CN113780371A - 基于边缘计算与深度学习的绝缘子状态边缘识别方法 - Google Patents
基于边缘计算与深度学习的绝缘子状态边缘识别方法 Download PDFInfo
- Publication number
- CN113780371A CN113780371A CN202110973456.6A CN202110973456A CN113780371A CN 113780371 A CN113780371 A CN 113780371A CN 202110973456 A CN202110973456 A CN 202110973456A CN 113780371 A CN113780371 A CN 113780371A
- Authority
- CN
- China
- Prior art keywords
- state
- insulator
- model
- edge
- image
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011897 real-time detection 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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，用于对电线路中的绝缘子状态进行识别，包括：采集电线路中不同绝缘子对应的初始图像，并对初始图像预处理得到预处理后图像；将预处理后图像分别发送至不同边缘节点，通过对应的预先训练好的第一图像识别模型对进行状态识别得到第一状态；边缘节点将第一状态发送至聚合服务器，该聚合服务器将第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心，并利用预先训练好的第二图像识别模型进行识别得到第二状态。其中，第一图像识别模型为轻量级神经网络模型，第二图像识别模型为残差网络模型。
Description
技术领域
本发明属于图像分析技术领域，具体涉及一种基于边缘计算与深度学习的绝缘子状态边缘识别方法。
背景技术
绝缘子是电力系统正常运行必不可缺的元器件，是支持输电线路正常运行的重要保障，因此对绝缘子状态的实时检测十分有必要。随着人工智能技术、边缘计算、深度学习等技术的不断发展，使得这些技术应用在计算机视觉领域进行绝缘子状态识别成为可能。然而，现有的绝缘子状态识别方法将海量的数据传输到云中心，由云服务器根据已训练的深度学习模型完成绝缘子状态的识别，在上述过程中，存在无法满足实时性的要求、成本高、误判率高等问题。
发明内容
为解决上述问题，本发明提供了一种实时性好、成本低且误判率低的绝缘子状态边缘识别方法，本发明采用了如下技术方案：
本发明提供了一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，用于对电线路中的绝缘子状态进行识别，包括如下步骤：步骤S1，采集电线路中不同绝缘子对应的初始图像，并对初始图像预处理得到预处理后图像；步骤S2，将预处理后图像分别发送至不同边缘节点，通过不同边缘节点上对应的预先训练好的第一图像识别模型对预处理后图像进行状态识别，从而得到绝缘子状态作为第一状态；步骤S3，边缘节点将第一状态发送至聚合服务器，该聚合服务器将第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心；步骤S4，利用云中心中预先训练好的第二图像识别模型对待二次识别图像进行识别，从而得到对应的状态识别结果作为第二状态，使得检测人员在该第二状态为绝缘子故障时对相应的绝缘子进行处理，其中，第一图像识别模型为轻量级神经网络模型，第二图像识别模型为残差网络模型。
在本发明提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，轻量级神经网络模型为改进后的ShuffleNetV2模型，该改进后的ShuffleNetV2模型为基于注意力模块的ShuffleNetV2分类模型。
在本发明提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，残差网络模型为改进后的ResNet101模型，该改进后的ResNet101模型为基于多模块融合的ResNet101分类模型。
在本发明提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，第一图像识别模型在训练过程中采用协同训练方法以及联邦学习方法，协同训练方法为按照预定的时间间隔将所有训练过程中的第一图像识别模型对应的参数作为局部参数上传至聚合服务器，该聚合服务器对所有局部参数进行加权处理得到全局参数，并将全局参数发送至各个训练过程中的第一图像识别模型，该训练过程中的第一图像识别模型根据全局参数各自更新，形成新的训练过程中的第一图像识别模型，从而完成一次协同训练，联邦学习方法为先交互各个边缘节点对应的调度任务，继而将边缘节点之间协同计算调度任务问题建模为综合考虑时延、能耗的系统开销最小化问题的任务调度模型，利用该任务调度模型加快所有第一图像识别模型的收敛速度。
在本发明提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，在步骤S3中，当第一状态为绝缘子正常时，聚合服务器将第一状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库，在步骤S4中，当第二状态为绝缘子正常时，云中心将第二状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库，第二图像识别模型根据样本数据库中的所有样本进行增量学习，从而完成更新得到更新后的第二图像识别模型作为预先训练好的第二图像识别模型。
在本发明提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法中，还可以具有这样的特征，其中，步骤S1中的初始图像通过作为智能巡检设备的嵌入微型计算机的无人机采集得到，预处理后图像通过嵌入微型计算机处理得到。
发明作用与效果
根据本发明的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，由于先不同边缘节点上的预先训练好的第一图像识别模型进行第一次绝缘子状态识别，并在第一状态为绝缘子故障时，聚合服务器才将对应的预处理后图像发送至云中心，从而避免了海量数据上传云中心占用通信通道带来的资源浪费问题。另外，还由于云中心上的预先训练好的第二图像识别模型对边缘节点处绝缘子故障对应的预处理后图像进行了进一步识别，因此，实现了边缘端和云端计算资源的充分利用。还由于在边缘端和云端分别部署了与计算资源相匹配的轻量级神经网络模型与残差网络模型，从而能够实现高正确率的边缘端独立状态识别与边缘-云协作识别，提高了整体的识别准确率以及实时性。
通过本发明的基于边缘计算与深度学习的绝缘子状态边缘识别方法，能够准确快速地识别绝缘子状态，并实现了缺陷智能识别及自学习等功能，具有识别准确率高、时延低、安全性高、成本低等优点。
附图说明
图1为本发明实施例的基于边缘计算与深度学习的绝缘子状态边缘识别方法的流程图；
图2为本发明实施例的绝缘子状态识别流程示意图；
图3为本发明实施例的云边协同和边边联邦协同联合的绝缘子状态边缘识别训练框图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法作具体阐述。
<实施例>
图1为本发明实施例的基于边缘计算与深度学习的绝缘子状态边缘识别方法的流程图；图2为本发明实施例的绝缘子状态识别流程示意图。
如图1以及图2所示，步骤S1，采集电线路中不同绝缘子对应的初始图像，并对初始图像预处理得到预处理后图像。
其中，初始图像通过作为智能巡检设备的嵌入微型计算机的无人机采集得到，预处理后图像通过嵌入微型计算机处理得到。
另外，智能巡检设备还能对初始图像和预处理后图像进行存储。
步骤S2，将预处理后图像分别发送至不同边缘节点，通过不同边缘节点上对应的预先训练好的第一图像识别模型对预处理后图像进行状态识别，从而得到绝缘子状态作为第一状态。
由图2可知，预处理后的图像会发送至不同边缘节点，其发送的依据为按照智能巡检设备到节点的距离进行分配，将图片分配到最近的节点。同时，考虑到边缘节点间协同计算进行任务调度的问题，将后来分配到最近节点上的图片再进行二次分配，防止发生某一节点任务过多、排队时间较长的现象。
其中，第一图像识别模型为轻量级神经网络模型(即故障识别轻量级模型1)，具体地，轻量级神经网络模型为改进后的ShuffleNetV2模型(改进后的ShuffleNetV2结构框架如表1所示)，该改进后的ShuffleNetV2模型为基于注意力模块的ShuffleNetV2分类模型，从特征空间维度和通道维度考虑，将scSE卷积注意力模块作为即插即用的模块集成到现有的网络构架中，从空间和通道两个不同的维度推算注意力图。
表1改进后的ShuffleNetV2模型网络框架
| layer name | Input | Operator | Output |
| conv1 | 224x224x3 | 3x3,s＝2 | 112x112x24 |
| Max pooling | 112x112x24 | 3x3,s＝2 | 56x56x24 |
| 卷积注意力模块 | 56x56x24 | scSE | 56x56x24 |
| conv2_x | 56X56X24 | Repeat＝2 | 28x28x116 |
| conv3_x | 28x28x116 | Repeat＝2 | 14x14x232 |
| conv4_x | 14x14x232 | Repeat＝2 | 7x7x464 |
| 卷积注意力模块 | 7x7x464 | scSE | 7x7x464 |
| Global pooling | 7x7x464 | 7x7 | 1x1x1024 |
| FC | 1x1x1024 | softmax | 1x1x1000 |
上述ShuffleNetV2分类模型能够更好的实现网络的特征提取，减少了模块的堆叠，加快了模型训练速度，并通过全连接层实现绝缘子状态的识别。
图3为本发明实施例的云边协同和边边联邦协同联合的绝缘子状态边缘识别训练框图。
如图3所示，第一图像识别模型在训练过程中采用协同训练方法以及联邦学习方法。
协同训练方法为按照预定的时间间隔将所有训练过程中的第一图像识别模型对应的参数作为局部参数(即参数w1、w2、...、wJ)上传至聚合服务器AS，该聚合服务器对所有局部参数进行加权处理得到全局参数w，并将全局参数发送至各个训练过程中的第一图像识别模型，该训练过程中的第一图像识别模型根据全局参数各自更新，形成新的训练过程中的第一图像识别模型，从而完成一次协同训练。
协同计算任务调度是为了防止发生某一节点上任务过多、排队时间过长、故障检测不及时的现象。
联邦学习方法为先交互各个边缘节点对应的调度任务，继而将边缘节点之间协同计算调度任务问题建模为综合考虑时延、能耗的系统开销最小化问题的任务调度模型，利用该任务调度模型加快所有第一图像识别模型的收敛速度。
上述任务调度模型，以任务处理总时间最小、能耗最少为目标，能够大大提高任务处理效率和节点的利用率，减少总任务完成时间，能提高总任务完成的速度，即提高了第一图像识别模型的收敛速度。
步骤S3，边缘节点将第一状态发送至聚合服务器，该聚合服务器将第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心(即云中心服务器)。
当第一状态为绝缘子正常时，聚合服务器将第一状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库。
步骤S4，利用云中心中预先训练好的第二图像识别模型对待二次识别图像进行识别，从而得到对应的状态识别结果作为第二状态，使得检测人员在该第二状态为绝缘子故障时对相应的绝缘子进行处理。
当第二状态为绝缘子正常时，云中心将第二状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库。
在本实施例中，当第二状态为绝缘子正常时，检测人员会对对应的预处理后图像进行进一步地人工审核，若人工审核仍为绝缘子故障，则检测人员对故障的绝缘子进行更换，若人工审核为模型识别有误，则将对应的预处理后图像作为样本存储至样本数据库中，用于第二图像识别模型的增量学习。
第二图像识别模型根据样本数据库中的所有样本进行增量学习，从而完成更新得到更新后的第二图像识别模型作为预先训练好的第二图像识别模型。
其中，第二图像识别模型为残差网络模型(即深层神经网络模型2)，具体地，残差网络模型为改进后的ResNet101模型，该改进后的ResNet101模型为基于多模块融合的ResNet101分类模型(改进后的ResNet101网络框架如表2所示)。
ResNet101分类模型首先基于Inception模块的思想，以增加网络宽度的方式，构建数据池化层；进而考虑特征通道间相互依赖的关系，使用带跳跃连接线的SE模块对不同通道进行权值重标定，抑制无效或效果较小的特征图的权重，并使有效的特征图的权重放大；最后，同时从特征空间维度和通道维度考虑，将CBAM卷积注意力模块作为即插即用的模块集成到现有的网络构架中，从空间和通道两个不同的维度推算注意力图。
上述ResNet101分类模型能够更好的实现网络的特征提取，使模型更关注于信息丰富的区域，并通过全连接层实现绝缘子状态的识别。
实施例作用与效果
根据本实施例提供的一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，由于先不同边缘节点上的预先训练好的第一图像识别模型进行第一次绝缘子状态识别，并在第一状态为绝缘子故障时，聚合服务器才将对应的预处理后图像发送至云中心，从而避免了海量数据上传云中心占用通信通道带来的资源浪费问题。另外，还由于云中心上的预先训练好的第二图像识别模型对边缘节点处绝缘子故障对应的预处理后图像进行了进一步识别，因此，实现了边缘端和云端计算资源的充分利用。还由于在边缘端和云端分别部署了与计算资源相匹配的轻量级神经网络模型与残差网络模型，从而能够实现高正确率的边缘端独立状态识别与边缘-云协作识别，提高了整体的识别准确率以及实时性。
在上述实施例中，由于第一图像识别模型在训练过程中采用协同训练方法以及联邦学习方法，因此，可以将第一图像识别模型的训练过程下沉至边缘服务器，降低了服务器到终端设备的距离和跳数，显著降低网络拥塞的可能性，节省了传输时间。联邦学习的方式还能解决边缘节点的计算能力有限问题，使得各边缘节点间交互调度任务，从而解决了智能算法的资源需求与边缘设备资源受限间的矛盾，平衡了应用服务质量和隐私保护。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。
Claims (6)
1.一种基于边缘计算与深度学习的绝缘子状态边缘识别方法，用于对电线路中的绝缘子状态进行识别，其特征在于，包括如下步骤：
步骤S1，采集电线路中不同绝缘子对应的初始图像，并对所述初始图像预处理得到预处理后图像；
步骤S2，将所述预处理后图像分别发送至不同边缘节点，通过不同所述边缘节点上对应的预先训练好的第一图像识别模型对所述预处理后图像进行状态识别，从而得到绝缘子状态作为第一状态；
步骤S3，所述边缘节点将所述第一状态发送至所述聚合服务器，该聚合服务器将所述第一状态为绝缘子故障所对应的预处理后图像作为待二次识别图像发送至云中心；
步骤S4，利用所述云中心中预先训练好的第二图像识别模型对所述待二次识别图像进行识别，从而得到对应的状态识别结果作为第二状态，使得检测人员在该第二状态为绝缘子故障时对相应的绝缘子进行处理，
其中，所述第一图像识别模型为轻量级神经网络模型，所述第二图像识别模型为残差网络模型。
2.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：
其中，所述轻量级神经网络模型为改进后的ShuffleNetV2模型，该改进后的ShuffleNetV2模型为基于注意力模块的ShuffleNetV2分类模型。
3.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：
其中，所述残差网络模型为改进后的ResNet101模型，该改进后的ResNet101模型为基于多模块融合的ResNet101分类模型。
4.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：
其中，所述第一图像识别模型在训练过程中采用协同训练方法以及联邦学习方法，
所述协同训练方法为按照预定的时间间隔将所有训练过程中的第一图像识别模型对应的参数作为局部参数上传至聚合服务器，该聚合服务器对所有所述局部参数进行加权处理得到全局参数，并将所述全局参数发送至各个所述训练过程中的第一图像识别模型，该训练过程中的第一图像识别模型根据所述全局参数各自更新，形成新的训练过程中的第一图像识别模型，从而完成一次协同训练，
所述联邦学习方法为先交互各个所述边缘节点对应的调度任务，继而将所述边缘节点之间协同计算调度任务问题建模为综合考虑时延、能耗的系统开销最小化问题的任务调度模型，利用该任务调度模型加快所有所述第一图像识别模型的收敛速度。
5.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：
其中，在所述步骤S3中，当所述第一状态为绝缘子正常时，所述聚合服务器将第一状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库，
在所述步骤S4中，当所述第二状态为绝缘子正常时，所述云中心将所述第二状态为绝缘子正常所对应的预处理后图像作为样本发送至样本数据库，
所述第二图像识别模型根据所述样本数据库中的所有样本进行增量学习，从而完成更新得到更新后的第二图像识别模型作为所述预先训练好的第二图像识别模型。
6.根据权利要求1所述的基于边缘计算与深度学习的绝缘子状态边缘识别方法，其特征在于：
其中，所述步骤S1中的初始图像通过作为智能巡检设备的嵌入微型计算机的无人机采集得到，所述预处理后图像通过所述嵌入微型计算机处理得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973456.6A CN113780371B (zh) | 2021-08-24 | 2021-08-24 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973456.6A CN113780371B (zh) | 2021-08-24 | 2021-08-24 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780371A true CN113780371A (zh) | 2021-12-10 |
| CN113780371B CN113780371B (zh) | 2024-06-18 |
Family
ID=78838870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110973456.6A Active CN113780371B (zh) | 2021-08-24 | 2021-08-24 | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780371B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114257828A (zh) * | 2021-12-20 | 2022-03-29 | 上海哔哩哔哩科技有限公司 | 直播审核内容处理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934222A (zh) * | 2019-03-01 | 2019-06-25 | 长沙理工大学 | 一种基于迁移学习的绝缘子串自爆识别方法 |
| CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
| CN111915558A (zh) * | 2020-06-30 | 2020-11-10 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| CN112784718A (zh) * | 2021-01-13 | 2021-05-11 | 上海电力大学 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
| CN113033489A (zh) * | 2021-04-23 | 2021-06-25 | 华北电力大学 | 基于轻量级深度学习算法的输电线路绝缘子识别定位方法 |
| CN113255690A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
-
2021
- 2021-08-24 CN CN202110973456.6A patent/CN113780371B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934222A (zh) * | 2019-03-01 | 2019-06-25 | 长沙理工大学 | 一种基于迁移学习的绝缘子串自爆识别方法 |
| CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
| CN111915558A (zh) * | 2020-06-30 | 2020-11-10 | 成都思晗科技股份有限公司 | 一种高压输电线销钉状态检测方法 |
| AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
| CN112784718A (zh) * | 2021-01-13 | 2021-05-11 | 上海电力大学 | 一种基于边缘计算与深度学习的绝缘子状态识别方法 |
| CN113255690A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法 |
| CN113033489A (zh) * | 2021-04-23 | 2021-06-25 | 华北电力大学 | 基于轻量级深度学习算法的输电线路绝缘子识别定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄冬梅 等: "融合多维度特征的绝缘子状态边缘识别方法", 中国电力 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114257828A (zh) * | 2021-12-20 | 2022-03-29 | 上海哔哩哔哩科技有限公司 | 直播审核内容处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780371B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784718B (zh) | 一种基于边缘计算与深度学习的绝缘子状态识别方法 | |
| Chen et al. | An edge traffic flow detection scheme based on deep learning in an intelligent transportation system | |
| CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
| CN111402253B (zh) | 融合边缘计算和深度学习的输变电设备状态在线监测方法 | |
| CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
| CN109117856B (zh) | 基于智能边缘云的人及物追踪方法、装置及系统 | |
| CN113037783B (zh) | 一种异常行为检测方法及系统 | |
| CN107392463B (zh) | 一种城市功能区识别方法、模块、装置及其存储装置 | |
| CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
| CN112788110A (zh) | 一种基于云边协同模型优化的产品外观检测方法及其实现系统 | |
| CN108924228B (zh) | 基于边缘计算的工业互联网优化系统 | |
| CN113111115A (zh) | 一种数据信息管理系统及其方法 | |
| CN118297755B (zh) | 一种基于物联网和大数据技术的建筑施工分析管控方法及系统 | |
| CN113780371A (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
| CN114821247A (zh) | 一种模型的训练方法、装置、存储介质及电子装置 | |
| CN112884164B (zh) | 面向智能移动终端实现的联邦机器学习迁移方法与系统 | |
| CN114494916A (zh) | 一种基于YOLO和DeepSORT的黑颈鹤监测追踪方法 | |
| CN112596894B (zh) | 一种基于边缘计算的追踪方法及装置 | |
| CN110471988A (zh) | 一种基于模块化的三段五层式人工智能系统 | |
| CN112486667B (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
| CN112738225B (zh) | 基于人工智能的边缘计算方法 | |
| CN116030127A (zh) | 光伏电站的故障定位方法、故障定位装置和电子设备 | |
| CN115087042A (zh) | 5g专网数据分流方法、装置、设备及存储介质 | |
| CN113269339A (zh) | 一种网约车任务自动创建和分发的方法及系统 | |
| CN114492769B (zh) | 数据处理方法、相关设备及系统 |
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 |