CN114227717A - 基于巡检机器人的智能巡检方法、装置、设备及存储介质 - Google Patents
基于巡检机器人的智能巡检方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114227717A CN114227717A CN202111666271.7A CN202111666271A CN114227717A CN 114227717 A CN114227717 A CN 114227717A CN 202111666271 A CN202111666271 A CN 202111666271A CN 114227717 A CN114227717 A CN 114227717A
- Authority
- CN
- China
- Prior art keywords
- inspection
- image
- visual
- algorithm model
- supplementing
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 593
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000000007 visual effect Effects 0.000 claims abstract description 179
- 230000001502 supplementing effect Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 239000013589 supplement Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于人工智能技术领域，提供了一种基于巡检机器人的智能巡检方法、装置、设备及存储介质，其方法包括：获取目标巡检点位的视觉图像；采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。基于该方法，可以对因天气原因导致巡检失败的巡检点位进行补巡识别，有效地降低变电站潜在风险点位漏检的数量，节约巡检时间，提高巡检效率。
Description
技术领域
本申请属于人工智能设备技术领域，尤其涉及一种基于巡检机器人的智能巡检方法、装置、设备及存储介质。
背景技术
由于劳动力成本的不断提高以及变电站室外环境的复杂多样，传统的人力巡检已经无法满足日常的变电站巡检工作。随着智能化技术的发展，巡检机器人已在变电站中得到广泛的应用，巡检机器人通过利用计算机视觉技术进行图像识别的方式实现自动化、智能化的巡检工作。目前现有的巡检机器人的巡检方法通常为按照预先设定好的巡检轨迹逐个巡检点位依次进行巡检。然而，由于变电站室外环境受天气原因的影响，例如太阳反光、雨天水雾等，巡检机器人容易出现由于巡检时机不对而导致部分巡检点位图像识别失败，无法获取巡检结果的情况。对于部分巡检点位图像识别失败的情况，采用现有的巡检方法，如若不再重新巡检，则存在变电站潜在危险未能及时发现的问题，而如若重新进行新一轮的巡检，则存在需要耗费大量的巡检时间，巡检效率低的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于巡检机器人的智能巡检方法、装置、设备及存储介质，可以实现针对因天气原因导致巡检失败的巡检点为进行补巡巡检，有效降低变电站潜在风险点位漏检的数量，提高巡检效率。
本申请实施例的第一方面提供了一种基于巡检机器人的智能巡检方法，所述基于巡检机器人的智能巡检方法包括：
获取目标巡检点位的视觉图像；
采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；
若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
结合第一方面，在第一方面的第一种可能实现方式中，所述采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果的步骤之后，还包括：
当所述巡检结果为巡检成功或因非天气原因导致巡检失败时，则根据所述巡检结果生成所述目标巡检点位的巡检报告。
结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，所述采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果的步骤，包括：
采用所述视觉算法模型对所述视觉图像进行巡检点位状态特征识别处理，判断所述所述视觉算法模型能否成功识别出所述视觉图像中的巡检点位状态特征；
若能成功识别出所述视觉图像中的巡检点位状态特征，则采用所述视觉算法模型从所述视觉图像中提取出所述巡检点位状态特征，基于所述巡检点位状态特征获取所述巡检点位的巡检数据，以使所述视觉算法模型输出巡检成功的指示信息和巡检数据；
将所述巡检成功的指示信息和所述巡检数据一并生成为所述目标巡检点位对应的巡检结果。
结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述采用所述视觉算法模型对所述视觉图像进行巡检点位状态特征识别处理，判断所述所述视觉算法模型能否成功识别出所述视觉图像中的巡检点位状态特征的步骤之后，若不能成功识别出所述视觉图像中的巡检点位状态特征，还包括：
采用所述视觉算法模型提取所述视觉图像的第一图像特征，将所述第一图像特征与所述视觉算法模型预先训练获得的因天气原因形成的第二图像特征进行相似度比对，判断所述第一图像特征是否与所述第二图像特征相似；
若所述第一图像特征与所述第二图像特征相似，则使所述视觉算法模型输出因天气原因导致巡检失败的指示信息，以将所述因天气原因导致巡检失败的指示信息生成为所述目标巡检点位对应的巡检结果；
若所述所述第一图像特征与所述第二图像特征不相似，则使所述视觉算法模型输出因非天气原因导致巡检失败的指示信息，以将所述因非天气原因导致巡检失败的指示信息生成为所述目标巡检点位对应的巡检结果。
结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，所述将所述第一图像特征与所述视觉算法模型预先训练获得的因天气原因形成的第二图像特征进行相似度比对，判断所述第一图像特征是否与所述第二图像特征相似的步骤，包括：
采用余弦相似度算法计算出所述第一图像特征与所述第二图像特征之间的相似度值；
将所述相似度值与预设的相似度阈值进行比较，若所述相似度值大于所述预设的相似度阈值，则判断所述第一图像特征与所述第二图像特征相似，否则，判断所述第一图像特征与所述第二图像特征不相似。
结合第一方面或第一方面的第一或第二或第三或第四种可能实现方式，在第一方面的第五种可能实现方式中，所述按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别的步骤，包括：
采用所述视觉算法模型将所述补巡列表中记录的未识别巡检点位进行补巡识别处理；
若所述未识别巡检点位的巡检结果为巡检成功，则根据所述巡检结果生成所述未识别巡检点位的巡检报告，并将所述未识别巡检点位从所述补巡列表中删除，若所述未识别巡检点位的巡检结果为因天气原因导致巡检失败，则将所述未识别巡检点位保留在所述补巡列表中；
当所述补巡列表中的所有未识别巡检点位经过一轮补巡识别处理后，对所述保留在所述补巡列表中的未识别巡检点位进行新一轮的补巡识别处理，直至所述补巡列表为空时，结束补训任务。
本申请实施例的第二方面提供了一种基于巡检机器人的智能巡检装置，所述基于巡检机器人的智能巡检装置包括：
视觉图像获取模块，用于获取目标巡检点位的视觉图像；
巡检结果生成模块，用于采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；
巡检点位补巡模块，用于若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
结合第二方面，在第二方面的第一种可能实现方式中，所述基于巡检机器人的智能巡检装置还包括：
巡检报告生成模块，用于当所述巡检结果为巡检成功或因非天气原因导致巡检失败时，则根据所述巡检结果生成所述目标巡检点位的巡检报告。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任意一项所述基于巡检机器人的智能巡检方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述基于巡检机器人的智能巡检方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请通过获取目标巡检点位的视觉图像；采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。基于该方法，可以对因天气原因导致巡检失败的巡检点位进行补巡识别，有效地降低变电站潜在风险点位漏检的数量，节约巡检时间，提高巡检效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于巡检机器人的智能巡检方法的基本方法流程示意图；
图2为本申请实施例提供的基于巡检机器人的智能巡检方法中获取巡检结果的一种方法流程示意图；
图3为本申请实施例提供的基于巡检机器人的智能巡检方法中获取巡检结果的另一种方法流程示意图；
图4为本申请实施例提供的基于巡检机器人的智能巡检方法中判断第一图像特征是否与第二图像特征相似的一种方法流程示意图；
图5为本申请实施例提供的基于巡检机器人的智能巡检方法中补巡识别的一种方法流程示意图；
图6为本申请实施例提供的一种基于巡检机器人的智能巡检装置的结构示意图；
图7为本申请实施例提供的一种实现基于巡检机器人的智能巡检方法的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
本申请的一些实施例中，请参阅图1，图1为本申请实施例提供的一种基于巡检机器人的智能巡检方法的基本方法流程示意图。详细如下：
步骤S11：获取目标巡检点位的视觉图像。
本实施例中，在执行巡检任务过程中，当巡检机器人移动到目标巡检点位后，通过巡检机器人中设置的摄像设备对该目标巡检点位进行图像拍摄，获得该目标巡检点位的视觉图像。在本实施例中，以变电站场景为例，巡检点位包括但不限于设置有测量仪表的位置以及设置有闸门的位置等。获取的视觉图像为用于识别测量仪表读数的图像或用于识别闸门开合状态的图像。
步骤S12：采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果。
本实施例中，预先采用yolo(You Only Look Once)V5框架搭建视觉算法模型，yolo是一种基于深度神经网络的对象识别和定位算法，yoloV5框架是指V5版本的yolo框架。基于深度学习算法技术，通过收集大量视觉图像样本，其中，收集的视觉图像样本中包含有可以识别图像特征的视觉图像以及由于天气原因导致无法识别图像特征的视觉图像。然后，通过对这些视觉图像样本进行标注，得到经过标注的视觉图像样本。进而，使用这些经过标注的视觉图像样本将视觉算法模型训练之收敛状态，以使得该视觉算法模型具有判断视觉图像是否为因天气原因导致无法识别的视觉图像的能力和识别视觉图像中的巡检点位状态特征的能力。至此，视觉算法模型训练完成。在本实施例中，获取到目标巡检点位的视觉图像后，可以通过将该视觉图像输入至该预先训练好的视觉算法模型中进行图像识别，由该视觉算法模型基于其对视觉图像获得的图像识别结果，从而根据该图像识别结果生成目标巡检点位对应的巡检结果。在本实施例中，视觉算法模型通过图像识别获取的图像识别结果包括以下三种情况：第一种为成功识别出视觉图像中的巡检点位状态特征，基于该图像识别结果生成的巡检结果对应为巡检成功；第二种为未能成功识别出视觉图像中的巡检点位状态特征且判断视觉图像为因天气原因导致无法识别的视觉图像，基于该图像识别结果生成的巡检结果对应为因天气原因导致巡检失败；第三种为未能成功识别出视觉图像中的巡检点位状态特征且判断视觉图像为因非天气原因导致无法识别的视觉图像，基于该图像识别结果生成的巡检结果对应为因非天气原因导致巡检失败。
本申请的一些实施例中，若视觉算法模型通过图像识别获取的图像识别结果为第一种或第三种情况，即目标巡检点位对应的巡检结果为巡检成功或因非天气原因导致巡检失败时，则根据所述巡检结果生成所述目标巡检点位的巡检报告。在本实施例中，当巡检结果为巡检成功时，在巡检报告中展示该目标巡检点位根据巡检点位状态特征获得的巡检数据。当巡检结果为因非天气原因导致巡检失败时，在巡检报告中直接展示该目标巡检点位巡检失败的结果。巡检报告可供巡检后台的管理人员查看，从而实现对发生异常的设备进行及时处理和维修。
步骤S13：若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
本实施例中，在执行巡检任务之前，基于该巡检任务创建一个补巡列表，然后将在巡检任务执行过程中因天气原因导致巡检失败的巡检点位作为未识别巡检点位记录在补巡列表中。当前的巡检任务完成即巡检任务中设置的所有巡检点位均进行过一轮巡检处理，基于补巡列表可以获得该巡检任务中所有因天气原因导致巡检失败的巡检点位。在本实施例中，按照补巡列表执行补巡任务时，可以对补巡列表中记录的未识别巡检点位逐一进行补巡巡检处理，即针对补巡列表中记录的每一个未识别巡检点位，重新进行一轮巡检处理，包括重新获取未识别巡检点位的视觉图像，采用视觉算法模型对重新获取的视觉图像进行图像识别，获取该未识别巡检点位的新一轮巡检结果等。
上述实施例提供的基于巡检机器人的智能巡检方法通过训练视觉算法模型，采用训练好的视觉算法模型识别出因天气原因导致的巡检失败的巡检点位，并且创建补巡列表，将因天气原因导致的巡检失败的巡检点位添加到补巡列表中，在巡检任务完成后，按照补巡列表执行补巡任务，对补巡列表中记录的巡检点位进行补巡识别，从而降低变电站潜在风险点位漏检的数量，而且针对于部分巡检点位巡检失败的情况，相较于对巡检任务的所有巡检点位进行新一轮的巡检操作而言，可以大大地节约巡检时间，提高了巡检效率。
本申请的一些实施例中，请参阅图2，图2为本申请实施例提供的基于巡检机器人的智能巡检方法中获取巡检结果的一种方法流程示意图。详细如下：
步骤S21：采用所述视觉算法模型对所述视觉图像进行巡检点位状态特征识别处理，判断所述视觉算法模型能否成功识别出所述视觉图像中的巡检点位状态特征；
步骤S22：若能成功识别出所述视觉图像中的巡检点位状态特征，则采用所述视觉算法模型从所述视觉图像中提取出所述巡检点位状态特征，基于所述巡检点位状态特征获取所述巡检点位的巡检数据，以使所述视觉算法模型输出巡检成功的指示信息和巡检数据；
步骤S23：将所述巡检成功的指示信息和所述巡检数据一并生成为所述目标巡检点位对应的巡检结果。
本实施例中，在执行巡检任务时，获取得到的目标巡检点位的视觉图像一般为测量仪表的表盘图像或闸门图像。在本实施例中，采用视觉算法模型对视觉图像进行巡检点位状态特征识别处理时，若视觉图像为测量仪表的表盘图像，可以由视觉算法模型识别表盘图像中的表盘指针特征，并由视觉算法模型自动输出表盘指针特征的置信度，如若输出的置信度高于视觉算法模型预设的置信度阈值，则说明表盘指针特征可以准确地代表该巡检点位的工作状态，即可以将该表盘指针特征作为巡检点位状态特征，此时，判断视觉算法模型能成功识别出视觉图像中的巡检点位状态特征，否则，判断视觉算法模型不能成功识别出视觉图像中的巡检点位状态特征。若视觉图像为闸门图像，可以由视觉算法模型识别闸门图像中闸门底座与闸刀之间的位置关系特征，并由视觉算法模型自动输出闸门底座与闸刀之间的位置关系特征的置信度，如若输出的置信度高于视觉算法模型预设的置信度阈值，则说明该闸门底座与闸刀之间的位置关系特征可以准确地代表该巡检点位的工作状态，即可以将该闸门底座与闸刀之间的位置关系特征作为巡检点位状态特征，此时，判断视觉算法模型能成功识别出视觉图像中的巡检点位状态特征，否则，判断视觉算法模型不能成功识别出视觉图像中的巡检点位状态特征。在本实施例中，在判断视觉算法模型能成功识别出视觉图像中的巡检点位状态特征时，进一步地采用该视觉算法模型从该视觉图像中提取出巡检点位状态特征，基于巡检点位状态特征获取所述巡检点位的巡检数据，以使视觉算法模型输出巡检成功的指示信息和巡检数据。示例性的，若视觉图像为表盘图像，则视觉算法模型可以根据表盘指针特征确定表盘指针在表盘中的读数，将该读数生成为巡检数据。若视觉图像为闸门图像，则视觉算法模型可以根据闸门底座与闸刀之间的位置关系特征确定该闸门的开合状态(打开状态或是闭合状态)，将该开合状态生成为巡检数据。在视觉算法模型获得巡检数据后，由该视觉算法模型将巡检成功的指示信息和巡检数据作为图像识别结果输出。由此，基于视觉算法模型输出的包含有巡检成功的指示信息和巡检数据的图像识别结果，将巡检成功的指示信息和巡检数据一并生成为目标巡检点位对应的巡检结果。
本申请的一些实施例中，请参阅图3，图3为本申请实施例提供的基于巡检机器人的智能巡检方法中获取巡检结果的另一种方法流程示意图。详细如下：
步骤S31：采用所述视觉算法模型提取所述视觉图像的第一图像特征，将所述第一图像特征与所述视觉算法模型预先训练获得的因天气原因形成的第二图像特征进行相似度比对，判断所述第一图像特征是否与所述第二图像特征相似；
步骤S32：若所述第一图像特征与所述第二图像特征相似，则使所述视觉算法模型输出因天气原因导致巡检失败的指示信息，以将所述因天气原因导致巡检失败的指示信息生成为所述目标巡检点位对应的巡检结果；
步骤S33：若所述所述第一图像特征与所述第二图像特征不相似，则使所述视觉算法模型输出因非天气原因导致巡检失败的指示信息，以将所述因非天气原因导致巡检失败的指示信息生成为所述目标巡检点位对应的巡检结果。
本实施例中，通过使用大量标注为因天气原因导致无法识别的样本图像作为训练样本训练视觉算法模型后，视觉算法模型可以获得这些样本图像的共同特征作为因天气原因形成的第二图像特征，比如由太阳反光形成的特征和由雨天水雾水珠形成的特征。在判断视觉算法模型不能成功识别出目标巡检点位的视觉图像中的巡检点位状态特征时，通过采用视觉算法模型提取该目标巡检点位的视觉图像的图像特征作为第一图像特征，进而通过将第一图像特征与第二图像特征进行相似度比对，以此判断第一图像特征与第二图像特征是否相似。若相似，则可以将该第一图像特征归类为因天气原因形成的，此时，由该视觉算法模型根据第一图像特征与第二图像特征相似的图像识别结果输出因天气原因导致巡检失败的指示信息，从而以将该因天气原因导致巡检失败的指示信息生成为目标巡检点位对应的巡检结果。若不相似，可以将该第一图像特征归类为因非天气原因形成的，此时，由该视觉算法模型根据第一图像特征与第二图像特征相似的图像识别结果输出因非天气原因导致巡检失败的指示信息，从而以将该因非天气原因导致巡检失败的指示信息生成为目标巡检点位对应的巡检结果。
本申请的一些实施例中，请参阅图4，图4为本申请实施例提供的基于巡检机器人的智能巡检方法中判断第一图像特征是否与第二图像特征相似的一种方法流程示意图。详细如下：
步骤S41：采用余弦相似度算法计算出所述第一图像特征与所述第二图像特征之间的相似度值；
步骤S42：将所述相似度值与预设的相似度阈值进行比较，若所述相似度值大于所述预设的相似度阈值，则判断所述第一图像特征与所述第二图像特征相似，否则，判断所述第一图像特征与所述第二图像特征不相似。
本实施例中，在视觉算法模型中，第一图像特征与第二图像特征之间的相似判断，可以通过计算第一图像特征与第二图像特征之间的相似度值来判断。具体地，可以对第一图像特征和第二图像特征分别进行向量化表示，获得表征第一图像特征的第一表征向量和表征第二图像特征的第二表征向量，进而采用余弦相似度算法计算第一表征向量和第二表征向量之间夹角的余弦值来作为第一图像特征与第二图像特征之间的相似度值。获得第一图像特征与第二图像特征之间的相似度值后，通过将相似度值与预设的相似度阈值进行比较，若相似度值大于预设的相似度阈值，则判断第一图像特征与第二图像特征相似，否则，判断第一图像特征与第二图像特征不相似。
本申请的一些实施例中，请参阅图5，图5为本申请实施例提供的基于巡检机器人的智能巡检方法中补巡识别的一种方法流程示意图。详细如下：
步骤S51：采用所述视觉算法模型将所述补巡列表中记录的未识别巡检点位进行补巡识别处理；
步骤S52：若所述未识别巡检点位的巡检结果为巡检成功，则根据所述巡检结果生成所述未识别巡检点位的巡检报告，并将所述未识别巡检点位从所述补巡列表中删除，若所述未识别巡检点位的巡检结果为因天气原因导致巡检失败，则将所述未识别巡检点位保留在所述补巡列表中；
步骤S53：当所述补巡列表中的所有未识别巡检点位经过一轮补巡识别处理后，对所述保留在所述补巡列表中的未识别巡检点位进行新一轮的补巡识别处理，直至所述补巡列表为空时，结束补训任务。
本实施例中，当巡检任务中设置的所有巡检点位均进行过一轮巡检处理后，补巡列表会记录有该巡检任务中所有因天气原因导致巡检失败的巡检点位。在本实施例中，在巡检任务完成后，可以基于用户在巡检机器人中预设的补巡启动时间条件进入补巡倒计时，例如，补巡启动时间条件为10分钟，则生成巡检任务中最后一个巡检点位的巡检结果后即刻进入10分钟的时间倒计时，完成10分钟的倒计时后基于补巡列表开始补巡任务。开始补巡任务后，按照补巡列表中记录的未识别巡检点位的记录顺序先后，采用视觉算法模型对补巡列表中记录的未识别巡检点位逐一依次地进行补巡识别处理。其中，补巡识别处理即为对巡检点位重新进行一次巡检处理。在本实施例中，若补巡列表中的未识别巡检点位经过重新的巡检处理后，生成的巡检结果为巡检成功，则根据该巡检成功的巡检结果生成该未识别巡检点位的巡检报告，并将该未识别巡检点位从补巡列表中删除。若补巡列表中的未识别巡检点位经过重新的巡检处理后，生成的巡检结果仍然为因天气原因导致巡检失败，则将该未识别巡检点位保留在补巡列表中不删除，以等待新一轮的补训识别处理。在本实施例中，当补巡列表中所有的未识别巡检点位经过一轮补巡识别处理后，可以通过对补巡列表进行监测，识别补巡列表中是否还记录有未识别的巡检点位，若有，则进入新一轮的补巡倒计时，循环启动下一轮的补巡任务，从而对保留在补巡列表中的未识别巡检点位进行新一轮的补巡识别处理，通过不断地循环补巡识别，直至补巡列表为空时，结束补训任务。
