则有：
步骤三：聚类中心所在的框为异常电气设备框，若聚类中心不在框内，异常高温区域像素较多的框内为异常电气设备框，识别异常电气设备。
实施例二
一种变电站智能巡检机器人系统的故障定位方法，所述方法包括以下几个步骤：
步骤一：在检测到故障后，将红外热像图映射到可见光图上；
步骤二：对双目摄像头获取的两张可见光图片做视差获取视差图，将异常区域映射到视差图中；
步骤三：通过导航进行自身位置定位信息、云台精密角度信息及距离信息可直接在地图中精确定位故障；
步骤四：将故障位置发送给服务器。
所述视差图中的异常区域获取距离方法：
步骤一：使用最近邻算法找到聚类中心；
步骤二：对聚类中心所在深度为距离。
所述对故障定位方法：导航定位自身位置为(x,y),车体航向角为θ，云台角度为γ，距离为l，故障位置为(j,k)则有：
j＝x+l*cos(θ+γ)
k＝y+l*sin(θ+γ)
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种变电站智能巡检机器人系统，其特征在于，包括：服务器端、通信模块、主控制模块、数据采集模块、导航模块及运动控制模块，数据采集模块及导航模块将采集到的信息传送到主控制器，主控制器通过通信模块将信息传送到服务器端，同时也接收来自服务器端的指令，主控制器接收来自运动控制器的信息也可以发送指令给运动控制器。
2.根据权利要求1所述的一种变电站智能巡检机器人系统，其特征在于，所述数据采集模块包括：双目可见光摄像头及红外热像仪，所述导航模块包括多线激光雷达及GPS单元。
3.一种基于权利要求1所述的变电站智能巡检机器人系统的故障诊断方法，其特征在于，所述方法包括以下几个步骤：
步骤一：收集并标注电气设备及故障图片，制作出样本集；
步骤二：使用Mask-RCNN神经网络算法对所述样本集进行训练，生成可以识别电气设备及其故障的模型，并将模型导入变电站巡检机器人中；
步骤三：在变电站智能巡检机器人系统巡检过程中，通过数据采集模块对可见光图片、红外热图像进行采集，对红外热图像进行滤波处理，检测是否存在异常高温区域；
步骤四：若存在，则通过热红外图片向可见光图片映射将异常高温区域映射到可见光图片中，然后识别可见光图片中的电气设备并使用框标识，通过聚类算法判断识别高温区域的电气设备，并通过知识库中电气设备工作的温度范围来判断温度是否达到报警温度，若是则报警，若否，返回通过知识库中电气设备工作的；
步骤五：若不存在，利用双目摄像头检测是否存在故障，若是，则向服务器发故障类型并报警，若否，返回通过知识库中电气设备工作的。
4.一种基于权利要求1所述的变电站智能巡检机器人系统的故障定位方法，其特征在于，所述方法包括以下几个步骤：
步骤一：在检测到故障后，将红外热像图映射到可见光图上；
步骤二：对双目摄像头获取的两张可见光图片做视差获取视差图，将异常区域映射到视差图中；
步骤三：通过导航进行自身位置定位信息、云台精密角度信息及距离信息可直接在地图中精确定位故障；
步骤四：将故障位置发送给服务器。
5.根据权利要求3所述的一种基于的变电站智能巡检机器人系统的故障诊断方法，其特征在于，所述Mask-RCNN神经网络训练过程包括以下步骤：
步骤一：搭建构成Mask-RCNN神经网络的ResNet网络、FPN网络、RPN网络、ROIAlign层、全连接层和分类分支、边框回归分以及mask分支；
步骤二：使用数据集训练ResNet网络和FPN网络得到特征图；
步骤三：给特征图赋予基准框，训练RPN网络，得到预选框；
步骤四：通过预选框的位置坐标，使用ROIAlign层对特征图进行大小的调整，使其成为统一大小的特征图；
步骤五：使用全连接层将特征图全连接到分类分支、边框回归分支以及mask分支；
步骤六：分类分支进行类别分类，边框回归分支生成边框，mask分支输出mask，以此完成目标分割任务。
6.根据权利要求3所述的一种基于的变电站智能巡检机器人系统的故障诊断方法，其特征在于，步骤三中所述对红外热图像进行滤波处理方法为双边滤波算法。
7.根据权利要求3所述的一种基于的变电站智能巡检机器人系统的故障诊断方法，其特征在于，步骤三所述异常高温区域检测方法包括以下步骤：
步骤一：将红外热图像转为灰度图像；
步骤二：使用最大类间差方法提取异常高温区域；
步骤三：将异常高温区域在红外热图像上标识出来。
8.根据权利要求3所述的一种基于的变电站智能巡检机器人系统的故障诊断方法，其特征在于，步骤四所述热红外图片向可见光图片映射的方法包括以下步骤：
步骤一：通过红外热像仪和可见光摄像头的视场角参数对红外图像在可将光图像上的映射区域进行同等放缩处理；
步骤二：在可见光图像中标出映射过来的异常高温区域。
9.根据权利要求3所述的一种基于的变电站智能巡检机器人系统的故障诊断方法，其特征在于，所述步骤四识别高温区域的电气设备的判断方法包括以下步骤：
步骤一：在可见光图像中找到电气设备框及映射过来的异常高温区域；
步骤二：使用最近邻算法找出高温区域的聚类中心，同时统计每个框内的异常高温区域像素点数，最近邻算法找出高温区域的聚类中心；
步骤三：聚类中心所在的框为异常电气设备框，若聚类中心不在框内，异常高温区域像素较多的框内为异常电气设备框，识别异常电气设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911213470.5A CN110850723B (zh) | 2019-12-02 | 2019-12-02 | 一种基于变电站巡检机器人系统的故障诊断及定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911213470.5A CN110850723B (zh) | 2019-12-02 | 2019-12-02 | 一种基于变电站巡检机器人系统的故障诊断及定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110850723A true CN110850723A (zh) | 2020-02-28 |
