CN111639579B - 一种基于红外图像的电力变压器套管智能油位识别方法 - Google Patents
一种基于红外图像的电力变压器套管智能油位识别方法 Download PDFInfo
- Publication number
- CN111639579B CN111639579B CN202010452197.8A CN202010452197A CN111639579B CN 111639579 B CN111639579 B CN 111639579B CN 202010452197 A CN202010452197 A CN 202010452197A CN 111639579 B CN111639579 B CN 111639579B
- Authority
- CN
- China
- Prior art keywords
- sleeve
- area
- infrared image
- training
- oil level
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外图像的电力变压器套管智能油位识别的方法,包括训练模块、目标检测模块、油位识别模块,实现了对输入的套管红外图像进行智能油位识别的作用。其中训练模块为目标检测模块提供了用于目标检测的模型、目标检测模块实现从红外图像中识别套管目标的效果,油位识别模块实现从识别的目标套管中进行智能油位检测的效果。本检测算法基于红外图像,通过对标记的套管图像进行训练达到提取复杂背景中套管图像的目的,然后通过图形处理算法对目标检测后的套管区域进行智能油位识别,从而实现了套管的智能油位识别,可有效保证套管能够安全、稳定地运行。
Description
技术领域
本发明涉及电力设备状态监测与故障诊断领域,具体是一种基于红外图像的电力变压器套管油位识别方法。
背景技术
电力变压器作为电力系统中重要组成,担负着功率传输和电能等级变换的枢纽作用。其中电力变压器套管作为连接电力变压器和电力系统的关键组件,保证其拥有良好的机械结构及绝缘性能对于电力系统的安全运行具有重要意义。由于高压套管漏油故障是严重影响电力系统稳定性的一类故障,因此套管中油位的状态信息对于套管运行状态的诊断是一个重要的评价参量。
近年来由于红外检测技术的飞快发展,基于温度识别的红外图像检测逐渐成为电气设备故障检测的主流检测方式。由于套管中油与空气分界面上下层介质的导热系数不同,在红外图像上分界面会出现明显的颜色区分,因此可以通过套管的红外图像对油位进行识别。
而在现有的基于红外图像对套管油位识别的方法主要依赖人工利用红外图像仪厂家提供的软件,依次对红外图像中的套管部分进行框选并主要依据温度信息进行诊断,该方式有适用性低、不够智能等特点。因此想要改善基于套管红外图像进行智能的油位识别面临了以下难题:(1)红外图像中背景噪声复杂,仅依靠普通算法很难直接获取套管区域;(2)诊断方式太过于依赖温度信息,适用性不广。故在此基础上提出了一种基于红外图像的套管油位识别技术解决了红外图像中背景噪声复杂、诊断方式过于依赖温度信息的问题。
发明内容
发明目的:
本发明目的在于克服上述现有技术的不足,提供基于红外图像的电力变压器套管油位智能识别技术,通过利用目标检测算法对套管故障红外图像的套管进行识别并利用图像算法对其进行处理识别油位,解决了红外图像背景复杂诊断方式太过于依赖温度信息的问题。
技术方案:
本发明为实现上述发明目的采用如下技术方案:
一种基于深度学习的套管红外图像的故障诊断方法,其特征是,包括以下部分包括训练模块、目标检测模块、油位识别:
步骤S1,利用红外摄像仪在变电站采集套管红外图像,并对红外图像中的电力变压器套管部分进行标记并建立套管红外图像库;
步骤S2,对套管红外图像库进行图像增强操作、扩充套管红外图像库数量,并将其划分为训练集与测试集;
步骤S3,将套管红外图像库中的训练集输入训练模块,通过卷积神经网络模型的拟合能力,在训练时通过模型预测结果与标记结果的误差对卷积神经网络的参数进行训练以减小下一次预测的误差,得到训练完成的卷积神经网络;
步骤S4,将步骤S3中获得的训练完成的卷积神经网络用于目标识别模块,用于识别训练集以外的套管红外图像中的套管区域,该模块输出的结果为红外图像中的套管区域;
步骤S5,提取出的套管部分输入智能油位识别模块进行油位识别,包括以下子步骤:
子步骤S5.1,对套管图像进行SLIC算法处理,根据图像中位置及颜色将图像划分为不同色块聚类;
子步骤S5.2提取聚类过的图片中的灰度值最高的聚类区域;
子步骤S5.3,判定S5.2区域中的区域是否为极大值点,如果是则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行S5.2重新选取区域;
进一步,所述步骤S1的标记处理包括将红外图像中的套管部分选中并标记为套管,然后将标记过的数据建立为套管红外图像库便于训练。
进一步,所述步骤S2的建立套管红外图像库过程,首先对采集的红外故障图像进行数据增强,包括对红外图像进行翻转、旋转等操作进行数据扩充。进一步,将扩充后的数据集划分为测试集与训练集,分别占图像库中总数的80%与20%;
进一步,所述步骤S3的训练模块以SSD目标检测算法为主体,并对误差进行重定义。原误差定义包含Lconf类别置信度损失和Lloc位置损失,在此基础上加入了作为新的误差指导参数的训练,其中xi代表预测类别,cyi代表置信度;
进一步,所述步骤S4目标检测模块中所采用的模型与S3中均为基于SSD算法的模型,在不同的场合有不同的功能;
进一步,所述步骤S5所述采用SLIC对图像进行预处理,然后提取温度并对比:
子步骤1:设定具体的K值,并根据具体的K值通过 对分割出来的套管图像进行预处理,式中:dlab为颜色距离;dxy代表空间距离;s为聚类中心的距离;D(i,k)为第i个像素点与第k个聚类中心的相似度。经该运算即可对图像进行预处理;
子步骤2:提取预处理过的图片中的灰度值最高的聚类区域;
子步骤3:判定子步骤2中提取的区域是否为线性极大值点,如果是则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行子步骤2重新选取区域;
与现有技术相比,本发明的有益效果是:能在复杂的图像背景中识别出套管,然后基于小样本的故障数据对套管图像进行有效诊断;
附图说明
附图1是本发明所述的一种基于深度学习的套管红外图像的故障检测方法框架图;
附图2油位识别算法流程图;
附图3为SSD目标检测结果图;
附图4为油位识别算法过程展示图;
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
一种基于深度学习的套管红外图像的故障诊断方法,其特征是,包括以下部分包括套管提取模块、故障区域提取模块、故障诊断模块:
步骤S1,利用红外摄像仪在变电站采集套管红外图像,并对红外图像中的电力变压器套管部分进行标记并建立套管红外图像库;
步骤S2,对套管红外图像库进行图像增强操作、扩充套管红外图像库数量,并将其划分为训练集与测试集;
步骤S3,将套管红外图像库中的训练集输入训练模块,通过卷积神经网络模型的拟合能力,在训练时通过模型预测结果与标记结果的误差对卷积神经网络的参数进行训练以减小下一次预测的误差,得到训练完成的卷积神经网络;
步骤S4,将步骤S3中获得的训练完成的卷积神经网络用于目标识别模块,用于识别训练集以外的套管红外图像中的套管区域,该模块输出的结果为红外图像中的套管区域。
步骤S5,提取出的套管部分输入智能油位识别模块进行油位识别,包括以下子步骤:
子步骤S5.1,对套管图像进行SLIC算法处理,根据图像中位置及颜色将图像划分为不同色块聚类;
子步骤S5.2,提取聚类过的图片中的灰度值最高的聚类区域;
子步骤S5.3,判定S5.2区域中的区域是否为极大值点,如果是则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行S5.2重新选取区域;
进一步,所述步骤S1的标记处理包括将红外图像中的套管部分选中并标记为套管,然后将标记过的数据建立为套管红外图像库便于训练;
进一步,所述步骤S2的建立套管红外图像库过程,首先对采集的红外故障图像进行数据增强,包括对红外图像进行翻转、旋转等操作进行数据扩充。进一步,将扩充后的数据集划分为测试集与训练集,分别占图像库中总数的80%与20%;
进一步,所述步骤S3的训练模块以SSD目标检测算法为主体,并对误差进行重定义。原误差定义包含Lconf类别置信度损失和Lloc位置损失,在此基础上加入了作为新的误差指导参数的训练,其中xi代表预测类别,cyi代表置信度;
进一步,所述步骤S4目标检测模块中所采用的模型与S3中均为基于SSD算法的模型,在不同的场合有不同的功能。
进一步,所述步骤S5所述采用SLIC对图像进行预处理,然后提取温度并对比:
子步骤1:设定具体的K值,并根据具体的K值通过 对分割出来的套管图像进行预处理,式中:dlab为颜色距离;dxy代表空间距离;s为聚类中心的距离;D(i,k)为第i个像素点与第k个聚类中心的相似度。经该运算即可对图像进行预处理;
子步骤2:提取聚类过的图片中的灰度值最高的聚类区域;
子步骤3:判定子步骤2中提取的区域是否为线性极大值点,如果是则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行子步骤2重新选取区域;
与现有技术相比,本发明的有益效果是:能在复杂的图像背景中识别出套管,然后基于小样本的故障数据对套管图像进行有效诊断。
下面举一实例。
搜集600张套管的红外图像,并将其中200张提取作为测试集,剩余400张通过图像增强扩充为800张作为训练集,建立套管红外图像数据集。
根据建立的套管图像数据集对图像进行套管区域的标记,然后将训练集图像输入改进的SSD模型当中训练,进一步修改目标的损失函数。其间不需要进行其他参数的选取,训练完成即可达到提取套管红外图像中套管区域的作用,其模型训练结果输出如图3所示,红外图像原图中的背景十分复杂,而SSD目标检测算法的应用很好地提取出了红外图像中套管部分。
在目标检测模型训练完成后即可对未进行训练的图像进行油位识别。首先输入待处理的红外图像,图像在目标检测模块通过SSD目标检测模型后检测出将可将提取出的套管部分输入油位识别模块。
在油位识别模块中图像处理的步骤如图2所示,首先将提取出的套管部分图像进行 SLIC超像素分割处理,根据子步骤2中的判据:提取的区域是否为线性极大值点进行判断,如果是则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行子步骤2重新选取区域,处理过程的效果图如图4所示。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (3)
1.一种基于红外图像的电力变压器套管智能油位识别方法,其特征是,包括以下部分:
训练模块、目标检测模块、油位识别模块:
步骤S1,利用红外摄像仪在变电站采集套管红外图像,并对红外图像中的电力变压器套管部分进行标记并建立套管红外图像库;
步骤S2,对套管红外图像库进行图像增强操作、扩充套管红外图像库数量,并将其划分为训练集与测试集;
步骤S3,将套管红外图像库中的训练集输入训练模块,借助卷积神经网络模型的拟合能力,通过训练过程中模型预测结果与标记结果的误差对卷积神经网络的参数进行训练以减小下一次预测的误差,得到训练完成的卷积神经网络;步骤S3的训练模块以SSD目标检测算法为主体;在训练过程中SSD通过对误差的回馈进行网络的训练;在此基础上,对误差进行重定义;原误差定义包含Lconf类别置信度损失和Lloc位置损失,在此基础上加入了如(1)所示的公式作为新的误差指导参数的训练并将其定义为Center Loss,其中xi代表预测类别,cyi代表置信度;
步骤S4,将步骤S3中获得的训练完成的卷积神经网络用于目标识别模块,用于识别训练集以外的套管红外图像中的套管区域,该模块输出的结果为红外图像中的套管区域;
步骤S5,提取出的套管部分输入智能油位识别模块进行油位识别,包括以下子步骤:
子步骤S5.1,对套管图像进行SLIC算法处理,根据图像中位置及颜色将图像划分为不同色块聚类,包括如下子步骤:
子步骤1:设定具体的K值,并根据具体的K值通过式(2)、(3)、对分割出来的套管图像进行预处理;
式中:dlab为颜色距离;dxy代表空间距离;s为聚类中心的距离;D(i,k)为第i个像素点与第k个聚类中心的相似度;经该运算即可对图像进行预处理;
子步骤2:提取预处理过的图片中的灰度值最高的聚类区域;
子步骤3:判定子步骤2中提取的区域是否在纵中轴线上为线性极大值点,如果是则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行子步骤2重新选取区域;
子步骤S5.2,提取聚类过的图片中的灰度值最高的聚类区域;
子步骤S5.3,判定S5.2区域中的区域是否为极大值点,如果该区域代表的颜色在纵温度线上为极值点则将该区域的上沿作为油位区域;若否则寻找除该区域以外的灰度值最高聚类区域,执行S5.2重新选取区域。
2.如权利要求1所示的一种基于红外图像的电力变压器套管智能油位识别方法,其特征在于,所述步骤S2的建立套管红外图像库过程,首先对采集的红外故障图像进行数据增强,包括对红外图像进行翻转、旋转等操作进行数据扩充;进一步,将扩充后的数据集划分为测试集与训练集,训练集占总数不低于50%,测试集占总数不少于10%。
3.根据权利要求1所述的一种基于红外图像的电力变压器套管智能油位识别方法,其特征在于,步骤S4目标检测模块中所采用的训练模型与S3中均为基于SSD算法的模型,在不同的场合有不同的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010452197.8A CN111639579B (zh) | 2020-05-25 | 2020-05-25 | 一种基于红外图像的电力变压器套管智能油位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010452197.8A CN111639579B (zh) | 2020-05-25 | 2020-05-25 | 一种基于红外图像的电力变压器套管智能油位识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639579A CN111639579A (zh) | 2020-09-08 |
CN111639579B true CN111639579B (zh) | 2023-08-15 |
Family
ID=72330973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010452197.8A Active CN111639579B (zh) | 2020-05-25 | 2020-05-25 | 一种基于红外图像的电力变压器套管智能油位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639579B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444317B (zh) * | 2020-09-23 | 2022-04-15 | 国网江苏省电力有限公司电力科学研究院 | 一种高压套管的红外在线监测方法 |
CN112396577A (zh) * | 2020-10-22 | 2021-02-23 | 国网浙江省电力有限公司杭州供电公司 | 一种基于泊松融合样本扩充的变压器的缺陷检测方法 |
CN113239731B (zh) * | 2021-04-12 | 2022-06-14 | 国网吉林省电力有限公司电力科学研究院 | 断路器热故障红外热像谱的图像数字特征提取方法 |
CN113743454A (zh) * | 2021-07-22 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 油浸式互感器的检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108093210A (zh) * | 2017-12-04 | 2018-05-29 | 国网江苏省电力有限公司检修分公司 | 一种变压器油位告警系统及其告警方法 |
CN108180960A (zh) * | 2017-12-22 | 2018-06-19 | 深圳供电局有限公司 | 一种变压器的油位状态检测方法和装置 |
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 |
-
2020
- 2020-05-25 CN CN202010452197.8A patent/CN111639579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108093210A (zh) * | 2017-12-04 | 2018-05-29 | 国网江苏省电力有限公司检修分公司 | 一种变压器油位告警系统及其告警方法 |
CN108180960A (zh) * | 2017-12-22 | 2018-06-19 | 深圳供电局有限公司 | 一种变压器的油位状态检测方法和装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111639579A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639579B (zh) | 一种基于红外图像的电力变压器套管智能油位识别方法 | |
CN111914644B (zh) | 一种基于双模态协同的弱监督时序动作定位方法及系统 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
WO2021208601A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN111563509B (zh) | 一种基于tesseract的变电站端子排识别方法及系统 | |
CN110533086B (zh) | 图像数据半自动标注方法 | |
CN108896857B (zh) | 一种基于深度学习的变压器复杂工况识别方法 | |
CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
Liao et al. | Study on power line insulator defect detection via improved faster region-based convolutional neural network | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN110348345B (zh) | 一种基于动作连贯性的弱监督时序动作定位方法 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN111368824B (zh) | 一种仪表识别方法、移动设备及存储介质 | |
CN111798405B (zh) | 一种基于深度学习的套管红外图像的故障诊断方法 | |
CN115205256A (zh) | 一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统 | |
CN115269870A (zh) | 一种基于知识图谱实现数据中台数据链路故障分类预警的方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN111291820B (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
CN111354019B (zh) | 一种基于神经网络的视觉跟踪失效检测系统及其训练方法 | |
Qiu et al. | Fan sound fault detection algorithm based on the fusion of convolutional neural network and gated recurrent unit network | |
Chen et al. | Application of Color Filtering and Image Filtering Algorithms in Circuit Diagnosis of Smart Meter Box | |
Chen et al. | Improved YOLOv5 Algorithm for Power Insulator Defect Detection |
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 |