CN113537341A - 基于大数据及自学习的线路隐患在线监测装置及识别方法 - Google Patents
基于大数据及自学习的线路隐患在线监测装置及识别方法 Download PDFInfo
- Publication number
- CN113537341A CN113537341A CN202110795820.4A CN202110795820A CN113537341A CN 113537341 A CN113537341 A CN 113537341A CN 202110795820 A CN202110795820 A CN 202110795820A CN 113537341 A CN113537341 A CN 113537341A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- transmission line
- module
- power transmission
- 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
Images
Classifications
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Abstract
本发明涉及输电线路安全隐患监测识别,具体涉及基于大数据及自学习的线路隐患在线监测装置及识别方法,利用元件识别模型能够从输电线路采集图像中准确识别电器元件,利用缺陷识别模型能够从电器元件图像中准确识别缺陷元件,并且能够根据识别缺陷元件,以及故障隐患与缺陷元件之间进行关联性分析结果,对输电线路中的隐患风险进行预测评估,通过大数据及自学习有效实现在全时段内对大范围输电线路所存在的安全隐患进行准确监测识别;本发明提供的技术方案能够有效克服现有技术所存在的无法在全时段内对大范围输电线路所存在的安全隐患进行准确监测识别的缺陷。
Description
技术领域
本发明涉及输电线路安全隐患监测识别,具体涉及基于大数据及自学习的线路隐患在线监测装置及识别方法。
背景技术
输电线路是我国电力系统和能源互联网最重要的基础设施之一,架空输电线路大部分处于地形复杂、环境恶劣的地方,具有分布区域广、传输距离远、长期裸露在野外、运维困难等特点,发生故障后影响范围广、经济损失大,有必要对其采取有效的安全监测手段。
输电线路安全监测的传统方式是以人工巡检或查看监控为主要手段,人工巡检由于人力步行或车辆巡视受地理条件的限制,存在人员需求量大、成本高、无法对现场进行全时段监督等问题,且巡线周期长、不易及时发现安全隐患,要想做到全天候对各个区域的安全隐患进行监控非常困难。
查看监控是在输电线路区域架设网络摄像头,通过无线网络等手段将图像或视频数据定时或实时传回监控中心,工作人员通过查看监控视频,对可能出现的安全隐患进行判断预警,采取相应的处理方案。这种方式有助于及时获取输电线路区域的状态信息,显著提升输电线路安全监控的效率,但仍存在规模上、时间上的限制,想要对大范围内的输电线路进行实时监控,需要耗费大量时间和人力对视频数据进行查看,不仅对人力资源浪费严重,而且由于注意力无法长时间保持高度集中,依然很难做到全时段大范围的输电线路安全监控。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了基于大数据及自学习的线路隐患在线监测装置及识别方法,能够有效克服现有技术所存在的无法在全时段内对大范围输电线路所存在的安全隐患进行准确监测识别的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
基于大数据及自学习的线路隐患在线监测装置,包括控制器,以及
元件识别模型构建模块,用于构建从输电线路采集图像中识别电器元件的元件识别模型;
第一模型训练模块,用于对构建的元件识别模型进行有效训练;
缺陷识别模型构建模块,用于构建从电器元件图像中识别缺陷元件的缺陷识别模型;
第二模型训练模块,用于对构建的缺陷识别模型进行有效训练;
缺陷识别模型优化训练平台,用于对训练好的缺陷识别模型进行优化训练;
缺陷识别结果标注模块,用于根据优化训练后缺陷识别模型的识别结果,在输电线路采集图像中标注出相应缺陷元件,并将标注后的输电线路采集图像发送至图像存储模块;
弱关联分析模块,用于对故障隐患与缺陷元件之间进行关联性分析;
风险预测评估模块,用于根据优化训练后缺陷识别模型识别的缺陷元件以及关联性分析结果,对输电线路中的隐患风险进行预测评估;
图像存储模块,用于存储缺陷识别结果标注模块发送的标注后的输电线路采集图像;
所述控制器通过对图像存储模块中的输电线路采集图像进行比对,来对图像存储模块进行图像优化存储管理,以减小图像存储模块的存储压力。
优选地,所述第一模型训练模块采集输电线路中所包含各类电器元件的训练图像,并将训练图像输入构建的元件识别模型进行模型训练;
所述第二模型训练模块采集输电线路中所包含各类电器元件的完好图像以及手动标注隐患部位的缺损图像,并将完好图像、缺损图像输入构建的缺陷识别模型进行模型训练。
优选地,所述缺陷识别模型优化训练平台中包含训练好的用于从测试图像中识别缺陷元件的缺陷检测模型,所述缺陷检测模型对测试图像进行缺陷元件识别,并将测试图像发送至训练好的缺陷识别模型,根据缺陷元件识别对比结果对缺陷识别模型中的参数进行优化设置。
优选地,所述缺陷识别结果标注模块计算优化训练后缺陷识别模型识别缺陷元件的中心位置,并以该中心位置为基准采用最小矩形标注区域覆盖识别出缺陷元件,同时在最小矩形标注区域上标注缺陷类型。
优选地,还包括
第一图像处理模块,用于接收图像获取模块发送的输电线路采集图像,对输电线路采集图像进行预处理,并将预处理后的图像发送至第一模型训练模块中训练好的元件识别模型;
子图片拼接模块,用于将第一训练模块中训练好的元件识别模型识别出的电器元件子图片,拼接成电器元件图像;
第二图像处理模块,用于对电器元件图像进行图像处理,并将处理后的电器元件图像发送至第二模型训练模块中优化训练后的缺陷识别模型。
优选地,所述第一图像处理模块接收图像获取模块发送的输电线路采集图像,并对输电线路采集图像进行图像滤波、图像分割,生成电器元件子图片;
所述子图片拼接模块按照图像分割逻辑,将元件识别模型识别出的属于同一电器元件的电器元件子图片拼接成电器元件图像。
优选地,还包括
图像比对模块,用于从图像存储模块中提取连续相邻帧标注后的输电线路采集图像,并按照比对规则进行图像比对;
比对规则设定模块,用于输入连续相邻帧标注后的输电线路采集图像的比对规则;
图像管理模块,用于根据图像比对结果对图像存储模块进行图像优化存储管理。
优选地,所述输电线路采集图像的比对规则默认为:
优先比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域中的缺陷类型是否相同,再比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域的数量是否相同,最后比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域的位置是否全部重叠;
所述图像比对模块判断连续相邻帧标注后的输电线路采集图像中关于默认比对规则内容均相同时,所述图像管理模块对连续相邻帧标注后的输电线路采集图像只保留一帧。
基于大数据及自学习的线路隐患在线识别方法,包括以下步骤:
S1、接收输电线路采集图像,并对输电线路采集图像进行预处理;
S2、构建从输电线路采集图像中识别电器元件的元件识别模型,并对构建的元件识别模型进行有效训练;
S3、将预处理后的图像发送至训练好的元件识别模型,元件识别模型从预处理后的图像中识别电器元件图像;
S4、构建从电器元件图像中识别缺陷元件的缺陷识别模型,并对构建的缺陷识别模型进行优化训练;
S5、将电器元件图像发送至优化训练后的缺陷识别模型,缺陷识别模型从电器元件图像中识别缺陷元件;
S6、基于对故障隐患与缺陷元件之间的关联性分析结果,结合优化训练后缺陷识别模型识别的缺陷元件,对输电线路中的隐患风险进行预测评估。
优选地,S6中基于对故障隐患与缺陷元件之间的关联性分析结果,结合优化训练后缺陷识别模型识别的缺陷元件,对输电线路中的隐患风险进行预测评估之后,包括:
S7、根据优化训练后缺陷识别模型的识别结果,在输电线路采集图像中标注出相应缺陷元件,并将标注后的输电线路采集图像发送至图像存储模块;
S8、从图像存储模块中提取连续相邻帧标注后的输电线路采集图像,并按照比对规则进行图像比对;
S9、根据图像比对结果对图像存储模块进行图像优化存储管理。
(三)有益效果
与现有技术相比,本发明所提供的基于大数据及自学习的线路隐患在线监测装置及识别方法,利用元件识别模型能够从输电线路采集图像中准确识别电器元件,利用缺陷识别模型能够从电器元件图像中准确识别缺陷元件,并且能够根据识别缺陷元件,以及故障隐患与缺陷元件之间进行关联性分析结果,对输电线路中的隐患风险进行预测评估,通过大数据及自学习有效实现在全时段内对大范围输电线路所存在的安全隐患进行准确监测识别,还能够通过对图像存储模块中的输电线路采集图像进行比对,来对图像存储模块进行图像优化存储管理,有效减小图像存储模块的存储压力。
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,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地介绍。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他的附图。
图1为本发明的系统示意图;
图2为本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于大数据及自学习的线路隐患在线监测装置,包括控制器,以及
元件识别模型构建模块,用于构建从输电线路采集图像中识别电器元件的元件识别模型;
第一模型训练模块,用于对构建的元件识别模型进行有效训练;
缺陷识别模型构建模块,用于构建从电器元件图像中识别缺陷元件的缺陷识别模型;
第二模型训练模块,用于对构建的缺陷识别模型进行有效训练;
缺陷识别模型优化训练平台,用于对训练好的缺陷识别模型进行优化训练;
缺陷识别结果标注模块,用于根据优化训练后缺陷识别模型的识别结果,在输电线路采集图像中标注出相应缺陷元件,并将标注后的输电线路采集图像发送至图像存储模块;
弱关联分析模块,用于对故障隐患与缺陷元件之间进行关联性分析;
风险预测评估模块,用于根据优化训练后缺陷识别模型识别的缺陷元件以及关联性分析结果,对输电线路中的隐患风险进行预测评估。
第一模型训练模块采集输电线路中所包含各类电器元件的训练图像,并将训练图像输入构建的元件识别模型进行模型训练。
第一图像处理模块,用于接收图像获取模块发送的输电线路采集图像,对输电线路采集图像进行预处理,并将预处理后的图像发送至第一模型训练模块中训练好的元件识别模型。
子图片拼接模块,用于将第一训练模块中训练好的元件识别模型识别出的电器元件子图片,拼接成电器元件图像。
本申请技术方案中,第一图像处理模块接收图像获取模块发送的输电线路采集图像,并对输电线路采集图像进行图像滤波、图像分割,生成电器元件子图片。
子图片拼接模块按照图像分割逻辑,将元件识别模型识别出的属于同一电器元件的电器元件子图片拼接成电器元件图像。
第二模型训练模块采集输电线路中所包含各类电器元件的完好图像以及手动标注隐患部位的缺损图像,并将完好图像、缺损图像输入构建的缺陷识别模型进行模型训练。
缺陷识别模型优化训练平台中包含训练好的用于从测试图像中识别缺陷元件的缺陷检测模型,缺陷检测模型对测试图像进行缺陷元件识别,并将测试图像发送至训练好的缺陷识别模型,根据缺陷元件识别对比结果对缺陷识别模型中的参数进行优化设置。
第二图像处理模块,用于对子图片拼接模块拼接成的电器元件图像进行图像处理,并将处理后的电器元件图像发送至第二模型训练模块中优化训练后的缺陷识别模型。
缺陷识别结果标注模块计算优化训练后缺陷识别模型识别缺陷元件的中心位置,并以该中心位置为基准采用最小矩形标注区域覆盖识别出缺陷元件,同时在最小矩形标注区域上标注缺陷类型。
本申请技术方案中,利用元件识别模型能够从输电线路采集图像中准确识别电器元件,利用缺陷识别模型能够从电器元件图像中准确识别缺陷元件,并且能够根据识别缺陷元件,以及故障隐患与缺陷元件之间进行关联性分析结果,对输电线路中的隐患风险进行预测评估,通过大数据及自学习有效实现在全时段内对大范围输电线路所存在的安全隐患进行准确监测识别。
图像存储模块,用于存储缺陷识别结果标注模块发送的标注后的输电线路采集图像。
控制器通过对图像存储模块中的输电线路采集图像进行比对,来对图像存储模块进行图像优化存储管理,以减小图像存储模块的存储压力,包括:
1)图像比对模块,用于从图像存储模块中提取连续相邻帧标注后的输电线路采集图像,并按照比对规则进行图像比对;
输电线路采集图像的比对规则默认为:
优先比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域中的缺陷类型是否相同,再比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域的数量是否相同,最后比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域的位置是否全部重叠;
2)图像管理模块,用于根据图像比对结果对图像存储模块进行图像优化存储管理;
图像比对模块判断连续相邻帧标注后的输电线路采集图像中关于默认比对规则内容均相同时,图像管理模块对连续相邻帧标注后的输电线路采集图像只保留一帧;
3)比对规则设定模块,用于输入连续相邻帧标注后的输电线路采集图像的比对规则;
可以通过比对规则设定模块输入更加符合安全隐患监测识别习惯,或者更优的输电线路采集图像的比对规则,以实现对系统的优化。
基于大数据及自学习的线路隐患在线识别方法,如图2所示,包括以下步骤:
S1、接收输电线路采集图像,并对输电线路采集图像进行预处理;
S2、构建从输电线路采集图像中识别电器元件的元件识别模型,并对构建的元件识别模型进行有效训练;
S3、将预处理后的图像发送至训练好的元件识别模型,元件识别模型从预处理后的图像中识别电器元件图像;
S4、构建从电器元件图像中识别缺陷元件的缺陷识别模型,并对构建的缺陷识别模型进行优化训练;
S5、将电器元件图像发送至优化训练后的缺陷识别模型,缺陷识别模型从电器元件图像中识别缺陷元件;
S6、基于对故障隐患与缺陷元件之间的关联性分析结果,结合优化训练后缺陷识别模型识别的缺陷元件,对输电线路中的隐患风险进行预测评估。
具体还包括:
S7、根据优化训练后缺陷识别模型的识别结果,在输电线路采集图像中标注出相应缺陷元件,并将标注后的输电线路采集图像发送至图像存储模块;
S8、从图像存储模块中提取连续相邻帧标注后的输电线路采集图像,并按照比对规则进行图像比对;
S9、根据图像比对结果对图像存储模块进行图像优化存储管理。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于大数据及自学习的线路隐患在线监测装置,其特征在于:包括控制器,以及
元件识别模型构建模块,用于构建从输电线路采集图像中识别电器元件的元件识别模型;
第一模型训练模块,用于对构建的元件识别模型进行有效训练;
缺陷识别模型构建模块,用于构建从电器元件图像中识别缺陷元件的缺陷识别模型;
第二模型训练模块,用于对构建的缺陷识别模型进行有效训练;
缺陷识别模型优化训练平台,用于对训练好的缺陷识别模型进行优化训练;
缺陷识别结果标注模块,用于根据优化训练后缺陷识别模型的识别结果,在输电线路采集图像中标注出相应缺陷元件,并将标注后的输电线路采集图像发送至图像存储模块;
弱关联分析模块,用于对故障隐患与缺陷元件之间进行关联性分析;
风险预测评估模块,用于根据优化训练后缺陷识别模型识别的缺陷元件以及关联性分析结果,对输电线路中的隐患风险进行预测评估;
图像存储模块,用于存储缺陷识别结果标注模块发送的标注后的输电线路采集图像;
所述控制器通过对图像存储模块中的输电线路采集图像进行比对,来对图像存储模块进行图像优化存储管理,以减小图像存储模块的存储压力。
2.根据权利要求1所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:所述第一模型训练模块采集输电线路中所包含各类电器元件的训练图像,并将训练图像输入构建的元件识别模型进行模型训练;
所述第二模型训练模块采集输电线路中所包含各类电器元件的完好图像以及手动标注隐患部位的缺损图像,并将完好图像、缺损图像输入构建的缺陷识别模型进行模型训练。
3.根据权利要求2所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:所述缺陷识别模型优化训练平台中包含训练好的用于从测试图像中识别缺陷元件的缺陷检测模型,所述缺陷检测模型对测试图像进行缺陷元件识别,并将测试图像发送至训练好的缺陷识别模型,根据缺陷元件识别对比结果对缺陷识别模型中的参数进行优化设置。
4.根据权利要求3所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:所述缺陷识别结果标注模块计算优化训练后缺陷识别模型识别缺陷元件的中心位置,并以该中心位置为基准采用最小矩形标注区域覆盖识别出缺陷元件,同时在最小矩形标注区域上标注缺陷类型。
5.根据权利要求1所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:还包括
第一图像处理模块,用于接收图像获取模块发送的输电线路采集图像,对输电线路采集图像进行预处理,并将预处理后的图像发送至第一模型训练模块中训练好的元件识别模型;
子图片拼接模块,用于将第一训练模块中训练好的元件识别模型识别出的电器元件子图片,拼接成电器元件图像;
第二图像处理模块,用于对电器元件图像进行图像处理,并将处理后的电器元件图像发送至第二模型训练模块中优化训练后的缺陷识别模型。
6.根据权利要求5所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:所述第一图像处理模块接收图像获取模块发送的输电线路采集图像,并对输电线路采集图像进行图像滤波、图像分割,生成电器元件子图片;
所述子图片拼接模块按照图像分割逻辑,将元件识别模型识别出的属于同一电器元件的电器元件子图片拼接成电器元件图像。
7.根据权利要求5所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:还包括
图像比对模块,用于从图像存储模块中提取连续相邻帧标注后的输电线路采集图像,并按照比对规则进行图像比对;
比对规则设定模块,用于输入连续相邻帧标注后的输电线路采集图像的比对规则;
图像管理模块,用于根据图像比对结果对图像存储模块进行图像优化存储管理。
8.根据权利要求7所述的基于大数据及自学习的线路隐患在线监测装置,其特征在于:所述输电线路采集图像的比对规则默认为:
优先比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域中的缺陷类型是否相同,再比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域的数量是否相同,最后比较连续相邻帧标注后的输电线路采集图像中最小矩形标注区域的位置是否全部重叠;
所述图像比对模块判断连续相邻帧标注后的输电线路采集图像中关于默认比对规则内容均相同时,所述图像管理模块对连续相邻帧标注后的输电线路采集图像只保留一帧。
9.基于权利要求7所述的基于大数据及自学习的线路隐患在线识别方法,其特征在于:包括以下步骤:
S1、接收输电线路采集图像,并对输电线路采集图像进行预处理;
S2、构建从输电线路采集图像中识别电器元件的元件识别模型,并对构建的元件识别模型进行有效训练;
S3、将预处理后的图像发送至训练好的元件识别模型,元件识别模型从预处理后的图像中识别电器元件图像;
S4、构建从电器元件图像中识别缺陷元件的缺陷识别模型,并对构建的缺陷识别模型进行优化训练;
S5、将电器元件图像发送至优化训练后的缺陷识别模型,缺陷识别模型从电器元件图像中识别缺陷元件;
S6、基于对故障隐患与缺陷元件之间的关联性分析结果,结合优化训练后缺陷识别模型识别的缺陷元件,对输电线路中的隐患风险进行预测评估。
10.根据权利要求9所述的基于大数据及自学习的线路隐患在线识别方法,其特征在于:S6中基于对故障隐患与缺陷元件之间的关联性分析结果,结合优化训练后缺陷识别模型识别的缺陷元件,对输电线路中的隐患风险进行预测评估之后,包括:
S7、根据优化训练后缺陷识别模型的识别结果,在输电线路采集图像中标注出相应缺陷元件,并将标注后的输电线路采集图像发送至图像存储模块;
S8、从图像存储模块中提取连续相邻帧标注后的输电线路采集图像,并按照比对规则进行图像比对;
S9、根据图像比对结果对图像存储模块进行图像优化存储管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110795820.4A CN113537341A (zh) | 2021-07-14 | 2021-07-14 | 基于大数据及自学习的线路隐患在线监测装置及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110795820.4A CN113537341A (zh) | 2021-07-14 | 2021-07-14 | 基于大数据及自学习的线路隐患在线监测装置及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537341A true CN113537341A (zh) | 2021-10-22 |
Family
ID=78127896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110795820.4A Pending CN113537341A (zh) | 2021-07-14 | 2021-07-14 | 基于大数据及自学习的线路隐患在线监测装置及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537341A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037770A (zh) * | 2017-11-22 | 2018-05-15 | 国网山东省电力公司济宁供电公司 | 基于人工智能的无人机输电线路巡检系统和方法 |
CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN209625804U (zh) * | 2019-01-09 | 2019-11-12 | 许晓斌 | 一种使用目标数据控制结果数据的视觉识别分析系统 |
CN110569762A (zh) * | 2019-08-27 | 2019-12-13 | 许昌许继软件技术有限公司 | 一种基于多级神经网络的销钉脱落检测方法及装置 |
CN110969183A (zh) * | 2019-09-20 | 2020-04-07 | 北京方位捷讯科技有限公司 | 一种根据图像数据确定目标对象受损程度的方法及系统 |
JP2020060462A (ja) * | 2018-10-11 | 2020-04-16 | 神鋼検査サービス株式会社 | 欠陥検出支援装置、該方法および該プログラム |
CN111656398A (zh) * | 2018-01-29 | 2020-09-11 | 日本电气株式会社 | 图像处理设备、图像处理方法和记录介质 |
CN111650204A (zh) * | 2020-05-11 | 2020-09-11 | 安徽继远软件有限公司 | 基于级联目标检测的输电线路金具缺陷检测方法及系统 |
CN112995558A (zh) * | 2019-12-17 | 2021-06-18 | Tcl新技术(惠州)有限公司 | 一种视频文件的存储方法、装置及存储介质 |
-
2021
- 2021-07-14 CN CN202110795820.4A patent/CN113537341A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037770A (zh) * | 2017-11-22 | 2018-05-15 | 国网山东省电力公司济宁供电公司 | 基于人工智能的无人机输电线路巡检系统和方法 |
CN111656398A (zh) * | 2018-01-29 | 2020-09-11 | 日本电气株式会社 | 图像处理设备、图像处理方法和记录介质 |
CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
JP2020060462A (ja) * | 2018-10-11 | 2020-04-16 | 神鋼検査サービス株式会社 | 欠陥検出支援装置、該方法および該プログラム |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN209625804U (zh) * | 2019-01-09 | 2019-11-12 | 许晓斌 | 一种使用目标数据控制结果数据的视觉识别分析系统 |
CN110569762A (zh) * | 2019-08-27 | 2019-12-13 | 许昌许继软件技术有限公司 | 一种基于多级神经网络的销钉脱落检测方法及装置 |
CN110969183A (zh) * | 2019-09-20 | 2020-04-07 | 北京方位捷讯科技有限公司 | 一种根据图像数据确定目标对象受损程度的方法及系统 |
CN112995558A (zh) * | 2019-12-17 | 2021-06-18 | Tcl新技术(惠州)有限公司 | 一种视频文件的存储方法、装置及存储介质 |
CN111650204A (zh) * | 2020-05-11 | 2020-09-11 | 安徽继远软件有限公司 | 基于级联目标检测的输电线路金具缺陷检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
XIAN TAO等: "Detection of Power Line Insulator Defects Using Aerial Images Analyzed With Convolutional Neural Networks", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》, vol. 50, no. 4, pages 1486 - 1498, XP011778713, DOI: 10.1109/TSMC.2018.2871750 * |
顾雪平等: "基于神经网络和元件关联分析的电网故障诊断", 《华北电力大学学报》, vol. 26, no. 2, pages 12 - 17 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018389B (zh) | 一种输电线路在线故障监测方法及系统 | |
CN112910094B (zh) | 基于泛在电力物联网的变电站远方自动巡检系统及方法 | |
CN111307823B (zh) | 基于边云协同的变电设备典型视觉缺陷检测系统及方法 | |
CN108872781B (zh) | 基于电力设施智能巡检的分析方法及装置 | |
CN105897925A (zh) | 一种基于4g网络的移动远程电力监测系统及监控方法 | |
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 | |
CN110266268A (zh) | 一种基于图像融合识别的光伏组件故障检测方法 | |
CN112990586B (zh) | 配网作业视频智能监控方法及系统 | |
CN115184726B (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN109974780A (zh) | 一种基于物联网的电气设备状态监测系统 | |
CN112804106A (zh) | 一种基于ims智能运维故障诊断管理方法 | |
CN112564952A (zh) | 一种配网线路智能巡检系统 | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN111899211A (zh) | 基于图像和气味的变压器漏油故障检测系统及方法 | |
CN105867267A (zh) | 通过图像识别技术实现配电站房仪表读数自动上报的方法 | |
CN107657682A (zh) | 一种基于增强现实技术的变电巡检方法 | |
CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警系统 | |
CN110987081A (zh) | 一种室外环境检测系统 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN113554717A (zh) | 基于机器视觉的电力设备锈蚀识别系统及方法 | |
CN113537341A (zh) | 基于大数据及自学习的线路隐患在线监测装置及识别方法 | |
CN111310723A (zh) | 基于深度学习技术的变电站人员穿戴规范分析方法 | |
CN115880803A (zh) | 一种智能巡检系统及方法 | |
CN113449767B (zh) | 一种多图像融合的变电站设备异常识别定位方法 | |
CN210428558U (zh) | 一种电力光缆巡检线路智能辅助系统 |
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 |