CN113421266B - 一种基于人工智能的输电线断股检测方法及系统 - Google Patents
一种基于人工智能的输电线断股检测方法及系统 Download PDFInfo
- Publication number
- CN113421266B CN113421266B CN202110978613.2A CN202110978613A CN113421266B CN 113421266 B CN113421266 B CN 113421266B CN 202110978613 A CN202110978613 A CN 202110978613A CN 113421266 B CN113421266 B CN 113421266B
- Authority
- CN
- China
- Prior art keywords
- strand
- transmission line
- power transmission
- point
- strand breaking
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的输电线断股检测方法及系统。该方法通过分割初始图像获得只包含输电线信息的第一输电线图像。在第一输电线图像中筛选出断股导线,获得第一断股点。通过第一断股点对应的断股导线在输电线主干上的偏移程度筛选第一断股点,获得第二断股点。获得同一输电线主干上的相邻断股导线的长度和与邻断股导线对应的第二断股点的距离的差值,若该差值不大于预设距离阈值,则去除任意一个相邻断股导线对应的第二断股点,获得第三断股点。通过输电线主干两侧的断股导线的梯度信息筛选第三断股点,获得第四断股点。根据第四断股点获得输电线的磨损程度。本发明保证断股点识别的准确性,降低误识率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的输电线断股检测方法及系统。
背景技术
高压输电线路在电力系统中扮演着传输、调节、分配等重要角色,是电力系统的动脉。输电线路稳定可靠的运行是智能电网建设的重要组成部分,其设备的可靠性及运行状况直接决定着整个电力系统的稳定和安全,也决定着供电的质量和可靠性。
长距离传输的高压输电线路导线多采用钢芯铝股绞线,暴露在大自然环境中的架空输电线路导线在线运行时,垂直面内受到空气中风力的影响时刻处于振动状态。而这些振动会严重影响导体及其配件的可靠性及寿命,导致输电线路导线出现表面损伤及断股故障,严重时甚至会威胁到人们的生命安全,现有技术使用红外传感器对输电线导线进行巡检拍摄,以温度较高的区域作为断股点,该方法受环境影响较大,会引起断股位置的误识别,无法获得准确的断股点数量信息和位置信息。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的输电线断股检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的输电线断股检测方法,所述方法包括:
获得包括多条输电线的初始图像;分割所述初始图像获得第一输电线图像;
在所述第一输电线图像中筛选出输电线主干和断股导线,获得至少一个第一断股点;
所述第一断股点对应的所述断股导线的像素点到所述输电线主干的距离均值作为断股导线偏离程度;去除所述断股导线偏移程度小于预设偏移程度阈值的所述第一断股点,获得第二断股点;
获得同一所述输电线主干上的相邻断股导线的长度和;获得所述相邻断股导线对应的所述第二断股点的距离;若所述长度和与所述距离的差值不大于预设距离阈值,则去除任意一个所述相邻断股导线对应的所述第二断股点,获得第三断股点;
以在所述输电线主干两侧都存在所述断股导线的所述第三断股点为存疑断股点;计算所述存疑断股点在所述输电线主干两侧的像素点梯度变化;若所述梯度变化不大于预设梯度阈值,则将所述存疑断股点去除,获得第四断股点;
通过所述第四断股点获得所述输电线的磨损程度。
进一步地,所述处理所述初始图像获得第一输电线图像包括:
通过预先处理好的语义分割网络分割所述初始图像,获得所述第一输电线图像。
进一步地,所述处理所述初始图像获得第一输电线图像后还包括:
采用Zhang快速并行细化算法细化处理所述第一输电线图像。
进一步地,所述在所述第一输电线图像中筛选出输电线主干和断股导线包括:
对所述第一输电线图像进行霍夫直线检测,获得多条直线;
以所述直线出现最多的斜率作为标准输电线主干斜率;通过所述斜率和所述标准输电线主干斜率的相似度进行初次筛选,获得初次筛选输电线主干;
根据先验知识获得输电线之间的标准截距差;以所述初次筛选输电线主干中满足所述标准截距差的任意一条直线作为标准截距输电线主干;获得其他所述初次筛选输电线主干与所述标准截距输电线主干的截距差;保留所述标准截距差的整数倍的所述截距差对应的直线作为所述输电线主干;其他直线为所述断股导线。
进一步地,所述获得第一断股点包括:
滑窗沿着所述输电线主干方向遍历所述第一输电线;当所述滑窗内的像素值之和大于等于预设像素阈值时,所述滑窗的中心点作为所述第一断股点。
进一步地,所述断股导线偏移程度获取方法包括:当单个所述第一断股点对应多个断股导线时,以每条所述断股导线的所述断股导线偏移程度的平均值作为所述断股导线偏移程度。
进一步地,所述以所述第四断股点后还包括:
通过每个所述第四断股点在所述第一输电线图像上的位置和所述第一输电线图像的拍摄位置,获得每个所述第四断股点的实际位置信息。
进一步地,所述获得每个所述第四断股点的实际位置信息包括;
当每个所述第四断股点在预设位置阈值范围内存在其他所述第四断股点时;以位置阈值范围内的所述第四断股点之间的中心点作为所述第四断股点的真实位置信息。
进一步地,磨损程度为所述实际位置信息处所述断股导线的数量与输电线标准股数的比值。
本发明还提出了一种基于人工智能的输电线断股检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述一种基于人工智能的输电线断股检测方法任意一项的步骤。
本发明具有如下有益效果:
1.本发明实施例通过三次筛选,排除了噪声断股点,区分了图像中断股点是否因为其他断股导线与输电线交叉形成的,保证了断股点识别的准确性,降低误识率。
2.本发明实施例通过第四断股点数量获得输电线的磨损程度,可以针对当前输电线断股点数量和断骨点位置及时通知工作人员进行防护维修,保证电网的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的输电线断股检测方法流程图;
图2为本发明一个实施例所提供的一种输电线断股示意图;
图3为本发明一个实施例所提供的另一种输电线断股示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的输电线断股检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的输电线断股检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的输电线断股检测方法流程图,该方法包括:
步骤S1:获得包括多条输电线的初始图像;分割初始图像获得第一输电线图像。
通过无人机巡检系统在固定的巡检轨迹上拍摄图像,获得初始图像。初始图像包含多条输电线信息和无关的背景信息,因此需要将初始图像进一步处理,只保留输电线信息。
将初始图像送入预先训练好的语义分割网络中,分割出输电线信息,输出第一输电线图像。语义分割网络具体包括:
1)以无人机采集的包含输电线信息的图像作为训练数据,输电线信息中应包含断股导线和输电线主干。将输电线信息标注为1,其他像素标注为0,随机选择80%的训练数据用于训练,剩余20%为验证集。
2)语义分割网络设置为编码-解码结构,将训练数据和标签数据输入至编码器中进行特征提取,输出特征图。解码器将特征图进行下采样,变换图像的尺寸,并将输出通道数变换为标注类别,输出每个像素的类别。
3)采用交叉熵损失函数对网络进行训练。
通过语义分割网络获得包含输电线信息的二值图像,其中像素值为0的像素属于背景等无关像素,像素值为1的像素属于输电线信息。该二值图像即为第一输电线图像。
因为第一输电线图像中的输电线信息为多个像素信息组成的输电线边缘,不方便后续处理,为了减小后续分析的计算量,需提取第一输电线图像中输电线信息的骨架信息。采用Zhang快速并行细化算法细化处理第一输电线图像,获得包含单像素信息的第一输电线图像。
步骤S2:在第一输电线图像中筛选出输电线主干和断股导线,获得至少一个第一断股点。
输电线因为风力等其他自然影响导致断股会使图像上断股导线与输电线主干之间有明显的形态差异,因此可在第一输电线图像中通过输电线主干和断股导线的差异进行筛选,获得第一断股点。具体包括:
1)对第一输电线图像进行霍夫直线检测,获得多条直线信息,以及每条直线的斜率和截距。
2)因为输电线在布置的过程中都是平行分布,在图像上输电线主干应是呈相同斜率排列,因此以统计的斜率最多的斜率作为标准输电线主干斜率,通过计算每条输电线的斜率和标准输电线主干斜率的相似度进行初次筛选,当相似度在预设相似度范围内时,认为当前斜率对应的直线为输电线主干,获得初次筛选输电线主干。在本发明实施例中,相似度通过斜率和标准输电线主干斜率的比值获得,相似度范围为[0.9,1.1]。
3)因为输电线在布置的过程中,输电线之间的间隔固定,因为无人机巡检路线固定,因此可通过先验知识获得图像中输电线之间的标准截距差。在图像中输电线主干之间斜率的差值应是标准截距差的整数倍。以初次筛选输电线主干中满足标准截距差的任意一条直线作为标准截距输电线主干。获得其他初次筛选输电线主干与标准截距输电线主干的截距差。保留标准截距差的整数倍的截距差对应的直线作为输电线主干。其他直线即为断股导线。断股导线与输电线主干交点即为第一断股点。
在本发明实施例中,在第一输电线图像中将输电线主干标记为红色。
优选的,获得第一断股点的方法包括:
滑窗沿着输电线主干方向遍历所述第一输电线。当滑窗内的像素值之和大于预设像素阈值时,滑窗的中心点作为第一断股点。
在本发明实施例中,滑窗大小设置为3*3,滑窗处理过程中的步长为单位像素。像素阈值设置为3,当滑窗内像素点之和大于等于3,说明当前滑窗中心点为第一断股点。将第一断股点在图像上标记为蓝色。
步骤S3:第一断股点对应的断股导线的像素点到输电线主干的距离均值作为断股导线偏离程度;去除断股导线偏移程度小于预设偏移程度阈值的第一断股点,获得第二断股点。
因为在第一输电线图像上寻找断股点时,会将输电线主干绞合松动的导线认为是断股导线,但是在实际情况中该部分输电线并没有断股,因此将这种情况的导线形成的断股点认为是噪声断股点。通过断股导线与输电线主干的偏移程度去除噪声断股点。断股导线偏移程度为断股导线像素点到输电线主干距离的均值。在本法实施例中,利用向量法计算断股导线像素点到输电线主干距离,具体计算公式为:
其中,Dis为断股导线像素点到输电线主干的距离,(x i ,y i )为断股导线像素点,K为输电线主干的斜率,B为输电线主干的截距,Sgn()为距离计算公式。
需要说明的是,当单个第一断股点对应多条断股导线时,以断股导线偏移程度的平均值作为断股导线偏移程度。
步骤S4:获得同一输电线主干上的相邻断股导线的长度和;获得相邻断股导线对应的第二断股点的距离;若长度和与距离的差值不大于预设距离阈值,则去除任意一个相邻断股导线对应的第二断股点,获得第三断股点。
请参阅图2,其示出了本发明一个实施例所提供的一种输电线断股示意图。输电线断股存在输电线一个位置点B发生断股,断股导线以该位置点B两端方向进行发散的情况。在该情况中进行分析会获得两个断股点A,存在误差。因此需要对第二断股点进行二次筛选,提高断股分析准确率。
计算同一输电线主干相邻断股导线的长度和。需要说明的是,断股导线的长度为以第二断股点为起点,沿着断股导线的像素点信息进行移动,直至不再出现断股像素点,以移动过的像素点个数作为断股导线的长度。
若相邻断股导线的长度和与相邻断股导线对应的第二断股点的距离的差值不大于预设距离阈值,则说明真实断股点在相邻第二断股点之间的区域,为了便于后续分析去除任意一个相邻断股导线对应的第二断股点,获得第三断股点。
在本发明实施例中,保留相邻断股导线中长度最大的断股导线对应的所述第二断股点作为真实断股点,去除另一个第二断股点,获得第三断股点,距离阈值为0.1。
步骤S5:以在输电线主干两侧都存在断股导线的第三断股点为存疑断股点。计算存疑断股点在输电线主干两侧的像素点梯度变化。若梯度变化不大于预设梯度阈值,则将所述存疑断股点去除,获得第四断股点。
请参阅图3,其示出了本发明一个实施例所提供的另一种输电线断股示意图。存在图像上断股点C的断股导线与其他输电线主干交叉,形成交叉点D。会导致将交叉点D误识别为断股点的情况。因此需要将交叉点D去除,减少误识别率。
因为断股导线与其他输电线主干交叉在图像上表示的是,该交叉点在输电线主干两侧都存在断股导线信息,因此将第三断股点在输电线主干两侧都存在断股导线的第三断股点作为存疑断股点,只分析存疑断股点即可。
计算存疑断股点在输电线主干两侧的像素点梯度变化。像素点梯度计算公式为:
其中,G(x,y)为像素点的梯度,I(i,j)为像素点的像素值。
因为同一曲线上的相邻像素点之间的梯度变化相差并不大,因此可以根据存疑断股点在输电线主干两侧的像素点梯度变化大小判断存疑断股点是否为交叉点。在本发明实施例中,像素点梯度变化计算公式为:
其中,R为像素点梯度变化,G1(x,y)为一侧的像素点梯度,G2(x,y)为另一侧的像素点梯度。
所述梯度变化不大于预设梯度阈值,则认为该存疑断股点为交叉点,将该存疑断股点去除,剩余断股点为第四断股点。
步骤S6:以第四断股点获得输电线的磨损程度。
一个输电线上第四断股点的数量表示了输电线的断股程度,进一步表现了输电线的磨损程度。
因为无人机拍摄输电线图像是沿着固定的巡检路线,因此可以通过第一输电线图像拍摄位置结合第四断股点在图像上的位置获得每个第四断股点的实际位置信息。
存在因为拍摄的角度问题,导致同一断股点位置处的多条断股导线与输电线主干重合,导致识别为新的断股点。为了消除该情况的误差,当每个第四断股点在预设位置阈值范围内存在其他所述第四断股点时,以位置阈值范围内的第四断股点之间的中心点作为对应的第四断股点的真实位置信息。在本发明实施例中,位置阈值范围为7。
以同一位置信息处的断股导线数量与输电线标准股数的比值作为该输电线在该位置处的磨损程度。磨损程度越大表示该位置处的导线越容易发生事故,当磨损程度大于预设的危险阈值时及时通知工作人员在该位置信息处进行更换维护输电线。
综上所述,本发明实施例通过分割初始图像获得只包含输电线信息的第一输电线图像。在第一输电线图像中筛选出断股导线,获得第一断股点。通过第一断股点对应的断股导线在输电线主干上的偏移程度筛选第一断股点,获得第二断股点。获得同一输电线主干上的相邻断股导线的长度和与邻断股导线对应的第二断股点的距离的差值,若该差值不大于预设距离阈值,则去除任意一个相邻断股导线对应的第二断股点,获得第三断股点。通过输电线主干两侧的断股导线的梯度信息筛选第三断股点,获得第四断股点。根据第四断股点获得输电线的磨损程度。
本发明还提出了一种基于人工智能的输电线断股检测系统,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时实现一种基于人工智能的输电线断股检测方法任意一项的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的输电线断股检测方法,其特征在于,所述方法包括:
获得包括多条输电线的初始图像;分割所述初始图像获得第一输电线图像;
在所述第一输电线图像中筛选出输电线主干和断股导线;设置滑窗沿着所述输电线主干的方向遍历所述第一输电线图像;当所述滑窗内的像素值之和大于等于预设像素阈值时,所述滑窗的中心点作为第一断股点,获得至少一个所述第一断股点;
所述第一断股点对应的所述断股导线的像素点到所述输电线主干的距离均值作为断股导线偏移程度;去除所述断股导线偏移程度小于预设偏移程度阈值的所述第一断股点,获得第二断股点;
获得同一所述输电线主干上的相邻断股导线的长度和;获得所述相邻断股导线对应的所述第二断股点的距离;若所述长度和与所述距离的差值不大于预设距离阈值,则去除任意一个所述相邻断股导线对应的所述第二断股点,获得第三断股点;
以在所述输电线主干两侧都存在所述断股导线的所述第三断股点为存疑断股点;计算所述存疑断股点在所述输电线主干两侧像素点的梯度变化;若所述梯度变化不大于预设梯度阈值,则将所述存疑断股点去除,获得第四断股点;
通过所述第四断股点获得所述输电线的磨损程度。
2.根据权利要求1所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述分割所述初始图像获得第一输电线图像包括:
通过预先处理好的语义分割网络分割所述初始图像,获得所述第一输电线图像。
3.根据权利要求1所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述分割所述初始图像获得第一输电线图像后还包括:
采用Zhang快速并行细化算法细化处理所述第一输电线图像。
4.根据权利要求1所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述在所述第一输电线图像中筛选出输电线主干和断股导线包括:
对所述第一输电线图像进行霍夫直线检测,获得多条直线;
以所述直线出现最多的斜率作为标准输电线主干斜率;通过所述直线的斜率和所述标准输电线主干斜率的相似度进行初次筛选,获得初次筛选输电线主干;
根据先验知识获得输电线之间的标准截距差;以所述初次筛选输电线主干中满足所述标准截距差的任意一条直线作为标准截距输电线主干;获得其他所述初次筛选输电线主干与所述标准截距输电线主干的截距差;保留所述标准截距差的整数倍的所述截距差对应的直线作为所述输电线主干;其他直线为所述断股导线。
5.根据权利要求1所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述断股导线偏移程度获取方法包括:当单个所述第一断股点对应多个断股导线时,以每条所述断股导线的所述断股导线偏移程度的平均值作为所述断股导线偏移程度。
6.根据权利要求1所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述获得第四断股点后还包括:
通过每个所述第四断股点在所述第一输电线图像上的位置和所述第一输电线图像的拍摄位置,获得每个所述第四断股点的实际位置信息。
7.根据权利要求6所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述获得每个所述第四断股点的实际位置信息包括;
当每个所述第四断股点在预设位置阈值范围内存在其他所述第四断股点时,以位置阈值范围内的所述第四断股点之间的中心点作为所述第四断股点的所述实际位置信息。
8.根据权利要求6所述的一种基于人工智能的输电线断股检测方法,其特征在于,所述磨损程度为:在实际位置处,所述断股导线的数量与输电线标准股数的比值。
9.一种基于人工智能的输电线断股检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8所述方法任意一项的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978613.2A CN113421266B (zh) | 2021-08-25 | 2021-08-25 | 一种基于人工智能的输电线断股检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978613.2A CN113421266B (zh) | 2021-08-25 | 2021-08-25 | 一种基于人工智能的输电线断股检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421266A CN113421266A (zh) | 2021-09-21 |
CN113421266B true CN113421266B (zh) | 2021-11-16 |
Family
ID=77719365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978613.2A Active CN113421266B (zh) | 2021-08-25 | 2021-08-25 | 一种基于人工智能的输电线断股检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850827B (zh) * | 2021-11-29 | 2022-03-22 | 广东电网有限责任公司肇庆供电局 | 地线与水平铁磨损导致断股图像检测处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Family Cites Families (3)
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 |
CN108318773B (zh) * | 2017-12-20 | 2020-02-21 | 全球能源互联网研究院有限公司 | 一种输电导线断股检测方法及系统 |
CN112819784A (zh) * | 2021-02-01 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电线路导线断股散股检测方法及系统 |
-
2021
- 2021-08-25 CN CN202110978613.2A patent/CN113421266B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525859A (zh) * | 2016-09-23 | 2017-03-22 | 广东工业大学 | 一种无人机实时检测高压输电导线断股缺陷的方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113421266A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631274B2 (en) | Fingerprint processing device, fingerprint processing method, program, and fingerprint processing circuit | |
KR101942808B1 (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
KR20200058260A (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 및 그 장치의 구동방법 | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
KR102107334B1 (ko) | 이미지 프레임에서의 픽셀 위치가 배경 또는 전경에 속하는지를 결정하기 위한 방법, 장치 및 시스템 | |
CN109300118B (zh) | 一种基于rgb图像的高压电力线路无人机巡检方法 | |
CN113421266B (zh) | 一种基于人工智能的输电线断股检测方法及系统 | |
US20190392606A1 (en) | Object detection device, object detection method, and object detection program | |
CN112435208A (zh) | 显著性边缘引导的绝缘子区域检测方法 | |
CN112446352A (zh) | 行为识别方法、装置、介质及电子设备 | |
CN111145159A (zh) | 提取巡检关键部件点的方法及装置 | |
CN115272983A (zh) | 基于图像识别的接触网悬挂状态监测方法及系统 | |
CN109492544B (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
CN110751270A (zh) | 一种无人机电线故障检测方法、系统及设备 | |
CN113435801A (zh) | 基于人工智能的输电线安全隐患评估的方法、装置及设备 | |
CN110503048B (zh) | 刚性接触网悬挂装置的识别系统和方法 | |
CN114299406B (zh) | 基于无人机航拍的光纤电缆线路巡检方法 | |
CN111723617A (zh) | 动作识别的方法、装置、设备及存储介质 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN112446884A (zh) | 一种激光点云中输电线的定位方法、装置及终端设备 | |
Bian et al. | Fault identification of catenary dropper based on improved CapsNet | |
EP3195261A1 (en) | Identification of a pantograph represented in an image | |
AU2015318811A1 (en) | Arc detection system and method | |
CN111105395A (zh) | 一种用于输电运行监测的ai智能云台 |
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 | ||
CP03 | Change of name, title or address |
Address after: 226200 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province Patentee after: Jiangsu Dianboshi Energy Equipment Co.,Ltd. Address before: 226299 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province Patentee before: Nantong Electric doctor automation equipment Co.,Ltd. |
|
CP03 | Change of name, title or address |