CN113033451A - 基于深度学习的架空线路故障识别方法及系统 - Google Patents
基于深度学习的架空线路故障识别方法及系统 Download PDFInfo
- Publication number
- CN113033451A CN113033451A CN202110364651.9A CN202110364651A CN113033451A CN 113033451 A CN113033451 A CN 113033451A CN 202110364651 A CN202110364651 A CN 202110364651A CN 113033451 A CN113033451 A CN 113033451A
- Authority
- CN
- China
- Prior art keywords
- overhead line
- deep learning
- image
- identification method
- fault identification
- 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 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 3
- 230000036319 strand breaking Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的架空线路故障识别方法及系统,首先通过预处理将架空线路图片转换为灰度图像,然后通过边缘检测算法将灰度图像中的输电线轮廓特征识别出来。先通过人工标注断股和正常状态的输电线图像形成训练集和验证集,然后通过放入卷积神经网络模型进行训练,得到训练好的卷积神经网络。通过搭载卷积神经网络的设备可以准确迅速的识别出存在断股故障的架空线路图片,无需人工肉眼识别,可以实现全自动故障检测,并且检测精度高、效率快,能够及时发现架空线路的断股故障,降低了线路运维的人工成本。
Description
技术领域
本发明涉及架空线路故障检测领域,具体的涉及一种基于深度学习的架空线路故障识别方法及系统。
背景技术
架空输电线路长期暴露在自然环境中运行,正常情况下要经受机械载荷和电力负荷的作用,还受到寒暑交替等自然因素的干扰,这些作用使得输电线路因老化、疲劳、氧化腐蚀产生断股故障,架空线路的断股故障会严重影响线路的载流量,影响输电效率,如不及时发现并进行处理,就会导致生产事故的发生。
随着科技的进步,社会用电量不断的攀升,电网建设的扩大,传统人工徒步巡线的方式费时费力,已经不能满足电网运维的自动化需求,目前电网已经采用直升机、无人机等多种方式沿输电线路进行巡线,携带高清摄像头拍摄架空线路的图像,然后通过人工查看拍摄好的架空线路图像来判断是否存在断股故障,但是人工面对海量的图像数据,容易出错并且效率非常低,不能及时发现架空线路的断股故障。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于深度学习的架空线路故障识别方法及系统,能够自动高效率的筛选图片并识别出架空线路的断股故障。
根据本发明一种基于深度学习的架空线路故障识别方法,包括以下步骤:
获取包含断股故障和正常状态的架空线路图片;
对架空线路图片做预处理,将图片转换为灰度图像;
通过边缘检测算法识别灰度图像中输电线轮廓特征;
人工标注正常状态的输电线轮廓特征和断股状态的轮廓特征,得到人工标注的图像数据,将人工标注的图像数据整理为训练集和验证集;
构建卷积神经网络模型,将训练集和验证集放入搭载有卷积神经网络的硬件平台进行训练,得到训练后的卷积神经网络;
获取待检测的架空路线图片,放入训练后的卷积神经网络进行断股故障的识别。
根据本发明基于深度学习的架空线路故障识别方法,至少具有如下技术效果:本发明实施方式首先通过预处理将架空线路图片转换为灰度图像,然后通过边缘检测算法将灰度图像中的输电线轮廓特征识别出来。先通过人工标注断股和正常状态的输电线图像形成训练集和验证集,然后通过放入卷积神经网络模型进行训练,得到训练好的卷积神经网络。通过搭载卷积神经网络的设备可以准确迅速的识别出存在断股故障的架空线路图片,无需人工肉眼识别,可以实现全自动故障检测,并且检测精度高、效率快,能够及时发现架空线路的断股故障,降低了线路运维的人工成本。
根据本发明的一些实施例,所述预处理的具体步骤为:
将图片进行数字化转换,得到指定格式的图像数据;
将图像数据转换为灰度图像;
通过图像增强算法对灰度图像进行对比度增强处理。
根据本发明的一些实施例,所述图像增强算法采用直方图均衡化算法。
根据本发明的一些实施例,所述图像增强算法采用直方图匹配算法。
根据本发明的一些实施例,所述边缘检测算法采用YOLO算法。
根据本发明的一些实施例,所述边缘检测算法采用SSD算法。
根据本发明的一些实施例,所述边缘检测算法采用R-CNN算法。
根据本发明的一些实施例,所述架空路线图片通过搭载摄像头的无人机进行拍摄获取。
根据本发明的一些实施例,所述训练集整理步骤中对训练集内的图像数据进行扩充处理,所述扩充处理包括将图像随机平移、将图像随机旋转、将图像随机水平/垂直翻转和将图像进行随机缩小/放大。
根据本发明第二方面实施例的一种基于深度学习的架空线路故障识别系统,包括:无人机,所述无人机用于拍摄架空线路图片;控制中心,所述控制中心接收无人机拍摄的架空线路图片并通过上述的基于深度学习的架空线路故障识别方法进行断股故障识别。
根据本发明第二方面实施例的基于深度学习的架空线路故障识别系统,至少具有如下技术效果:本发明实施方式首先通过预处理将架空线路图片转换为灰度图像,然后通过边缘检测算法将灰度图像中的输电线轮廓特征识别出来。先通过人工标注断股和正常状态的输电线图像形成训练集和验证集,然后通过放入卷积神经网络模型进行训练,得到训练好的卷积神经网络。通过搭载卷积神经网络的设备可以准确迅速的识别出存在断股故障的架空线路图片,无需人工肉眼识别,可以实现全自动故障检测,并且检测精度高、效率快,能够及时发现架空线路的断股故障,降低了线路运维的人工成本。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例中基于深度学习的架空线路故障识别方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参考图1,一种基于深度学习的架空线路故障识别方法,包括以下步骤:首先进行卷积神经网络的训练,步骤如下:
S1、获取架空线路图片,可以通过无人机进行自动巡线,通过无人机搭载的摄像头进行拍摄,例如大疆公司的无人机配合自动巡航模块可以实现该功能,也可以通过直升机搭载摄像师进行拍摄获取,架空线路图片中需包括断股状态和正常状态两种类型的图片,以便进行卷积神经网络的训练;
S2、数据中心收到图片数据后,对架空线路的图片做预处理,首先将图片进行数字化转换,将不同格式的图像数据转换为统一格式的图像数据,例如jpg格式,然后将所有图像数据转换为灰度图像,灰度化处理的目的是使保留梯度信息的情况下使矩阵维数下降,提高运算速度。
为了凸出图片中输电线与背景的区别,在获得灰度图像后通过图像增强算法提升灰度图像的对比度,图像增强算法可以采用经典的直方图均衡化算法,其原理为将图像的直方图分布变成近似均匀分布,从而增强图像的对比度;也可以采用经典的直方图匹配算法或其他增强对比度的算法。
S3、得到增强对比度的灰度图像后,通过边缘检测算法识别灰度图像中输电线轮廓特征,现有的边缘检测算法可以分为two-stage算法(一阶检测算法)和one-stage算法(二阶检测算法)两大类,two-stage算法是先在图像上生成待确认的候选框,然后再在候选框内进行边缘检测和类别检测,one-stage算法是直接在卷积神经网络模型中提取相应的特征来预测类别和边缘,one-stage算法可以采用YOLO算法、SSD算法,two-stage可以采用R-CNN算法。本实施例中采用YOLO-V3算法,检测速率快并且误检率低。
S4、人工标注正常状态的输电线轮廓特征和断股状态的轮廓特征,得到人工标注的图像数据,将人工标注的图像数据整理为训练集和验证集,训练集的图像数据越多,训练后的卷积神经网络的识别结果越准确,因此在图片张数一定的情况下,为了扩充训练集,本实施例中对训练集中的图像数据进行扩充处理,包括以下四个方面:
1)将图像随机平移;
2)将图像随机旋转;
3)将图像随机水平;
4)垂直翻转和将图像进行随机缩小/放大;
通过上述扩充处理可以将训练集的样本增加4-5倍,例如200张图片可以扩充至800-1000张,极大的提升卷积神经网络的训练效果。
S5、通过YOLO-V3算法构建卷积神经网络模型,将训练集和验证集放入搭载有卷积神经网络的硬件平台中进行训练,硬件平台采用GPU,得到训练后的卷积神经网络;
获取训练好的卷积神经网络后,进入故障识别环节,步骤如下:
S6、通过无人机获取待检测的架空路线图片,数据中心接收待检测的架空路线图片后,将其放入训练后的卷积神经网络进行断股故障的识别。
本发明还涉及一种基于深度学习的架空线路故障识别系统,包括:无人机和控制中心,无人机用于拍摄架空线路图片,控制中心接收无人机拍摄的架空线路图片上述基于深度学习的架空线路故障识别方法进行断股故障识别。
综上所述,本发明实施例首先通过预处理将架空线路图片转换为灰度图像,然后通过边缘检测算法将灰度图像中的输电线轮廓特征识别出来。先通过人工标注断股和正常状态的输电线图像形成训练集和验证集,然后通过放入卷积神经网络模型进行训练,得到训练好的卷积神经网络。通过搭载卷积神经网络的设备可以准确迅速的识别出存在断股故障的架空线路图片,无需人工肉眼识别,可以实现全自动故障检测,并且检测精度高、效率快,能够及时发现架空线路的断股故障,降低了线路运维的人工成本。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
本发明公开了一种基于深度学习的架空线路故障识别方法及系统,首先通过预处理将架空线路图片转换为灰度图像,然后通过边缘检测算法将灰度图像中的输电线轮廓特征识别出来。先通过人工标注断股和正常状态的输电线图像形成训练集和验证集,然后通过放入卷积神经网络模型进行训练,得到训练好的卷积神经网络。通过搭载卷积神经网络的设备可以准确迅速的识别出存在断股故障的架空线路图片,无需人工肉眼识别,可以实现全自动故障检测,并且检测精度高、效率快,能够及时发现架空线路的断股故障,降低了线路运维的人工成本。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上述结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习的架空线路故障识别方法,其特征在于,包括以下步骤:
获取包含断股状态和正常状态的架空线路图片;
对架空线路图片做预处理,将图片转换为灰度图像;
通过边缘检测算法识别灰度图像中输电线轮廓特征;
人工标注正常状态的输电线轮廓特征和断股状态的轮廓特征,得到人工标注的图像数据,将人工标注的图像数据整理为训练集和验证集;
构建卷积神经网络模型,将训练集和验证集放入搭载有卷积神经网络的硬件平台进行训练,得到训练后的卷积神经网络;
获取待检测的架空路线图片,放入训练后的卷积神经网络进行断股故障的识别。
2.根据权利要求1所述的基于深度学习的架空线路故障识别方法,其特征在于:所述预处理的具体步骤为:
将图片进行数字化转换,得到指定格式的图像数据;
将图像数据转换为灰度图像;
通过图像增强算法对灰度图像进行对比度增强处理。
3.根据权利要求2所述的基于深度学习的架空线路故障识别方法,其特征在于:所述图像增强算法采用直方图均衡化算法。
4.根据权利要求2所述的基于深度学习的架空线路故障识别方法,其特征在于:所述图像增强算法采用直方图匹配算法。
5.根据权利要求1所述的基于深度学习的架空线路故障识别方法,其特征在于:所述边缘检测算法采用YOLO算法。
6.根据权利要求1所述的基于深度学习的架空线路故障识别方法,其特征在于:所述边缘检测算法采用SSD算法。
7.根据权利要求1所述的基于深度学习的架空线路故障识别方法,其特征在于:所述边缘检测算法采用R-CNN算法。
8.根据权利要求1所述的基于深度学习的架空线路故障识别方法,其特征在于:所述架空路线图片通过搭载摄像头的无人机进行拍摄获取。
9.根据权利要求1所述的基于深度学习的架空线路故障识别方法,其特征在于:所述训练集整理步骤中对训练集内的图像数据进行扩充处理,所述扩充处理包括将图像随机平移、将图像随机旋转、将图像随机水平/垂直翻转和将图像进行随机缩小/放大。
10.一种基于深度学习的架空线路故障识别系统,其特征在于,包括:
无人机,所述无人机用于拍摄架空线路图片;
控制中心,所述控制中心接收无人机拍摄的架空线路图片并通过权利要求1至9任意一项所述的基于深度学习的架空线路故障识别方法进行断股故障识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364651.9A CN113033451A (zh) | 2021-04-02 | 2021-04-02 | 基于深度学习的架空线路故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364651.9A CN113033451A (zh) | 2021-04-02 | 2021-04-02 | 基于深度学习的架空线路故障识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033451A true CN113033451A (zh) | 2021-06-25 |
Family
ID=76453832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110364651.9A Pending CN113033451A (zh) | 2021-04-02 | 2021-04-02 | 基于深度学习的架空线路故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033451A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115967609A (zh) * | 2021-10-11 | 2023-04-14 | 中国移动通信集团山东有限公司 | 内容分发网络故障检测方法和设备 |
CN116381419A (zh) * | 2023-06-05 | 2023-07-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN117079044A (zh) * | 2023-08-25 | 2023-11-17 | 华大天元(北京)科技股份有限公司 | 架空线路外力破坏的识别模型训练方法、预警方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551056A (zh) * | 2016-01-27 | 2016-05-04 | 云南电网有限责任公司电力科学研究院 | 一种线路断股检测方法及系统 |
CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
CN109902730A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 基于深度学习的输电线路断股检测方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110930390A (zh) * | 2019-11-22 | 2020-03-27 | 郑州智利信信息技术有限公司 | 基于半监督深度学习的芯片管脚缺失检测方法 |
CN111047561A (zh) * | 2019-11-22 | 2020-04-21 | 国网江西省电力有限公司电力科学研究院 | 一种复合绝缘子伞裙龟裂纹的识别方法 |
CN112069894A (zh) * | 2020-08-03 | 2020-12-11 | 许继集团有限公司 | 一种基于Faster-RCNN模型的导线散股识别方法 |
-
2021
- 2021-04-02 CN CN202110364651.9A patent/CN113033451A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551056A (zh) * | 2016-01-27 | 2016-05-04 | 云南电网有限责任公司电力科学研究院 | 一种线路断股检测方法及系统 |
CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
CN109902730A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 基于深度学习的输电线路断股检测方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
CN110930390A (zh) * | 2019-11-22 | 2020-03-27 | 郑州智利信信息技术有限公司 | 基于半监督深度学习的芯片管脚缺失检测方法 |
CN111047561A (zh) * | 2019-11-22 | 2020-04-21 | 国网江西省电力有限公司电力科学研究院 | 一种复合绝缘子伞裙龟裂纹的识别方法 |
CN112069894A (zh) * | 2020-08-03 | 2020-12-11 | 许继集团有限公司 | 一种基于Faster-RCNN模型的导线散股识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115967609A (zh) * | 2021-10-11 | 2023-04-14 | 中国移动通信集团山东有限公司 | 内容分发网络故障检测方法和设备 |
CN115967609B (zh) * | 2021-10-11 | 2024-05-24 | 中国移动通信集团山东有限公司 | 内容分发网络故障检测方法和设备 |
CN116381419A (zh) * | 2023-06-05 | 2023-07-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN116381419B (zh) * | 2023-06-05 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
CN117079044A (zh) * | 2023-08-25 | 2023-11-17 | 华大天元(北京)科技股份有限公司 | 架空线路外力破坏的识别模型训练方法、预警方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033451A (zh) | 基于深度学习的架空线路故障识别方法及系统 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
CN110070530B (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN110569841B (zh) | 基于卷积神经网络的接触网关键部件目标检测方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
CN111862065B (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN115240075B (zh) | 电力视觉多粒度预训练大模型的构建与训练方法 | |
CN109949209A (zh) | 一种基于深度学习的绳索检测与去除方法 | |
CN115147383A (zh) | 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法 | |
CN116309303A (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
CN115393347A (zh) | 一种基于城市大脑的电网智能巡检方法及系统 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
JP7036296B1 (ja) | スクラップ判別システム、及びスクラップ判別方法 | |
CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
CN109086737B (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
CN115239997A (zh) | 基于5g物联网的高寒地区输电线路杆塔状态监测系统 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN111429411B (zh) | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 |
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 |