CN110969081B - 基于多模块划分的kl散度的输电线路外力破坏检测方法 - Google Patents

基于多模块划分的kl散度的输电线路外力破坏检测方法 Download PDF

Info

Publication number
CN110969081B
CN110969081B CN201911019082.3A CN201911019082A CN110969081B CN 110969081 B CN110969081 B CN 110969081B CN 201911019082 A CN201911019082 A CN 201911019082A CN 110969081 B CN110969081 B CN 110969081B
Authority
CN
China
Prior art keywords
gray level
external force
transmission line
divergence
power transmission
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
CN201911019082.3A
Other languages
English (en)
Other versions
CN110969081A (zh
Inventor
吉德志
杨光彦
王致
张辉
黄双得
许德斌
王胜伟
葛兴科
陈海东
赵小萌
胡昌斌
王韬
许保瑜
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN201911019082.3A priority Critical patent/CN110969081B/zh
Publication of CN110969081A publication Critical patent/CN110969081A/zh
Application granted granted Critical
Publication of CN110969081B publication Critical patent/CN110969081B/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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多模块划分的KL散度的输电线路外力破坏检测方法，属于遥感影像处理在输电线路运维技术领域。本发明方法根据不同时间点灰度直方图的KL散度对输电线路杆塔及通道是否受到外力破坏进行检测。首先获取前后两个时间点的杆塔所在位置及线路通道对应的两组高分2号数据，对数据预处理获得对应的灰度图像，再分别计算两张图像的不同局部范围的灰度直方图，输入到已训练好的SVM模型中，得到该组杆塔及线路通道的分类标签，从而判定该输电线路杆塔及通道是否存在外力破坏。本发明采样卫星遥感数据作为辅助，实现了对输电线路外力破坏的智能检测，通过本发明方法能够及时地排除输电线路外力破坏隐患，易于推广应用。

Description

基于多模块划分的KL散度的输电线路外力破坏检测方法
技术领域
本发明属于遥感影像处理在输电线路运维技术领域，具体涉及一种基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，可应用于输电设备运维行业，判断输电线路杆塔及通道是否存在外力破坏，如违章建筑、开挖取土、施工作业等，从而减少输电线路人工巡查的次数，提高输电线路巡维效率。
背景技术
由于计算机技术、电力电子技术和通信技术得到了飞速的发展，电力系统继电保护措施的实施，基本上能够有效保证输电线路的正常运行，但是，输电线路安全运行往往会遭受发展建设过程中不可预料因素的影响，甚至导致线路出现故障停运。因此，为了能够有效管控，尽可能减少外力因素导致的输电线路停运，必须对这些外力因素进行研究和分析，从而找出合理的解决方法。
当前对外力破坏的检测多采用人工巡检的方式，费时费力，而后逐渐发展了在线监视技术，然而在线监视技术主要采用简单的无线视频监控与人工观测来实现，依旧需要工作人员24小时观察监控视频，及时发现监控视频的异常，因此，设计一种自动、智能、全覆盖的外力破坏检测方法是本技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，该方法能快速从不同时间的遥感图像中获取变化数据，从而对输电线路进行外力破坏诊断。
为实现上述目的，本发明采用的技术方案如下：
基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，包括以下步骤：
步骤（1），获得两个时间序列的原始遥感影像数据，其中，两个时间的间距不少于30天；
步骤（2），截出杆塔所在位置及通道保护区，对遥感影像进行预处理，获得对应的灰度图像，即每基杆塔有两张灰度图，记为一组灰度图像；将得到的不同杆塔灰度图像作为训练集；
步骤（3），将杆塔的灰度图像划分成多个区域，计算灰度图像的不同区域的灰度直方图；
步骤（4），计算杆塔两张灰度图像对应区域的灰度直方图的KL散度，并将所有这些KL散度连接起来作为该杆塔的一组特征数据；
步骤（5），将训练集中的部分数据进行人工标记，将存在外力破坏的记为1，无外力破坏的记为-1，将这些标记作为标签和步骤（4）的得到的特征数据共同输入到SVM模型中进行训练，训练出最终的SVM模型；
步骤（6），将训练集中的未进行人工标记样本的特征输入到已训练好的SVM模型中，得到对应的标签数据，即每一遥感图像的特征对应得到标签1和-1，标签1为存在外力破坏，标签-1为无外力破坏；
步骤（7），获取新的原始遥感影像数据，之后根据步骤（2）~步骤（4）的方法计算各个杆塔相应的特征数据，之后输入步骤（5）的训练出SVM模型，得到对应的标签数据，从而获得输电线路外力破坏情况。
进一步，优选的是，步骤（1）中，所述的遥感原始影像数据从高分2号卫星获取。
进一步，优选的是，步骤（1）中，遥感原始影像数据为2018年份和2019年份的。
进一步，优选的是，步骤（2）中，对遥感影像进行预处理，获得对应的灰度图像的具体方法为：
步骤（2.1），输入杆塔的经纬度坐标，计算出其在影像中对应的像素坐标；
步骤（2.2），以该像素为中心，截取半径大小为60个像素点的正方形块，作为杆塔对应的灰度图像。
进一步，优选的是，步骤（3）的具体方法为：
步骤（3.1），输入灰度图像，设定划分的尺度s，将图像划分成s×s的小块
步骤（3.2），分别计算步骤3.1中小块的灰度直方图。
进一步，优选的是，步骤（4）的具体方法为：
步骤（4.1），分别计算两个时间点同一区域对应的小块的直方图的KL散度；
步骤（4.2），将步骤（4.1）所计算各个区域的KL散度进行拼接，作为该杆塔的特征数据。
进一步，优选的是，步骤（5）的具体方法为
步骤（5.1），根据杆塔的特征维度初始化SVM；所述的特征维度为杆塔的一组特征数据中KL散度的个数；
步骤（5.2），选取训练集中40%的杆塔进行人工标记，若存在外力破坏，则对该样本标记为1，反之则为-1；
步骤（5.3），将这些标记作为标签和步骤（4）的得到的特征数据共同输入到SVM模型中进行训练，训练出最终的SVM模型。
其中，步骤（4）中，将所有这些KL散度连接起来作为该杆塔的一组特征数据时，对于连接的顺序没有特殊限制，只要保持一致顺序连接即可。
本发明与现有技术相比，其有益效果为：
本发明采样卫星遥感数据作为辅助，实现了对输电线路外力破坏的智能检测，通过本发明方法能够有效和及时地排除输电线路外力破坏隐患。
当前，输电线路外力破坏的检测多采用人工巡检的方式，费时费力，而后逐渐发展了在线监视技术，在线监视技术主要采用简单的无线视频监控与人工观测来实现，依旧需要工作人员24小时观察监控视频，及时发现监控视频的异常，仍然需要大量的人员监测且人为判断的占比比较高，存在耗时长、效率低、易出错等问题。因此，本发明研发出一种基于多模块划分的KL散度的输电线路外力破坏检测方法，可根据检测需要，实时提取卫星遥感数据，通过计算比对，得到输电线路通道变化情况，能够全覆盖、智能化、高时效的对输电线路外力破坏做出判断，为输电线路运维提供可靠的依据。
附图说明
图1为本发明方法的流程图；
图2为灰度图像的划分的示意图；其中，a为s=1，b为s=2，c为s=3。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
如图1所示，基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，包括以下步骤：
步骤（1），从高分2号卫星获取获得2018年份和2019年份的这个时间的原始遥感影像数据；
步骤（2），截出杆塔所在位置及通道保护区，对遥感影像进行预处理，获得对应的灰度图像，即每基杆塔有两张灰度图，记为一组灰度图像；将得到的不同杆塔灰度图像作为训练集；其具体方法为：
对遥感影像进行预处理，获得对应的灰度图像的具体方法为：
步骤（2.1），输入杆塔的经纬度坐标，计算出其在影像中对应的像素坐标；
步骤（2.2），以该像素为中心，截取半径大小为60个像素点的正方形块，作为杆塔对应的灰度图像；
步骤（3），将杆塔的灰度图像划分成多个区域，计算灰度图像的不同区域的灰度直方图；其具体方法为：
步骤（3.1），输入灰度图像，设定划分的尺度s，将图像划分成s×s的小块
步骤（3.2），分别计算步骤3.1中小块的灰度直方图；
步骤（4），计算杆塔两张灰度图像对应区域的灰度直方图的KL散度，并将所有这些KL散度连接起来作为该杆塔的一组特征数据；
其具体方法为：
步骤（4.1），分别计算两个时间点同一局部区域对应的小块的直方图的KL散度；
步骤（4.2），将步骤（4.1）所计算各个局部区域的KL散度进行拼接，作为该杆塔的特征数据。
步骤（5），将训练集中的部分数据进行人工标记，将存在外力破坏的记为1，无外力破坏的记为-1，将这些标记作为标签和步骤（4）的得到的特征数据共同输入到SVM模型中进行训练，训练出最终的SVM模型；
其具体方法为
步骤（5.1），根据杆塔的特征维度初始化SVM；所述的特征维度为杆塔的一组特征数据中KL散度的个数；
步骤（5.2），选取训练集中40%的杆塔进行人工标记，若存在外力破坏，则对该样本标记为1，反之则为-1；
步骤（5.3），将这些标记作为标签和步骤（4）的得到的特征数据共同输入到SVM模型中进行训练，训练出最终的SVM模型。
步骤（6），将训练集中的未进行人工标记样本的特征输入到已训练好的SVM模型中，得到对应的标签数据，即每一遥感图像的特征对应得到标签1和-1，标签1为存在外力破坏，标签-1为无外力破坏；
步骤（7），获取新的原始遥感影像数据，之后根据步骤（2）~步骤（4）的方法计算各个杆塔相应的特征数据，之后输入步骤（5）的训练出SVM模型，得到对应的标签数据，从而获得输电线路外力破坏情况。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，包括以下步骤：
步骤（1），获得两个时间序列的原始遥感影像数据，其中，两个时间的间距不少于30天；
步骤（2），截出杆塔所在位置及通道保护区，对遥感影像进行预处理，获得对应的灰度图像，即每基杆塔有两张灰度图，记为一组灰度图像；将得到的不同杆塔灰度图像作为训练集；
步骤（3），将杆塔的灰度图像划分成多个区域，计算灰度图像的不同区域的灰度直方图；
步骤（4），计算杆塔两张灰度图像对应区域的灰度直方图的KL散度，并将所有这些KL散度连接起来作为该杆塔的一组特征数据；
步骤（5），将训练集中的部分数据进行人工标记，将存在外力破坏的记为1，无外力破坏的记为-1，将这些标记作为标签和步骤（4）的得到的特征数据共同输入到SVM模型中进行训练，训练出最终的SVM模型；
步骤（6），将训练集中的未进行人工标记样本的特征输入到已训练好的SVM模型中，得到对应的标签数据，即每一遥感图像的特征对应得到标签1和-1，标签1为存在外力破坏，标签-1为无外力破坏；
步骤（7），获取新的原始遥感影像数据，之后根据步骤（2）~步骤（4）的方法计算各个杆塔相应的特征数据，之后输入步骤（5）的训练出SVM模型，得到对应的标签数据，从而获得输电线路外力破坏情况。
2.根据权利要求1所述的基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，步骤（1）中，所述的遥感原始影像数据从高分2号卫星获取。
3.根据权利要求1所述的基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，步骤（1）中，遥感原始影像数据为2018年份和2019年份的。
4.根据权利要求1所述的基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，步骤（2）中，对遥感影像进行预处理，获得对应的灰度图像的具体方法为：
步骤（2.1），输入杆塔的经纬度坐标，计算出其在影像中对应的像素坐标；
步骤（2.2），以该像素为中心，截取半径大小为60个像素点的正方形块，作为杆塔对应的灰度图像。
5.根据权利要求1所述的基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，步骤（3）的具体方法为：
步骤（3.1），输入灰度图像，设定划分的尺度s，将图像划分成s×s的小块
步骤（3.2），分别计算步骤3.1中小块的灰度直方图。
6.根据权利要求1所述的基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，步骤（4）的具体方法为：
步骤（4.1），分别计算两个时间点同一区域对应的小块的直方图的KL散度；
步骤（4.2），将步骤（4.1）所计算各个区域的KL散度进行拼接，作为该杆塔的特征数据。
7.根据权利要求1所述的基于多模块划分的灰度直方图KL散度的输电线路外力破坏检测方法，其特征在于，步骤（5）的具体方法为
步骤（5.1），根据杆塔的特征维度初始化SVM；所述的特征维度为杆塔的一组特征数据中KL散度的个数；
步骤（5.2），选取训练集中40%的杆塔进行人工标记，若存在外力破坏，则对该样本标记为1，反之则为-1；
步骤（5.3），将这些标记作为标签和步骤（4）的得到的特征数据共同输入到SVM模型中进行训练，训练出最终的SVM模型。
CN201911019082.3A 2019-10-24 2019-10-24 基于多模块划分的kl散度的输电线路外力破坏检测方法 Active CN110969081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911019082.3A CN110969081B (zh) 2019-10-24 2019-10-24 基于多模块划分的kl散度的输电线路外力破坏检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911019082.3A CN110969081B (zh) 2019-10-24 2019-10-24 基于多模块划分的kl散度的输电线路外力破坏检测方法

Publications (2)

Publication Number Publication Date
CN110969081A CN110969081A (zh) 2020-04-07
CN110969081B true CN110969081B (zh) 2023-02-24

Family

ID=70029848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911019082.3A Active CN110969081B (zh) 2019-10-24 2019-10-24 基于多模块划分的kl散度的输电线路外力破坏检测方法

Country Status (1)

Country Link
CN (1) CN110969081B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112428263B (zh) * 2020-10-16 2022-06-10 北京理工大学 机械臂控制方法、装置及聚类模型训练方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682668A (zh) * 2016-11-18 2017-05-17 云南电网有限责任公司电力科学研究院 一种使用无人机标记影像的输电线路地质灾害监测方法
CN107801000A (zh) * 2017-10-17 2018-03-13 国网江苏省电力公司盐城供电公司 一种输电线路防外破智能视频监控系统
CN109934154A (zh) * 2019-03-08 2019-06-25 北京科技大学 一种遥感影像变化检测方法及检测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682668A (zh) * 2016-11-18 2017-05-17 云南电网有限责任公司电力科学研究院 一种使用无人机标记影像的输电线路地质灾害监测方法
CN107801000A (zh) * 2017-10-17 2018-03-13 国网江苏省电力公司盐城供电公司 一种输电线路防外破智能视频监控系统
CN109934154A (zh) * 2019-03-08 2019-06-25 北京科技大学 一种遥感影像变化检测方法及检测装置

Also Published As

Publication number Publication date
CN110969081A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN101430195B (zh) 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
CN104331521A (zh) 基于图像处理的变电设备异常自动识别方法
CN111695506B (zh) 一种输电线路风致异物短路故障预警方法及系统
CN112116594B (zh) 一种基于语义分割的风飘异物识别方法和装置
CN113723189B (zh) 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
CN105718964A (zh) 一种输电线防振锤的视觉检测方法
CN110059076A (zh) 一种输变电线路设备的故障数据库半自动化建立方法
CN110969081B (zh) 基于多模块划分的kl散度的输电线路外力破坏检测方法
CN113298077A (zh) 一种基于深度学习的变电站异物识别定位方法及装置
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN109521021A (zh) 一种核电站安全壳外观检查系统及方法
CN113469938B (zh) 基于嵌入式前端处理服务器的管廊视频分析方法及系统
CN110197483A (zh) 基于视频信号的深基坑裂缝检测方法
CN108921844A (zh) 一种绝缘子缺陷检测方法与装置
CN113111728A (zh) 面向变电站内电力生产作业风险的智能识别方法及系统
CN108573233B (zh) 一种基于图像处理技术的电网陶瓷绝缘子识别方法
CN111652873A (zh) 基于迁移学习的永磁自卸除铁器弃铁输送带断裂检测方法
CN111307267A (zh) 一种基于同心圆检测的导线舞动监测方法
CN111028289B (zh) 基于模板匹配的变电站内设备异物定位方法
CN111767777B (zh) 一种基于图像处理算法的变电站隔离开关状态分析方法
CN115909312A (zh) 一种基于深度学习的板坯号实时检测与识别方法
CN105469097A (zh) 一种基于神经网络的变电站特征提取方法
CN114418983A (zh) 基于智能物联网的设备风险检测方法
CN114612763A (zh) 一种风电机组变桨轴承裂纹监测方法、计算机程序产品
CN116152674A (zh) 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法

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
GR01 Patent grant
GR01 Patent grant