CN113537385B - 一种基于tx2设备的电力复合绝缘子憎水性分类方法 - Google Patents
一种基于tx2设备的电力复合绝缘子憎水性分类方法 Download PDFInfo
- Publication number
- CN113537385B CN113537385B CN202110877578.5A CN202110877578A CN113537385B CN 113537385 B CN113537385 B CN 113537385B CN 202110877578 A CN202110877578 A CN 202110877578A CN 113537385 B CN113537385 B CN 113537385B
- Authority
- CN
- China
- Prior art keywords
- model
- image
- data
- composite insulator
- training
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 36
- 239000002131 composite material Substances 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 3
- 238000002054 transplantation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000002209 hydrophobic effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于TX2设备的电力复合绝缘子憎水性分类方法,包括图像采集,数据集存储,构建训练模型,数据增强,模型转换,数据传输,模型推理和模型移植等步骤。本发明提出了一种电力复合绝缘子憎水性分类方法,解决了实际场景中计算资源不能大规模部署的问题,实现了不同天气、不同地形条件下边缘侧的复合绝缘子憎水性图像实时分类。
Description
技术领域
本发明涉及一种基于TX2设备的电力复合绝缘子憎水性分类方法,属于图像分类和机器视觉领域。
背景技术
复合绝缘子凭借其重量轻、强度高、不易破碎、耐污性能好等显著优点被广泛地应用于电力系统中。
但由于复合绝缘子所处环境的影响,长时间使用,多半会造成绝缘子憎水性等级的变化。若不及时检测检修,复合绝缘子憎水性等级的下降将会导致耐污闪能力降低,进一步会影响电力系统运行稳定性。
目前,在绝缘子憎水性检测领域,已经开展了大量研究。但是总体过程较为繁琐、识别效率较低。
因此,有必要设计一种基于TX2设备的电力复合绝缘子憎水性分类方法。
发明内容
本发明所要解决的技术问题是提供一种基于TX2设备的电力复合绝缘子憎水性分类方法。
发明的技术解决方案如下:
一种基于TX2设备的电力复合绝缘子憎水性分类方法,包括以下步骤:
步骤一,首先由图像采集装置(1)采集数据;
步骤二,数据集存储;
步骤三,构建训练模型;
步骤四,数据增强,数据增强包含颜色变换和几何变换,颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成;几何变换由图像翻转,图像旋转,图像随机裁剪,图像随机缩放组成;
步骤五,模型转换,首先将model.pth转换为model.onnx,再将model.onnx转换为model.trt;
步骤六,数据传输,数据传输链路使用MQTT作为通信协议,由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据;
步骤七,模型推理,是训练RepVGG模型完成后,对模型做等价转换,实现方式为:
y=x+g(x)+f(x)转换为y=h(x),
其中,x其表示每层的输入,f(x)表示3×3卷积,
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出。
步骤八,模型移植,模型移植为TRT量化后的模型,实现方法为:
xQ=clamp(0,Nlevels-1,xint)
其中,xint表示浮点型值x映射为整型值,x表示输入的浮点型变量,Δ表示量化的步长,z表示零点,xQ表示量化后的定点值,Nlevels=256,clamp用于限定量化取值范围。
步骤2所述的数据集存储,是将图像大小为640×640、图像通道为RGB的绝缘子带水珠的图片,按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度,来标记划分憎水性等级,按照4∶1比例划分训练集和测试集,并存放于不同文件夹下。
步骤3中的模型训练时,将RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支,构成一个RepVGG Block,具体实现方式为:
y=x+g(x)+f(x)转换为y=h(x),
其中,x其表示每层的输入,f(x)表示3×3卷积,
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出。
方法对应的系统由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成;
所述图像采集装置用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像;所述训练服务器用于数据增强、数据集存储、训练RepVGG分类模型、模型转换;所述数据传输链路用于向TX2端侧推理设备传输图像数据;所述TX2端侧推理设备用于模型移植和数据推理;所述显示模块用于对接收到的分类结果进行显示。
所述数据增强包含颜色变换和几何变换,颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成;几何变换由图像翻转,图像旋转,图像随机裁剪,图像随机缩放组成。
所述数据集存储,是将图像大小为640×640,图像通道为RGB的绝缘子带水珠的图片,按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度,来标记划分憎水性等级,按照4∶1比例划分训练集和测试集,并存放于不同文件夹下。
所述数据传输链路使用MQTT作为通信协议。
所述模型转换技术路线为:首先将model.pth转换为model.onnx,再将model.onnx转换为model.trt。
所述训练RepVGG分类模型,在进行模型在训练时,为RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支,构成一个RepVGGBlock;实现方式为:
所述模型推理,是训练RepVGG模型完成后,对模型做等价转换,实现方式为:y=x+g(x)+f(x)转换为y=h(x),其中,
x表示每层的输入,f(x)表示3×3卷积;
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出。
所述模型移植为TRT量化后的模型,实现方法为:
xQ=clamp(0,Nlevels-1,xint)
其中,xint表示浮点型值x映射为整型值,x表示输入的浮点型变量,Δ表示量化的步长,z表示零点,xQ表示量化后的定点值,Nlevels=256,clamp用于限定量化取值范围。
有益效果:
本发明的基于TX2设备的电力复合绝缘子憎水性分类方法,对应的是一种基于RepVGG和TX2端侧设备的复合绝缘子憎水性分类系统,与现有的技术相比,具有以下有益效果:
首先,提出了一套复合绝缘子憎水性图像智能分类方法,实现了不同天气、不同地形条件下的复合绝缘子憎水性图像自动分类;其次,利用模型量化技术,有效地减小了模型的尺寸和使用内存,推高推理速度;此外,基于TensorRT加速推理技术和Tx2边缘设备,能够解决实际场景中,计算资源不能大规模部署的问题,实现了边缘侧的复合绝缘子憎水性图像实时分类。
附图说明
图1为本发明整体结构示意图;
图2为绝缘子憎水性图像;
图3为RepVGG Block结构图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明:
实施例1:如图1-3,基于分类网路的电力复合绝缘子憎水性分类系统,由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成。图像采集装置1用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像;所述训练服务器3用于数据增强、数据集存储、训练RepVGG分类模型、模型转换;所述数据传输链路2用于向TX2端侧推理设备(4)传输图像数据;所述TX2端侧推理设备4用于模型移植和数据推理;所述显示模块(5)用于对接收到的分类结果进行显示。
在本发明实施例中,整套基于RepVGG和TX2端侧设备的复合绝缘子憎水性分类系统(即基于分类网路的电力复合绝缘子憎水性分类系统),对应的工作流程如下,即基于TX2设备的电力复合绝缘子憎水性分类方法如下:
步骤一,首先由图像采集装置(1)采集数据,复合绝缘子憎水性图像如图2所示,。
步骤二,数据集存储,是将图像大小为640×640,图像通道为RGB的绝缘子带水珠的图片,按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度,来标记划分憎水性等级,按照4∶1比例划分训练集和测试集,并存放于不同文件夹下。
步骤三,构建训练模型,在进行模型在训练时,为RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支,构成一个RepVGG Block,结构如图3所示,具体实现方式为:
y=x+g(x)+f(x)转换为y=h(x),
其中,x其表示每层的输入,f(x)表示3×3卷积,
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出。
步骤四,数据增强,数据增强包含颜色变换和几何变换,颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成;几何变换由图像翻转,图像旋转,图像随机裁剪,图像随机缩放组成。
步骤五,模型转换,所述模型转换技术路线为:首先将model.pth转换为model.onnx,再将model.onnx转换为model.trt。
步骤六,数据传输,数据传输链路使用MQTT作为通信协议,由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据。
步骤七,模型推理,是训练RepVGG模型完成后,对模型做等价转换,实现方式为:
y=x+g(x)+f(x)转换为y=h(x),
其中,x其表示每层的输入,f(x)表示3×3卷积,
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出。
步骤八,模型移植,模型移植为TRT量化后的模型,实现方法为:
xQ=clamp(0,Nlevels-1,xint)
其中,xint表示浮点型值x映射为整型值,x表示输入的浮点型变量,Δ表示量化的步长,z表示零点,xQ表示量化后的定点值,Nlevels=256,clamp用于限定量化取值范围。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于TX2设备的电力复合绝缘子憎水性分类方法,其特征在于,
步骤一,首先由图像采集装置(1)采集数据;
步骤二,数据集存储;
步骤三,构建训练模型;
步骤四,数据增强,数据增强包含颜色变换和几何变换,颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成;几何变换由图像翻转,图像旋转,图像随机裁剪,图像随机缩放组成;
步骤五,模型转换,首先将model.pth转换为model.onnx,再将model.onnx转换为model.trt;
步骤六,数据传输,数据传输链路使用MQTT作为通信协议,由图像采集装置(1)向TX2端侧推理设备(4)传输图像数据;
步骤七,模型推理,是训练RepVGG模型完成后,对模型做等价转换,实现方式为:
y=x+g(x)+f(x)转换为y=h(x),
其中,x其表示每层的输入,f(x)表示3×3卷积,
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出;
步骤八,模型移植,模型移植为TRT量化后的模型,实现方法为:
xQ=clamp(0,Nlevels-1,xint)
a,x≤a
clamp(a,b,x)=x,a≤x≤b
b,x≥b
其中,xint表示浮点型值x映射为整型值,x表示输入的浮点型变量,Δ表示量化的步长,
z表示零点,xQ表示量化后的定点值,Nlevels=256,clamp用于限定量化取值范围;
步骤2所述的数据集存储,是将图像大小为640×640、图像通道为RGB的绝缘子带水珠的图片,按照HC1-HC3、HC4-HC5、HC6-HC7三个尺度,来标记划分憎水性等级,按照4:1比例划分训练集和测试集,并存放于不同文件夹下;
采用基于分类网路的电力复合绝缘子憎水性分类系统执行该方法,基于分类网路的电力复合绝缘子憎水性分类系统由图像采集装置、数据传输链路、训练服务器、TX2端侧推理设备、显示模块组成:所述图像采集装置用于拍摄不同天气、不同地形条件下的输电线路上带水珠的复合绝缘子图像;所述训练服务器用于数据增强、数据集存储、训练RepVGG分类模型、模型转换;所述数据传输链路用于向TX2端侧推理设备传输图像数据;所述TX2端侧推理设备用于模型移植和数据推理;所述显示模块用于对接收到的分类结果进行显示;
所述数据增强包含颜色变换和几何变换,颜色变换由高斯噪声、高斯模糊、图像擦除、图像填充组成;几何变换由图像翻转,图像旋转,图像随机裁剪,图像随机缩放组成。
2.根据权利要求1所述的基于TX2设备的电力复合绝缘子憎水性分类方法,其特征在于,步骤3中的模型训练时,将RepVGG网络中每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支,构成一个RepVGG Block,具体实现方式为:
y=x+g(x)+f(x)转换为y=h(x),
其中,x其表示每层的输入,f(x)表示3×3卷积,
g(x)是一个1×1的卷积,h(x)恒等映射分支的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877578.5A CN113537385B (zh) | 2021-08-01 | 2021-08-01 | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877578.5A CN113537385B (zh) | 2021-08-01 | 2021-08-01 | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537385A CN113537385A (zh) | 2021-10-22 |
CN113537385B true CN113537385B (zh) | 2023-12-05 |
Family
ID=78121780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877578.5A Active CN113537385B (zh) | 2021-08-01 | 2021-08-01 | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537385B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963238A (zh) * | 2021-12-22 | 2022-01-21 | 深圳佑驾创新科技有限公司 | 多任务感知识别模型的构建方法以及多任务感知识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101142162B1 (ko) * | 2010-08-27 | 2012-07-11 | 한국전력공사 | 송전용 폴리머 애자의 발수성 측정 장치 |
WO2020047469A2 (en) * | 2018-08-30 | 2020-03-05 | Saudi Arabian Oil Company | Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation |
CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
CN111667473A (zh) * | 2020-06-08 | 2020-09-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 基于改进Canny算法的绝缘子憎水性等级判断方法 |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
CN112098409A (zh) * | 2020-09-17 | 2020-12-18 | 国网河南省电力公司濮阳供电公司 | 一种输电线路复合绝缘子憎水性带电测试方法 |
WO2021051520A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
US10579897B2 (en) * | 2017-10-02 | 2020-03-03 | Xnor.ai Inc. | Image based object detection |
-
2021
- 2021-08-01 CN CN202110877578.5A patent/CN113537385B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101142162B1 (ko) * | 2010-08-27 | 2012-07-11 | 한국전력공사 | 송전용 폴리머 애자의 발수성 측정 장치 |
WO2020047469A2 (en) * | 2018-08-30 | 2020-03-05 | Saudi Arabian Oil Company | Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation |
WO2021051520A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
CN111368702A (zh) * | 2020-02-28 | 2020-07-03 | 西安工程大学 | 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 |
CN111667473A (zh) * | 2020-06-08 | 2020-09-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 基于改进Canny算法的绝缘子憎水性等级判断方法 |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
CN112098409A (zh) * | 2020-09-17 | 2020-12-18 | 国网河南省电力公司濮阳供电公司 | 一种输电线路复合绝缘子憎水性带电测试方法 |
Non-Patent Citations (4)
Title |
---|
Hydrophobicity classification of composite insulators based on convolutional neural networks;Kokalis, CCA;《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》;第91卷;全文 * |
Qingbin Wang ; Yaxin Huang.The Study of the Improved Multilayer Perceptron Algorithm on Hydrophobicity Detection Research of Composite Insulator Bushing.《 2016 8th International Conference on Intelligent Human-Machine Systems and Cybernetics》.2016,全文. * |
基于Faster R-CNN的复合绝缘子憎水性分析研究;张德钦;刘晓伟;刘源;江振钰;夏鹏;;智慧电力(04);全文 * |
基于深度卷积神经网络的绝缘子憎水性图像识别方法;潘龙;张烜;郝斐;赵敬龙;丁也;《电工技术》(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537385A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107342962B (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
CN109376589B (zh) | 基于卷积核筛选ssd网络的rov形变小目标识别方法 | |
CN107979554A (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
CN109064396A (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
CN113537385B (zh) | 一种基于tx2设备的电力复合绝缘子憎水性分类方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
CN112867010B (zh) | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 | |
CN112419333A (zh) | 一种遥感影像自适应特征选择分割方法及系统 | |
CN112488931A (zh) | 一种卫星遥感影像中输电线路的超分辨率增强方法及系统 | |
CN116612395A (zh) | 基于卫星热红外数据的云参数反演方法、介质及电子设备 | |
CN111586151B (zh) | 基于区块链的智慧城市数据共享系统及方法 | |
CN116189021B (zh) | 多分支互交叉注意力增强的无人机多光谱目标检测方法 | |
CN113554113A (zh) | 一种基于分类网路的电力复合绝缘子憎水性分类系统 | |
CN116452900A (zh) | 一种基于轻量级神经网络的目标检测方法 | |
CN116503418A (zh) | 一种复杂场景下的作物三维目标检测方法 | |
CN116225070A (zh) | 一种基于无人机自动巡护的环境监测方法及系统 | |
CN112465736B (zh) | 一种用于港口船舶监控的红外视频图像增强方法 | |
CN112734673B (zh) | 一种基于多表达式融合的低照度图像增强方法及系统 | |
CN112580598B (zh) | 一种基于多通道Diffpool的无线电信号分类方法 | |
CN101977318B (zh) | Dct量化的并行装置及其方法 | |
Zhang et al. | A method to create training dataset for dehazing with cyclegan | |
CN111461401B (zh) | 一种基于海上环境的报位方法 | |
CN116977826B (zh) | 一种边缘端计算架构下的可重构神经网络目标检测方法 | |
Feng et al. | Research on Transmission Line Image Defogging Method with Improved Dehazenet Algorithm. | |
CN113313220A (zh) | 一种用于射频干扰的标记方法、系统和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231109 Address after: 102488 No. 3 Jinguang Road, Liangxiang Industrial Development Zone, Fangshan District, Beijing Applicant after: Ultra high voltage branch of State Grid Jibei Electric Power Co.,Ltd. Address before: 410000 2502, building E5, Jiaxiang Huating, guanshaling Road, Yuelu District, Changsha City, Hunan Province Applicant before: Cheng Wenyun |
|
GR01 | Patent grant | ||
GR01 | Patent grant |