CN111199213B - 一种变电站用设备缺陷检测方法及装置 - Google Patents
一种变电站用设备缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN111199213B CN111199213B CN202010006087.9A CN202010006087A CN111199213B CN 111199213 B CN111199213 B CN 111199213B CN 202010006087 A CN202010006087 A CN 202010006087A CN 111199213 B CN111199213 B CN 111199213B
- Authority
- CN
- China
- Prior art keywords
- image data
- equipment
- real
- defect
- transformer substation
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请提供一种变电站用设备缺陷检测方法及装置,该方法包括:获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;获取变电站缺陷样本集;对所述特征提取器进行训练,获得变电站缺陷检测模型;实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;利用所述变电站检测模型检测所述实时图像数据;根据检测结果判断所述实时图像数据对应的设备是否存在缺陷。将变电站缺陷样本集作为小样本数据集,将获得的变电站缺陷检测模型应用到设备缺陷检测中,实现变电站设备缺陷的自动识别,并且可以有效提升识别效果,解决了现有缺陷检测方法不适用于变电站设备缺陷检测的问题。
Description
技术领域
本申请涉及电力系统电气设备类缺陷检测技术领域,具体涉及一种变电站用设备缺陷检测方法及装置。
背景技术
随着电网结构的不断调整,电力设备的安全稳定运行成为衡量电网质量的重要指标。近年来,状态检修工作不断推广,根据设备状况制定停电检修计划的工作逐渐成熟。因此,判断设备是否正常运行、是否存在潜在缺陷和隐患,成为工作重点。随着检测技术的不断发展,设备带电检测技术逐渐成熟,由原有的主变色谱分析、简化分析等试验,扩展到避雷器带电检测,GIS超声波检测等,既减少了设备停电,又能够及时了解设备运行状况,为判断电网状况、制定工作计划提供了技术支撑和数据支持。
现在,变电站部署了大量的高清摄像头,但是对于摄像头的图像数据并没有有效利用,变电站设备的巡检还主要在于人工,费时费力且效率不高。随着物联网技术和智能终端水平的快速发展,计算机硬件的性能不断提高,将深度学习模型应用于设备缺陷检测的成本大大降低。
在变电站设备缺陷检测过程中,面临长尾效应,即缺陷样本重要但数量稀少,大部分的图像数据是无缺陷的图像数据,因此传统的深度学习方法难以应用到变电站设备缺陷检测中去。
基于以上情况,本发明提出一种以小样本迁移学习技术为主,无监督样本扩充为辅,用于变电站设备缺陷自动探测,可以实现对漏油、破损、冒烟以及着火等设备故障的快速发现和准确识别。
发明内容
本申请提供一种变电站用设备缺陷检测方法及装置,以解决现有缺陷检测方法不适用于变电站设备缺陷检测的问题。
本申请的第一方面,提供一种变电站用设备缺陷检测方法,包括:
获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;
获取变电站缺陷样本集;
对所述特征提取器进行训练,获得变电站缺陷检测模型;
实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;
利用所述变电站检测模型检测所述实时图像数据;
根据检测结果判断所述实时图像数据对应的设备是否存在缺陷。
可选的,所述获取变电站缺陷样本集,包括:
获取设备在不同时刻所拍摄的第一图像数据;
对所述第一图像数据进行分类,其中,所述第一图像数据包括缺陷图像数据和正常图像数据;
对各个所述第一图像数据添加标签信息,所述标签信息包括所述第一图像数据的类别以及设备名称;
将所述第一图像数据以及与所述第一图像数据对应的标签信息的组合作为变电站缺陷样本集。
可选的,获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器,包括:
获取大样本数据集中的各个第二图像数据;
计算所述第二图像数据经过卷积神经网络的各个层级时的代价函数,其中,卷积神经网络至少包括输入层、隐含层和输出层;
采用优化算法,对所述代价函数进行优化,更新各个层级中参数的权重,获得样本训练模型;
将去除输出层的样本训练模型作为特征提取器。
可选的,在根据检测结果判断所述图像数据对应的设备是否存在缺陷之后,还包括:
如果所述图像数据对应的设备存在缺陷,生成报警信息,所述报警信息包括所述图像数据对应的设备名称和设备型号。
可选的,在根据检测结果判断所述实时图像数据对应的设备是否存在缺陷之后,还包括:
如果所述实时图像数据对应的设备存在缺陷,则将所述实时图像数据作为第一图像数据,更新所述变电站缺陷样本集。
本申请的第二方面,提供一种变电站用设备缺陷检测装置,包括:
第一获取模块,用于获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;
第二获取模块,用于获取变电站缺陷样本集;
训练模块,用于对所述特征提取器进行训练,获得变电站缺陷检测模型;
第三获取模块,用于实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;
检测模块,用于利用所述变电站检测模型检测所述实时图像数据;
判断模块,用于根据检测结果判断所述实时图像数据对应的设备是否存在缺陷。
可选的,所述第二获取模块包括:
第一获取单元,用于获取设备在不同时刻所拍摄的第一图像数据;
分类单元,用于对所述第一图像数据进行分类,其中,所述第一图像数据包括缺陷图像数据和正常图像数据;
添加单元,用于对各个所述第一图像数据添加标签信息,所述标签信息包括所述第一图像数据的类别以及设备名称;
组合单元,用于将所述第一图像数据以及与所述第一图像数据对应的标签信息的组合作为变电站缺陷样本集。
可选的,所述第一获取模块包括:
第二获取单元,用于获取大样本数据集中的各个第二图像数据;
计算单元,用于计算所述第二图像数据经过卷积神经网络的各个层级时的代价函数,其中,卷积神经网络至少包括输入层、隐含层和输出层;
更新单元,用于采用优化算法,对所述代价函数进行优化,更新各个层级中参数的权重,获得样本训练模型;
去除单元,用于将去除输出层的样本训练模型作为特征提取器。
可选的,所述装置还包括:
报警信息生成模块,用于在所述判断模块确定所述图像数据对应的设备存在缺陷的情况下,生成报警信息,所述报警信息包括所述图像数据对应的设备名称和设备型号。
可选的,所述装置还包括:
样本集更新模块,用于在所述判断模块确定所述实时图像数据对应的设备存在缺陷的情况下,则将所述实时图像数据作为第一图像数据,更新所述变电站缺陷样本集。
由以上技术方案可知,本申请提供一种变电站用设备缺陷检测方法及装置,该方法包括:获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;获取变电站缺陷样本集;对所述特征提取器进行训练,获得变电站缺陷检测模型;实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;利用所述变电站检测模型检测所述实时图像数据;根据检测结果判断所述实时图像数据对应的设备是否存在缺陷。将变电站缺陷样本集作为小样本数据集,将获得的变电站缺陷检测模型应用到设备缺陷检测中,实现变电站设备缺陷的自动识别,并且可以有效提升识别效果,解决了现有缺陷检测方法不适用于变电站设备缺陷检测的问题。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种变电站用设备缺陷检测方法的工作流程图;
图2为本申请实施例提供的一种变电站用设备缺陷检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参照图1所示的工作流程图,本申请实施例提供一种变电站用设备缺陷检测方法,包括以下步骤:
步骤101,获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器。
该步骤中,大样本数据集是指开源的数据集,例如微软开源的COCO数据集,COCO数据集包含20万个图像,80个类别中有超过50万个目标标注,它是最广泛公开的目标检测数据库,平均每个图像的目标数为7.2,这是目标检测的著名数据集,使用这个数据集作为预训练,提取出初步特征。
在一种可实现的方式中,获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器,包括以下步骤:
获取大样本数据集中的各个第二图像数据;
计算所述第二图像数据经过卷积神经网络的各个层级时的代价函数,其中,卷积神经网络至少包括输入层、隐含层和输出层;
采用优化算法,对所述代价函数进行优化,更新各个层级中参数的权重,获得样本训练模型;
将去除输出层的样本训练模型作为特征提取器。
其中,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。
卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑。
可选的,预先设定的常规模型采用VGG16模型,VGG16模型是经典的目标识别模型,包含16个卷积层和全连接层,每个卷积层后面都有一个RELU激活函数层,每个卷积核的大小为3*3,步长为1,每一个池化层都是最大值池化,池化层的核大小为2*2,步长为2,整个VGG16网络约包含1.38亿个参数。对常规模型进行训练的结果是获得最优的参数以及参数的权重。
本申请实施例中,优化算法为Adam优化算法,也可为其他的优化算法,此处不作具体限定。
卷积神经网络通常可分为特征识别部分和分类部分,输出层作为结果输出,是对输入的样本进行分类,由于该步骤仅为初步训练,使用的样本是大样本数据集中的第二图像数据,这些第二图像数据是已知分类结果的,本申请实施例的目的是对现场视频进行分析,因此该步骤中无需输出结果,而是将去除输出层之后的样本训练模型作为特征识别器。
步骤102,获取变电站缺陷样本集。
变电站缺陷样本集是现场数据收集而来,由实际应用中现场拍摄的第一图像数据组成,第一图像数据包括历史图像数据和被识别为缺陷的实时图像数据,在一种可实现的方式中,所述获取变电站缺陷样本集,包括以下步骤:
获取设备在不同时刻所拍摄的第一图像数据;
对所述第一图像数据进行分类,其中,所述第一图像数据包括缺陷图像数据和正常图像数据;
对各个所述第一图像数据添加标签信息,所述标签信息包括所述第一图像数据的类别以及设备名称;
将所述第一图像数据以及与所述第一图像数据对应的标签信息的组合作为变电站缺陷样本集。
该步骤中,将第一图像数据统一设置分辨率为120*120,方便后续计算。
步骤103,对所述特征提取器进行训练,获得变电站缺陷检测模型。
该步骤中,利用变电站缺陷样本集对特征提取器进行训练,获得的变电站缺陷模型即可用于现场视频的缺陷检测。
步骤104,实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据。
步骤105,利用所述变电站检测模型检测所述实时图像数据。
步骤106,根据检测结果判断所述实时图像数据对应的设备是否存在缺陷。
该步骤中,缺陷包含设备漏油、设备冒烟以及设备生锈等异常状况,卷积神经网络算法通过各个层级的运算,可自动提取包括边缘、纹理等肉眼可以分辨的特征和频谱等肉眼不易分辨的特征来达到学习所识别设备缺陷种类的目的,因为不同缺陷的识别是在同一网络下进行的,因此不同缺陷所需的特征是一致的,识别时对相应的特征进行提取,再进行识别即可。
变电站检测模型的检测结果分为两种,分别是无缺陷和有缺陷,对于有缺陷的实时图像数据,变电站检测模型会给出相应地缺陷分类结果,例如设备漏油、设备冒烟以及设备生锈等。
本申请实施例中,在当前的变电站设备缺陷检测问题本质上是小样本问题,缺陷样本较少,因此先利用在大样本数据集进行预训练,获得特征提取器,以该特征提取器学到的特征提取作为知识,进行第二轮小样本数据集的训练,其中,将变电站缺陷样本集作为小样本数据集,将获得的变电站缺陷检测模型应用到设备缺陷检测中,实现变电站设备缺陷的自动识别。采用大样本数据集和变电站缺陷样本集联合两次训练,获得的变电站缺陷样本集可以有效提升识别效果,解决了现有缺陷检测方法不适用于变电站设备缺陷检测的问题。
可选的,在根据检测结果判断所述图像数据对应的设备是否存在缺陷之后,还包括:
如果所述图像数据对应的设备存在缺陷,生成报警信息,所述报警信息包括所述图像数据对应的设备名称和设备型号。将报警信息及时发送至相关部门,以便工作人员能够对设备缺陷进行及时处理。
可选的,在根据检测结果判断所述实时图像数据对应的设备是否存在缺陷之后,还包括:
如果所述实时图像数据对应的设备存在缺陷,则将所述实时图像数据作为第一图像数据,更新所述变电站缺陷样本集。
本申请实施例中,变电站缺陷样本集为动态的样本集,随着时间的推移,变电站缺陷样本集中的样本逐渐增多和完善,使得变电站缺陷检测模型不断得到完善,以提高检测的效率和准确度。
参照图2所示的结构示意图,本申请实施例提供一种变电站用设备缺陷检测装置,包括:
第一获取模块100,用于获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;
第二获取模块200,用于获取变电站缺陷样本集;
训练模块300,用于对所述特征提取器进行训练,获得变电站缺陷检测模型;
第三获取模块400,用于实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;
检测模块500,用于利用所述变电站检测模型检测所述实时图像数据;
判断模块600,用于根据检测结果判断所述实时图像数据对应的设备是否存在缺陷。
可选的,所述第二获取模块包括:
第一获取单元,用于获取设备在不同时刻所拍摄的第一图像数据;
分类单元,用于对所述第一图像数据进行分类,其中,所述第一图像数据包括缺陷图像数据和正常图像数据;
添加单元,用于对各个所述第一图像数据添加标签信息,所述标签信息包括所述第一图像数据的类别以及设备名称;
组合单元,用于将所述第一图像数据以及与所述第一图像数据对应的标签信息的组合作为变电站缺陷样本集。
可选的,所述第一获取模块包括:
第二获取单元,用于获取大样本数据集中的各个第二图像数据;
计算单元,用于计算所述第二图像数据经过卷积神经网络的各个层级时的代价函数,其中,卷积神经网络至少包括输入层、隐含层和输出层;
更新单元,用于采用优化算法,对所述代价函数进行优化,更新各个层级中参数的权重,获得样本训练模型;
去除单元,用于将去除输出层的样本训练模型作为特征提取器。
可选的,所述装置还包括:
报警信息生成模块,用于在所述判断模块确定所述图像数据对应的设备存在缺陷的情况下,生成报警信息,所述报警信息包括所述图像数据对应的设备名称和设备型号。
可选的,所述装置还包括:
样本集更新模块,用于在所述判断模块确定所述实时图像数据对应的设备存在缺陷的情况下,则将所述实时图像数据作为第一图像数据,更新所述变电站缺陷样本集。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (4)
1.一种变电站用设备缺陷检测方法,其特征在于,包括:
获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;
获取变电站缺陷样本集;
对所述特征提取器进行训练,获得变电站缺陷检测模型;
实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;
利用所述变电站缺陷检测模型检测所述实时图像数据;
根据检测结果判断所述实时图像数据对应的设备是否存在缺陷;
其中缺陷包含设备漏油、设备冒烟以及设备生锈,基于卷积神经网络算法通过各个层级的运算,提取包括肉眼可以分辨的特征和肉眼不易分辨的特征以达到学习识别设备缺陷种类的目的;
如果所述图像数据对应的设备存在缺陷,生成报警信息,所述报警信息包括所述图像数据对应的设备名称和设备型号;
其中,所述获取变电站缺陷样本集,包括:
获取设备在不同时刻所拍摄的第一图像数据;
对所述第一图像数据进行分类,其中,所述第一图像数据包括缺陷图像数据和正常图像数据;
对各个所述第一图像数据添加标签信息,所述标签信息包括所述第一图像数据的类别以及设备名称;
将所述第一图像数据以及与所述第一图像数据对应的标签信息的组合作为变电站缺陷样本集;
其中,获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器,包括:
获取大样本数据集中的各个第二图像数据;
计算所述第二图像数据经过卷积神经网络的各个层级时的代价函数,其中,卷积神经网络至少包括输入层、隐含层和输出层;
采用优化算法,对所述代价函数进行优化,更新各个层级中参数的权重,获得样本训练模型;
将去除输出层的样本训练模型作为特征提取器。
2.根据权利要求1所述的方法,其特征在于,在根据检测结果判断所述实时图像数据对应的设备是否存在缺陷之后,还包括:
如果所述实时图像数据对应的设备存在缺陷,则将所述实时图像数据作为第一图像数据,更新所述变电站缺陷样本集。
3.一种变电站用设备缺陷检测装置,其特征在于,包括:
第一获取模块,用于获取大样本数据集,对预先设定的常规模型进行训练,获得特征提取器;
第二获取模块,用于获取变电站缺陷样本集;
训练模块,用于对所述特征提取器进行训练,获得变电站缺陷检测模型;
第三获取模块,用于实时获取摄像机所拍摄的视频数据,提取所述视频数据中的实时图像数据;
检测模块,用于利用所述变电站缺陷检测模型检测所述实时图像数据;
判断模块,用于根据检测结果判断所述实时图像数据对应的设备是否存在缺陷;其中缺陷包含设备漏油、设备冒烟以及设备生锈,基于卷积神经网络算法通过各个层级的运算,提取包括肉眼可以分辨的特征和肉眼不易分辨的特征以达到学习识别设备缺陷种类的目的;
报警信息生成模块,用于在所述判断模块确定所述图像数据对应的设备存在缺陷的情况下,生成报警信息,所述报警信息包括所述图像数据对应的设备名称和设备型号;
所述第二获取模块包括:
第一获取单元,用于获取设备在不同时刻所拍摄的第一图像数据;
分类单元,用于对所述第一图像数据进行分类,其中,所述第一图像数据包括缺陷图像数据和正常图像数据;
添加单元,用于对各个所述第一图像数据添加标签信息,所述标签信息包括所述第一图像数据的类别以及设备名称;
组合单元,用于将所述第一图像数据以及与所述第一图像数据对应的标签信息的组合作为变电站缺陷样本集;
所述第一获取模块包括:
第二获取单元,用于获取大样本数据集中的各个第二图像数据;
计算单元,用于计算所述第二图像数据经过卷积神经网络的各个层级时的代价函数,其中,卷积神经网络至少包括输入层、隐含层和输出层;
更新单元,用于采用优化算法,对所述代价函数进行优化,更新各个层级中参数的权重,获得样本训练模型;
去除单元,用于将去除输出层的样本训练模型作为特征提取器。
4.根据权利要求3所述的装置,其特征在于,所述装置还包括:
样本集更新模块,用于在所述判断模块确定所述实时图像数据对应的设备存在缺陷的情况下,则将所述实时图像数据作为第一图像数据,更新所述变电站缺陷样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006087.9A CN111199213B (zh) | 2020-01-03 | 2020-01-03 | 一种变电站用设备缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010006087.9A CN111199213B (zh) | 2020-01-03 | 2020-01-03 | 一种变电站用设备缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199213A CN111199213A (zh) | 2020-05-26 |
CN111199213B true CN111199213B (zh) | 2023-09-26 |
Family
ID=70746839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010006087.9A Active CN111199213B (zh) | 2020-01-03 | 2020-01-03 | 一种变电站用设备缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199213B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527790B (zh) * | 2020-12-24 | 2023-06-02 | 四川享宇金信金融科技有限公司 | 一种基于loo-cv验证的交叉核验方法 |
CN113066014B (zh) * | 2021-05-19 | 2022-09-02 | 云南电网有限责任公司电力科学研究院 | 一种图像超分辨方法及装置 |
CN113763321A (zh) * | 2021-07-29 | 2021-12-07 | 国网江苏省电力有限公司电力科学研究院 | 一种电缆附件主绝缘体施工缺陷检测方法及系统 |
CN117813624A (zh) * | 2022-07-29 | 2024-04-02 | 宁德时代新能源科技股份有限公司 | 用于电芯的缺陷检测模型的训练方法和训练装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846316A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种gis内部典型缺陷图像自动识别方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN109389322A (zh) * | 2018-10-30 | 2019-02-26 | 福州大学 | 基于目标检测和长短时记忆模型的导地线断散股识别方法 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 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 |
CN109784348A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其系统 |
CN109886232A (zh) * | 2019-02-28 | 2019-06-14 | 燊赛(上海)智能科技有限公司 | 一种基于神经网络的电网图像识别系统 |
CN109919183A (zh) * | 2019-01-24 | 2019-06-21 | 北京大学 | 一种基于小样本的图像识别方法、装置、设备及存储介质 |
CN110177108A (zh) * | 2019-06-02 | 2019-08-27 | 四川虹微技术有限公司 | 一种异常行为检测方法、装置及验证系统 |
CN110245602A (zh) * | 2019-06-12 | 2019-09-17 | 哈尔滨工程大学 | 一种基于深度卷积特征的水下静目标识别方法 |
CN110334747A (zh) * | 2019-06-13 | 2019-10-15 | 河北科技大学 | 基于改进卷积神经网络的图像识别方法及应用 |
CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
-
2020
- 2020-01-03 CN CN202010006087.9A patent/CN111199213B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846316A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种gis内部典型缺陷图像自动识别方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN109389322A (zh) * | 2018-10-30 | 2019-02-26 | 福州大学 | 基于目标检测和长短时记忆模型的导地线断散股识别方法 |
CN109784348A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种红外电力设备识别和在线诊断方法及其系统 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 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 |
CN109919183A (zh) * | 2019-01-24 | 2019-06-21 | 北京大学 | 一种基于小样本的图像识别方法、装置、设备及存储介质 |
CN109886232A (zh) * | 2019-02-28 | 2019-06-14 | 燊赛(上海)智能科技有限公司 | 一种基于神经网络的电网图像识别系统 |
CN110177108A (zh) * | 2019-06-02 | 2019-08-27 | 四川虹微技术有限公司 | 一种异常行为检测方法、装置及验证系统 |
CN110245602A (zh) * | 2019-06-12 | 2019-09-17 | 哈尔滨工程大学 | 一种基于深度卷积特征的水下静目标识别方法 |
CN110334747A (zh) * | 2019-06-13 | 2019-10-15 | 河北科技大学 | 基于改进卷积神经网络的图像识别方法及应用 |
CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
Non-Patent Citations (3)
Title |
---|
周仿荣 ; 马仪 ; 沈志 ; 黄俊波 ; .双通道卷积神经网络模型电力设备图像识别.云南电力技术.2019,(第02期),第73-77+81页. * |
张诗军 ; 陈丰 ; 王志英 ; 林火华 ; 李远宁 ; .基于电力大数据的客户立体画像构建及应用研究.电气应用.2018,(08),第22-29页. * |
陆继翔等.基于迁移学习的小样本输电线路巡检图像处理方法.《全球能源互联网》.2019,第2卷(第4期),第409-415页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111199213A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199213B (zh) | 一种变电站用设备缺陷检测方法及装置 | |
CN111563893B (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
CN110119677B (zh) | 基于图像分类网络的碳纤维复合芯电缆破损检测方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN111695493A (zh) | 一种输电线路隐患的检测方法及系统 | |
Guo et al. | WDXI: The dataset of X-ray image for weld defects | |
CN114049305A (zh) | 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法 | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
CN109829887B (zh) | 一种基于深度神经网络的图像质量评估方法 | |
CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
CN112257621A (zh) | 一种无人机巡检的设备图像识别方法 | |
CN112465776A (zh) | 一种基于风力机表面模糊图像的裂纹智能检测方法 | |
CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
CN115082432B (zh) | 基于细粒度图像分类的小目标螺栓缺陷检测方法及装置 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN115631154A (zh) | 一种电力设备状态监控分析方法与系统 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
CN111930982A (zh) | 一种电网图像智能标签方法 | |
CN112801120A (zh) | 一种无人机巡检图像缺陷智能分析的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |