CN111402253A - 融合边缘计算和深度学习的输变电设备状态在线监测方法 - Google Patents
融合边缘计算和深度学习的输变电设备状态在线监测方法 Download PDFInfo
- Publication number
- CN111402253A CN111402253A CN202010257668.XA CN202010257668A CN111402253A CN 111402253 A CN111402253 A CN 111402253A CN 202010257668 A CN202010257668 A CN 202010257668A CN 111402253 A CN111402253 A CN 111402253A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- edge
- layer
- transformation equipment
- image
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 65
- 230000009466 transformation Effects 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract 2
- 239000012212 insulator Substances 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种融合边缘计算和深度学习的输变电设备状态在线监测方法，所述方法通过监测设备层完成输变电设备图像信息的采集；边缘网络层实现监测设备层与边缘服务器层之间的相互通信；边缘服务器层将采集的输变电设备图像信息进行预处理；移动核心网层实现边缘服务器层与云服务器层之间的相互通信；由云服务器层根据融合边缘计算和已训练的深度学习模型完成输变电设备状态分类及故障识别。相比于现有的输变电设备状态在线监测方法，该输变电设备状态在线监测技术具有识别精度高、传输时延低、成本低等优点。
Description
技术领域
本发明涉及一种融合边缘计算和深度学习的输变电设备状态在线监测方法，属电力设备检测技术领域。
背景技术
输变电设备是电力运输过程中重要的组成部分，对输变电设备状态进行监测是供电企业生产运营的重要环节之一，先进的技术手段和有效监测设备手段，能够及时发现并消除由于设备状态劣化对电网安全稳定运行构成的威胁，能够确保电网安全稳定和可靠的供电。
现有的输变电设备状态在线监测技术单一，由于监测方式的约束，不适合进行长期在线监测，不能满足泛在电力物联网万物互联、人机交互等要求。且现有输变电设备状态在线监测技术数据都要上传至云端处理，存在误判率高、传输时延高、成本高、可靠性低等缺点。
发明内容
本发明的目的是，为了解决现有的输变电设备在线监测技术存在传输时延高、误判率高、可靠性低等问题，提出一种融合边缘计算和深度学习的输变电设备状态在线监测方法。
本发明实现的技术方案如下，一种融合边缘计算和深度学习的输变电设备状态在线监测方法，所述方法通过监测设备层完成输变电设备图像信息的采集；边缘网络层实现监测设备层与边缘服务器层之间的相互通信；边缘服务器层将采集的输变电设备图像信息进行预处理；移动核心网层实现边缘服务器层与云服务器层之间的相互通信；由云服务器层融合边缘计算和已训练的深度学习模型完成输变电设备状态分类及故障识别。
所述监测设备采用带有摄像头的无人机，实现输变电设备图像信息的采集。
所述边缘服务器层为距离监测设备最近的处理与决策层，根据边缘网络连接类型，设置在WiFi接入点或者5G基站，而且配备高性能GPU资源来支持例如图像处理的快速运算；所述边缘服务器层主要完成所接收输变电设备图像的增强及轮廓识别，一方面，对上传的数据进行编号、分类及存储，节约云端存储空间。另一方面，边缘服务器搭载一些经过训练的算法，对冗余数据进行处理，减少上传数据量，提高系统效率。此外，边缘服务器还可以根据云服务器的查验要求，向云服务器层上传所需的输变电设备源图像根据云服务器的查验要求，向云服务器层上传所需的输变电设备源图像。
所述边缘服务器选用NAS网络存储服务器，通过NSCT变换和最大熵区域分割法对输变电设备图像进行增强与分割。
所述云服务器层为监测系统的中央控制器；整合了传统意义上的互联网应用三大核心要素：计算、存储、网络，面向用户提供共用化的互联网设施服务。位于框架顶层的云服务器层接受来自所有边缘服务器的信息，根据已训练的深度学习模型完成输变电设备的状态分类及故障识别；云服务器如果诊断输变电设备图像为故障图像，则根据数据编号向边缘服务器发出查询需求，调取输变电图像源数据进行二次分析与校验。
所述深度学习模型先对边缘端处理过的输变电设备图像进行特征提取，得到特征映射图，然后区域建议网络生成候选区域，最后利用ROI池化层提取候选区域的图像特征，并传递到全连接层实现边框定位和故障诊断。
所述移动核心网层通过5G网络完成边缘服务器层与云服务器层之间的相互通信。
所述边缘网络层将监测设备连接到边缘服务器；由于边缘服务器与监测设备为一对多的关系，且采集的是输变电设备图像信息，为了满足较高的传输速率，则选用WiFi或者5G通信。
本发明的有益效果是，本发明方法通过边缘计算完成了数据过滤，减少了上传至云端的数据量，降低了传输时延；本发明的云服务器层采用改进的深度学习模型完成输变电设备图像信息的状态分类及故障识别，提高了识别精度；当云服务器诊断输变电设备图像为故障图像，则向边缘服务器发出查询需求调取输变电图像源数据进行二次分析与校验，降低了误判率。本发明方法相比于现有的输变电设备状态在线监测方法，本发明方法具有识别精度高、传输时延低、成本低等优点，极大的提高了输变电设备在线监测系统的可靠性。
附图说明
图1是输变电设备状态在线监测技术框架图；
图2是输电线设备状态在线监测流程图；
图3本实施例绝缘子故障识别模型框架图。
具体实施方式
本实施例以绝缘子为例，为代表输变电设备被监测的对象。
如图1所示，为本实例边缘计算和深度学习的绝缘子状态在线监测技术框架，包括监测设备、边缘网络、边缘服务器、移动核心网、云服务器。
如图2所示，为绝缘子状态在线监测流程图。
整个流程分为边缘端和云端两部分。监测设备获取绝缘子图像信息，由边缘网络上传至就近的边缘服务器。边缘服务器首先根据上传时间、地点以及大气环境等对绝缘子图片信息进行编号、分类和存储。然后通过提取目标对象减少上传数据量，节省云端存储空间。最后通过移动核心网，将预处理数据上传至云端。此外，边缘服务器能够响应云端查验需求。云端深度学习模型对绝缘子图像信息进行分析。当判别为疑似故障时，能够通过向边缘服务器调取原始数据、甚至要求重新采集的方式，对故障进行多角度地分析与校验，从而减少故障误判的可能性。
具体实施步骤如下：
步骤一：数据采集和存储。
监测设备选用无人机，边缘网络选用5G移动网络。无人机拍摄到的绝缘子红外图像通过5G网络传输至边缘服务器后，首先对图像进行统一编号存储，具体命名规则如下：绝缘子图像名称 = 采集时间 + 绝缘子位置经纬度 + 环境温度。
步骤二：通过边缘服务器完成对接收到的绝缘子图像信息预处理，即图像增强和轮廓识别。
选取NAS网络存储服务器作为边缘数据处理层的边缘服务器，采用NSCT变换进行绝缘子图像增强，采用最大熵阈值分割算法对绝缘子进行提取，最后通过5G移动网络上传至云端。
步骤三：云端完成对绝缘子的故障识别。
输电线路上的绝缘子红外图像经过边缘预处理后传输至云端进行状态分类。如图3所示，为基于改进Faster-RCNN的绝缘子状态分类模型框架图。首先对红外图像通过改进的CNN进行体征提取，得到特征映射图（Feature map）；区域建议策略网络RPN（RegionProposal Network）利用softmax激活函数计算映射图中每个特征点属于前景目标的概率，同时在原始图像的相应位置生成若干尺寸不一的候选区域；ROI（Region Of Interst）池化层将候选区域映射为维度固定的特征向量，然后再次利用softmax判断候选区域中绝缘子，完成云端对绝缘子状态分类及故障识别。
Claims (9)
1.一种融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述方法通过监测设备层完成输变电设备图像信息的采集；边缘网络层实现监测设备层与边缘服务器层之间的相互通信；边缘服务器层将采集的输变电设备图像信息进行预处理；移动核心网层实现边缘服务器层与云服务器层之间的相互通信；由云服务器层根据融合边缘计算和已训练的深度学习模型完成输变电设备状态分类及故障识别。
2.根据权利要求1所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述监测设备采用带有摄像头的无人机，实现输变电设备图像信息的采集。
3.根据权利要求1所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述边缘服务器层为距离监测设备最近的处理与决策层，设置在WiFi接入点或者5G基站；所述边缘服务器层完成所接收输变电设备图像的增强及轮廓识别，并对图像信息进行编号、分类及存储；所述边缘服务器还搭载一些经过训练的算法，对冗余数据进行处理，减少上传数据量；根据云服务器的查验要求，向云服务器层上传所需的输变电设备源图像。
4.根据权利要求3所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述边缘服务器选用NAS网络存储服务器，通过NSCT变换和最大熵区域分割法对输变电设备图像进行增强与分割。
5.根据权利要求1所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述云服务器层为监测系统的中央控制器；根据已训练的深度学习模型完成输变电设备的状态分类及故障识别；云服务器如果诊断输变电设备图像为故障图像，则根据数据编号向边缘服务器发出查询需求，调取输变电图像源数据进行二次分析与校验。
6.根据权利要求5所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述深度学习模型先对边缘端处理过的输变电设备图像进行特征提取，得到特征映射图，然后区域建议网络生成候选区域，最后利用ROI池化层提取候选区域的图像特征，并传递到全连接层实现边框定位和故障诊断。
7.根据权利要求1所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述移动核心网层通过5G网络完成边缘服务器层与云服务器层之间的相互通信。
8.根据权利要求1所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述边缘网络层将监测设备连接到边缘服务器；由于边缘服务器与监测设备为一对多的关系，且采集的是输变电设备图像信息，为了满足较高的传输速率，则选用WiFi或者5G通信。
9.根据权利要求1所述的融合边缘计算和深度学习的输变电设备状态在线监测方法，其特征在于，所述方法用于监测绝缘子的步骤如下：
（1）数据采集和存储，监测设备选用无人机，边缘网络选用5G移动网络；无人机拍摄到的绝缘子红外图像通过5G网络传输至边缘服务器后，首先对图像进行统一编号存储，具体命名规则如下：绝缘子图像名称 = 采集时间 + 绝缘子位置经纬度 + 环境温度；
（2）通过边缘服务器完成对接收到的绝缘子图像信息预处理，即图像增强和轮廓识别，选取NAS网络存储服务器作为边缘数据处理层的边缘服务器，采用NSCT变换进行绝缘子图像增强，采用最大熵阈值分割算法对绝缘子进行提取，最后通过5G移动网络上传至云端；
（3）云端完成对绝缘子的故障识别，输电线路上的绝缘子红外图像经过边缘预处理后传输至云端进行状态分类；首先对红外图像通过改进的CNN进行体征提取，得到特征映射图；区域建议策略网络RPN利用softmax激活函数计算映射图中每个特征点属于前景目标的概率；同时在原始图像的相应位置生成若干尺寸不一的候选区域；ROI池化层将候选区域映射为维度固定的特征向量，然后再次利用softmax判断候选区域中绝缘子，完成云端对绝缘子状态分类及故障识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257668.XA CN111402253B (zh) | 2020-04-03 | 2020-04-03 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257668.XA CN111402253B (zh) | 2020-04-03 | 2020-04-03 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402253A true CN111402253A (zh) | 2020-07-10 |
| CN111402253B CN111402253B (zh) | 2023-04-07 |
Family
ID=71433545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010257668.XA Active CN111402253B (zh) | 2020-04-03 | 2020-04-03 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402253B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085071A (zh) * | 2020-08-21 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种基于边缘计算的配电房设备故障分析预判方法及装置 |
| CN112218029A (zh) * | 2020-12-10 | 2021-01-12 | 北京电信易通信息技术股份有限公司 | 一种多卡链路视频传输方法 |
| CN112241732A (zh) * | 2020-12-04 | 2021-01-19 | 中国电力科学研究院有限公司 | 一种输电线路在线监测方法、系统及存储介质 |
| CN112527849A (zh) * | 2020-12-23 | 2021-03-19 | 珠海星客合创科技有限公司 | 一种基于云-边混合物联网系统的智能数据标注方法 |
| CN112732718A (zh) * | 2021-01-06 | 2021-04-30 | 华南理工大学 | 面向云边端的智能结构化数据方法、系统和介质 |
| CN112985501A (zh) * | 2021-02-09 | 2021-06-18 | 国网新疆电力有限公司阿克苏供电公司 | 一种集成多传感器的电线杆防灾减灾装置及其方法 |
| CN113534832A (zh) * | 2021-08-03 | 2021-10-22 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于边缘计算的无人机巡检跟踪配网线飞行方法 |
| CN113537011A (zh) * | 2021-07-06 | 2021-10-22 | 广西电网有限责任公司 | 一种基于云边融合的电力杆塔输电线路状态监测的方法 |
| CN113780371A (zh) * | 2021-08-24 | 2021-12-10 | 上海电力大学 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
| CN114926954A (zh) * | 2022-06-15 | 2022-08-19 | 上海意静信息科技有限公司 | 火灾报警确认的方法及相关组件 |
| CN115128417A (zh) * | 2022-08-31 | 2022-09-30 | 江苏鑫洋智能电力科技有限公司 | 一种宝塔结构电气设备绝缘性能智能在线监测装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400141A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
| CN103941746A (zh) * | 2014-03-29 | 2014-07-23 | 国家电网公司 | 无人机巡检图像处理系统及方法 |
| CN105300528A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 变电站设备红外图像诊断方法及系统 |
| CN206460128U (zh) * | 2017-01-04 | 2017-09-01 | 山西恒海创盈科技有限公司 | 一种绝缘子非接触式故障巡检装置 |
| CN107507194A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 |
| CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
| CN108334831A (zh) * | 2018-01-26 | 2018-07-27 | 中南大学 | 一种监测图像处理方法、监测终端及系统 |
| CN109118434A (zh) * | 2017-06-26 | 2019-01-01 | 南京东大智能化系统有限公司 | 一种图像预处理方法 |
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN110765365A (zh) * | 2019-10-25 | 2020-02-07 | 国网河南省电力公司信息通信公司 | 分布式边云协同缓存策略的实现方法、装置、设备和介质 |
-
2020
- 2020-04-03 CN CN202010257668.XA patent/CN111402253B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400141A (zh) * | 2013-07-24 | 2013-11-20 | 华南理工大学 | 一种基于改进图像法的输电导线覆冰厚度的计算方法 |
| CN103941746A (zh) * | 2014-03-29 | 2014-07-23 | 国家电网公司 | 无人机巡检图像处理系统及方法 |
| CN105300528A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 变电站设备红外图像诊断方法及系统 |
| CN206460128U (zh) * | 2017-01-04 | 2017-09-01 | 山西恒海创盈科技有限公司 | 一种绝缘子非接触式故障巡检装置 |
| CN109118434A (zh) * | 2017-06-26 | 2019-01-01 | 南京东大智能化系统有限公司 | 一种图像预处理方法 |
| CN107507194A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 |
| CN108280855A (zh) * | 2018-01-13 | 2018-07-13 | 福州大学 | 一种基于Fast R-CNN的绝缘子故障检测方法 |
| CN108334831A (zh) * | 2018-01-26 | 2018-07-27 | 中南大学 | 一种监测图像处理方法、监测终端及系统 |
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN110765365A (zh) * | 2019-10-25 | 2020-02-07 | 国网河南省电力公司信息通信公司 | 分布式边云协同缓存策略的实现方法、装置、设备和介质 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085071A (zh) * | 2020-08-21 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种基于边缘计算的配电房设备故障分析预判方法及装置 |
| CN112241732A (zh) * | 2020-12-04 | 2021-01-19 | 中国电力科学研究院有限公司 | 一种输电线路在线监测方法、系统及存储介质 |
| CN112218029A (zh) * | 2020-12-10 | 2021-01-12 | 北京电信易通信息技术股份有限公司 | 一种多卡链路视频传输方法 |
| CN112218029B (zh) * | 2020-12-10 | 2021-02-23 | 北京电信易通信息技术股份有限公司 | 一种多卡链路视频传输方法 |
| CN112527849A (zh) * | 2020-12-23 | 2021-03-19 | 珠海星客合创科技有限公司 | 一种基于云-边混合物联网系统的智能数据标注方法 |
| CN112732718B (zh) * | 2021-01-06 | 2022-06-14 | 华南理工大学 | 面向云边端的智能结构化数据方法、系统和介质 |
| CN112732718A (zh) * | 2021-01-06 | 2021-04-30 | 华南理工大学 | 面向云边端的智能结构化数据方法、系统和介质 |
| CN112985501A (zh) * | 2021-02-09 | 2021-06-18 | 国网新疆电力有限公司阿克苏供电公司 | 一种集成多传感器的电线杆防灾减灾装置及其方法 |
| CN113537011A (zh) * | 2021-07-06 | 2021-10-22 | 广西电网有限责任公司 | 一种基于云边融合的电力杆塔输电线路状态监测的方法 |
| CN113534832A (zh) * | 2021-08-03 | 2021-10-22 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于边缘计算的无人机巡检跟踪配网线飞行方法 |
| CN113534832B (zh) * | 2021-08-03 | 2024-03-15 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于边缘计算的无人机巡检跟踪配网线飞行方法 |
| CN113780371A (zh) * | 2021-08-24 | 2021-12-10 | 上海电力大学 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
| CN114926954A (zh) * | 2022-06-15 | 2022-08-19 | 上海意静信息科技有限公司 | 火灾报警确认的方法及相关组件 |
| CN115128417A (zh) * | 2022-08-31 | 2022-09-30 | 江苏鑫洋智能电力科技有限公司 | 一种宝塔结构电气设备绝缘性能智能在线监测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402253B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402253B (zh) | 融合边缘计算和深度学习的输变电设备状态在线监测方法 | |
| CN111179345B (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 | |
| Liu et al. | Research on automatic garbage detection system based on deep learning and narrowband internet of things | |
| CN109977921B (zh) | 一种输电线路隐患检测方法 | |
| CN112784718B (zh) | 一种基于边缘计算与深度学习的绝缘子状态识别方法 | |
| US20190095764A1 (en) | Method and system for determining objects depicted in images | |
| CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
| CN108683877B (zh) | 基于Spark的分布式海量视频解析系统 | |
| CN109101602A (zh) | 图像检索模型训练方法、图像检索方法、设备及存储介质 | |
| CN112507035B (zh) | 输电线路多源异构数据统一标准化处理系统及方法 | |
| US20220343758A1 (en) | Data Transmission Method and Apparatus | |
| SE541962C2 (en) | Method and apparatus for detecting vehicle contour based on point cloud data | |
| US9686451B2 (en) | Real time driving difficulty categorization | |
| WO2022166625A1 (zh) | 一种车辆行驶场景中信息推送的方法以及相关装置 | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN114092920B (zh) | 一种模型训练的方法、图像分类的方法、装置及存储介质 | |
| US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
| CN115460647A (zh) | 基于eSIM卡和5G基站的物联网故障定位方法及系统 | |
| US11754748B2 (en) | Temperature prediction system | |
| CN113139615A (zh) | 一种基于嵌入式设备的无人驾驶环境目标检测方法 | |
| CN112926415A (zh) | 一种行人避让系统和行人监测方法 | |
| Xu et al. | Edge4fr: A novel device-edge collaborative framework for facial recognition in smart uav delivery systems | |
| CN113780371B (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
| CN116229424A (zh) | 基于改进YOLO v3的智能网联汽车行人检测方法 | |
| CN116259040A (zh) | 识别交通标志的方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |