CN110853089A - 一种基于多因素的模拟导线覆冰厚度算法 - Google Patents
一种基于多因素的模拟导线覆冰厚度算法 Download PDFInfo
- Publication number
- CN110853089A CN110853089A CN201910937446.XA CN201910937446A CN110853089A CN 110853089 A CN110853089 A CN 110853089A CN 201910937446 A CN201910937446 A CN 201910937446A CN 110853089 A CN110853089 A CN 110853089A
- Authority
- CN
- China
- Prior art keywords
- ice
- image
- thickness
- ice thickness
- icing
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 239000011248 coating agent Substances 0.000 claims description 35
- 238000000576 coating method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 24
- 239000004020 conductor Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000007654 immersion Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009191 jumping 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
- 238000012806 monitoring device Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及覆冰厚度算法，具体涉及一种基于多因素的模拟导线覆冰厚度算法，根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1，获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’，将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型，利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集，对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像；本发明提供的技术方案能够有效克服现有技术所存在的不能实时监测并及时预测输电线路覆冰厚度的缺陷。
Description
技术领域
本发明涉及覆冰厚度算法，具体涉及一种基于多因素的模拟导线覆冰厚度算法。
背景技术
输电线路覆冰后，导线的综合荷载发生变化，覆冰对输电线路的危害主要有下面几种：1、过负荷，即由于线路覆冰之后，实际重量远超过设计值，从而导致架空输电线路发生电气和机械方面的故障；2、导线覆冰舞动、脱冰跳跃事故；3、绝缘子串冰闪事故。
使用覆冰在线监测装置代替人工巡线，为除冰提供及时、准确的工作参数，以提高除冰效率。目前，常见的几种输电线路覆冰测量装置是直接安装在输电线路或绝缘子串上的，需要线路带电或停电安装，工作量较大，成本相对较高。采用模拟导线的线路覆冰测量方法，其思路是在线路杆塔上悬挂1根与输电线路同型号、同材质的模拟导线，在相同气象条件下模拟出输电线路的覆冰情况，并通过测量模拟导线的重量变化来确定覆冰厚度，从而等同推测输电线路的综合荷载和覆冰厚度。
然而，目前还没有一种能够实时监测并及时预测输电线路覆冰厚度的算法。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于多因素的模拟导线覆冰厚度算法，能够有效克服现有技术所存在的不能实时监测并及时预测输电线路覆冰厚度的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于多因素的模拟导线覆冰厚度算法，包括以下步骤：
S1、根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1；
S2、获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’；
S3、将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型；
S4、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集；
S5、对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像；
S6、对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像；
S7、根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3；
S8、结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度。
优选地，所述第一冰厚T1的计算公式如下：
其中，ρ为覆冰密度；k表示覆冰形状系数。
优选地，所述第二冰厚T2的计算公式如下：
其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为风速；W为液态水含量。
优选地，所述天气要素包括露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
优选地，所述机器学习模型通过高斯内核函数对所述冰厚系数T’进行拟合。
优选地，对所述视差图像进行二值化处理之前，先对所述视差图像进行以下步骤的预处理：
S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
优选地，提取所述模拟导线轮廓图像的方法如下：
S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
S2、用边长为2*L的正方形模板对S1中的图像进行腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
优选地，所述覆冰厚度T3的计算公式如下：
其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
(三)有益效果
与现有技术相比，本发明所提供的一种基于多因素的模拟导线覆冰厚度算法具有以下有益效果:
1、根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1，获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’，将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型，通过实际计算得到拟合模型，借助拟合模型能够实时监测并及时预测模拟导线的覆冰厚度；
2、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集，对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像，对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像，根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3，结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度，综合实际计算和图像处理两种方法进行误差修正，使得监测到的覆冰厚度更加准确。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于多因素的模拟导线覆冰厚度算法，包括以下步骤：
S1、根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1；
S2、获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’；
S3、将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型；
S4、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集；
S5、对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像；
S6、对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像；
S7、根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3；
S8、结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度。
第一冰厚T1的计算公式如下：
其中，ρ为覆冰密度；k表示覆冰形状系数。
第二冰厚T2的计算公式如下：
其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为风速；W为液态水含量。
天气要素包括露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
机器学习模型通过高斯内核函数对冰厚系数T’进行拟合。
对视差图像进行二值化处理之前，先对视差图像进行以下步骤的预处理：
S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
提取模拟导线轮廓图像的方法如下：
S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
S2、用边长为2*L的正方形模板对S1中的图像进行腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
覆冰厚度T3的计算公式如下：
其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1，获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’，将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型，通过实际计算得到拟合模型，借助拟合模型能够实时监测并及时预测模拟导线的覆冰厚度。
第一冰厚T1的计算公式如下：
其中，ρ为覆冰密度；k表示覆冰形状系数。
第二冰厚T2的计算公式如下：
其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为风速；W为液态水含量。
天气要素包括露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
机器学习模型通过高斯内核函数对冰厚系数T’进行拟合。
利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集，对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像，对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像，根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3，结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度，综合实际计算和图像处理两种方法进行误差修正，使得监测到的覆冰厚度更加准确。
对视差图像进行二值化处理之前，先对视差图像进行以下步骤的预处理：
S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
提取模拟导线轮廓图像的方法如下：
S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
S2、用边长为2*L的正方形模板对S1中的图像进行腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
覆冰厚度T3的计算公式如下：
其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于多因素的模拟导线覆冰厚度算法，其特征在于：包括以下步骤：
S1、根据拉力传感器的数据得到模拟导线的自身半径r和覆冰半径R，根据自身半径r和覆冰半径R计算获得第一冰厚T1；
S2、获取天气要素，根据天气要素计算获得第二冰厚T2；根据第一冰厚T1、第二冰厚T2计算获得冰厚系数T’；
S3、将冰厚系数T’带入机器学习模型中进行拟合，得到拟合模型；
S4、利用无人机进行巡检，借助无人机上的双目摄像头对模拟导线进行双目图像采集；
S5、对双目图像进行灰度、畸变矫正、双目校正和均值滤波处理，获得模拟导线的视差图像；
S6、对视差图像进行二值化处理，并采用基于分水岭算法和数学形态学相结合的轮廓提取方法对二值化后的视差图像进行处理，提取模拟导线轮廓图像；
S7、根据覆冰模拟导线轮廓图像包含的像素数量与未覆冰模拟导线轮廓图像包含的像素数量的比值计算覆冰厚度T3；
S8、结合拟合模型、图像处理的覆冰厚度结果进行误差修正，得到最终模拟导线的覆冰厚度。
2.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：所述第一冰厚T1的计算公式如下：
其中，ρ为覆冰密度；k表示覆冰形状系数。
3.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：所述第二冰厚T2的计算公式如下：
其中，ρi为覆冰密度；i为与观测对应的各个时间；ρ0为水的密度；P为降水量；V为风速；W为液态水含量。
4.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：所述天气要素包括露点温度、温度、降水量和冻雨百分数四个类别每小时所对应的四个天气要素。
5.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：所述机器学习模型通过高斯内核函数对所述冰厚系数T’进行拟合。
6.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：对所述视差图像进行二值化处理之前，先对所述视差图像进行以下步骤的预处理：
S1、用k*k大小的模板遍历视差图像中每个像素，统计模板中心像素与周围像素之间灰度值之差的绝对值大于阈值M的像素个数a、灰度值之差的绝对值小于阈值M的像素个数b，并记录a个像素的灰度值之和m、b个像素的灰度值之和n；
S2、当a大于等于b时，对m除以a的值四舍五入取整后替代模板中心像素的灰度值，否则模板中心像素的灰度值保持不变。
7.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：提取所述模拟导线轮廓图像的方法如下：
S1、用边长为L的正方形模板对二值化后的视差图像进行膨胀操作，然后反转图像灰度值；
S2、用边长为2*L的正方形模板对S1中的图像进行腐蚀操作，将腐蚀后图像的灰度值转换为0-255；
S3、将上述处理后的两张图像进行灰度值相加运算得到新图像；
S4、利用S3中获得的图像，基于分水岭原理中的浸水模拟方式对二值化后的视差图像进行分割，提取模拟导线轮廓图像。
8.根据权利要求1所述的基于多因素的模拟导线覆冰厚度算法，其特征在于：所述覆冰厚度T3的计算公式如下：
其中，x1为未覆冰时模拟导线自身半径r对应的像素数量；x2为覆冰后模拟导线覆冰半径R对应的像素数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910937446.XA CN110853089A (zh) | 2019-09-30 | 2019-09-30 | 一种基于多因素的模拟导线覆冰厚度算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910937446.XA CN110853089A (zh) | 2019-09-30 | 2019-09-30 | 一种基于多因素的模拟导线覆冰厚度算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110853089A true CN110853089A (zh) | 2020-02-28 |
Family
ID=69596350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910937446.XA Pending CN110853089A (zh) | 2019-09-30 | 2019-09-30 | 一种基于多因素的模拟导线覆冰厚度算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110853089A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111637839A (zh) * | 2020-06-01 | 2020-09-08 | 中国南方电网有限责任公司超高压输电公司昆明局 | 数字化覆冰厚度测量装置及测量方法 |
| CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
| CN113704969A (zh) * | 2021-07-26 | 2021-11-26 | 贵州电网有限责任公司 | 一种直线塔地线等值覆冰厚度测量方法及系统 |
| CN115828423A (zh) * | 2022-11-25 | 2023-03-21 | 武汉理工大学 | 基于双分支深度学习算法的船海装备外板回弹预测方法 |
| CN118015439A (zh) * | 2024-04-09 | 2024-05-10 | 国网四川省电力公司信息通信公司 | 一种基于图像分析的变电站巡检系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430195A (zh) * | 2008-12-19 | 2009-05-13 | 华北电力大学 | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 |
| CN102168962A (zh) * | 2010-12-13 | 2011-08-31 | 云南电力试验研究院(集团)有限公司 | 一种优化的输电线路覆冰厚度估算方法 |
| CN104568003A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 一种输电线路覆冰过程的远程监测系统及方法 |
| CN104578061A (zh) * | 2015-01-26 | 2015-04-29 | 国家电网公司 | 一种架空输电线路导线设计冰厚的预估方法 |
| CN107092983A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 输电导线覆冰厚度预测方法及装置 |
| CN107704844A (zh) * | 2017-10-25 | 2018-02-16 | 哈尔滨理工大学 | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 |
-
2019
- 2019-09-30 CN CN201910937446.XA patent/CN110853089A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430195A (zh) * | 2008-12-19 | 2009-05-13 | 华北电力大学 | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 |
| CN102168962A (zh) * | 2010-12-13 | 2011-08-31 | 云南电力试验研究院(集团)有限公司 | 一种优化的输电线路覆冰厚度估算方法 |
| CN104568003A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 一种输电线路覆冰过程的远程监测系统及方法 |
| CN104578061A (zh) * | 2015-01-26 | 2015-04-29 | 国家电网公司 | 一种架空输电线路导线设计冰厚的预估方法 |
| CN107092983A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 输电导线覆冰厚度预测方法及装置 |
| CN107704844A (zh) * | 2017-10-25 | 2018-02-16 | 哈尔滨理工大学 | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111637839A (zh) * | 2020-06-01 | 2020-09-08 | 中国南方电网有限责任公司超高压输电公司昆明局 | 数字化覆冰厚度测量装置及测量方法 |
| CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
| CN111964865B (zh) * | 2020-08-12 | 2021-04-27 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
| CN113704969A (zh) * | 2021-07-26 | 2021-11-26 | 贵州电网有限责任公司 | 一种直线塔地线等值覆冰厚度测量方法及系统 |
| CN113704969B (zh) * | 2021-07-26 | 2024-03-08 | 贵州电网有限责任公司 | 一种直线塔地线等值覆冰厚度测量方法及系统 |
| CN115828423A (zh) * | 2022-11-25 | 2023-03-21 | 武汉理工大学 | 基于双分支深度学习算法的船海装备外板回弹预测方法 |
| CN118015439A (zh) * | 2024-04-09 | 2024-05-10 | 国网四川省电力公司信息通信公司 | 一种基于图像分析的变电站巡检系统 |
| CN118015439B (zh) * | 2024-04-09 | 2024-06-11 | 国网四川省电力公司信息通信公司 | 一种基于图像分析的变电站巡检系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110853089A (zh) | 一种基于多因素的模拟导线覆冰厚度算法 | |
| CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
| CN106705866B (zh) | 一种基于可见光图像的输电线路覆冰检测方法 | |
| CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
| CN111402247B (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
| CN110349128B (zh) | 一种玻璃绝缘子伞间冰柱桥接程度检测方法 | |
| CN106980816B (zh) | 基于光学图像的绝缘子串自动识别方法 | |
| CN106600580B (zh) | 一种基于霍夫变换的电力线异常识别方法及其系统 | |
| CN110222683A (zh) | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 | |
| CN110705397A (zh) | 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法 | |
| CN116538924A (zh) | 一种覆冰状态下输电线路弧垂实时监测方法 | |
| CN116683635A (zh) | 一种电力巡检采集视频图像处理方法 | |
| CN111062933A (zh) | 一种基于视场自适应调节的输电线路覆冰图像检测方法 | |
| CN105528790A (zh) | 一种输电线路小型部件识别方法 | |
| CN112651337A (zh) | 应用于训练线路异物目标检测模型的样本集构建方法 | |
| CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
| CN115065169B (zh) | 一种基于5g和物联网技术的电力监控系统 | |
| CN110764556A (zh) | 一种基于模拟导线的输电线路覆冰监测装置 | |
| CN116046076A (zh) | 一种基于机器视觉技术的输电线路舞动在线检测系统 | |
| CN115902541A (zh) | 一种输电线路绝缘子放电及缺陷的诊断方法及系统 | |
| CN114442658A (zh) | 输配电线路无人机自动巡检系统及其运行方法 | |
| CN114370898A (zh) | 一种覆冰舞动综合监测系统 | |
| CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 | |
| CN112670893A (zh) | 基于高度订正的线路覆冰实况计算方法及系统 | |
| CN114241292A (zh) | 基于智能网关的输电线路覆冰监测方法和装置 |
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: 20200228 |