CN113706455A - 一种330kV电缆瓷瓶套管的破损快速检测方法 - Google Patents
一种330kV电缆瓷瓶套管的破损快速检测方法 Download PDFInfo
- Publication number
- CN113706455A CN113706455A CN202110796163.5A CN202110796163A CN113706455A CN 113706455 A CN113706455 A CN 113706455A CN 202110796163 A CN202110796163 A CN 202110796163A CN 113706455 A CN113706455 A CN 113706455A
- Authority
- CN
- China
- Prior art keywords
- image
- equipment
- target
- polygon
- damage
- 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.)
- Granted
Links
- 229910052573 porcelain Inorganic materials 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000007547 defect Effects 0.000 claims abstract description 14
- 239000012212 insulator Substances 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于电网输变电设备状态监测领域，具体涉及一种330kV电缆瓷瓶套管的破损快速检测方法，包括采集基准设备图像；根据设备轮廓生成多边形标记点位置数组；将基准设备图像与坐标数组储存为基准数据文件；采集目标设备图像并通过自动识别匹配方法，确定设备在目标设备图像中的位置；将目标设备图像的亮度数据分成一个个图像区域，计算该区域内像素点的亮度之和，然后与基准设备图像对应区域的亮度数据之和进行对比，根据对比结果确定图像变化明显的坐标位置，以该位置为基础，在目标设备图像上标记出设备存在缺陷的位置。本发明能够大大提高套管破损检测的正确率和效率。
Description
技术领域
本发明属于电网输变电设备状态监测领域，具体涉及一种330kV电缆瓷瓶套管的破损快速检测方法。
背景技术
随着自动化技术的快速发展，在工业生产中很多需要人工操作的环节逐渐转由机器完成，工业生产自动化也将越来越多的工人们从枯燥乏味的工作中解放出来，让他们去发挥更大的价值。
电力设备表面缺陷检测是电网安全生产中的重要环节，是机器人自动巡检的关键步骤，借助表面缺陷检测技术可以有效的提高机器人智能巡检质量和效率，常见的处理算法如下：
(1)传统算法
传统的表面缺陷检测算法结构通过图像预处理得到便于检测的图像，随后借助统计机器学习方法来提取图像特征，进而实现缺陷检测的目标。
图像预处理通常包括直方图均衡化、滤波去噪、灰度二值化、再次滤波几部分，以得到前后景分离的简单化图像信息；随后利用数学形态学、傅里叶变换、Gabor变换等算法以及机器学习模型完成缺陷的标记与检测。
(2)深度学习
深度学习算法采用深度卷积神经网络(DCNNs)结合SSD，Yolo等网络方法构建了一个从粗到细的级联检测网络，包括设备的定位、缺陷检测与分类。
上述的传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足。例如：图像预处理步骤繁多且具有强烈的针对性，鲁棒性差；多种算法计算量惊人且无法精确的检测缺陷的大小和形状。
而深度学习是直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。但是深度学习的本质其实也就是机器学习，最根据的原理就是统计学。需要提供足够多的数据，经过定义模型、收集分析数据，注入训练改进模型，输出结果，并循环执行上述过程，不断提高精度。简而言之，深度学习的缺点就是需要提供足够多的，各种各样的330kV套管模板，用于算法进行训练建模，在实际操作上存在困难。
发明内容
为了弥补现有技术的不足，本发明提供一种330kV电缆瓷瓶套管的破损快速检测方法技术方案。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于包括
步骤一：对需要监视的电力设备330kV套管设置机器人巡检预置位置，并拍摄基准设备图像；
步骤二：在基准设备图像上沿套管本体轮廓位置，采用多边形轮廓的方式，生成多边形标记点位置数组；
步骤三：记录该多边形每一个定点位置坐标，形成坐标数组，并将基准设备图像与坐标数组储存为基准数据文件；
步骤四：机器人系统在自动巡检工作过程中，将采集到的套管图像通过自动识别匹配方法，确定设备在实时采集的高清图中的位置，处理如下：
a.以基准设备图像为基准图像S，以当前机器人系统采集的即时高清图为目标设备图像；
b.以基准设备图像上的设备多边形轮廓为基准，按多边形的周长为计算依据，在多边形周边上，将多边形的顶点作为特征点，特征点数量为k，k个设备数据特征点分别为：S1、S2......Sk；
c.以某个特征点为中心，在基准设备图像中选取长度宽度都为M像素的亮度数据块T作为计算相似度测量的数据计算基础；
d.在目标设备图像中采用全局搜索的方法计算与数据块T相似度最高的数据块，计算公式如下：
其中Sij表示在目标设备图像中以坐标(i,j)位置为中心的长度宽度都为M的图像亮度数据，其中i的取值范围为(M/2)到(W-M/2)，j的取值范围为(M/2)到(H-M/2)，W是所述多边形的最大宽度，H是所述多边形的最大高度；
e.统计所有的R(i,j)中的最大值，该数值的(i,j)就是待处理的目标设备图像上与基准设备图像中特征图像点相匹配的位置点，重复步骤c至步骤d分别得到k个目标特征点T1、T2.....Tk；
f.计算S1分别到其余设备数据特征点的距离是否与T1分别到目标特征点的距离误差在u个像素点内，如果符合则确认S1点为基准设备图像与目标设备图像的匹配对准点；
g.根据所有目标特征点的位置，并根据基准设备图像中设备轮廓多边形，确定在目标设备图像中设备的精确外轮廓多边形的位置。
步骤五：对基准设备图像与目标设备图像进行亮度信息的匹配转换，处理如下：
计算r＝B/A；
其中，A是基准设备图像上设备多边形轮廓范围内所有图像点的亮度数据之和，B是目标设备图像上设备多边形轮廓范围内所有图像点的亮度数据之和，
将目标设备图像的亮度数据分成一个个对比图像区域，计算该对比图像区域内像素点的亮度之和，然后与基准设备图像对应区域的亮度数据之和进行相减计算，公式如下：
p＝(C-r*D)/C
其中，C是基准设备图像上对比图像区域亮度数据之和，D是目标设备图像上对比图像区域亮度数据之和；
当p的数值小于v，该方块区域在比较值矩阵的数值为0，否者为1，其中v的取值为0.01-0.05；
步骤六：经过步骤五的计算以后，得到一个比较值矩阵，矩阵中为0的部分代表在图像上该部分没有差异，矩阵中为1的部分就是代表在图像上该部分有差异，说明设备表面有变化；
步骤七：在比较值矩阵为1的位置，转换后就是图像变化明显的坐标位置，以该位置为基础，在目标设备图像上标记出设备存在缺陷的位置。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤二中，通过人工采用折线段的方式，将套管的轮廓标记出来。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤g的具体操作方法为：将所有目标特征点依序连接构成目标多边形。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤三中的基准数据文件首先存储了JPEG格式的高清图像信息，然后在JPEG文件的附件数据段中存储了套管设备位置信息。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤b中，k的取值范围为4-10，优选为4。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤c中，M的取值范围为9-60，优选为20。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤f中，u的取值范围为0-3，优选为3。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤五中，所述对比图像区域为矩形，大小为40-400像素。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤五中，所述对比图像区域为10像素*10像素的方块区域。
所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤五中v的取值为0.02。
与现有技术相比，本发明采用高清图像识别的方式，结合位置修正后对图像数据匹配识别的方式分析套管表面的缺陷，确定330kV绝缘套管的工作状态，能够大大提高套管破损检测的正确率和效率；本发明可以在机器人巡检产生的图像中，直观的将巡视人员关心的330kV套管工作状态在高清图像中直接显示出来，定位精确，直观方便。
附图说明
图1为本发明的流程图；
图2为本发明未生成多边形轮廓时的基准设备图像；
图3为本发明已生成多边形轮廓时的基准设备图像。
具体实施方式
在本发明的描述中，需要理解的是，术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
下面结合附图对本发明作进一步说明。
如图1-3所示，一种330kV电缆瓷瓶套管的破损快速检测方法，包括
步骤一：在调试现场，对需要监视的电力设备330kV套管设置机器人巡检预置位置，并拍摄基准设备图像；
步骤二：在基准设备图像上沿套管本体轮廓位置，采用多边形轮廓的方式，生成多边形标记点位置数组；
步骤三：记录该多边形每一个定点位置坐标，形成坐标数组，并将基准设备图像与坐标数组储存为基准数据文件；
步骤四：机器人系统在自动巡检工作过程中，将采集到的套管图像通过自动识别匹配方法，确定设备在实时采集的高清图中的位置，处理如下：
a.以基准设备图像为基准图像S，以当前机器人系统采集的即时高清图为目标设备图像；
b.以基准设备图像上的设备多边形轮廓为基准，按多边形的周长为计算依据，在多边形周边上平均选取k个标点，作为k个设备数据特征点：S1、S2......Sk；
c.以某个特征点为中心，在基准设备图像中选取长度宽度都为M像素的亮度数据块T作为计算相似度测量的数据计算基础；
d.在目标设备图像中采用全局搜索的方法计算与数据块T相似度最高的数据块，计算公式如下：
其中Sij表示在目标设备图像中以坐标(i,j)位置为中心的长度宽度都为M的图像亮度数据，其中i的取值范围为(M/2)到(W-M/2)，j的取值范围为(M/2)到(H-M/2)，W是所述多边形的最大宽度，H是所述多边形的最大高度；
e.统计所有的R(i,j)中的最大值，该数值的(i,j)就是待处理的目标设备图像上与基准设备图像中特征图像点相匹配的位置点，重复步骤c至步骤d分别得到k个目标特征点T1、T2.....Tk；
f.计算S1分别到其余设备数据特征点的距离是否与T1分别到目标特征点的距离误差在u个像素点内，如果符合则确认S1点为基准设备图像与目标设备图像的匹配对准点；
g.根据所有目标特征点的位置，并根据基准设备图像中设备轮廓多边形，确定在目标设备图像中设备的精确外轮廓多边形的位置。
步骤五：对基准设备图像与目标设备图像进行亮度信息的匹配转换，处理如下：
计算r＝B/A；
其中，A是基准设备图像上设备多边形轮廓范围内所有图像点的亮度数据之和，B是目标设备图像上设备多边形轮廓范围内所有图像点的亮度数据之和，
将目标设备图像的亮度数据分成一个个对比图像区域，计算该对比图像区域内像素点的亮度之和，然后与基准设备图像对应区域的亮度数据之和进行相减计算，公式如下：
p＝(C-r*D)/C
其中，C是基准设备图像上对比图像区域亮度数据之和，D是目标设备图像上对比图像区域亮度数据之和；
当p的数值小于v，该方块区域在比较值矩阵的数值为0，否者为1，其中v的取值为0.01-0.05；
步骤六：经过步骤五的计算以后，得到一个比较值矩阵，矩阵中为0的部分代表在图像上该部分没有差异，矩阵中为1的部分就是代表在图像上该部分有差异，说明设备表面有变化；
步骤七：在比较值矩阵为1的位置，转换后就是图像变化明显的坐标位置，以该位置为基础，在目标设备图像上标记出设备存在缺陷的位置。
进一步地，所述步骤三中的基准数据文件首先存储了JPEG格式的高清图像信息，然后在JPEG文件的附件数据段中存储了套管设备位置信息。更具体地，本发明为实现上述文件储存，定义一种机器人巡检套管表面融合信息文件存储格式，利用该储存格式对文件进行储存，该格式描述如下：
表1套管表面融合信息文件存储格式
上述文件存储了机器人在当前位置进行电力设备融合显示的所有信息，同时采用标准JPEG格式文件。
进一步地，在上述步骤二中，通过人工采用折线段的方式，将套管的轮廓标记出来。
进一步地，上述步骤四中步骤g的具体操作方法为：将所有目标特征点依序连接构成目标多边形。具体是：基准图像中多边形的每一个顶点都在目标图像中找到对应的点以后，将这些点按次序连接起来，构成一个与基础图像多边形一致的形状，这个过程由处理器自动计算。
进一步地，所述步骤四的步骤b中，k的取值范围为4-10，优选为4；所述步骤四的步骤c中，M的取值范围为9-60，优选为20；所述步骤四的步骤f中，u的取值范围为0-3，优选为3；所述步骤五中，所述对比图像区域为矩形，大小为40-400像素，还对比图像区域优选为10像素*10像素的方块区域；所述步骤五中v的取值优选为0.02。
更进一步地，以k为4为例，进一步说明上述步骤f的具体计算方法：计算S1-S2距离与T1-T2距离的误差1、S1-S3距离与T1-T3距离的误差2、S1-S4距离与T1-T4距离的误差3，所有误差值在3个像素内才确认S1为匹配对准点。
上述步骤五中，r的目的是为了修正基准图像与目标图像因为外界光线整体变化导致的数据偏差。
本发明所采用的图像分析算法，可以快速的输出330kV套管的表面状态图像，便于巡视人员直观的了解设备是否存在故障缺陷。本发明所定义的储存格式能够存储设备位置信息，同时保证的图像可以采用通用软件进行查看。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (10)
1.一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于包括
步骤一：对需要监视的电力设备330kV套管设置机器人巡检预置位置，并拍摄基准设备图像；
步骤二：在基准设备图像上沿套管本体轮廓位置，采用多边形轮廓的方式，生成多边形标记点位置数组；
步骤三：记录该多边形每一个定点位置坐标，形成坐标数组，并将基准设备图像与坐标数组储存为基准数据文件；
步骤四：机器人系统在自动巡检工作过程中，将采集到的套管图像通过自动识别匹配方法，确定设备在实时采集的高清图中的位置，处理如下：
a.以基准设备图像为基准图像S，以当前机器人系统采集的即时高清图为目标设备图像；
b.以基准设备图像上的设备多边形轮廓为基准，按多边形的周长为计算依据，在多边形周边上，将多边形的顶点作为特征点，特征点数量为k，k个设备数据特征点分别为：S1、S2......Sk；
c.以某个特征点为中心，在基准设备图像中选取长度宽度都为M像素的亮度数据块T作为计算相似度测量的数据计算基础；
d.在目标设备图像中采用全局搜索的方法计算与数据块T相似度最高的数据块，计算公式如下：
其中Sij表示在目标设备图像中以坐标(i,j)位置为中心的长度宽度都为M的图像亮度数据，其中i的取值范围为(M/2)到(W-M/2)，j的取值范围为(M/2)到(H-M/2)，W是所述多边形的最大宽度，H是所述多边形的最大高度；
e.统计所有的R(i,j)中的最大值，该数值的(i,j)就是待处理的目标设备图像上与基准设备图像中特征图像点相匹配的位置点，重复步骤c至步骤d分别得到k个目标特征点T1、T2.....Tk；
f.计算S1分别到其余设备数据特征点的距离是否与T1分别到目标特征点的距离误差在u个像素点内，如果符合则确认S1点为基准设备图像与目标设备图像的匹配对准点；
g.根据所有目标特征点的位置，并根据基准设备图像中设备轮廓多边形，确定在目标设备图像中设备的精确外轮廓多边形的位置。
步骤五：对基准设备图像与目标设备图像进行亮度信息的匹配转换，处理如下：
计算r＝B/A；
其中，A是基准设备图像上设备多边形轮廓范围内所有图像点的亮度数据之和，B是目标设备图像上设备多边形轮廓范围内所有图像点的亮度数据之和，
将目标设备图像的亮度数据分成一个个对比图像区域，计算该对比图像区域内像素点的亮度之和，然后与基准设备图像对应区域的亮度数据之和进行相减计算，公式如下：
p＝(C-r*D)/C
其中，C是基准设备图像上对比图像区域亮度数据之和，D是目标设备图像上对比图像区域亮度数据之和；
当p的数值小于v，该方块区域在比较值矩阵的数值为0，否者为1，其中v的取值为0.01-0.05；
步骤六：经过步骤五的计算以后，得到一个比较值矩阵，矩阵中为0的部分代表在图像上该部分没有差异，矩阵中为1的部分就是代表在图像上该部分有差异，说明设备表面有变化；
步骤七：在比较值矩阵为1的位置，转换后就是图像变化明显的坐标位置，以该位置为基础，在目标设备图像上标记出设备存在缺陷的位置。
2.根据权利要求1所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤二中，通过人工采用折线段的方式，将套管的轮廓标记出来。
3.根据权利要求1所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤g的具体操作方法为：将所有目标特征点依序连接构成目标多边形。
4.根据权利要求1所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤三中的基准数据文件首先存储了JPEG格式的高清图像信息，然后在JPEG文件的附件数据段中存储了套管设备位置信息。
5.根据权利要求1-4中任一所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤b中，k的取值范围为4-10，优选为4。
6.根据权利要求1-4中任一所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤c中，M的取值范围为9-60，优选为20。
7.根据权利要求1-4中任一所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤四的步骤f中，u的取值范围为0-3，优选为3。
8.根据权利要求1-4中任一所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤五中，所述对比图像区域为矩形，大小为40-400像素。
9.根据权利要求8所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤五中，所述对比图像区域为10像素*10像素的方块区域。
10.根据权利要求1-4中任一所述的一种330kV电缆瓷瓶套管的破损快速检测方法，其特征在于所述步骤五中v的取值为0.02。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110796163.5A CN113706455B (zh) | 2021-07-14 | 2021-07-14 | 一种330kV电缆瓷瓶套管的破损快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110796163.5A CN113706455B (zh) | 2021-07-14 | 2021-07-14 | 一种330kV电缆瓷瓶套管的破损快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706455A true CN113706455A (zh) | 2021-11-26 |
| CN113706455B CN113706455B (zh) | 2024-03-29 |
Family
ID=78648578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110796163.5A Active CN113706455B (zh) | 2021-07-14 | 2021-07-14 | 一种330kV电缆瓷瓶套管的破损快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706455B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
| CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2204225A1 (en) * | 1996-05-10 | 1997-11-10 | Masakazu Suzuoki | Improvements in methods and apparatus for recording and information processing, and recording method therefor |
| CN102760297A (zh) * | 2011-04-29 | 2012-10-31 | 黄桂芝 | 采用旋转tin网的多边形影像数字化方法 |
| CN105069801A (zh) * | 2015-08-17 | 2015-11-18 | 江苏物联网研究发展中心 | 基于图像质量诊断的视频图像预处理方法 |
| CN106403929A (zh) * | 2016-08-22 | 2017-02-15 | 清华大学 | 星敏感器星图识别和姿态解算的快速鲁棒校验方法 |
| CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
| CN109323765A (zh) * | 2018-09-29 | 2019-02-12 | 国家电网有限公司 | 一种采用曲线轮廓法对电力设备准确测温的方法 |
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
-
2021
- 2021-07-14 CN CN202110796163.5A patent/CN113706455B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2204225A1 (en) * | 1996-05-10 | 1997-11-10 | Masakazu Suzuoki | Improvements in methods and apparatus for recording and information processing, and recording method therefor |
| CN102760297A (zh) * | 2011-04-29 | 2012-10-31 | 黄桂芝 | 采用旋转tin网的多边形影像数字化方法 |
| CN105069801A (zh) * | 2015-08-17 | 2015-11-18 | 江苏物联网研究发展中心 | 基于图像质量诊断的视频图像预处理方法 |
| CN106403929A (zh) * | 2016-08-22 | 2017-02-15 | 清华大学 | 星敏感器星图识别和姿态解算的快速鲁棒校验方法 |
| CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
| CN109323765A (zh) * | 2018-09-29 | 2019-02-12 | 国家电网有限公司 | 一种采用曲线轮廓法对电力设备准确测温的方法 |
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 路绳方;刘震: "动车组运行故障动态图像比对分析方法", 激光与光电子学进展, vol. 54, no. 9, 16 June 2017 (2017-06-16) * |
| 金剑;武海彬;刘文华;: "基于无人机的航拍影像快速拼接技术研究", 中国管理信息化, no. 21, 1 November 2018 (2018-11-01) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
| CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706455B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113706455B (zh) | 一种330kV电缆瓷瓶套管的破损快速检测方法 | |
| CN109544501B (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
| CN108764234B (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
| CN111223133A (zh) | 一种异源图像的配准方法 | |
| CN105574897A (zh) | 一种基于视觉检测的农作物生长情况监测物联网系统 | |
| CN112465809A (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
| CN112497219B (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
| CN111508032B (zh) | 相机标定过程中特征点的排序方法 | |
| CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN103729631A (zh) | 一种基于视觉的连接器表面特征自动识别方法 | |
| CN112847321B (zh) | 基于人工智能的工业机器人视觉图像识别系统 | |
| CN114693529B (zh) | 一种图像拼接方法、装置、设备及存储介质 | |
| CN112102395B (zh) | 一种基于机器视觉的自主巡检的方法 | |
| CN107729906B (zh) | 一种基于智能机器人的巡检点电表数值识别方法 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN111967323B (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
| CN113465522A (zh) | 一种基于点云的输电通道内隐患测距的方法 | |
| CN114235815A (zh) | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 | |
| CN113932712B (zh) | 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法 | |
| CN114219753A (zh) | 一种基于深度学习的电力设备表面缺陷检测方法及终端 | |
| CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
| CN108520533B (zh) | 一种面向工件定位的多维度特征配准方法 | |
| CN116189192B (zh) | 一种指针式仪表的智能读数识别方法及系统 | |
| CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
| CN111415384B (zh) | 一种基于深度学习的工业图像组件精准定位系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |