CN112946436A - 一种车载接触网绝缘器消弧缺断在线智能检测方法 - Google Patents
一种车载接触网绝缘器消弧缺断在线智能检测方法 Download PDFInfo
- Publication number
- CN112946436A CN112946436A CN202110146180.4A CN202110146180A CN112946436A CN 112946436 A CN112946436 A CN 112946436A CN 202110146180 A CN202110146180 A CN 202110146180A CN 112946436 A CN112946436 A CN 112946436A
- Authority
- CN
- China
- Prior art keywords
- insulator
- arc extinction
- detection
- image
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000008033 biological extinction Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000007812 deficiency Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车载接触网绝缘器消弧缺断在线智能检测方法，包括：采集接触网绝缘器图像以及接触网绝缘器的定位信息；对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域；根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，得到绝缘器检测位置(x,y,w,h)；根据得到的绝缘器检测位置，再利用消弧检测网络进一步检测绝缘器四个消弧是否存在，若检测出四个消弧有缺失、断裂的情况，则返回缺陷类别与绝缘器检测位置(x,y,w,h)，并进行报警。通过本发明，能快速、有效地对车载运行沿线的接触网绝缘器消弧缺断进行检测定位，并及时报警。
Description
技术领域
本发明涉及轨道交通领域，具体是一种车载接触网绝缘器消弧缺断在线智能检测方法。
背景技术
分段分相绝缘器是接触网进行电分段时采用的保证供电灵活性、缩小事故范围的一种绝缘设备。对绝缘器消弧缺断进行检测是施工质量管理的重要手段，是保证列车安全营运的前提。传统的检测方法一般通过人工巡检或离线数据分析的方式进行绝缘器消弧缺断的检测，但是这些传统方式不仅耗时耗力，而且不能及时排除安全隐患，给铁路工作者带来很大的困扰，因此,急需一种在线、及时、智能的车载接触网绝缘器消弧缺断检测方法及系统。
发明内容
本发明的目的在于克服现有技术的不足，提供一种车载接触网绝缘器消弧缺断在线智能检测方法，包括：
采集接触网绝缘器图像以及接触网绝缘器的定位信息，为每一帧图像关联最近邻的定位信息；
对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将图像大小进行重置，并将图像数据进行归一化，将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域；
根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，根据二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)；
根据得到的绝缘器检测位置，再利用消弧检测网络进一步检测绝缘器四个消弧是否存在，若检测出四个消弧有缺失、断裂的情况，则返回缺陷类别与绝缘器检测位置(x,y,w,h)，并进行报警。
进一步的，所述的采集接触网绝缘器图像以及接触网绝缘器的定位信息，包括如下过程：
获取接触网绝缘器图像，在非卫星导航盲区，利用GPS进行初始定位，在卫星导航盲区，利用信号基站进行初始定位；然后利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正，同步定位信息和图片时钟信息，为每一帧图片关联最近邻的定位信息。
进一步的，所述的对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将图像大小进行重置，并将图像数据进行归一化；包括如下过程：
首先用深度学习方法对接收到的图像数据进行预处理，利用opencv库自带重置函数将输入图像大小进行重置，重制后将图像数据进行归一化，采用Mask RCNN实例分割算法检测接触网绝缘器图像消弧缺断。
进一步的，所述的将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域，具体包括：
通过滑动窗口扫描输入图像并进行卷积操作，结合不同的的尺寸与长宽比，生成互相重叠的区域，并得到每个区域的位置信息，用来提取候选区域。
进一步的，所述的根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，根据二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)，具体的为：取ROI分类器选择的正区域为输入，并生成它们的掩码，根据掩码计算损失函数，即分割误差Lossmask；损失函数为Loss＝Losscls+Lossbox+Lossmask，通过优化函数来优化损失函数，对分类与检测框进行优化回归，得到绝缘器的检测位置(x,y,h,w)。
本发明的有益效果是：本系统是基于深度学习的接触网绝缘器消弧缺断在线智能检测，利用车载嵌入式单元服务器进行在线检测，能快速、有效地对车载运行沿线的接触网绝缘器消弧缺断进行检测定位，并及时报警。
附图说明
图1为一种车载接触网绝缘器消弧缺断在线智能检测方法的原理示意图；
图2为车载接触网绝缘器消弧缺断在线智能检测系统的原理示意图；
图3为绝缘器消弧缺断检测流程图；
图4检测算法流程示意图；
图5为滑动窗口扫描示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种车载接触网绝缘器消弧缺断在线智能检测方法，包括：
采集接触网绝缘器图像以及接触网绝缘器的定位信息，为每一帧图像关联最近邻的定位信息；
对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将图像大小进行重置，并将图像数据进行归一化，将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域；具体的Mask RCNN使用RPN区域建议网络来寻找目标存在的区域，即候选区域。RPN是一个轻量的神经网络，它会先对原始图像提取特征，用滑动窗口来扫描特征图，扫描的区域被称为anchor，它是分布在图像上的矩形框，在不同的尺寸和长宽比下，图像上会有将近20万个anchor，并且它们互相重叠以尽可能地覆盖图像。如图5所示,假设使用一个3x3的滑动窗口，将每个位置转换为一个统一的256维的特征，这个特征对应了两部分的输出：一个是anchor的类别，是前景(含有目标)还是背景、另一个是框回归，即候选框。一个anchor对应4个框回归参数。k是特征图上每个像素点对应得anchor的个数，这个可以自己设置。图5展示了滑动窗口如何扫描。
根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，根据二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)；
根据得到的绝缘器检测位置，再利用消弧检测网络进一步检测绝缘器四个消弧是否存在，若检测出四个消弧有缺失、断裂的情况，则返回缺陷类别与绝缘器检测位置(x,y,w,h)，并进行报警。
所述的采集接触网绝缘器图像以及接触网绝缘器的定位信息，包括如下过程：
获取接触网绝缘器图像，在非卫星导航盲区，利用GPS进行初始定位，在卫星导航盲区，利用信号基站进行初始定位；然后利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正，同步定位信息和图片时钟信息，为每一帧图片关联最近邻的定位信息。
所述的对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将图像大小进行重置，并将图像数据进行归一化；包括如下过程：
首先用深度学习方法对接收到的图像数据进行预处理，利用opencv库自带重置函数将输入图像大小进行重置，重制后将图像数据进行归一化，采用Mask RCNN实例分割算法检测接触网绝缘器图像消弧缺断。
所述的将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域，具体包括：
通过滑动窗口扫描输入图像并进行卷积操作，结合不同的的尺寸与长宽比，生成互相重叠的区域，并得到每个区域的位置信息，用来提取候选区域。
所述的根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，根据二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)。
掩码分支是一个卷积网络，取ROI(regin of interest)分类器选择的正区域为输入，并生成它们的掩码。其生成的掩码是低分辨率的：28x28像素。但它们是由浮点数表示的软掩码，相对于二进制掩码有更多的细节。掩码的小尺寸属性有助于保持掩码分支网络的轻量性。在训练过程中，会将真实的掩码缩小为28x28来计算损失函数，即分割误差Lossmask。整个mask rcnn的损失函数为分类误差+检测误差+分割误差。Loss＝Losscls+Lossbox+Lossmask，最后选用适合的优化函数来优化这个损失函数，对分类与检测框进行优化回归，得到绝缘器的检测位置(x,y,h,w)。
具体的，本发明系统采用基于深度学习的车载接触网绝缘器消弧缺断在线实时检测的设计方案，采用车载嵌入式单元服务器对绝缘器消弧缺断进行快速、准确检测，并将检测结果(包含绝缘器消弧缺断类别及位置信息)生成缺陷报告，发出报警。
该系统主要分为3个模块：
(1)图像采集和定位模块。主要用于采集检测接触网绝缘器消弧缺断所需图像数据以及获得定位信息。数据采集模块主要是由相机和补光构成，对接触网进行实时成像。定位信息通过基站、GPS、惯性导航组合定位模块获得，具体定位步骤如下：
1)在搜星良好区域，利用GPS进行初始定位，在卫导盲区，利用基站进行初始定位；
2)利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正，防止位置的漂移；
3)同步定位和图片时钟信息，为没一帧图片关联最近邻的位置信息。
(2)车载嵌入式单元服务器实时检测模块。接收相机采集到的图像数据，将数据送到部署好的缺陷检测程序中，对接触网绝缘器消弧缺断进行实时检测。整个检测过程如下：
1)首先用深度学习方法对接收到的图像数据进行预处理，为了让接收到的数据符合深度学习检测方法的输入要求，需要将图像大小进行重置(利用opencv库自带重置函数将输入图像大小进行重置)。同时为了更好地进行检测，将图像数据进行归一化。
2)采用Mask RCNN实例分割算法检测接触网绝缘器消弧缺断。Mask RCNN采用的主干网络为Resnet50。主干网后面连接一个特征金字塔的颈脖部分，用于检测不同尺度的目标。具体做法如下：
当检测网络输入数据后：
a)检测网络是一个轻量的深度卷积网络，通过滑动窗口扫描输入图像进行卷积操作，也就是乘法操作，结合不同的的尺寸与长宽比，生成互相重叠的区域，并得到每个区域的位置信息，用来提取候选区域。
b)根据提取的候选区域，Mask RCNN的掩码预测分支输出对应的二值掩码，根据这个二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)。
c)根据得到的绝缘器检测区域，再利用消弧检测网络进一步检测绝缘器四个消弧是否存在，若检测出四个消弧有缺失、断的情况，则返回缺陷类别与位置信息(x,y,w,h)。
(3)缺陷报警模块。
1)将缺陷图片、检测结果与找到的定位信息打包成报警文件；
2)车载部署的传输程序会通过4G网络将打包后的报警文件传输至地面数据终端；
数据终端解析报警文件后供相关工作人员及时查看、维护。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种车载接触网绝缘器消弧缺断在线智能检测方法，其特征在于，包括：
采集接触网绝缘器图像以及接触网绝缘器的定位信息，为每一帧图像关联最近邻的定位信息；
对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将图像大小进行重置，并将图像数据进行归一化，将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域；
根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，根据二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)；
根据得到的绝缘器检测位置，再利用消弧检测网络进一步检测绝缘器四个消弧是否存在，若检测出四个消弧有缺失、断裂的情况，则返回缺陷类别与绝缘器检测位置(x,y,w,h)，并进行报警。
2.根据权利要求1所述的一种车载接触网绝缘器消弧缺断在线智能检测方法，其特征在于，所述的采集接触网绝缘器图像以及接触网绝缘器的定位信息，包括如下过程：
获取接触网绝缘器图像，在非卫星导航盲区，利用GPS进行初始定位，在卫星导航盲区，利用信号基站进行初始定位；然后利用惯性导航器件进行连续定位，同时在有GPS信号或者基站信号的时候，进行位置校正，同步定位信息和图片时钟信息，为每一帧图片关联最近邻的定位信息。
3.根据权利要求1所述的一种车载接触网绝缘器消弧缺断在线智能检测方法，其特征在于，所述的对采集到的接触网绝缘器图像首先用深度学习方法对接触网绝缘器图像数据进行预处理，将图像大小进行重置，并将图像数据进行归一化；包括如下过程：
首先用深度学习方法对接收到的图像数据进行预处理，利用opencv库自带重置函数将输入图像大小进行重置，重制后将图像数据进行归一化，采用Mask RCNN实例分割算法检测接触网绝缘器图像消弧缺断。
4.根据权利要求1所述的一种车载接触网绝缘器消弧缺断在线智能检测方法，其特征在于，所述的将归一化后的图像数据通过消弧检测网络提取图像数据中的候选区域，具体包括：
通过滑动窗口扫描输入图像并进行卷积操作，结合不同的的尺寸与长宽比，生成互相重叠的区域，并得到每个区域的位置信息，用来提取候选区域。
5.根据权利要求1所述的一种车载接触网绝缘器消弧缺断在线智能检测方法，其特征在于，所述的根据候选区域，消弧检测网络的掩码预测分支输出对应的二值掩码，根据二值掩码进一步进行缺陷分类与检测框的回归，得到绝缘器检测位置(x,y,w,h)，具体的为：取ROI分类器选择的正区域为输入，并生成它们的掩码，根据掩码计算损失函数，即分割误差Lossmask；损失函数为Loss＝Losscls+Lossbox+Lossmask，通过优化函数来优化损失函数，对分类与检测框进行优化回归，得到绝缘器的检测位置(x，y，h，w)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110146180.4A CN112946436A (zh) | 2021-02-02 | 2021-02-02 | 一种车载接触网绝缘器消弧缺断在线智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110146180.4A CN112946436A (zh) | 2021-02-02 | 2021-02-02 | 一种车载接触网绝缘器消弧缺断在线智能检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112946436A true CN112946436A (zh) | 2021-06-11 |
Family
ID=76241907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110146180.4A Pending CN112946436A (zh) | 2021-02-02 | 2021-02-02 | 一种车载接触网绝缘器消弧缺断在线智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112946436A (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2098406U (zh) * | 1991-09-12 | 1992-03-11 | 铁道部科学研究院机车车辆研究所 | 消弧分段绝缘器 |
| WO2015125181A1 (ja) * | 2014-02-24 | 2015-08-27 | 株式会社辰巳菱機 | 負荷試験機 |
| CN105572543A (zh) * | 2016-01-25 | 2016-05-11 | 成都国铁电气设备有限公司 | 一种接触网运行状态检测装置 |
| CN108961247A (zh) * | 2018-07-10 | 2018-12-07 | 北京环境特性研究所 | 基于弧光图像检测的分段绝缘器损伤诊断系统及方法 |
| CN109670429A (zh) * | 2018-12-10 | 2019-04-23 | 广东技术师范学院 | 一种基于实例分割的监控视频多目标人脸检测方法及系统 |
| 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 |
| CN209387780U (zh) * | 2018-12-20 | 2019-09-13 | 南京合继思瑞电力科技有限公司 | 一种新型分段绝缘器用泄漏电流监测装置 |
| WO2019192397A1 (zh) * | 2018-04-04 | 2019-10-10 | 华中科技大学 | 一种任意形状的场景文本端到端识别方法 |
| CN110609311A (zh) * | 2019-10-10 | 2019-12-24 | 武汉理工大学 | 基于车载环视图像与毫米波雷达融合的智能车定位方法 |
| CN111307096A (zh) * | 2020-03-09 | 2020-06-19 | 郭东坡 | 一种分段绝缘器多点检测方法 |
| CN111462057A (zh) * | 2020-03-23 | 2020-07-28 | 华南理工大学 | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 |
| CN111497690A (zh) * | 2020-04-27 | 2020-08-07 | 成都国铁电气设备有限公司 | 一种用于接触网分段、分相绝缘器的检测系统 |
| CN112113978A (zh) * | 2020-09-22 | 2020-12-22 | 成都国铁电气设备有限公司 | 一种基于深度学习的车载隧道缺陷在线检测系统及方法 |
| CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
-
2021
- 2021-02-02 CN CN202110146180.4A patent/CN112946436A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2098406U (zh) * | 1991-09-12 | 1992-03-11 | 铁道部科学研究院机车车辆研究所 | 消弧分段绝缘器 |
| WO2015125181A1 (ja) * | 2014-02-24 | 2015-08-27 | 株式会社辰巳菱機 | 負荷試験機 |
| CN105572543A (zh) * | 2016-01-25 | 2016-05-11 | 成都国铁电气设备有限公司 | 一种接触网运行状态检测装置 |
| WO2019192397A1 (zh) * | 2018-04-04 | 2019-10-10 | 华中科技大学 | 一种任意形状的场景文本端到端识别方法 |
| CN108961247A (zh) * | 2018-07-10 | 2018-12-07 | 北京环境特性研究所 | 基于弧光图像检测的分段绝缘器损伤诊断系统及方法 |
| CN109670429A (zh) * | 2018-12-10 | 2019-04-23 | 广东技术师范学院 | 一种基于实例分割的监控视频多目标人脸检测方法及系统 |
| 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 |
| CN209387780U (zh) * | 2018-12-20 | 2019-09-13 | 南京合继思瑞电力科技有限公司 | 一种新型分段绝缘器用泄漏电流监测装置 |
| CN110609311A (zh) * | 2019-10-10 | 2019-12-24 | 武汉理工大学 | 基于车载环视图像与毫米波雷达融合的智能车定位方法 |
| CN111307096A (zh) * | 2020-03-09 | 2020-06-19 | 郭东坡 | 一种分段绝缘器多点检测方法 |
| CN111462057A (zh) * | 2020-03-23 | 2020-07-28 | 华南理工大学 | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 |
| CN111497690A (zh) * | 2020-04-27 | 2020-08-07 | 成都国铁电气设备有限公司 | 一种用于接触网分段、分相绝缘器的检测系统 |
| CN112113978A (zh) * | 2020-09-22 | 2020-12-22 | 成都国铁电气设备有限公司 | 一种基于深度学习的车载隧道缺陷在线检测系统及方法 |
| CN112233092A (zh) * | 2020-10-16 | 2021-01-15 | 广东技术师范大学 | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘杰: "分段绝缘器与分相绝缘器安装存在问题的探讨", 《电气化铁道》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11099275B1 (en) | LiDAR point cloud reflection intensity complementation method and system | |
| Bijelic et al. | Seeing through fog without seeing fog: Deep multimodal sensor fusion in unseen adverse weather | |
| CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
| US20210224512A1 (en) | Danet-based drone patrol and inspection system for coastline floating garbage | |
| US11361547B2 (en) | Object detection apparatus, prediction model generation apparatus, object detection method, and program | |
| KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
| CN112113978A (zh) | 一种基于深度学习的车载隧道缺陷在线检测系统及方法 | |
| CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN112017243B (zh) | 一种介质能见度识别方法 | |
| US11373409B2 (en) | Photography system | |
| CN115083088A (zh) | 铁路周界入侵预警方法 | |
| 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 | |
| CN111582069A (zh) | 一种空基监视平台的轨道障碍物零样本分类方法及装置 | |
| CN114772208A (zh) | 一种基于图像分割的非接触式皮带撕裂检测系统及方法 | |
| US20230033780A1 (en) | A method and an apparatus for computer-implemented analyzing of a road transport route | |
| CN112016558B (zh) | 一种基于图像质量的介质能见度识别方法 | |
| CN113591643A (zh) | 一种基于计算机视觉的地下交通工具进出站检测系统及方法 | |
| CN117768610A (zh) | 基于多目标识别的高速铁路周界入侵风险监测方法及系统 | |
| CN112946436A (zh) | 一种车载接触网绝缘器消弧缺断在线智能检测方法 | |
| CN117406789A (zh) | 基于图像分析的多无人机桥梁支座巡检航线自动规划方法 | |
| CN112184651A (zh) | 一种基于人工智能的光伏电站零件松动检测系统及方法 | |
| Mirchandani et al. | Application of aerial video for traffic flow monitoring and management | |
| CN113205133B (zh) | 一种基于多任务学习的隧道水渍智能识别方法 | |
| CN116297472A (zh) | 一种基于深度学习的无人机桥梁裂缝检测方法及系统 | |
| CN115620000A (zh) | 一种无渣道床积水的智能识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |