CN111027402B - 一种自然灾害风险智能检测与评估方法 - Google Patents

一种自然灾害风险智能检测与评估方法 Download PDF

Info

Publication number
CN111027402B
CN111027402B CN201911118578.6A CN201911118578A CN111027402B CN 111027402 B CN111027402 B CN 111027402B CN 201911118578 A CN201911118578 A CN 201911118578A CN 111027402 B CN111027402 B CN 111027402B
Authority
CN
China
Prior art keywords
risk
detection model
distribution network
power distribution
target detection
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
CN201911118578.6A
Other languages
English (en)
Other versions
CN111027402A (zh
Inventor
安义
刘蓓
杜敏
刘珣
陈世金
尚银辉
戚沁雅
周求宽
欧阳文华
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911118578.6A priority Critical patent/CN111027402B/zh
Publication of CN111027402A publication Critical patent/CN111027402A/zh
Application granted granted Critical
Publication of CN111027402B publication Critical patent/CN111027402B/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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明提供了一种自然灾害风险智能检测与评估方法及应用，方法包括：建立配电网杆塔通道环境遥感图像训练和验证数据集；通过建立基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型，确定目标风险区域；训练基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型，产生模型输出结果；通过建立基于Yolov3目标检测模型智能配电网杆塔通道环境多风险检测和评估方法对风险目标进行检测和评估，输出评估结果。本发明能够提高安全隐患排查的全面性与准确性。

Description

一种自然灾害风险智能检测与评估方法
技术领域
本发明涉及电力物联网领域及人工智能领域，特别是一种自然灾害风险智能检测与评估方法及应用。
背景技术
传统的配电线路风险监测，主要依靠运维人员对线路进行巡视检查，掌握线路运行状况及周围环境的变化，发现设备缺陷和危及线路安全的隐患，在相应表格上手工记录故障或缺陷数据，然后，提出具体检修意见，以便及时消除缺陷、预防事故发生或将故障限制在最小范围。这种巡检方法主要存在以下缺陷：
(1)管理漏洞：因为输配电线路地理分布较广，巡检员的到位率，同时巡检员在巡检过程中员一般都是独立作业，无法保证巡检缺乏信息提示，难以保证巡检质量，极易出现漏检、错检，甚至出现不到现场而编造巡检结果的现象。
(2)工作繁杂：巡检工作量大便。回到办公室后，工作时间长，巡检人员拿着巡线记录表在现场抄写很不方，数据需要重新录入电脑，不仅速度慢，工作量大，而且容易出错、数据不便保存、查询。
(3)数据无法被有效利用：系统所表现的信息，要么通过大量文字的形式描述，要么用表格的形式表现，且数据分析统计较差，无法直观反映线路设备的地理特征，如故障是否集中发生于某一区域，影响范围有多大等等。在利用已有信息进行评估、管理决策时，重要的信息往往会被大量、繁杂的数据所淹没。
随着人工智能技术的迅速发展，遥感图像识别技术已广泛应用于卫星发射、地址调查、城市规划与建设、抗震救灾等领域；配电网风灾、洪涝等安全隐患均与地理信息密切相关，因此，若能将遥感图像识别技术应用于配电网风灾、洪涝等自然灾害检测与评估，能有效较少人工工作量，且能提高安全隐患排查的全面性与准确性。
发明内容
有鉴于此，本发明的主要目的在于提供一种能提高检测速率与准确性的自然灾害风险智能检测与评估方法及应用。
一种自然灾害风险智能检测与评估方法，包括以下步骤：
S1：建立配电网杆塔通道环境遥感图像训练和验证数据集，包括从GIS遥感卫星系统上截取多幅含有目标的多尺度遥感图像，并对多尺度遥感图像中的目标进行类别和位置标注，得到图像样本集，N＝[I1,I2,...,IN]；
S2：通过建立基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型对步骤S1获得的遥感图像样本集提取特征数据，确定目标风险区域；
S3：通过对基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型进行训练，得到学习模型，将步骤S2中所述的特征数据输入学习模型，产生模型输出结果；
S4：通过建立基于Yolov3目标检测模型智能配电网杆塔通道环境多风险检测和评估方法对风险目标进行检测和评估，输出评估结果。
进一步地，步骤S1中所述图像样本集采用分割方式将其划分为训练样本集train和验证样本集valid；
Figure GDA0003733978250000021
进一步地，所述图像样本集中含有待检测的配电网杆塔通道环境多风险隐患，所述配电网杆塔通道环境多风险隐患包括风灾和/或汛灾。
进一步地，所述步骤S2中，通过建立基于Yolov3目标检测模型的配电网遥感图像特征提取结构模型对图像样本集提取特征数据；然后依次建立第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型，最后采用第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型依次对特征数据进行效果模拟。
进一步地，所述遥感图像特征提取结构模型采用DarkNet53特征提取网络。
进一步地，所述DarkNet53具有53个卷积层，步骤S1中共进行五次下采样，能够防止在深层次梯度消失或者爆炸。
进一步地，DarkNet53采用Leak Relu为激活函数，将特征数据进行归一化处理。
进一步地，所述S3步骤方法如下：
S31：选取darknet53.conv.74权重初始化Yolov3目标检测模型；
剥离基于Voc2007数据集上训练的darknet前53层特征权重，对Yolov3目标检测模型训练初始化，利用图像样本集继续训练模型；
S32：对基于Yolov3目标检测模型的配电网杆塔多风险检测模型进行参数设置。
进一步地，所述S4的步骤方法如下：
S41：基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测：将目标风险区域划分为若干子区域，所述子区域包括湖泊、荒地、平原或河流；
如果检测环境存在湖泊、河流，则判断配电网需要预防汛潮；如果检测环境存在荒地、平原，则判断配电网需要防风；
S42：基于Yolov3目标检测模型的配电网杆塔通道环境多风险评估，如果检测环境存在一个子区域，则判断风险是低微隐患；如果检测环境存在两个子区域，且两个子区域均位于两杆塔所在直线区域附近，则划分为中度隐患；如果检测环境中存在三个及以上子区域，则判断配电网杆塔通道环境存在高危隐患。
本发明还公开一种上述自然灾害风险智能检测与评估方法在配电网杆塔通道环境的应用。
本发明的有益效果：针对配电网杆塔通道环境的多风险检测和评估需求，没有采取传统意义上的方法。本发明基于Yolov3目标检测模型的配电网通道环境多风险目标检测方法，实现了对配电网杆塔通道环境多风险目标快速检测。相对传统的目标检测算法而言，基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型，提高了目标检测的速率和准确性，实现了对配电网杆塔通道环境的多风险检测，为预防智能配电网杆塔系统多风险提供了有效的理论保障。
附图说明
图1是本发明中配电网杆塔通道环境多风险检测技术路线框图；
图2是本发明中基于Yolov3目标检测模型的配电网杆塔多尺度目标预测模型图；
图3是本发明中配电网防风防汛多风险评估系统；
图4是本发明中DarkNet53结构图；
图5是本发明中残差模块集结构图；
图6是本发明中残差模块结构图；
图7是本发明中卷积模块结构图；
图8是本发明中第一尺度预测模型图；
图9是本发明中第二尺度预测模型图；
图10是本发明中第三尺度预测模型图；
图11是本发明中Yolov3目标检测模型图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图对本发明的具体实施例做详细说明。
如图1-3所示，一种自然灾害风险智能检测与评估方法，具体应用在配电网杆塔通道方粉防汛评估系统，该系统包括配电通道遥感图像分块集合模块和配电网杆塔通道环境多风险检测模块，方法包括以下步骤：
S1：建立配电网杆塔通道环境遥感图像训练和验证数据集；
从GIS遥感卫星系统上截取多幅含有目标的多尺度遥感图像，并对多尺度遥感图像中的目标进行类别和位置标注，得到图像样本集；
S2：通过建立基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型对步骤S1获得的遥感图像样本集提取特征数据，确定目标风险区域；
S3：通过对基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型进行训练，得到学习模型，将步骤S2中所述的特征数据输入学习模型，产生模型输出结果；
S4：通过建立基于Yolov3目标检测模型智能配电网杆塔通道环境多风险检测和评估方法对风险目标进行检测和评估，输出评估结果。
步骤S1中图像样本集采用分割方式将其划分为训练样本集train和验证样本集valid；
Figure GDA0003733978250000041
图像样本集中含有待检测的配电网杆塔通道环境多风险隐患，配电网杆塔通道环境多风险隐患至少包括风灾、汛灾。
步骤S2的方法步骤如下：通过建立基于Yolov3目标检测模型的配电网遥感图像特征提取结构模型对图像样本集提取特征数据；然后依次建立第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型，最后采用第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型依次对特征数据进行效果模拟；
具体地，选取DarkNet53作为遥感图像特征提取网络结构，对特征数据进行量化，该设置进一步实现了配电网多风险目标检测模型，以最大安全性、稳定性和经济性为前提，利用自主构建的配电网通道环境遥感图像对目标检测模型进行训练。而且采取多尺度、批量正则化方法提升Yolov3目标检测模型泛化能力。
如图4所示，Darknet DarkNet53具有53个卷积层，一共进行了五次下采样，能够防止在深层次梯度消失或者爆炸。
具体地，如图5、6所示，DarkNet53中的残差模块集效果；
如图7示，DarkNet53中的卷积模块效果；
DarkNet53采用Leak Relu为激活函数，将特征数据进行归一化处理。
S3步骤方法如下：基于DarkNet53特征提取网络依次建立第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型。效果如图8-11所示，从而构成目标检测模型。
S3步骤方法如下：
S31：选取darknet53.conv.74权重初始化Yolov3目标检测模型，其效果：
剥离基于Voc2007数据集上训练的darknet前53层特征权重对Yolov3目标检测模型训练初始化，利用图像样本集继续训练模型；
S32：对基于Yolov3的配电网杆塔多风险检测模型进行参数设置；
具体地，在config文件中对Yolov3目标检测模型中训练网络结构参数进行设置：max_batches＝20000；learning_rate＝0.001；batch＝64；burn_in＝1000；width＝416；height＝416；random＝1；filter＝(n+5)×3；
S4的步骤方法如下：
S41：基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测：
将目标风险区域划分为若干子区域，子区域包括湖泊、荒地、平原或河流；
如果检测环境存在湖泊、河流，则判断配电网需要预防汛潮；如果检测环境存在荒地、平原，则判断配电网需要防风；
S42：基于Yolov3目标检测模型的配电网杆塔通道环境多风险评估，如果检测环境存在一个子区域，则判断风险是低微隐患；如果检测环境存在两个子区域，且两个子区域均位于两杆塔所在直线区域附近，则判断为中度隐患；如果检测环境中存在三个及以上子区域，则判断配电网杆塔通道环境存在高危隐患。
本发明还公开了一种自然灾害风险智能检测与评估方法，在配电网杆塔通道环境的应用。
上述实施例仅描述现有设备最优使用方式，而运用类似的常用手段代替本实施例中的元素，均落入保护范围。

Claims (6)

1.一种自然灾害风险智能检测与评估方法，其特征在于：包括以下步骤：
S1：建立配电网杆塔通道环境遥感图像训练和验证数据集，包括从GIS遥感卫星系统上截取多幅含有目标的多尺度遥感图像，并对多尺度遥感图像中的目标进行类别和位置标注，得到图像样本集；
S2：通过建立基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型，确定目标风险区域；
S3：将步骤S1的图像样本集在基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测模型中进行训练，产生模型输出结果；
S4：通过建立基于Yolov3目标检测模型智能配电网杆塔通道环境多风险检测和评估方法对输出结果进行检测和评估，输出评估结果；
所述图像样本集中含有待检测的配电网杆塔通道环境多风险隐患，所述配电网杆塔通道环境多风险隐患包括风灾和/或汛灾；
所述步骤S2中，通过建立基于Yolov3目标检测模型的配电网遥感图像特征提取结构模型对图像样本集提取特征数据；然后依次建立第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型，最后采用第一尺度大型目标检测模型、第二尺度中型目标检测模型以及第三尺度小型目标检测模型依次对特征数据进行效果模拟；
所述S4的步骤方法如下：
S41：基于Yolov3目标检测模型的配电网杆塔通道环境多风险检测，将目标风险区域划分为若干子区域，所述子区域包括湖泊、荒地、平原或河流；
如果检测环境存在湖泊、河流，则判断配电网需要预防汛潮；如果检测环境存在荒地、平原，则判断配电网需要防风；
S42：基于Yolov3目标检测模型的配电网杆塔通道环境多风险评估，如果检测环境存在一个子区域，则判断风险是低微隐患；如果检测环境存在两个子区域，且两个子区域均位于两杆塔所在直线区域附近，则划分为中度隐患；如果检测环境中存在三个及以上子区域，则判断配电网杆塔通道环境存在高危隐患。
2.根据权利要求1所述的一种自然灾害风险智能检测与评估方法，其特征在于：步骤S1中所述图像样本集采用分割方式将其划分为训练样本集和验证样本集。
3.根据权利要求1所述的一种自然灾害风险智能检测与评估方法，其特征在于：所述遥感图像特征提取结构模型采用DarkNet53特征提取网络。
4.根据权利要求3所述的一种自然灾害风险智能检测与评估方法，其特征在于：所述DarkNet53具有53个卷积层，步骤S1中共进行五次下采样。
5.根据权利要求4所述的一种自然灾害风险智能检测与评估方法，其特征在于：DarkNet53采用Leak Relu为激活函数，将特征数据进行归一化处理。
6.根据权利要求5所述的一种自然灾害风险智能检测与评估方法，其特征在于：所述S3步骤方法如下：
S31：选取darknet53.conv.74权重初始化Yolov3目标检测模型，剥离基于Voc2007数据集上训练的darknet前53层特征权重，对Yolov3目标检测模型训练初始化，利用图像样本集继续训练模型；
S32：对基于Yolov3目标检测模型的配电网杆塔多风险检测模型进行参数设置。
CN201911118578.6A 2019-11-15 2019-11-15 一种自然灾害风险智能检测与评估方法 Active CN111027402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911118578.6A CN111027402B (zh) 2019-11-15 2019-11-15 一种自然灾害风险智能检测与评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911118578.6A CN111027402B (zh) 2019-11-15 2019-11-15 一种自然灾害风险智能检测与评估方法

Publications (2)

Publication Number Publication Date
CN111027402A CN111027402A (zh) 2020-04-17
CN111027402B true CN111027402B (zh) 2022-09-02

Family

ID=70200236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911118578.6A Active CN111027402B (zh) 2019-11-15 2019-11-15 一种自然灾害风险智能检测与评估方法

Country Status (1)

Country Link
CN (1) CN111027402B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867110A (zh) * 2012-08-22 2013-01-09 广东电网公司电力科学研究院 一种输电线路杆塔基础边坡暴雨灾害风险评估方法
CN103455708A (zh) * 2013-07-24 2013-12-18 安徽省电力科学研究院 基于卫星及气象信息的输电线路灾害监测与风险评估平台
CN106952049A (zh) * 2017-03-27 2017-07-14 国网山东省电力公司夏津县供电公司 输电线路的状态评估方法及装置
CN108597053A (zh) * 2018-04-25 2018-09-28 北京御航智能科技有限公司 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法
CN109902948A (zh) * 2019-02-21 2019-06-18 国网山东省电力公司临沂供电公司 一种基于大数据的输电线路监测系统及方法
CN109977921A (zh) * 2019-04-11 2019-07-05 广东电网有限责任公司 一种输电线路隐患检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930348B (zh) * 2012-10-19 2015-11-18 广东电网公司电力科学研究院 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法
CN108074021A (zh) * 2016-11-10 2018-05-25 中国电力科学研究院 一种配电网风险辨识系统及方法
CN107239857A (zh) * 2017-05-31 2017-10-10 武汉大学 基于ls_svm和pca的架空输电线路风险评估方法
CN108805462A (zh) * 2018-06-22 2018-11-13 国网北京市电力公司 配网风险预警的方法及装置、存储介质、处理器
CN109785289B (zh) * 2018-12-18 2021-07-20 中国科学院深圳先进技术研究院 一种输电线路缺陷检测方法、系统及电子设备
CN110009186A (zh) * 2019-02-19 2019-07-12 国网江西省电力有限公司电力科学研究院 配电台区顶层油温预测方法及装置
CN110245644A (zh) * 2019-06-22 2019-09-17 福州大学 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867110A (zh) * 2012-08-22 2013-01-09 广东电网公司电力科学研究院 一种输电线路杆塔基础边坡暴雨灾害风险评估方法
CN103455708A (zh) * 2013-07-24 2013-12-18 安徽省电力科学研究院 基于卫星及气象信息的输电线路灾害监测与风险评估平台
CN106952049A (zh) * 2017-03-27 2017-07-14 国网山东省电力公司夏津县供电公司 输电线路的状态评估方法及装置
CN108597053A (zh) * 2018-04-25 2018-09-28 北京御航智能科技有限公司 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法
CN109902948A (zh) * 2019-02-21 2019-06-18 国网山东省电力公司临沂供电公司 一种基于大数据的输电线路监测系统及方法
CN109977921A (zh) * 2019-04-11 2019-07-05 广东电网有限责任公司 一种输电线路隐患检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Machine Learning Approach to Detect Faults in Anchor Rods of Power Transmission Lines;Douglas Contente Pimentel Barbosa等;《IEEE Antennas and Wireless Propagation Letters》;20190730;第18卷(第11期);第2335-2339页 *
基于大数据的电网覆冰灾害预测与风险管理研究;马天男;《中国博士学位论文全文数据库 工程科技II辑》;20171231;第C042-153页 *
湖南电网架空输电线路涉鸟故障风险分析;巢亚锋等;《高压电器》;20190531;第55卷(第5期);第113-118页 *
配电网线路设备状态综合评估方法的研究;方志杰;《全国电力系统配电技术协作网第二届年会论文集》;20110318;第464-468页 *

Also Published As

Publication number Publication date
CN111027402A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
Wang et al. Hyper-resolution monitoring of urban flooding with social media and crowdsourcing data
CN114118677A (zh) 基于物联网的尾矿库风险监测预警系统
KR100748528B1 (ko) 무선통신과 웹-지아이에스를 이용한 재해피해조사 실시간자동화 업데이트 시스템 및 그 운영방법
RU2680652C2 (ru) Способ комплексного мониторинга природной среды
CN112861732B (zh) 一种生态环境脆弱区土地监测方法、系统及装置
Tarbotton et al. GIS-based techniques for assessing the vulnerability of buildings to tsunami: current approaches and future steps
US20230177816A1 (en) Hierarchical context in risk assessment using machine learning
CN114255250A (zh) 基于深度学习的河防工程边坡坍塌检测方法
CN111125290B (zh) 一种基于河长制的智能巡河方法、装置及存储介质
Smardon et al. Assessing the reliability, validity and generalizability of observer-based visual impact assessment methods for the Western United States
CN114413854B (zh) 一种基于倾斜摄影的实景三维图像核验系统
CN111966746A (zh) 一种气象防灾减灾流程监控系统及其监控方法
CN111027402B (zh) 一种自然灾害风险智能检测与评估方法
KR102602439B1 (ko) 인공지능 기반 cctv 촬영 이미지 정보를 이용한 이안류 탐지 방법 및 그 장치
CN111178756A (zh) 一种基于环境大数据的多元线性回归火灾风险评估方法
Ghimire et al. Application of 1D and 2D numerical models for assessing and visualizing effectiveness of natural flood management (NFM) measures
Sullivan et al. Electric transmission visibility and visual contrast threshold distances in western landscapes
CN111950343A (zh) 一种基于卫星遥感技术的输电杆塔自动识别方法和系统
Becker et al. Toward regional hazard risk assessment: a method to geospatially inventory critical coastal infrastructure applied to the Caribbean
CN113569956A (zh) 一种基于ai算法的山火灾害勘查识别方法
Dall'Osso et al. 'Reducing the loss': Using high-resolution vulnerability assessments to enhance tsunami risk reduction strategies
Kaoje Application of Geographical Information System Techniques in Urban Flood Risk Assessment and Vulnerability Mapping. A Case Study of Cardiff, Wales
Freire et al. Extraction of buildings from QuickBird imagery for municipal use–the relevance of urban context and heterogeneity
Maguelva et al. TOWARDS A 3D WEB TOOL FOR VISUALIZATION AND SIMULATION OF URBAN FLOODING: THE CASE OF METROPOLITAN CITIES IN CAMEROON
CN115272898A (zh) 基于管网无人机巡检视频的识别方法、装置、介质和设备

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