CN111478441A - 带前端分析的输电线路图像监测设备及分析方法 - Google Patents
带前端分析的输电线路图像监测设备及分析方法 Download PDFInfo
- Publication number
- CN111478441A CN111478441A CN202010305407.0A CN202010305407A CN111478441A CN 111478441 A CN111478441 A CN 111478441A CN 202010305407 A CN202010305407 A CN 202010305407A CN 111478441 A CN111478441 A CN 111478441A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- target detection
- analysis
- lightweight
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及输电线路智能监拍技术领域;具体涉及一种带前端分析的输电线路图像监测设备,包括功能主板、控制板、接口扩展板及电源,所述电源为控制板供电,控制板与功能主板通信并为功能主板供电,功能主板集成有拍照模块、通信模块和CPU,功能主板内嵌云管理平台,所述云管理平台包括图像分析模块,所述图像分析模块采用深度学习的目标检测算法对拍照模块采集的图像进行隐患分析;本发明还提供一种分析方法,对输电电路采集的监控图像进行前端分析。本发明可对监控设备拍摄的现场图片进行实时分析,及时发现隐患信息,实时性高。
Description
技术领域
本发明涉及输电线路智能监拍技术领域;具体涉及一种带前端分析的输电线路图像监测设备及分析方法。
背景技术
近几年,随着经济的快速发展,高压输电线路越来越多,线路管控任务越来越繁重。当前,输电线路图像监测设备一般功能较单一,只负责线路拍照功能,对采集的数据和图像信息基本不做分析和处理,而是将数据发送到系统平台,由后端系统平台进行分析处理,实时性差。
发明内容
为解决上述技术问题,本发明提供一种带前端分析的输电线路图像监测设备及分析方法,可对监控设备拍摄的现场图片进行实时分析,及时发现隐患信息,实时性高。
本发明所述带前端分析的输电线路图像监测设备,包括功能主板、控制板、接口扩展板及电源,所述电源为控制板供电,控制板与功能主板通信并为功能主板供电,功能主板集成有拍照模块、通信模块和CPU,功能主板内嵌云管理平台,所述云管理平台包括图像分析模块,所述图像分析模块采用基于深度学习的轻量化目标检方法对采集的图像进行隐患分析。
本发明控制板可采用STM8L151系列8位单片机实现,具有功耗低、资源丰富等优点,由控制板控制功能主板上电启动,功能主板由基于高通的SOC套片方案实现,功能主板启动后通过通信模块(一般为4G模块)自动进行网络校时,获取当前系统时钟,同时与FTP服务器进行信息交互,获取开关机时间、拍照模块的拍照次数等信息,按照预先设定的工作方式进行定时拍照、传输,工作完成后转入休眠状态。拍照图片一般为JPEG格式,根据不同的客户需求可以设定不同的图片大小、分辨率等。功能主板和控制板之间通过UART传递信息,根据系统时间、设备开启关闭时间等参数,控制板按照预先设计的工作计划,到达设备启动工作时间后,控制功能主板上电,功能主板按照设定的工作方式对现场监测点进行拍照、图像上传。无拍照任务时设备进入低功耗模式,减少电能消耗。当控制板检测到关机时间后,切断功能主板电源。
优选地,所述轻量化目标检测方法步骤为:
S1、构建输电线路通道隐患图片样本集;
S2、在MxNet深度学习框架基础上,搭建轻量化目标检测模型;
S3、修改模型算子精度由32FP为16FP;
S4、根据KMean聚类算法计算anchor值,设计anchor值适配不同尺寸输出(将bounding box回归损失函数由原来的IOU loss计算改为GIOU loss损失);
S5、轻量化目标检测模型初始化并利用混合精度进行训练,直至模型收敛;
S6、部署轻量化目标检测模型到云管理平台。
优选地,轻量化目标检测模型的搭建方法为:
在MxNet深度学习框架基础上搭建轻量化特征提取网络层,轻量化特征提取网络层包括卷积层、池化层和特征连接层,所述特征连接层包括一个两路密集层来得到不同尺度的感受野;其中,一路密集层采用一个3×3的卷积核,用于捕捉小尺寸目标,一路密集层采用2个3×3的卷积核的卷积核,用于捕捉大尺寸目标,在实际的图像分析过程中,大尺寸感受野用于分析图像中的目标存在尺寸占比较大的近景大目标,小尺寸感受野用于分析图像中的目标存在尺寸占比较小的远景小目标。特征连接层采用结构级联,对输入图像进行三层降采样特征提取,提取特征后,在进行特征检测前,加入轻量化的残差块(Resblock),以确保特征表达能力。
输电线路通道隐患图片样本集主要包含输电线路内塔吊、吊车、挖掘机等大型施工机械以及异物悬挂、烟火等隐患类型,轻量化目标检测模型部署到云管理平台后,由拍照模块采集图像并进行目标检测,轻量化目标检测模型图像输入尺寸416×416,在输出结果前,通过三层预测输出13×13×512,26×26×256,52×52×128,经过残差模块优化后,最终采用NMS非极大值抑制算法过滤,得到最终检测结果,即隐患目标类型以及其所在的矩形框位置。
优选地,所述功能主板连接接口扩展板,由接口扩展板连接多个输电线路参数检测元件,云管理平台还包括状态评估模块,输电线路参数检测元件检测数据发送至状态评估模块,状态评估模块判断各输电线路参数检测元件采集的数据是否处于正常范围内,一旦有一项不在正常范围内,立即上传异常信息并预警。
优选地,所述功能主板连接接口扩展板,接口扩展板上设置多个可扩展硬件接口。
优选地,所述可扩展硬件接口包括无线通信接口、有线通信接口;无线通信接口包括433MHz、蓝牙、WiFi或RFID接口中的一种或几种,例如,433MHz短距无线模块具有功耗低,可休眠,能够空中唤醒等优点,用作接收其它433MHz接口的采集设备,有线通信接口包括RS232和/或RS485接口,例如,RS485接口能够接入具有RS485通讯接口及协议的微气象数据并上传服务平台。
所述电源包括太阳能电池板和蓄电池,所述太阳能电池板通过电源转换模块为蓄电池供电,蓄电池通过电源控制电路连接至控制板,通过太阳能+蓄电池的供电方式实现对设备的供电。
优选地,所述可扩展硬件接口连接副机拍照设备,功能主板接收副机拍照设备拍摄的图片,采用深度学习的目标检测算法对副机拍照设备监控区域内的施工机械、山火等进行智能分析,并及时将分析结果推送给运维人员,副机拍照设备通过WiFi接口扩展。
本发明还提供一种带前端分析的输电线路图像分析方法,在输电线路前端监控设备的功能主板内嵌分析单元,由分析单元对监控设备采集的图像信息采用基于深度学习的轻量化目标检方法对采集的图像进行隐患分析,基于深度学习的轻量化目标检方法包括以下步骤:
S1、构建输电线路通道隐患图片样本集;
S2、在MxNet深度学习框架基础上,搭建轻量化目标检测模型;
S3、修改模型算子精度由32FP为16FP;
S4、根据KMean聚类算法计算anchor值,设计anchor值适配不同尺寸输出,将bounding box回归损失函数由原来的IOU loss计算改为GIOU loss损失;
S5、轻量化目标检测模型初始化并利用混合精度进行训练,直至模型收敛;
S6、部署轻量化目标检测模型到云管理平台。
优选地,轻量化目标检测模型的搭建方法为:
在MxNet深度学习框架基础上搭建轻量化特征提取网络层,轻量化特征提取网络层包括卷积层、池化层和特征连接层,所述特征连接层包括一个两路密集层来得到不同尺度的感受野;其中,一路密集层采用一个3×3的卷积核,用于捕捉小尺寸目标,一路密集层采用2个3×3的卷积核的卷积核,用于捕捉大尺寸目标,在实际的图像分析过程中,大尺寸感受野用于分析图像中的目标存在尺寸占比较大的近景大目标,小尺寸感受野用于分析图像中的目标存在尺寸占比较小的远景小目标。
与现有技术相比,本发明具有以下有益效果:
本发明可对监控设备拍摄的现场图片进行实时分析,及时发现隐患信息,实时性高,通过接口扩展板可接入不同的智能设备,实现了对输电线路上不同的智能设备在同一平台的接入。
附图说明
图1实施例1结构框图。
图2基于深度学习的轻量化目标检方法流程图。
图3特征连接层级联结构图。
图4轻量化目标检测模型图。
具体实施方式
实施例1:
如图1所示,本发明所述带前端分析的输电线路图像监测设备,包括功能主板、控制板、接口扩展板及电源,所述电源为控制板供电,控制板与功能主板通信并为功能主板供电,功能主板集成有拍照模块、通信模块和CPU,功能主板内嵌云管理平台,所述云管理平台包括图像分析模块,所述图像分析模块采用基于深度学习的轻量化目标检方法对采集的图像进行隐患分析。
如图2所示,所述轻量化目标检测方法步骤为:
S1、构建输电线路通道隐患图片样本集;
S2、在MxNet深度学习框架基础上,搭建轻量化目标检测模型;
S3、修改模型算子精度由32FP为16FP;
S4、根据KMean聚类算法计算anchor值,设计anchor值适配不同尺寸输出,将bounding box回归损失函数由原来的IOU loss计算改为GIOU loss损失;
S5、轻量化目标检测模型初始化并利用混合精度进行训练,直至模型收敛;
S6、部署轻量化目标检测模型到云管理平台。
优选地,轻量化目标检测模型的搭建方法为:
在MxNet深度学习框架基础上搭建轻量化特征提取网络层,轻量化特征提取网络层包括卷积层、池化层和特征连接层,如图3-4所示,所述特征连接层包括一个两路密集层来得到不同尺度的感受野;其中,一路密集层采用一个3×3的卷积核,用于捕捉小尺寸目标,一路密集层采用2个3×3的卷积核的卷积核,用于捕捉大尺寸目标,在实际的图像分析过程中,大尺寸感受野用于分析图像中的目标存在尺寸占比较大的近景大目标,小尺寸感受野用于分析图像中的目标存在尺寸占比较小的远景小目标。特征连接层采用结构级联,对输入图像进行三层降采样特征提取,提取特征后,在进行特征检测前,加入轻量化的残差块(Resblock),以确保特征表达能力。
输电线路通道隐患图片样本集主要包含输电线路内塔吊、吊车、挖掘机等大型施工机械以及异物悬挂、烟火等隐患类型,轻量化目标检测模型部署到云管理平台后,由拍照模块采集图像并进行目标检测,轻量化目标检测模型图像输入尺寸416×416,在输出结果前,通过三层预测输出13×13×512,26×26×256,52×52×128,经过残差模块优化后,最终采用NMS非极大值抑制算法过滤,得到最终检测结果,即隐患目标类型以及其所在的矩形框位置。功能主板连接接口扩展板,接口扩展板上设置多个可扩展硬件接口,可扩展硬件接口包括无线通信接口、有线通信接口;无线通信接口包括433MHz、蓝牙、WiFi或RFID接口中的一种或几种,例如,433MHz短距无线模块具有功耗低,可休眠,能够空中唤醒等优点,用作接收其它433MHz接口的采集设备,有线通信接口包括RS232和/或RS485接口,例如,RS485接口能够接入具有RS485通讯接口及协议的微气象数据并上传服务平台。
电源包括太阳能电池板和蓄电池,所述太阳能电池板通过电源转换模块为蓄电池供电,蓄电池通过电源控制电路连接至控制板,通过太阳能+蓄电池的供电方式实现对设备的供电,其中太阳能板规格为20WDC12V的钢化玻璃板,蓄电池优先选用磷酸铁锂电池选择20AH6.4V,通过DC/DC转换给控制板供电,DC/DC采用TI公司的TPS563200,具有3A电流输出。
可扩展硬件接口连接副机拍照设备,功能主板接收副机拍照设备拍摄的图片,采用深度学习的目标检测算法对副机拍照设备监控区域内的施工机械、山火等进行智能分析,并及时将分析结果推送给运维人员,副机拍照设备通过WiFi接口扩展。
本发明控制板可采用STM8L151系列8位单片机实现,具有功耗低、资源丰富等优点,由控制板控制功能主板上电启动,功能主板由基于高通的SOC套片方案实现,功能主板启动后通过通信模块(一般为4G模块)自动进行网络校时,获取当前系统时钟,同时与FTP服务器进行信息交互,获取开关机时间、拍照模块的拍照次数等信息,按照预先设定的工作方式进行定时拍照、传输,工作完成后转入休眠状态。拍照图片一般为JPEG格式,根据不同的客户需求可以设定不同的图片大小、分辨率等。功能主板和控制板之间通过UART传递信息,根据系统时间、设备开启关闭时间等参数,控制板按照预先设计的工作计划,到达设备启动工作时间后,控制功能主板上电,功能主板按照设定的工作方式对现场监测点进行拍照、图像上传。无拍照任务时设备进入低功耗模式,减少电能消耗。当控制板检测到关机时间后,切断功能主板电源。
实施例2:
本实施例在实施例1的基础上,为云管理平台增设了状态评估模块,功能主板连接接口扩展板,由接口扩展板连接多个输电线路参数检测元件,输电线路参数检测元件检测数据发送至状态评估模块,状态评估模块判断各输电线路参数检测元件采集的数据是否处于正常范围内,一旦有一项不在正常范围内,立即上传异常信息并预警。输电线路参数检测元件包括微气象传感器、杆塔倾斜检测传感器、震动传感器、温度传感器等,根据安装及使用场景的不同,选择合适的参数检测元件进行安装。
实施例3:
本实施例提供一种带前端分析的输电线路图像分析方法,在输电线路前端监控设备的功能主板内嵌分析单元,由分析单元对监控设备采集的图像信息采用基于深度学习的轻量化目标检方法对采集的图像进行隐患分析,基于深度学习的轻量化目标检方法包括以下步骤:
S1、构建输电线路通道隐患图片样本集;
S2、在MxNet深度学习框架基础上,搭建轻量化目标检测模型;
S3、修改模型算子精度由32FP为16FP;
S4、根据KMean聚类算法计算anchor值,设计anchor值适配不同尺寸输出,将bounding box回归损失函数由原来的IOU loss计算改为GIOU loss损失;
S5、轻量化目标检测模型初始化并利用混合精度进行训练,直至模型收敛;
S6、部署轻量化目标检测模型到云管理平台。
轻量化目标检测模型的搭建方法为:
在MxNet深度学习框架基础上搭建轻量化特征提取网络层,轻量化特征提取网络层包括卷积层、池化层和特征连接层,所述特征连接层包括一个两路密集层来得到不同尺度的感受野;其中,一路密集层采用一个3×3的卷积核,用于捕捉小尺寸目标,一路密集层采用2个3×3的卷积核的卷积核,用于捕捉大尺寸目标在实际的图像分析过程中,大尺寸感受野用于分析图像中的目标存在尺寸占比较大的近景大目标,小尺寸感受野用于分析图像中的目标存在尺寸占比较小的远景小目标。特征连接层采用结构级联,对输入图像进行三层降采样特征提取,提取特征后,在进行特征检测前,加入轻量化的残差块(Resblock),以确保特征表达能力。
输电线路通道隐患图片样本集主要包含输电线路内塔吊、吊车、挖掘机等大型施工机械以及异物悬挂、烟火等隐患类型,轻量化目标检测模型部署到云管理平台后,由拍照模块采集图像并进行目标检测,轻量化目标检测模型图像输入尺寸416×416,在输出结果前,通过三层预测输出13×13×512,26×26×256,52×52×128,经过残差模块优化后,最终采用NMS非极大值抑制算法过滤,得到最终检测结果,即隐患目标类型以及其所在的矩形框位置。
Claims (9)
1.一种带前端分析的输电线路图像监测设备,其特征在于,包括功能主板、控制板、接口扩展板及电源,所述电源为控制板供电,控制板与功能主板通信并为功能主板供电,功能主板集成有拍照模块、通信模块和CPU,功能主板内嵌云管理平台,所述云管理平台包括图像分析模块,所述图像分析模块采用基于深度学习的轻量化目标检方法对采集的图像进行隐患分析。
2.根据权利要求1所述的带前端分析的输电线路图像监测设备,其特征在于,所述轻量化目标检测方法步骤为:
S1、构建输电线路通道隐患图片样本集;
S2、在MxNet深度学习框架基础上,搭建轻量化目标检测模型;
S3、修改模型算子精度由32FP为16FP;
S4、根据KMean聚类算法计算anchor值,设计anchor值适配不同尺寸输出;
S5、轻量化目标检测模型初始化并利用混合精度进行训练,直至模型收敛;
S6、部署轻量化目标检测模型到云管理平台。
3.根据权利要求2所述的带前端分析的输电线路图像监测设备,其特征在于,轻量化目标检测模型的搭建方法为:
在MxNet深度学习框架基础上搭建轻量化特征提取网络层,轻量化特征提取网络层包括卷积层、池化层和特征连接层,所述特征连接层包括特征提取层,所述特征提取层包括一个两路密集层来得到不同尺度的感受野;其中,一路密集层采用一个3×3的卷积核,用于捕捉小尺寸目标,一路密集层采用2个3×3的卷积核的卷积核。
4.根据权利要求1所述的带前端分析的输电线路图像监测设备,其特征在于,所述功能主板连接接口扩展板,由接口扩展板连接多个输电线路参数检测元件,云管理平台还包括状态评估模块,输电线路参数检测元件检测数据发送至状态评估模块,状态评估模块判断各输电线路参数检测元件采集的数据是否处于正常范围内,一旦有一项不在正常范围内,立即上传异常信息并预警。
5.根据权利要求1所述的带前端分析的输电线路图像监测设备,其特征在于,所述功能主板连接接口扩展板,接口扩展板上设置多个可扩展硬件接口。
6.根据权利要求1所述的带前端分析的输电线路图像监测设备,其特征在于,所述电源包括太阳能电池板和蓄电池,所述太阳能电池板通过电源转换模块为蓄电池供电,蓄电池通过电源控制电路连接至控制板。
7.根据权利要求1所述的带前端分析的输电线路图像监测设备,其特征在于,所述可扩展硬件接口连接副机拍照设备。
8.一种带前端分析的输电线路图像分析方法,其特征在于,在输电线路前端监控设备的功能主板内嵌分析单元,由分析单元对监控设备采集的图像信息采用基于深度学习的轻量化目标检方法对采集的图像进行隐患分析,基于深度学习的轻量化目标检方法包括以下步骤:
S1、构建输电线路通道隐患图片样本集;
S2、在MxNet深度学习框架基础上,搭建轻量化目标检测模型;
S3、修改模型算子精度由32FP为16FP;
S4、根据KMean聚类算法计算anchor值,设计anchor值适配不同尺寸输出;
S5、轻量化目标检测模型初始化并利用混合精度进行训练,直至模型收敛;
S6、部署轻量化目标检测模型到云管理平台。
9.根据权利要求8所述的带前端分析的输电线路图像分析方法,其特征在于,轻量化目标检测模型的搭建方法为:
在MxNet深度学习框架基础上搭建轻量化特征提取网络层,轻量化特征提取网络层包括卷积层、池化层和特征连接层,所述特征连接层包括一个两路密集层来得到不同尺度的感受野;其中,一路密集层采用一个3×3的卷积核,用于捕捉小尺寸目标,一路密集层采用2个3×3的卷积核的卷积核,用于捕捉大尺寸目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305407.0A CN111478441A (zh) | 2020-04-17 | 2020-04-17 | 带前端分析的输电线路图像监测设备及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305407.0A CN111478441A (zh) | 2020-04-17 | 2020-04-17 | 带前端分析的输电线路图像监测设备及分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111478441A true CN111478441A (zh) | 2020-07-31 |
Family
ID=71754249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010305407.0A Withdrawn CN111478441A (zh) | 2020-04-17 | 2020-04-17 | 带前端分析的输电线路图像监测设备及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111478441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261274A (zh) * | 2020-10-28 | 2021-01-22 | 卓旺(安徽)航空科技产业股份有限公司 | 基于4k视频5g传输的施工现场安全监护移动高速球机 |
-
2020
- 2020-04-17 CN CN202010305407.0A patent/CN111478441A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261274A (zh) * | 2020-10-28 | 2021-01-22 | 卓旺(安徽)航空科技产业股份有限公司 | 基于4k视频5g传输的施工现场安全监护移动高速球机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101709954B (zh) | 一种基于机器视觉技术的架空线路覆冰在线监测装置 | |
CN106595506B (zh) | 一种水库坝体变形监测方法及系统 | |
CN103546728B (zh) | 一种野生动物野外监测装置 | |
CN107202793A (zh) | 一种检测建筑外墙质量缺陷的检测系统及方法 | |
CN110388964A (zh) | 一种隧道电缆数据采集的方法、装置和系统 | |
CN211061895U (zh) | 基于物联网的施工现场边缘计算物联分析告警系统 | |
CN207473031U (zh) | 无人机巡检故障诊断系统 | |
CN108582107A (zh) | 一种基于物联网技术的综合管廊信息系统 | |
CN107369291A (zh) | 基于深度学习的高压线路防外力破坏预警系统及方法 | |
CN108762172A (zh) | 一种调度自动化机房机器人的巡检系统 | |
CN112788110A (zh) | 一种基于云边协同模型优化的产品外观检测方法及其实现系统 | |
CN110415267A (zh) | 一种低功耗在线热红外目标识别装置及工作方法 | |
CN109341542A (zh) | 基于数字信号序列长度识别裂缝宽度的方法及其监测装置 | |
CN115297304A (zh) | 一种输电线路的视觉监测系统及方法 | |
CN111478441A (zh) | 带前端分析的输电线路图像监测设备及分析方法 | |
CN206100310U (zh) | 一种无人机用倾斜摄影监控系统 | |
CN205827677U (zh) | 一种基于物联网的新型车辆检测装置 | |
CN202929486U (zh) | 小型无人巡逻机监控系统 | |
CN108549285A (zh) | 一种综合管廊自动巡检系统 | |
CN209803842U (zh) | 一种光伏板巡检设备 | |
CN210511074U (zh) | 一种基于无人机遥感和深度学习的油气管道全智能巡检系统 | |
CN108737775B (zh) | 大数据采集平台 | |
CN105763648A (zh) | 一种基于wsn的智能办公控制系统与方法 | |
CN115551060A (zh) | 低功耗数据监控方法 | |
CN216595971U (zh) | 一种输电边缘智能终端设备及监控系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200731 |