CN114049507A - 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 - Google Patents
基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 Download PDFInfo
- Publication number
- CN114049507A CN114049507A CN202111374952.6A CN202111374952A CN114049507A CN 114049507 A CN114049507 A CN 114049507A CN 202111374952 A CN202111374952 A CN 202111374952A CN 114049507 A CN114049507 A CN 114049507A
- Authority
- CN
- China
- Prior art keywords
- insulator
- tested
- support set
- sample
- similarity
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 97
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000000725 suspension Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质,方法包括:收集正常和各种缺陷类型的绝缘子,获取每个绝缘子的两种特征图作为支持集样本;获取待测试绝缘子的两种特征图;对于支持集中的每个样本中的第一特征图,均使用第一孪生网络提取其第一深度特征信息,同时从待测试绝缘子的第一特征图中提取第一深度特征信息;按相同方法使用第二孪生网络提取基于第二特征图的第二深度特征信息;分别根据第一和第二深度特征信息,计算支持集每类样本与待测试绝缘子之间的第一和第二相似度,最后根据两个相似度确定待测试绝缘子的缺陷类型。本发明所述方法满足在极小缺陷样本的条件下,实现绝缘子缺陷高精度的识别结果。
Description
技术领域
本发明涉及配网线路智能巡检领域,更具体的说是一种基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质。
背景技术
绝缘子是配电线路重要组成部分之一,用来支撑架空线路和电气隔离的关键器件。然而,随着配网架空线路的覆盖范围和里程不断扩大,大量配电线路长期暴露于户外恶劣环境中,面临雷电、潮湿气候、强电磁、污秽和各类自然灾害的挑战。在长期运行过程中,绝缘子不可避免地产生各类缺陷,例如绝缘子破损、绝缘子表面灼伤、严重污秽。如未能及时识别出这些缺陷故障,任由其发展,将造成设备本体脱落或火花放电,进而导致配网线路跳闸,造成严重的经济损失。2018-2020年,湖南电网公司管辖的10KV配网线路中,由绝缘子缺陷引发的线路跳闸数占当年线路总跳闸数的22.5%,19.2%,17.3%。
当前,对10KV配网线路的绝缘子缺陷识别主要依靠人工巡线的方式。这种方式不仅人力资源浪费大,检测周期长,而且误检率较高。因此,提出智能的、可靠的配网线路绝缘子识别方法,进而采取积极主动的检修措施,对保障配网线路安全运行具有重要的实际意义。
近年来,随着深度学习和图像识别技术的快速发展,国内外研究人员提出一系列高性能的图像识别模型。这些模型通过大量训练数据,构建输入与输出之间的拟合关系,从而达到识别不同类别图像的目的。受此启发,研究人员开始将图像识别模型应用于绝缘子缺陷识别中。值得注意的是,当前模型性能的优劣很大程度上取决于有无大量用于模型训练的数据样本。然而,当前10KV配网线路智能巡检专业在全国范围处于刚刚起步阶段,配网绝缘子缺陷图像数据往往十分稀缺,难以构建足够多的数据来训练图像识别模型。因此,在极少故障样本的条件下,现有的图像识别模型精度往往不尽人意,不能较好地识别出配网绝缘子缺陷图像。
发明内容
本发明的目的是提供一种基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质,在极少故障样本的条件下,构建高精度的配网线路绝缘子缺陷识别模型。
为实现上述技术目的,本发明采用如下技术方案:
一种基于孪生网络的配网线路绝缘子缺陷识别方法,包括:
步骤1,收集正常和各种缺陷类型的绝缘子,获取每个绝缘子的两种特征图作为支持集中的1个样本;
步骤2,按照支持集样本的特征图类型,获取待测试绝缘子的两种特征图;
步骤3,对于支持集中的每个样本中的第一特征图,均使用第一孪生网络提取其第一深度特征信息,同时从待测试绝缘子的第一特征图中提取第一深度特征信息;
对于支持集中的每个样本中的第二特征图,均使用第二孪生网络提取其第二深度特征信息,同时从待测试绝缘子的第二特征图中提取第二深度特征信息;
步骤4,根据第一深度特征信息计算支持集每类样本与待测试绝缘子之间的第一相似度,以及根据第二深度特征信息计算支持集每类样本与待测试绝缘子之间的第二相似度,最后根据两个相似度确定待测试绝缘子的缺陷类型。
在更优的技术方案中,第一特征图是指可见光信息图,第二特征图是指形态学信息图。
在更优的技术方案中,可见光信息图是指原始的可见光拍摄图像,形态学信息图是指对可见光信息图进行一系列形态学开闭运算得到的图像。
在更优的技术方案中,支持集中包括的绝缘子类型有:正常、破损、表面烧伤和严重污秽。
在更优的技术方案中,针对每种绝缘子类型,支持集均包括5个样本;支持集每类样本与待测试绝缘子之间的第一相似度,通过取该类5个样本与待测试绝缘子之间的第一相似度的均值得到;支持集每类样本与待测试绝缘子之间的第二相似度,通过取该类5个样本与待测试绝缘子之间的第二相似度的均值得到。
在更优的技术方案中,步骤4的具体过程包括:
(1)将待测试绝缘子的可见光信息图和形态学信息图分别表示为将支持集中第i种类型的第j个样本的可见光信息图和形态学信息图分别表示为则可进一步将待测试绝缘子的第一和第二深度特征信息分别表示为以及将支持集中第i种类型的第j个样本的第一和第二深度特征信息分别表示为 然后,计算
(2)按照以下关系式,计算支持集第i种类型的第j个样本与待测试绝缘子之间的第一相似度EV(i,j)和第二相似度EM(i,j)分别为:
(3)按照以下关系式,计算支持集第i类样本与待测试绝缘子之间的第一相似度EV(i)和第二相似度EM(i)分别为:
式中,n为支持集每种类型的样本数量;
(4)对支持集第i类样本与待测试绝缘子之间的第一相似度和第二相似度进行融合,得到支持集第i类样本与待测试绝缘子之间相似度E(i):
E(i)=EV(i)+EM(i);
(5)从支持集所有类的样本与待测试绝缘子之间的相似度计算结果{E(i)}中,选择其中最大值所对应的类型,作为待测试绝缘子的缺陷类型。
在更优的技术方案中,第一孪生网络和第二孪生网络,均采用两个结构相同且参数共享的VGG-16模型。
一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现上述任一项所述的方法。
一种计算机可读存储介质,其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上述任一项所述的方法。
与现有技术相比,本发明的有益效果是:在极少绝缘子缺陷样本的条件下,将待测试样本和支撑集样本输入到训练好的深度学习模型中进行相似性度量计算,评估两个输入样本间的深度特征差异,识别出待测试绝缘子的缺陷类型。因此,本发明对配网线路智能巡检具有重大的实用意义。
附图说明
图1为基于孪生网络的配网线路绝缘子缺陷检测流程图。
图2为支撑集样本中悬式绝缘子的四种类型部分样本的可见光信息图,其中(a)为正常类型,(b)为表面灼伤类型,(c)为破损类型,(d)为严重污秽类型。
图3为支撑集样本中悬式绝缘子的四种类型部分样本的形态学信息图,其中(a)为正常类型,(b)为表面灼伤类型,(c)为破损类型,(d)为严重污秽类型。
具体实施方式
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完整、清楚的描述。如图1所示,本发明各部分具体实施细节如下:
步骤1、构建支持集样本:收集正常和各种缺陷类型的绝缘子,获取每个绝缘子的两种特征图作为支持集中的1个样本。
本实施例中的绝缘子可以是悬式、针式或者柱式;涉及到的缺陷类型包括破损、表面烧伤和严重污秽;两个特征图中:第一特征图是指可见光信息图;第二特征图是指形态学信息图。其中的可见光信息图,即原始的可见光拍摄图像,通常具有较高的空间分辨率,可以为绝缘子缺陷识别提供丰富的图像光谱信息;形态学特征图,即对可见光信息图进行一系列形态学开闭运算(以不同大小的结构元素对输入图像的第一主成分进行处理,能提取图像目标的形状、大小、颜色等空间结构信息)得到的图像,可以为绝缘子缺陷识别提供丰富的空间结构信息。
图2给出了支撑集样本中悬式绝缘子的四种类型部分样本的可见光信息图,其中(a)为正常类型,(b)为表面灼伤类型,(c)为破损类型,(d)为严重污秽类型。
图3给出了支撑集样本中悬式绝缘子的四种类型部分样本的形态学信息图,其中(a)为正常类型,(b)为表面灼伤类型,(c)为破损类型,(d)为严重污秽类型。
步骤3,利用孪生网络提取深度特征信息:(1)对于支持集中的每个样本中的第一特征图,均使用第一孪生网络提取其第一深度特征信息,同时从待测试绝缘子的第一特征图中提取第一深度特征信息;(2)对于支持集中的每个样本中的第二特征图,均使用第二孪生网络提取其第二深度特征信息,同时从待测试绝缘子的第二特征图中提取第二深度特征信息。
VGG-16模型是一种泛化能力较强的网络模型,因此本实施例的每个孪生网络,其包括的两个特征提取网络均采用VGG-16模型结构,且采用相同的结构并共享参数,能够较好地挖掘出图像间的深度抽象特征,并评估不同类型图片间的差异性。
每个孪生网络的两个输入,均是支持集中某样本和待测试绝缘子的同种特征图,孪生网络中的两个特征提取网络采用相同的结构并共享参数,分别对两个输入的特征图提取深度特征信息:
将待测试绝缘子的可见光信息图和形态学信息图分别表示为将支持集中第i种类型的第j个样本的可见光信息图和形态学信息图分别表示为则可进一步将待测试绝缘子的第一和第二深度特征信息分别表示为以及将支持集中第i种类型的第j个样本的第一和第二深度特征信息分别表示为
步骤4,判断缺陷类型:根据第一深度特征信息计算支持集每类样本与待测试绝缘子之间的第一相似度,以及根据第二深度特征信息计算支持集每类样本与待测试绝缘子之间的第二相似度,最后根据两个相似度确定待测试绝缘子的缺陷类型。具体过程包括:
首先,按照以下关系式,计算支持集第i种类型的第j个样本与待测试绝缘子之间的第一相似度EV(i,j)和第二相似度EM(i,j)分别为:
然后,按照以下关系式,计算支持集第i类样本与待测试绝缘子之间的第一相似度EV(i)和第二相似度EM(i)分别为:
式中,n为支持集每种类型的样本数量,本实施例中n=5;
再后,对支持集第i类样本与待测试绝缘子之间的第一相似度和第二相似度进行融合,得到支持集第i类样本与待测试绝缘子之间相似度E(i):
E(i)=EV(i)+EM(i);
最后,从支持集所有类的样本与待测试绝缘子之间的相似度计算结果{E(i)}中,选择其中最大值所对应的类型,作为待测试绝缘子的缺陷类型。
Emax=Softmax{E(i)};
式中,Softmax{}为计算数组间的最大值,Emax为最大相似度的数值。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种基于孪生网络的配网线路绝缘子缺陷识别方法,其特征在于,包括:
步骤1,收集正常和各种缺陷类型的绝缘子,获取每个绝缘子的两种特征图作为支持集中的1个样本;
步骤2,按照支持集样本的特征图类型,获取待测试绝缘子的两种特征图;
步骤3,对于支持集中的每个样本中的第一特征图,均使用第一孪生网络提取其第一深度特征信息,同时从待测试绝缘子的第一特征图中提取第一深度特征信息;
对于支持集中的每个样本中的第二特征图,均使用第二孪生网络提取其第二深度特征信息,同时从待测试绝缘子的第二特征图中提取第二深度特征信息;
步骤4,根据第一深度特征信息计算支持集每类样本与待测试绝缘子之间的第一相似度,以及根据第二深度特征信息计算支持集每类样本与待测试绝缘子之间的第二相似度,最后根据两个相似度确定待测试绝缘子的缺陷类型。
2.根据权利要求1所述的方法,其特征在于,第一特征图是指可见光信息图,第二特征图是指形态学信息图。
3.根据权利要求2所述的方法,其特征在于,可见光信息图是指原始的可见光拍摄图像,形态学信息图是指对可见光信息图进行一系列形态学开闭运算得到的图像。
4.根据权利要求1所述的方法,其特征在于,支持集中包括的绝缘子缺陷类型有:正常、破损、表面烧伤和严重污秽。
5.根据权利要求1所述的方法,其特征在于,针对每种绝缘子类型,支持集均包括5个样本;支持集每类样本与待测试绝缘子之间的第一相似度,通过取该类5个样本与待测试绝缘子之间的第一相似度的均值得到;支持集每类样本与待测试绝缘子之间的第二相似度,通过取该类5个样本与待测试绝缘子之间的第二相似度的均值得到。
6.根据权利要求2所述的方法,其特征在于,步骤4的具体过程包括:
(1)将待测试绝缘子的可见光信息图和形态学信息图分别表示为将支持集中第i种类型的第j个样本的可见光信息图和形态学信息图分别表示为则可进一步将待测试绝缘子的第一和第二深度特征信息分别表示为以及将支持集中第i种类型的第j个样本的第一和第二深度特征信息分别表示为
(2)按照以下关系式,计算支持集第i种类型的第j个样本与待测试绝缘子之间的第一相似度EV(i,j)和第二相似度EM(i,j)分别为:
(3)按照以下关系式,计算支持集第i类样本与待测试绝缘子之间的第一相似度EV(i)和第二相似度EM(i)分别为:
式中,n为支持集每种类型的样本数量;
(4)对支持集第i类样本与待测试绝缘子之间的第一相似度和第二相似度进行融合,得到支持集第i类样本与待测试绝缘子之间相似度E(i):
E(i)=EV(i)+EM(i);
(5)从支持集所有类的样本与待测试绝缘子之间的相似度计算结果{E(i)}中,选择其中最大值所对应的类型,作为待测试绝缘子的缺陷类型。
7.根据权利要求1所述的方法,其特征在于,第一孪生网络和第二孪生网络,均采用两个结构相同且参数共享的VGG-16模型。
8.一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1~7中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374952.6A CN114049507A (zh) | 2021-11-19 | 2021-11-19 | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374952.6A CN114049507A (zh) | 2021-11-19 | 2021-11-19 | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049507A true CN114049507A (zh) | 2022-02-15 |
Family
ID=80210025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374952.6A Pending CN114049507A (zh) | 2021-11-19 | 2021-11-19 | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049507A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
CN111401384A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种变电设备缺陷图像匹配方法 |
CN112308148A (zh) * | 2020-11-02 | 2021-02-02 | 创新奇智(青岛)科技有限公司 | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 |
CN112419316A (zh) * | 2020-12-14 | 2021-02-26 | 国网浙江省电力有限公司 | 一种跨设备可见光纹理缺陷检测方法及装置 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
-
2021
- 2021-11-19 CN CN202111374952.6A patent/CN114049507A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
CN111401384A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种变电设备缺陷图像匹配方法 |
CN112308148A (zh) * | 2020-11-02 | 2021-02-02 | 创新奇智(青岛)科技有限公司 | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 |
CN112419316A (zh) * | 2020-12-14 | 2021-02-26 | 国网浙江省电力有限公司 | 一种跨设备可见光纹理缺陷检测方法及装置 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
WO2021190056A1 (zh) | 一种瓷质绝缘子串红外零值诊断方法及系统 | |
CN111798412A (zh) | 一种基于红外图像的变电设备缺陷智能诊断方法及系统 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN111199213B (zh) | 一种变电站用设备缺陷检测方法及装置 | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN112347927B (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN112070104A (zh) | 主变压器局部放电识别方法 | |
CN115205256A (zh) | 一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统 | |
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 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN114724042B (zh) | 一种输电线路中零值绝缘子自动检测方法 | |
Lin et al. | An intelligent infrared image fault diagnosis for electrical equipment | |
CN111027565A (zh) | 一种光学视觉语义提取的输变电设备报告内容生成方法 | |
CN106934802B (zh) | 一种基于决策树的裂化瓷质绝缘子判定诊断方法 | |
CN106228172A (zh) | 基于聚类分析的破损绝缘子图像提取方法 | |
CN108596196A (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN114049507A (zh) | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 | |
Lian et al. | Insulator defect detection algorithm based on improved YOLOv5 | |
CN110719445A (zh) | 一种基于图像识别的远程抄表系统及方法 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220215 |
|
RJ01 | Rejection of invention patent application after publication |