CN114061757B - 一种电力设备箱低功耗红外测温ai识别监控系统 - Google Patents
一种电力设备箱低功耗红外测温ai识别监控系统 Download PDFInfo
- Publication number
- CN114061757B CN114061757B CN202111211656.4A CN202111211656A CN114061757B CN 114061757 B CN114061757 B CN 114061757B CN 202111211656 A CN202111211656 A CN 202111211656A CN 114061757 B CN114061757 B CN 114061757B
- Authority
- CN
- China
- Prior art keywords
- temperature measurement
- determining
- vector
- infrared temperature
- picture
- 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
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 121
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 178
- 238000005070 sampling Methods 0.000 claims description 77
- 238000013519 translation Methods 0.000 claims description 66
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000004861 thermometry Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000001012 protector Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000005059 dormancy Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种电力设备箱低功耗红外测温AI识别监控系统，包括：红外测温模块，用于获取电力设备箱内的各个器件的红外测温图片；功耗管理模块，用于根据功耗管理规则管理红外测温模块；网络通讯模块，用于将红外测温图片向外发送；服务器，用于接收网络通讯模块发送的红外测温图片，并基于红外测温图片对电力设备箱的温度进行监控。本发明的电力设备箱低功耗红外测温AI识别监控系统，通过红外测温模块对电力设备箱内的温度进行实时监控，基于机器视觉，识别发热源，并识别发热源为何种设备类型，对电力设备箱内各个器件设置不同的报警阈值，实现精确报警。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种电力设备箱低功耗红外测温AI识别监控系统。
背景技术
目前，高压电缆电力设备箱作为高压线路的重要连接节点设备，其安全性尤为重要。故障主要是各个部件接入电路因连接或自身的问题在高压下发热引发温度过高，进而引发故障。
现有，专利CN210867144U公开了一种电缆接地箱红外监控设备，包括电缆接地箱主体，还包括多个红外摄像头、无线数据收发装置和数据采集控制系统，多个红外摄像头和数据采集控制系统位于电缆接地箱主体箱门内壁上，无线数据收发装置位于电缆接地箱主体的箱门外壁上，红外摄像头通过摄像头数据线与数据采集控制系统连接，数据采集控制系统与无线数据收发装置通过第一数据线连接，数据采集控制系统与电力设备箱主体的电缆通道通过第二数据线连接。
该专利仅仅描述了将红外摄像头安装于电力设备箱的一种应用，属于业界常用手段，实际电力设备箱所处位置无充足能源，如何解决摄像头功耗问题并没有提及，第二、该专利仅仅讲述了红外摄像与数据采集控制系统连接，并没有提及采集数据如何应用。红外摄像头数据相对普通温度数据如何判断出发热源头，如何判断出具体物件的具体问题，该专利都没有考虑到。因此如何解决一种电力设备箱的红外测温系统，必须解决好设备的供电问题，数据的提出处理问题。
现有专利CN109827663A公开了一种基于红外成像远程测温的电力设备巡检方法，整个系统由硬件部分、网络通道以及控制系统组成，所述控制系统通过网络通道对硬件部分进行实施监控管理；所述硬件部分包括红外热像仪以及供电装置，且红外热像仪采用无线空中唤醒、休眠侦听等低功耗技术工作，但并未给出具体实现方式。该专利相对专利CN210867144U提出了一种功耗解决方案，加入了无线空中唤醒，休眠侦听技术。如何做好电力设备箱红外测温必定会采用功耗管理技术。该专利解决的无线空中唤醒和摄像头低功耗休眠侦听，需要数据时由远端主动唤醒红外测温，不能实现红外线系统自动的低功耗唤醒并主动发送数据。必须有一个人为主动性在里面。第二、该专利采用休眠侦听技术，及关闭其它功能模块，保留测温模块工作。而即使只开启红外线测温功耗也是比较大的。。
并且，以上两个对比专利都没有提及红外测温图片数据如何使用，提取关键测温点。
发明内容
本发明目的之一在于提供了一种电力设备箱低功耗红外测温AI识别监控系统，通过红外测温模块对电力设备箱内的温度进行实时监控，基于机器视觉，识别发热源，并识别发热源为何种设备类型，对电力设备箱内各个器件设置不同的报警阈值，实现精确报警，基于服务器制定功耗管理规则智能且合理进行功耗管理，兼顾功耗问题及监控准确问题，保证电力设备箱内的温度的监控的及时性。采用定时模块唤醒实现低功耗的同时设备具有自主唤醒功能，无需远端唤醒。为了进一步的做好低功耗在设备中加入了第二触发模块(低功耗测温单元)，该单元相对红外测温单元简单不能以面测量温度给出图片但功耗低。由定时模块和低功耗测温单元组成第一触发单元第二触发单元。实现了低功耗主动模式。
本发明实施例提供的一种电力设备箱低功耗红外测温AI识别监控系统，应用于电力设备箱，包括：
红外测温模块，用于获取电力设备箱内的红外测温图片；
功耗管理模块，用于根据功耗管理规则管理红外测温模块；
网络通讯模块，用于将红外测温图片向外发送；
服务器，用于接收网络通讯模块发送的红外测温图片，并基于红外测温图片对电力设备箱的温度进行监控；
服务器还用于确定功耗管理规则，并将功耗管理规则发送至功耗管理模块；
其中，功耗管理模块包括：
第一触发单元，设置在电力设备箱内，用于定时触发温度采集模块；
第二触发单元，用于当温度采集模块采集的温度超过预设的预警值，启动红外测温模块。
优选的，红外测温模块包括：
双轴云台，固定设置在电力设备箱的一侧的顶端；
红外摄像头，设置在双轴云台上。
优选的，服务器确定功耗管理规则执行如下操作：
获取电力设备箱接入的线路的历史负载情况；
解析历史负载情况，确定各个预设的时间段的负载率；
基于各个预设的时间段的负载率和预设的第一采样时间间隔表，确定各个预设的时间段的第一采样时间间隔；第一采样时间间隔表内负载率与第一采样时间间隔一一对应；
获取电力设备箱内各个器件的已使用时间；
获取预设的与各个器件对应的第二采样时间间隔表；第二采样时间间隔表中第二采样时间间隔与已使用时间一一对应；
基于各个器件对应的第二采样时间间隔表和各个器件的已使用时间，确定各个器件对应的第二采样时间间隔；
获取电力设备箱接入的线路的历史温度异常记录；
解析历史温度异常记录，提取至少一个特征值；
基于特征值查询预设的第三采样时间确定库，确定第三采样时间间隔；
基于各个预设的时间段的第一采样时间间隔、各个器件的第二采样时间间隔和第三采样时间间隔，确定红外测温模块在各个预设的时间段执行的第四采样时间间隔；
其中，基于特征值查询预设的第三采样时间确定库，确定第三采样时间间隔；包括：
第三采样时间确定库中标签值与第三采样时间一一对应关联；
将特征值依次与第三采样时间库中的各个标签值进行匹配，获取匹配符合的标签值对应的第三采样时间。
优选的，服务器基于红外测温图片对电力设备箱的温度进行监控，包括：
采用AI识别红外测温图片，确定各个器件位于红外测温图片中的位置及各个器件的温度；
确定红外测温图片中温度最高的区域位置并确定该区域位置对应于电力设备箱内何种器件。
优选的，网络通讯模块包括：
互联网通讯模块、3/4/5G通讯模块、红外通讯模块、蓝牙通讯模块和WI F I通讯模块其中一种或多种结合。
优选的，所述服务器执行采用AI识别所述红外测温图片，确定各个器件位于所述红外测温图片中的位置及各个器件的温度，包括：
基于预设的提取模板对所述红外测温图片进行提取，获取多个待筛选图片并确定所述待筛选图片位于所述整体图片中的位置；
基于预设的器件库中的各个器件的标准图片对所述待筛选图片进行筛选，确定所述待筛选图片对应为所述电力设备箱内何种器件，并基于所述待筛选图片位于整体图片中的位置确定器件位于所述整体图片中的位置；
其中，基于预设的器件库中的各个器件的标准图片对所述待筛选图片进行筛选，确定所述待筛选图片对应为所述电力设备箱内何种器件，并基于所述待筛选图片位于整体图片中的位置确定器件位于所述整体图片中的位置，包括：
提取所述器件库中任意一个器件的标准图片；
对提取的所述标准图片进行特征提取，获取多个第一特征值；
基于多个所述第一特征值，构建第一特征向量；
对所述待筛选图片进行特征提取，获取多个第二特征值；
基于多个所述第二特征值，构建各个所述待筛选图片对应的第二特征向量；
计算所述第一特征向量与各个所述待筛选图片对应的所述第二特征向量的相似度，相似度计算公式如下：
其中，D为所述第一特征向量与所述第二特征向量的相似度；aj为所述第一特征向量的第j个参数的参数值；ai为所述第一特征向量的第i个参数的参数值；bj为所述第二特征向量的第j个参数的参数值；bi为所述第二特征向量的第i个参数的参数值；n为参数总数；
确定与所述第一特征向量的相似度最大且大于预设的相似度阈值的所述待筛选图片作为所述标准图片对应的器件的红外测温区域；
对所述红外测温区域中的图像进行轮廓提取，确定器件轮廓；
获取所述器件轮廓内的各个像素点的温度值并构建温度集合；
基于所述温度集合，确定器件的温度，计算公式如下：
其中，W为器件的温度；Tk为所述温度集合中第k个温度值；N为所述温度集合内的温度值个数；
基于所述器件轮廓内各个像素对应的坐标值，构建坐标集合；
将所述坐标集合作为所述器件的位置。
优选的，服务器执行如下操作：
获取历史温度异常记录；
解析历史温度异常记录，从红外测温图片中确定多个温度异常位置和各个温度异常位置的异常发生概率；异常发生概率为温度异常位置对应的历史温度异常记录在获取的历史温度异常记录中的占比；
当异常发生概率大于等于预设的概率阈值时，将温度异常位置作为待识别位置；
将温度采集位置发送至红外测温模块，红外测温模块还基于温度采集位置获取红外测温图片。
优选的，服务器获取历史温度异常记录，包括如下操作：
确定电力设备箱连接的线路；
获取线路上各个电力设备箱的历史温度异常记录；
和/或，
确定电力设备箱所在的地理位置；
获取地理位置周围预设范围内的各个电力设备箱的历史温度异常记录。
优选的，服务器还执行如下操作：
将红外测温模块第一次传输的红外测温图片中各个器件的区域作为参考区域；
基于参考区域与后续红外测温模块传输的红外测温图片中各个器件的区域确定图片偏移向量；
基于图片偏移向量对待识别位置进行修正。
优选的，服务器基于参考区域与后续红外测温模块传输的红外测温图片中各个器件的区域确定图片偏移向量参考区域；包括：
以参考区域的中心点建立平面坐标系；其中，参考区域的水平方向为X轴，竖直方向为Y轴；
基于预设的单位向量集中的单位向量分别对参考区域进行平移；
对平移后的参考区域中与初始的参考区域的重叠区域进行提取，获取第一区域；
对红外测温图片进行区域提取，获取第二区域；第二区域位于红外测温图片的位置与第一区域位于平移后的参考区域中的位置相对应；
计算第一区域和第二区域的相似度；
当第一区域和第二区域的相似度大于参考区域与红外测温图片的相似度时，确定对应的单位向量为第一方向向量；
基于第一方向向量，确定第一平移向量集；第一平移向量集中的第一平移向量与第一方向向量的方向相同；
基于第一平移向量集中的第一平移向量，依次对参考区域进行平移，获取平移后的第一区域；
基于第一区域位于平移后的参考区域中的位置，从红外测温图片中确定第二区域；
计算第一区域和第二区域的相似度；
获取相似度最大的第一区域和第二区域对应的第一平移向量，并基于第一平移向量对参考区域进行平移获取中间区域；
基于预设的单位向量集中的除了与第一方向向量平行的其他单位向量对中间区域进行平移；
当平移后的第一区域和第二区域的相似度大于平移前的第一区域和第二区域的相似度时，确定对应的单位向量为第二方向向量；
基于第二方向向量，确定第二平移向量集；第二平移向量集中第二平移向量与第二方向向量的方向相同；
基于第二平移向量集中的第二平移向量，依次对中间区域进行平移，获取平移后的第一区域；
基于第一区域位于平移后的中间区域中的位置，从红外测温图片中确定第二区域；
计算第一区域和第二区域的相似度；
获取相似度最大的第一区域和第二区域对应的第二平移向量，
基于第一平移向量和第二平移向量，确定图片偏移向量；
其中，单位向量集中包括：X轴正方向的单位向量、X轴负方向的单位向量、Y轴正方向的单位向量和Y轴负方向的单位向量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种电力设备箱低功耗红外测温AI识别监控系统的示意图；
图2为本发明实施例中一种监控画面的示意图；
图3为本发明实施例中又一种监控画面的示意图；
图4为本发明实施例中又一种电力设备箱低功耗红外测温AI识别监控系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种电力设备箱低功耗红外测温AI识别监控系统，如图1所示，应用于电力设备箱，包括：
红外测温模块1，用于获取电力设备箱内的红外测温图片；红外测温模块1，安装在电力设备箱内部，对电力设备箱库存保护器、铜牌链接电缆、各个接线点等进行整体拍摄测温。
功耗管理模块2，用于根据功耗管理规则管理红外测温模块1；例如：采用时分技术，温度采集+图片信息传输时间为工作时间。设定每天集采次数，在采集时功耗管理模块2唤醒设备，在结束采集传输数据以后进入低功耗休眠模式，实现了整体低功耗管理。
网络通讯模块3，用于将红外测温图片向外发送；可以发送到服务器4、移动终端等设备上。
服务器4，用于接收网络通讯模块3发送的红外测温图片，并基于红外测温图片对电力设备箱的温度进行监控。服务器4依据标准区域的颜色与温度关系。获取AI识别物体(库存保护器等)的温度完成AI温度监控。实现通过红外测温模块对电力设备箱内的温度进行实时监控，基于机器视觉，识别发热源，并识别发热源为何种设备类型，对电力设备箱内各个器件设置不同的报警阈值，实现精确报警。如库存保护器优选的为80度。铜牌温度报警阈值优选的为120度，等。基于AI技术，实现温度标准及器件圈注，使用户直观地可以从红外测温图片上看出异常位置、属于何种器件及异常温度的数值，提高了监控效率。图2和图3分别为一种经过服务器4处理后的温度监控图片。
服务器4还用于确定功耗管理规则，并将功耗管理规则发送至功耗管理模块2；
其中，如图4所示，功耗管理模块包括：
第一触发单元7，设置在电力设备箱内，用于定时触发温度采集模块；
第二触发单元5，用于当温度采集模块采集的温度超过预设的预警值，启动红外测温模块。
因红外测温模块进行红外测温相对功耗较大，长时间开启进行测量，极其浪费能源，而进行定时开启，无法做到全面的温度监控，故采用第一触发单元7和第二触发单元5，以实现条件触发，提高了监控的全时性。其中，温度采集模块包括：温度传感器；当温度传感器检测的温度值大于第一温度阈值(例如：70摄氏度)时，开启红外测温模块，进行测温，进而确定温度异常的器件或温度异常的位置。温度采集模块定时触发的时间间隔为10秒一次；红外测温模块的自主采集的时间间隔为2小时一次；以第一触发单元7和第二触发单元5实现了红外测完模块除自主采集外的电力设备箱的温度监控。
在一个实施例中，红外测温模块1包括：
双轴云台，固定设置在电力设备箱的一侧的顶端；双轴云台可以竖直方向上转动，还可以在水平方向上转动。
红外摄像头，设置在双轴云台上。双轴云台通过竖直方向的转动和水平方向上的转动，实现了竖直方向和水平方向上调整红外摄像头的拍摄方向，以便于在安装时实现对电力设备箱内任意位置的红外测温图片的拍摄。更近一步地，还可以采用三轴云台。
在一个实施例中，其中，服务器4确定功耗管理规则执行如下操作：
获取电力设备箱接入的线路的历史负载情况；
解析历史负载情况，确定各个预设的时间段的负载率；负载率为时间段内的平均负载与线路容许最大负载的比值。
基于各个预设的时间段的负载率和预设的第一采样时间间隔表，确定各个预设的时间段的第一采样时间间隔；第一采样时间间隔表内负载率与第一采样时间间隔一一对应；例如：晚上6：00至晚上8：00之间，负载率为80％，此时对应得第一采样时间间隔表上的第一采样时间间隔为1min；晚上9：00至晚上10：00，负载率为75％，此时对应得第一采样时间间隔表上的第一采样时间间隔为2min；晚上10：00至晚上12：00，负载率为40％，此时对应得第一采样时间间隔表上的第一采样时间间隔为10min；
获取电力设备箱内各个器件的已使用时间；
获取预设的与各个器件对应的第二采样时间间隔表；第二采样时间间隔表中第二采样时间间隔与已使用时间一一对应；各个器件的第二采样时间间隔表各不相同，因为各个器件的使用寿命各不相同，并且器件类型也不一样。
基于各个器件对应的第二采样时间间隔表和各个器件的已使用时间，确定各个器件对应的第二采样时间间隔；在此以电力设备箱库存保护器为例，当电力设备箱使用1年，此时对应的第二采样时间间隔为10min；当电力设备箱使用了2年，此时对应的第二采样时间间隔为5min；
获取电力设备箱接入的线路的历史温度异常记录；
解析历史温度异常记录，提取至少一个特征值；
基于特征值查询预设的第三采样时间确定库，确定第三采样时间间隔；
例如：特征值为最后一次温度异常记录的时间距离当前的时间值，假设该时间值在一周内，此时第三采样时间间隔为1min；假设该时间值在一个月内且在一周之外，此时第三采样时间间隔为2min；假设该时间值在一个月外且在一年之内，此时第三采样时间间隔为10min。此外，特征值还可以是两次发生温度异常记录的时间最短间隔，平均间隔等。
基于各个预设的时间段的第一采样时间间隔、各个器件的第二采样时间间隔和第三采样时间间隔，确定红外测温模块1在各个预设的时间段执行的第四采样时间间隔；例如：可以采用第一采样时间间隔、第二采样时间间隔和第三采样时间间隔中的最小值作为实际的第四采样时间间隔。
其中，基于特征值查询预设的第三采样时间确定库，确定第三采样时间间隔；包括：
第三采样时间确定库中标签值与第三采样时间一一对应关联；
将特征值依次与第三采样时间库中的各个标签值进行匹配，获取匹配符合的标签值对应的第三采样时间。
在一个实施例中，服务器基于红外测温图片对电力设备箱的温度进行监控，包括：
采用AI识别红外测温图片，确定各个器件位于红外测温图片中的位置及各个器件的温度；
确定红外测温图片中温度最高的区域位置并确定该区域位置对应于电力设备箱内何种器件。
服务器采用AI识别技术对红外测温图片进行识别，识别出红外测温图片对应的器件，并基于温度与图片颜色的对应关系，确定红外测温图片中各个器件的温度值，进而确定是否存在温度异常的位置；如库存保护器优选的为80度。铜牌温度报警阈值优选的为120度，等。优选的，可以先寻找最高温度点的发热源头确定源头的图片坐标；当最高温度点的温度不属于异常情况时，无需在识别，当属于时，再识别该发热源头属于何种器件。
为了实现与服务器4和移动终端的通讯连接；在一个实施例中，网络通讯模块3包括：
互联网通讯模块、3/4/5G通讯模块、红外通讯模块、蓝牙通讯模块和WIFI通讯模块其中一种或多种结合。
在一个实施例中，所述服务器执行采用AI识别所述红外测温图片，确定各个器件位于所述红外测温图片中的位置及各个器件的温度，包括：
基于预设的提取模板对所述红外测温图片进行提取，获取多个待筛选图片并确定所述待筛选图片位于所述整体图片中的位置；例如：基于预设的提取模板对整体图片进行提取，获取多个待筛选图片并确定待筛选图片位于整体图片中的位置；在整体图片上构建坐标系；从左上角开始，以一定像素获取一块图片。获取图片的方式以x轴平移。完成x轴平移以后，继续完成y轴平移。每次Y轴平移都需要再X轴平移获取图片。以一张完整采集的800*400像素图片为例：照片模型库图片像素为：50*50。则一张完整的图片，X轴获取(800-50)张图片。Y轴获取400-50组。共计获取(800-50)*(400-50)张图片。其中，待筛选图片位于整体图片中的位置可以以待筛选图片的中心位于整体图片中坐标系的坐标值；
基于预设的器件库中的各个器件的标准图片对所述待筛选图片进行筛选，确定所述待筛选图片对应为所述电力设备箱内何种器件，并基于所述待筛选图片位于整体图片中的位置确定器件位于所述整体图片中的位置；
其中，基于预设的器件库中的各个器件的标准图片对所述待筛选图片进行筛选，确定所述待筛选图片对应为所述电力设备箱内何种器件，并基于所述待筛选图片位于整体图片中的位置确定器件位于所述整体图片中的位置，包括：
提取所述器件库中任意一个器件的标准图片；
对提取的所述标准图片进行特征提取，获取多个第一特征值；
基于多个所述第一特征值，构建第一特征向量；
对所述待筛选图片进行特征提取，获取多个第二特征值；
基于多个所述第二特征值，构建各个所述待筛选图片对应的第二特征向量；
计算所述第一特征向量与各个所述待筛选图片对应的所述第二特征向量的相似度，相似度计算公式如下：
其中，D为所述第一特征向量与所述第二特征向量的相似度；aj为所述第一特征向量的第j个参数的参数值；ai为所述第一特征向量的第i个参数的参数值；bj为所述第二特征向量的第j个参数的参数值；bi为所述第二特征向量的第i个参数的参数值；n为参数总数；
确定与所述第一特征向量的相似度最大且大于预设的相似度阈值(例如0.95)的所述待筛选图片作为所述标准图片对应的器件的红外测温区域；
对所述红外测温区域中的图像进行轮廓提取，确定器件轮廓；
获取所述器件轮廓内的各个像素点的温度值并构建温度集合；温度集合为各个像素点按照坐标进行顺序排列获得；
基于所述温度集合，确定器件的温度，计算公式如下：
其中，W为器件的温度；Tk为所述温度集合中第k个温度值；N为所述温度集合内的温度值个数；
基于所述器件轮廓内各个像素对应的坐标值，构建坐标集合；
将所述坐标集合作为所述器件的位置。
预设的器件库中的各个器件的标准图片对待筛选图片进行筛选，确定电力设备箱内各个器件对应的器件图片并基于器件图片对应的待筛选图片位于整体图片中的位置确定器件图片位于整体图片中的位置；这样只需记录位置，下次识别时直接从对应位置处提取区域进行温度识别，提高了识别的效率。
在一个实施例中，服务器4执行如下操作：
获取历史温度异常记录；历史温度异常记录为温度高于预设的温度阈值(如库存保护器优选的为80度。铜牌温度报警阈值优选的为120度，或者其他线缆位置温度为90度等)的图片；
解析历史温度异常记录，从红外测温图片中确定多个温度异常位置和各个温度异常位置的异常发生概率；异常发生概率为温度异常位置对应的历史温度异常记录在获取的历史温度异常记录中的占比；例如共计获取了100条历史温度异常记录，当同一温度异常位置的记录为35条时，该温度异常位置的异常发生概率为0.35。
当异常发生概率大于等于预设的概率阈值时，将温度异常位置作为待识别位置。
在解析温度异常记录时，温度异常位置可能与器件位置进行重叠，但是重叠并不影响，因为器件的位置本身就是待识别位置。通过概率阈值(例如：0.3)确定温度异常位置发生的概率，当高于时说明该位置很有可能会发生温度异常，故需要对该位置进行AI识别进而进行温度监控，对只对器件位置的监控方式进行有效补充，提高了电力设备箱的温度监控的全面性及有效性。
在一个实施例中，服务器4获取历史温度异常记录，包括如下操作：
确定电力设备箱连接的线路；
获取线路上各个电力设备箱的历史温度异常记录；
和/或，
确定电力设备箱所在的地理位置；
获取地理位置周围预设范围内(例如方圆3KM以内)的各个电力设备箱的历史温度异常记录。
上述技术方案的工作原理及有益效果为：
在同一个线路上的电力设备箱有着关联，因为发生异常跟线路上通过电流有一定关系，故通过一个线路上的历史温度异常记录具有统一性，实现了确定温度异常位置的准确性。此外，同一区域范围内的电力设备箱因其所处的环境存在相似性，也可以为温度异常位置的确定提供数据基础。
在一个实施例中，服务器4还执行如下操作：
将红外测温模块第一次传输的红外测温图片中各个器件的区域作为参考区域；
基于参考区域与后续红外测温模块传输的红外测温图片中各个器件的区域确定图片偏移向量；
基于图片偏移向量对待识别位置进行修正。
因实际环境中的震动、双轴云台的转动的回程误差等因数的影响，各个器件的红外测温图片会发生偏移，通过计算出图片偏移向量，进而在识别时将图片偏移向量补入，实现基于待识别位置实现器件区域的准确提取。修正还可以设置触发条件，例如：当当前获取的红外测温图片经过提取的区域与参考区域的相似度小于预设的相似度阈值(0.97)时，触发修正。
其中，服务器4基于参考区域与后续红外测温模块传输的红外测温图片中各个器件的区域确定图片偏移向量；包括：
以参考区域的中心点建立平面坐标系；其中，参考区域的水平方向为X轴，竖直方向为Y轴；
基于预设的单位向量集中的单位向量分别对参考区域进行平移；单位向量集中各个单位向量分别为(-1，0)、(1，0)、(0，1)、(0，-1)；
对平移后的参考区域中与初始的参考区域的重叠区域进行提取，获取第一区域；
对红外测温图片进行区域提取，获取第二区域；第二区域位于红外测温图片的位置与第一区域位于平移后的参考区域中的位置相对应；
计算第一区域和第二区域的相似度；可以采用对第一区域和第二区域的像素进行特征提取，计算特征的相似度的方式实现；也可以采用预先训练的神经网络模型，进行第一区域和第二区域的相似度判断。
当第一区域和第二区域的相似度大于参考区域与红外测温图片的相似度时，确定对应的单位向量为第一方向向量；假定确定的第一方向向量为(0，-1)；
基于第一方向向量，确定第一平移向量集；第一平移向量集中的第一平移向量与第一方向向量的方向相同；此时，获取的第一平移向量集中第一平移向量分别为(0，-1)、(0，-1.5)、(0，-0.5)、(0，-2)……。
基于第一平移向量集中的第一平移向量，依次对参考区域进行平移，获取平移后的第一区域；
基于第一区域位于平移后的参考区域中的位置，从红外测温图片中确定第二区域；
计算第一区域和第二区域的相似度；
获取相似度最大的第一区域和第二区域对应的第一平移向量，并基于第一平移向量对参考区域进行平移获取中间区域；例如相似度最大对应得第一平移向量为(0，-2)；
基于预设的单位向量集中的除了与第一方向向量平行的其他单位向量对中间区域进行平移；此时参与平移中间区域得单位向量为(-1，0)、(1，0)；
当平移后的第一区域和第二区域的相似度大于平移前的第一区域和第二区域的相似度时，确定对应的单位向量为第二方向向量；例如：第二方向向量为(-1，0)。
基于第二方向向量，确定第二平移向量集；第二平移向量集中第二平移向量与第二方向向量的方向相同；此时，获取的第二平移向量集中第一平移向量分别为(-0.5，0)、(-1，0)、(-1.5，0)、(-2，0)、(-2.5，0)……。
基于第二平移向量集中的第二平移向量，依次对中间区域进行平移，获取平移后的第一区域；
基于第一区域位于平移后的中间区域中的位置，从红外测温图片中确定第二区域；
计算第一区域和第二区域的相似度；
获取相似度最大的第一区域和第二区域对应的第二平移向量，例如相似度最大对应得第二平移向量为(-2.5，0)；
基于第一平移向量和第二平移向量，确定图片偏移向量；直接对第一平移向量和第二平移向量相加即可获得图片偏移向量。例如：第一平移向量为(0，-2)、第二平移向量为(-2.5，0)，此时图片偏移向量为(-2.5，-2)。
其中，单位向量集中包括：X轴正方向的单位向量、X轴负方向的单位向量、Y轴正方向的单位向量和Y轴负方向的单位向量。
上述技术方案的工作原理及有益效果为：
通过预设的单位向量集实现了参考区域的逐渐平移，逐渐接近当前的红外测温图片，实现了图片偏移向量确定的快速及准确性。更进一步地，基于图片偏移向量(-2.5，-2)确定多个验证向量；验证向量的向量长度都小于图片偏移向量，并且与图片偏移向量的方向相同；例如验证向量为(-0.5，-0.4)、(-1，-0.8)、(-1.5，-1.2)、(-2，-1.6)；通过验证向量对参考区域进行平移，获取对应第一区域和第二区域；计算第一区域和第二区域的相似度，当相似度满足预设趋势(随着向量长度的增长，相似度越来越大)时，该图片偏移向量验证通过，当验证通过时才基于图片偏移向量进行自动修正；当验证不通过时，输出报警；以避免计算出的验证向量不准确而照成的误矫正。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种电力设备箱低功耗红外测温AI识别监控系统，应用于电力设备箱，其特征在于，包括：
红外测温模块，用于获取所述电力设备箱内的红外测温图片；
功耗管理模块，用于根据功耗管理规则管理所述红外测温模块；
网络通讯模块，用于将所述红外测温图片向外发送；
服务器，用于接收所述网络通讯模块发送的所述红外测温图片，并基于所述红外测温图片对所述电力设备箱的温度进行监控；
所述服务器还用于确定功耗管理规则，并将所述功耗管理规则发送至所述功耗管理模块；
其中，所述功耗管理模块包括：
第一触发单元，设置在所述电力设备箱内，用于定时触发温度采集模块；
第二触发单元，用于当所述温度采集模块采集的温度超过预设的预警值，启动所述红外测温模块；
所述服务器执行采用AI识别所述红外测温图片，确定各个器件位于所述红外测温图片中的位置及各个器件的温度，包括：
基于预设的提取模板对所述红外测温图片进行提取，获取多个待筛选图片并确定所述待筛选图片位于所述红外测温图片中的位置；
基于预设的器件库中的各个器件的标准图片对所述待筛选图片进行筛选，确定所述待筛选图片对应为所述电力设备箱内何种器件，并基于所述待筛选图片位于所述红外测温图片中的位置确定器件位于所述红外测温图片中的位置；
其中，基于预设的器件库中的各个器件的标准图片对所述待筛选图片进行筛选，确定所述待筛选图片对应为所述电力设备箱内何种器件，并基于所述待筛选图片位于红外测温图片中的位置确定器件位于所述红外测温图片中的位置，包括：
提取所述器件库中任意一个器件的标准图片；
对提取的所述标准图片进行特征提取，获取多个第一特征值；
基于多个所述第一特征值，构建第一特征向量；
对所述待筛选图片进行特征提取，获取多个第二特征值；
基于多个所述第二特征值，构建各个所述待筛选图片对应的第二特征向量；
计算所述第一特征向量与各个所述待筛选图片对应的所述第二特征向量的相似度，相似度计算公式如下：
其中,D为所述第一特征向量与所述第二特征向量的相似度；aj为所述第一特征向量的第j个参数的参数值；ai为所述第一特征向量的第i个参数的参数值；bj为所述第二特征向量的第j个参数的参数值；bi为所述第二特征向量的第i个参数的参数值；n为参数总数；
确定与所述第一特征向量的相似度最大且大于预设的相似度阈值的所述待筛选图片作为所述标准图片对应的器件的红外测温区域；
对所述红外测温区域中的图像进行轮廓提取，确定器件轮廓；
获取所述器件轮廓内的各个像素点的温度值并构建温度集合；
基于所述温度集合，确定器件的温度，计算公式如下：
其中，W为器件的温度；Tk为所述温度集合中第k个温度值；N为所述温度集合内的温度值个数；
基于所述器件轮廓内各个像素对应的坐标值，构建坐标集合；
将所述坐标集合作为所述器件的位置。
2.如权利要求1所述的电力设备箱低功耗红外测温AI识别监控系统，其特征在于，所述服务器基于所述红外测温图片对所述电力设备箱的温度进行监控，包括：
采用AI识别所述红外测温图片，确定各个器件位于所述红外测温图片中的位置及各个器件的温度；
确定所述红外测温图片中温度最高的区域位置并确定该区域位置对应于电力设备箱内何种器件。
3.如权利要求1所述的电力设备箱低功耗红外测温AI识别监控系统，其特征在于，所述服务器执行如下操作：
获取历史温度异常记录；
解析所述历史温度异常记录，从所述红外测温图片中确定多个温度异常位置和各个所述温度异常位置的异常发生概率；所述异常发生概率为所述温度异常位置对应的历史温度异常记录在获取的历史温度异常记录中的占比；
当所述异常发生概率大于等于预设的概率阈值时，将所述温度异常位置作为待识别位置。
4.如权利要求3所述的电力设备箱低功耗红外测温AI识别监控系统，其特征在于，所述服务器获取历史温度异常记录，包括如下操作：
确定所述电力设备箱连接的线路；
获取所述线路上各个电力设备箱的历史温度异常记录；
和/或，
确定所述电力设备箱所在的地理位置；
获取所述地理位置周围预设范围内的各个电力设备箱的历史温度异常记录。
5.如权利要求1所述的电力设备箱低功耗红外测温AI识别监控系统，其特征在于，所述服务器确定功耗管理规则执行如下操作：
获取所述电力设备箱接入的线路的历史负载情况；
解析所述历史负载情况，确定各个预设的时间段的负载率；
基于各个预设的时间段的负载率和预设的第一采样时间间隔表，确定各个预设的时间段的第一采样时间间隔；所述第一采样时间间隔表内所述负载率与所述第一采样时间间隔一一对应；
获取所述电力设备箱内各个器件的已使用时间；
获取预设的与各个器件对应的第二采样时间间隔表；所述第二采样时间间隔表中所述第二采样时间间隔与所述已使用时间一一对应；
基于各个器件对应的第二采样时间间隔表和各个器件的已使用时间，确定各个器件对应的第二采样时间间隔；
获取所述电力设备箱接入的线路的历史温度异常记录；
解析所述历史温度异常记录，提取至少一个特征值；
基于所述特征值查询预设的第三采样时间确定库，确定第三采样时间间隔；
基于各个预设的时间段的所述第一采样时间间隔、各个器件的所述第二采样时间间隔和所述第三采样时间间隔，确定所述红外测温模块在各个预设的时间段执行的第四采样时间间隔；
其中，基于所述特征值查询预设的第三采样时间确定库，确定第三采样时间间隔；包括：
所述第三采样时间确定库中标签值与第三采样时间一一对应关联；
将所述特征值依次与所述第三采样时间库中的各个所述标签值进行匹配，获取匹配符合的所述标签值对应的所述第三采样时间。
6.如权利要求1所述的电力设备箱低功耗红外测温AI识别监控系统，其特征在于，所述服务器还执行如下操作：
将所述红外测温模块第一次传输的所述红外测温图片中各个器件的区域作为参考区域；
基于所述参考区域与后续所述红外测温模块传输的所述红外测温图片中各个器件的区域确定图片偏移向量；
基于所述图片偏移向量对待识别位置进行修正。
7.如权利要求6所述的电力设备箱低功耗红外测温AI识别监控系统，其特征在于，所述服务器基于所述参考区域与后续所述红外测温模块传输的所述红外测温图片中各个器件的区域确定图片偏移向量参考区域；包括：
以所述参考区域的中心点建立平面坐标系；其中，所述参考区域的水平方向为X轴，竖直方向为Y轴；
基于预设的单位向量集中的单位向量分别对所述参考区域进行平移；
对平移后的所述参考区域中与初始的所述参考区域的重叠区域进行提取，获取第一区域；
对所述红外测温图片进行区域提取，获取第二区域；所述第二区域位于所述红外测温图片的位置与所述第一区域位于平移后的所述参考区域中的位置相对应；
计算所述第一区域和所述第二区域的相似度；
当所述第一区域和所述第二区域的相似度大于所述参考区域与所述红外测温图片的相似度时，确定对应的单位向量为第一方向向量；
基于所述第一方向向量，确定第一平移向量集；所述第一平移向量集中的第一平移向量与所述第一方向向量的方向相同；
基于所述第一平移向量集中的第一平移向量，依次对所述参考区域进行平移，获取平移后的所述第一区域；
基于所述第一区域位于平移后的所述参考区域中的位置，从所述红外测温图片中确定第二区域；
计算所述第一区域和所述第二区域的相似度；
获取所述相似度最大的所述第一区域和所述第二区域对应的第一平移向量，并基于所述第一平移向量对所述参考区域进行平移获取中间区域；
基于预设的单位向量集中的除了与所述第一方向向量平行的其他单位向量对所述中间区域进行平移；
当平移后的所述第一区域和所述第二区域的相似度大于平移前的所述第一区域和所述第二区域的相似度时，确定对应的单位向量为第二方向向量；
基于所述第二方向向量，确定第二平移向量集；所述第二平移向量集中第二平移向量与所述第二方向向量的方向相同；
基于所述第二平移向量集中的第二平移向量，依次对所述中间区域进行平移，获取平移后的所述第一区域；
基于所述第一区域位于平移后的所述中间区域中的位置，从所述红外测温图片中确定第二区域；
计算所述第一区域和所述第二区域的相似度；
获取所述相似度最大的所述第一区域和所述第二区域对应的第二平移向量，
基于所述第一平移向量和所述第二平移向量，确定所述图片偏移向量；
其中，所述单位向量集中包括：X轴正方向的单位向量、X轴负方向的单位向量、Y轴正方向的单位向量和Y轴负方向的单位向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111211656.4A CN114061757B (zh) | 2021-10-18 | 2021-10-18 | 一种电力设备箱低功耗红外测温ai识别监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111211656.4A CN114061757B (zh) | 2021-10-18 | 2021-10-18 | 一种电力设备箱低功耗红外测温ai识别监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114061757A CN114061757A (zh) | 2022-02-18 |
| CN114061757B true CN114061757B (zh) | 2024-03-05 |
Family
ID=80234820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111211656.4A Active CN114061757B (zh) | 2021-10-18 | 2021-10-18 | 一种电力设备箱低功耗红外测温ai识别监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114061757B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854438A (zh) * | 2014-03-26 | 2014-06-11 | 珠海保税区光联通讯技术有限公司 | 智能红外线探测器及其工作方法 |
| CN109827663A (zh) * | 2019-02-21 | 2019-05-31 | 云南电网有限责任公司昭通供电局 | 基于红外成像远程测温的电力设备巡检方法 |
| CN210867144U (zh) * | 2019-12-04 | 2020-06-26 | 广东电网有限责任公司 | 一种电缆接地箱红外监控设备 |
| CN111402224A (zh) * | 2020-03-12 | 2020-07-10 | 广东电网有限责任公司广州供电局 | 一种用于电力设备的目标识别方法 |
| CN111752159A (zh) * | 2020-06-05 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种基于热像仪的人工智能居家安全监测系统及方法 |
| CN112710398A (zh) * | 2020-12-21 | 2021-04-27 | 西安交通大学 | 一种电力设备异常发热检测方法 |
| CN113408643A (zh) * | 2021-06-30 | 2021-09-17 | 成都飞机工业（集团）有限责任公司 | 一种基于示教机器人辅助的钣金件识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010140613A1 (ja) * | 2009-06-03 | 2010-12-09 | 学校法人中部大学 | 物体検出装置 |
-
2021
- 2021-10-18 CN CN202111211656.4A patent/CN114061757B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854438A (zh) * | 2014-03-26 | 2014-06-11 | 珠海保税区光联通讯技术有限公司 | 智能红外线探测器及其工作方法 |
| CN109827663A (zh) * | 2019-02-21 | 2019-05-31 | 云南电网有限责任公司昭通供电局 | 基于红外成像远程测温的电力设备巡检方法 |
| CN210867144U (zh) * | 2019-12-04 | 2020-06-26 | 广东电网有限责任公司 | 一种电缆接地箱红外监控设备 |
| CN111402224A (zh) * | 2020-03-12 | 2020-07-10 | 广东电网有限责任公司广州供电局 | 一种用于电力设备的目标识别方法 |
| CN111752159A (zh) * | 2020-06-05 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种基于热像仪的人工智能居家安全监测系统及方法 |
| CN112710398A (zh) * | 2020-12-21 | 2021-04-27 | 西安交通大学 | 一种电力设备异常发热检测方法 |
| CN113408643A (zh) * | 2021-06-30 | 2021-09-17 | 成都飞机工业（集团）有限责任公司 | 一种基于示教机器人辅助的钣金件识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于红外测温的电气控制柜内部元件热缺陷温度 与方位的三维反问题识别;闫光辉，杨立，范春利;红外与激光工程;第41卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114061757A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113551775B (zh) | 基于红外热成像的设备故障在线监测报警方法和系统 | |
| CN107592502B (zh) | 一种太阳能供电的无线传感网络图像监测系统 | |
| CN113835026B (zh) | 一种基于物联网的智能开关用监控系统 | |
| CN111695512B (zh) | 一种无人值守文物监测方法及装置 | |
| CN209088626U (zh) | 变电站智能巡检监控系统 | |
| CN105139471A (zh) | 一种电力设备的巡检方法 | |
| CN103471722A (zh) | 智能移动式在线测温系统 | |
| CN209402635U (zh) | 一种变电站视频监控与智能分析系统 | |
| CN203135930U (zh) | 一种变电站双视在线监测智能预警系统 | |
| CN106197672A (zh) | 一种基于红外热成像的变压器实时监测方法 | |
| CN106027989A (zh) | 一种可远程诊断的无人值守变电所多台主变运行监控系统 | |
| CN109214251B (zh) | 用于机房监控的图像识别装置及方法 | |
| CN112418194A (zh) | 一种用于智慧社区的视频监控系统及其方法 | |
| CN114061757B (zh) | 一种电力设备箱低功耗红外测温ai识别监控系统 | |
| CN103519790A (zh) | 基于社区智能化平台的无线体温监测系统及其运行方法 | |
| CN109186775A (zh) | 热像监测系统 | |
| CN109470296B (zh) | 一种配网开关柜检测系统及检测方法 | |
| CN207069695U (zh) | 一种变电站运维量化巡检系统 | |
| CN105811578A (zh) | 输电线路监控平台及其电源监控算法和图像预警算法 | |
| CN113155318A (zh) | 煤堆温度监测装置、系统及方法 | |
| CN106710024A (zh) | 一种无人值守的自动巡检告警的方法及装置 | |
| CN116915578A (zh) | 一种物联网设备故障的分析方法、系统及电子设备 | |
| CN106197683B (zh) | 一种便携智能红外测温系统 | |
| CN110967117B (zh) | 一种输电线路热成像预警系统 | |
| CN114609158A (zh) | 一种基于深度学习的变电设备目标及缺陷智能检测设备 |
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 |