CN112184678A - 图像识别方法、装置、计算机可读存储介质及处理器 - Google Patents
图像识别方法、装置、计算机可读存储介质及处理器 Download PDFInfo
- Publication number
- CN112184678A CN112184678A CN202011062725.5A CN202011062725A CN112184678A CN 112184678 A CN112184678 A CN 112184678A CN 202011062725 A CN202011062725 A CN 202011062725A CN 112184678 A CN112184678 A CN 112184678A
- Authority
- CN
- China
- Prior art keywords
- inspection part
- defect
- data
- image recognition
- image data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 180
- 230000007547 defect Effects 0.000 claims abstract description 171
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000009423 ventilation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000006378 damage Effects 0.000 description 23
- 230000007797 corrosion Effects 0.000 description 11
- 238000005260 corrosion Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000010438 heat treatment Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009545 invasion Effects 0.000 description 3
- 230000009916 joint effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007789 sealing 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
- G06F18/21—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
- 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
- G06T2207/20—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
Abstract
本发明公开了一种图像识别方法、装置、计算机可读存储介质及处理器。其中,该方法包括:采集电缆通道内巡检部位的图像数据;将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据缺陷状态,确定巡检部位的缺陷类别。本发明解决了相关技术中无法实现自动识别电缆通道内缺陷的技术问题。
Description
技术领域
本发明涉及电缆通道巡检领域,具体而言,涉及一种图像识别方法、装置、计算机可读存储介质及处理器。
背景技术
近年来,随着信息时代的来临,人类生产生活的数据基础和信息环境有了大幅提升,人工智能正从学术驱动转变为应用驱动,从专用智能迈向通用智能,比历史上任何一个时期都要更加接近于人类智能水平,进入了新的发展阶段。随着城市化规模扩大建设速度加快,电力电缆供电网络也得以快速发展,规模庞大的地下供电网络,电缆分布众多,作为坚强智能电网的关键环节及智慧城市的重要物质基础,实现电缆设备及通道的运行监测与状态评估、提升终端智能化和边缘计算水平、实现在线监测数据的边云协同处理、全面提升电缆精益化管控水平,是当前亟需解决的问题。
然而,在现有技术中,对于电缆的通道自主预警能力还不是很完善,存在以下缺点:一是在输电线路自主预警方面,目前电缆通道实时感知能力不强,无法完成缺陷主动报警,线路巡检主要依靠大量的人工和日常用工具,劳动强度大、速度慢,自主预警能力有待完善;二是传统电缆通道监测系统无法完成缺陷自动识别,都是依靠数据发送至后台软件进行分析处理,实时性不强。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像识别方法、装置、计算机可读存储介质及处理器,以至少解决相关技术中无法实现自动识别电缆通道内缺陷的技术问题。
根据本发明实施例的一个方面,提供了一种图像识别方法,包括:采集电缆通道内巡检部位的图像数据;将所述图像数据输入图像识别模型,识别出所述巡检部位的缺陷状态,其中,所述图像识别模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据所述缺陷状态,确定所述巡检部位的缺陷类别。
可选地,在依据所述缺陷状态,确定所述巡检部位的缺陷类别之后,还包括:对所述缺陷类别关联的所述巡检部位进行预警,其中,所述预警至少包括:回传所述巡检部位的关键图片和/或视频。
可选地,所述方法还包括:依据传感器对电缆通道内巡检部位进行监测,得到所述巡检部位的监测数据;在监测数据大于或者等于监测数据阈值的情况下,确定所述巡检部位出现异常。
可选地,所述方法还包括:判断出现异常的所述巡检部位与所述缺陷类别关联的所述巡检部位是否一致;在出现异常的所述巡检部位与所述缺陷类别关联的所述巡检部位一致的情况下,确定所述巡检部位为存在缺陷的巡检部位。
可选地,所述巡检部位包括以下至少之一:安防、电缆本体、中间接头、接地箱、接地线、回流线、电缆隧道、照明设备、排水设备、通风设备、消防设备、监测设备。
可选地,所述方法还包括:基于所述图像数据,识别出所述电缆通道内的目标区域出现火灾;控制所述目标区域的消防设备进行灭火。
可选地,在所述目标区域的消防设备出现异常的情况下,控制移动式的消防设备至所述目标区域进行灭火。
根据本发明实施例的另一方面,还提供了一种图像识别装置,包括:采集模块,用于采集电缆通道内巡检部位的图像数据;第一识别模块,用于将所述图像数据输入图像识别模型,识别出所述巡检部位的缺陷状态,其中,所述图像识别模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;第一确定模块,用于依据所述缺陷状态,确定所述巡检部位的缺陷类别。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的图像识别方法。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的图像识别方法。
在本发明实施例中,采用采集电缆通道内巡检部位的图像数据;将所述图像数据输入图像识别模型,识别出所述巡检部位的缺陷状态,其中,所述图像识别模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据所述缺陷状态,确定所述巡检部位的缺陷类别,即可以通过图像识别模型从电缆通道内巡检部位的图像数据中识别出巡检部位的缺陷状态,并得到该缺陷状态关联的巡检部位的缺陷类别,达到了自动识别电缆通道内巡检部位的缺陷的目的,从而实现了降低了线路巡检的工作量,提高了电缆通道内巡检部位的缺陷识别的准确性和实时性的技术效果,进而解决了相关技术中无法实现自动识别电缆通道内缺陷的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的图像识别方法的流程图;
图2是根据本发明实施例的图像识别装置的示意图。
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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种图像识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的图像识别方法的流程图,如图1所示,该图像识别方法包括如下步骤:
步骤S102,采集电缆通道内巡检部位的图像数据;
上述巡检部位包括但不限于安防、电缆本体、中间接头、接地箱、接地线、回流线、电缆隧道、照明设备、排水设备、通风设备、消防设备、监测设备等。
步骤S104,将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;
在将图像数据输入图像识别模型,识别出巡检部位的缺陷状态之前,还包括:构建图像识别模型,利用大量电缆通道内巡检部位的图像数据对图像识别模型进行训练,直至该图像识别模型达到最优化。其中,大量电缆通道内巡检部位的图像数据可以来源于不同的应用场景中。另外,通过图像识别模型可以增加对特定部署环境(隧道)的识别准确率。
步骤S106,依据缺陷状态,确定巡检部位的缺陷类别。
需要说明的是,在确定巡检部位的缺陷类别以后,可以对发现巡检部位异常进行报警,将该巡检部位的异常情况形成图像和文字报告,上传给电缆通道边缘物联终端,由电缆通道边缘物联终端统一汇总,提交给综合监控平台。
通过上述步骤,可以实现采用采集电缆通道内巡检部位的图像数据;将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据缺陷状态,确定巡检部位的缺陷类别,也即是通过图像识别模型从电缆通道内巡检部位的图像数据中识别出巡检部位的缺陷状态,并得到该缺陷状态关联的巡检部位的缺陷类别,达到了自动识别电缆通道内巡检部位的缺陷的目的,从而实现了降低了线路巡检的工作量,提高了电缆通道内巡检部位的缺陷识别的准确性和实时性的技术效果,进而解决了相关技术中无法实现自动识别电缆通道内缺陷的技术问题。
作为一种可选的实施例,上述图像识别模型可以为基于人工智能的电缆通道图像分析模型,该图像识别模型可以部署在电缆通道边缘物联终端内。可选地,可以利用AI图像识别算法进行目标检测,例如,利用Darknet网络结构,至少包括卷积层、池化层和Softmax层,进行快速全卷积;通过引入residul结构,采用Softmax分类器做训练,对权重参数和偏置参数进行迭代训练,根据网络层逐渐迭代和深入,产生多种尺度的特征图,在得到的尺度上进行目标检测。其中,目标检测的对象为电缆通道内巡检部位。
作为一种可选的实施例,可以基于电缆通道内巡检部位的图像数据的图像识别结果,来控制各个电缆通道智能监控设备的联合动作,还可以将采集到的图像数据和联合动作信号实时传输给物联管理平台。
作为一种可选的实施例,可以根据图像识别模型实现对通道安全分析,利用图像识别与通道沉降、温湿度、水位等环境传感器相配合,综合分析通道本体安全分析。
作为一种可选的实施例,可以根据图像识别模型实现通道消防安全分析,利用图像识别和灭火弹、感温线等参量数据,基于边缘计算、人工智能等技术,开展高压电缆及通道消防的多维管控,对通道内温度异常、火灾等进行智能预警,并结合图像识别数据进行分析,达到实时监测、精准判别、自主预警、快速灭火的目的,全面提升高压电缆及通道的消防水平,为实现智慧输电线路提供技术支撑。
作为一种可选的实施例,可以根据图像识别模型实现通道非法入侵分析,通过门禁、井盖与视频图像等参量对通道内非法入侵进行监控,报警推送:防火门开/闭,井盖开/闭,并上送附近摄像头的图像数据。
作为一种可选的实施例,可以根据图像识别模型实现通道设备状态和电缆附件识别,通过抓拍到的图像与通道原始状态的对比分析,来实现通道设备状态和电缆附件的识别。
作为一种可选的实施例,可以根据图像识别模型对通道内违章作业进行识别,利用AI图像识别芯片对采集到的图像数据进行检测,检测是否佩戴安全帽、工作范围越限或者做出危险动作。例如,通过抓拍的图片和录制的视频来确定检修房玻璃门和智能井盖的状态,从而对非法进出、破坏和盗窃等行为进行有效监控,智能摄像机或者摄像头也可以通过人脸识别抓拍到未获取工作许可的人员进入隧道的照片,利用电缆通道边缘物联终端可标记出非法入侵人员并及时上报,可以有效的打击非法进入的偷盗和破坏设施行为。
作为一种可选的实施例,上述图像识别方法的实现基于电缆通道边缘物联终端搭载的人工芯片与软件上的图像识别模型,可以实现缺陷识别及缺陷就地化处理。电缆通道边缘物联终端会根据智能摄像头实时采集到的视频信号进行设备状态识别、明火识别、违章作业识别、积水识别、防火门开闭识别、传感器识别、电缆附件识别和非法入侵识别,图像识别结果与环境传感器报警数据进行交互验证,用于进行辅助异常判定。
作为一种可选的实施例,通过电缆通道边缘物联终端内置的人工智能芯片实现多种场景的人工智能算法应用,包括实现入侵监测、周界报警等安防识别;防火门状态、电缆附件等设备状态识别;安全帽识别、工作区域识别等作业管控识别。
作为一种可选的实施例,对于非法入侵识别,可以利用人工智能芯片对采集到的图像数据进行检测,通过是否佩戴带有预设安全帽、是否为预设人员,作为工作人员与非法人员的区分,结合红外传感器的检测结果,确定非法入侵人员的位置。需要说明的是,当有人体在探测区域内走动时,造成红外热辐射能量的变化,通过红外传感器将接收到的活动人体与背景物体之间的红外热辐射能量的变化转换为相应的电信号,用于进行非法入侵识别。
作为一种可选的实施例,可以控制各个电缆通道设备的联合动作,例如,当摄像头识别到电缆通道内电缆托臂、支架脱落、接地箱异常开启、接地线缺时,终端会根据识别到的结果,发出报警信息;当摄像头识别到通道内有积水、烟雾、明火时,终端会根据识别到的结果,发出报警信息;当摄像头识别到门禁、防火门、井盖异常开启或者抓拍到有非法人员入侵时,终端会根据识别到的结果,发出报警信息。在上述实施例中,可以通过图像识别模型识别出高压电缆通道缺陷、隐患,基于大数据分析技术,建立设备、人员缺陷隐患和违章作业典型图像数据库,实现各类缺陷隐患和风险的主动识别,实时评估危害等级,主动联动隧道内智能灭火装置、通风装置、排水装置,即时发现各类缺陷隐患、实时判别危害等级并随时具备对于火灾、高温、积水、外破和违章作业的处置能力,形成一套基于大数据分析、智能闭环的高压电缆通道边缘自治技术,推动以人工巡检为主的运检管控模式向智能化边缘自治为主的运检管控模式迈进。
可选地,在依据缺陷状态,确定巡检部位的缺陷类别之后,还包括:对缺陷类别关联的巡检部位进行预警,其中,预警至少包括:回传巡检部位的关键图片和/或视频。
作为一种可选的实施例,对缺陷类别关联的巡检部位进行预警可以实现在通道内环境状态异常检测、电缆本体状态异常检测、人员入侵检测、规范化作业检测等以后,识别异常告警,及时提醒示警,报警可以回传关键图片或者视频,与传统视频监控系统相比,大大减少了网络带宽压力,减少了人工被动监控,充分挖掘有效数据视频数据资源,从而提高电缆通道视频监控质量与人工监控效率。
可选地,上述方法还包括:依据传感器对电缆通道内巡检部位进行监测,得到巡检部位的监测数据;在监测数据大于或者等于监测数据阈值的情况下,确定巡检部位出现异常。
上述监测数据阈值可以根据应用场景的需要设定。在具体实施过程中,可以通过传感器对电缆通道内巡检部位进行监测,得到巡检部位的监测数据,在将监测数据与监测数据阈值进行比较,如果该监测数据大于或者等于监测数据阈值,则可以确定巡检部位出现异常。通过上述方式,本申请还提供另外一种监测电缆通道内巡检部位是否出现异常的方式,通过该方式可以对电缆通道内巡检部位的缺陷进行判断。
需要说明的是,对于上述传感器的类型和数量不作任何限定,例如,上述传感器可以是温度传感器、湿度传感器、压力传感器、烟雾传感器
可选地,上述方法还包括:判断出现异常的巡检部位与缺陷类别关联的巡检部位是否一致;在出现异常的巡检部位与缺陷类别关联的巡检部位一致的情况下,确定巡检部位为存在缺陷的巡检部位。
作为一种可选的实施例,可以判断出现异常的巡检部位与缺陷类别关联的巡检部位是否一致,如果一致,则可以确定巡检部位为存在缺陷的巡检部位。在具体实施过程中,通过上述方式可实现通道内积水识别、烟雾识别、明火识别等,融合视频功能及人工智能算法,与隧道内传感器告警数据进行双重判断,减少因传感器或其他异常引起的漏报与误报,提高了识别准确率,辅助运行人员进行电缆及通道的缺陷判定,有效避免环境及设备异常引起的损失,节省运行成本。
可选地,上述巡检部位包括以下至少之一:安防、电缆本体、中间接头、接地箱、接地线、回流线、电缆隧道、照明设备、排水设备、通风设备、消防设备、监测设备。
进一步地,在巡检部位为安防时,该巡检部位的缺陷类别至少包括门禁状态、身份信息、人身安全,其中,安防关联的缺陷状态至少包括门开关、非法人员入侵、工作人员识别、是否佩戴安全帽、危险动作、人员倒地等。
在巡检部位为电缆本体时,该巡检部位的缺陷类别至少包括电缆受损、电缆移位、外力不良接触、固定失效、异常发热等,其中,电缆受损关联的缺陷状态至少包括电缆本体金属护层外露,电缆外护套破损、腐蚀,电缆严重变形等,电缆移位关联的缺陷状态至少包括电缆脱架、拖地、串层等,外力不良接触关联的缺陷状态至少包括电缆本体与硬物或尖角直接接触,无保护措施等,固定失效关联的缺陷状态至少包括电缆的卡码间距较大,抱箍缺失、断裂、松动、电缆固定失效等,异常发热关联的缺陷状态至少包括局部异常温升等。
在巡检部位为中间接头时,该巡检部位的缺陷类别至少包括外观异常、渗漏油、接头弯曲、部件缺损、异常发热等,其中,外观异常关联的缺陷状态至少包括存在闪络、放电痕迹等,渗漏油关联的缺陷状态至少包括中间接头渗胶或漏油等,接头弯曲关联的缺陷状态至少包括中间接头两端1米内的电缆明显完全等,部件缺损关联的缺陷状态至少包括外壳破损、腐蚀或变形,暂未影响运行;外壳变形,且影响线路运行;接头标志破损;异常发热关联的缺陷状态至少包括局部异常温升等。
在巡检部位为接地箱时,该巡检部位的缺陷类别至少包括部件缺损、锈蚀、损伤、部件移位、异常发热等,其中,部件缺损关联的缺陷状态至少包括接地箱外壳损毁、缺失、接地箱密封胶圈老化或断裂、保护接地箱内保护器击穿或损坏、交叉互联箱同轴电缆内外芯标识等;锈蚀、损伤关联的缺陷状态至少包括接地箱箱体锈蚀严重、连接板生锈氧化、锈蚀严重等;部件移位关联的缺陷状态至少包括接地箱电缆与箱体绝缘距离不足、接地箱安装松动、不牢固等;异常发热关联的缺陷状态至少包括箱体异常温升等。
在巡检部位为接地线时,该巡检部位的缺陷类别至少包括部件缺损、异常发热等,其中,部件缺损关联的缺陷状态至少包括接地线断开、接地线破损、接线端子未紧固或断裂、接地线相色标志缺失等;异常发热关联的缺陷状态至少包括局部异常温升等。
在巡检部位为回流线时,该巡检部位的缺陷类别至少包括部件缺损等,其中,部件缺损关联的缺陷状态至少包括回流线破损、回流线断开等。
在巡检部位为电缆隧道时,该巡检部位的缺陷类别至少包括隧道防水失效、内壁断裂、支架受损、隧道明火等,其中,隧道防水失效关联的缺陷状态至少包括拱门、边墙、路面渗水,路面积水等;内壁断裂关联的缺陷状态至少包括拱门、边墙、施工缝等存在明显裂纹等;支架受损关联的缺陷状态至少包括电缆支架变形损坏等;隧道明火关联的缺陷状态至少包括隧道内部出现明火等。
在巡检部位为照明设备时,该巡检部位的缺陷类别至少包括部件缺损、部件发热等,其中,部件缺损关联的缺陷状态至少包括照明灯具损坏,电源箱损坏,绝缘接头老化损坏等;部件发热关联的缺陷状态至少包括照明控制箱异常温升等。
在巡检部位为排水设备时,该巡检部位的缺陷类别至少包括部件缺损,锈蚀、损伤等,其中,部件缺损关联的缺陷状态至少包括水泵运转不灵、抽水装置损坏,报警装置损坏;锈蚀、损伤关联的缺陷状态至少包括排水管锈蚀严重等。
在巡检部位为通风设备时,该巡检部位的缺陷类别至少包括工作状态异常,锈蚀、损伤,移位、异物,其中,工作状态异常关联的缺陷状态至少包括风机机械运转异常,风门手动和自动运行状态异常等;锈蚀、损伤关联的缺陷状态至少包括配电箱各触点存在腐蚀现象等;移位、异物关联的缺陷状态至少包括风机基座与风轨的接合错位,风机滤网有异物等。
在巡检部位为消防设备时,该巡检部位的缺陷类别至少包括部件缺损,其中,部件缺损关联的缺陷状态至少包括隧道的疏散指示标志异常或缺失,手提式灭火器缺失,消防电话破损,感温电缆断线,破玻按钮损坏等。
在巡检部位为监测设备时,该巡检部位的缺陷类别至少包括部件缺损等,其中,部件缺损关联的缺陷状态至少包括监测设备损坏,监测设备部件缺失等。
在具体实施过程中,对于设备缺陷识别,例如,可以对电缆接头,对交叉互联箱和接地线,对防火门等电力电缆隧道关键设备做布防,当设备发生丢失,或者形变时,检测这些问题并提交报警。
对于环境缺陷识别,例如,可以对地面积水,对墙体出现较大的裂缝,对接头处比较明显的污渍,油污做检查,发现问题并提交报警。
对于非法入侵识别,例如,可以对疑似人体进行连续抓拍,并分析人员头部和面部特征,对人脸和是否佩戴安全帽做检测,并提交报告。
对于智能抓拍,例如,可以控制摄像头做智能抓拍,当防火门打开,水泵动作,或者电缆接头温度,接地箱环流,局部放电采集数值异常时,调整摄像头朝向并抓拍上报。
对于设备异常识别,例如,能够识别电缆固定抱箍脱落、防火门开闭状态,接地电流、测温等传感器脱落等问题,并且及时上报。
可选地,上述方法还包括:基于图像数据,识别出电缆通道内的目标区域出现火灾;控制目标区域的消防设备进行灭火。
作为一种可选的实施例,在监测到目标区域的烟感异常告警时,联动图像识别结果进行火灾识别验证,验证无误后联动控制目标区域内的灭火装置进行灭火。
可选地,在目标区域的消防设备出现异常的情况下,控制移动式的消防设备至目标区域进行灭火。
作为一种可选的实施例,图像识别模型可以APP的形式装载于电缆通道边缘物联终端内,当终端监测到烟感异常告警时,可联动视频监控进行火灾识别验证,验证无误后可联动控制目标区域内的消防设备,当发现隧道内消防设备未正常动作时,可联动移动式的消防设备迅速补位扑灭火灾,并将火灾处置过程及时上报,有力支撑灾后应急抢修工作。
实施例2
根据本发明实施例的另一方面,还提供了一种图像识别装置,图2是根据本发明实施例的图像识别装置的示意图,如图2所示,该图像识别装置包括:采集模块22、第一识别模块24和第一确定模块26。下面对该图像识别装置进行详细说明。
采集模块22,用于采集电缆通道内巡检部位的图像数据;第一识别模块24,连接至上述采集模块22,用于将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;第一确定模块26,连接至上述第一识别模块24,用于依据缺陷状态,确定巡检部位的缺陷类别。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述采集模块22、第一识别模块24和第一确定模块26对应于实施例1中的步骤S102至S106,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
在上述实施例中的图像识别装置,可以采用采集模块22采集电缆通道内巡检部位的图像数据;再利用第一识别模块24将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;进而利用第一确定模块26依据缺陷状态,确定巡检部位的缺陷类别,也即是通过图像识别模型从电缆通道内巡检部位的图像数据中识别出巡检部位的缺陷状态,并得到该缺陷状态关联的巡检部位的缺陷类别,达到了自动识别电缆通道内巡检部位的缺陷的目的,从而实现了降低了线路巡检的工作量,提高了电缆通道内巡检部位的缺陷识别的准确性和实时性的技术效果,进而解决了相关技术中无法实现自动识别电缆通道内缺陷的技术问题。
可选地,在依据缺陷状态,确定巡检部位的缺陷类别之后,上述装置还包括:预警模块,用于对缺陷类别关联的巡检部位进行预警,其中,预警至少包括:回传巡检部位的关键图片和/或视频。
可选地,上述装置还包括:监测模块,用于依据传感器对电缆通道内巡检部位进行监测,得到巡检部位的监测数据;第二确定模块,用于在监测数据大于或者等于监测数据阈值的情况下,确定巡检部位出现异常。
可选地,上述装置还包括:判断模块,用于判断出现异常的巡检部位与缺陷类别关联的巡检部位是否一致;第三确定模块,用于在出现异常的巡检部位与缺陷类别关联的巡检部位一致的情况下,确定巡检部位为存在缺陷的巡检部位。
可选地,上述巡检部位包括以下至少之一:安防、电缆本体、中间接头、接地箱、接地线、回流线、电缆隧道、照明设备、排水设备、通风设备、消防设备、监测设备。
可选地,上述装置还包括:第二识别模块,用于基于图像数据,识别出电缆通道内的目标区域出现火灾;第一控制模块,用于控制目标区域的消防设备进行灭火。
可选地,第二控制模块,用于在目标区域的消防设备出现异常的情况下,控制移动式的消防设备至目标区域进行灭火。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,该计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的图像识别方法。
可选地,在本实施例中,上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述计算机可读存储介质包括存储的程序。
可选地,在程序运行时控制计算机可读存储介质所在设备执行以下功能:采集电缆通道内巡检部位的图像数据;将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据缺陷状态,确定巡检部位的缺陷类别。
实施例4
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述中任意一项的图像识别方法。
本申请实施例提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:采集电缆通道内巡检部位的图像数据;将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据缺陷状态,确定巡检部位的缺陷类别。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:采集电缆通道内巡检部位的图像数据;将图像数据输入图像识别模型,识别出巡检部位的缺陷状态,其中,图像识别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;依据缺陷状态,确定巡检部位的缺陷类别。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
采集电缆通道内巡检部位的图像数据;
将所述图像数据输入图像识别模型,识别出所述巡检部位的缺陷状态,其中,所述图像识别模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;
依据所述缺陷状态,确定所述巡检部位的缺陷类别。
2.根据权利要求1所述的方法,其特征在于,在依据所述缺陷状态,确定所述巡检部位的缺陷类别之后,还包括:
对所述缺陷类别关联的所述巡检部位进行预警,其中,所述预警至少包括:回传所述巡检部位的关键图片和/或视频。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据传感器对电缆通道内巡检部位进行监测,得到所述巡检部位的监测数据;
在监测数据大于或者等于监测数据阈值的情况下,确定所述巡检部位出现异常。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
判断出现异常的所述巡检部位与所述缺陷类别关联的所述巡检部位是否一致;
在出现异常的所述巡检部位与所述缺陷类别关联的所述巡检部位一致的情况下,确定所述巡检部位为存在缺陷的巡检部位。
5.根据权利要求1所述的方法,其特征在于,所述巡检部位包括以下至少之一:安防、电缆本体、中间接头、接地箱、接地线、回流线、电缆隧道、照明设备、排水设备、通风设备、消防设备、监测设备。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
基于所述图像数据,识别出所述电缆通道内的目标区域出现火灾;
控制所述目标区域的消防设备进行灭火。
7.根据权利要求6所述的方法,其特征在于,在所述目标区域的消防设备出现异常的情况下,控制移动式的消防设备至所述目标区域进行灭火。
8.一种图像识别装置,其特征在于,包括:
采集模块,用于采集电缆通道内巡检部位的图像数据;
第一识别模块,用于将所述图像数据输入图像识别模型,识别出所述巡检部位的缺陷状态,其中,所述图像识别模型为使用多组数据通过机器学习训练得出的,所述多组数据中的每组数据包括:不同巡检部位的图像数据,以及不同巡检部位的图像数据对应的缺陷状态;
第一确定模块,用于依据所述缺陷状态,确定所述巡检部位的缺陷类别。
9.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的图像识别方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062725.5A CN112184678A (zh) | 2020-09-30 | 2020-09-30 | 图像识别方法、装置、计算机可读存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062725.5A CN112184678A (zh) | 2020-09-30 | 2020-09-30 | 图像识别方法、装置、计算机可读存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184678A true CN112184678A (zh) | 2021-01-05 |
Family
ID=73949236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011062725.5A Pending CN112184678A (zh) | 2020-09-30 | 2020-09-30 | 图像识别方法、装置、计算机可读存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184678A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884733A (zh) * | 2021-02-09 | 2021-06-01 | 北京首都机场节能技术服务有限公司 | 一种用于对飞行器的表面进行缺陷识别的方法和系统 |
CN113011833A (zh) * | 2021-01-15 | 2021-06-22 | 广州穗能通能源科技有限责任公司 | 施工现场的安全管理方法、装置、计算机设备和存储介质 |
CN113110257A (zh) * | 2021-05-21 | 2021-07-13 | 武汉伏佳安达电气技术有限公司 | 一种电力隧道智能化监控系统及方法 |
CN113420654A (zh) * | 2021-06-22 | 2021-09-21 | 国网北京市电力公司 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
CN114913172A (zh) * | 2022-07-13 | 2022-08-16 | 广东电网有限责任公司佛山供电局 | 一种电缆中间头制作风险的识别方法、系统、设备和介质 |
CN115062730A (zh) * | 2022-08-08 | 2022-09-16 | 北京芯可鉴科技有限公司 | 输电线检测方法、模型训练方法、装置、设备及介质 |
CN115268372A (zh) * | 2021-07-23 | 2022-11-01 | 中国航空油料集团有限公司 | 移动井盖的控制方法和系统 |
CN116029323A (zh) * | 2023-03-24 | 2023-04-28 | 亿云智慧(北京)信息技术发展有限公司 | 一种基于标识码扫描的设备巡检管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108189043A (zh) * | 2018-01-10 | 2018-06-22 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人系统 |
CN111044570A (zh) * | 2019-12-28 | 2020-04-21 | 广东电网有限责任公司 | 电力设备的缺陷识别及预警方法、装置及计算机设备 |
CN111107675A (zh) * | 2020-01-21 | 2020-05-05 | 山东科华电力技术有限公司 | 基于泛在电力物联网的电缆通道边缘物联终端及方法 |
CN111209434A (zh) * | 2020-01-09 | 2020-05-29 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于多源异构数据融合的变电站设备巡检系统及方法 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-30 CN CN202011062725.5A patent/CN112184678A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108189043A (zh) * | 2018-01-10 | 2018-06-22 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人系统 |
CN111507147A (zh) * | 2019-10-28 | 2020-08-07 | 深圳市海洋王照明工程有限公司 | 智能巡检方法、装置、计算机设备和存储介质 |
CN111044570A (zh) * | 2019-12-28 | 2020-04-21 | 广东电网有限责任公司 | 电力设备的缺陷识别及预警方法、装置及计算机设备 |
CN111209434A (zh) * | 2020-01-09 | 2020-05-29 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于多源异构数据融合的变电站设备巡检系统及方法 |
CN111107675A (zh) * | 2020-01-21 | 2020-05-05 | 山东科华电力技术有限公司 | 基于泛在电力物联网的电缆通道边缘物联终端及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011833A (zh) * | 2021-01-15 | 2021-06-22 | 广州穗能通能源科技有限责任公司 | 施工现场的安全管理方法、装置、计算机设备和存储介质 |
CN112884733A (zh) * | 2021-02-09 | 2021-06-01 | 北京首都机场节能技术服务有限公司 | 一种用于对飞行器的表面进行缺陷识别的方法和系统 |
CN113110257A (zh) * | 2021-05-21 | 2021-07-13 | 武汉伏佳安达电气技术有限公司 | 一种电力隧道智能化监控系统及方法 |
CN113420654A (zh) * | 2021-06-22 | 2021-09-21 | 国网北京市电力公司 | 变电站状态的处理方法、装置以及计算机可读存储介质 |
CN115268372A (zh) * | 2021-07-23 | 2022-11-01 | 中国航空油料集团有限公司 | 移动井盖的控制方法和系统 |
CN114913172A (zh) * | 2022-07-13 | 2022-08-16 | 广东电网有限责任公司佛山供电局 | 一种电缆中间头制作风险的识别方法、系统、设备和介质 |
CN114913172B (zh) * | 2022-07-13 | 2022-12-30 | 广东电网有限责任公司佛山供电局 | 一种电缆中间头制作风险的识别方法、系统、设备和介质 |
CN115062730A (zh) * | 2022-08-08 | 2022-09-16 | 北京芯可鉴科技有限公司 | 输电线检测方法、模型训练方法、装置、设备及介质 |
CN116029323A (zh) * | 2023-03-24 | 2023-04-28 | 亿云智慧(北京)信息技术发展有限公司 | 一种基于标识码扫描的设备巡检管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184678A (zh) | 图像识别方法、装置、计算机可读存储介质及处理器 | |
CN111107675B (zh) | 基于泛在电力物联网的电缆通道边缘物联终端及方法 | |
KR102030453B1 (ko) | 전통시장 전기화재 예방 시스템 및 방법 | |
KR101551715B1 (ko) | 화재 예방 시스템 및 방법 | |
CN112288984A (zh) | 基于视频融合的三维可视化无人值守变电站智能联动系统 | |
CN111932709A (zh) | 一种基于ai识别实现加油站巡检作业违规安全监管的方法 | |
CN104850047A (zh) | 电力设备安全监控系统 | |
CN111428617A (zh) | 一种基于视频图像的配网违规检修行为的识别方法和系统 | |
CN110599735A (zh) | 一种基于变电站作业违章行为智能识别的告警方法 | |
CN110634261A (zh) | 一种地下配电网火灾预警系统及方法 | |
CN113206978A (zh) | 油气管道站场安防智能监控预警系统及方法 | |
CN110853268A (zh) | 一种基于管廊系统海量数据分析实现入侵检测漏洞实时扫描的方法 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN113270943A (zh) | 一种智能配电柜(箱)安全监测预警方法、系统及装置 | |
CN112634562A (zh) | 一种智能电力安防系统 | |
CN110222216B (zh) | 多功能智能防卫系统 | |
CN114550082A (zh) | 一种易用高效ai识别算法 | |
CN114028756A (zh) | 基于物联网技术的智慧消防系统及方法 | |
KR20220071880A (ko) | 지하공동구 맞춤형 디지털트윈 재난 관리 시스템 | |
CN115766776A (zh) | 一种实现电力通道实时状态监测的方法及边缘物联终端 | |
CN104865918A (zh) | 基于gis的电力监控系统 | |
CN115880631A (zh) | 一种配电站故障识别系统、方法、介质 | |
CN115022598A (zh) | 水电安全人工智能视频监控系统 | |
CN205881089U (zh) | 一种火灾监控传感器 | |
CN113155189A (zh) | 设备井监测装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |