CN113449767B - 一种多图像融合的变电站设备异常识别定位方法 - Google Patents
一种多图像融合的变电站设备异常识别定位方法 Download PDFInfo
- Publication number
- CN113449767B CN113449767B CN202110476129.XA CN202110476129A CN113449767B CN 113449767 B CN113449767 B CN 113449767B CN 202110476129 A CN202110476129 A CN 202110476129A CN 113449767 B CN113449767 B CN 113449767B
- Authority
- CN
- China
- Prior art keywords
- image
- fault
- dimensional
- output value
- substation equipment
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种多图像融合的变电站设备异常识别定位方法,包括以下步骤:S1:获取巡检机器人的巡检路线;S2:结合巡检路线,采集不同角度的变电站设备的图像信息,采集的图像信息包括红外图像、可见光图像、纹影图像和X光线图像;S3:建立变电站设备的故障识别模型;本发明在可见光图像和红外图像的基础上,加入纹影图像和X光线图像,对变电站设备进行更加全面的故障和异常检测,同时,结合远景图像和近景图像使得故障点的检测更加准确,对设备异常点的定位更加精准,方便后续的设备维修,大大减少运维人员的工作负担,减少运维停电时间。
Description
技术领域
本发明涉及变电站设备故障识别技术领域,尤其涉及一种多图像融合的变电站设备异常识别定位方法。
背景技术
随着我国电力系统对智能化、自动化、安全性要求的不断提高,电网运行迫切需要进行大规模人工智能巡检,对特定电力设备元器件进行分析和检测。伴随着人工智能化、信息化建设的不断发展,计算机视觉技术越来越多地应用在电力设备的巡检和在线监测中。智能变电站电力设备的运行检修,逐渐由传统的基于时间周期的预防性检修过渡为针对性更强的状态性检修模式。目前的智能变电站主要通过场站和巡检机器人的高清摄像头传输基于可见光电力设备图像以及红外图像视频到集控中心,智能检测系统需要对视频流图像进行智能化分析,提取出其中的电力设备部件判定其类别并定位准确,才能开展后续对电力设备状态的全面分析。该方式的实际应用效果还不理想,主要因为智能检测系统识别能力不强。以往智能变电站只能根据设备的红外图像和可见光数据实现电力设备状态感知,导致检测的结果出现较大的偏差,无法实现变电站设备异常位置的准确定位以及故障识别。
例如,中国专利CN201711125901.3公开了基于红外、紫外和可见光图像融合一体化的检测方法和装置。该申请在红外和可见光图像的基础上加入了紫外光检测,但是紫外光检测的设备图像与红外光检测的区别性不大,导致该申请的检测方法依然无法全面和准确的检测设备的故障位置。
发明内容
本发明主要解决现有的技术中无法对变电站设备的故障进行全面和准确检测的问题;提供一种多图像融合的变电站设备异常识别定位方法,对变电站设备的故障点和异常点进行准确检测和定位,大大减少运维人员的工作负担,减少运维停电时间,优化电网服务质量。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种多图像融合的变电站设备异常识别定位方法,应用于巡检机器人,包括以下步骤:
S1:获取巡检机器人的巡检路线;
S2:结合巡检路线,采集不同角度的变电站设备的图像信息,采集的图像信息包括红外图像、可见光图像、纹影图像和X光线图像;
S3:建立变电站设备的故障识别模型;
S4:将采集的红外图像、可见光图像、纹影图像和X光线图像分别导入变电站设备故障识别模型得到第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1,将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数,根据故障判定函数的输出结果判断变电站设备是否发生故障。在可见光图像和红外图像的基础上,加入纹影图像和X光线图像,可通过红外图像找到有缺陷的断路器触点,通过纹影图像找到六氟化硫气体的泄露点,通过X光图像发现设备内部的缺陷绝缘子,通过可见光图像找到线路的破损处,对变电站设备进行更加全面的故障和异常检测,方便工作人员后续对变电站设备的维修,大大减少运维人员的工作负担,减少运维停电时间,优化电网服务质量。
作为优选,步骤S3中,故障识别模型的建立方法为:
S31:获取变电站设备正常状态和异常状态下的若干张红外图像、可见光图像、纹影图像和X光线图像;
S32:对红外图像、可见光图像、纹影图像和X光线图像进行二值化处理后获取变电站设备的故障特征向量;
S33:通过卷积神经网络对故障特征向量进行训练,得到变电站设备的故障识别模型。通过卷积神经网络进行故障识别模型建立,在机器人巡检过程中,通过卷积神经网络可以对故障识别模型进行不断学习优化,提高故障识别率。
作为优选,步骤S33具体包括以下步骤:
S331:分别读取红外图像、可见光图像、纹影图像和X光线图像的故障特征向量;
S332:通过卷积神经网络训练得到不同位置不同图像下的故障类型,得到初步结果;
S333:选取同一故障类型,进行不同图像下的位置匹配;
S334:将红外图像、可见光图像、纹影图像和X光线图像同一位置下的故障特征向量进行对比;
S335:根据步骤S334的对比结果进行故障类型匹配,得到二次结果;
S336:将初步结果和二次结果进行对比分析得到最终的故障识别模型。将不同图像状态的变电站设备的同一位置与故障类型进行对应,实现异常以及故障位置的准确定位。
作为优选,步骤S4中,将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数前还包括对第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1进行故障判断,若0<X1<1、0<Y1<1、0<N1<1且0<M1<1,则将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数进行故障判断,若X1≥1、Y1≥1、N1≥1或M1≥1,则判定被检测设备出现故障。通过输出值,快速判断设备是否发生故障。
作为优选,步骤S4中,故障判定函数为
其中,P表示故障阈值,若0<P≤0.5,则判定被检测设备正常,若P>0.5,则判定被检测设备异常,根据故障识别模型进行故障位置定位。通过输出值的平均值计算,进一步判断设备的故障,使得设备的故障检测更加准确。
作为优选,所述的故障特征向量的获取方法为:
A:找到图像二值化后的灰度最大值E和灰度最小值e;
B:计算灰度最大值E和灰度最小值e的平均值Ee;
C:将图像的每个像素点T(i,j)与相邻的8个像素点进行差值计算,将差值结果相加后与平均值Ee进行比较,若差值相加大于平均值Ee,则该像素点为故障像素点,找到所有故障像素点,建立故障特征向量集。通过与上、下、左、右以及四个斜角对应的像素点进行对比,判断是否为故障像素点,提高故障检测的精度。
作为优选,对红外图像、可见光图像、纹影图像和X光线图像进行二值化处理之前还包括对红外图像、可见光图像、纹影图像和X光线图像进行中值滤波处理。
作为优选,步骤S2中,采集不同角度的变电站设备的图像信息包括二维红外远景图像、二维红外近景图像、二维可见光远景图像、二维可见光近景图像、二维纹影远景图像、二维纹影近景图像、二维X光线远景图像和二维X光线近景图像,根据二维红外远景图像和二维红外近景图像建立三维红外全景图像,根据二维可见光远景图像和二维可见光近景图像建立三维可见光全景图像,根据二维纹影远景图像和二维纹影近景图像建立三维纹影全景图像,根据二维X光线远景图像和二维X光线近景图像建立三维X光线全景图像。将远景图像和近景图像进行结合后建立三维图像,使得故障点的识别和检测更加准确。
本发明的有益效果是:在可见光图像和红外图像的基础上,加入纹影图像和X光线图像,可通过红外图像找到有缺陷的断路器触点,通过纹影图像找到六氟化硫气体的泄露点,通过X光图像发现设备内部的缺陷绝缘子,通过可见光图像找到线路的破损处,对变电站设备进行更加全面的故障和异常检测,同时,结合远景图像和近景图像使得故障点的检测更加准确,对设备异常点的定位更加精准,方便后续的设备维修,大大减少运维人员的工作负担,减少运维停电时间。
附图说明
图1是本发明实施例一的多图像融合的变电站设备异常识别定位方法的流程框图。
图2是本发明实施例一的故障识别模型的建立方法的流程框图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例一:一种多图像融合的变电站设备异常识别定位方法,应用于巡检机器人,如图1所示,包括以下步骤:
S1:获取巡检机器人的巡检路线;巡检机器人的巡检路线主要由远程终端进行制定和传输,巡检机器人根据制定好的巡检路线在变电站内进行巡检,巡检机器人带有巡检摄像头,巡检摄像头包括红外摄像头、可见光摄像头、纹影成像仪和X光线成像仪,同时,内置处理模块,本方案的多图像融合的变电站设备异常识别定位方法运行在巡检机器人内置的处理模块上,处理模块通过无线通信模块与远程终端连接。
S2:结合巡检路线,采集不同角度的变电站设备的图像信息,采集的图像信息包括红外图像、可见光图像、纹影图像和X光线图像;采集不同角度的变电站设备的图像信息包括二维红外远景图像、二维红外近景图像、二维可见光远景图像、二维可见光近景图像、二维纹影远景图像、二维纹影近景图像、二维X光线远景图像和二维X光线近景图像,根据二维红外远景图像和二维红外近景图像建立三维红外全景图像,根据二维可见光远景图像和二维可见光近景图像建立三维可见光全景图像,根据二维纹影远景图像和二维纹影近景图像建立三维纹影全景图像,根据二维X光线远景图像和二维X光线近景图像建立三维X光线全景图像。
S3:建立变电站设备的故障识别模型;如图2所示,故障识别模型的建立方法为:
S31:获取变电站设备正常状态和异常状态下的若干张红外图像、可见光图像、纹影图像和X光线图像;
S32:对红外图像、可见光图像、纹影图像和X光线图像进行中值滤波处理后对红外图像、可见光图像、纹影图像和X光线图像进行二值化处理,获取变电站设备的故障特征向量;
S33:通过卷积神经网络对故障特征向量进行训练,得到变电站设备的故障识别模型;具体包括以下步骤:
S331:分别读取红外图像、可见光图像、纹影图像和X光线图像的故障特征向量;故障特征向量的获取方法为:
A:找到图像二值化后的灰度最大值E和灰度最小值e;
B:计算灰度最大值E和灰度最小值e的平均值Ee;
C:将图像的每个像素点T(i,j)与相邻的8个像素点进行差值计算,将差值结果相加后与平均值Ee进行比较,若差值相加大于平均值Ee,则该像素点为故障像素点,找到所有故障像素点,建立故障特征向量集;
S332:通过卷积神经网络训练得到不同位置不同图像下的故障类型,得到初步结果;
S333:选取同一故障类型,进行不同图像下的位置匹配;
S334:将红外图像、可见光图像、纹影图像和X光线图像同一位置下的故障特征向量进行对比;
S335:根据步骤S334的对比结果进行故障类型匹配,得到二次结果;
S336:将初步结果和二次结果进行对比分析得到最终的故障识别模型。
S4:将采集的红外图像、可见光图像、纹影图像和X光线图像分别导入变电站设备故障识别模型得到第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1,对第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1进行故障判断,若0<X1<1、0<Y1<1、0<N1<1且0<M1<1,则将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数进行故障判断,若X1≥1、Y1≥1、N1≥1或M1≥1,则判定被检测设备出现故障,故障判定函数为
其中,P表示故障阈值,若0<P≤0.5,则判定被检测设备正常,若P>0.5,则判定被检测设备异常,根据故障识别模型进行故障位置定位。
实施例二,一种多图像融合的变电站设备异常识别定位方法,本实施例与实施例一的区别在于,本实施例将红外图像、可见光图像、纹影图像和X光线图像采集后,分别提取红外图像、可见光图像、纹影图像和X光线图像的特征向量,构建红外矩阵、可见光矩阵、纹影矩阵和X光线矩阵,根据变电站设备的故障特征向量制定故障矩阵,红外矩阵、可见光矩阵、纹影矩阵、X光线矩阵和故障矩阵的行列均相等,将红外矩阵、可见光矩阵、纹影矩阵和X光线矩阵的元素值与故障矩阵内的元素值进行一一对应比较,判断故障情况以及故障发生位置。
实施例三,一种多图像融合的变电站设备异常识别定位方法,本实施例与实施例一的区别在于,本实施例将红外图像、可见光图像、纹影图像和X光线图像采集后,先将红外图像、可见光图像、纹影图像和X光线图像进行图像拼接融合,将拼接融合后的图像导入故障识别模型,得到的输出值只有一个,根据输出值与制定的故障阈值进行比较,判断被检测设备是否发生故障,若判断被检测设备发生故障后,通过故障识别模型进行故障点定位。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (6)
1.一种多图像融合的变电站设备异常识别定位方法,应用于巡检机器人,其特征在于,包括以下步骤:
S1:获取巡检机器人的巡检路线;
S2:结合巡检路线,采集不同角度的变电站设备的图像信息,采集的图像信息包括红外图像、可见光图像、纹影图像和X光线图像;
S3:建立变电站设备的故障识别模型;
S4:将采集的红外图像、可见光图像、纹影图像和X光线图像分别导入变电站设备故障识别模型得到第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1,将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数,根据故障判定函数的输出结果判断变电站设备是否发生故障;
步骤S4中,将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数前还包括对第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1进行故障判断,若0<X1<1、0<Y1<1、0<N1<1且0<M1<1,则将第一输出值X1、第二输出值Y1、第三输出值N1和第四输出值M1作为输入导入故障判定函数进行故障判断,若X1≥1、Y1≥1、N1≥1或M1≥1,则判定被检测设备出现故障;
步骤S4中,故障判定函数为
其中,P表示故障阈值,若0<P≤0.5,则判定被检测设备正常,若P>0.5,则判定被检测设备异常,根据故障识别模型进行故障位置定位。
2.根据权利要求1所述的一种多图像融合的变电站设备异常识别定位方法,其特征在于,步骤S3中,故障识别模型的建立方法为:
S31:获取变电站设备正常状态和异常状态下的若干张红外图像、可见光图像、纹影图像和X光线图像;
S32:对红外图像、可见光图像、纹影图像和X光线图像进行二值化处理后获取变电站设备的故障特征向量;
S33:通过卷积神经网络对故障特征向量进行训练,得到变电站设备的故障识别模型。
3.根据权利要求2所述的一种多图像融合的变电站设备异常识别定位方法,其特征在于,步骤S33具体包括以下步骤:
S331:分别读取红外图像、可见光图像、纹影图像和X光线图像的故障特征向量;
S332:通过卷积神经网络训练得到不同位置不同图像下的故障类型,得到初步结果;
S333:选取同一故障类型,进行不同图像下的位置匹配;
S334:将红外图像、可见光图像、纹影图像和X光线图像同一位置下的故障特征向量进行对比;
S335:根据步骤S334的对比结果进行故障类型匹配,得到二次结果;
S336:将初步结果和二次结果进行对比分析得到最终的故障识别模型。
4.根据权利要求3所述的一种多图像融合的变电站设备异常识别定位方法,其特征在于,所述故障特征向量的获取方法为:
A:找到图像二值化后的灰度最大值E和灰度最小值e;
B:计算灰度最大值E和灰度最小值e的平均值Ee;
C:将图像的每个像素点T(i,j)与相邻的8个像素点进行差值计算,将差值结果相加后与平均值Ee进行比较,若差值相加大于平均值Ee,则该像素点为故障像素点,找到所有故障像素点,建立故障特征向量集。
5.根据权利要求3或4所述的一种多图像融合的变电站设备异常识别定位方法,其特征在于,对红外图像、可见光图像、纹影图像和X光线图像进行二值化处理之前还包括对红外图像、可见光图像、纹影图像和X光线图像进行中值滤波处理。
6.根据权利要求1所述的一种多图像融合的变电站设备异常识别定位方法,其特征在于,步骤S2中,采集不同角度的变电站设备的图像信息包括二维红外远景图像、二维红外近景图像、二维可见光远景图像、二维可见光近景图像、二维纹影远景图像、二维纹影近景图像、二维X光线远景图像和二维X光线近景图像,根据二维红外远景图像和二维红外近景图像建立三维红外全景图像,根据二维可见光远景图像和二维可见光近景图像建立三维可见光全景图像,根据二维纹影远景图像和二维纹影近景图像建立三维纹影全景图像,根据二维X光线远景图像和二维X光线近景图像建立三维X光线全景图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476129.XA CN113449767B (zh) | 2021-04-29 | 2021-04-29 | 一种多图像融合的变电站设备异常识别定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476129.XA CN113449767B (zh) | 2021-04-29 | 2021-04-29 | 一种多图像融合的变电站设备异常识别定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449767A CN113449767A (zh) | 2021-09-28 |
CN113449767B true CN113449767B (zh) | 2022-05-17 |
Family
ID=77809663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110476129.XA Active CN113449767B (zh) | 2021-04-29 | 2021-04-29 | 一种多图像融合的变电站设备异常识别定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449767B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984756B (zh) * | 2023-03-17 | 2023-07-18 | 佛山市华易科技有限公司 | 一种基于数据分析的农业电网线路巡查管理方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3479510A (en) * | 1967-04-21 | 1969-11-18 | Csf | Ferroelectric infrared image translator |
CN1039659A (zh) * | 1988-05-16 | 1990-02-14 | 株式会社日立制作所 | 用于高压电力设备异常诊断的系统及方法 |
CN102928189A (zh) * | 2012-05-25 | 2013-02-13 | 中国科学院力学研究所 | 一种飞行器局部逆向溢流降低热流率的实验装置 |
CN106849355A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种基于x射线机器人的变电站检测系统 |
CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
CN108280449A (zh) * | 2018-02-06 | 2018-07-13 | 国网山西省电力公司电力科学研究院 | 基于多光谱传感器组的电力设备影像采集方法 |
CN108460555A (zh) * | 2018-02-06 | 2018-08-28 | 国网山西省电力公司电力科学研究院 | 基于影像信息识别的变电设备数据管理系统 |
CN109918973A (zh) * | 2017-12-13 | 2019-06-21 | 上海耕岩智能科技有限公司 | 一种生理特征侦测识别方法和光侦测装置 |
CN111275759A (zh) * | 2020-01-16 | 2020-06-12 | 国网江苏省电力有限公司 | 基于无人机双光影像融合的变电站刀闸温度检测方法 |
CN111948501A (zh) * | 2020-08-05 | 2020-11-17 | 广州市赛皓达智能科技有限公司 | 一种用于电网运行的自动巡检设备 |
CN112131936A (zh) * | 2020-08-13 | 2020-12-25 | 华瑞新智科技(北京)有限公司 | 一种巡检机器人图像识别方法及巡检机器人 |
CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
CN112505507A (zh) * | 2020-12-07 | 2021-03-16 | 国网福建省电力有限公司电力科学研究院 | 一种高压电缆充油终端自动保护装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5489859B2 (ja) * | 2009-05-21 | 2014-05-14 | 株式会社半導体エネルギー研究所 | 導電膜及び導電膜の作製方法 |
-
2021
- 2021-04-29 CN CN202110476129.XA patent/CN113449767B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3479510A (en) * | 1967-04-21 | 1969-11-18 | Csf | Ferroelectric infrared image translator |
CN1039659A (zh) * | 1988-05-16 | 1990-02-14 | 株式会社日立制作所 | 用于高压电力设备异常诊断的系统及方法 |
CN102928189A (zh) * | 2012-05-25 | 2013-02-13 | 中国科学院力学研究所 | 一种飞行器局部逆向溢流降低热流率的实验装置 |
CN106849355A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种基于x射线机器人的变电站检测系统 |
CN108008259A (zh) * | 2017-11-14 | 2018-05-08 | 国网江西省电力有限公司电力科学研究院 | 基于红外、紫外和可见光图像融合一体化的检测方法和装置 |
CN109918973A (zh) * | 2017-12-13 | 2019-06-21 | 上海耕岩智能科技有限公司 | 一种生理特征侦测识别方法和光侦测装置 |
CN108460555A (zh) * | 2018-02-06 | 2018-08-28 | 国网山西省电力公司电力科学研究院 | 基于影像信息识别的变电设备数据管理系统 |
CN108280449A (zh) * | 2018-02-06 | 2018-07-13 | 国网山西省电力公司电力科学研究院 | 基于多光谱传感器组的电力设备影像采集方法 |
CN111275759A (zh) * | 2020-01-16 | 2020-06-12 | 国网江苏省电力有限公司 | 基于无人机双光影像融合的变电站刀闸温度检测方法 |
CN111948501A (zh) * | 2020-08-05 | 2020-11-17 | 广州市赛皓达智能科技有限公司 | 一种用于电网运行的自动巡检设备 |
CN112131936A (zh) * | 2020-08-13 | 2020-12-25 | 华瑞新智科技(北京)有限公司 | 一种巡检机器人图像识别方法及巡检机器人 |
CN112379231A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测方法及装置 |
CN112505507A (zh) * | 2020-12-07 | 2021-03-16 | 国网福建省电力有限公司电力科学研究院 | 一种高压电缆充油终端自动保护装置 |
Non-Patent Citations (4)
Title |
---|
Iterative Online Fault Identification Scheme for High-Voltage Circuit Breaker Utilizing a Lost Data Repair Technique;Gang Zhou et al.;《Energies》;20200628;第13卷(第13期);1-15 * |
带电检测判断金属氧化物避雷器故障情况;韩中杰;《电世界》;20141231;第55卷(第12期);1-2 * |
红外与X光图像融合方法研究;陈树越 等;《激光与红外》;20141130;第44卷(第11期);1-4 * |
自动光学(视觉)检测技术及其在缺陷检测中的应用综述;卢荣胜 等;《光学学报》;20180831;第38卷(第8期);1-6 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449767A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN110850723B (zh) | 一种基于变电站巡检机器人系统的故障诊断及定位方法 | |
CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
CN110807460B (zh) | 一种基于图像识别的变电站智能巡视系统及其应用方法 | |
CN106327605A (zh) | 一种巡检方法 | |
CN112013966B (zh) | 一种基于测量温度的电力设备红外图像处理方法 | |
CN111431284B (zh) | 一种基于bim技术的变电站智能化管控系统 | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN113610788B (zh) | 图像采集装置的故障监测方法、装置、电子设备及存储介质 | |
CN113449767B (zh) | 一种多图像融合的变电站设备异常识别定位方法 | |
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 | |
CN115393347A (zh) | 一种基于城市大脑的电网智能巡检方法及系统 | |
CN112260402B (zh) | 基于视频监控的变电站智能巡检机器人状态的监控方法 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN114460519A (zh) | 基于电力互感器检验的现场与终端融合管理系统和方法 | |
CN112183311A (zh) | 一种基于双模态数据融合的变电站设备故障检测方法 | |
US20240005469A1 (en) | Defect detection method and apparatus | |
CN117239926A (zh) | 基于多参量感知的配电台区监测系统及方法 | |
CN114266725A (zh) | 一种基于共轴光路成像的设备故障诊断系统 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
Bao et al. | Automatic identification and defect diagnosis of transmission line insulators based on YOLOv3 network | |
CN113297914B (zh) | 一种配网现场作业验电动作识别方法 | |
CN117498225B (zh) | 一种无人机智能电力线路巡检系统 | |
Jiang et al. | Insulator fault feature extraction system of substation equipment based on machine vision | |
CN116109875A (zh) | 一种基于生成图像标准库的电力图像数据自动标注方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |