CN114155427A - 接触网开关可视化监控自适应分合状态识别方法及系统 - Google Patents
接触网开关可视化监控自适应分合状态识别方法及系统 Download PDFInfo
- Publication number
- CN114155427A CN114155427A CN202111555826.0A CN202111555826A CN114155427A CN 114155427 A CN114155427 A CN 114155427A CN 202111555826 A CN202111555826 A CN 202111555826A CN 114155427 A CN114155427 A CN 114155427A
- Authority
- CN
- China
- Prior art keywords
- network switch
- contact network
- switch
- straight line
- contact
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 239000003550 marker Substances 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000271559 Dromaiidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了接触网开关可视化监控自适应分合状态识别方法,包括如下步骤:获取包含有接触网开关的原始图像;基于深度学习的目标检测模型,在原始图像中定位接触网开关,并基于深度学习的图像分割技术,获得接触网开关前景图像;通过多种直线检测算法进行接触网开关前景图像的边缘提取,并对多种检测结果进行直线拟合,得到单一检测的长直线;基于得到的长直线计算接触网开关开合角度;调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定。本发明采用接触网开关定位、分割以及边缘提取技术可实现自适应精确状态识别,适用范围广,且需要标注的信息少。
Description
技术领域
本发明涉及输变电设备状态识别技术领域,具体而言,涉及接触网开关可视化监控自适应分合状态识别方法及系统。
背景技术
接触网开关是高速铁路牵引供电回路的重要组成部分,也是电力系统中使用较多,应用较广泛的高压电气设备。通过远动操作隔离开关,可以快速实现接触网供电臂停电、越区供电、缩小故障范围等功效,是高速铁路牵引供电设备检修、应急抢修及动车组救援不可或缺的关键设备之一。接触网开关可视化通过在接触网开关处安装高清摄相机,打通数据监控系统与视频监控系统的交互,通过智能图像识别技术实现接触网开关的可视化及分合状态识别,并实现预警与管理。通过智能识别技术实现接触网隔离开关状态自动识别,主动推送操作开关设备状态能有效减轻作业人员的劳动强度,同时提高工作质量,对于供电设备的高效运行有着重要意义。
因为接触网开关一般是部署在户外,其机械动作部件直接暴露在空气中,受到风吹日晒雨淋以及其他环境影响较大,容易发生锈蚀等问题,容易导致接触网开关异常,对供电所供电的安全性有着严重的影响,给设备的运行和维护造成了极大的困难。由于接触网开关是在室外环境中,采集的视频图像常存在以下因素影响,例如天气,光照,不确定的背景、前景影响(云,建筑物、线等),异物以及安装点位等影响因素,影响因素多,复杂,所以实现接触网开关的自适应精确状态识别是一个技术难题。
发明内容
本发明的目的在于提供接触网开关可视化监控自适应分合状态识别方法及系统,旨在解决背景技术中所指出的问题,本方法可实现不同天气、光照、异物、安装位置影响下的接触网开关准确定位。
本发明的实施例通过以下技术方案实现:接触网开关可视化监控自适应分合状态识别方法,包括如下步骤:
获取包含有接触网开关的原始图像;
基于深度学习的目标检测模型,在原始图像中定位接触网开关,并基于深度学习的图像分割技术,获得接触网开关前景图像;
通过多种直线检测算法进行接触网开关前景图像的边缘提取,并对多种检测结果进行直线拟合,得到单一检测的长直线;
基于得到的长直线计算接触网开关开合角度;
调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,所述临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定。
进一步地,所述深度学习的目标检测模型采用YOLOv4模型。
进一步地,所述深度学习的图像分割技术采用Mask R-CNN或Unet。
进一步地,所述多种直线检测算法至少包括hough直线检测、LSD直线检测以及EDLines直线检测。
进一步地,所述基于得到的长直线计算接触网开关开合角度还包括:
获取第二长直线:通过定位网络模型识别合闸极限点,基于分割算法实现极限位置的分割,再通过型心法计算得到极限点位置,将极限点位置与长直线一端点的连线作为第二长直线;
通过长直线和第二长直线计算接触网开关开合角度。
本发明还提供接触网开关可视化监控自适应分合状态识别系统,应用到如上述所述的方法,包括:
图像获取单元,用于获取包含有接触网开关的原始图像;
定位与分割单元,用于基于深度学习的目标检测模型,在原始图像中定位接触网开关,并基于深度学习的图像分割技术,获得接触网开关前景图像;
边缘提取单元,用于通过多种直线检测算法进行接触网开关前景图像的边缘提取,并对多种检测结果进行直线拟合,得到单一检测的长直线;
角度计算单元,用于基于得到的长直线计算接触网开关开合角度;
开关状态识别单元,用于调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,所述临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定。
进一步地,所述深度学习的目标检测模型采用YOLOv4模型。
进一步地,所述深度学习的图像分割技术采用Mask R-CNN或Unet。
进一步地,所述多种直线检测算法至少包括hough直线检测、LSD直线检测以及EDLines直线检测。
进一步地,所述角度计算单元包括第二长直线获取模块,所述第二长直线获取模块用于通过定位网络模型识别合闸极限点,基于分割算法实现极限位置的分割,再通过型心法计算得到极限点位置,将极限点位置与长直线一端点的连线作为第二长直线。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明采用接触网开关定位、分割以及边缘提取技术可实现自适应精确状态识别;可实现不同天气、光照、异物、安装位置影响下的接触网开关连续状态识别,适用范围广,且需要标注的信息少;结合合闸极限点计算临界角度阈值判断标准,可适应开关开合状态以及不到位状态的准确识别。
附图说明
图1为本发明实施例1提供的分合状态识别方法的流程示意图;
图2为本发明实施例1提供的识别流程图;
图3为本发明实施例1提供的接触网开关开状态示意图;
图4为本发明实施例1提供的接触网开关合状态示意图;
图5为本发明实施例1提供的合闸到位接口示意图;
图6为本发明实施例1提供的原始图像示意图;
图7为本发明实施例1提供的定位效果示意图;
图8为本发明实施例1提供的分割效果示意图;
图9为本发明实施例1提供的边缘提取效果示意。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
经申请人研究发现,现有技术如CN109712118A提出了采用Mask R-CNN分割及分类实现电站隔离开关状态识别,该方法简单的将隔离开关状态分为三种状态:开,合,中间三种状态,这和实际中状态是一种范围而不是确定的三种状态不一致,另外其也没有考虑到摄相机安装对算法的影响,导致该算法存在适应性偏差,并且不能给出准确的隔离开关状态。
CN112906576A提出采用NCC(normalized cross correlation)算法实现隔离开关设备状态的识别,该算法的没有也只能给出特定状态的识别,而不适应连续状态识别,并且其算法并没有考虑相机输入、异物、背景等因素对于算法的影响。
基于此,本发明实施例提供接触网开关可视化监控自适应分合状态识别方法,可有效解决上述所指出的问题,方法包括如下步骤:
获取包含有接触网开关的原始图像,原始图像参考图6所示。
进一步地,基于深度学习的目标检测模型,如YOLOv4模型,在原始图像中定位接触网开关,定位效果参考图7所示;基于深度学习的图像分割技术,如Mask R-CNN或Unet,获得接触网开关前景图像,分割效果参考图8所示。
进一步地,通过多种直线检测算法,如hough直线检测、LSD直线检测以及EDLines直线检测,进行接触网开关前景图像的边缘提取,边缘提取效果参考图8所示,对多种检测结果进行直线拟合,得到单一检测的长直线。
基于得到的长直线计算接触网开关开合角度,在本发明的一种实施方式中,所述基于得到的长直线计算接触网开关开合角度还包括:
采用旋转中心与开关极限点,或如下方法获取第二长直线:通过定位网络模型识别合闸极限点,基于分割算法实现极限位置的分割,再通过型心法计算得到极限点位置,将极限点位置与长直线一端点的连线作为第二长直线;通过长直线和第二长直线的夹角计算接触网开关开合角度。
进一步地,调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,所述临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定,具体结构参考图5所示,图5中,静触头上部有一个导向的斜坡,从主闸刀的上沿合入至斜坡以下(即有100%接触面积时),到压刀肩轴触碰合闸极限螺钉,之间由大约10mm的区域,都属于合闸区域,能够满足导通额定电流的需要。因此,可将该区域视为合闸到位,这个指标仅限于开关处于工作状态时的判断依据。
需要说明的是,在本发明实施例中配置信息还包括开合角度极限位置、开合角度可信位置等,以此克服安装点位对于状态识别的影响;此外,为了计算准确的接触网开关状态,标注信息有:开状态角度以及像素分辨率,通过像素分辨率及合闸有效区域(10mm)计算出不到位临界点位,进而即可计算出临界角度阈值,由此可对当前接触网开关的状态,如:开状态(参考图3)、闭合状态(参考图4)及不到位状态进行准确识别。
本发明实施例还提供接触网开关可视化监控自适应分合状态识别系统,应用到如上述所述的方法,包括:
图像获取单元,用于获取包含有接触网开关的原始图像;
定位与分割单元,用于基于深度学习的目标检测模型,在原始图像中定位接触网开关,并基于深度学习的图像分割技术,获得接触网开关前景图像;
边缘提取单元,用于通过多种直线检测算法进行接触网开关前景图像的边缘提取,并对多种检测结果进行直线拟合,得到单一检测的长直线;
角度计算单元,用于基于得到的长直线计算接触网开关开合角度;
开关状态识别单元,用于调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,所述临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定。
进一步地,所述深度学习的目标检测模型采用YOLOv4模型。
进一步地,所述深度学习的图像分割技术采用Mask R-CNN或Unet。
进一步地,所述多种直线检测算法至少包括hough直线检测、LSD直线检测以及EDLines直线检测。
进一步地,所述角度计算单元包括第二长直线获取模块,所述第二长直线获取模块用于通过定位网络模型识别合闸极限点,基于分割算法实现极限位置的分割,再通过型心法计算得到极限点位置,将极限点位置与长直线一端点的连线作为第二长直线。
综上,本发明采用接触网开关定位、分割以及边缘提取技术可实现自适应精确状态识别;可实现不同天气、光照、异物、安装位置影响下的接触网开关连续状态识别,适用范围广,且需要标注的信息少;结合合闸极限点计算临界角度阈值判断标准,可适应开关开合状态以及不到位状态的准确识别。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.接触网开关可视化监控自适应分合状态识别方法,其特征在于,包括如下步骤:
获取包含有接触网开关的原始图像;
基于深度学习的目标检测模型,在原始图像中定位接触网开关,并基于深度学习的图像分割技术,获得接触网开关前景图像;
通过多种直线检测算法进行接触网开关前景图像的边缘提取,并对多种检测结果进行直线拟合,得到单一检测的长直线;
基于得到的长直线计算接触网开关开合角度;
调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,所述临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定。
2.如权利要求1所述的接触网开关可视化监控自适应分合状态识别方法,其特征在于,所述深度学习的目标检测模型采用YOLOv4模型。
3.如权利要求1所述的接触网开关可视化监控自适应分合状态识别方法,其特征在于,所述深度学习的图像分割技术采用Mask R-CNN或Unet。
4.如权利要求1所述的接触网开关可视化监控自适应分合状态识别方法,其特征在于,所述多种直线检测算法至少包括hough直线检测、LSD直线检测以及EDLines直线检测。
5.如权利要求1所述的接触网开关可视化监控自适应分合状态识别方法,其特征在于,所述基于得到的长直线计算接触网开关开合角度还包括:
获取第二长直线:通过定位网络模型识别合闸极限点,基于分割算法实现极限位置的分割,再通过型心法计算得到极限点位置,将极限点位置与长直线一端点的连线作为第二长直线;
通过长直线和第二长直线计算接触网开关开合角度。
6.接触网开关可视化监控自适应分合状态识别系统,应用到如权利要求1至5任一项所述的方法,其特征在于,包括:
图像获取单元,用于获取包含有接触网开关的原始图像;
定位与分割单元,用于基于深度学习的目标检测模型,在原始图像中定位接触网开关,并基于深度学习的图像分割技术,获得接触网开关前景图像;
边缘提取单元,用于通过多种直线检测算法进行接触网开关前景图像的边缘提取,并对多种检测结果进行直线拟合,得到单一检测的长直线;
角度计算单元,用于基于得到的长直线计算接触网开关开合角度;
开关状态识别单元,用于调用配置信息,从中获取该开合角度对应的临界角度阈值,进行接触网开关状态识别,所述临界角度阈值由合闸极限点标志螺钉以及静触头上部的导向斜坡确定。
7.如权利要求6所述的接触网开关可视化监控自适应分合状态识别系统,其特征在于,所述深度学习的目标检测模型采用YOLOv4模型。
8.如权利要求6所述的接触网开关可视化监控自适应分合状态识别系统,其特征在于,所述深度学习的图像分割技术采用Mask R-CNN或Unet。
9.如权利要求6所述的接触网开关可视化监控自适应分合状态识别系统,其特征在于,所述多种直线检测算法至少包括hough直线检测、LSD直线检测以及EDLines直线检测。
10.如权利要求6所述的接触网开关可视化监控自适应分合状态识别系统,其特征在于,所述角度计算单元包括第二长直线获取模块,所述第二长直线获取模块用于通过定位网络模型识别合闸极限点,基于分割算法实现极限位置的分割,再通过型心法计算得到极限点位置,将极限点位置与长直线一端点的连线作为第二长直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111555826.0A CN114155427A (zh) | 2021-12-17 | 2021-12-17 | 接触网开关可视化监控自适应分合状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111555826.0A CN114155427A (zh) | 2021-12-17 | 2021-12-17 | 接触网开关可视化监控自适应分合状态识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155427A true CN114155427A (zh) | 2022-03-08 |
Family
ID=80451855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111555826.0A Pending CN114155427A (zh) | 2021-12-17 | 2021-12-17 | 接触网开关可视化监控自适应分合状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155427A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207425697U (zh) * | 2017-11-20 | 2018-05-29 | 德基申(厦门)电气有限公司 | 一种隔离开关 |
US20190145765A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Three Dimensional Object Detection |
CN110018415A (zh) * | 2019-04-10 | 2019-07-16 | 国网湖南省电力有限公司 | 基于姿态传感器的隔离开关分合闸位置检测及双确认检测方法、系统及介质 |
CN111126253A (zh) * | 2019-12-23 | 2020-05-08 | 国网福建省电力有限公司 | 基于图像识别的刀闸状态检测方法 |
CN112906576A (zh) * | 2021-02-23 | 2021-06-04 | 南方电网电力科技股份有限公司 | 隔离开关设备的状态识别方法、装置、设备及其测温方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113569736A (zh) * | 2021-07-28 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
WO2021238826A1 (zh) * | 2020-05-26 | 2021-12-02 | 苏宁易购集团股份有限公司 | 一种实例分割模型的训练方法、装置、实例分割方法 |
CN113781436A (zh) * | 2021-09-10 | 2021-12-10 | 丁艳 | 一种基于摄像机和角度测量的高压开关状态监测方法 |
-
2021
- 2021-12-17 CN CN202111555826.0A patent/CN114155427A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190145765A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Three Dimensional Object Detection |
CN207425697U (zh) * | 2017-11-20 | 2018-05-29 | 德基申(厦门)电气有限公司 | 一种隔离开关 |
CN110018415A (zh) * | 2019-04-10 | 2019-07-16 | 国网湖南省电力有限公司 | 基于姿态传感器的隔离开关分合闸位置检测及双确认检测方法、系统及介质 |
CN111126253A (zh) * | 2019-12-23 | 2020-05-08 | 国网福建省电力有限公司 | 基于图像识别的刀闸状态检测方法 |
WO2021238826A1 (zh) * | 2020-05-26 | 2021-12-02 | 苏宁易购集团股份有限公司 | 一种实例分割模型的训练方法、装置、实例分割方法 |
CN112906576A (zh) * | 2021-02-23 | 2021-06-04 | 南方电网电力科技股份有限公司 | 隔离开关设备的状态识别方法、装置、设备及其测温方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN113569736A (zh) * | 2021-07-28 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
CN113781436A (zh) * | 2021-09-10 | 2021-12-10 | 丁艳 | 一种基于摄像机和角度测量的高压开关状态监测方法 |
Non-Patent Citations (1)
Title |
---|
陈东杰;张文生;杨阳;: "基于深度学习的高铁接触网定位器检测与识别", 中国科学技术大学学报, no. 04, 15 April 2017 (2017-04-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614913B (zh) | 基于隔离开关位置智能识别的一键顺控双确认系统及方法 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN109117764A (zh) | 在电力监控中采用颜色阈值法识别目标物体区域电气符号的方法 | |
CN102842211B (zh) | 一种基于图像识别的输电线路防外力监控预警系统及方法 | |
CN104280631B (zh) | Spd在线智能监测装置及spd在线智能监测系统 | |
CN108489425B (zh) | 一种隔离开关分合闸状态全天候自动视频监测系统及方法 | |
CN107240095A (zh) | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 | |
CN109376732A (zh) | 基于多特征模式匹配和模式分类的刀闸分合状态识别方法 | |
CN109271844A (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
CN111025137A (zh) | 敞开式隔离开关状态感知装置 | |
CN105743223B (zh) | 基于goose联动的二次设备预制舱视频巡查方法 | |
CN111695506A (zh) | 一种输电线路风致异物短路故障预警方法及系统 | |
CN114155427A (zh) | 接触网开关可视化监控自适应分合状态识别方法及系统 | |
CN109063634A (zh) | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 | |
CN110188786B (zh) | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 | |
CN112750149A (zh) | 基于运动目标检测的高压隔离开关故障监测方法 | |
Sun et al. | Application of video image recognition technology in substation equipments monitoring | |
CN115294352A (zh) | 一种基于图像识别的开关柜状态智能识别系统及方法 | |
CN116073514A (zh) | 一种变电站动力及环境监测异常联动控制方法 | |
CN113762185A (zh) | 一种基于计算机视觉实现电力设备状态获取的智能系统 | |
CN106568482A (zh) | 一种配电网输电线路集中监控方法 | |
CN114998766A (zh) | 一种基于图像识别的电力高压设备故障检测方法 | |
CN102097226B (zh) | 一种变电站高压断路器状态信号采集装置 | |
CN110516551B (zh) | 一种基于视觉的巡线位置偏移识别系统、方法及无人机 | |
CN114022030A (zh) | 一种变电站母线状态动态检测分析与风险评估方法 |
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 |