CN111950606A - 一种刀闸状态识别方法、装置、设备和存储介质 - Google Patents
一种刀闸状态识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111950606A CN111950606A CN202010737110.1A CN202010737110A CN111950606A CN 111950606 A CN111950606 A CN 111950606A CN 202010737110 A CN202010737110 A CN 202010737110A CN 111950606 A CN111950606 A CN 111950606A
- Authority
- CN
- China
- Prior art keywords
- disconnecting link
- image data
- identified
- determining
- processed 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 239000012212 insulator Substances 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种刀闸状态识别方法,包括采集待识别刀闸的图像数据,并对所述图像数据进行预处理后,得到处理后的图像数据;提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型;根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果。本发明提高识别刀闸状态的准确率。本发明还涉及一种刀闸状态识别装置、设备和存储介质。
Description
技术领域
本发明涉及信息采集技术领域,尤其涉及一种刀闸状态识别方法、装置、设备和存储介质。
背景技术
刀闸是一种手动控制的电力设备开关,能够在检修设备与带电设备之间形成分闸点,保障电力设备检修施工人员的人身安全。在实际施工过程中,施工人员需要准确判断开关刀闸的“连接”或“断开”状态,以保障安全。
目前,通过开关刀闸上增加传感器或其他装置实现对刀闸的状态的感应。但许多场合,在开关刀闸上增加装置并不现实,而且还要担心新增装置故障可能引发的误检问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种刀闸状态识别方法、装置、设备和存储介质。
本发明解决上述技术问题的技术方案如下:
一种刀闸状态识别方法,包括:
采集待识别刀闸的图像数据,并对所述图像数据进行预处理后,得到处理后的图像数据;
提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型;
根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果。
本发明的有益效果是:提供一种刀闸状态识别方法,通过采集待识别刀闸的图像数据,并提取处理后的图像数据中对应待识别刀闸的图像特征,根据处理后的图像特征和已训练的分类器,确定待识别刀闸的类型,根据待识别刀闸的类型、处理后的图像数据和已训练的深度学习模型,确定待识别刀闸的状态结果,提高识别刀闸状态的准确率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型,具体包括:
将所述处理后的图像数据转化为灰度直方图;
根据所述灰度直方图,确定刀闸区域和背景区域的分割阈值;
根据所述分割阈值,对所述处理后的图像数据进行二值化处理,确定所述刀闸区域;
在所述刀闸区域中进行特征提取,得到所述待识别刀闸的图像特征;
将所述图像特征输入所述分类器中,得到所述待识别刀闸的类型。
采用上述进一步方案的有益效果是:通过提取处理后的图像数据中对应待识别刀闸的图像特征,并根据处理后的图像特征和已训练的分类器,确定待识别刀闸的类型,进一步提升了识别刀闸状态的准确度。
进一步地,所述根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果,具体包括:
根据所述待识别刀闸的类型,确定滑动窗口的尺度;
根据所述滑动窗口的尺度,确定所述处理后的图像数据对应的矩形框;提取所述矩形框内的所述待识别刀闸和绝缘子的特征信息;
将所述特征信息输入至所述深度学习模型中,得到待识别刀闸的状态结果。
采用上述进一步方案的有益效果是:通过根据刀闸类型,将处理后的图像数据对应的处理后,提取处理后的图像数据的特征信息,根据刀闸的不同类型实现准确识别刀闸状态。
进一步地,所述对所述图像数据进行预处理,具体包括:
采用邻域平均法对所述图像数据平滑、去噪后,通过直方图均衡法对所述图像数据的边缘信息进行增强,得到处理后的图像数据。
进一步地,所述深度学习模型是通过样本数据训练得到的,所述样本数据包括刀闸和绝缘子的特征信息。
进一步地,所述分类器是通过刀闸的图像样本数据训练得到的。
本发明解决上述技术问题的另一种技术方案如下:
一种刀闸状态识别装置,包括:
采集模块,用于采集待识别刀闸的图像数据,并对所述图像数据进行预处理后,得到处理后的图像数据;
分类模块,用于提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型;
识别模块,用于根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果。
本发明的有益效果是:提供一种刀闸状态识别装置,通过采集模块采集待识别刀闸的图像数据,分类模块提取处理后的图像数据中对应待识别刀闸的图像特征,根据处理后的图像特征和已训练的分类器,确定待识别刀闸的类型,识别模块根据待识别刀闸的类型、处理后的图像数据和已训练的深度学习模型,确定待识别刀闸的状态结果,提高识别刀闸状态的准确率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述分类模块,具体用于将所述处理后的图像数据转化为灰度直方图;
根据所述灰度直方图,确定刀闸区域和背景区域的分割阈值;
根据所述分割阈值,对所述处理后的图像数据进行二值化处理,确定所述刀闸区域;
在所述刀闸区域中进行特征提取,得到所述待识别刀闸的图像特征;
将所述图像特征输入所述分类器中,得到所述待识别刀闸的类型。
本申请还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案中任一项所述的刀闸状态识别方法的步骤。
此外,本申请还提供一种刀闸状态识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述技术方案中任一项所述的刀闸状态识别方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述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为本发明实施例提供的一种刀闸状态识别方法的示意性流程图;
图2为本发明另一实施例提供的一种刀闸状态识别装置的模块结构图。
具体实施方式
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1本发明实施例提供的一种刀闸状态识别方法的示意性流程图所示,一种刀闸状态识别方法包括以下步骤:
110、采集待识别刀闸的图像数据,并对图像数据进行预处理后,得到处理后的图像数据。
120、提取所述处理后的图像数据中对应待识别刀闸的图像特征,并根据图像特征和已训练的分类器,确定待识别刀闸的类型。
130、根据待识别刀闸的类型、处理后的图像数据和已训练的深度学习模型,确定待识别刀闸的状态结果。
基于上述实施例提供的一种刀闸状态识别方法,通过采集待识别刀闸的图像数据,并提取处理后的图像数据中对应待识别刀闸的图像特征,根据处理后的图像特征和已训练的分类器,确定待识别刀闸的类型,根据待识别刀闸的类型、处理后的图像数据和已训练的深度学习模型,确定待识别刀闸的状态结果,提高识别刀闸状态的准确率。
基于上述实施例,进一步地,步骤120中具体包括以下步骤:
121、将所述处理后的图像数据转化为灰度直方图。
122、根据所述灰度直方图,确定刀闸区域和背景区域的分割阈值。
123、根据所述分割阈值,对所述处理后的图像数据进行二值化处理,确定所述刀闸区域。
124、在所述刀闸区域中进行特征提取,得到所述待识别刀闸的图像特征。
125、将所述图像特征输入所述分类器中,得到所述待识别刀闸的类型。
基于上述实施例通过提取处理后的图像数据中对应待识别刀闸的图像特征,并根据处理后的图像特征和已训练的分类器,确定待识别刀闸的类型,进一步提升了识别刀闸状态的准确度。
进一步地,步骤130中具体包括:
131、根据所述待识别刀闸的类型,确定滑动窗口的尺度。
132、根据滑动窗口的尺度,确定处理后的图像数据对应的矩形框。
132、提取矩形框内的待识别刀闸和绝缘子的特征信息。
133、将特征信息输入至深度学习模型中,得到待识别刀闸的状态结果。
基于上述实施例通过根据刀闸类型,将处理后的图像数据对应的处理后,提取处理后的图像数据的特征信息,根据刀闸的不同类型实现准确识别刀闸状态。
进一步地,所述对所述图像数据进行预处理,具体包括:
采用邻域平均法对所述图像数据平滑、去噪后,通过直方图均衡法对所述图像数据的边缘信息进行增强,得到处理后的图像数据。
进一步地,所述深度学习模型是通过样本数据训练得到的,所述样本数据包括刀闸和绝缘子的特征信息。
进一步地,所述分类器是通过刀闸的图像样本数据训练得到的。
如图2本发明另一实施例提供的一种刀闸状态识别装置的模块结构图所示,一种刀闸状态识别装置包括:
采集模块,用于采集待识别刀闸的图像数据,并对所述图像数据进行预处理后,得到处理后的图像数据;
分类模块,用于提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型;
识别模块,用于根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果。
基于上述实施例提供的一种刀闸状态识别装置,通过采集模块采集待识别刀闸的图像数据,分类模块提取处理后的图像数据中对应待识别刀闸的图像特征,根据处理后的图像特征和已训练的分类器,确定待识别刀闸的类型,识别模块根据待识别刀闸的类型、处理后的图像数据和已训练的深度学习模型,确定待识别刀闸的状态结果,提高识别刀闸状态的准确率。
进一步地,所述分类模块,具体用于将所述处理后的图像数据转化为灰度直方图;
根据所述灰度直方图,确定刀闸区域和背景区域的分割阈值;
根据所述分割阈值,对所述处理后的图像数据进行二值化处理,确定所述刀闸区域;
在所述刀闸区域中进行特征提取,得到所述待识别刀闸的图像特征;
将所述图像特征输入所述分类器中,得到所述待识别刀闸的类型。
进一步地,识别模块,具体用于根据所述所述待识别刀闸的类型,确定滑动窗口的尺度;;
根据所述滑动窗口的尺度,确定所述处理后的图像数据对应的矩形框提取所述矩形框内的所述待识别刀闸和绝缘子的特征信息;
将所述特征信息输入至所述深度学习模型中,得到待识别刀闸的状态结果。
此外,本申请还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案中任一项所述的刀闸状态识别方法的步骤。
此外,本申请还提供一种刀闸状态识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述技术方案中任一项所述的刀闸状态识别方法的步骤。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种刀闸状态识别方法,其特征在于,包括:
采集待识别刀闸的图像数据,并对所述图像数据进行预处理后,得到处理后的图像数据;
提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型;
根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果。
2.根据权利要求1所述的刀闸状态识别方法,其特征在于,所述提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型,具体包括:
将所述处理后的图像数据转化为灰度直方图;
根据所述灰度直方图,确定刀闸区域和背景区域的分割阈值;
根据所述分割阈值,对所述处理后的图像数据进行二值化处理,确定所述刀闸区域;
在所述刀闸区域中进行特征提取,得到所述待识别刀闸的图像特征;
将所述图像特征输入所述分类器中,得到所述待识别刀闸的类型。
3.根据权利要求1所述的刀闸状态识别方法,其特征在于,所述根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果,具体包括:
根据所述待识别刀闸的类型,确定滑动窗口的尺度;
根据所述滑动窗口的尺度,确定所述处理后的图像数据对应的矩形框;提取所述矩形框内的所述待识别刀闸和绝缘子的特征信息;
将所述特征信息输入至所述深度学习模型中,得到待识别刀闸的状态结果。
4.根据权利要求1所述的刀闸状态识别方法,其特征在于,所述对所述图像数据进行预处理,具体包括:
采用邻域平均法对所述图像数据平滑、去噪后,通过直方图均衡法对所述图像数据的边缘信息进行增强,得到处理后的图像数据。
5.根据权利要求1所述的刀闸状态识别方法,其特征在于,所述深度学习模型是通过样本数据训练得到的,所述样本数据包括刀闸和绝缘子的特征信息。
6.根据权利要求1所述的刀闸状态识别方法,其特征在于,所述分类器是通过刀闸的图像样本数据训练得到的。
7.一种刀闸状态识别装置,其特征在于,包括:
采集模块,用于采集待识别刀闸的图像数据,并对所述图像数据进行预处理后,得到处理后的图像数据;
分类模块,用于提取所述处理后的图像数据中对应所述待识别刀闸的图像特征,并根据所述图像特征和已训练的分类器,确定所述待识别刀闸的类型;
识别模块,用于根据所述待识别刀闸的类型、所述处理后的图像数据和已训练的深度学习模型,确定所述待识别刀闸的状态结果。
8.根据权利要求7所述的刀闸状态识别装置,其特征在于,
所述分类模块,具体用于将所述处理后的图像数据转化为灰度直方图;
根据所述灰度直方图,确定刀闸区域和背景区域的分割阈值;
根据所述分割阈值,对所述处理后的图像数据进行二值化处理,确定所述刀闸区域;
在所述刀闸区域中进行特征提取,得到所述待识别刀闸的图像特征;
将所述图像特征输入所述分类器中,得到所述待识别刀闸的类型。
9.一种刀闸状态识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的刀闸状态识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的刀闸状态识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010737110.1A CN111950606B (zh) | 2020-07-28 | 2020-07-28 | 一种刀闸状态识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010737110.1A CN111950606B (zh) | 2020-07-28 | 2020-07-28 | 一种刀闸状态识别方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950606A true CN111950606A (zh) | 2020-11-17 |
CN111950606B CN111950606B (zh) | 2023-11-07 |
Family
ID=73339733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010737110.1A Active CN111950606B (zh) | 2020-07-28 | 2020-07-28 | 一种刀闸状态识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950606B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541890A (zh) * | 2020-12-07 | 2021-03-23 | 国网江苏省电力有限公司常州供电分公司 | 刀闸行程状态的检测方法、设备和可读存储介质 |
CN113569819A (zh) * | 2021-09-23 | 2021-10-29 | 泰豪软件股份有限公司 | 刀闸开合状态的识别方法、系统、存储介质及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833673A (zh) * | 2010-05-18 | 2010-09-15 | 华中科技大学 | 电力开关柜开关状态图像识别系统 |
CN106097425A (zh) * | 2016-06-07 | 2016-11-09 | 天津天大求实电力新技术股份有限公司 | 基于增强现实技术的电力设备信息提取与展示方法及系统 |
CN107563396A (zh) * | 2017-08-10 | 2018-01-09 | 南京大学 | 一种电力巡检中保护屏智能识别系统的构建方法 |
CN107944396A (zh) * | 2017-11-27 | 2018-04-20 | 国网安徽省电力有限公司经济技术研究院 | 一种基于改进深度学习的刀闸状态识别方法 |
CN109712118A (zh) * | 2018-12-11 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于Mask RCNN的变电站隔离开关检测识别方法 |
CN110728171A (zh) * | 2019-08-19 | 2020-01-24 | 广东电网有限责任公司 | 一种刀闸状态精细化检测识别方法 |
WO2020073201A1 (en) * | 2018-10-09 | 2020-04-16 | Abb Schweiz Ag | Method and system for circuit breaker condition monitoring |
-
2020
- 2020-07-28 CN CN202010737110.1A patent/CN111950606B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833673A (zh) * | 2010-05-18 | 2010-09-15 | 华中科技大学 | 电力开关柜开关状态图像识别系统 |
CN106097425A (zh) * | 2016-06-07 | 2016-11-09 | 天津天大求实电力新技术股份有限公司 | 基于增强现实技术的电力设备信息提取与展示方法及系统 |
CN107563396A (zh) * | 2017-08-10 | 2018-01-09 | 南京大学 | 一种电力巡检中保护屏智能识别系统的构建方法 |
CN107944396A (zh) * | 2017-11-27 | 2018-04-20 | 国网安徽省电力有限公司经济技术研究院 | 一种基于改进深度学习的刀闸状态识别方法 |
WO2020073201A1 (en) * | 2018-10-09 | 2020-04-16 | Abb Schweiz Ag | Method and system for circuit breaker condition monitoring |
CN109712118A (zh) * | 2018-12-11 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于Mask RCNN的变电站隔离开关检测识别方法 |
CN110728171A (zh) * | 2019-08-19 | 2020-01-24 | 广东电网有限责任公司 | 一种刀闸状态精细化检测识别方法 |
Non-Patent Citations (1)
Title |
---|
张骥等: "基于改进深度学习的刀闸状态识别方法研究", 电测与仪表, no. 05 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541890A (zh) * | 2020-12-07 | 2021-03-23 | 国网江苏省电力有限公司常州供电分公司 | 刀闸行程状态的检测方法、设备和可读存储介质 |
CN112541890B (zh) * | 2020-12-07 | 2022-08-30 | 国网江苏省电力有限公司常州供电分公司 | 刀闸行程状态的检测方法、设备和可读存储介质 |
CN113569819A (zh) * | 2021-09-23 | 2021-10-29 | 泰豪软件股份有限公司 | 刀闸开合状态的识别方法、系统、存储介质及计算机设备 |
CN113569819B (zh) * | 2021-09-23 | 2021-12-24 | 泰豪软件股份有限公司 | 刀闸开合状态的识别方法、系统、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111950606B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967475B (zh) | 一种基于窗口滑动和卷积神经网络的验证码识别方法 | |
CN103065134B (zh) | 一种具有提示信息的指纹识别装置和方法 | |
CN107257161B (zh) | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN111950606B (zh) | 一种刀闸状态识别方法、装置、设备和存储介质 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN107688742B (zh) | 大规模快速移动应用app检测和分析方法 | |
CN108319672B (zh) | 基于云计算的移动终端不良信息过滤方法及系统 | |
CN107833211B (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
CN105550710A (zh) | 基于非线性拟合的接触网运行异常状态智能检测方法 | |
CN111986183A (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN105005969A (zh) | 一种票据图像涂改检测方法及系统 | |
CN113935666A (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN104966348A (zh) | 一种票据图像要素完整性检测方法及系统 | |
CN116524205A (zh) | 一种污水曝气自动检测识别方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 | |
CN110006923B (zh) | 一种标牌品质检测方法、装置及计算机可读存储介质 | |
CN108900538B (zh) | 一种工控信号检测方法和装置 | |
CN110992299B (zh) | 一种检测浏览器兼容性的方法及装置 | |
CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
Jiang et al. | Apple recognition based on machine vision | |
CN111259926A (zh) | 肉品新鲜度检测方法、装置、计算设备和存储介质 | |
CN114266719B (zh) | 一种基于霍夫变换的产品检测方法 | |
CN110674827A (zh) | 一种融合深度学习与形态学滤波的设备状态视觉检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231223 Address after: 261000 Room 301, building 6, Shandong surveying and mapping geographic information industry base, No. 8999, Taoyuan Street, Baozhuang community, Xincheng street, high tech Zone, Weifang City, Shandong Province Patentee after: Shandong HENGCHUANG Intelligent Control Technology Co.,Ltd. Address before: Room A-1110-X02, 10th Floor, Building 1, No. 18 Zhongguancun East Road, Haidian District, Beijing, 100089 Patentee before: Beijing Hengtong intelligent control robot technology Co.,Ltd. |
|
TR01 | Transfer of patent right |