| CN110850723B CN110850723B (zh) | 2023-01-03 |
Family
ID=69607033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911213470.5A Active CN110850723B (zh) | 2019-12-02 | 2019-12-02 | 一种基于变电站巡检机器人系统的故障诊断及定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110850723B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111354148A (zh) * | 2020-03-11 | 2020-06-30 | 中国石化销售股份有限公司华南分公司 | 一种巡检机器人自动定位检测物系统和检测物定位方法 |
| 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 |
| CN112123338A (zh) * | 2020-09-27 | 2020-12-25 | 国网上海市电力公司 | 一种支持深度学习加速的变电站智能巡检机器人系统 |
| CN112257514A (zh) * | 2020-09-27 | 2021-01-22 | 复旦大学 | 一种用于设备故障巡检的红外视觉智检的拍摄方法 |
| CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测系统 |
| CN112686886A (zh) * | 2021-01-26 | 2021-04-20 | 四川华能宝兴河水电有限责任公司 | 一种电力巡检系统及其设备故障诊断方法 |
| CN112767433A (zh) * | 2021-03-15 | 2021-05-07 | 北京玄马知能科技有限公司 | 一种巡检机器人图像自动纠偏、分割与识别方法 |
| CN112818806A (zh) * | 2021-01-27 | 2021-05-18 | 国网四川省电力公司电力科学研究院 | 一种基于深度学习的变电站巡检机器人辅助导航方法 |
| CN112828913A (zh) * | 2021-02-08 | 2021-05-25 | 深圳泰豪信息技术有限公司 | 一种巡检机器人控制方法 |
| CN113420810A (zh) * | 2021-06-22 | 2021-09-21 | 中国民航大学 | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 |
| CN113858231A (zh) * | 2021-10-28 | 2021-12-31 | 武汉希文科技股份有限公司 | 一种变电站轨道机器人系统的控制方法 |
| 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 |
| CN114199381A (zh) * | 2021-12-13 | 2022-03-18 | 国网陕西省电力公司延安供电公司 | 一种改进红外检测模型的电气设备故障检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105259899A (zh) * | 2015-12-01 | 2016-01-20 | 国网重庆市电力公司电力科学研究院 | 一种变电站巡检机器人的控制系统 |
| CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警系统 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
| CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
| CN110232692A (zh) * | 2019-05-22 | 2019-09-13 | 浙江大学 | 一种基于改进种子填充算法的电气设备热源区域分离方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN110335271A (zh) * | 2019-07-10 | 2019-10-15 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
-
2019
- 2019-12-02 CN CN201911213470.5A patent/CN110850723B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105259899A (zh) * | 2015-12-01 | 2016-01-20 | 国网重庆市电力公司电力科学研究院 | 一种变电站巡检机器人的控制系统 |
| CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警系统 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
| CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
| CN110232692A (zh) * | 2019-05-22 | 2019-09-13 | 浙江大学 | 一种基于改进种子填充算法的电气设备热源区域分离方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN110335271A (zh) * | 2019-07-10 | 2019-10-15 | 浙江铁素体智能科技有限公司 | 一种电气部件故障的红外检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 周仿荣 等: "基于改进实例分割的电力设备故障识别算法", 《电子元器件与信息技术》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111354148A (zh) * | 2020-03-11 | 2020-06-30 | 中国石化销售股份有限公司华南分公司 | 一种巡检机器人自动定位检测物系统和检测物定位方法 |
| 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 |
| CN112123338A (zh) * | 2020-09-27 | 2020-12-25 | 国网上海市电力公司 | 一种支持深度学习加速的变电站智能巡检机器人系统 |
| CN112257514A (zh) * | 2020-09-27 | 2021-01-22 | 复旦大学 | 一种用于设备故障巡检的红外视觉智检的拍摄方法 |
| CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测系统 |
| CN112686886B (zh) * | 2021-01-26 | 2024-01-23 | 四川华能宝兴河水电有限责任公司 | 一种电力巡检系统及其设备故障诊断方法 |
| CN112686886A (zh) * | 2021-01-26 | 2021-04-20 | 四川华能宝兴河水电有限责任公司 | 一种电力巡检系统及其设备故障诊断方法 |
| CN112818806A (zh) * | 2021-01-27 | 2021-05-18 | 国网四川省电力公司电力科学研究院 | 一种基于深度学习的变电站巡检机器人辅助导航方法 |
| CN112828913A (zh) * | 2021-02-08 | 2021-05-25 | 深圳泰豪信息技术有限公司 | 一种巡检机器人控制方法 |
| CN112767433A (zh) * | 2021-03-15 | 2021-05-07 | 北京玄马知能科技有限公司 | 一种巡检机器人图像自动纠偏、分割与识别方法 |
| CN113420810A (zh) * | 2021-06-22 | 2021-09-21 | 中国民航大学 | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 |
| CN113858231A (zh) * | 2021-10-28 | 2021-12-31 | 武汉希文科技股份有限公司 | 一种变电站轨道机器人系统的控制方法 |
| 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 |
| CN114199381A (zh) * | 2021-12-13 | 2022-03-18 | 国网陕西省电力公司延安供电公司 | 一种改进红外检测模型的电气设备故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110850723B (zh) | 2023-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110850723B (zh) | 一种基于变电站巡检机器人系统的故障诊断及定位方法 | |
| CN109300161B (zh) | 一种基于双目视觉的定位方法及装置 | |
| CN110142785A (zh) | 一种基于目标检测的巡检机器人视觉伺服方法 | |
| CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
| CN111710055A (zh) | 便携式电力巡检设备及电力巡检方法、电力巡检系统 | |
| CN106392304B (zh) | 一种激光辅助焊缝智能寻迹系统及方法 | |
| CN111754483A (zh) | 一种基于热像仪进行异常设备识别的方法及系统 | |
| CN110009530A (zh) | 一种适用于便携式电力巡检的神经网络系统和方法 | |
| CN109638959B (zh) | 基于ar和深度学习的电力设备遥信功能调试方法及系统 | |
| CN111753712A (zh) | 电力生产人员安全监测方法、系统以及设备 | |
| CN111562016A (zh) | 人体温度检测方法、系统、装置及热红外图像处理器 | |
| CN113223087B (zh) | 一种基于视频监控的目标物体地理坐标定位方法和装置 | |
| CN114638909A (zh) | 基于激光slam和视觉融合的变电站语义地图构建方法 | |
| CN115171361B (zh) | 一种基于计算机视觉的危险行为智能检测预警方法 | |
| CN112183264B (zh) | 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法 | |
| CN111289110A (zh) | 人体温度检测方法、系统、装置及热红外图像处理器 | |
| CN111996883A (zh) | 一种检测公路路面宽度的方法 | |
| CN114581760B (zh) | 一种机房巡检的设备故障检测方法及系统 | |
| CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| CN114326741B (zh) | 基于四足机器人的海水淡化监视控制系统 | |
| CN117498225B (zh) | 一种无人机智能电力线路巡检系统 | |
| CN112488022B (zh) | 一种环视全景监控方法、装置及系统 | |
| CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
| CN111596594B (zh) | 一种全景大数据应用监测管控系统 | |
| CN112489017A (zh) | 一种电力设备故障智能识别方法及识别系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |