CN111027565A - 一种光学视觉语义提取的输变电设备报告内容生成方法 - Google Patents
一种光学视觉语义提取的输变电设备报告内容生成方法 Download PDFInfo
- Publication number
- CN111027565A CN111027565A CN201911237583.9A CN201911237583A CN111027565A CN 111027565 A CN111027565 A CN 111027565A CN 201911237583 A CN201911237583 A CN 201911237583A CN 111027565 A CN111027565 A CN 111027565A
- Authority
- CN
- China
- Prior art keywords
- equipment
- image
- state
- name
- optical visual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003287 optical effect Effects 0.000 title claims abstract description 20
- 230000005540 biological transmission Effects 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 title claims abstract description 11
- 230000009466 transformation Effects 0.000 title claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000003331 infrared imaging Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种光学视觉语义提取的输变电设备报告内容生成方法。本发明方法首先对设备的图像数据、红外数据进行记录并进行图像标注，然后经过预处理生成设备状态图像库，通过深度学习技术对图像数据构建设备分类器；针对多种设备的不同状态分别构建多个设备状态分类器。在实际巡检过程中，首先对电力设备进行拍照及红外成像，通过光学视觉信息获取原始图像，通过预处理技术提取单个设备的特征图像，通过分类器进行设备和状态的标识，最后结合天气、温度等其他非结构化信息生成输变电设备状态检测报告。本发明提升了运维准确率、运维规范化以及运维工作效率。
Description
技术领域
本发明属与电力系统及图像处理技术领域，尤其涉及一种光学视觉语义提取的输变电设备报告内容生成方法。
背景技术
随着电网规模的不断扩大，电网运行的安全稳定性问题收到了广泛关注，由于传统的巡检方法主要依靠基层巡检人员的巡视，对于状态判定的方法依赖经验，造成巡检的准确率有限，同时随着巡检线路的增长，巡检的工作效率有待进一步提高。
目前巡检的一般方式为人工观察、记录运行与缺陷数据、撰写运检报告这三个过程，每一个过程均由巡检人员手动操作完成，容易造成状态评估失误及巡视项目确实的现象。由于这种方式为电网安全稳定造成安全隐患，因此迫切需要一种自动生成输变电设备实验报告生成技术来提高输变电设备实验报告的准确率。
红外热成像因具有非接触、远距离、被动检测等诸多优点，已经成为电力部门进行电器状态检测的重要手段。由于红外故障检测中，电气故障区域通常会出现高温、高热特性，一般的处理方法为运维人员根据热成像图像辨别故障区域，这种通过对非结构化的图片数据进行人工分析的方法，容易受个人经验影响，容易出现误检和漏检。因此需要对非结构化数据进行准确有效的自动分析，转化为结构化数据，及时发现运行环境的异常，包括局部发热、外观缺陷、局部放电等，并自动生成报告，提升对电网运行安全及智能化。
发明内容
本发明针对现有技术中存在的问题，提出了一种光学视觉语义提取的输变电设备报告内容生成方法。
本发明采用的技术方案为一种光学视觉语义提取的输变电设备报告内容生成方法，具体包括以下步骤：
步骤1：采集电力设备图像并进行设备名称和设备状态的标记，对设备图像进行预处理，对预处理后图像进行批量处理得到训练样本，训练Faster-RCNN网络作为设备类型分类器并建立语义映射，再对不同设备分别训练多个Faster-RCNN网络对设备状态进行辨识并建立语义映射，构建光学视觉语义设备状态标签生成器；
步骤1.1：通过红外采集设备采集电力设备的红外图像信息并进行设备名称和设备状态的标记。
步骤1.2：对设备图像进行预处理，得到训练样本；
步骤1.3：对预处理后图像进行分类模型训练，并建立分类器输出到设备名称的语义映射；
步骤1.4：分别训练多个Faster-RCNN网络对设备状态进行状态辨识并建立语义映射；
步骤1.5：构建基于光学视觉语义提取的设备状态标签生成器；
步骤2：将红外热像仪采集的设备红外图像输入到构建的光学视觉语义设备状态标签生成器中，可以得到设备名称及设备状态；
步骤2.1：通过红外采集设备对待测设备进行图像采集；
步骤2.2：将待测设备图像输入到构建的光学视觉语义设备状态标签生成器中，生成设备名称和设备状态。
步骤2.3，将设备名称和设备状态上传至云端服务器中。
步骤3：通过温湿度记录仪采集环境温度、空气湿度，经纬度并上传至云端，通过天气查询接口获得当地天气实况信息，结合待测设备的设备名称、待测设备的设备状态生成检测报告；
步骤3.1：使用含GPS定位功能的温湿度记录仪，将经纬度，环境温度、空气湿度上传至云端，并通过天气查询接口获得当地天气实况信息，上传至云端服务器；
步骤3.2：云端服务器将所生成的环境温度，空气湿度，经纬度、待测设备的设备名称、待测设备的设备状态进行解析，存入云端数据库中生成运检数据；
步骤3.3：导出数据库对应内容，在云端服务器通过程序填充至word模板内，可生成检测结果报告。
本发明的有益效果是：
提升了运维准确率和规范化，通过红外热成像自动辨识图像设备名称，故障区域及故障程度，避免了因为人的主观因素导致的误检漏检。
提升了运维工作效率，通过规范化运维流程，使得系统可以实现从设备图像到检测报告的即时生成，减轻了运维人员的负担。
方法适用性强便于推广，其设备特征库和状态库可进行扩展和迭代。
附图说明
图1：是本发明方法流程图；
图2：是光学视觉语义状态标签生成器构建方式；
图3：是检测报告生成流程；
图4：是检测报告示例。
具体实施方式
为了使本发明专利的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明专利进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明专利，并不用于限定本发明专利。此外，下面所描述的本发明专利各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面结合图1至图4介绍本发明的具体实施方式为一种光学视觉语义提取的输变电设备报告内容生成方法，具体如下：
步骤1：采集电力设备图像并进行设备名称和设备状态的标记，训练Faster-RCNN网络作为设备类型分类器并建立语义映射，再对不同设备分别训练多个Faster-RCNN网络对设备状态进行状态辨识并建立语义映射，构建光学视觉语义设备状态标签生成器；
步骤1.1，使用红外热像仪，型号为海康威视H36手持测温热像仪，采集运行过程中的电力设备图像，电力设备包括变压器、断路器、隔离开关、电容器、电压互感器、电流互感器等，并进行设备名称和状态的标记。
步骤1.2，对设备图像进行预处理，具体为：
步骤1.2.1，对图像进行滤波去噪；
由于红外图像形成时的外界条件不一，图像普遍存在对比度较差、边缘模糊的缺点，会影响目标的识别效果，因此需要对红外图像进行滤波处理，以降低噪声。现有的滤波方法有邻域平均滤波、中值滤波、高斯滤波等，由于中值滤波对脉冲干扰和椒盐噪声的抑制效果好，并且能够保留图像边沿，因此采用中值滤波的方法进行去噪。
对于窗口中心像素的灰度g(x,y)，有：
g(x，y)＝median{f(m，n)}，(m，n)∈s
其中s是(x,y)点邻域中点的集合，不包括(x,y)点。f(m,n)是点(m,n)的灰度值。
步骤1.2.2，对滤波去噪后图像进行图像增强；
由于图像滤波后会带来边缘模糊的问题，影响图像提取，因此需要对目标边缘进行增强，常用的增强方法有微分方法、Butterworth高通滤波、高低帽变换方法等，考虑到增强效果，采用微分方法进行图像轮廓增强。
g(x,y)为处理后的图像灰度，f(x,y)为当前(x,y)像素点灰度值。通过微分方法能够保留突变点，增强图像对比度，凸显图像细节。
步骤1.2.3，对增强后图像进行图像分割；
对图像进行分割可以去除无关信息，提取到图中的目标，常用的图像分割方法有阈值分割法、数学形态学处理法等，考虑到对电力设备的照片通常背景为天空，背景与目标具有较强的对比度，采用阈值法进行分割。所有灰度大于阈值的像素将其保留，小于阈值的像素将灰度值设置为0。
步骤1.2.4对各图像依次进行步骤1.2.1-1.2.3处理，并进行状态和设备名称的标记，可得到样本。
步骤1.3，对1.2所得样本进行分类模型训练，建立设备名称的语义映射。
步骤1.3.1，训练设备分类器；
使用Faster-RCNN(Faster Region-based Convolutional Neural Network)算法进行图像分类，通过步骤1.2可得到样本集，以设备标签作为分类目标；
网络输入为步骤1.2处理后的样本集图像，输出为各设备种类编号，以80％数据为训练集，20％数据为测试集，进行训练和测试，并以测试样本的准确率提高为导向，进行网络结构调整；
步骤1.3.2，建立设备名称的语义映射；
建立设备种类编号到设备名称的映射关系，当Faster-RCNN输出对应设备种类编号时，可导出相应的设备名称；
例如：{输出1：变压器，输出2：断路器，输出3：隔离开关，输出4：电容器，输出5：电压互感器，输出6：电流互感器}；
步骤1.4，分别训练多个Faster-RCNN网络对设备状态进行状态辨识；
根据步骤1.2得到的训练数据集，包含设备A，B，C…的状态1，2，3...等，以变压器作为设备A为例，详述状态辨识器构建过程。
步骤1.4.1，选取设备A，以设备A的各状态图像为输入，使用Faster-RCNN构建状态辨识器，输出当前设备所处状态编号，以80％数据为训练集，20％数据为测试集，进行训练和测试，并以测试准确率提高为导向，进行网络结构调整。
步骤1.4.2，建立设备编号到设备状态的语义映射，以变压器为例，其状态映射为：
{输出1：高压套管外部接头故障，输出2：高压套管内部接头故障，输出3：高压套管缺油故障，输出4：变压器冷却装置及油路故障，输出5：变压器涡流损耗发热，输出6：变压器内部异常发热，输出7：正常运行}
步骤1.5将构建的设备-状态分类器按照图2进行串联，即可构建光学视觉语义设备状态标签生成器。
步骤2：将红外热像仪，型号为海康威视H36手持测温热像仪，采集的设备红外图像输入到步骤1构建的光学视觉语义设备状态标签生成器中，可以得到设备名称及设备状态，将数据上传至云端服务器。
步骤2.1，巡检人员利用红外热像仪对待检设备进行图像采集。
步骤2.2，将待检设备图像信息输入光学视觉语义设备状态标签生成器中，得到待测设备的设备名称和待测设备的设备状态。
步骤2.3，将设备名称和设备状态上传至云端服务器中，例如以json格式传输设备名称及状态：{“设备名称”:”变压器”,”设备状态”:”高压套管外部接头故障”}。
步骤3：通过温湿度记录仪采集环境温度、空气湿度，经纬度并上传至云端，通过天气查询接口获得当地天气实况信息，结合待测设备的设备名称、待测设备的设备状态生成检测报告，如图3所示。
步骤3.1使用含GPS定位功能的温湿度记录仪，型号为GP200-ETH，将经纬度、环境温度、空气湿度数据上传至云端服务器，并通过天气查询接口获得当地天气实况信息，获取返回的天气信息。所述天气查询接口为：http://aliv8.data.moji.com/whapi/json/aliweather/condition)
步骤3.2，云端服务器将所生成的环境温度，空气湿度，经纬度数据进行解析，并对步骤2.3生成待测设备的设备名称和待测设备的设备状态进行解析，存入云端数据库中生成运检数据,其数据字段的说明如表1所示。
表1：字段说明表
| 字段名称 | 类型 | 可否为空 | 备注 |
| Id | int(11) | 否 | 索引 |
| 仪器编号 | varchar(255) | 是 | 巡检仪器编号 |
| 测试人员 | varchar(255) | 是 | 巡检人员姓名 |
| 日期 | date | 是 | 巡检日期 |
| 时间 | time | 是 | 检测时间 |
| 经度 | varchar(255) | 是 | 巡检地址的经度 |
| 纬度 | varchar(255) | 是 | 巡检地址的纬度 |
| 温度 | tinyint(3) | 是 | 环境温度 |
| 湿度 | tinyint(3) | 是 | 环境湿度 |
| 检测对象 | varchar(255) | 是 | 语义映射后的检测对象 |
| 检测结果 | varchar(255) | 是 | 语义映射后的检测状态 |
步骤3.3，导出数据库对应内容，在云端服务器通过程序填充至word模板内(例如python的文档操作：https://python-docx.readthedocs.io/en/latest/index.html)，可生成检测结果报告，如图4所示为一种模板样例。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种光学视觉语义提取的输变电设备报告内容生成方法，其特征在于，包括以下步骤：
步骤1：通过红外采集设备采集电力设备的红外图像信息并进行设备名称和设备状态的标记；对设备图像进行预处理，得到训练样本；对预处理后图像进行分类模型训练，并建立分类器输出到设备名称的语义映射；分别训练多个Faster-RCNN网络对设备状态进行状态辨识并建立语义映射；构建基于光学视觉语义提取的设备状态标签生成器；
步骤2：通过红外采集设备对待测设备进行图像采集；将待测设备图像输入到构建的光学视觉语义设备状态标签生成器中，生成设备名称和设备状态；将设备名称和设备状态上传至云端服务器中；
步骤3：使用含GPS定位功能的温湿度记录仪，将经纬度，环境温度、空气湿度上传至云端，并通过天气查询接口获得当地天气实况信息，上传至云端服务器；云端服务器将所生成的环境温度，空气湿度，经纬度、待测设备的设备名称、待测设备的设备状态进行解析，存入云端数据库中生成运检数据；导出数据库对应内容，在云端服务器通过程序填充至word模板内，可生成检测结果报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237583.9A CN111027565A (zh) | 2019-12-05 | 2019-12-05 | 一种光学视觉语义提取的输变电设备报告内容生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237583.9A CN111027565A (zh) | 2019-12-05 | 2019-12-05 | 一种光学视觉语义提取的输变电设备报告内容生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111027565A true CN111027565A (zh) | 2020-04-17 |
Family
ID=70207329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911237583.9A Pending CN111027565A (zh) | 2019-12-05 | 2019-12-05 | 一种光学视觉语义提取的输变电设备报告内容生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027565A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183303A (zh) * | 2020-09-24 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 变电设备图像分类方法、装置、计算机设备和介质 |
| CN112733957A (zh) * | 2021-01-21 | 2021-04-30 | 广东电网有限责任公司 | 变电站保护压板状态核查方法、装置、设备及存储介质 |
| CN113344087A (zh) * | 2021-06-16 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种建立样本集的方法及计算设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102891443A (zh) * | 2011-07-21 | 2013-01-23 | 吉林省电力有限公司长春供电公司 | 输变电设备红外检测应用管理系统 |
| CN107944454A (zh) * | 2017-11-08 | 2018-04-20 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种针对变电站的基于机器学习的语义标注方法 |
| CN109357766A (zh) * | 2018-09-26 | 2019-02-19 | 国网福建省电力有限公司 | 基于红外测温的变电设备缺陷检测方法与缺陷检测系统 |
| CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
-
2019
- 2019-12-05 CN CN201911237583.9A patent/CN111027565A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102891443A (zh) * | 2011-07-21 | 2013-01-23 | 吉林省电力有限公司长春供电公司 | 输变电设备红外检测应用管理系统 |
| CN107944454A (zh) * | 2017-11-08 | 2018-04-20 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种针对变电站的基于机器学习的语义标注方法 |
| CN109357766A (zh) * | 2018-09-26 | 2019-02-19 | 国网福建省电力有限公司 | 基于红外测温的变电设备缺陷检测方法与缺陷检测系统 |
| CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183303A (zh) * | 2020-09-24 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 变电设备图像分类方法、装置、计算机设备和介质 |
| CN112733957A (zh) * | 2021-01-21 | 2021-04-30 | 广东电网有限责任公司 | 变电站保护压板状态核查方法、装置、设备及存储介质 |
| CN113344087A (zh) * | 2021-06-16 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种建立样本集的方法及计算设备 |
| CN113344087B (zh) * | 2021-06-16 | 2023-06-23 | 安徽容知日新科技股份有限公司 | 一种建立样本集的方法及计算设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN111949809B (zh) | 一种输电线路红外巡检数据智能处理方法 | |
| CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN111027565A (zh) | 一种光学视觉语义提取的输变电设备报告内容生成方法 | |
| CN111798412A (zh) | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 | |
| CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
| CN111179262B (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
| CN109299723A (zh) | 一种铁路货车运行监测系统 | |
| CN111524224A (zh) | 一种电力变压器表面温度分布的全景成像方法 | |
| CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
| CN102915432A (zh) | 一种车载微机图像视频数据提取方法及装置 | |
| CN113963154A (zh) | 基于Faster R-CNN的VOCs气体泄漏检测方法、系统、存储介质及设备 | |
| CN112257711B (zh) | 一种铁路货车地板破损故障检测方法 | |
| KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
| CN115239646A (zh) | 输电线路的缺陷检测方法、装置、电子设备及存储介质 | |
| CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
| CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
| CN113532753B (zh) | 一种基于机器视觉的风电场齿轮箱漏油检测方法 | |
| CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
| CN113780224B (zh) | 一种变电站无人化巡视方法及系统 | |
| CN114199381B (zh) | 一种改进红外检测模型的电气设备故障检测方法 | |
| CN116664817A (zh) | 基于图像差分的电力装置状态变化检测方法 | |
| CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
| CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
| CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |