CN112348085B - 一种电力数据监测系统与方法 - Google Patents
一种电力数据监测系统与方法 Download PDFInfo
- Publication number
- CN112348085B CN112348085B CN202011235336.8A CN202011235336A CN112348085B CN 112348085 B CN112348085 B CN 112348085B CN 202011235336 A CN202011235336 A CN 202011235336A CN 112348085 B CN112348085 B CN 112348085B
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- filtering
- image acquisition
- acquisition module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 2
- 238000007689 inspection Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 26
- 230000004913 activation Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种电力设备监测系统与方法,主要利用机器视觉技术实现对电力设备的故障检测和分类,包括图像采集模块,所述图像采集模块用于采集电力设备的图像信息;图像预处理模块,对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;数据分析模块,将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级。本发明提出的方案能够提高巡检的准确性和巡检效率,能够极大降低或消除对人工的依赖,增强了电力设备与线路的稳定性。
Description
技术领域
本发明属于电力设备巡检技术领域,具体涉及一种电力设备监测系统与方法。
背景技术
在电力系统中,输电线路的主要作用是保证电能的有效输送,其稳定性直接影响公众的生活及工作,要保证输电线路的稳定,对输电线路需要定期巡检。传统的电力巡检技术包括人工巡检技术、机器人巡检技术,其中,人工巡检受限于人员主观因素影响、气候条件制约,有些场景人工无法进行巡检,而且需要极高的人工成本;机器人巡检一定程度摆脱了人工的参与,但是其试用场景记为有限,在复杂场景中,机器人巡检仍然无法进行开展工作。近年来,随着机器视觉技术的发展,尤其是深度学习的算法突破,将其应用于电力巡检领域能够极大降低巡检成本,减少或者完全摆脱对人工的依赖,能够快速实现对大规模数据的故障检测与分类,大幅提高了检测效率和准确性。
发明内容
本发明提出的方案能够提高巡检的准确性和巡检效率,能够极大降低或消除对人工的依赖,增强了电力设备与线路的稳定性。
由于获取的视频或图像信息来源不同,质量相差很大。本发明为了提高检测效率和准确性,对获取的视频帧或图像进行了图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中等处理,特别是提出了一种图像增强方式:将原始图像帧转换到HSV空间,首先计算得到VE(x,y);再分别对H、S进行处理;将处理后的HSV图像再次转换成RGB图像;
所述VE(x,y)计算方法如下:
对H、S处理步骤如下:
此外,为了进一步提高检测效率和准确性,本发明还提出了将深度学习方法引入到电力设备的监控中,特别是:深度学习模型包括:输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层;所述输入层用于接收包含电力设备的图像帧;所述第一卷积单元采用的卷积核大小为5*5;所述第二卷积单元的卷积核大小为3*3,本发明的激活函数记为f();经过所述全连接层处理后进一步输出得到故障识别结果;
所述第一池化层、第二池化层的池化方法如下:
xe=f(ue+φ(ue))
ue=weφ(xe-1);其中,xe表示当前层的输出,ue表示激活函数的输入,
f()表示激活函数,we表示当前层的权重,φ表示损失函数,xe-1表示上一层的输出;
激活函数f()为:
所述损失函数φ如下:
以上构成本发明的创新点。
具体的,本发明提出了一种电力设备监测系统,其特征在于,包括以下模块:
图像采集模块,所述图像采集模块用于采集电力设备的图像信息;
图像预处理模块,对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;
数据分析模块,将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级。
本发明还提出了一种电力设备监测方法,其特征在于,包括以下步骤:
利用图像采集模块采集电力设备的图像信息;
利用图像预处理模块对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;
利用数据分析模块将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级。
附图说明
图1为本发明提供的电力设备检测流程示意图
具体实施方式
为使本发明的技术方案和实现步骤能够更加清楚明白,以下结合具体实施例,并参照附图,对本发明进行进一步详细说明。
参照图1所述,本实施例中,一种电力设备监测系统,其特征在于,包括以下模块:
图像采集模块,所述图像采集模块用于采集电力设备的图像信息;
图像预处理模块,对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;
数据分析模块,将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级。
可选的,所述图像采集模块可以使用无人机中的高清摄像机或数码相机进行视频或图像采集,和/或使用带有云台的可移动导轨式高清摄像机或数据相机进行视频或图像采集;所述图像采集模块采集的图像信息中对应有电力设备的地理位置信息,以便于在识别出故障之后能够定位出发生故障的地理位置。
可选的,所述图像采集模块采集的目标对象包括但不限于:变压器、输电线、绝缘子等。
可选的,在所述图像预处理模块所包含的处理操作进一步包括:图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项,其先后顺序可以根据需求自行调整,不做具体限定。
对于上述处理可以采用现有技术进行处理,例如所述滤波处理可以包括但不限于:中值滤波、高斯滤波、均值滤波、边界滤波等。
本申请中的图像增强方法,除了现有技术之外,还提出了一种新的图像增强方式:具体的,将原始图像帧转换到HSV空间,首先计算得到VE(x,y);再分别对H、S进行处理;将处理后的HSV图像再次转换成RGB图像。
所述VE(x,y)计算方法如下:
对H、S处理步骤如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择5*5或3*3;m,n分别代表坐标值;V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量,VE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Vmax表示D窗口集合内的最大亮度值;Vmin表示D窗口集合内的最小亮度值。
可选的,所述深度学习模型包括:输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层;所述输入层用于接收包含电力设备的图像帧;所述第一卷积单元采用的卷积核大小为5*5;所述第二卷积单元的卷积核大小为3*3,本发明的激活函数记为f();经过所述全连接层处理后进一步输出得到故障识别结果;
所述第一池化层、第二池化层的池化方法如下:
xe=f(ue+φ(ue))
ue=weφ(xe-1);其中,xe表示当前层的输出,ue表示激活函数的输入,
f()表示激活函数,we表示当前层的权重,φ表示损失函数,xe-1表示上一层的输出;
激活函数f()为:
所述损失函数φ如下:
N表示样本数据集的大小,i取值1~N,yi表示样本xi对应的标签值;Wyi表示样本特征向量xi在其标签yi处的权重,s为神经网络模型的故障预测输出。
对应的,本发明还提出了一种电力设备监测方法,其特征在于,包括以下步骤:
利用图像采集模块采集电力设备的图像信息;
利用图像预处理模块对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;
利用数据分析模块将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级。
可选的,所述图像采集模块可以使用无人机中的高清摄像机或数码相机进行视频或图像采集,和/或使用带有云台的可移动导轨式高清摄像机或数据相机进行视频或图像采集;所述图像采集模块采集的图像信息中对应有电力设备的地理位置信息,以便于在识别出故障之后能够定位出发生故障的地理位置。
可选的,所述图像采集模块采集的目标对象包括但不限于:变压器、输电线、绝缘子等。
可选的,在所述图像预处理模块所包含的处理操作进一步包括:图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项,其先后顺序可以根据需求自行调整,不做具体限定。
对于上述处理可以采用现有技术进行处理,例如所述滤波处理可以包括但不限于:中值滤波、高斯滤波、均值滤波、边界滤波等。
本申请中的图像增强方法,除了现有技术之外,还提出了一种新的图像增强方式:具体的,将原始图像帧转换到HSV空间,首先计算得到VE(x,y);再分别对H、S进行处理;将处理后的HSV图像再次转换成RGB图像。
所述VE(x,y)计算方法如下:
对H、S处理步骤如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择5*5或3*3;m,n分别代表坐标值;V(x,y)、H(x,y)、S(x,y)分别是图像中V、H、S分量,VE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Vmax表示D窗口集合内的最大亮度值;Vmin表示D窗口集合内的最小亮度值。
可选的,所述深度学习模型包括:输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层;所述输入层用于接收包含电力设备的图像帧;所述第一卷积单元采用的卷积核大小为5*5;所述第二卷积单元的卷积核大小为3*3,本发明的激活函数记为f();经过所述全连接层处理后进一步输出得到故障识别结果;
所述第一池化层、第二池化层的池化方法如下:
xe=f(ue+φ(ue))
ue=weφ(xe-1);其中,xe表示当前层的输出,ue表示激活函数的输入,
f()表示激活函数,we表示当前层的权重,φ表示损失函数,xe-1表示上一层的输出;
激活函数f()为:
所述损失函数φ如下:
N表示样本数据集的大小,i取值1~N,yi表示样本xi对应的标签值;Wyi表示样本特征向量xi在其标签yi处的权重,s为神经网络模型的故障预测输出。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行供电设备使用的指令的有形供电设备。计算机可读存储介质例如可以是但不限于电存储供电设备、磁存储供电设备、光存储供电设备、电磁存储供电设备、半导体存储供电设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码供电设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理供电设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储供电设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理供电设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理供电设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他供电设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它供电设备上,使得在计算机、其它可编程数据处理装置或其它供电设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它供电设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种电力设备监测系统,其特征在于,包括以下模块:
图像采集模块,所述图像采集模块用于采集电力设备的图像信息;
图像预处理模块,对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;
数据分析模块,将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级;
所述图像预处理模块所包含的处理操作进一步包括:图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项,所述滤波处理包括:中值滤波、高斯滤波、均值滤波、边界滤波;
所述图像增强进一步包括:将原始图像帧转换到HSV空间,首先计算得到VE(x,y);再分别对H、S进行处理;将处理后的HSV图像再次转换成RGB图像;
所述VE(x,y)计算方法如下:
对H、S处理步骤如下:
2.根据权利要求1所述的电力设备监测系统,所述图像采集模块进一步包括:
使用无人机中的高清摄像机或数码相机进行视频或图像采集,和/或使用带有云台的可移动导轨式高清摄像机或数据相机进行视频或图像采集;所述图像采集模块采集的图像信息中对应有电力设备的地理位置信息。
3.根据权利要求1所述的电力设备监测系统,所述深度学习模型采用带有标签的样本数据进行训练,所述深度学习模型包括:输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层。
4.一种电力设备监测方法,其特征在于,包括以下步骤:
利用图像采集模块采集电力设备的图像信息;
利用图像预处理模块对所述图像采集模块采集的图像信息进行预处理,得到预处理后的图像;
利用数据分析模块将预处理后的图像输入至训练好的深度学习模型,处理后得到设备的故障类型和等级;
所述图像预处理模块所包含的处理操作进一步包括:图像滤波处理、图像降噪处理、图像矫正、图像增强、目标定位中的至少一项,所述滤波处理包括:中值滤波、高斯滤波、均值滤波、边界滤波;
所述图像增强进一步包括:将原始图像帧转换到HSV空间,首先计算得到VE(x,y);再分别对H、S进行处理;将处理后的HSV图像再次转换成RGB图像;
所述VE(x,y)计算方法如下:
对H、S处理步骤如下:
5.根据权利要求4所述的电力设备监测方法,所述图像采集模块进一步包括:
使用无人机中的高清摄像机或数码相机进行视频或图像采集,和/或使用带有云台的可移动导轨式高清摄像机或数据相机进行视频或图像采集;所述图像采集模块采集的图像信息中对应有电力设备的地理位置信息。
6.根据权利要求4所述的电力设备监测方法,所述深度学习模型采用带有标签的样本数据进行训练,所述深度学习模型包括:输入层、第一卷积单元、第一池化层、第二卷积单元、第二池化层、全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011235336.8A CN112348085B (zh) | 2020-11-06 | 2020-11-06 | 一种电力数据监测系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011235336.8A CN112348085B (zh) | 2020-11-06 | 2020-11-06 | 一种电力数据监测系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348085A CN112348085A (zh) | 2021-02-09 |
CN112348085B true CN112348085B (zh) | 2024-04-09 |
Family
ID=74429940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011235336.8A Active CN112348085B (zh) | 2020-11-06 | 2020-11-06 | 一种电力数据监测系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348085B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801211A (zh) * | 2021-03-02 | 2021-05-14 | 贵州电网有限责任公司 | 基于图像识别技术的电网缺陷精确识别方法 |
CN115471473A (zh) * | 2022-09-15 | 2022-12-13 | 广东艾依格家居有限公司 | 一种家具板材瑕疵检测系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN105141889A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 一种基于图像视觉输电线路智能巡检系统 |
CN106355187A (zh) * | 2016-09-07 | 2017-01-25 | 西华大学 | 视觉信息在电力设备监测中的应用 |
CN107688795A (zh) * | 2017-09-06 | 2018-02-13 | 全球能源互联网研究院有限公司 | 一种电力系统视频图像的监控方法及终端 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
CN109685075A (zh) * | 2018-11-27 | 2019-04-26 | 山东鲁能软件技术有限公司 | 一种基于图像的电力设备识别方法、装置及系统 |
CN110475149A (zh) * | 2019-08-30 | 2019-11-19 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
CN110570441A (zh) * | 2019-09-16 | 2019-12-13 | 广州波视信息科技股份有限公司 | 一种超高清低延时视频控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11145174B2 (en) * | 2019-03-13 | 2021-10-12 | Smart Home Sentry, Inc. | Methods and system for monitoring an environment |
-
2020
- 2020-11-06 CN CN202011235336.8A patent/CN112348085B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN105141889A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 一种基于图像视觉输电线路智能巡检系统 |
CN106355187A (zh) * | 2016-09-07 | 2017-01-25 | 西华大学 | 视觉信息在电力设备监测中的应用 |
CN107688795A (zh) * | 2017-09-06 | 2018-02-13 | 全球能源互联网研究院有限公司 | 一种电力系统视频图像的监控方法及终端 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
CN109685075A (zh) * | 2018-11-27 | 2019-04-26 | 山东鲁能软件技术有限公司 | 一种基于图像的电力设备识别方法、装置及系统 |
CN110475149A (zh) * | 2019-08-30 | 2019-11-19 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
CN110570441A (zh) * | 2019-09-16 | 2019-12-13 | 广州波视信息科技股份有限公司 | 一种超高清低延时视频控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
Image processing in fault identification for power equipment based on improved super green algorithm;Yantao Wang 等;《Computers and Electrical Engineering》;第87卷;1-14 * |
图像增强的相关技术及应用研究;李艳梅;《中国博士论文全文数据库信息科技辑》(第04期);I138-65 * |
数据驱动的人工智能技术在电力设备状态分析 中的研究与应用;唐文虎 等;《高电压技术》;第46卷(第9期);2985-2999 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348085A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11367313B2 (en) | Method and apparatus for recognizing body movement | |
CN108846418B (zh) | 一种电缆设备温度异常定位与识别方法 | |
US11676257B2 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
US11645735B2 (en) | Method and apparatus for processing image, device and computer readable storage medium | |
US11538286B2 (en) | Method and apparatus for vehicle damage assessment, electronic device, and computer storage medium | |
Lu et al. | Deep-sea organisms tracking using dehazing and deep learning | |
CN112348085B (zh) | 一种电力数据监测系统与方法 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN110675359A (zh) | 一种钢卷表面的缺陷样本生成方法、系统及电子设备 | |
CN111445496B (zh) | 一种水下图像识别跟踪系统及方法 | |
CN114612741A (zh) | 缺陷识别模型的训练方法、装置、电子设备及存储介质 | |
CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
CN110503609A (zh) | 一种基于混合感知模型的图像去雨方法 | |
CN111915565B (zh) | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 | |
CN109919936B (zh) | 一种复合绝缘子运行状态的分析方法、装置及设备 | |
CN117036798A (zh) | 一种基于深度学习的输配电线路图像识别方法及系统 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
Kim et al. | Image dehaze method using depth map estimation network based on atmospheric scattering model | |
CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
CN113379006B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN115115713A (zh) | 一种统一时空融合的环视鸟瞰图感知方法 | |
CN115546191A (zh) | 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 | |
KR20220146663A (ko) | 비디오 복구 방법, 장치, 기기, 매체 및 컴퓨터 프로그램 | |
CN114187245A (zh) | 视频污损检测方法、装置、电子设备及存储介质 |
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 |