CN111353487A - 用于变电站的设备信息提取方法 - Google Patents
用于变电站的设备信息提取方法 Download PDFInfo
- Publication number
- CN111353487A CN111353487A CN201910770019.7A CN201910770019A CN111353487A CN 111353487 A CN111353487 A CN 111353487A CN 201910770019 A CN201910770019 A CN 201910770019A CN 111353487 A CN111353487 A CN 111353487A
- Authority
- CN
- China
- Prior art keywords
- neural network
- information
- model
- layer
- 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.)
- Pending
Links
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
Abstract
本发明提供了用于变电站的设备信息提取方法,包括接收电力检修人员语音操作票中的语音操作信息,建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象;使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;借助DO对象对提取到的设备信息进行修正。利用深度学习算法对输入红外图像进行深度特征挖掘,不依赖于手工提取特征参数,能够有效的并准确的识别并得到各类电力设备的信息,提升了依靠红外图像进行信息提取的准确性。
Description
技术领域
本发明属于变电站检修领域,特别涉及用于变电站的设备信息提取方法。
背景技术
在红外图像故障诊断中,需要能够在红外图像中获得多个目标区域(比如三相设备或同类设备所在的位置),在每个区域提取最高温度信息,通过温度比较电力设备的状态。图像分割和图像匹配是目标定位中的两种常见方法,其中大津法和分水岭法作为图像分割法的代表,通过对电力设备红外图像进行阈值分割达到目标识别效果。
图像匹配是计算机视觉、图像处理和模式识别领域的研究热点,方法大体分为两类:基于区域的匹配方法和基于特征的匹配方法。但是,红外图像是一种伪色彩图像,它反映了物体表面温度的高低及分布,具有强度集中和对比度低等特性。并且受红外成像仪技术的限制,红外图像的质量通常不高。因此图像分割方法往往不能把目标和背景分割出来,对于多目标分割更是困难。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提供了用于变电站的设备信息提取方法,借助深度神经网络算法对获取到的红外图像进行优化,以便得到尽可能准确的变电站设备信息。
为了达到上述技术目的,本发明提供了用于变电站的设备信息提取方法,所述设备信息提取方法包括:
接收电力检修人员语音操作票中的语音操作信息,并构建电力设备红外图像的样本库;
建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象;
建立深度目标检测神经网络,使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,得到深度目标检测神经网络的连接权值和偏置参数;
利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;
借助DO对象对提取到的设备信息进行修正,得到修正后的设备信息。
可选的,所述接收电力检修人员语音操作票中的语音操作信息,并构建电力设备红外图像的样本库,包括:
利用关键词提取技术提取语音操作票中的语音操作信息;
通过变电站技术人员手持热像仪现场采集图片或变电站巡检机器人携带红外热像仪在巡检轨道上拍摄红外图像,将采集到的红外图像按采集地点不同构建得到针对不同电力设备红外图像的样本库。
可选的,所述建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象,包括:
建立使用BP模型以及LSTM模型的双层神经网络模型;
对双层神经网络模型输出结果进行遍历,判断操作票信息与SCD文件中所有DO对象是否匹配,选取由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果。
可选的,所述建立使用BP模型以及LSTM模型的双层神经网络模型,包括:
根据每层采用神经网络的不同,双层神经网络共有四种结构,分别为:
表示模型的第一、二层均采用BP模型的BP_1、BP_2;
表示模型的第一层采用BP模型,第二层采用LSTM模型的BP_1、LSTM_2;
表示模型的第一层采用LSTM模型,第二层采用BP模型的LSTM_1、BP_2;
表示模型的第一、二层均采用LSTM模型的LSTM_1、LSTM_2。
可选的,所述对双层神经网络模型输出结果进行遍历,判断操作票信息与 SCD文件中所有DO对象是否匹配,选取由此选择匹配度最大的SCD文件中的DO 对象作为某条操作票信息的最佳匹配结果,包括:
神经网络的输出结果是0或1的概率,遍历判断操作票信息与SCD文件中所有DO对象是否匹配;
其中1的概率即为相似度或匹配度,其大小表示操作票信息与SCD信息的匹配程度,由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果。
可选的,所述建立深度目标检测神经网络,使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,得到深度目标检测神经网络的连接权值和偏置参数,包括:
通过深度卷积神经网络提取图像特征并生成特征图谱;
利用区域候选网络对特征图谱中的每一个像素点生成候选区域,对产生的特征图谱进行滑动计算,对每一个可选的目标检测框通过分类器进行前景还是背景的判断并且为回归的偏移量打分;
通过ROI池化层将图像特征与所选的候选区域相结合,通过回归法对候选窗口进行缩放和微调,剔除太小和超出边界的目标检测框,最终选择出最优的区域,进而完成目标识别与分类。
可选的,所述利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;
将样本库的红外图像输入所搭建的深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
本发明提供的技术方案带来的有益效果是:
利用深度学习算法对输入红外图像进行深度特征挖掘,不依赖于手工提取特征参数,能够有效的并准确的识别并得到各类电力设备的信息,提升了依靠红外图像进行信息提取的准确性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明提供的用于变电站的设备信息提取方法的流程示意图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
本发明提供了用于变电站的设备信息提取方法,如图1所示,所述设备信息提取方法包括:
11、接收电力检修人员语音操作票中的语音操作信息,并构建电力设备红外图像的样本库;
12、建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象;
13、建立深度目标检测神经网络,使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,得到深度目标检测神经网络的连接权值和偏置参数;
14、利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;
15、借助DO对象对提取到的设备信息进行修正,得到修正后的设备信息。
具体的,步骤11中的语音操作信息来自电力检修人员通过自身携带的语音采集设备获取,利用关键词提取技术提取语音操作票中的语音操作信息。而样本库则通过变电站技术人员手持热像仪现场采集图片或变电站巡检机器人携带红外热像仪在巡检轨道上拍摄红外图像,将采集到的红外图像按采集地点不同构建得到针对不同电力设备红外图像的样本库。建立电力设备红外图像样本库,提取训练集验、证集和测试集;其中,将采集到的电力设备红外图像按照一定比例分为训练集、验证集和测试集,并对训练集和验证集中的红外图像添加标签,制作成PASCAL VOC格式的数据集,测试集的样本图像要求不能与训练集与验证集中的图像重叠,且不需要添加标签。
值得注意的是在步骤11得到语音操作信息后,需要对其进行关键词提取操作。具体原理是利用BP神经网络模型进行中文分词。
取操作票中每个字前后各3个字,前后3个字连同该字本身输入共7个字。选择每个字的向量维度为100,则输入神经网络模型的维度100*(2*3+1)=700。采用三层BP神经网络,输入层为700个神经元,隐藏层为100个神经元,输出层为4个神经元,每个神经元对应该字的词位分别为S,B,M,E(S,B,M,E分别为字单独成词(S)、词首(B)、词中(M)、词尾(E))的概率。
从输出词位概率值中选择概率最大的词位作为该字的词位类别,对操作票的每个字进行依次进行同样处理便可以完成对整个操作票的分词。
在分词操作结束后,还要根据分词结果利用循环神经网络模型实现操作票中操作对象信息识别。
将所得分词序列依次转换为词向量,选择词的向量维度为10。足够长的词数30(不足的后面补空),作为固定输入的维度,则神经网络模型的输入为30*10 的向量,对应循环神经网络模型的输入层;第二层为双LSTM,隐藏层为128个神经元;输出层输出以0,1表示的2维分类情况(0和1分别对应该词是否为设备或线路,1表示是,0表示否)。
可选的,所述建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象,包括:
建立使用BP模型以及LSTM模型的双层神经网络模型;
对双层神经网络模型输出结果进行遍历,判断操作票信息与SCD文件中所有DO对象是否匹配,选取由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果。
在实施中,根据每层采用神经网络的不同,双层神经网络共有四种结构,分别为:表示模型的第一、二层均采用BP模型的BP_1、BP_2;表示模型的第一层采用BP模型,第二层采用LSTM模型的BP_1、LSTM_2;表示模型的第一层采用LSTM模型,第二层采用BP模型的LSTM_1、BP_2;表示模型的第一、二层均采用LSTM模型的LSTM_1、LSTM_2。
这里的基于搜索匹配规则,采用双层神经网络模型,第一层区分组内和组外项:组外为0,组内为1;第二层区分匹配项:组内不匹配为0,组内匹配为 1;其中每层神经网络模型采用深度BP神经网络或深度循环神经网络,模型的输出为操作票信息与SCD文件中DO对象是否匹配的结果。
可选的,所述对双层神经网络模型输出结果进行遍历,判断操作票信息与 SCD文件中所有DO对象是否匹配,选取由此选择匹配度最大的SCD文件中的DO 对象作为某条操作票信息的最佳匹配结果,包括:
神经网络的输出结果是0或1的概率,遍历判断操作票信息与SCD文件中所有DO对象是否匹配;
其中1的概率即为相似度或匹配度,其大小表示操作票信息与SCD信息的匹配程度,由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果。
可选的,所述建立深度目标检测神经网络,使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,得到深度目标检测神经网络的连接权值和偏置参数,包括:
通过深度卷积神经网络提取图像特征并生成特征图谱;
利用区域候选网络对特征图谱中的每一个像素点生成候选区域,对产生的特征图谱进行滑动计算,对每一个可选的目标检测框通过分类器进行前景还是背景的判断并且为回归的偏移量打分;
通过ROI池化层将图像特征与所选的候选区域相结合,通过回归法对候选窗口进行缩放和微调,剔除太小和超出边界的目标检测框,最终选择出最优的区域,进而完成目标识别与分类。
在实施中,建立FASTER-RCNN深度目标检测神经网络;使用样本库的训练集对所建立的FASTER-RCNN深度目标检测神经网络进行训练,并通过验证集对模型的过拟合程度进行验证,不断调试后得到网络模型的连接权值和偏置参数。
其建立步骤如下:
步骤1:通过深度卷积神经网络(CNN)提取图像特征并生成特征图谱。特征图谱为一个二维卷积神经网络的基本结构示意图:每一层卷积层中都包含一定数量的特征探测器,当输入传入卷积层后,每一个特征探测器都会沿着图像滑动平移进行卷积运算,产生与之对应的特征图谱。而随着卷积层的堆叠,输入中隐含的更深层的特征将会被提取并学习。以3x3的特征捕捉器为例,输入矩阵经过特征捕捉器的平移卷积之后得到特征图谱。即对于输入矩阵元素aij,特征图谱M为:
式中,σ表示为卷积层的激活函数,ωkl是一个3x3的系数矩阵,ai,j为卷积层的输入i表示行j表示列,b为偏置项。每一个系数矩阵只能学习一种单一的特征,故一层中需要多个特征捕捉器,而数据中的深层次的特征则需要堆叠更多的卷积层来捕捉。
利用区域候选网络(RPN)对特征图谱中的每一个像素点生成候选区域(目标检测框)。具体的,RPN通过采用一个小的窗口网络对步骤3.1中产生的特征图谱进行滑动计算,特征图谱中的每一个像素点生成k个可选的目标检测框,偏移后的输入量为ai+k,j+l,对每一个可选的目标检测框通过SoftMax分类器进行前景还是背景的判断并且为Bbox回归的偏移量打分;
通过ROI池化层将图像特征与所选的候选区域相结合,通过Bbox回归法对候选窗口进行缩放和微调,剔除太小和超出边界的目标检测框,最终选择出最优的区域,进而完成目标识别与分类。
可选的,所述利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;
将样本库的红外图像输入所搭建的深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
利用训练建立的网络模型,对测试集中的红外图像进行多目标识别,对红外图谱中电力主干设备的区域和位置进行提取,并产生电力设备红外图像的识别结果;具体是,将测试集中的红外图像输入步骤3所搭建的FASTER-RCNN深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
本发明所述基于深度学习的电力设备红外图像多目标定位方法,其组成 FASTER-RCNN的卷积神经网络采用Imagenet训练集进行预训练,其相应的卷积层激活函数为ReLU,其公式如下:
f(x)=max(0,x)
式中:当输入信号小于0时,输出为0;当输入信号大于0时,输出等于输入。
本发明所述基于深度学习的电力设备红外图像多目标定位方法,其模型采用的梯度优化算法为适应性矩估计算法(Adam),在迭代过程中,观察损失函数值的变化判断收敛情况,调整学习率。
模型中采用dropout方法来减少训练过程中的过拟合现象。具体的,在训练过程中,dropout技术通过按照一定概率将网络中的隐含神经元随机丢弃,即将该神经元的输入与输出置零,一方面能够有效地减少模型中内部参数的数量,另一方面也相当于变相增加了模型输入数据的多样性,从而一定程度上减轻了过拟合现象。
相比现有技术,本发明提出的设备信息提取方法,通过使用卷积神经网络对输入红外图像进行深度特征挖掘,不依赖与手工特征提取参数,并通过引入 dropout技术来减少训练过程中的过拟合现象,从而能够有效地识别并定位各类电力主干设备的区域和位置,提高定位的准确性。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.用于变电站的设备信息提取方法,其特征在于,所述设备信息提取方法包括:
接收电力检修人员语音操作票中的语音操作信息,并构建电力设备红外图像的样本库;
建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象;
建立深度目标检测神经网络,使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,得到深度目标检测神经网络的连接权值和偏置参数;
利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;
借助DO对象对提取到的设备信息进行修正,得到修正后的设备信息。
2.根据权利要求1所述的用于变电站的设备信息提取方法,其特征在于,所述接收电力检修人员语音操作票中的语音操作信息,并构建电力设备红外图像的样本库,包括:
利用关键词提取技术提取语音操作票中的语音操作信息;
通过变电站技术人员手持热像仪现场采集图片或变电站巡检机器人携带红外热像仪在巡检轨道上拍摄红外图像,将采集到的红外图像按采集地点不同构建得到针对不同电力设备红外图像的样本库。
3.根据权利要求1所述的用于变电站的设备信息提取方法,其特征在于,所述建立用于操作票信息搜索匹配的双层神经网络模型,利用相似度计算和排序从SCD文件中提取与操作票信息匹配的DO对象,包括:
建立使用BP模型以及LSTM模型的双层神经网络模型;
对双层神经网络模型输出结果进行遍历,判断操作票信息与SCD文件中所有DO对象是否匹配,选取由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果。
4.根据权利要求3所述的用于变电站的设备信息提取方法,其特征在于,所述建立使用BP模型以及LSTM模型的双层神经网络模型,包括:
根据每层采用神经网络的不同,双层神经网络共有四种结构,分别为:
表示模型的第一、二层均采用BP模型的BP_1、BP_2;
表示模型的第一层采用BP模型,第二层采用LSTM模型的BP_1、LSTM_2;
表示模型的第一层采用LSTM模型,第二层采用BP模型的LSTM_1、BP_2;
表示模型的第一、二层均采用LSTM模型的LSTM_1、LSTM_2。
5.根据权利要求3所述的用于变电站的设备信息提取方法,其特征在于,所述对双层神经网络模型输出结果进行遍历,判断操作票信息与SCD文件中所有DO对象是否匹配,选取由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果,包括:
神经网络的输出结果是0或1的概率,遍历判断操作票信息与SCD文件中所有DO对象是否匹配;
其中1的概率即为相似度或匹配度,其大小表示操作票信息与SCD信息的匹配程度,由此选择匹配度最大的SCD文件中的DO对象作为某条操作票信息的最佳匹配结果。
6.根据权利要求1所述的用于变电站的设备信息提取方法,其特征在于,所述建立深度目标检测神经网络,使用样本库对深度目标检测神经网络进行训练,并对训练过程中的拟合程度进行验证,得到深度目标检测神经网络的连接权值和偏置参数,包括:
通过深度卷积神经网络提取图像特征并生成特征图谱;
利用区域候选网络对特征图谱中的每一个像素点生成候选区域,对产生的特征图谱进行滑动计算,对每一个可选的目标检测框通过分类器进行前景还是背景的判断并且为回归的偏移量打分;
通过ROI池化层将图像特征与所选的候选区域相结合,通过回归法对候选窗口进行缩放和微调,剔除太小和超出边界的目标检测框,最终选择出最优的区域,进而完成目标识别与分类。
7.根据权利要求1所述的用于变电站的设备信息提取方法,其特征在于,所述利用验证后深度目标检测神经网络的连接权值和偏置参数对样本库中的电力设备红外图像进行多目标识别,提取变电站的设备信息;
将样本库的红外图像输入所搭建的深度目标检测神经网络,对红外图像中电力主干设备的区域和位置进行提取并得到电力设备红外图像的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770019.7A CN111353487A (zh) | 2019-08-20 | 2019-08-20 | 用于变电站的设备信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770019.7A CN111353487A (zh) | 2019-08-20 | 2019-08-20 | 用于变电站的设备信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353487A true CN111353487A (zh) | 2020-06-30 |
Family
ID=71192848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910770019.7A Pending CN111353487A (zh) | 2019-08-20 | 2019-08-20 | 用于变电站的设备信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353487A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017411A (zh) * | 2020-08-21 | 2020-12-01 | 广东电网有限责任公司清远供电局 | 一种变电站作业防误预警系统 |
CN112509583A (zh) * | 2020-11-27 | 2021-03-16 | 贵州电网有限责任公司 | 一种基于调度操作票系统的辅助监督方法及系统 |
CN112700008A (zh) * | 2021-01-06 | 2021-04-23 | 青岛弯弓信息技术有限公司 | 一种云组态平台的模型匹配处理方法及系统 |
CN113837171A (zh) * | 2021-11-26 | 2021-12-24 | 成都数之联科技有限公司 | 候选区域提取方法及系统及装置及介质及目标检测方法 |
CN115019809A (zh) * | 2022-05-17 | 2022-09-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 防误入间隔的监测方法、装置、设备、介质和程序产品 |
CN116187313A (zh) * | 2023-04-27 | 2023-05-30 | 南方电网数字电网研究院有限公司 | 基于自然语言处理技术的电力操作票设备识别与勘误方法 |
CN117093675A (zh) * | 2023-10-18 | 2023-11-21 | 江苏泰坦智慧科技有限公司 | 操作票的检索匹配方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN109165275A (zh) * | 2018-07-24 | 2019-01-08 | 国网浙江省电力有限公司电力科学研究院 | 基于深度学习的智能变电站操作票信息智能搜索匹配方法 |
-
2019
- 2019-08-20 CN CN201910770019.7A patent/CN111353487A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN109165275A (zh) * | 2018-07-24 | 2019-01-08 | 国网浙江省电力有限公司电力科学研究院 | 基于深度学习的智能变电站操作票信息智能搜索匹配方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017411A (zh) * | 2020-08-21 | 2020-12-01 | 广东电网有限责任公司清远供电局 | 一种变电站作业防误预警系统 |
WO2022036866A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站作业防误预警系统 |
CN112509583A (zh) * | 2020-11-27 | 2021-03-16 | 贵州电网有限责任公司 | 一种基于调度操作票系统的辅助监督方法及系统 |
CN112509583B (zh) * | 2020-11-27 | 2023-07-18 | 贵州电网有限责任公司 | 一种基于调度操作票系统的辅助监督方法及系统 |
CN112700008A (zh) * | 2021-01-06 | 2021-04-23 | 青岛弯弓信息技术有限公司 | 一种云组态平台的模型匹配处理方法及系统 |
CN112700008B (zh) * | 2021-01-06 | 2022-06-28 | 青岛弯弓信息技术有限公司 | 一种云组态平台的模型匹配处理方法及系统 |
CN113837171A (zh) * | 2021-11-26 | 2021-12-24 | 成都数之联科技有限公司 | 候选区域提取方法及系统及装置及介质及目标检测方法 |
CN115019809A (zh) * | 2022-05-17 | 2022-09-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 防误入间隔的监测方法、装置、设备、介质和程序产品 |
CN115019809B (zh) * | 2022-05-17 | 2024-04-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 防误入间隔的监测方法、装置、设备、介质和程序产品 |
CN116187313A (zh) * | 2023-04-27 | 2023-05-30 | 南方电网数字电网研究院有限公司 | 基于自然语言处理技术的电力操作票设备识别与勘误方法 |
CN116187313B (zh) * | 2023-04-27 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 基于自然语言处理技术的电力操作票设备识别与勘误方法 |
CN117093675A (zh) * | 2023-10-18 | 2023-11-21 | 江苏泰坦智慧科技有限公司 | 操作票的检索匹配方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353487A (zh) | 用于变电站的设备信息提取方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110414368B (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN111814661B (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
CN103793702B (zh) | 基于协同尺度学习的行人重识别方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111259850A (zh) | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 | |
CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
CN112069921A (zh) | 一种基于自监督知识迁移的小样本视觉目标识别方法 | |
CN109559320A (zh) | 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统 | |
CN109784197B (zh) | 基于孔洞卷积与注意力学习机制的行人再识别方法 | |
CN105138998B (zh) | 基于视角自适应子空间学习算法的行人重识别方法及系统 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN104915643A (zh) | 一种基于深度学习的行人再标识方法 | |
CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
CN110728694B (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN110880010A (zh) | 基于卷积神经网络的视觉slam闭环检测算法 | |
CN115049534A (zh) | 基于知识蒸馏的鱼眼图像实时语义分割方法 | |
CN107545281B (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN112381175A (zh) | 一种基于图像处理的电路板识别与分析方法 | |
CN114677687A (zh) | 一种融合ViT与卷积神经网络的毛笔字体类型快速识别方法 | |
CN111401113A (zh) | 一种基于人体姿态估计的行人重识别方法 |
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: 20200630 |
|
RJ01 | Rejection of invention patent application after publication |