CN113378856A - 一种基于人工智能的嵌入式输变电装备红外检测方法 - Google Patents
一种基于人工智能的嵌入式输变电装备红外检测方法 Download PDFInfo
- Publication number
- CN113378856A CN113378856A CN202110704403.4A CN202110704403A CN113378856A CN 113378856 A CN113378856 A CN 113378856A CN 202110704403 A CN202110704403 A CN 202110704403A CN 113378856 A CN113378856 A CN 113378856A
- Authority
- CN
- China
- Prior art keywords
- infrared
- embedded
- artificial intelligence
- image
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 230000005540 biological transmission Effects 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 title claims abstract description 23
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 2
- 229910052744 lithium Inorganic materials 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种基于人工智能的嵌入式输变电装备红外检测方法，属于智能电网信息技术领域，其包括以下步骤：建立红外测温人机交互系统，获得红外图像数据集；基于图像特征量法对红外图像数据集进行异常图像识别与处理；建立基于灰度图的单通道轻量级卷积神经网络识别模型，进行网络训练；对红外图像敏感区进行识别；深度卷积神经网络模型的终端实现。
Description
技术领域
本发明属于智能电网信息技术领域，特别涉及一种基于人工智能的嵌入式输变电装备红外检测方法。
背景技术
目前，针对输变电设备的红外图谱诊断完全依赖人工进行，分析处理工作量大，对检测人员专业性和工作经验要求高，诊断结果存在一定主观性。随着人工智能技术的发展，未来红外测温技术应向着自动识别、导入、诊断等方向发展，并形成精确的评价体系，建立规范化的管理平台，为设备全寿命周期管理提供支持。
针对目前红外带电检测存在的问题，本发明主要涉及嵌入式智能化的红外检测系统与方法。针对目前红外视频以及图像中异常图像筛查工作量大的问题，设计出一种基于图像特征量法的异常图像识别与处理方法，有效提高了红外图像的识别速率；利用目前先进的AI技术与AI芯片，研制出一套基于人工智能的嵌入式红外智能诊断系统，实现红外图像智能诊断的实时化。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于人工智能的嵌入式输变电装备红外检测方法。本发明的技术方案如下：
一种基于人工智能的嵌入式输变电装备红外检测方法，其包括以下步骤：
建立红外测温人机交互系统，获得红外图像数据集；基于图像特征量法对红外图像数据集进行异常图像识别与处理；建立基于灰度图的单通道轻量级卷积神经网络识别模型，进行网络训练；对红外图像敏感区进行识别；深度卷积神经网络模型的终端实现。
进一步的，所述建立红外测温人机交互系统，获得红外图像数据集；
红外测温人机交互系统主要包括红外测温模组、镜头、触摸显示屏、Jetson核心模块和电源模块等。红外测温模组采用非制冷焦平面红外测温，模组测温分辨率640×480或更高，使用以太网与核心模块连接，使用RTSP流传输协议传输视频数据，核心模块通过串口通信控制红外模组；Jetson核心模块采用Nvidia Jetson Xavier NX，主要实现系统控制、数据处理和算法实现等功能；触摸显示屏通过HDMI和USB与Jetson核心模块连接，分别用于传输图像信号、控制信号和人机交互；电源模块使用12V锂电池组为红外测温模组供电，利用电源芯片得到5V电压为核心模块和触摸显示屏供电。
进一步的，所述建立基于灰度图的单通道轻量级卷积神经网络识别模型，进行网络训练，具体包括：提出了一种具备旋转不变性的改进式HOG特征算法，利用构建的电力设备红外图像数据集作为正样本，利用其它公开的非设备红外图像数据集和项目组拍摄的日常场景红外视频作为负样本，训练了检测电力设备是否存在于红外图像的SVM判别器。
进一步的，所述具备旋转不变性的改进式HOG特征算法，具体包括：
(1)将梯度方向(0°～180°)分为9类(9个bin)，即每个bin的角度区间为20°，以每个像素的角度为θ，幅值x为权重：
其中i为像素所在bin数，进行线性插值：
θt＝θ-i×20
则有插值数t为
故该像素点在第i个bin的权重为t，在第i+1个bin的权重为x-t；
(2)将图像划分为等大小的细胞块(cell)。按照以上线性插值的方法计算每个细胞块的梯度分布的情况，并对应到直方图中，就形成每个cell单元的描述符；
(3)将相邻的每几个cell组成一个block。一个block内所有cell的特征描述符串联起来便得到该block的HOG特征描述符。
(4)将一张图片中所有的block的特征描述符串连，统计图像在各个bin上的累计权重，得到每个bin的累计权重和为xj(j＝1,2,…,9),由此得到该图像的梯度方向直方图，取权重最高值的方向为该图像块的主方向，则主方向所在bin数为jmax，主方向角度为：
