CN112784718B - 一种基于边缘计算与深度学习的绝缘子状态识别方法 - Google Patents
一种基于边缘计算与深度学习的绝缘子状态识别方法 Download PDFInfo
- Publication number
- CN112784718B CN112784718B CN202110041237.4A CN202110041237A CN112784718B CN 112784718 B CN112784718 B CN 112784718B CN 202110041237 A CN202110041237 A CN 202110041237A CN 112784718 B CN112784718 B CN 112784718B
- Authority
- CN
- China
- Prior art keywords
- insulator
- insulator image
- model
- image
- fault
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于边缘计算与深度学习的绝缘子状态识别方法，包括如下步骤：步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；步骤2，将预处理后的绝缘子图像传输至多个边缘计算节点进行状态分类，得到故障绝缘子图像以及非故障绝缘子图像；步骤3，采用作为聚合服务器的边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新。
Description
技术领域
本发明属于电力设备状态识别技术领域，具体涉及一种基于边缘计算与深度学习的绝缘子状态识别方法。
背景技术
绝缘子是电力系统正常运行必不可缺的元器件，是支持输电线路正常运行的重要保障，因此对绝缘子状态的实时检测十分有必要。随着人工智能技术、边缘计算、深度学习等技术的不断发展，这些技术应用在计算机视觉领域进行绝缘子状态识别成为可能。
现有的绝缘子状态识别方法将海量的数据传输到云中心，由云服务器根据已训练的深度学习模型完成绝缘子状态的识别，存在无法满足实时性的要求、成本高、误判率高等问题。因此，需要设计一种能够解决上述问题的方法。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于边缘计算与深度学习的绝缘子状态识别方法。
本发明提供了一种基于边缘计算与深度学习的绝缘子状态识别方法，具有这样的特征，包括如下步骤：步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；步骤2，将预处理后的绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，得到绝缘子的状态，进而得到故障绝缘子图像以及非故障绝缘子图像；步骤3，采用作为聚合服务器AS的1个边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新，其中，聚合服务器AS为具备完整的模型和算法的边缘计算节点，其通过云中心服务器在绝缘子数据集上对绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法至边缘计算节点得到。
在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤1中的智能巡检设备采用嵌入微型计算机的无人机。
在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤1的预处理具体包括如下子步骤：首先通过0°、90°、180°和270°旋转图像的方法进行数据扩增，将数据集扩充到原来的4倍，而后将输入的绝缘子图像统一缩放到224×224的尺寸，最后将数据做归一化处理。
在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤2具体包括如下子步骤：步骤2-1，将预处理后的绝缘子图像传入基于Inception模块改进的数据池化层，提取完整的特征信息；步骤2-2，将SE模块嵌入到带跳跃连接线的残差块的内部结构中，同时将CBAM模块作为即插即用的模块集成到ResNet101网络架构的第一层大层之前和最后一层大层，而后通过全连接层得到绝缘子图像的状态。
在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，步骤3中的剩余的边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同聚合服务器训练模型，从而进行局部模型的更新。
在本发明提供的基于边缘计算与深度学习的绝缘子状态识别方法中，还可以具有这样的特征：其中，深度学习模型是基于ResNet101网络进行改进的，将Inception模块、SE模块和CBAM卷积注意力模块嵌入到ResNet101网络网络中，而后通过全连接层实现绝缘子状态的识别。
发明的作用与效果
根据本发明所涉及的基于边缘计算与深度学习的绝缘子状态识别方法，通过云边协同和边边联邦协同的联合训练框架完成了数据的预处理、模型训练和绝缘子状态识别，避免了海量数据上传云中心占用通信通道带来的资源浪费。本发明的绝缘子状态识别模型采用基于多模块融合的ResNet101网络完成绝缘子图像的状态识别，分别以增加网络宽度、考虑特征通道间的相互关系和添加卷积注意力模块的方式，来提高模型的分类准确的；云中心服务器保留接受的、经人工审核过的，识别准确的绝缘子图像，并将其传入样本库，进一步更新模型，提高识别准确率。
因此，本发明的基于边缘计算与深度学习的绝缘子状态识别方法相比于现有的绝缘子状态识别方法，实现了一套完整的云边协同与边边联邦协同联合的绝缘子状态识别训练方案，具有减少通信带宽消耗、数据传输时延低、模型识别精度高、安全性高、成本低等优点，实现了状态检测、缺陷智能识别及自学习等功能。
附图说明
图1是本发明的实施例中基于边缘计算与深度学习的绝缘子状态识别方法的训练框架示意图；
图2是本发明的实施例中基于边缘计算与深度学习的绝缘子状态识别方法的流程图；
图3是本发明的实施例中基于多模块融合的ResNet101分类网络框架图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
实施例：
如图1和图2所示，本实施例提供一种基于边缘计算与深度学习的绝缘子状态识别方法，该方法由云边协同和边边联邦协同联合的绝缘子状态识别训练框架实行，上述训练框架包括：智能巡检设备、边缘计算节点以及云中心服务器，上述绝缘子状态识别方法包括如下步骤：
步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像。
本实施例中，智能巡检设备采用嵌入微型计算机的无人机或直升机等智能巡检设备。
进一步地，预处理具体包括如下子步骤：首先通过0°、90°、180°和270°旋转图像的方法进行数据扩增，将数据集扩充到原来的4倍，而后将输入的绝缘子图像统一缩放到224×224的尺寸，最后将数据做归一化处理。
步骤2，将预处理后的绝缘子图像传输至多个边缘计算节点，通过使用改进后的融合多维度特征的ResNet101网络进行状态分类，，得到绝缘子图像的状态，进而得到故障绝缘子图像以及非故障绝缘子图像，具体包括如下子步骤：
步骤2-1，首先将预处理后的图像传入基于Inception模块改进的数据池化层，提取出完整的特征信息；
步骤2-2，考虑特征通道间的关系，将SE模块嵌入到带跳跃连接线的残差块的内部结构中，同时考虑特征空间维度与通道维度，将CBAM模块作为即插即用的模块集成到ResNet101网络架构的第一层大层之前和最后一层大层之后，进一步提升模型识别准确率，而后通过全连接层得到绝缘子的状态。
步骤3，采用作为聚合服务器AS的1个边缘计算节点将故障绝缘子图像传输至云中心服务器，且云中心服务器形成交互式界面后对故障绝缘子图像进行人工审核，并将识别准确的故障绝缘子图像发送到异物样本库，并对现有的模型进行进一步训练，从而更新模型，并对非故障绝缘子图像传输至剩余的边缘计算节点进行局部模型的更新。
本实施例中，剩余的边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同聚合服务器AS训练模型，从而进行局部模型的更新。
本实施例中，聚合服务器为具备完整的模型和算法的边缘计算节点，其通过云中心服务器在绝缘子数据集上对绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法至边缘计算节点得到。
进一步地，深度学习模型是基于ResNet101网络进行改进的，从特征空间维度、通道维度和网络宽度三方面考虑，将Inception模块、SE模块和CBAM卷积注意力模块嵌入到ResNet101网络中，得到基于多模块融合的ResNet101网络；此外，基于多模块融合的ResNet101网络融合多尺度的特征信息，并且使模型更关注于信息丰富的区域，从而能够更好的实现网络的特征提取，提高网络识别的准确率；最后，通过全连接层实现绝缘子状态的识别。
此外，基于多模块融合的ResNet101分类网络框架图，如图3所示。首先基于Inception模块的思想，以增加网络宽度的方式，构建数据池化层；其次，考虑特征通道间相互依赖的关系，使用带跳跃连接线的SE模块对不同通道进行权值重标定，抑制无效或效果较小的特征图的权重，并使有效的特征图的权重放大；最后，同时从特征空间维度和通道维度考虑，将CBAM卷积注意力模块作为即插即用的模块集成到现有的网络构架中，从空间和通道两个不同的维度推算注意力图。而后基于多模块融合的ResNet101网络能够更有效的提取特征信息，实现对绝缘子状态的识别，并将处理结果上传到云中心服务器。
实施例的作用与效果
本实施例的基于边缘计算与深度学习的绝缘子状态识别方法所采用的云边协同与边边联邦协同的联合训练框架将模型训练过程下沉的边缘服务器，降低了服务器到终端设备的距离和跳数，显著降低网络拥塞的可能性和传输时间；边缘节点的计算能力有限，故采用联邦学习的方式，解决了智能算法的资源需求与边缘设备资源受限间的矛盾，平衡了应用服务质量和隐私保护。
此外，本实施例的基于边缘计算与深度学习的绝缘子状态识别方法，通过云边协同和边边联邦协同的联合训练框架完成了数据的预处理、模型训练和绝缘子状态识别，避免了海量数据上传云中心占用通信通道带来的资源浪费。本实施例的绝缘子状态识别模型采用基于多模块融合的ResNet101网络完成绝缘子图像的状态识别，分别以增加网络宽度、考虑特征通道间的相互关系和添加卷积注意力模块的方式，来提高模型的分类准确的；云中心服务器保留接受的、经人工审核过的，识别准确的绝缘子图像，并将其传入样本库，进一步更新模型，提高识别准确率。
因此，本实施例的基于边缘计算与深度学习的绝缘子状态识别方法相比于现有的绝缘子状态识别方法，实现了一套完整的云边协同与边边联邦协同联合的绝缘子状态识别训练方案，具有减少通信带宽消耗、数据传输时延低、模型识别精度高、安全性高、成本低等优点，实现了状态检测、缺陷智能识别及自学习等功能。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
Claims (4)
1.一种基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于，包括如下步骤：
步骤1，采用智能巡检设备进行实时拍摄，获得绝缘子图像，并对所述绝缘子图像进行存储和预处理，得到预处理后的绝缘子图像；
步骤2，将预处理后的所述绝缘子图像传输至多个边缘计算节点，通过使用绝缘子状态模型进行状态分类，得到所述绝缘子图像的状态，进而得到故障绝缘子图像以及非故障绝缘子图像，所述绝缘子状态模型为改进后的融合多维度特征的ResNet101网络；
步骤3，采用作为聚合服务器AS的1个边缘计算节点将所述故障绝缘子图像传输至云中心服务器，且所述云中心服务器形成交互式界面后对所述故障绝缘子图像进行人工审核，并将识别准确的所述故障绝缘子图像发送到异物样本库，并对所述绝缘子状态模型进行进一步训练，从而更新所述绝缘子状态模型，并对所述非故障绝缘子图像传输至剩余的所述边缘计算节点进行局部模型的更新，
其中，所述聚合服务器为具备完整的模型和算法的边缘计算节点，其通过所述云中心服务器在绝缘子数据集上对所述绝缘子状态模型进行训练，而后将训练好的深度学习模型和算法传输至所述边缘计算节点得到，
所述步骤2具体包括如下子步骤：
步骤2-1，将预处理后的所述绝缘子图像传入基于Inception模块改进的数据池化层，提取完整的特征信息；
步骤2-2，将SE模块嵌入到带跳跃连接线的残差块的内部结构中，同时将CBAM模块作为即插即用的模块集成到ResNet101网络架构的第一层大层之前和最后一层大层，而后通过全连接层得到所述绝缘子图像的状态，
所述深度学习模型是基于ResNet101网络进行改进的，将Inception模块、SE模块和CBAM卷积注意力模块嵌入到所述ResNet101网络网络中，而后通过全连接层实现绝缘子状态的识别。
2.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：
其中，所述步骤1中的所述智能巡检设备采用嵌入微型计算机的无人机。
3.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：
其中，所述步骤1的预处理具体包括如下子步骤：
首先通过0°、90°、180°和270°旋转图像的方法进行数据扩增，将数据集扩充到原来的4倍，而后将输入的绝缘子图像统一缩放到224×224的尺寸，最后将数据做归一化处理。
4.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态识别方法，其特征在于：
其中，所述步骤3中的剩余的所述边缘计算节点采用联邦学习的方式，对本地数据进行处理，协同所述聚合服务器AS训练模型，从而进行局部模型的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110041237.4A CN112784718B (zh) | 2021-01-13 | 2021-01-13 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110041237.4A CN112784718B (zh) | 2021-01-13 | 2021-01-13 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784718A CN112784718A (zh) | 2021-05-11 |
| CN112784718B true CN112784718B (zh) | 2023-04-25 |
Family
ID=75755492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110041237.4A Active CN112784718B (zh) | 2021-01-13 | 2021-01-13 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784718B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362316A (zh) * | 2021-06-23 | 2021-09-07 | 合肥朗云物联科技股份有限公司 | 一种精确识别图像边缘物体的方法 |
| CN113783716B (zh) * | 2021-07-27 | 2024-06-28 | 国网冀北电力有限公司信息通信分公司 | 基于云边协同框架的流量预测方法及装置 |
| CN113534832B (zh) * | 2021-08-03 | 2024-03-15 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于边缘计算的无人机巡检跟踪配网线飞行方法 |
| CN113674249A (zh) * | 2021-08-24 | 2021-11-19 | 重庆忽米网络科技有限公司 | 基于工业互联网的pcb板印刷质量检测方法 |
| CN113780371B (zh) * | 2021-08-24 | 2024-06-18 | 上海电力大学 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
| CN113780426B (zh) * | 2021-09-14 | 2023-06-30 | 中国联合网络通信集团有限公司 | 一种多模态信息融合方法、mec、模态信息采集单元及系统 |
| CN113920327A (zh) * | 2021-11-17 | 2022-01-11 | 国网四川省电力公司电力科学研究院 | 一种基于改进的Faster Rcnn的绝缘子目标识别方法 |
| CN114140447A (zh) * | 2021-12-06 | 2022-03-04 | 国网新疆电力有限公司信息通信公司 | 一种基于云边协同技术的电力设备图像识别方法和系统 |
| CN114257828B (zh) * | 2021-12-20 | 2024-08-30 | 上海哔哩哔哩科技有限公司 | 直播审核内容处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325167A (zh) * | 2020-02-26 | 2020-06-23 | 中国铁路上海局集团有限公司南京动车段 | 一种基于深度学习技术的巡检作业评价方法 |
| CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网系统及工作方法 |
| CN111402203A (zh) * | 2020-02-24 | 2020-07-10 | 杭州电子科技大学 | 一种基于卷积神经网络的织物表面缺陷检测方法 |
| CN111447083A (zh) * | 2020-03-10 | 2020-07-24 | 中国人民解放军国防科技大学 | 动态带宽和不可靠网络下的联邦学习架构及其压缩算法 |
| CN112150493A (zh) * | 2020-09-22 | 2020-12-29 | 重庆邮电大学 | 一种基于语义指导的自然场景下屏幕区域检测方法 |
| CN112181666A (zh) * | 2020-10-26 | 2021-01-05 | 华侨大学 | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测系统 |
| US11244242B2 (en) * | 2018-09-07 | 2022-02-08 | Intel Corporation | Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (MEC) networks |
| CN109753929B (zh) * | 2019-01-03 | 2022-10-28 | 华东交通大学 | 一种高铁绝缘子巡检图像识别方法 |
| CN110197128A (zh) * | 2019-05-08 | 2019-09-03 | 华南理工大学 | 基于边缘计算与云端统筹的人脸识别架构设计方法 |
| CN112183764A (zh) * | 2020-10-12 | 2021-01-05 | 中国石油大学(华东) | 一种基于区块链和联邦学习的物联网设备故障检测方法 |
-
2021
- 2021-01-13 CN CN202110041237.4A patent/CN112784718B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402203A (zh) * | 2020-02-24 | 2020-07-10 | 杭州电子科技大学 | 一种基于卷积神经网络的织物表面缺陷检测方法 |
| CN111325167A (zh) * | 2020-02-26 | 2020-06-23 | 中国铁路上海局集团有限公司南京动车段 | 一种基于深度学习技术的巡检作业评价方法 |
| CN111447083A (zh) * | 2020-03-10 | 2020-07-24 | 中国人民解放军国防科技大学 | 动态带宽和不可靠网络下的联邦学习架构及其压缩算法 |
| CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网系统及工作方法 |
| CN112150493A (zh) * | 2020-09-22 | 2020-12-29 | 重庆邮电大学 | 一种基于语义指导的自然场景下屏幕区域检测方法 |
| CN112181666A (zh) * | 2020-10-26 | 2021-01-05 | 华侨大学 | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784718A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784718B (zh) | 一种基于边缘计算与深度学习的绝缘子状态识别方法 | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
| CN109376660B (zh) | 一种目标监测方法、装置及系统 | |
| WO2022151815A1 (zh) | 一种终端设备的安全状态判断方法及装置 | |
| WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
| CN112949702A (zh) | 一种网络恶意加密流量识别方法和系统 | |
| CN114821247B (zh) | 一种模型的训练方法、装置、存储介质及电子装置 | |
| Liu et al. | Towards vehicle-to-everything autonomous driving: A survey on collaborative perception | |
| CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
| CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
| CN115460647A (zh) | 基于eSIM卡和5G基站的物联网故障定位方法及系统 | |
| CN113326826A (zh) | 网络模型的训练方法、装置、电子设备及存储介质 | |
| JP7059889B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
| CN113780371B (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
| CN117522735A (zh) | 基于多尺度的密流感知去雨图像增强方法 | |
| CN116881807A (zh) | 自动驾驶系统的评价方法、相关模型的训练方法和设备 | |
| CN113726686A (zh) | 流量识别方法、装置、电子设备及存储介质 | |
| WO2023045365A1 (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
| CN113810665A (zh) | 视频处理方法、装置、设备、存储介质及产品 | |
| CN113537087A (zh) | 一种智慧交通信息处理方法、装置及服务器 | |
| CN116778363B (zh) | 一种基于联邦学习的低通信量库区水环境风险识别方法 | |
| CN117830646B (zh) | 一种基于立体影像快速提取建筑物顶部高程的方法 | |
| CN114993329B (zh) | 道路数据更新方法及装置 | |
| CN113392816B (zh) | 路面病害检测方法、装置、电子设备和计算机可读介质 |
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 |