CN111127445A - 基于深度学习的配网线路高温区域检测方法与系统 - Google Patents

基于深度学习的配网线路高温区域检测方法与系统 Download PDF

Info

Publication number
CN111127445A
CN111127445A CN201911366239.XA CN201911366239A CN111127445A CN 111127445 A CN111127445 A CN 111127445A CN 201911366239 A CN201911366239 A CN 201911366239A CN 111127445 A CN111127445 A CN 111127445A
Authority
CN
China
Prior art keywords
tower head
temperature
distribution network
visible light
deep learning
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
Application number
CN201911366239.XA
Other languages
English (en)
Inventor
胡志坤
邓运涛
徐威
付琳
魏澳
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.)
Zhiyang Innovation Technology Co Ltd
Original Assignee
Zhiyang Innovation Technology 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 Zhiyang Innovation Technology Co Ltd filed Critical Zhiyang Innovation Technology Co Ltd
Priority to CN201911366239.XA priority Critical patent/CN111127445A/zh
Publication of CN111127445A publication Critical patent/CN111127445A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G01J5/485—Temperature profile
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • 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
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明涉及一种基于深度学习的配网线路高温区域检测方法与系统，属于电网配电线路检测维护技术领域；所述方法，包括步骤S1采集配电线路的可见光图像和红外图像，步骤S2实时调用预设模型对可见光图像进行塔头检测定位获得塔头位置，步骤S3将所述塔头位置信息映射到红外图像中，步骤S4获取映射区域红外图像中像素点温度值即塔头线路的温度，步骤S5输出塔头线路的温度信息；所述系统包括图像拍摄设备、服务器，图像拍摄设备包括可见光图像采集模块、红外图像采集模块；将红外成像测温技术与目标检测技术相结合，实现了配网线路高温区域的智能检测，可以快速实时地指出配电线路中温度异常区域。

Description

基于深度学习的配网线路高温区域检测方法与系统
技术领域
本发明涉及一种基于深度学习的配网线路高温区域检测方法与系统，属于电网配电线路检测维护技术领域。
背景技术
配电线路作为电网的基础，其安全问题至关重要，但是在外部环境及内部因素等综合因素的影响下，配电线路往往会出现隐患，给电网的运行带来极大的危害。因此，为保持供电连续性，减少线路损失，提高输电效率，保证电能质量良好，定期对配电线路进行巡视成为电网日常生产管理不可或缺的工作，通过这种方式可以掌握线路的运行状况，及时发现缺陷和沿线威胁线路安全运行的隐患，从而提高供电可靠性，减少线路事故的发生。这一过程需要人工完成，我国配电网设备种类繁多，数目庞大且分布广，使得设备的巡视、维护、管理变得复杂，人工检测和维护对人员的专业素质要求高，同时人工检测和维护劳动强度大、效率低。
配电线路出现故障的先兆的往往是塔头部位温度发生变化，利用现代红外检测技术可对配电线路实现不接触、实时性、快速、准确、远距离检测。
因此，本发明结合现有技术，并在其基础上进行改进提供了一种高效、可靠的基于深度学习的配网线路高温区域检测方法与系统，为配电线路隐患检测提供了技术支撑。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种基于深度学习的配网线路高温区域检测方法与系统，实现配网线路高温区域的智能检测。
本发明所述基于深度学习的配网线路高温区域检测方法，包括如下步骤：
步骤S1，采集配电线路的可见光图像和红外图像；
步骤S2，实时调用预设模型对可见光图像进行塔头检测定位，获得塔头位置；
步骤S3，将所述塔头位置信息映射到红外图像中；
步骤S4，获取映射区域红外图像中像素点温度值，即塔头线路的温度；
步骤S5，输出塔头线路的温度信息。
在步骤S1中，配电线路的可见光图像和红外图像在相同时间点、相同场景、相同位置采集。在步骤S2中，实时读取可见光图像和红外图像的视频流进行分析，对视频中的塔头进行检测定位。在步骤S4中，根据红外图像的像素值和温度的对应关系，获取映射区域红外图像中像素点温度值。步骤S5输出塔头线路的温度信息，便于后续分析处理。
优选地，步骤S2中预设模型的构建包括如下步骤：
步骤S201，收集可见光图像塔头样本图片集并标注塔头位置，获得已标注塔头数据集；
步骤S202，利用物体检测算法Cascade R-CNN搭建塔头检测模型；
步骤S203，利用所述已标注塔头数据集对模型进行训练、测试，根据测试结果优化模型性能，获得预设模型。
在步骤S203中，根据测试结果优化模型性能至最优，以获得预设模型。
优选地，步骤S3中红外图像与塔头位置的可见光图像相同时间点、相同场景、相同位置。
在步骤S3中，映射是指可见光图像与在相同时间点、相同场景、相同位置采集的红外图像相互对应，然后将可见光图像中识别到的塔头位置映射到红外图像上。
优选地，步骤S5中塔头线路的温度信息包括塔头线路的最高温度值。
优选地，步骤S5包括：
步骤S501，分析塔头线路的最高温度值；
步骤S502，若塔头线路的最高温度值超出阈值则执行步骤S503，否则不执行操作；
步骤S503，在可见光图片中标出塔头位置和塔头线路的最高温度值并输出，快速实时地指出配电线路中温度异常区域，以图片的形式反馈给巡检人员及时发现故障位置进行处理。
本发明所述基于深度学习的配网线路高温区域检测系统，用于执行上述的基于深度学习的配网线路高温区域检测方法，包括图像拍摄设备、服务器，图像拍摄设备包括可见光图像采集模块、红外图像采集模块，用于采集相同时间点、相同场景、相同位置的可见光图像和红外图像；服务器包括塔头检测模块、位置映射模块、温度分析模块、输出模块，塔头检测模块用于调用预设模型对可见光图像进行塔头检测定位以获得塔头位置信息，位置映射模块用于将所述塔头位置信息映射到红外图像中，温度分析模块用于获取映射区域红外图像中像素点温度值，输出模块用于输出塔头线路的温度信息。
优选地，输出模块包括温度异常分析单元和输出标注单元，温度异常分析单元用于分析塔头线路的最高温度值是否超出阈值，输出标注单元用于在可见光图片中标出塔头位置和塔头线路的最高温度值并输出。
与现有技术相比，本发明具有以下有益效果：
(1)本发明所述基于深度学习的配网线路高温区域检测方法，将红外成像测温技术与目标检测技术相结合，实现了配网线路高温区域的智能检测，可以快速实时地指出配电线路中温度异常区域，及时发现故障位置，极大地节省了配电线路的巡检的人力和时间成本，提高了效率，对于配电线路的安全、稳定运行提供了技术保障。
(2)本发明所述基于深度学习的配网线路高温区域检测系统采用图像拍摄设备采集相同时间点、相同场景、相同位置的可见光图像和红外图像，服务器将所述塔头位置信息映射到红外图像中，实现了配网线路高温区域的智能检测，可以快速实时地指出配电线路中温度异常区域，及时发现故障位置，极大地节省了配电线路的巡检的人力和时间成本，提高了效率，对于配电线路的安全、稳定运行提供了保障。
附图说明
图1为本发明所述基于深度学习的配网线路高温区域检测方法流程图；
图2为本发明所述基于深度学习的配网线路高温区域检测方法输出效果图；
图3为本发明所述基于深度学习的配网线路高温区域检测系统结构框图。
其中，1、图像拍摄设备；101、可见光图像采集模块；102、红外图像采集模块；2、服务器；201、塔头检测模块；202、位置映射模块；203、温度分析模块；204、输出模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例1
如图1所示，本发明所述基于深度学习的配网线路高温区域检测方法，包括如下步骤：
步骤S1，采集配电线路的可见光图像和红外图像；
步骤S2，实时调用预设模型对可见光图像进行塔头检测定位，获得塔头位置；
步骤S3，将所述塔头位置信息映射到红外图像中；
步骤S4，获取映射区域红外图像中像素点温度值，即塔头线路的温度；
步骤S5，输出塔头线路的温度信息。
在步骤S1中，配电线路的可见光图像和红外图像在相同时间点、相同场景、相同位置采集。在步骤S2中，实时读取可见光图像和红外图像的视频流进行分析，对视频中的塔头进行检测定位。在步骤S4中，根据红外图像的像素值和温度的对应关系，获取映射区域红外图像中像素点温度值。
步骤S2中预设模型的构建包括如下步骤：
步骤S201，收集可见光图像塔头样本图片集并标注塔头位置，获得已标注塔头数据集；
步骤S202，利用物体检测算法Cascade R-CNN搭建塔头检测模型；
步骤S203，利用所述已标注塔头数据集对模型进行训练、测试，根据测试结果优化模型性能，获得预设模型。
在步骤S201，利用标注工具labelImg进行标注。在步骤S203中，根据测试结果优化模型性能至最优，以获得预设模型。
步骤S3中红外图像与塔头位置的可见光图像相同时间点、相同场景、相同位置。
在步骤S3中，映射是指可见光图像与在相同时间点、相同场景、相同位置采集的红外图像相互对应，然后将可见光图像中识别到的塔头位置映射到红外图像上。
步骤S5中塔头线路的温度信息包括塔头线路的最高温度值。
步骤S5步骤S5包括：
步骤S501，分析塔头线路的最高温度值；
步骤S502，若塔头线路的最高温度值超出阈值则执行步骤S503，否则不执行操作；
步骤S503，在可见光图片中标出塔头位置和塔头线路的最高温度值并输出。
如图2所示，步骤S5输出的图片反馈了塔头位置和塔头位置区域内的最高温度值，快速实时地指出配电线路中温度异常区域，以图片的形式反馈给巡检人员及时发现故障位置进行处理。
实施例2
本发明所述基于深度学习的配网线路高温区域检测系统，用于实施例1所述的基于深度学习的配网线路高温区域检测方法，包括图像拍摄设备1、服务器2，图像拍摄设备1包括可见光图像采集模块101、红外图像采集模块102，用于采集相同时间点、相同场景、相同位置的可见光图像和红外图像；服务器2包括塔头检测模块201、位置映射模块202、温度分析模块203、输出模块204，塔头检测模块201用于调用预设模型对可见光图像进行塔头检测定位以获得塔头位置信息，位置映射模块202用于将所述塔头位置信息映射到红外图像中，温度分析模块203用于获取映射区域红外图像中像素点温度值，输出模块204用于输出塔头线路的温度信息。
输出模块204包括温度异常分析单元和输出标注单元，温度异常分析单元用于分析塔头线路的最高温度值是否超出阈值，输出标注单元用于在可见光图片中标出塔头位置和塔头线路的最高温度值并输出。若塔头线路的最高温度值超出阈值，则输出标注单元在可见光图片中标出塔头位置和塔头线路的最高温度值并输出。
服务器2还包括预设模型设置模块和预设模型存储模块，预设模型设置模块用于构建预设模型，预设模型存储模块用于存储预设模型方便塔头检测模块201调用预设模型。
以上所述仅为本发明的较佳实施例而己，并不以本发明为限制，凡在本发明的精神和原则之内所作的均等修改、等同替换和改进等，均应包含在本发明的专利涵盖范围内。

Claims (7)

1.一种基于深度学习的配网线路高温区域检测方法，其特征在于，包括如下步骤：
步骤S1，采集配电线路的可见光图像和红外图像；
步骤S2，实时调用预设模型对可见光图像进行塔头检测定位，获得塔头位置；
步骤S3，将所述塔头位置信息映射到红外图像中；
步骤S4，获取映射区域红外图像中像素点温度值，即塔头线路的温度；
步骤S5，输出塔头线路的温度信息。
2.根据权利要求1所述的基于深度学习的配网线路高温区域检测方法，其特征在于，步骤S2中预设模型的构建包括如下步骤：
步骤S201，收集可见光图像塔头样本图片集并标注塔头位置，获得已标注塔头数据集；
步骤S202，利用物体检测算法Cascade R-CNN搭建塔头检测模型；
步骤S203，利用所述已标注塔头数据集对模型进行训练、测试，根据测试结果优化模型性能，获得预设模型。
3.根据权利要求1所述的基于深度学习的配网线路高温区域检测方法，其特征在于，步骤S3中红外图像与塔头位置的可见光图像相同时间点、相同场景、相同位置。
4.根据权利要求1所述的基于深度学习的配网线路高温区域检测方法，其特征在于，步骤S5中塔头线路的温度信息包括塔头线路的最高温度值。
5.根据权利要求4所述的基于深度学习的配网线路高温区域检测方法，其特征在于，步骤S5包括：
步骤S501，分析塔头线路的最高温度值；
步骤S502，若塔头线路的最高温度值超出阈值则执行步骤S503，否则不执行操作；
步骤S503，在可见光图片中标出塔头位置和塔头线路的最高温度值并输出。
6.一种基于深度学习的配网线路高温区域检测系统，用于执行权利要求1-5所述的基于深度学习的配网线路高温区域检测方法，其特征在于，包括图像拍摄设备(1)、服务器(2)，图像拍摄设备(1)包括可见光图像采集模块(101)、红外图像采集模块(102)，服务器(2)包括塔头检测模块(201)、位置映射模块(202)、温度分析模块(203)、输出模块(204)。
7.根据权利要求6所述的基于深度学习的配网线路高温区域检测系统，其特征在于，输出模块(204)包括温度异常分析单元和输出标注单元。
CN201911366239.XA 2019-12-26 2019-12-26 基于深度学习的配网线路高温区域检测方法与系统 Pending CN111127445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911366239.XA CN111127445A (zh) 2019-12-26 2019-12-26 基于深度学习的配网线路高温区域检测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911366239.XA CN111127445A (zh) 2019-12-26 2019-12-26 基于深度学习的配网线路高温区域检测方法与系统

Publications (1)

Publication Number Publication Date
CN111127445A true CN111127445A (zh) 2020-05-08

Family

ID=70503111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911366239.XA Pending CN111127445A (zh) 2019-12-26 2019-12-26 基于深度学习的配网线路高温区域检测方法与系统

Country Status (1)

Country Link
CN (1) CN111127445A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489017A (zh) * 2020-11-30 2021-03-12 深圳供电局有限公司 一种电力设备故障智能识别方法及识别系统
CN113739923A (zh) * 2020-05-29 2021-12-03 比亚迪股份有限公司 一种配电柜故障的监测方法、系统及车辆
WO2021259365A1 (zh) * 2020-06-24 2021-12-30 杭州海康威视数字技术股份有限公司 一种目标测温方法、装置及测温系统
CN114136439A (zh) * 2021-11-24 2022-03-04 国网北京市电力公司 一种全自动光照测量机器人
CN115965912A (zh) * 2022-12-28 2023-04-14 众芯汉创（北京）科技有限公司 一种基于图像识别的配网设备状态监测系统和方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762327A (zh) * 2010-01-14 2010-06-30 广州科易光电技术有限公司 电气化铁路接触网红外温度监测方法及系统
CN203482305U (zh) * 2013-08-28 2014-03-12 深圳键桥通讯技术股份有限公司 一种红外成像测温系统
CN107491781A (zh) * 2017-07-21 2017-12-19 国家电网公司 一种巡检机器人可见光与红外传感器数据融合方法
CN107782453A (zh) * 2017-09-28 2018-03-09 清华大学 基于可见光和红外多光谱的车辆轮轴多点测温装置和方法
CN107871324A (zh) * 2017-11-02 2018-04-03 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于双通道的目标跟踪方法及装置
WO2018078867A1 (ja) * 2016-10-31 2018-05-03 株式会社オプティム コンピュータシステム、動物の診断方法及びプログラム
CN108846418A (zh) * 2018-05-24 2018-11-20 广东电网有限责任公司 一种电缆设备温度异常定位与识别方法
US20180350053A1 (en) * 2016-10-31 2018-12-06 Optim Corporation Computer system, and method and program for diagnosing objects
CN109544497A (zh) * 2018-11-21 2019-03-29 国网江苏省电力有限公司扬州供电分公司 用于输电线路检测的图像融合方法及电子设备
CN109846463A (zh) * 2019-03-04 2019-06-07 武汉迅检科技有限公司 红外人脸测温方法、系统、设备及存储介质
CN110060272A (zh) * 2018-01-18 2019-07-26 杭州海康威视数字技术股份有限公司 人脸区域的确定方法、装置、电子设备及存储介质
CN110288578A (zh) * 2019-06-24 2019-09-27 国网上海市电力公司 一种高识别率的电力设备缺陷红外图像识别系统
CN110569772A (zh) * 2019-08-30 2019-12-13 北京科技大学 一种泳池内人员状态检测方法
US20200041475A1 (en) * 2016-10-18 2020-02-06 Optim Corporation Computer system, plant diagnosis method, and program
CN113920097A (zh) * 2021-10-14 2022-01-11 国网河南省电力公司电力科学研究院 一种基于多源图像的电力设备状态检测方法及系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762327A (zh) * 2010-01-14 2010-06-30 广州科易光电技术有限公司 电气化铁路接触网红外温度监测方法及系统
CN203482305U (zh) * 2013-08-28 2014-03-12 深圳键桥通讯技术股份有限公司 一种红外成像测温系统
US20200041475A1 (en) * 2016-10-18 2020-02-06 Optim Corporation Computer system, plant diagnosis method, and program
JPWO2018078867A1 (ja) * 2016-10-31 2019-09-05 株式会社オプティム コンピュータシステム、動物の診断方法及びプログラム
WO2018078867A1 (ja) * 2016-10-31 2018-05-03 株式会社オプティム コンピュータシステム、動物の診断方法及びプログラム
US20180350053A1 (en) * 2016-10-31 2018-12-06 Optim Corporation Computer system, and method and program for diagnosing objects
CN107491781A (zh) * 2017-07-21 2017-12-19 国家电网公司 一种巡检机器人可见光与红外传感器数据融合方法
CN107782453A (zh) * 2017-09-28 2018-03-09 清华大学 基于可见光和红外多光谱的车辆轮轴多点测温装置和方法
CN107871324A (zh) * 2017-11-02 2018-04-03 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于双通道的目标跟踪方法及装置
CN110060272A (zh) * 2018-01-18 2019-07-26 杭州海康威视数字技术股份有限公司 人脸区域的确定方法、装置、电子设备及存储介质
CN108846418A (zh) * 2018-05-24 2018-11-20 广东电网有限责任公司 一种电缆设备温度异常定位与识别方法
CN109544497A (zh) * 2018-11-21 2019-03-29 国网江苏省电力有限公司扬州供电分公司 用于输电线路检测的图像融合方法及电子设备
CN109846463A (zh) * 2019-03-04 2019-06-07 武汉迅检科技有限公司 红外人脸测温方法、系统、设备及存储介质
CN110288578A (zh) * 2019-06-24 2019-09-27 国网上海市电力公司 一种高识别率的电力设备缺陷红外图像识别系统
CN110569772A (zh) * 2019-08-30 2019-12-13 北京科技大学 一种泳池内人员状态检测方法
CN113920097A (zh) * 2021-10-14 2022-01-11 国网河南省电力公司电力科学研究院 一种基于多源图像的电力设备状态检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
漆灿;李庆武;郑云海;王门鸿;: "基于智能视觉物联网的变电站红外监测系统" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113739923A (zh) * 2020-05-29 2021-12-03 比亚迪股份有限公司 一种配电柜故障的监测方法、系统及车辆
WO2021259365A1 (zh) * 2020-06-24 2021-12-30 杭州海康威视数字技术股份有限公司 一种目标测温方法、装置及测温系统
CN112489017A (zh) * 2020-11-30 2021-03-12 深圳供电局有限公司 一种电力设备故障智能识别方法及识别系统
CN114136439A (zh) * 2021-11-24 2022-03-04 国网北京市电力公司 一种全自动光照测量机器人
CN114136439B (zh) * 2021-11-24 2023-10-24 国网北京市电力公司 一种全自动光照测量机器人
CN115965912A (zh) * 2022-12-28 2023-04-14 众芯汉创（北京）科技有限公司 一种基于图像识别的配网设备状态监测系统和方法

Similar Documents

Publication Publication Date Title
CN111127445A (zh) 基于深度学习的配网线路高温区域检测方法与系统
CN106771856B (zh) 基于无人机技术的电力输电线路雷击点确定方法
CN107784310A (zh) 设备状态信息获取方法、装置、系统、存储介质及机器人
CN111080634A (zh) 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法
CN109784138B (zh) 无人变电站图像数据化巡视方法
CN109638959B (zh) 基于ar和深度学习的电力设备遥信功能调试方法及系统
CN111044149A (zh) 电压互感器的温度异常点检测方法、装置及可读存储介质
CN116054417B (zh) 一种变电站用的监控系统及方法
CN112749813A (zh) 一种数据处理系统、方法、电子设备及存储介质
CN115575755B (zh) 一种基于人工智能与北斗技术的电力设施巡视系统
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
CN106650746B (zh) 基于角度步长的变电站指针式仪表识别方法
CN115290696A (zh) 一种变电站绝缘子的红外热成像缺陷检测方法及装置
CN114119518A (zh) 一种电流互感器的红外图像中温度异常点检测方法及系统
CN110796754A (zh) 一种基于图像处理技术的机房巡检方法
CN116152202A (zh) 基于图像识别技术和红外热成像技术的设备外观检测系统
CN117498225B (zh) 一种无人机智能电力线路巡检系统
CN111309791A (zh) 一种检测仪器数据自动采集方法
CN111291691B (zh) 一种基于深度学习的变电站二次设备仪表盘读数检测方法
CN108573233B (zh) 一种基于图像处理技术的电网陶瓷绝缘子识别方法
CN108470141B (zh) 一种基于统计特征与机器学习的配电线路中绝缘子识别方法
CN111428987A (zh) 一种基于人工智能的继保装置图像识别方法和系统
CN116413545A (zh) 直流配电网电能质量评估方法及系统
CN114942075A (zh) 电力设备故障检测分析方法
CN115700644A (zh) 基于视觉的风电场站自动巡检方法及装置

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