θmax＝jmax×20
根据主方向将图像各像素点的梯度角度做相应的调整，调整方法为：
△fhot>△fmax
其中，θ'为调整后各像素点梯度角度，将调整之后的梯度信息作为最终的HOG特征描述符；
进一步的，所述建立基于灰度图的单通道轻量级卷积神经网络识别模型，具体包括：将现有的彩色红外图片或视频计算为一维灰度矩阵；通过第一个尺寸为3×3的核进行卷积运算(Conv1)，提取图像的底层特征；再次，依次使用了12个卷积层(Conv2～Conv13)逐步提取高级特征和全局特征；最后，使用平均池化层(AvgPool)将全局特征降维到1×1×358，并连接到全连接神经网络(FC)和Softmax输出层作为设备类型分类器。
进一步的，对于深度卷积神经网络模型的终端实现，采用Tensor RT将TensorFlow模型部署在嵌入式平台，Tensor RT是一个高性能深度学习推理平台，针对嵌入式设备提供了优化解决方案，实现单位功耗算量最大化，利用TensorRT将在服务器上训练好的深度学习模型部署在Jetson嵌入式终端，结。
进一步的，所述对红外图像敏感区进行识别，具体包括以下步骤：
(1)旋转图像，使其宽度w大于高度h；
(2)构建尺寸为h×h的正方形视野框，从左到右选取多个视野Vi；
(3)计算各视野下的区域灰度和Gi；
(4)取Gi的最大的视野作为预测模型的输入。
本发明的优点及有益效果如下：
本发明涉及了一种设备主方向判别与角度校正的HOG特征，该方法能够适应各种拍摄角度下的电气设备图像，具备旋转不变性，提高了图像分析的准确性；本发明涉及了一种针对红外热图像的敏感区提取算法，该方法可以快速筛选高温方形区域并作为设备识别的输入数据，可以在控制图像长宽比从而提高红外图像识别精度，适用于算力有限的嵌入式设备；本发明设计了一种于人工智能的嵌入式输变电装备红外检测方法，该方法基于标定的历史诊断数据，训练了适用于移动设备的缺陷自动分析模型，并在终端实现了图像分析的实时化，实现了发热故障现场分析，提高了变电设备维护效率。
附图说明
图1是本发明提供优选实施例嵌入式AI基本实现流程；
图2是嵌入式AI红外图像识别模型；
图3是红外图像的深度卷积神经网络建模示意图；
图4是红外图像敏感区识别流程示意图；
图5是基于人工智能的嵌入式输变电装备红外检测方法示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
1、基于人工智能的嵌入式输变电装备红外检测系统基本框架
本发明设计的基于人工智能的嵌入式输变电装备红外检测系统包括红外测温人机交互系统、红外测温图像处理算法、深度卷积神经网络模型的终端实现、多核与众核任务分配控制、GPIO及其它外设接口的通讯协议。
本发明设计的基于人工智能的嵌入式输变电装备红外检测方法，全部基于TensorFlow框架进行开发。对于深度卷积神经网络模型的终端实现，本发明采用Tensor RT将TensorFlow模型部署在嵌入式平台。Tensor RT是一个高性能深度学习推理平台。针对嵌入式设备提供了优化解决方案，实现单位功耗算量最大化。本发明利用TensorRT将在服务器上训练好的深度学习模型部署在Jetson嵌入式终端，结合数据流控制设计实现效率最优，其基本流程如图1所示。
2、基于人工智能的嵌入式输变电装备红外检测方法实现流程
本发明在调研和实验分析了现有电力设备红外图像的拍摄方法和影响因素的基础上，构建了电力设备的红外数据集。针对现有红外图像拍摄角度随机性大的问题，提出了一种具备旋转不变性的改进式HOG特征算法，利用构建的电力设备红外图像数据集作为正样本，利用其它公开的非设备红外图像数据集和项目组拍摄的日常场景红外视频作为负样本，训练了检测电力设备是否存在于红外图像的SVM判别器。通过进一步提取缺陷位置的特征，开展了图像异常分析识别研究，利用多统计量信息和MLP分类器实现异常识别算法。基于人工智能的嵌入式输变电装备红外检测模型如图2所示：
本发明通过分析红外图像单通道特性，得到灰度图像能够完好地展示出图像中各个部分的轮廓、纹理、形状等关键特征，因此直接使用灰度图来实现单通道的轻量级卷积神经网络识别模型。本发明设计的CNN设备类型识别模型结构如图3所示。
该模型将现有的彩色红外图片或视频计算为一维灰度矩阵；通过第一个尺寸为3×3的核进行卷积运算(Conv1)，提取图像的底层特征；再次，依次使用了12个卷积层(Conv2～Conv13)逐步提取高级特征和全局特征；最后，使用平均池化层(AvgPool)将全局特征降维到1×1×358，并连接到全连接神经网络(FC)和Softmax输出层作为设备类型分类器。
根据电力设备的红外图像主要关注的是发热较为明显的区域，即为本发明中的敏感区。本发明构建了一种在红外图像识别前进行敏感区识别的方法，在增加较少计算量的前提下提高预测准确度。
最后，对比分析了MobileNet网络和本发明设计的网络。其中，MobileNet模型采用彩色红外图像作为输入、本模型采用彩色红外图像作为输入和本模型采用灰度图像进行训练。通过对训练结果进行分析可知，本发明设计的基于人工智能的嵌入式输变电装备红外检测方法具有较高的识别精度，并且通过采用单通道灰度图代替三通道的彩色图，降低了模型的计算量。如图5所示，在不降低精度的前提下，运算速度提高了约3倍。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (7)
1.一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，包括以下步骤：
建立红外测温人机交互系统，获得红外图像数据集；基于图像特征量法对红外图像数据集进行异常图像识别与处理；建立基于灰度图的单通道轻量级卷积神经网络识别模型，进行网络训练；对红外图像敏感区进行识别；深度卷积神经网络模型的终端实现。
2.根据权利要求1所述的一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，所述建立红外测温人机交互系统，获得红外图像数据集；
红外测温人机交互系统主要包括红外测温模组、镜头、触摸显示屏、Jetson核心模块和电源模块；红外测温模组采用非制冷焦平面红外测温，模组测温分辨率640×480或更高，使用以太网与核心模块连接，使用RTSP流传输协议传输视频数据，核心模块通过串口通信控制红外模组；Jetson核心模块采用Nvidia Jetson Xavier NX，主要实现系统控制、数据处理和算法实现等功能；触摸显示屏通过HDMI和USB与Jetson核心模块连接，分别用于传输图像信号、控制信号和人机交互；电源模块使用12V锂电池组为红外测温模组供电，利用电源芯片得到5V电压为核心模块和触摸显示屏供电。
3.根据权利要求1所述的一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，所述建立基于灰度图的单通道轻量级卷积神经网络识别模型，进行网络训练，具体包括：提出了一种具备旋转不变性的改进式HOG特征算法，利用构建的电力设备红外图像数据集作为正样本，利用其它公开的非设备红外图像数据集和项目组拍摄的日常场景红外视频作为负样本，训练了检测电力设备是否存在于红外图像的SVM判别器。
4.根据权利要求3所述的一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，所述具备旋转不变性的改进式HOG特征算法，具体包括：
(1)将梯度方向(0°～180°)分为9类(9个bin)，即每个bin的角度区间为20°，以每个像素的角度为θ，幅值x为权重：
其中i为像素所在bin数，进行线性插值：
θt＝θ-i×20
则有插值数t为
故该像素点在第i个bin的权重为t，在第i+1个bin的权重为x-t；
(2)将图像划分为等大小的细胞块(cell)。按照以上线性插值的方法计算每个细胞块的梯度分布的情况，并对应到直方图中，就形成每个cell单元的描述符；
(3)将相邻的每几个cell组成一个block。一个block内所有cell的特征描述符串联起来便得到该block的HOG特征描述符。
(4)将一张图片中所有的block的特征描述符串连，统计图像在各个bin上的累计权重，得到每个bin的累计权重和为xj(j＝1,2,…,9),由此得到该图像的梯度方向直方图，取权重最高值的方向为该图像块的主方向，则主方向所在bin数为jmax，主方向角度为：
θmax＝jmax×20
根据主方向将图像各像素点的梯度角度做相应的调整，调整方法为：
Δfhot＞Δfmax
其中，θ'为调整后各像素点梯度角度，将调整之后的梯度信息作为最终的HOG特征描述符。
5.根据权利要求4所述的一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，所述建立基于灰度图的单通道轻量级卷积神经网络识别模型，具体包括：将现有的彩色红外图片或视频计算为一维灰度矩阵；通过第一个尺寸为3×3的核进行卷积运算(Conv1)，提取图像的底层特征；再次，依次使用了12个卷积层(Conv2～Conv13)逐步提取高级特征和全局特征；最后，使用平均池化层(AvgPool)将全局特征降维到1×1×358，并连接到全连接神经网络(FC)和Softmax输出层作为设备类型分类器。
6.根据权利要求5所述的一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，对于深度卷积神经网络模型的终端实现，采用Tensor RT将TensorFlow模型部署在嵌入式平台，Tensor RT是一个高性能深度学习推理平台，针对嵌入式设备提供了优化解决方案，实现单位功耗算量最大化，利用TensorRT将在服务器上训练好的深度学习模型部署在Jetson嵌入式终端，结。
7.根据权利要求1-6任一项所述的一种基于人工智能的嵌入式输变电装备红外检测方法，其特征在于，所述对红外图像敏感区进行识别，具体包括以下步骤：
(1)旋转图像，使其宽度w大于高度h；
(2)构建尺寸为h×h的正方形视野框，从左到右选取多个视野Vi；
(3)计算各视野下的区域灰度和Gi；
(4)取Gi的最大的视野作为预测模型的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110704403.4A CN113378856A (zh) | 2021-06-24 | 2021-06-24 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110704403.4A CN113378856A (zh) | 2021-06-24 | 2021-06-24 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113378856A true CN113378856A (zh) | 2021-09-10 |
Family
ID=77578902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110704403.4A Pending CN113378856A (zh) | 2021-06-24 | 2021-06-24 | 一种基于人工智能的嵌入式输变电装备红外检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378856A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
| CN115183876A (zh) * | 2022-09-09 | 2022-10-14 | 国网山西省电力公司电力科学研究院 | 电力设备温度测量方法及装置、存储介质、计算机设备 |
| CN116524330A (zh) * | 2023-03-24 | 2023-08-01 | 广州星瞳信息科技有限责任公司 | 嵌入式图像识别模型运行管理方法、系统和图像识别装置 |
| WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175650A (zh) * | 2019-05-28 | 2019-08-27 | 国网河南省电力公司信阳供电公司 | 一种电力设备自动识别方法和装置 |
| US20190368103A1 (en) * | 2019-07-19 | 2019-12-05 | Lg Electronics Inc. | Home appliance and method for controlling the same |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| WO2020088739A1 (en) * | 2018-10-29 | 2020-05-07 | Hexagon Technology Center Gmbh | Facility surveillance systems and methods |
| CN111488918A (zh) * | 2020-03-20 | 2020-08-04 | 天津大学 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
| CN111679142A (zh) * | 2020-06-17 | 2020-09-18 | 国网山西省电力公司电力科学研究院 | 一种便携式输变电设备红外智能诊断装置及方法 |
| CN111950566A (zh) * | 2020-08-04 | 2020-11-17 | 国网安徽省电力有限公司电力科学研究院 | 一种旋转不变的hog红外图像电力设备识别方法 |
-
2021
- 2021-06-24 CN CN202110704403.4A patent/CN113378856A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020088739A1 (en) * | 2018-10-29 | 2020-05-07 | Hexagon Technology Center Gmbh | Facility surveillance systems and methods |
| CN110175650A (zh) * | 2019-05-28 | 2019-08-27 | 国网河南省电力公司信阳供电公司 | 一种电力设备自动识别方法和装置 |
| US20190368103A1 (en) * | 2019-07-19 | 2019-12-05 | Lg Electronics Inc. | Home appliance and method for controlling the same |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| CN111488918A (zh) * | 2020-03-20 | 2020-08-04 | 天津大学 | 一种基于卷积神经网络的变电站红外图像设备检测方法 |
| CN111679142A (zh) * | 2020-06-17 | 2020-09-18 | 国网山西省电力公司电力科学研究院 | 一种便携式输变电设备红外智能诊断装置及方法 |
| CN111950566A (zh) * | 2020-08-04 | 2020-11-17 | 国网安徽省电力有限公司电力科学研究院 | 一种旋转不变的hog红外图像电力设备识别方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警系统、方法及装置 |
| WO2024027009A1 (zh) * | 2022-08-03 | 2024-02-08 | 重庆大学 | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 |
| CN115183876A (zh) * | 2022-09-09 | 2022-10-14 | 国网山西省电力公司电力科学研究院 | 电力设备温度测量方法及装置、存储介质、计算机设备 |
| CN116524330A (zh) * | 2023-03-24 | 2023-08-01 | 广州星瞳信息科技有限责任公司 | 嵌入式图像识别模型运行管理方法、系统和图像识别装置 |
| CN116524330B (zh) * | 2023-03-24 | 2024-01-23 | 广州星瞳信息科技有限责任公司 | 嵌入式图像识别模型运行管理方法、系统和图像识别装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113378856A (zh) | 一种基于人工智能的嵌入式输变电装备红外检测方法 | |
| Su et al. | RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms | |
| Su et al. | BAF-detector: An efficient CNN-based detector for photovoltaic cell defect detection | |
| CN110514298B (zh) | 一种基于地基云图的太阳辐照强度计算方法 | |
| CN111679142A (zh) | 一种便携式输变电设备红外智能诊断装置及方法 | |
| CN114299033B (zh) | 一种基于YOLOv5的光伏板红外图像热斑检测方法及系统 | |
| Ahmad et al. | Photovoltaic cell defect classification using convolutional neural network and support vector machine | |
| Li et al. | Edge-computing-enabled unmanned module defect detection and diagnosis system for large-scale photovoltaic plants | |
| CN112434586B (zh) | 一种基于域自适应学习的多复杂场景目标检测方法 | |
| Han et al. | Electrical equipment identification in infrared images based on ROI-selected CNN method | |
| Sun et al. | Defect detection of photovoltaic modules based on convolutional neural network | |
| CN113869177A (zh) | 一种用于跟踪多目标的方法及装置 | |
| Wu et al. | Research on insulator defect detection algorithm of transmission line based on CenterNet | |
| Zhang et al. | Ground-based remote sensing cloud detection using dual pyramid network and encoder–decoder constraint | |
| Jin et al. | A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things. | |
| Sridharan et al. | Deep learning-based ensemble model for classification of photovoltaic module visual faults | |
| Le et al. | Thermal inspection of photovoltaic modules with deep convolutional neural networks on edge devices in AUV | |
| CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
| Hao et al. | KDBiDet: A bi-branch collaborative training algorithm based on knowledge distillation for photovoltaic hot-spot detection systems | |
| Jiang et al. | IARet: A lightweight multiscale infrared aerocraft recognition algorithm | |
| Li et al. | Building an online defect detection system for large-scale photovoltaic plants | |
| Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
| Zhang et al. | DSA-Net: An Attention-Guided Network for Real-Time Defect Detection of Transmission Line Dampers Applied to UAV Inspections | |
| Lei et al. | Deeplab-YOLO: a method for detecting hot-spot defects in infrared image PV panels by combining segmentation and detection | |
| CN116580324A (zh) | 一种基于YOLOv5的无人机对地目标检测方法 |
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 |
Application publication date: 20210910 |
|
| RJ01 | Rejection of invention patent application after publication |