CN111524108A - 一种变电站设备检测方法及设备 - Google Patents
一种变电站设备检测方法及设备 Download PDFInfo
- Publication number
- CN111524108A CN111524108A CN202010294698.8A CN202010294698A CN111524108A CN 111524108 A CN111524108 A CN 111524108A CN 202010294698 A CN202010294698 A CN 202010294698A CN 111524108 A CN111524108 A CN 111524108A
- Authority
- CN
- China
- Prior art keywords
- equipment
- substation
- target
- information
- coordinates
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 153
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 24
- 230000003213 activating effect Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种变电站设备检测方法及设备。在该方法中,利用卷积神经网络及知识图谱从待测变电站设备红外图片中,获取设备对空间的信息特征向量及设备之间位置和大小关系的信息特征向量,根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备,对识别的设备进行检测。本技术方案可以提高设备检测的精度,可应用于变电器设备的故障诊断。
Description
技术领域
本发明涉及设备检测技术领域,尤其涉及一种变电站设备检测方法及设备。
背景技术
目前比较常见的变电站设备检测技术主要有红外拼接技术、光纤传感技术、RFID自动识别技术、红外热成像技术。
红外拼接技术虽然可以有效提高设备检测的准确性,不过在具体的应用过程中,可能会因现场环境以及红外热像仪成像等因素而导致红外图像只显示部分目标的现象。光纤传感技术必须结合具体的电力设备特点与情况加以确定与分析,并不能通用。RFID自动识别技术由于RFID发射器,读取机,编码器及天线等设备的设置,成本很高,同时由于各国频率开放频段不一,存在一致性上的问题。
红外热成像技术作为一种快速、无损、非接触性的状态检测技术,能够在不影响生产的状态下对电力设备进行故障检测。现有技术直接从红外图片中判定出设备,进而对该设备进行检测;由于红外图片反映了目标及背景的热辐射差异,没有颜色信息,且存在对比度低、边缘模糊、纹理信息难以表达等固有特征,难以通过红外图片区分电流互感器、电压互感器和断路器等变电站设备,设备识别误差大,降低检测的精度。
发明内容
本发明实施例提供一种变电站设备检测方法及设备,其可以提高检测的精度。
本发明发明实施例提供的具体技术方案如下:
第一方面,公开了一种变电站设备检测方法,包括:
一种变电站设备检测方法,其特征在于,包括:
利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量;
利用知识图谱从待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量;
根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备;
对识别的设备进行检测。
结合第一方面,在第一种可能的实现方式中,利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量,具体包括:
利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框;
根据目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量;
将单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量进行拼接,得到设备对空间的信息特征向量。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框,根据目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量,包括:
将待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;将训练数据集输入基础网络Hourglass,输出特征图;将特征图输入到卷积神经网络中训练,获取目标卷积层特征;
通过目标卷积层特征预测目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框;
使用将目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤;
从目标几何关键点的坐标和过滤后的大目标边界矩形框中,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量。
结合第一方面的第二种可能的实现方式,在第三种可能的实现方式中,使用将目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤,包括:
将目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框,映射到待测变电站设备红外图片相应像素点处;
若在相应像素点处,小矩形框中没有目标几何关键点,则过滤掉小矩形框所在的大目标边界矩形框。
结合第一方面的第一种可能的实现方式,在第四种可能的实现方式中,利用知识图谱从待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量,包括:
使用待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点;
根据节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量。
结合第一方面的第五种可能的实现方式,在第六种可能的实现方式中,其特征在于,使用待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点;根据节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量,包括:
预建基于变电站设备分布的知识图谱,以<实体1,关系,实体2>三元组的形式存储变电站各设备分布节点各种实体的信息,属性,实体之间的关系;其中,知识图谱包含预定变电站设备之间位置和大小比例关系;
将待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;使用训练数据集激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点,把相应节点作为激活节点;
以预定次数迭代的方法,使用激活节点激活相邻节点;其中,当前的激活节点作为迭代的初始值,使用激活节点激活相邻节点之后相邻节点成为激活节点,该激活节点作为迭代的结果;
计算节点的表示相邻节点与激活节点紧密程度的输出值,按照提前定义好的节点顺序拼接节点的输出值,得到设备之间位置和大小关系的信息特征向量。
结合第一方面的第一种可能的实现方式,在第七种可能的实现方式中,根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备,包括:
将设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量进行拼接,得到设备的总体信息特征向量;
通过全连接层对设备的总体信息特征向量进行整合,输出分类概率;
使用分类器根据分类概率识别待测变电站设备红外图片中的设备。
结合第一方面的第一种可能的实现方式,在第八种可能的实现方式中,对识别的设备进行检测,包括:
获取识别的设备的表面温度值;
根据表面温度值检测设备的故障特征。
第二方面,提供一种变电站设备检测设备,其特征在于,包括:
第一特征向量获取单元,用于利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量;
第二特征向量获取单元,用于利用知识图谱从待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量;
识别单元,用于根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备;
检测单元,用于对识别的设备进行检测。
第三方面,提供一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个应用程序配置用于执行根据权利要求1至8任一项的变电站设备检测方法。
本技术方案中,利用卷积神经网络及知识图谱从待测变电站设备红外图片中,分别获取设备对空间的信息特征向量及设备之间位置和大小关系的信息特征向量,根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备,对识别的设备进行检测;由于通过设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量能够准确识别出设备,一方面,设备识别误差小,提高检测的精度;另一方面,避免重复、多次识别,还可提高检测的效率;本技术方案可应用于变电器设备的故障诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是本发明实施例变电站设备检测方法的流程图;
图2是本发明实施例变电站设备检测方法的构建知识图谱示意图;
图3是本发明实施例变电站设备检测设备的结构示意图;
图4是本发明实施例计算机设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参照图1所示,本发明实施例中,变电站设备检测方法的流程如下:
步骤100,利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量。
步骤110,利用知识图谱从待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量。
步骤120,根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备。
步骤130,对识别的设备进行检测。
本实施例中,由于通过设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量能够准确识别出设备,一方面,设备识别误差小,提高了检测的精度;另一方面,避免重复、多次识别,还可提高检测的效率;本技术方案可应用于变电器设备的故障诊断。
作为一个实施例,步骤100可以采用如下方式:
步骤1001,利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框。
步骤1002,根据目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量。
步骤1003,将单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量进行拼接,得到设备对空间的信息特征向量。
上述步骤1001-1003,通过预测目标几何关键点的坐标和目标边界矩形框,然后提取空间位置特征向量和联合空间位置特征向量,然后拼接,得到信息特征向量;这些步骤可以准确地得到设备对空间的信息特征向量。
上述步骤1001-1003,仅为步骤100的一个实施例,本领域技术人员可以理解的是,步骤100还可采用其他的实施例。
作为一个实施例,步骤1001和步骤1002可以采用如下方式,包括步骤10011-10013、步骤10021:
步骤10011,将待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;将所述训练数据集输入基础网络Hourglass,输出特征图;将所述特征图输入到卷积神经网络中训练,获取目标卷积层特征。需要指出的是,除Hourglass外,还可以使用其他类型的基础网络。
常见的电力设备有电流互感器、电压互感器和断路器等。将训练数据集输入基础网络Hourglass,训练参数,输出特征图,Hourglass网络包含一个或多个Hourglass模块。每个模块通过卷积层和最大池化层对特征图进行下采样,再使用上采样和卷积层把特征图恢复到原有尺寸。通过skip层,将下采样过程中的特征图信息传递到对应分辨率的上采样特征图中。通过堆叠Hourglass模块,该网络能够较好地捕捉全局和局部特征;将特征图输入到卷积神经网络中训练,获取目标卷积层特征;一个模块用来预测目标的几何关键点坐标,另一个用来预测大目标矩形框的左上顶点和右下顶点坐标,并预测包含目标特征信息的小矩形框,并为每个预测点坐标分配一个置信度分数r_k。
步骤10012,通过目标卷积层特征预测目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框。
步骤10013,使用将目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤。
步骤10021,从目标几何关键点的坐标和过滤后的大目标边界矩形框中,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量。
上述步骤10011-10013、使用基础网络Hourglass输出特征图,然后输入到卷积神经网络中训练,然后预测目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框,并从所述目标几何关键点的坐标和所述过滤后的大目标边界矩形框中提取空间位置特征向量和联合空间位置特征向量;这些步骤可以准确、高效地提取空间位置特征向量和联合空间位置特征向量。
作为一个实施例,步骤10013,可以采用如下方式:
步骤100131,将所述目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框,映射到所述待测变电站设备红外图片相应像素点处。
步骤100132,若在所述相应像素点处,所述小矩形框没有目标几何关键点,则过滤掉所述小矩形框所在的大目标边界矩形框。
上述步骤10011-10013,提出了一种过滤方式,其可有效过滤大目标边界矩形框,从而准确、高效地提取空间位置特征向量和联合空间位置特征向量。
更进一步的,滤掉小矩形框所在的大目标边界矩形框,可选的,可以采用如下方式:
将目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框,映射到待测变电站设备红外图片相应像素点处。对于原图中坐标为(x,y)的点,对应到特征图中的坐标为其中m为下采样的因子。映射的过程中会生成相应的坐标偏移量。偏移量Δ的计算如下所示:
若在相应像素点处,小矩形框没有目标几何关键点,则过滤掉小矩形框所在的大目标边界矩形框。此时,有效大目标框的置信度分数变成左上顶点、右下顶点坐标和几何关键点的平均值,即:
作为一个实施例,步骤10021,可以采用如下方式:
将通过步骤10011、步骤10012及步骤10013获得的有效大目标矩形框左上顶点和右下顶点坐标分别记为(xi1,yi1)和(xi2,yi2),分别获取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量:
a)包含单个设备的大小、位置特征的空间位置特征向量
用一个长度为5的向量来表示这个特征,用(xi2-xi1)(yi2-yi1)和(xi1,yi1,xi2,yi2)分别表示设备的面积大小和位置信息。此外,使用Sj,Wj,Hj分别表示整张图片的面积大小,宽度和高度大小。将单个设备的大小、位置特征表示成一个长度为5的向量,如下所示:
该向量中第一个值表示设备占整张图片的大小比例关系,后4个值表示目标设备在整张图片中的的位置信息。
b)多个设备之间的大小、位置特征的联合空间位置特征向量
设备之间特征有相对大小关系和相对位置关系,该特征用一个长度为6的向量表示,如下所示:
作为一个实施例,步骤1003可以采用如下方式:
将上述得到的表示单个变电站设备的空间位置特征向量及表示多个变电站设备间的联合空间位置特征向量做拼接,得到变电站设备对空间信息的长度为16的信息特征向量。需要说明的是,上述空间位置特征向量长度为5、联合空间位置特征向量长度为6、信息特征向量长度为16,仅为一个实施方式;本技术方案实施时可根据具体应用情况,设置不同的长度。
作为一个实施例,步骤110,可以采用如下方式:
步骤1101,使用待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点。
步骤1102,根据节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量。
上述步骤1101-1102,可以准确得到设备之间位置和大小关系的信息特征向量。作为一个实施方式,这两个步骤具体可以采用以下步骤110a-110d实现;当然,除步骤110a-110d外,还可采用其他方式。
作为一个实施例,步骤110,还可以采用如下方式:
步骤110a,预建基于变电站设备分布的知识图谱,以<实体1,关系,实体2>三元组的形式存储变电站各设备分布节点各种实体的信息,属性,实体之间的关系;其中,知识图谱包含预定变电站设备之间位置和大小比例关系。
作为一个实施例,步骤110a,具体可以采用如下方式:
统计变电站设备的类别和这些设备之间的位置和大小关系,如表1所示:
表一、电压互感器、电流互感器和断路器的部分关系实例
如图2所示,预建基于变电站设备分布的知识图谱,以<实体1,关系,实体2>三元组的形式存储变电站各设备分布节点各种实体的信息,属性,实体之间的关系。
步骤110b,将所述待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;使用训练数据集激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点,把所述相应节点作为激活节点。
作为一个实施例,步骤110b具体可以采用如下方式:
在通过步骤110a得到的知识图谱中,在每个实体节点上加一个标签表示实体的类别,也就是变电站设备的名称,该知识图谱实现对变电站各设备的实体信息,属性,实体之间的关系的存储,包含一般变电站设备之间位置和大小比例关系。
步骤110c,以预定次数迭代的方法,使用激活节点激活相邻节点;其中,当前的激活节点作为迭代的初始值,使用激活节点激活相邻节点之后相邻节点成为激活节点,该激活节点作为迭代的结果。
其中,以预定次数迭代的方法,使用激活节点激活相邻节点,举例如下。把相应节点作为激活节点,其为迭代的初始值,该激活节点激活相邻节点,该激活的相邻节点为新的激活节点,其为迭代的结果;下一次迭代时,把上一次的结果作为初始值,继续下一次的激活;如此循环预定次数。
步骤110d,计算节点的表示相邻节点与激活节点紧密程度的输出值,按照提前定义好的节点顺序拼接节点的输出值,得到设备之间位置和大小关系的信息特征向量。
作为一个实施例,步骤110d具体可以采用如下方式:
根据重要性网络计算出其每个相邻节点与激活节点紧密程度的输出值,输出值越大,则说明相邻节点与已经存在的激活节点紧密程度越大,选择输出值靠前的节点,将其作为激活节点并加入到激活节点的集合中。其中,计算节点重要性分数公式如下:
其中f是一个计算重要性得分的学习网络。经过m(m为提前设定好的数值,是1个超参数)次迭代后,上述知识图谱中的很多节点都受到了初始激活节点的影响,最后得出每个节点的输出值,按照提前定义好的的节点顺序拼接这些节点的输出值,即为从知识图谱中提取出的特征向量,这样就从上述基于变电站设备分布的知识图谱中提取出了包含设备之间位置和大小关系的信息特征。
上述步骤110a-110d,可以准确得到设备之间位置和大小关系的信息特征向量。
作为一个实施例,步骤120,可以采用如下方式:
步骤1201,将设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量进行拼接,得到设备的总体信息特征向量。
步骤1202,通过全连接层对所述设备的总体信息特征向量进行整合,输出分类概率。
步骤1203,使用分类器根据所述分类概率识别所述待测变电站设备红外图片中的设备。
分类器可以使用softmax分类器;不排除还可使用其他分离器。每个变电站设备类别的softmax值的计算公式如下所示:
本技术方案的方法有几种loss,一个是关于目标设备位置大小预测的坐标点的loss,一个是这些坐标点偏移位置估计的loss,一个是知识图谱迭代推理的loss,即:
L=Lpoi+Loff+Lmap
上述步骤1201-1203,拼接向量后通过全连接层输出分类概率,然后用分类器对设备进行识别,可提高识别准确度。
作为一个实施例,步骤130,可以采用如下方式:
步骤1301,获取识别的设备的表面温度值。
步骤1302,根据所述表面温度值检测所述设备的故障特征。
根据表面温度值检测设备的故障特征。具体的,可以对照GB/T11022-1999《高压开关设备和控制设备标准的共用技术要求》中对高压开关设备和控制设备各种部件、材料和绝缘介质的温度和温升极限的有关规定,结合环境气候条件、负荷大小对上述分类识别出的变电站设备进行分析判断确定故障特征。
本技术方案中,对设备进行检测,除采用表面温度值检测检测故障特征,还可以采用其他数值,检测设备是否出现警告、是否运行正常等;比如通过温度变化检测设备的是否出现警告。
本技术方案通过设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量能够准确识别出设备,提高了检测的精度。本发明使用卷积神经网络,结合知识图谱推理,融合多种特征,能够较好地利用知识推理来补充训练特征,在传统的变电站设备红外检测方法的基础上,准确率和稳定性能进一步提高,有利于变电器设备的故障诊断。
基于上述技术方案,参阅图3所示,本发明实施例提供一种变电站设备检测设备。本发明的变电站设备检测方法实施例与变电站设备检测装置实施例属于同一构思,在变电站设备检测设备实施例中未详尽描述的细节内容,可以参考上述方法实施例。
该设备包括第一特征向量获取单元31,第二特征向量获取单元32,识别单元33,检测单元34,其中:
第一特征向量获取单元31,用于利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量;
第二特征向量获取单元32,利用知识图谱从待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量;
识别单元33,用于根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备;
检测单元34,用于对识别的设备进行检测。
其中,利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量,包括:
利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框;
根据目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量;
将单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量进行拼接,得到设备对空间的信息特征向量。
其中,利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框,根据目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量,包括:
将待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;将训练数据集输入基础网络Hourglass,输出特征图;将特征图输入到卷积神经网络中训练,获取目标卷积层特征;
通过目标卷积层特征预测目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框;
使用目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤;
从目标几何关键点的坐标和过滤后的大目标边界矩形框中,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量。
其中,使用目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤,包括:
将目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框,映射到待测变电站设备红外图片相应像素点处;
若在相应像素点处,小矩形框中没有目标几何关键点,则过滤掉小矩形框所在的大目标边界矩形框。
其中,利用知识图谱从待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量,包括:
使用待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点;
根据节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量。
其中,使用待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点,根据节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量,包括:
预建基于变电站设备分布的知识图谱,以<实体1,关系,实体2>三元组的形式存储变电站各设备分布节点各种实体的信息,属性,实体之间的关系;其中,知识图谱包含预定变电站设备之间位置和大小比例关系;
将待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;使用训练数据集激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点,把相应节点作为激活节点;
以预定次数迭代的方法,使用激活节点激活相邻节点;其中,当前的激活节点作为迭代的初始值,使用激活节点激活相邻节点之后相邻节点成为激活节点,该激活节点作为迭代的结果;
计算节点的表示相邻节点与激活节点紧密程度的输出值,按照提前定义好的节点顺序拼接节点的输出值,得到设备之间位置和大小关系的信息特征向量。
其中,根据设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量,识别待测变电站设备红外图片中的设备,包括:
将设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量进行拼接,得到设备的总体信息特征向量;
通过全连接层对设备的总体信息特征向量进行整合,输出分类概率;
使用分类器根据分类概率识别待测变电站设备红外图片中的设备。
其中,对识别的设备进行检测,包括:
获取识别的设备的表面温度值;
根据表面温度值检测设备的故障特征。
本技术方案通过设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量能够准确识别出设备,提高了检测的精度。
如图4所示,为本发明实施例提供的一种计算机设备示意图。计算机设备可以为服务器,笔记本电脑,台式电脑,平板电脑,移动终端等设备。本发明提供的计算机设备,包括处理器41、存储器42、输入单元43、显示单元44等部件。本领域技术人员可以理解,图4中示出的计算机设备结构并不构成对所有计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器42可用于存储应用程序45以及各功能模块,处理器41通过运行存储在存储器42的应用程序45,从而执行计算机设备的各种功能应用以及数据处理。存储器42可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。输入单元43可用于接收红外图片等数据,以及与计算机设备的用户设置以及功能控制有关的信号输入。具体地,输入单元43可包括触控面板以及其它输入设备。显示单元44可用于显示各种数据,比如显示检测的结果。显示单元44可采用液晶显示器、有机发光二极管等形式。处理器41是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器42内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
作为一个实施例,计算机设备包括:至少一个处理器41;存储器42;一个或多个应用程序45,其中一个或多个应用程序45被存储在存储器42中并被配置为由一个或多个处理器41执行,一个或多个应用程序配置用于执行上述变电站设备检测方法。可以理解的是,本实施例的计算机设备还可以包括支持运行的其他部件。
本技术方案通过设备对空间的信息特征向量和设备之间位置和大小关系的信息特征向量能够准确识别出设备,提高了检测的精度。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括存储器、磁盘或光盘等。
最后应说明的是:本发明实施例公开的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离奔放各项实施例技术方案的精神和范围。
Claims (10)
1.一种变电站设备检测方法,其特征在于,包括:
利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量;
利用知识图谱从所述待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量;
根据所述设备对空间的信息特征向量和所述设备之间位置和大小关系的信息特征向量,识别所述待测变电站设备红外图片中的设备;
对所述识别的设备进行缺陷检测。
2.根据权利要求1所述的检测方法,其特征在于,所述利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量,包括:
利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框;
根据所述目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量;
将所述单个设备的空间位置特征向量和所述多个设备之间的联合空间位置特征向量进行拼接,得到设备对空间的信息特征向量。
3.根据权利要求2所述的检测方法,其特征在于,所述利用卷积神经网络从待测变电站设备红外图片中,预测目标几何关键点的坐标和目标边界矩形框,根据所述目标几何关键点的坐标和目标边界矩形框,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量,包括:
将所述待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;将所述训练数据集输入基础网络Hourglass,输出特征图;将所述特征图输入到卷积神经网络中训练,获取目标卷积层特征;
通过所述目标卷积层特征预测目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框;
使用所述目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤;
从所述目标几何关键点的坐标和所述过滤后的大目标边界矩形框中,提取单个设备的空间位置特征向量和多个设备之间的联合空间位置特征向量。
4.根据权利要求3所述的检测方法,其特征在于,所述使用所述目标几何关键点的坐标、包含目标特征信息的小矩形框,对包含左上角和右下角坐标的大目标边界矩形框进行过滤,包括:
将所述目标几何关键点的坐标、包含左上角和右下角坐标的大目标边界矩形框、包含目标特征信息的小矩形框,映射到所述待测变电站设备红外图片相应像素点处;
若在所述相应像素点处,所述小矩形框中没有目标几何关键点,则过滤掉所述小矩形框所在的大目标边界矩形框。
5.根据权利要求1所述的检测方法,其特征在于,所述利用知识图谱从所述待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量,包括:
使用所述待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点;
根据所述节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量。
6.根据权利要求5所述的检测方法,其特征在于,所述使用所述待测变电站设备红外图片激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点,根据所述节点的表示相邻节点与激活节点紧密程度的输出值,得到设备之间位置和大小关系的信息特征向量,包括:
预建基于变电站设备分布的知识图谱,以<实体1,关系,实体2>三元组的形式存储变电站各设备分布节点各种实体的信息,属性,实体之间的关系;其中,知识图谱包含预定变电站设备之间位置和大小比例关系;
将所述待测变电站设备红外图片标注上设备类别、设备之间的位置、大小比例关系标签,生成训练数据集;使用训练数据集激活预建基于变电站设备分布的知识图谱中变电站设备分布的相应节点,把所述相应节点作为激活节点;
以预定次数迭代的方法,使用激活节点激活相邻节点;其中,当前的激活节点作为迭代的初始值,使用激活节点激活相邻节点之后相邻节点成为激活节点,该激活节点作为迭代的结果;
计算节点的表示相邻节点与激活节点紧密程度的输出值,按照提前定义好的节点顺序拼接节点的输出值,得到设备之间位置和大小关系的信息特征向量。
7.根据权利要求1所述的检测方法,其特征在于,所述根据所述设备对空间的信息特征向量和所述设备之间位置和大小关系的信息特征向量,识别所述待测变电站设备红外图片中的设备,包括:
将所述设备对空间的信息特征向量和所述设备之间位置和大小关系的信息特征向量进行拼接,得到设备的总体信息特征向量;
通过全连接层对所述设备的总体信息特征向量进行整合,输出分类概率;
使用分类器根据所述分类概率识别所述待测变电站设备红外图片中的设备。
8.根据权利要求1所述的检测方法,其特征在于,所述对所述识别的设备进行检测,包括:
获取所述识别的设备的表面温度值;
根据所述表面温度值检测所述设备的故障特征。
9.一种变电站设备检测设备,其特征在于,包括:
第一特征向量获取单元,用于利用卷积神经网络从待测变电站设备红外图片中,获取设备对空间的信息特征向量;
第二特征向量获取单元,用于利用知识图谱从所述待测变电站设备红外图片中,获取设备之间位置和大小关系的信息特征向量;
识别单元,用于根据所述设备对空间的信息特征向量和所述设备之间位置和大小关系的信息特征向量,识别所述待测变电站设备红外图片中的设备;
检测单元,用于对所述识别的设备进行检测。
10.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据权利要求1至8任一项所述的变电站设备检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294698.8A CN111524108B (zh) | 2020-04-15 | 2020-04-15 | 一种变电站设备检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294698.8A CN111524108B (zh) | 2020-04-15 | 2020-04-15 | 一种变电站设备检测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524108A true CN111524108A (zh) | 2020-08-11 |
CN111524108B CN111524108B (zh) | 2023-02-10 |
Family
ID=71903082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294698.8A Active CN111524108B (zh) | 2020-04-15 | 2020-04-15 | 一种变电站设备检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524108B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934856A (zh) * | 2017-03-20 | 2017-07-07 | 广东电网有限责任公司电力科学研究院 | 基于x射线检测技术的三维断层重建及切片显示方法 |
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 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
US20180114317A1 (en) * | 2016-10-21 | 2018-04-26 | Nantomics, Llc | Digital histopathology and microdissection |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、系统及电子设备 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
-
2020
- 2020-04-15 CN CN202010294698.8A patent/CN111524108B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114317A1 (en) * | 2016-10-21 | 2018-04-26 | Nantomics, Llc | Digital histopathology and microdissection |
CN106934856A (zh) * | 2017-03-20 | 2017-07-07 | 广东电网有限责任公司电力科学研究院 | 基于x射线检测技术的三维断层重建及切片显示方法 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
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 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、系统及电子设备 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
Non-Patent Citations (4)
Title |
---|
JIPU GAO等: "Infrared Image Change Detection of Substation Equipment in Power System Using Markov Random Field", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=8327760》 * |
朱琪等: "基于共生矩阵的红外图像检索匹配算法", 《数字技术与应用》 * |
李晓峰等: "基于红外图像的变电站巡检故障分析", 《信息技术》 * |
汤踊等: "深度学习在输电线路中部件识别与缺陷检测的研究", 《电子测量技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111524108B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520229B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
Haverkamp | Extracting straight road structure in urban environments using IKONOS satellite imagery | |
Lu et al. | Defect detection of PCB based on Bayes feature fusion | |
CN110349138B (zh) | 基于实例分割框架的目标物体的检测方法及装置 | |
CN111524108B (zh) | 一种变电站设备检测方法及设备 | |
CN109190662A (zh) | 一种基于关键点回归的车辆三维检测方法、系统、终端和存储介质 | |
CN112258507A (zh) | 互联网数据中心的目标对象检测方法、装置和电子设备 | |
CN111815576A (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN116168351A (zh) | 电力设备巡检方法及装置 | |
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN112084865A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN113506293B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN111523423B (zh) | 一种电力设备识别方法及装置 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN114332457A (zh) | 图像实例分割模型训练、图像实例分割方法和装置 | |
CN113505643A (zh) | 违章目标物检测方法及相关装置 | |
CN113538351B (zh) | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
US20230005126A1 (en) | Systems and methods for automated electrical panel analysis | |
CN115619698A (zh) | 电路板缺陷的检测方法、装置及模型训练方法 | |
Gueguen et al. | Urbanization analysis by mutual information based change detection between SPOT 5 panchromatic images | |
CN116385952B (zh) | 配网线路小目标缺陷检测方法、装置、设备及存储介质 |
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 |