CN112508076A - 电力工程异常状态的智能识别方法及识别系统 - Google Patents

电力工程异常状态的智能识别方法及识别系统 Download PDF

Info

Publication number
CN112508076A
CN112508076A CN202011390259.3A CN202011390259A CN112508076A CN 112508076 A CN112508076 A CN 112508076A CN 202011390259 A CN202011390259 A CN 202011390259A CN 112508076 A CN112508076 A CN 112508076A
Authority
CN
China
Prior art keywords
image
abnormal state
power engineering
intelligent identification
convolution operation
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
Application number
CN202011390259.3A
Other languages
English (en)
Inventor
刘源
胡戈飚
赵甲
袁蔚
朱婉仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangxi Electric Power Co ltd Construction Branch
State Grid Corp of China SGCC
Original Assignee
State Grid Jiangxi Electric Power Co ltd Construction Branch
State Grid Corp of China SGCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangxi Electric Power Co ltd Construction Branch, State Grid Corp of China SGCC filed Critical State Grid Jiangxi Electric Power Co ltd Construction Branch
Priority to CN202011390259.3A priority Critical patent/CN112508076A/zh
Publication of CN112508076A publication Critical patent/CN112508076A/zh
Pending legal-status Critical Current

Links

Images

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Abstract

本发明公开了一种电力工程异常状态的智能识别方法，包括获取电力工程的历史图像数据信息并标定；构建初步的电力工程异常状态智能识别模型，采用标定后的图像数据信息训练并得到电力工程异常状态智能识别模型；实时获取在建电力工程的图像数据信息；采用电力工程异常状态智能识别模型对获取的图像数据信息进行识别得到最终的电力工程异常状态的智能识别结果。本发明还公开了一种实现所述电力工程异常状态的智能识别方法的识别系统。本发明通过事先训练并获取对应的识别模型，并采用模型识别摄像头获取的图像信息，从而实现了电力工程异常状态的智能识别，同时本发明方法可靠性高、实用性好、实时性高且效率较高。

Description

电力工程异常状态的智能识别方法及识别系统
技术领域
本发明属于电气自动化领域，具体涉及一种电力工程异常状态的智能识别方法及识别系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，电力系统的稳定可靠运行，就成为了电力系统最重要的任务之一。
电力工程在建设过程中，需要实时进行监测，从而保证任何异常情况都能够得到及时处理和纠正，从而保证电力工程的稳定可靠。目前，针对电力工程的实时监测，一般采用的依旧是人工巡检的方式，工人发现异常状态后进行拍照留存，同时通知相关人员进行现场勘查、识别和修复等。
明显的，目前的人工巡检方式，不仅费时费力，成本高昂，而且效率较差，时效性较差。
发明内容
本发明的目的之一在于提供一种可靠性高、实用性好、实时性高且效率较高的电力工程异常状态的智能识别方法。
本发明的目的之二在于提供一种实现所述电力工程异常状态的智能识别方法的识别系统。
本发明提供的这种电力工程异常状态的智能识别方法，包括如下步骤：
S1.获取电力工程的历史图像数据信息，并进行标定；
S2.构建初步的电力工程异常状态智能识别模型；
S3.采用步骤S1得到的标定后的图像数据信息，对步骤S2构建的初步的电力工程异常状态智能识别模型进行训练，并得到电力工程异常状态智能识别模型；
S4.实时获取在建电力工程的图像数据信息；
S5.采用步骤S3得到的电力工程异常状态智能识别模型对步骤S4获取的图像数据信息进行识别，从而得到最终的电力工程异常状态的智能识别结果。
步骤S2所述的构建初步的电力工程异常状态智能识别模型，具体为采用如下步骤构建识别模型：
模型包括骨架、颈部和头部；
骨架结构为全卷积神经网络，结构如下：
2D卷积操作，对应的神经元数量为32；
2D卷积操作，对应的神经元数量为64；
重复一次的操作：2D卷积操作，对应的神经元数量为32；2D卷积操作，对应的神经元数量为64；残差操作；
2D卷积操作，对应的神经元数量为128；
重复二次的操作：2D卷积操作，对应的神经元数量为64；2D卷积操作，对应的神经元数量为128；残差操作；
2D卷积操作，对应的神经元数量为256；
重复八次的操作：2D卷积操作，对应的神经元数量为128；2D卷积操作，对应的神经元数量为256；残差操作；
2D卷积操作，对应的神经元数量为512；
重复八次的操作：2D卷积操作，对应的神经元数量为256；2D卷积操作，对应的神经元数量为512；残差操作；
2D卷积操作，对应的神经元数量为1024；
重复四次的操作：2D卷积操作，对应的神经元数量为512；2D卷积操作，对应的神经元数量为1024；残差操作；
颈部包括：路径聚合快，采用多尺度特征金字塔模块(FPN模块)；剩余部分采用空间金子塔池化模块(SPP模块)；
头部包括：YOLO模块。
步骤S3所述的训练，具体为采用如下步骤进行训练：
图像预处理：对输入模型的图像数据缩放到设定的尺寸，同时进行图像降噪和数据增强；
图像数据经过全卷积神经网络后，输出特征图，再通过多尺度特征金字塔模块模块，输出三个尺度的特征图并对应于大目标、中目标和小目标；
每个尺度的预测结果均包括如下参数：(x,y)、(w,h)和confidence；其中(x,y)为预测框的中心相对单元格的偏移量；(w,h)为预测框相对整个图片的比例；confidence为置信度，即预测框在每个预测类别下的预测概率；
训练时，采用如下算式计算误差loss：
loss＝lbox+lobj+lcls
式中lbox为预测框带来的误差，且
Figure BDA0002812395160000031
lobj为置信度带来的误差，且
Figure BDA0002812395160000041
lcls为类别带来的误差，且
Figure BDA0002812395160000042
λcoord为；S为每个尺度所对应的尺寸；B为在各尺度下，由尺寸划分栅格中，每个栅格包含的box(先验框)数量；
Figure BDA0002812395160000043
为二值变量，且若在(i,j)处的B存在目标，则
Figure BDA0002812395160000044
取值为1，否则
Figure BDA0002812395160000045
取值为0；wi为第i个栅格下真实框(Ground Truth)的宽；hi为第i个栅格下真实框的高；xi为第i个栅格下真实框的左上角x坐标；
Figure BDA0002812395160000046
为第i个栅格下预测框左上角x坐标；yi为第i个栅格下真实框左上角y坐标；
Figure BDA0002812395160000047
为第i个栅格下预测框左上角y坐标；
Figure BDA0002812395160000048
为第i个栅格下预测框的宽；
Figure BDA0002812395160000049
为第i个栅格下预测框的高；λnoobj为预测为无物体时置信度的权重；
Figure BDA00028123951600000410
为二值变量，且若在(i,j)处的B不存在目标，则
Figure BDA00028123951600000411
取值为1，否则
Figure BDA00028123951600000412
取值为0；ci为实际情况下，第i个栅格下是否有物体的置信度；
Figure BDA00028123951600000413
为第i个栅格是否有物体的预测置信度；λobj为预测有物体置信度的权重；λclass为分类预测损失权重；c为某一类别；classes为所有预测类别；pi(c)为第i个栅格下类别c的概率；
Figure BDA00028123951600000414
为第i个栅格下预测类别c的概率；
采用如下算式计算Binary Cross Entropy(BCE)：
Figure BDA00028123951600000415
计算误差loss时，采用GIoU衡量预测框和Ground truth的距离；
采用如下算式计算GIoU：
Figure BDA00028123951600000416
式中IoU为预测框交并比且为性能指标，且
Figure BDA00028123951600000417
A为真实框范围，B为预测框范围，Ac为真实框面积，U为A与B的并集；
采用非极大值抑制(NMS)法筛选预测框；
在训练时，采用设定的概率，对图像进行如下操作，从而进行自动图像增强：
对图像进行上、下、左和右的裁剪；对图像的像素进行dropout操作；对图像的像素进行cutout操作；对图像增加高斯噪声；对图像进行平移、旋转和缩放；对图像进行左右翻转；对图像进行高斯模糊；将图像转换为灰度图；对图像进行对比度增强。
所述的图像降噪，具体为采用非局部均匀降噪技术进行图像降噪。
本发明还提供了一种实现上述电力工程异常状态的智能识别方法的识别系统，包括摄像头模块、数据处理模块、算法服务器模块和终端模块；摄像头模块、数据处理模块、算法服务器模块和终端模块依次串联；摄像头模块用于实时获取在建电力工程的图像数据信息，并上传数据处理模块；数据处理模块用于对上传的图像数据信息进行处理，并将处理后的数据信息上传算法服务器模块；算法服务器用于实现上述的电力工程异常状态的智能识别方法，并将识别结果上传终端模块；终端模块用于获取最终的识别结果并进行显示和提醒。
本发明提供的这种电力工程异常状态的智能识别方法及识别系统，通过事先训练并获取对应的识别模型，并采用模型识别摄像头获取的图像信息，从而实现了电力工程异常状态的智能识别，同时本发明方法可靠性高、实用性好、实时性高且效率较高。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的功能模块图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种电力工程异常状态的智能识别方法，包括如下步骤：
S1.获取电力工程的历史图像数据信息，并进行标定；
在具体实施时，首先需要标定感兴趣区域ROI，然后再对正常状态的图片和异常状态的图片进行标定；
S2.构建初步的电力工程异常状态智能识别模型；具体为采用如下步骤构建识别模型：
模型包括骨架、颈部和头部；
骨架结构为全卷积神经网络，结构如下：
2D卷积操作，对应的神经元数量为32；
2D卷积操作，对应的神经元数量为64；
重复一次的操作：2D卷积操作，对应的神经元数量为32；2D卷积操作，对应的神经元数量为64；残差操作；
2D卷积操作，对应的神经元数量为128；
重复二次的操作：2D卷积操作，对应的神经元数量为64；2D卷积操作，对应的神经元数量为128；残差操作；
2D卷积操作，对应的神经元数量为256；
重复八次的操作：2D卷积操作，对应的神经元数量为128；2D卷积操作，对应的神经元数量为256；残差操作；
2D卷积操作，对应的神经元数量为512；
重复八次的操作：2D卷积操作，对应的神经元数量为256；2D卷积操作，对应的神经元数量为512；残差操作；
2D卷积操作，对应的神经元数量为1024；
重复四次的操作：2D卷积操作，对应的神经元数量为512；2D卷积操作，对应的神经元数量为1024；残差操作；
颈部包括：路径聚合快，采用多尺度特征金字塔模块(FPN模块)；剩余部分采用空间金子塔池化模块(SPP模块)；
头部包括：YOLO模块；
S3.采用步骤S1得到的标定后的图像数据信息，对步骤S2构建的初步的电力工程异常状态智能识别模型进行训练，并得到电力工程异常状态智能识别模型；具体为采用如下步骤进行训练：
训练时，需要训练模型能够自动识别感兴趣区域ROI(预测框)，同时还需要训练模型能够自动识别感兴趣区域ROI中图像的异常状态；
图像预处理：对输入模型的图像数据缩放到设定的尺寸，同时进行图像降噪和数据增强；
其中，图像降噪为采用非局部均匀降噪技术进行图像降噪；使用自然图像中普遍存在的冗余信息来去除噪声，它利用整幅图像来进行去噪，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，能够比较好地去掉图像中存在的高斯噪声；对于彩色图像，要先转换到CIELAB颜色空间，然后对L和AB成分分别去噪；NL-Means的滤波过程可以用下面公式来表示：
Figure BDA0002812395160000071
其中w(x,y)为一个权重，表示在原始图像v中，像素x和像素y的相似度；同时，权重要求大于0，且各个权重的和为1，具体表示为：
Figure BDA0002812395160000081
数据增强，具体为统计图像灰度直方图，以上、下限范围为设定值(优选为0.1)确定最大、最小色阶，根据线性映射确定新像素值；自动色阶、对比度增强能有效去除雾化等图像噪声，提升图像清晰度；
图像数据经过全卷积神经网络后，输出特征图，再通过多尺度特征金字塔模块模块，输出三个尺度的特征图并对应于大目标、中目标和小目标；
每个尺度的预测结果均包括如下参数：(x,y)、(w,h)和confidence；其中(x,y)为预测框的中心相对单元格的偏移量；(w,h)为预测框相对整个图片的比例；confidence为置信度，即预测框在每个预测类别下的预测概率；
训练时，采用如下算式计算误差loss：
loss＝lbox+lobj+lcls
式中lbox为预测框带来的误差，且
Figure BDA0002812395160000082
lobj为置信度带来的误差，且
Figure BDA0002812395160000083
lcls为类别带来的误差，且
Figure BDA0002812395160000084
λcoord为；S为每个尺度所对应的尺寸；B为在各尺度下，由尺寸划分栅格中，每个栅格包含的box(先验框)数量；
Figure BDA0002812395160000085
为二值变量，且若在(i,j)处的B存在目标，则
Figure BDA0002812395160000086
取值为1，否则
Figure BDA0002812395160000087
取值为0；wi为第i个栅格下真实框(Ground Truth)的宽；hi为第i个栅格下真实框的高；xi为第i个栅格下真实框的左上角x坐标；
Figure BDA0002812395160000091
为第i个栅格下预测框左上角x坐标；yi为第i个栅格下真实框左上角y坐标；
Figure BDA0002812395160000092
为第i个栅格下预测框左上角y坐标；
Figure BDA0002812395160000093
为第i个栅格下预测框的宽；
Figure BDA0002812395160000094
为第i个栅格下预测框的高；λnoobj为预测为无物体时置信度的权重；
Figure BDA0002812395160000095
为二值变量，且若在(i,j)处的B不存在目标，则
Figure BDA0002812395160000096
取值为1，否则
Figure BDA0002812395160000097
取值为0；ci为实际情况下，第i个栅格下是否有物体的置信度；
Figure BDA0002812395160000098
为第i个栅格是否有物体的预测置信度；λobj为预测有物体置信度的权重；λclass为分类预测损失权重；c为某一类别；classes为所有预测类别；pi(c)为第i个栅格下类别c的概率；
Figure BDA00028123951600000912
为第i个栅格下预测类别c的概率；
采用如下算式计算Binary Cross Entropy(BCE)：
Figure BDA0002812395160000099
计算误差loss时，采用GIoU衡量预测框和Ground truth的距离；
采用如下算式计算GIoU：
Figure BDA00028123951600000910
式中IoU为预测框交并比，是一个性能指标，且
Figure BDA00028123951600000911
A为真实框范围，B为预测框范围，Ac为真实框面积，U为A与B的并集；
采用非极大值抑制(NMS)法筛选预测框；
在训练时，采用设定的概率，对图像进行如下操作，从而进行自动图像增强：
对图像进行上、下、左和右的裁剪；对图像的像素进行dropout操作；对图像的像素进行cutout操作；对图像增加高斯噪声；对图像进行平移、旋转和缩放；对图像进行左右翻转；对图像进行高斯模糊；将图像转换为灰度图；对图像进行对比度增强；具体如下表1所示：
表1自动图像增强参数示意表
Figure BDA0002812395160000101
S4.实时获取在建电力工程的图像数据信息；
S5.采用步骤S3得到的电力工程异常状态智能识别模型对步骤S4获取的图像数据信息进行识别，从而得到最终的电力工程异常状态的智能识别结果。
如图2所示为本发明系统的功能模块图：本发明提供的这种实现上述电力工程异常状态的智能识别方法的识别系统，包括摄像头模块、数据处理模块、算法服务器模块和终端模块；摄像头模块、数据处理模块、算法服务器模块和终端模块依次串联；摄像头模块用于实时获取在建电力工程的图像数据信息，并上传数据处理模块；数据处理模块用于对上传的图像数据信息进行处理，并将处理后的数据信息上传算法服务器模块；算法服务器用于实现上述的电力工程异常状态的智能识别方法，并将识别结果上传终端模块；终端模块用于获取最终的识别结果并进行显示和提醒。
在具体实施时，终端模块可以是工程人员的手机、电脑等智能设备。

Claims (5)

1.一种电力工程异常状态的智能识别方法，包括如下步骤：
S1.获取电力工程的历史图像数据信息，并进行标定；
S2.构建初步的电力工程异常状态智能识别模型；
S3.采用步骤S1得到的标定后的图像数据信息，对步骤S2构建的初步的电力工程异常状态智能识别模型进行训练，并得到电力工程异常状态智能识别模型；
S4.实时获取在建电力工程的图像数据信息；
S5.采用步骤S3得到的电力工程异常状态智能识别模型对步骤S4获取的图像数据信息进行识别，从而得到最终的电力工程异常状态的智能识别结果。
2.根据权利要求1所述的电力工程异常状态的智能识别方法，其特征在于步骤S2所述的构建初步的电力工程异常状态智能识别模型，具体为采用如下步骤构建识别模型：
模型包括骨架、颈部和头部；
骨架结构为全卷积神经网络，结构如下：
2D卷积操作，对应的神经元数量为32；
2D卷积操作，对应的神经元数量为64；
重复一次的操作：2D卷积操作，对应的神经元数量为32；2D卷积操作，对应的神经元数量为64；残差操作；
2D卷积操作，对应的神经元数量为128；
重复二次的操作：2D卷积操作，对应的神经元数量为64；2D卷积操作，对应的神经元数量为128；残差操作；
2D卷积操作，对应的神经元数量为256；
重复八次的操作：2D卷积操作，对应的神经元数量为128；2D卷积操作，对应的神经元数量为256；残差操作；
2D卷积操作，对应的神经元数量为512；
重复八次的操作：2D卷积操作，对应的神经元数量为256；2D卷积操作，对应的神经元数量为512；残差操作；
2D卷积操作，对应的神经元数量为1024；
重复四次的操作：2D卷积操作，对应的神经元数量为512；2D卷积操作，对应的神经元数量为1024；残差操作；
颈部包括：路径聚合快，采用多尺度特征金字塔模块；剩余部分采用空间金子塔池化模块；
头部包括：YOLO模块。
3.根据权利要求2所述的电力工程异常状态的智能识别方法，其特征在于步骤S3所述的训练，具体为采用如下步骤进行训练：
图像预处理：对输入模型的图像数据缩放到设定的尺寸，同时进行图像降噪和数据增强；
图像数据经过全卷积神经网络后，输出特征图，再通过多尺度特征金字塔模块模块，输出三个尺度的特征图并对应于大目标、中目标和小目标；
每个尺度的预测结果均包括如下参数：(x,y)、(w,h)和confidence；其中(x,y)为预测框的中心相对单元格的偏移量；(w,h)为预测框相对整个图片的比例；confidence为置信度；
训练时，采用如下算式计算误差loss：
loss＝lbox+lobj+lcls
式中lbox为预测框带来的误差，且
Figure FDA0002812395150000031
lobj为置信度带来的误差，且
Figure FDA0002812395150000032
lcls为类别带来的误差，且
Figure FDA0002812395150000033
λcoord为；S为每个尺度所对应的尺寸；B为在各尺度下，由尺寸划分栅格中，每个栅格包含的box数量；
Figure FDA0002812395150000034
为二值变量，且若在(i,j)处的B存在目标，则
Figure FDA0002812395150000035
取值为1，否则
Figure FDA0002812395150000036
取值为0；wi为第i个栅格下真实框的宽；hi为第i个栅格下真实框的高；xi为第i个栅格下真实框的左上角x坐标；
Figure FDA0002812395150000037
为第i个栅格下预测框左上角x坐标；yi为第i个栅格下真实框左上角y坐标；
Figure FDA0002812395150000038
为第i个栅格下预测框左上角y坐标；
Figure FDA0002812395150000039
为第i个栅格下预测框的宽；
Figure FDA00028123951500000310
为第i个栅格下预测框的高；λnoobj为预测为无物体时置信度的权重；
Figure FDA00028123951500000311
为二值变量，且若在(i,j)处的B不存在目标，则
Figure FDA00028123951500000312
取值为1，否则
Figure FDA00028123951500000313
取值为0；ci为实际情况下，第i个栅格下是否有物体的置信度；
Figure FDA00028123951500000314
为第i个栅格是否有物体的预测置信度；λobj为预测有物体置信度的权重；λclass为分类预测损失权重；c为某一类别；classes为所有预测类别；pi(c)为第i个栅格下类别c的概率；
Figure FDA00028123951500000315
为第i个栅格下预测类别c的概率；
采用如下算式计算Binary Cross Entropy：
Figure FDA00028123951500000316
计算误差loss时，采用GIoU衡量预测框和Ground truth的距离；
采用如下算式计算GIoU：
Figure FDA0002812395150000041
式中IoU为预测框交并比，是一个性能指标，且
Figure FDA0002812395150000042
A为真实框范围，B为预测框范围，Ac为真实框面积，U为A与B的并集；
采用非极大值抑制法筛选预测框；
在训练时，采用设定的概率，对图像进行如下操作，从而进行自动图像增强：
对图像进行上、下、左和右的裁剪；对图像的像素进行dropout操作；对图像的像素进行cutout操作；对图像增加高斯噪声；对图像进行平移、旋转和缩放；对图像进行左右翻转；对图像进行高斯模糊；将图像转换为灰度图；对图像进行对比度增强。
4.根据权利要求3所述的电力工程异常状态的智能识别方法，其特征在于所述的图像降噪，具体为采用非局部均匀降噪技术进行图像降噪。
5.一种实现权利要求1～4之一所述的电力工程异常状态的智能识别方法的识别系统，其特征在于包括摄像头模块、数据处理模块、算法服务器模块和终端模块；摄像头模块、数据处理模块、算法服务器模块和终端模块依次串联；摄像头模块用于实时获取在建电力工程的图像数据信息，并上传数据处理模块；数据处理模块用于对上传的图像数据信息进行处理，并将处理后的数据信息上传算法服务器模块；算法服务器用于实现所述的电力工程异常状态的智能识别方法，并将识别结果上传终端模块；终端模块用于获取最终的识别结果并进行显示和提醒。
CN202011390259.3A 2020-12-02 2020-12-02 电力工程异常状态的智能识别方法及识别系统 Pending CN112508076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011390259.3A CN112508076A (zh) 2020-12-02 2020-12-02 电力工程异常状态的智能识别方法及识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011390259.3A CN112508076A (zh) 2020-12-02 2020-12-02 电力工程异常状态的智能识别方法及识别系统

Publications (1)

Publication Number Publication Date
CN112508076A true CN112508076A (zh) 2021-03-16

Family

ID=74969438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011390259.3A Pending CN112508076A (zh) 2020-12-02 2020-12-02 电力工程异常状态的智能识别方法及识别系统

Country Status (1)

Country Link
CN (1) CN112508076A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN110929646A (zh) * 2019-11-22 2020-03-27 国网福建省电力有限公司 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法
CN111985451A (zh) * 2020-09-04 2020-11-24 南京航空航天大学 一种基于YOLOv4的无人机场景检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN110929646A (zh) * 2019-11-22 2020-03-27 国网福建省电力有限公司 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法
CN111985451A (zh) * 2020-09-04 2020-11-24 南京航空航天大学 一种基于YOLOv4的无人机场景检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PPRP: "【从零开始学习YOLOv3】8. YOLOv3中Loss部分计算", pages 2 - 10, Retrieved from the Internet <URL:https://www.cnblogs.com/pprp/p/12590801.html> *
周自强等: "一种改进的 YOLO 目标检测方法在电缆设备异常状态识别中的应用", 《电测与仪表》, vol. 57, no. 2, pages 1 - 3 *

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN112967243B (zh) 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN112379231B (zh) 一种基于多光谱图像的设备检测方法及装置
CN109215034B (zh) 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法
CN111353413A (zh) 一种输电设备低漏报率缺陷识别方法
CN112734692A (zh) 一种变电设备缺陷识别方法及装置
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN111242026B (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
JP5103665B2 (ja) 物体追跡装置および物体追跡方法
CN112562255B (zh) 微光环境下电缆沟道烟雾火情的智能图像检测方法
CN109886159B (zh) 一种非限定条件下的人脸检测方法
CN112396635B (zh) 一种基于多设备的复杂环境下多目标检测方法
CN112950576B (zh) 基于深度学习的输电线路缺陷智能识别方法及系统
CN112419202A (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN112989995A (zh) 文本检测方法、装置及电子设备
CN112598054A (zh) 基于深度学习的输变电工程质量通病防治检测方法
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN114241425A (zh) 垃圾检测模型的训练方法、装置、存储介质及设备
CN114299036A (zh) 电子元件的检测方法及装置、存储介质、电子设备
CN113095160A (zh) 基于人工智能和5g的电力系统人员安全行为识别方法及系统
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN111160372A (zh) 一种基于高速卷积神经网络的大目标识别方法
CN112508076A (zh) 电力工程异常状态的智能识别方法及识别系统
CN114972335A (zh) 一种用于工业检测的图像分类方法、装置及计算机设备

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