CN113361686A - 一种多层异构多模态卷积神经网络集成式机器人巡检方法 - Google Patents
一种多层异构多模态卷积神经网络集成式机器人巡检方法 Download PDFInfo
- Publication number
- CN113361686A CN113361686A CN202110586216.0A CN202110586216A CN113361686A CN 113361686 A CN113361686 A CN 113361686A CN 202110586216 A CN202110586216 A CN 202110586216A CN 113361686 A CN113361686 A CN 113361686A
- Authority
- CN
- China
- Prior art keywords
- layer
- pooling
- convolution
- neural network
- output
- 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.)
- Withdrawn
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000007689 inspection Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000003825 pressing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 69
- 230000003993 interaction Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Neurology (AREA)
- Economics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种多层异构多模态卷积神经网络集成式机器人巡检方法，该方法是将智能巡检机器人应用于电力系统的巡检中，能够解决人工巡检所带来的问题，提高电力系统的自动化水平。该方法将图像处理技术和深度学习引入到电力系统设备智能识别中，通过巡检机器人对现场进行图像采集，将采集到的多层异构信息运用三层多模态卷积神经网络图，以解决海量现场工况下的数据自动分析和识别问题，对开关，压板，指示灯屏柜信息进行检测识别，改善电力巡检任务中的耗时耗力问题，且有效提高电力设备检测精度。
Description
技术领域
本发明属于电力系统中机器人巡检领域，涉及一种多层异构多模态卷积神经网络集成式机器人巡检方法，适用于电力系统的电力设备的运行状态的监控，电力设备的检修。
背景技术
变电站是电力系统中的最小单元，且为电力调控最为关键的设施。变电站主要包含监控室与户外设备，变电站巡检是电力系统中重要的一环。传统的变电站巡检方式为单一的人工巡检，效率低、危险性高，且单一靠巡检员的感官和经验来检查，得出的结果未免有差错和不客观的部分。
随着智能机器人在电力系统领域应用的推广，智能巡检机器人可以实现线路勘测、线路对地安全距离的监测，达到选线、缺陷识别功能；对线路故障进行大范围的快速检查和局部的细致性检查，迅速确定故障点位置、故障性质及严重程度，为事故抢修、抢险的组织及指挥提供可靠的决策依据。输电线路巡检机器人及其携带的巡检设备能够实现自动定位、跟踪、巡检过程数字化记录。智能机器人带电巡检技术的应用推广可以提高作业现场主动安全防护水平，实现线路检修向智能辅助的带电作业检修模式转变。
近年来，机器学习发展迅猛，其在机器人的应用日渐增多。卷积神经网络为机器学习的一种，其在全图分类与区域检测的任务上取得成功。卷积神经网络侧重于总体的语义，卷积神经网络方法融合了特征提取和分类器设计，是一个端到端的识别系统。卷积神经网络是一个多层的网络，通过卷积核对输入图像进行层层变换，学习分层特征表示，将输入映射成输出的预测值。而多层异构多模态卷积神经网络方法更注重于各传感器的独立性和数据融合。每个传感器获得的信息通过每一个异构卷积神经网络来进行数据特征的学习分层。各层异构卷积神经网络的输出通过加权的方式进行集成式的管理，能够获得更高的预测值输出。因此，多层异构多模态的卷积神经网络更适合应用于智能机器人的电力巡检中。
发明内容
本发明提出一种多层异构多模态卷积神经网络集成式机器人巡检方法。将智能巡检机器人应用于电力系统的巡检中，能够解决人工巡检所带来的问题，提高电力系统的自动化水平。将图像处理技术和深度学习引入到电力系统设备智能识别中，通过巡检机器人对现场进行图像采集，将采集到的图像运用机器视觉技术进行预处理，目标分割，物体检测，目标识别分类关键技术，以解决海量现场工况下的数据自动分析和识别问题。机器人根据巡检任务要求，搭载了可见光摄像头与红外摄像头，通过这些摄像头采集到设备的状态图片，通过图像预处理，尺度不变特征变换，霍夫变换后，与历史采集的数据进行匹配对比，累计图像分析、纹理判断对设备是否出现异常做出判断。利用机器学习的目标检测算法，对开关，压板，指示灯屏柜信息进行检测识别，经过现场的验证与运行，将改善电力巡检任务中的耗时耗力问题，且有效提高了电力设备检测精度。
卷积神经网络是一类包含卷积计算并且具有深度结构的前馈神经网络，卷积神经网络是通过仿造生物的视知觉机制构建的网络，可以进行监督学习和非监督学习，卷积神经网络的隐含层内的卷积核参数共享和层间连接的系数性使得卷积神经网络能够获得更稳定的输出。
卷积神经网络包括输入层，隐含层，输出层。卷积神经网络的输入层可以处理多维数据，卷积神经网络的输入特征需要进行标准化处理。输入特征的标准化有利于卷积神经网络的学习效率和输出效果。
卷积神经网络的隐含层包含卷积层、池化层和全连接层。卷积层中卷积核包含权重系数，而池化层不包含权重系数。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成的卷积核的每个元素对应一个权重系数和一个偏差量。卷积核在工作时，会有规律地扫过输入特征，在卷积核内对输入特征进行元素的求和偏差量的叠加，卷积核的工作模式如下：
(i,j)∈{0,1,...Ll+1} (2)
其中，Zl为第l+1层卷积的输入；Zl+1为第l+1层卷积的输出；
为张量积；Ll+1为Zl+1的尺寸；Z(i,j)为对应特征图的像素；b为偏差量；K为特征通道数；Kl为第l层神经网络的特征通道数；f为对应卷积核的大小；s0为卷积步长；p为填充层数；x为特征图的横向增量；y为特征图的纵向分量；wl+1为第l+1层卷积的权重系数；
为第k个通道的第l+1层卷积的权重系数。
卷积层参数包括卷积核大小、步长和填充层数，共同决定了卷积层输出特征图的尺寸。卷积核越大，提取的输入特征越复杂。卷积步长为卷积核相邻扫过特征图时位置的距离，卷积步长为1时，卷积核会逐个扫过特征图的元素。填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法。
卷积层中包含激励函数以协助表达复杂特征，其表示形式如下：
其中，
为第k个通道的第l+1层卷积的激活函数；
为第k个通道的第l+1层卷积的输出。
池化层是在卷积层进行特征提取后，输出的特征图被传递至池化层进行特征选择核和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。池化层的一般表示形式为：
其中，
为第k个通道的池化层；
为第k个通道的池化层的特征图的像素；步长 s0与卷积层相同；像素(i,j)的含义与卷积层相同；λ为预指定参数。
当λ＝1时，池化层在池化区域内取均值，被称为均值池化；当λ→∞时，池化层在池化区域内取极大值，被称为极大池化。均值池化与极大池化是以损失特征图的部分信息或尺寸为代价保留图像的背景和纹理信息的。为避免卷积神经网络出现过拟合，设计了混合池化，混合池化具有正则化的功能。混合池化为：
其中，β为均值池化的占比；
为均值池化的取值；
为极大池化的取值。
全连接层为卷积神经网络的传统前馈神经网络的隐含层，全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构。卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出。在图像语义分割中，输出层直接输出每个像素的分类结果。
通过前向计算得到卷积神经网络当前输出y：
其中，x1为全连接输入层的第一个神经元；x2为全连接输入层的第二个神经元；xn为全连接输入层的第n个神经元；
为第
个神经元输入所占的权重；bγ为第γ个神经元的偏差量。
采用梯度下降法训练网络，模型在训练数据上学到的预测数据分布与真实数据分布越相近越好，定义交叉熵为损失函数，计算公式为：
其中，θ为参数分量；m为网络层神经元的总数；J(θ)为交叉熵损失函数；y(γ)为第γ个神经元的输出；log()为对数函数；x(γ)为第γ个神经元的输入；hθ(x(γ))为第γ个神经元训练后的模型预测输出。
计算损失函数对第
个参数分量
求偏导：
其中，
为第
个参数分量
的损失函数；hθ(x(γ))为第γ个神经元的输入对应的训练后的模型预测输出；
为第γ个神经元的第
个参数分量的输入。
定义学习率α为网络参数的更新速度，经过每轮训练，通过计算当前输出与数据标签的差异，更新网络权值θ，不断的使网络输出接近数据的标签值：
其中，α为学习率；
为第
个参数分量的网络权值；
为第
个参数分量的网络权值。
通过多层卷积神经网络训练后的图像数据通过网桥将变电站的开关识别柜的运行状态信息上传到云服务中进行存储，构建变电站开关识别柜运行状态的结构化数据库，工作人员可以通过应用程序编程接口网关对云服务进行操作。云服务系统与远程监控终端通过机器人操作系统数据报表来进行信息的交互，变电站将日常的工作日志上传到云服务进行储存，云服务通过大数据分析做出智能决策来控制变电站的工作状况。变电站与办公室之间通过远程桌面直连，工作人员能够直接获得变电站的工作状况。工作人员能通过云服务系统查看变电站工作状态的历史数据并对云服务的信息进行有效的诊断，实现了机器人自动巡检。
附图说明
图1是本发明方法的多层异构信息交互图。
图2是本发明方法的三层多模态卷积神经网络图。
图3是本发明方法的机器人巡检与数据传输示意图。
具体实施方式
本发明提出的一种多层异构多模态卷积神经网络集成式机器人巡检方法，结合附图详细说明如下：
图1是本发明方法的多层异构信息交互图。多层异构信息交互包括云服务的信息、远程控制终端的信息、变电站的运行状态信息、办公室的操作信息。其中，云服务中包括对象存储、结构化数据库、网桥、应用程序编程接口网关。云服务系统与远程监控终端通过机器人操作系统数据报表来进行信息的交互，变电站将日常的工作日志上传到云服务进行储存，云服务通过大数据分析做出智能决策来控制变电站的工作状况。变电站与办公室之间通过远程桌面直连，工作人员能够直接获得变电站的工作状况。工作人员能通过云服务系统查看变电站工作状态的历史数据并对云服务的信息进行有效的诊断。
图2是本发明方法的三层多模态卷积神经网络图。卷积神经网络包括多模态的传感器数据输入，输入的数据作为输入层参与卷积神经网络的卷积运算，输入的数据通过三层卷积神经网络进行输入数据进行特征提取，得到的数据特征通过池化层进行特征选择和信息过滤，最后，通过全连接层传递信号进行特征的提取并进行非线性拟合，通过加权得到多层卷积神经网络的输出。本发明方法的三层还可以是更多层，如四层和五层。
图3是本发明方法的机器人巡检与数据传输示意图。其步骤如下：
步骤1：机器人通过自身的机器视觉摄像头采集压板开关状态的图像；
步骤2：得到的压板状态图像作为多层异构多模态卷积神经网络的输入层；
步骤3：通过卷积层卷积计算卷积层的输出；
步骤4：计算池化层的输出；
步骤5：计算损失函数；
步骤6：计算全连接层的输出；
步骤7：更新网络权值；
步骤8：采用多层异构多模态卷积神经网络对压板开关屏柜的边缘检测与目标识别；
步骤9：获得压板识别的准确率并检查压板开关的通断状态；
步骤10：将得到的数据发送给远程控制终端和云服务。
Claims (1)
1.一种多层异构多模态卷积神经网络集成式机器人巡检方法，其特征在于，其步骤如下：
步骤1：机器人通过自身的机器视觉摄像头采集压板开关状态的图像；
步骤2：得到的压板状态图像作为多层异构多模态卷积神经网络的输入层；
步骤3：通过卷积层卷积计算卷积层的输出；
卷积核在工作时，会有规律地扫过输入特征，在卷积核内对输入特征进行元素的求和和偏差量的叠加，卷积核的工作模式如下：
(i,j)∈{0,1,...Ll+1} (2)
其中，Zl为第l+1层卷积的输入；Zl+1为第l+1层卷积的输出；
为张量积；Ll+1为Zl+1的尺寸；Z(i,j)为对应特征图的像素；b为偏差量；K为特征通道数；Kl为第l层神经网络的特征通道数；f为对应卷积核的大小；s0为卷积步长；p为填充层数；x为特征图的横向增量；y为特征图的纵向分量；wl+1为第l+1层卷积的权重系数；
为第k个通道的第l+1层卷积的权重系数；
卷积层参数包括卷积核大小、步长和填充层数，共同决定了卷积层输出特征图的尺寸；卷积核越大，提取的输入特征越复杂；卷积步长为卷积核相邻扫过特征图时位置的距离，卷积步长为1时，卷积核会逐个扫过特征图的元素；填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法；
卷积层中包含激励函数以协助表达复杂特征，其表示形式如下：
其中，
为第k个通道的第l+1层卷积的激活函数；
为第k个通道的第l+1层卷积的输出；
池化层是在卷积层进行特征提取后，输出的特征图被传递至池化层进行特征选择核和信息过滤；池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量；池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制；池化层的一般表示形式为：
其中，
为第k个通道的池化层；
为第k个通道的池化层的特征图的像素；步长s0与卷积层相同；像素(i,j)的含义与卷积层相同；λ为预指定参数；
当λ＝1时，池化层在池化区域内取均值，被称为均值池化；当λ→∞时，池化层在池化区域内取极大值，被称为极大池化；均值池化与极大池化是以损失特征图的部分信息或尺寸为代价保留图像的背景和纹理信息的；为避免卷积神经网络出现过拟合，设计了混合池化，混合池化具有正则化的功能；混合池化为：
其中，β为均值池化的占比；
为均值池化的取值；
为极大池化的取值；
全连接层为卷积神经网络的传统前馈神经网络的隐含层，全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号；特征图在全连接层中会失去空间拓扑结构；卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出；在图像语义分割中，输出层直接输出每个像素的分类结果；
通过前向计算得到卷积神经网络当前输出y：
其中，x1为全连接输入层的第一个神经元；x2为全连接输入层的第二个神经元；xn为全连接输入层的第n个神经元；
为第
个神经元输入所占的权重；bγ为第γ个神经元的偏差量；
采用梯度下降法训练网络，模型在训练数据上学到的预测数据分布与真实数据分布越相近越好，定义交叉熵为损失函数，计算公式为：
其中，θ为参数分量；m为网络层神经元的总数；J(θ)为交叉熵损失函数；y(γ)为第γ个神经元的输出；log()为对数函数；x(γ)为第γ个神经元的输入；hθ(x(γ))为第γ个神经元训练后的模型预测输出；
步骤4：计算池化层的输出；
步骤5：计算损失函数；
计算损失函数对第
个参数分量
求偏导：
其中，
为第
个参数分量
的损失函数；hθ(x(γ))为第γ个神经元的输入对应的训练后的模型预测输出；
为第γ个神经元的第
个参数分量的输入；
步骤6：计算全连接层的输出；
步骤7：更新网络权值；
定义学习率α为网络参数的更新速度，经过每轮训练，通过计算当前输出与数据标签的差异，更新网络权值θ，不断的使网络输出接近数据的标签值：
其中，α为学习率；
为第
个参数分量的网络权值；
为第
个参数分量的网络权值；
步骤8：采用多层异构多模态卷积神经网络对压板开关屏柜的边缘检测与目标识别；
步骤9：获得压板识别的准确率并检查压板开关的通断状态；
步骤10：将得到的数据发送给远程控制终端和云服务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586216.0A CN113361686A (zh) | 2021-05-27 | 2021-05-27 | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586216.0A CN113361686A (zh) | 2021-05-27 | 2021-05-27 | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361686A true CN113361686A (zh) | 2021-09-07 |
Family
ID=77527934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110586216.0A Withdrawn CN113361686A (zh) | 2021-05-27 | 2021-05-27 | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361686A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311826A (zh) * | 2022-07-28 | 2022-11-08 | 广东电力信息科技有限公司 | 一种基于智能识别的语音平台电力灾情预警方法 |
| CN115511062A (zh) * | 2022-10-24 | 2022-12-23 | 淮阴工学院 | 巡检机器人的多参数检测系统 |
| CN117853923A (zh) * | 2024-01-17 | 2024-04-09 | 山东盛然电力科技有限公司 | 一种电网电力基础设施安全性评估分析方法以及装置 |
Citations (8)
| 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 |
| CN110855662A (zh) * | 2019-11-11 | 2020-02-28 | 中国科学院地质与地球物理研究所 | 基于云服务的井场地面远程操控系统和操控方法 |
| CN111144325A (zh) * | 2019-12-28 | 2020-05-12 | 广东电网有限责任公司 | 变电站电力设备的故障识别定位方法、装置及设备 |
| CN111207875A (zh) * | 2020-02-25 | 2020-05-29 | 青岛理工大学 | 基于多粒度并联cnn模型的肌电信号-扭矩匹配方法 |
| CN111797725A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种设备状态检测方法、装置及系统 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
| US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
-
2021
- 2021-05-27 CN CN202110586216.0A patent/CN113361686A/zh not_active Withdrawn
Patent Citations (8)
| 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 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
| CN110855662A (zh) * | 2019-11-11 | 2020-02-28 | 中国科学院地质与地球物理研究所 | 基于云服务的井场地面远程操控系统和操控方法 |
| CN111144325A (zh) * | 2019-12-28 | 2020-05-12 | 广东电网有限责任公司 | 变电站电力设备的故障识别定位方法、装置及设备 |
| CN111207875A (zh) * | 2020-02-25 | 2020-05-29 | 青岛理工大学 | 基于多粒度并联cnn模型的肌电信号-扭矩匹配方法 |
| CN111797725A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种设备状态检测方法、装置及系统 |
| CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| JASONZZJ: "交叉熵代价函数(损失函数)及其求导推导 (Logistic Regression)", 《HTTPS://BLOG.CSDN.NET/JASONZZJ/ARTICLE/DETAILS/52017438》 * |
| 刘宇晴: "一种新型自适应神经网络激活函数用于深度学习研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 姚舜才，孙传猛编著: "《机器学习基础教程》", 31 March 2020, 西安电子科学技术大学出版社 * |
| 徐克虎，孔德鹏，黄大山，徐越编著: "《智能计算方法及其应用》", 31 July 2019, 国防工业出版社 * |
| 晓伟: "梯度下降算法（Gradient Descent)的原理和实现步骤", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/68468520》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311826A (zh) * | 2022-07-28 | 2022-11-08 | 广东电力信息科技有限公司 | 一种基于智能识别的语音平台电力灾情预警方法 |
| CN115311826B (zh) * | 2022-07-28 | 2023-09-22 | 广东电力信息科技有限公司 | 一种基于智能识别的语音平台电力灾情预警方法 |
| CN115511062A (zh) * | 2022-10-24 | 2022-12-23 | 淮阴工学院 | 巡检机器人的多参数检测系统 |
| CN115511062B (zh) * | 2022-10-24 | 2023-10-24 | 淮阴工学院 | 巡检机器人的多参数检测系统 |
| CN117853923A (zh) * | 2024-01-17 | 2024-04-09 | 山东盛然电力科技有限公司 | 一种电网电力基础设施安全性评估分析方法以及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
| CN113361686A (zh) | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
| CN108764601B (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
| CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
| CN108898077A (zh) | 电力设备红外热图的识别方法和电力设备红外识别系统 | |
| CN113177614A (zh) | 一种城市轨道交通供电开关柜图像识别系统及方法 | |
| CN117142009B (zh) | 一种基于图卷积网络的刮板输送机健康状态评估方法 | |
| CN113962308A (zh) | 一种航空设备故障预测方法 | |
| CN117975372B (zh) | 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
| CN117454232A (zh) | 生产网建设故障诊断、预测与健康管理系统及方法 | |
| CN117526569A (zh) | 一种发电机运行风险监控装置 | |
| CN117347796A (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
| CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
| CN113780224B (zh) | 一种变电站无人化巡视方法及系统 | |
| CN116127324A (zh) | 不间断电源内部关键部件的故障检测方法和装置 | |
| CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及系统 | |
| CN115063921A (zh) | 一种工地智能闸机系统及搭建方法 | |
| Wang et al. | Image Recognition Technology and Digital Twin in the Power Industry |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210907 |
|
| WW01 | Invention patent application withdrawn after publication |