CN113657286A - 一种基于无人机的输电线路监测方法及装置 - Google Patents
一种基于无人机的输电线路监测方法及装置 Download PDFInfo
- Publication number
- CN113657286A CN113657286A CN202110950594.2A CN202110950594A CN113657286A CN 113657286 A CN113657286 A CN 113657286A CN 202110950594 A CN202110950594 A CN 202110950594A CN 113657286 A CN113657286 A CN 113657286A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- monitoring
- transmission cable
- deformation
- foreign matter
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 123
- 230000005540 biological transmission Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
Abstract
本发明提供了一种基于无人机的输电线路监测方法及装置,属于输电线路巡检技术领域,包括利用该监测模型对无人机拍摄并处理后的视频图像进行异物监测,识别输电线缆上的异物情况并且判断异物引起输电线缆的变形程度,进而根据变形程度确定预警等级。本发明由于采用监测模型代替人工识别异物,能够较好的避免遗漏识别的问题,并且也减少了人力成本。另外,得益于计算机的处理速度,使用监测模型可以快速准确地识别大量输电线缆图像,提升了异物监测的效率。
Description
技术领域
本发明属于输电线路巡检技术领域,具体涉及一种基于无人机的输电线路监测方法及装置。
背景技术
输电线路绝大部分是架设在空中的金属裸导线,风筝、风筝线、塑料布、广告布、绿色防尘网、黑色遮阳网等异物很容易被大风吹落到输电线路上。一旦此类异物受雨雪的浸湿,极易造成金属导线相间短路、单相接地等故障,从而导致输配电线路的跳闸或线路损毁。垂落到人畜可接触位置的异物,甚至有可能造成人畜伤亡。因此,及时发现输电线路上的异物对于供电安全十分重要。
目前一般采用无人机对输电线缆进行监测,由无人机的机载摄像头拍摄视频,再由操作人员查看无人机拍摄的视频图像,进而排查输电线缆上的异物情况。该方法依赖于人工识别异物,增加了输电线路监测的人工成本,而且还可能存在遗漏识别的问题,降低了输电线路异物监测的准确性。
发明内容
有鉴于此,本发明旨在解决现有人工对输电线路进行异物监测时,造成的人力成本高、可能存在遗漏识别异物的问题。
为了解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种基于无人机的输电线路监测方法,包括:
利用无人机临近输电线缆飞行,获取无人机拍摄的输电线缆视频图像并进行预处理;
将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测,并输出变形信息,变形信息为异物引起输电线缆变形的信息;
根据变形信息确定预警等级。
进一步的,监测模型的训练过程具体包括:
建立输电线缆异物数据库,输电线缆异物数据库保存有各类异物的图像及对应的标签值,标签值用于表示异物种类;
基于输电线缆异物数据库,利用深度学习卷积神经网络构建监测模型;
利用深度学习卷积神经网络的深度卷积层和池化层对输电线缆异物数据库中的异物图像进行特征提取,使得监测模型能够根据异物的图像输出对应的标签值;
以二值交叉熵为损失函数不断训练监测模型直至收敛,获得最佳监测模型,并将最佳监测模型作为预先训练好的监测模型。
进一步的,当输电线路上存在异物时,预先训练好的监测模型还输出:
异物种类、异物位置和识别置信度。
进一步的,监测模型采用Logistics分类器进行异物监测,将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测具体包括:
将预处理后的输电线缆视频图像输入到Logistics分类器中进行异物分类,得到分类后的异物集合;
根据预设敏感异物种类对分类后的异物集合进行异物过滤,获得敏感异物集合;
输出敏感异物集合中各异物对应的标签值。
进一步的,预设敏感异物种类具体包括:
树枝、塑料袋、风筝和广告布。
进一步的,输电线缆视频图像上设置有多个监测点,监测模型通过计算相邻两个监测点之间的方向矢量获得输电线缆的变形信息。
进一步的,监测模型通过计算相邻两个监测点之间的方向矢量获得输电线缆的变形信息具体包括:
监测模型顺次计算输电线缆上每两个相邻监测点之间的方向矢量,将第一个角度绝对值大于预设角度阈值绝对值的方向矢量起点对应的监测点作为变形起点,并将此时的方向矢量作为基准矢量,将第一个角度绝对值等于基准矢量角度绝对值的方向矢量起点对应的监测点作为变形终点;
计算变形起点到变形终点的输电线缆的变形长度,将输电线缆的变形长度作为变形信息。
进一步的,预设角度阈值的取值范围为-5°至5°。
第二方面,本发明提供了一种基于无人机的输电线路监测装置,包括:
图像处理模块,用于利用无人机临近输电线缆飞行,获取无人机拍摄的输电线缆视频图像并进行预处理;
线缆监测模块,用于将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测,并输出变形信息,变形信息为异物引起输电线缆变形的信息;
预警模块,用于根据变形信息确定预警等级。
第三方面,本发明提供了一种计算机存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如第一方面的一种基于无人机的输电线路监测方法。
综上,本发明提供了一种基于无人机的输电线路监测方法及装置,通过预先训练一个监测模型,利用该监测模型对无人机拍摄并处理后的视频图像进行异物监测,识别输电线缆上的异物情况并且判断异物引起输电线缆的变形程度,进而根据变形程度确定预警等级。本发明由于采用监测模型代替人工识别异物,能够较好的避免遗漏识别的问题,并且也减少了人力成本。另外,得益于计算机的处理速度,使用监测模型可以快速准确地识别大量输电线缆图像,提升了异物监测的效率。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于无人机的输电线路监测方法的流程示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本实施例提供一种基于无人机的输电线路监测方法,包括:
S100:利用无人机临近输电线缆飞行,获取无人机拍摄的输电线缆视频图像并进行预处理;
S200:将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测,并输出变形信息,变形信息为异物引起输电线缆变形的信息;
S300:根据变形信息确定预警等级。
需要说明的是,输电线缆视频图像可以是利用无人机进行输电线路巡检时拍摄的图像,也可由作业人员操纵无人机实施定向拍摄。
对输电线缆进行预处理的目的在于降低图像的噪点、去除图像中离输电线缆较远的无关信息,提升监测模型识别异物的准确度。预处理的具体步骤可参照现有图像识别领域中对于图像预处理的熟知操作,在此不再赘述。
另外,监测模型是利用输电线缆异物数据库和深度学习卷积神经网络构建而成的。其具体训练过程如下:
建立输电线缆异物数据库,输电线缆异物数据库保存有各类异物的图像及对应的标签值,标签值用于表示异物种类;
基于输电线缆异物数据库,利用深度学习卷积神经网络构建监测模型;
利用深度学习卷积神经网络的深度卷积层和池化层对输电线缆异物数据库中的异物图像进行特征提取,使得监测模型能够根据异物的图像输出对应的标签值;
以二值交叉熵为损失函数不断训练监测模型直至收敛,获得最佳监测模型,并将最佳监测模型作为预先训练好的监测模型。
其中二值交叉熵的标准公式为:
式中,λcoord为网络输出的预测值,K×K表示为K×K个网格,M为先验框的个数,表示第i个网格第j个先验框有目标,值为1,表示第i个网格第j个先验框没有目标,值为0;xi、yi分别对应为第i个网格检测出的中心坐标对应的横坐标和纵坐标,为对应的这两个坐标的真实坐标;wi、hi分别对应为第i个网格检测出的宽和高,对应为真实的宽和高;λnoobj表示没有检测到目标的预测值,Ci、对应分别为第i个网格检测目标的置信度和真实置信度;pi(c)、分别对应为第i个网格检测目标为分类c的概率,以及实际为分类c的概率,classes表示目标种类。
根据该预先训练好的监测模型,当其监测到线缆上有异物时,可以输出异物种类、异物位置和识别置信度。其中异物位置用于作业人员及时定位异物,识别置信度则用于评判异物目标的可信程度,降低误判的概率。
监测模型采用Logistics分类器进行异物监测,通过将预处理后的输电线缆视频图像输入到Logistics分类器中进行异物分类,得到分类后的异物集合;根据预设敏感异物种类对分类后的异物集合进行异物过滤,获得敏感异物集合;最后输出敏感异物集合中各异物对应的标签值。
Logistics分类器标准公式如下:
其中,Logistics分类器第一步是将特征WT与每层训练权值x相乘,加上偏置b获得回归向量Z,第二步是通过映射函数σ(Z)将回归向量映射到分类区间,即可获得当前对象的类别。
确定输电线缆上的异物后,就需要进一步判断该异物是否引起了输电线缆的变形,若有变形则需要输出相应的变形信息。具体方法为在输电线缆图像上设置多个检测点
对异物进行过滤的目的在于输电线缆一般跨度非常大,有时停留在线缆上的异物为一些临时停留的异物,比如鸟类、悬挂不稳固的异物等。这些异物由于停留时间并不长,并且会在一段时间后消除,因此异物识别时要过滤掉这些信息,只输出线缆上较为稳固的悬挂物信息,也即敏感异物种类。
预设敏感异物种类可以为树枝、塑料袋、风筝和广告布等。
输电线缆上设置有多个监测点n=[n1 n2 n3 n4 … nj],其中j表示输电线缆上的监测点的个数,监测模型通过计算相邻两个监测点之间的方向矢量获得输电线缆的变形信息。
具体计算过程为监测模型顺次计算输电线缆上每两个相邻监测点之间的方向矢量,将第一个角度绝对值大于预设角度阈值绝对值的方向矢量起点对应的监测点作为变形起点,并将此时的方向矢量作为基准矢量,将第一个角度绝对值等于基准矢量角度绝对值的方向矢量起点对应的监测点作为变形终点。计算变形起点到变形终点的输电线缆的变形长度,将输电线缆的变形长度作为变形信息。
可以理解的是,当输电线缆有变形时,相较于其正常状态,变形部分的两端会有明显的角度变化,并且两端的变化角度相同。所以通过计算相邻两监测点方向向量角度的绝对值找到其中一端较为靠近的监测点作为变形起点,另一端以此作为参照即可找到线缆的变形区间。
预设角度阈值是评价线缆变形与否的标准,由于布设线缆时其本身的重力作用会导致线缆具有一定的初始变形量。因此需要根据实际线缆布设情况确定该阈值的取值范围。本实施例中将预设角度阈值的取值范围确定为(-5°~5°),并具体确定为2°。即当监测点的方向矢量角度绝对值超过2°时,认为线缆发生变形。另外,变形计算中取角度绝对值的意义在于线缆在变形区间内的变形相较于水平线而言是有两个相反的方向,一端向下变形,另一端向上变形,故采用绝对值计算可以适用于整个线缆的变形区间。
在获取线缆变形信息后,作业人员需要根据该信息确定是否需要优先或紧急处理。因此,可以建立预警等级。根据实际场景对预警等级进行分类,即等级0:未发生变形(变形程度为0),等级1:发生变形,但变形程度小(0-5米),等级2:发生变形,变形程度大,(大于5米)。等级越高处理优先级越高。
进一步的,在既有二值交叉熵损失函数的基础上可以增加计算预警程度的误差,使得监测模型在输出异物相关信息的同时,计算预警程度的误差,提高预警的准确度。该误差计算公式为:
其中,i表示图像第i个网格,K×K表示图像采样后大小,j表示第j个先验框,表示第i个网格第j个先验框是否含有目标。d表示预警等级分类,表示目标理想的预警程度,pi(d)表示实际的预警程度,的作用是计算理想情况与实际结果的相似度。wi=hi表示当前网格目标面积,Aread表示不同等级下i网格包含的区域。xi|Xd表示i网格下的目标横向位置是否处于对应等级位置下。yi|Yd表示i网格下的目标纵向位置是否处于对应等级位置下。
本实施例提供了一种基于无人机的输电线路监测方法,通过预先训练一个监测模型,利用该监测模型对无人机拍摄并处理后的视频图像进行异物监测,识别输电线缆上的异物情况并且判断异物引起输电线缆的变形程度,进而根据变形程度确定预警等级。本发明由于采用监测模型代替人工识别异物,能够较好的避免遗漏识别的问题,并且也减少了人力成本。另外,得益于计算机的处理速度,使用监测模型可以快速准确地识别大量输电线缆图像,提升了异物监测的效率。
以上是对本发明提供的一种基于无人机的输电线路监测方法的一个实施例进行详细的描述,以下将对本发明提供的一种基于无人机的输电线路监测装置的实施例进行详细的描述。
本实施例提供一种基于无人机的输电线路监测装置,包括:
图像处理模块,用于利用无人机临近输电线缆飞行,获取无人机拍摄的输电线缆视频图像并进行预处理;
线缆监测模块,用于将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测,并输出变形信息,变形信息为异物引起输电线缆变形的信息;
预警模块,用于根据变形信息确定预警等级。
本实施例提供了一种基于无人机的输电线路监测装置,通过设置线缆监测模块,可以替代人工实现异物监测,从而避免遗漏识别的问题,并且也减少了人力成本。
以上是对本发明提供的一种基于无人机的输电线路监测装置的一个实施例进行详细的描述,以下将对本发明提供的一种计算机存储介质的实施例进行详细的描述。
本实施例提供了一种计算机存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述的一种基于无人机的输电线路监测方法。
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)
1.一种基于无人机的输电线路监测方法,其特征在于,包括:
利用无人机临近输电线缆飞行,获取无人机拍摄的输电线缆视频图像并进行预处理;
将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测,并输出变形信息,所述变形信息为所述异物引起所述输电线缆变形的信息;
根据所述变形信息确定预警等级。
2.根据权利要求1所述的一种基于无人机的输电线路监测方法,其特征在于,所述监测模型的训练过程具体包括:
建立输电线缆异物数据库,所述输电线缆异物数据库保存有各类异物的图像及对应的标签值,所述标签值用于表示异物种类;
基于所述输电线缆异物数据库,利用深度学习卷积神经网络构建监测模型;
利用所述深度学习卷积神经网络的深度卷积层和池化层对所述输电线缆异物数据库中的异物图像进行特征提取,使得所述监测模型能够根据异物的图像输出对应的标签值;
以二值交叉熵为损失函数不断训练所述监测模型直至收敛,获得最佳监测模型,并将所述最佳监测模型作为所述预先训练好的监测模型。
3.根据权利要求2所述的一种基于无人机的输电线路监测方法,其特征在于,当输电线路上存在异物时,所述预先训练好的监测模型还输出:
异物种类、异物位置和识别置信度。
4.根据权利要求2所述的一种基于无人机的输电线路监测方法,其特征在于,所述监测模型采用Logistics分类器进行异物监测,所述将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测具体包括:
将预处理后的输电线缆视频图像输入到Logistics分类器中进行异物分类,得到分类后的异物集合;
根据预设敏感异物种类对所述分类后的异物集合进行异物过滤,获得敏感异物集合;
输出所述敏感异物集合中各异物对应的标签值。
5.根据权利要求4所述的一种基于无人机的输电线路监测方法,其特征在于,所述预设敏感异物种类具体包括:
树枝、塑料袋、风筝和广告布。
6.根据权利要求1所述的一种基于无人机的输电线路监测方法,其特征在于,所述输电线缆视频图像上设置有多个监测点,所述监测模型通过计算相邻两个监测点之间的方向矢量获得所述输电线缆的变形信息。
7.根据权利要求6所述的一种基于无人机的输电线路监测方法,其特征在于,所述监测模型通过计算相邻两个监测点之间的方向矢量获得所述输电线缆的变形信息具体包括:
所述监测模型顺次计算输电线缆上每两个相邻监测点之间的方向矢量,将第一个角度绝对值大于预设角度阈值绝对值的方向矢量起点对应的监测点作为变形起点,并将此时的方向矢量作为基准矢量,将第一个角度绝对值等于所述基准矢量角度绝对值的方向矢量起点对应的监测点作为变形终点;
计算所述变形起点到所述变形终点的输电线缆的变形长度,将所述输电线缆的变形长度作为变形信息。
8.根据权利要求7所述的一种基于无人机的输电线路监测方法,其特征在于,所述预设角度阈值的取值范围为-5°至5°。
9.一种基于无人机的输电线路监测装置,其特征在于,包括:
图像处理模块,用于利用无人机临近输电线缆飞行,获取无人机拍摄的输电线缆视频图像并进行预处理;
线缆监测模块,用于将预处理后的输电线缆视频图像输入到预先训练好的监测模型中进行异物监测,并输出变形信息,所述变形信息为所述异物引起所述输电线缆变形的信息;
预警模块,用于根据所述变形信息确定预警等级。
10.一种计算机存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于无人机的输电线路监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950594.2A CN113657286A (zh) | 2021-08-18 | 2021-08-18 | 一种基于无人机的输电线路监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950594.2A CN113657286A (zh) | 2021-08-18 | 2021-08-18 | 一种基于无人机的输电线路监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657286A true CN113657286A (zh) | 2021-11-16 |
Family
ID=78481061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950594.2A Pending CN113657286A (zh) | 2021-08-18 | 2021-08-18 | 一种基于无人机的输电线路监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657286A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528790A (zh) * | 2015-12-09 | 2016-04-27 | 国网山东省电力公司电力科学研究院 | 一种输电线路小型部件识别方法 |
CN108919821A (zh) * | 2018-06-12 | 2018-11-30 | 浙江大学 | 一种面向规模化集中式光伏电站的无人机自动巡检系统及方法 |
CN109936080A (zh) * | 2019-03-28 | 2019-06-25 | 郑州大学 | 一种无人机巡检输电线路的方法 |
CN111583196A (zh) * | 2020-04-22 | 2020-08-25 | 北京智芯微电子科技有限公司 | 用于输电线路的监测系统及监测方法 |
CN113191339A (zh) * | 2021-06-30 | 2021-07-30 | 南京派光智慧感知信息技术有限公司 | 一种基于视频分析的轨道异物侵限监测方法及系统 |
-
2021
- 2021-08-18 CN CN202110950594.2A patent/CN113657286A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528790A (zh) * | 2015-12-09 | 2016-04-27 | 国网山东省电力公司电力科学研究院 | 一种输电线路小型部件识别方法 |
CN108919821A (zh) * | 2018-06-12 | 2018-11-30 | 浙江大学 | 一种面向规模化集中式光伏电站的无人机自动巡检系统及方法 |
CN109936080A (zh) * | 2019-03-28 | 2019-06-25 | 郑州大学 | 一种无人机巡检输电线路的方法 |
CN111583196A (zh) * | 2020-04-22 | 2020-08-25 | 北京智芯微电子科技有限公司 | 用于输电线路的监测系统及监测方法 |
CN113191339A (zh) * | 2021-06-30 | 2021-07-30 | 南京派光智慧感知信息技术有限公司 | 一种基于视频分析的轨道异物侵限监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536000B (zh) | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 | |
CN113409252B (zh) | 一种架空输电线路巡检机器人障碍物检测方法 | |
CN110929646A (zh) | 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 | |
CN111462057B (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测系统 | |
CN112950634A (zh) | 基于无人机巡检的风力机叶片损伤识别方法、设备和系统 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN110751270A (zh) | 一种无人机电线故障检测方法、系统及设备 | |
CN115761537A (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN111241905A (zh) | 基于改进ssd算法的输电线路鸟窝检测方法 | |
CN117058541B (zh) | 绝缘子高光谱数据采集系统及其方法 | |
CN115912183B (zh) | 高压输电线路生态措施巡视方法、系统及可读存储介质 | |
CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
CN112150412A (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
CN115908999B (zh) | 配电杆塔顶部金具锈蚀检测方法、介质和边缘终端设备 | |
CN113657286A (zh) | 一种基于无人机的输电线路监测方法及装置 | |
CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
CN113470017B (zh) | 基于人工智能的输电线安全预警检测方法、装置及设备 | |
CN116188975A (zh) | 一种空地视角融合的电力设备故障识别方法及系统 | |
CN113076899B (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 |
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 |