CN110996055A - 输电线路图像监测系统镜头的自清洁装置及方法 - Google Patents
输电线路图像监测系统镜头的自清洁装置及方法 Download PDFInfo
- Publication number
- CN110996055A CN110996055A CN201911212565.5A CN201911212565A CN110996055A CN 110996055 A CN110996055 A CN 110996055A CN 201911212565 A CN201911212565 A CN 201911212565A CN 110996055 A CN110996055 A CN 110996055A
- Authority
- CN
- China
- Prior art keywords
- lens
- self
- power transmission
- transmission line
- monitoring system
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000004140 cleaning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006698 induction Effects 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 17
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 229910052802 copper Inorganic materials 0.000 claims abstract description 8
- 239000010949 copper Substances 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 30
- 238000010438 heat treatment Methods 0.000 claims description 22
- 238000007635 classification algorithm Methods 0.000 claims description 15
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000011282 treatment Methods 0.000 claims description 10
- 238000013526 transfer learning Methods 0.000 claims description 4
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims 2
- 235000017491 Bambusa tulda Nutrition 0.000 claims 2
- 241001330002 Bambuseae Species 0.000 claims 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims 2
- 239000011425 bamboo Substances 0.000 claims 2
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000007650 screen-printing Methods 0.000 description 6
- 239000004020 conductor Substances 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001939 inductive effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910052709 silver Inorganic materials 0.000 description 4
- 239000004332 silver Substances 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 229910000746 Structural steel Inorganic materials 0.000 description 2
- 239000003570 air Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005341 toughened glass Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B7/00—Cleaning by methods not provided for in a single other subclass or a single group in this subclass
- B08B7/0064—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by temperature changes
- B08B7/0071—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by temperature changes by heating
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明属于节能环保技术领域，特别涉及一种基于感应取电技术的输电线路图像监测系统镜头的自清洁装置及方法。自清洁方法包括：根据温度判断是否需要进行镜头监测；在需要进行镜头监测时启用AI识别实时图像中镜头状态，判断是否结冰；根据判断结果分情况进行处理。自清洁装置的输电导线上套有磁芯，磁芯上缠绕有若干匝的感应铜丝，感应铜丝通过电源存储模块与摄像连接，控制模块控制电源存储模块；摄像固定在外壳内侧，摄像的镜片通过外壳上设置的镜片通孔与外界连通；感应铜丝通过导热垫与设置有镜头通孔一侧的外壳连接。本发明提出输电线路图像监测系统镜头的自清洁装置及方法能够有效对输电线路的监控进行节能除冰。
Description
技术领域：
本发明属于节能环保技术领域，特别涉及一种基于感应取电技术的输电线路图像监测系统镜头的自清洁装置及方法。
背景技术：
节能环保领域是目前最受关注的技术领域，现有技术中并没有将人工智能应用到输电线路的图像监控中，并且对于输电线路的监控系统仍然需要进行长距离或者另设连接线路进行输送电，其运行成本高，能源消耗大，因此，目前也急需一种能够降低用电的节能设备。
由于输电线路检修工作如果只依靠人工存在工作量大，检查时间和线路长等问题，目前常采用输电线路图像监测设备。输电线路长期运行于野外环境，在冬季遇上户外温度过低或出现下雪天等恶劣天气时，雪水会发生凝固的现象，雪水凝固会对输电线路图像监测设备的摄像头造成遮挡，从而影响整个系统图像的采集和识别效果。
而现有的输电线路图像监测设备，一般采用太阳能供电，受气候限制在冬季阴雨下雪天气供电困难，仅靠设备储备电源给摄像镜头加热，无法保证系统长时间工作。
因此，如何能够做到节约能源并有效除冰是目前急于解决的技术问题。
发明内容：
发明目的：
本发明旨在提出输电线路图像监测系统镜头的自清洁装置及方法，以解决现有技术中无法有效对输电线路的监控进行节能除冰。
技术方案：
输电线路图像监测系统镜头的自清洁方法，该方法具体步骤包括：
步骤一：根据温度判断是否需要进行镜头监测；
步骤二：在需要进行镜头监测时启用AI识别实时图像中镜头状态，判断是否结冰；
步骤三：根据判断结果分情况进行处理。
进一步的，断温度设为小于等于0℃。
进一步的，步骤二中采用迁移学习作为样本训练学习方案，得到图像分类算法模型；然后基于图像分类算法模型判断实时图像是否结冰。
进一步的，步骤二中的AI判断结冰的具体步骤包括：
(1)按照三种情况分别收集训练样本图片；
(2)对收集的训练样本图片在Inception V3的基础上与ResNet的残差结构结合进行卷积神经网络框架进行训练，得到分类算法模型；
(3)将实时图像带入分类算法模型，判断是否结冰。
进一步的，进行训练之前，对收集的训练样本图片进行处理模糊、裁剪、旋转、缩放、噪声、mixup不同程度的数据增强扩充。
进一步的，判断结冰情况后根据结冰程度进行不同的处理；
无结冰时，不需要进行镜头加热，加热时间设置为0秒；
局部结冰时，需要进行镜头加热，加热时间设置为10秒；
严重结冰时，需要进行镜头加热，加热时间设置为30秒。
进一步的，在连续重复三次局部结冰或者严重结冰处理后仍然存在局部结冰或者严重结冰的问题，通过控制模块报警人工处理。
输电线路图像监测系统镜头的自清洁装置，输电导线上套有磁芯，磁芯上缠绕有若干匝的感应铜丝，感应铜丝通过电源存储模块与摄像连接，控制模块控制电源存储模块；摄像固定在外壳内侧，摄像的镜片通过外壳上设置的镜片通孔与外界连通；感应铜丝通过导热垫与设置有镜头通孔一侧的外壳连接。
进一步的，镜片上设有丝印导电银浆，丝印导电银浆的两端分别与电源线连接，电源线与电源存储模块连接。
进一步的，摄像通过摄像固定筒与外壳固定，摄像固定筒的筒体内部周向固定有若干个凸起条，筒体一侧与外壳固定，筒体另一侧设有旋进螺栓，旋进螺栓一端与筒体螺纹连接，旋进螺栓的另一端与紧定柱连接，紧定柱与摄像面接触。
优点及效果：
本发明具有以下优点和有益效果：
本发明有效节约系统能耗，降低设备生产制造成本，同时增加系统的稳定性、适用性；具备节能环保的作用。
本发明的自清洁方法通过感应取电从输电线路中获取电源，只要输电线路有电流(30A～800A)通过，就能保证装置拥有稳定的电源。感应电源一部分满足系统的运行所需，另外一部分储存在电池或者超级电容中。
附图说明：
图1是本发明装置连接示意图。
图2是图像监测系统镜头的实际内部构造示意图。
图3是图像监测系统镜头的左视图；
图4摄像固定筒的部分剖视图；
图5是摄像固定同的截面图；
图6是镜片表面示意图；
图7是本发明AI识别判断流程示意图；
图8是ResNet残差块。
附图标记说明：
1.外壳；2.镜片；3.摄像；4.磁芯；5.感应铜丝；6.输电导线；7.导热垫；8.电源存储模块；9.控制模块；10.丝印导电银浆；11.电源线；12.摄像固定筒；13.旋进螺栓；14.紧定柱；15.凸起条；16.筒体；17.摄像导线预留口。
具体实施方式：
下面结合附图对本发明做进一步的说明：
本发明自清洁装置的电源靠输电线路感应取电获得，不需外设电源，只要感应取电以及储能供给自清洁装置所需电源。现有的输电线路图像监测设备，一般采用太阳能供电，受气候限制，其在冬季阴雨下雪天气供电困难，仅靠设备的储备电源给摄像镜头加热，无法保证系统长时间工作。受线路环境的影响，感应取电获取的电源弥足珍贵，如何能够做到既节约能源有能有效除冰，是本发明的关键。
本装置通过温湿度传感器和AI识别镜头判断镜头是否结冰，以确定是否需要加热，即做到节约电源也满足系统实时监控预警的需要。
本发明含有环境温湿度传感模块，当气温接近或低于0度，环境空气湿度满足结冰条件时，根据系统电源条件，确定镜头清洁方法。当线路电流特别大，感应取电盈余，控制感应取电效率，将多余的感应电通过感应线圈给整个装置(含镜头)加热，以达到镜头除冰的效果；当线路电流足够，感应取电足够，结合镜头的AI人工智能判断，应用感应电源通过丝网印刷银浆的给玻璃镜头加热；
当线路电流较小，感应取电仅满足系统的运行所需，结合镜头的AI人工智能判断，应用储存电源通过丝网印刷银浆的给玻璃镜头加热；
系统含有待AI人工智能的摄像头，摄像所获照片，在装置端做AI人工智能判断，确定有镜头结冰积雪即启动加热程序，冰雪融化即降低加热功率或者停止加热。
如图7所示，输电线路图像监测系统镜头的自清洁方法，该方法具体步骤包括：
步骤一：根据温度判断是否需要进行镜头监测；判断温度设为小于等于0℃。
步骤二：在需要进行镜头监测时启用AI识别实时图像中镜头状态，判断是否结冰。
步骤二中采用迁移学习作为样本训练学习方案，得到图像分类算法模型；然后基于图像分类算法模型判断实时图像是否结冰。
步骤二中的AI判断结冰的具体步骤包括：
(1)按照三种情况分别收集训练样本图片；
(2)对收集的训练样本图片在Inception V3的基础上与ResNet的残差结构结合进行卷积神经网络框架进行训练，得到分类算法模型；
分类算法模型具体为：
最后的输出单元需要Softmax函数进行多分类数值处理，公式如下：
其中，Vi是分类器前级输出单元的输出；i表示类别索引，总的类别个数为C，C选择3；Si表示的是当前元素的指数与所有元素指数和的比值，比值最大的Si则表示对图片判为类别索引i。
(3)将实时图像带入分类算法模型，判断是否结冰。
步骤三：根据判断结果分情况进行处理。
本发明使用深度卷积神经网络Inception V3对大量样本图像进行训练，得到一个图像分类算法模型。然后基于它判断新的图像是否结冰，等级分类为：无结冰、局部结冰、严重结冰。
卷积神经网络(CNN)是基于人工神经网络的深度机器学习方法，已经广泛应用于图像分类、识别等计算机视觉领域，并取得很好的效果。相比传统机器学习方法，如SVM等，CNN能采用深层网络结构建立更复杂的模型来模拟真实世界的同时，还能保持良好的泛化能力。
经典CNN有Alexnet、VGG、ResNet等。在本发明采用Google推出的Inception V3网络结构。Inception V3是Inception第三代版本，该版本在前面二代基础上进一步优化，引入Factorization into small convolutions思想，将较大二维卷积拆成两个较小一维卷积，从而节约大量参数，加速运算，减轻过拟合，增加一层非线性，扩展模型表达能力。同时，非对称卷积结构拆分，比对称拆分相同小卷积核效果更明显，能处理更多、更丰富空间特征，并增加特征多样性。使用Batch Normalization(BN)增大了学习率，提高了训练速度。并且借鉴VGG网络将5×5卷积使用两个3×3卷积代替，在保证感受野相同的前提下减少参数量。
如图8所示，在Inception v3的基础上与ResNet的残差结构结合，从而达到加速收敛效果，解决了网络变得越来越深时训练的准确率会趋于平缓，训练误差会变大的问题。主要实现方式，采用残差快为了恒等函数进行等效传递，先使用了线性的1×1卷积对齐维度，再增加shortcut结构。直接在后面几层使得：F(x)＝x；x表示输入，F(x)表示残差块在第二层激活函数之前的输出。
对于输出函数变为了H(x)，并且H(x)＝F(x)+x
此时，为了使得进行恒等变换，只用使F(x)足够小就可以了，此时，输出也就近似变成了H(x)＝x。
综上，Inception V3是实现本项目图像分类的理想卷积神经网络结构。
由于深度学习是基于大数据来驱动的，需要大量的样本数据，为了降低成本，采用迁移学习作为样本训练学习方案，即基于公开图像数据集ImageNet预训练的模型，来训练输电线路环境的样本数据。
首先，收集训练样本图片的准备工作，从生产环境现场收集了3000张输电线路的图片，其中无结冰、局部结冰、严重结冰各1000张，分别存在三个对应文件目录。具体来讲，无结冰的定义是几乎看不到结冰，内容都看得比较清楚；局部结冰的定义是图片周围局部模糊被遮挡，结冰严重的定义是图片整个画面模糊或者被遮挡。
对收集好的样本图片使用TensorFlow+Inception V3卷积神经网络框架进行训练，得到权值模型，开始加载预先针对公开数据集ImageNet上数百万张图片训练好的权值模型。为了提升训练样本数据量以及多样性、提高模型的对于真实世界的泛化性、稳定性和鲁棒性。训练数据之前，对收集的样本图片做了离线数据增强，直接对样本图片进行处理模糊、裁剪、旋转、缩放、噪声、mixup等不同程度的数据增强扩充，尤其是对雨雪天气做了特殊处理，大大丰富了结冰天气背景环境的样本多样性。
进行训练之前，对收集的训练样本图片进行处理模糊、裁剪、旋转、缩放、噪声、mixup不同程度的数据增强扩充。
增强处理的说明：
模糊：采用的是高斯模糊，一种图像模糊滤波器，它用正态分布计算图像中每个像素的变换。N维空间正态分布方程为：
r是模糊半径，σ是正态分布的标准偏差，N是滤波器图像的维数。
裁剪：主要对图片进行一定比例的随机水平和纵向裁剪。
旋转：对图片任意角度的随机旋转。
缩放：对图片不同尺度的随机缩放。
噪声：主要有高斯噪声和Coarse Dropout噪声(面积大小可选定、位置随机的矩形区域上丢弃像素产生黑色矩形块)
mixup：Facebook人工智能研究院和MIT在“Beyond Empirical RiskMinimization”中提出的基于邻域风险最小化原则的数据增强方法，它使用线性插值得到新样本数据。令(xn,yn)是插值生成的新数据，(xi,yi)和(xj,yj)是训练集随机选取的两个数据，则数据生成方式如下：
(xn,yn)＝λ(xi,yi)+(1-λ)(xj,yj)
通过对生产环境收集的3000张图片进行数据增强，最终总的数据样本量为6000张图片。
最后使用增强处理后得到的样本图片集来训练后面几层的参数，并将分类数目生成3类，其中0代表无结冰类，1代表中局部结冰类，2则代表严重结冰类，经过50000次迭代训练得到分类算法模型。测试的实际效果大幅度改善了结冰情况分类的精准性，降低了误检率。
最后，用以上获得的模型对未知图像进行判断是否有结冰，并区分雾的浓度等级：无结冰、局部结冰、严重结冰。经过测试，其对新图片进行分类的准确度达到97％以上。经该实验结果如下表所示：
表1识别图像的准确率数据表
图像分类模型的应用，首先系统判断当气温接近或低于0度，环境空气湿度满足结冰条件时，才启用AI图像识别判断，根据设备定时拍照上传机制(后台设置，如：间隔30m)，图片分类模型对上传的图片识别进行结冰情况分类，如：无结冰、局部结冰、严重结冰3个等级，再根据不同等级判断是否需要进行加热，以及执行相应的加热时长，如：无结冰不需要加热；局部结冰加热10s；严重结冰加热30s。当加热执行完后，再重新拍照识别判断有无结冰，直到识别为无结冰现象为止，最多重复多次依然有识别为结冰现象，则告警给人工查看处理。如图7所示。
其中，判断结冰情况后根据结冰程度进行不同的处理；
无结冰时，不需要进行镜头加热，加热时间设置为0秒；
局部结冰时，需要进行镜头加热，加热时间设置为10秒；
严重结冰时，需要进行镜头加热，加热时间设置为30秒。
在连续重复三次局部结冰或者严重结冰处理后仍然存在局部结冰或者严重结冰的问题，通过控制模块报警人工处理。
如图1所示，本发明输电线路图像监测系统内部设有控制模块，控制模块与设置在输电线路图像监测系统镜头装置外侧的环境温湿度传感器连接，环境温湿度传感器将温湿度数据实时传送给位于输电线路图像监测系统镜头内部的控制模块，控制模块与摄像通过数据线连接，将实时照片输送到控制模块中，通过控制模块进行处理，判断是否需要除雪，控制模块与感应取电连接供电，控制模块通过自清洁装置控制镜头加热除冰雪。
为解决摄像头表面冰雪覆盖物的问题，通过控制模块，当溫度传感器检测到外界温度低于0℃时，启动加热元件，从而达到加热除冰的目的。本发明采用的是通过丝网印刷的方式将专用的导电银浆印刷到摄像头的钢化玻璃的缝隙间，通电后便可实现加热功能。
如图2、图3所示，输电线路图像监测系统镜头的自清洁装置，输电导线6上套有磁芯4，磁芯4上缠绕有若干匝的感应铜丝5，感应铜丝5通过电源存储模块8与摄像3连接，控制模块9控制电源存储模块8；控制模块9就是控制模块；摄像3固定在外壳1内侧，摄像3的镜片2通过外壳1上设置的镜片通孔与外界连通；感应铜丝5通过导热垫7与设置有镜头通孔一侧的外壳1连接。
如图2所示，外壳1为中空的圆柱状，外壳1中空通道用于输电导线6穿过，外壳1的一侧圆形侧面上设有通孔，镜片2在外壳内部紧贴通孔，用于摄像采集图片。
感应取电的感应铜丝5与输电导线连接获取电源，感应取电装置对控制模块9、固定在外壳1外面到的温湿度传感器、摄像3和丝印导电银浆10进行供电。控制模块9与摄像3连接，温湿度传感器将温度、湿度数据传输至控制模块9，摄像3将样本图片和实时图片传送给控制模块9，丝印导电银浆10安装在拍照装置的镜片2上。
如图6所示，镜片2上设有丝印导电银浆10，丝印导电银浆10的两端分别与电源线11连接，电源线11与电源存储模块8连接。丝印导电银浆10是透明的薄层，并不会影响摄像3拍摄照片。
电源线11与电源存储模块8连接，通过控制模块9控制电源存储模块8的输电进行控制，感应铜丝5与电源存储模块8连接，将电存储在电源存储模块8中。
如图4、图5所示，摄像3通过摄像固定筒12与外壳1固定，摄像固定筒12的筒体16内部周向固定有若干个凸起条15，筒体16一侧与外壳1固定，筒体16另一侧设有旋进螺栓13，旋进螺栓13一端与筒体16螺纹连接，旋进螺栓13的另一端与紧定柱14连接，紧定柱14与摄像3面接触。
如图2所示，摄像固定筒12通过角铁与外壳1的上内壁固定，角铁两直角边各设有螺钉孔，通过螺钉固定。
旋进螺栓13的外端设有螺栓头，旋进螺栓13的内端设有紧定柱14，紧定柱14与摄像的内侧紧密接触，将摄像3紧定在外壳1上；由于整个设备仅是与输电导线6套设在一起，由于输电导线6会由于风或者其他原因晃动，为了保证拍摄的图片清晰，需要放置摄像3相对于装置晃动，保证图片的清晰度，有利于识别图像信息，因此，需要将摄像3进一步固定。
凸起条15凸起部分设有粗糙折线纹路，与摄像侧面紧密接触，保证摄像不转动或者在筒体内晃动，摄像朝内一侧通过紧定柱14将其与外壳1上的与摄像的镜片2紧密贴合，进一步保证摄像的固定。
紧定柱14中间的圆孔与旋进螺栓13螺纹连接，紧定柱14侧面周向设有软干个L型紧定条，保证摄像后端稳定。
凸起条15与筒体16的内壁固定，最优设置三个以上凸起条，保证摄像3的周向稳定。
在筒体16的圆形侧面还设有摄像导线预留口17，用于安装摄像3的连接导线或者电源线。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.输电线路图像监测系统镜头的自清洁方法，其特征在于：该方法具体步骤包括：
步骤一：根据温度判断是否需要进行镜头监测；
步骤二：在需要进行镜头监测时启用AI识别实时图像中镜头状态，判断是否结冰；
步骤三：根据判断结果分情况进行处理。
2.根据权利要求1所述的输电线路图像监测系统镜头的自清洁方法，其特征在于：判断温度设为小于等于0℃。
3.根据权利要求1所述的输电线路图像监测系统镜头的自清洁方法，其特征在于：步骤二中采用迁移学习作为样本训练学习方案，得到图像分类算法模型；然后基于图像分类算法模型判断实时图像是否结冰。
4.根据权利要求1所述的输电线路图像监测系统镜头的自清洁方法，其特征在于：步骤二中的AI判断结冰的具体步骤包括：
（1）按照三种情况分别收集训练样本图片；
（2）对收集的训练样本图片在Inception V3的基础上与ResNet的残差结构结合进行卷积神经网络框架进行训练，得到分类算法模型；
（3）将实时图像带入分类算法模型，判断是否结冰。
5.根据权利要求4所述的输电线路图像监测系统镜头的自清洁方法，其特征在于：进行训练之前，对收集的训练样本图片进行处理模糊、裁剪、旋转、缩放、噪声、mixup不同程度的数据增强扩充。
6.根据权利要求1所述的输电线路图像监测系统镜头的自清洁方法，其特征在于：判断结冰情况后根据结冰程度进行不同的处理；
无结冰时，不需要进行镜头加热，加热时间设置为0秒；
局部结冰时，需要进行镜头加热，加热时间设置为10秒；
严重结冰时，需要进行镜头加热，加热时间设置为30秒。
7.根据权利要求1或6所述的输电线路图像监测系统镜头的自清洁方法，其特征在于：在连续重复三次局部结冰或者严重结冰处理后仍然存在局部结冰或者严重结冰的问题，通过控制模块报警人工处理。
8.输电线路图像监测系统镜头的自清洁装置，其特征在于：
输电导线（6）上套有磁芯（4），磁芯（4）上缠绕有若干匝的感应铜丝（5），感应铜丝（5）通过电源存储模块（8）与摄像（3）连接，控制模块（9）控制电源存储模块（8）；
摄像（3）固定在外壳（1）内侧，摄像（3）的镜片（2）通过外壳（1）上设置的镜片通孔与外界连通；
感应铜丝（5）通过导热垫（7）与设置有镜头通孔一侧的外壳（1）连接。
9.根据权利要求1所述的输电线路图像监测系统镜头的自清洁装置，其特征在于：镜片（2）上设有丝印导电银浆（10），丝印导电银浆（10）的两端分别与电源线（11）连接，电源线（11）与电源存储模块（8）连接。
10.根据权利要求9所述的输电线路图像监测系统镜头的自清洁装置，其特征在于：摄像（3）通过摄像固定筒（12）与外壳（1）固定，摄像固定筒（12）的筒体（16）内部周向固定有若干个凸起条（15），筒体（16）一侧与外壳（1）固定，筒体（16）另一侧设有旋进螺栓（13），旋进螺栓（13）一端与筒体（16）螺纹连接，旋进螺栓（13）的另一端与紧定柱（14）连接，紧定柱（14）与摄像（3）面接触。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911212565.5A CN110996055A (zh) | 2019-12-02 | 2019-12-02 | 输电线路图像监测系统镜头的自清洁装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911212565.5A CN110996055A (zh) | 2019-12-02 | 2019-12-02 | 输电线路图像监测系统镜头的自清洁装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110996055A true CN110996055A (zh) | 2020-04-10 |
Family
ID=70089042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911212565.5A Pending CN110996055A (zh) | 2019-12-02 | 2019-12-02 | 输电线路图像监测系统镜头的自清洁装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110996055A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931598A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于人脸识别的课堂智能实时分析方法及系统 |
| CN116363090A (zh) * | 2023-03-21 | 2023-06-30 | 国网山东省电力公司莱芜供电公司 | 一种输电线路螺栓销针缺失生成方法及系统 |
| CN117031933A (zh) * | 2023-06-13 | 2023-11-10 | 河北省建筑科学研究院有限公司 | 一种零碳建筑用能源系统控制装置 |
| CN117450942A (zh) * | 2023-12-26 | 2024-01-26 | 云南远信科技有限公司 | 一种线路覆冰成像监测系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234465A (zh) * | 2013-03-20 | 2013-08-07 | 北京国网富达科技发展有限责任公司 | 一种输电线路覆冰厚度检测方法及系统 |
| CN103957346A (zh) * | 2014-04-23 | 2014-07-30 | 徐继胜 | 监控设备镜头ito加热除冰装置 |
| CN104618630A (zh) * | 2014-12-25 | 2015-05-13 | 贵州黔程天力智能科技有限公司 | 一种具有除雾功能的摄像头 |
| CN106125464A (zh) * | 2016-08-23 | 2016-11-16 | 苏州国创电子科技有限公司 | 一种镜头及应用该镜头的摄像头 |
| US20170285335A1 (en) * | 2016-04-01 | 2017-10-05 | Flir Systems, Inc. | Cold weather camera kit |
| CN109117858A (zh) * | 2017-06-26 | 2019-01-01 | 北京金风科创风电设备有限公司 | 监测风力发电机叶片结冰的方法及装置 |
| CN109828425A (zh) * | 2018-12-25 | 2019-05-31 | 闳晖实业股份有限公司 | 镜头加热模块以及使用其的镜头与摄像头 |
| CN110139010A (zh) * | 2019-03-30 | 2019-08-16 | 惠州市德赛西威汽车电子股份有限公司 | 一种具有除冰功能的摄像头及其控制方法 |
| CN110211124A (zh) * | 2019-06-17 | 2019-09-06 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
| CN110276365A (zh) * | 2018-03-16 | 2019-09-24 | 中国科学院遥感与数字地球研究所 | 一种用于sar图像海冰分类的卷积神经网络的训练方法及其分类方法 |
-
2019
- 2019-12-02 CN CN201911212565.5A patent/CN110996055A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234465A (zh) * | 2013-03-20 | 2013-08-07 | 北京国网富达科技发展有限责任公司 | 一种输电线路覆冰厚度检测方法及系统 |
| CN103957346A (zh) * | 2014-04-23 | 2014-07-30 | 徐继胜 | 监控设备镜头ito加热除冰装置 |
| CN104618630A (zh) * | 2014-12-25 | 2015-05-13 | 贵州黔程天力智能科技有限公司 | 一种具有除雾功能的摄像头 |
| US20170285335A1 (en) * | 2016-04-01 | 2017-10-05 | Flir Systems, Inc. | Cold weather camera kit |
| CN106125464A (zh) * | 2016-08-23 | 2016-11-16 | 苏州国创电子科技有限公司 | 一种镜头及应用该镜头的摄像头 |
| CN109117858A (zh) * | 2017-06-26 | 2019-01-01 | 北京金风科创风电设备有限公司 | 监测风力发电机叶片结冰的方法及装置 |
| CN110276365A (zh) * | 2018-03-16 | 2019-09-24 | 中国科学院遥感与数字地球研究所 | 一种用于sar图像海冰分类的卷积神经网络的训练方法及其分类方法 |
| CN109828425A (zh) * | 2018-12-25 | 2019-05-31 | 闳晖实业股份有限公司 | 镜头加热模块以及使用其的镜头与摄像头 |
| CN110139010A (zh) * | 2019-03-30 | 2019-08-16 | 惠州市德赛西威汽车电子股份有限公司 | 一种具有除冰功能的摄像头及其控制方法 |
| CN110211124A (zh) * | 2019-06-17 | 2019-09-06 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931598A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于人脸识别的课堂智能实时分析方法及系统 |
| CN111931598B (zh) * | 2020-07-20 | 2024-05-17 | 武汉美和易思数字科技有限公司 | 一种基于人脸识别的课堂智能实时分析方法及系统 |
| CN116363090A (zh) * | 2023-03-21 | 2023-06-30 | 国网山东省电力公司莱芜供电公司 | 一种输电线路螺栓销针缺失生成方法及系统 |
| CN116363090B (zh) * | 2023-03-21 | 2024-11-01 | 国网山东省电力公司莱芜供电公司 | 一种输电线路螺栓销针缺失生成方法及系统 |
| CN117031933A (zh) * | 2023-06-13 | 2023-11-10 | 河北省建筑科学研究院有限公司 | 一种零碳建筑用能源系统控制装置 |
| CN117031933B (zh) * | 2023-06-13 | 2024-02-13 | 河北省建筑科学研究院有限公司 | 一种零碳建筑用能源系统控制装置 |
| CN117450942A (zh) * | 2023-12-26 | 2024-01-26 | 云南远信科技有限公司 | 一种线路覆冰成像监测系统及方法 |
| CN117450942B (zh) * | 2023-12-26 | 2024-03-26 | 云南远信科技有限公司 | 一种线路覆冰成像监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110996055A (zh) | 输电线路图像监测系统镜头的自清洁装置及方法 | |
| Chakma et al. | Image-based air quality analysis using deep convolutional neural network | |
| CN109117858B (zh) | 监测风力发电机叶片结冰的方法及装置 | |
| CN110097787B (zh) | 一种基于监控航标灯的船只碰撞预警监测系统及方法 | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
| CN114299033A (zh) | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 | |
| Veena et al. | Smart street light system based on image processing | |
| CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
| Badgelwar et al. | Survey on energy efficient smart street light system | |
| CN111340843A (zh) | 基于环境自适应和小样本学习的电力场景视频检测方法 | |
| CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及系统 | |
| CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
| CN118249333A (zh) | 基于无人机的光伏板遮挡状态下超短期功率预测方法 | |
| CN104103237A (zh) | 基于多传感器数据融合的智能led显示屏系统 | |
| CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
| Wang et al. | A PM2. 5 concentration estimation method based on multi-feature combination of image patches | |
| CN103888731A (zh) | 枪机-球机混合视频监控的结构化描述装置及系统 | |
| CN104123709B (zh) | 一种基于字典选择的关键帧提取方法 | |
| CN112184566B (zh) | 一种针对附着水雾水珠去除的图像处理方法和系统 | |
| CN110782432B (zh) | 图像监拍装置自动除雾的方法 | |
| CN119579955A (zh) | 地下水质净化厂水体浑浊状态实时图像对比方法及其识别系统 | |
| CN119209369A (zh) | 一种利用无人机安装的电力线路智能除冰系统 | |
| WO2024093296A1 (zh) | 一种唤醒方法及装置 | |
| CN116863507A (zh) | 基于深度学习的行人检测的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
| RJ01 | Rejection of invention patent application after publication |