可以理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请的一些实施例中，请参阅图6，图6为本申请实施例提供的一种基于巡检机器人的智能巡检装置的结构示意图。如图6所示，所述基于巡检机器人的智能巡检装置包括：视觉图像获取模块61、巡检结果生成模块62以及巡检点位补巡模块63。其中，所述视觉图像获取模块61用于获取目标巡检点位的视觉图像。所述巡检结果生成模块62用于采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果。所述巡检点位补巡模块63用于若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
本申请的一些实施例中，所述基于巡检机器人的智能巡检装置还包括：巡检报告生成模块。所述巡检报告生成模块用于当所述巡检结果为巡检成功或因非天气原因导致巡检失败时，则根据所述巡检结果生成所述目标巡检点位的巡检报告。
所述基于巡检机器人的智能巡检装置，应与上述的基于巡检机器人的智能巡检方法一一对应，此处不再赘述。
在本申请的一些实施例中，请参阅图7，图7为本申请实施例提供的一种实现基于巡检机器人的智能巡检方法的电子设备的示意图。如图7所示，该实施例的电子设备7包括：处理器71、存储器72以及存储在所述存储器72中并可在所述处理器71上运行的计算机程序73，例如基于巡检机器人的智能巡检程序。所述处理器71执行所述计算机程序72时实现上述各个基于巡检机器人的智能巡检方法实施例中的步骤。或者，所述处理器71执行所述计算机程序73时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序73可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器72中，并由所述处理器71执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序73在所述电子设备7中的执行过程。例如，所述计算机程序73可以被分割成：
视觉图像获取模块，用于获取目标巡检点位的视觉图像；
巡检结果生成模块，用于采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；
巡检点位补巡模块，用于若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
所述电子设备可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器71可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器72可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器72也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器72还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于巡检机器人的智能巡检方法，其特征在于，包括：
获取目标巡检点位的视觉图像；
采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；
若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
2.根据权利要求1所述的基于巡检机器人的智能巡检方法，其特征在于，所述采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果的步骤之后，还包括：
当所述巡检结果为巡检成功或因非天气原因导致巡检失败时，则根据所述巡检结果生成所述目标巡检点位的巡检报告。
3.根据权利要求2所述的基于巡检机器人的智能巡检方法，其特征在于，所述采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果的步骤，包括：
采用所述视觉算法模型对所述视觉图像进行巡检点位状态特征识别处理，判断所述所述视觉算法模型能否成功识别出所述视觉图像中的巡检点位状态特征；
若能成功识别出所述视觉图像中的巡检点位状态特征，则采用所述视觉算法模型从所述视觉图像中提取出所述巡检点位状态特征，基于所述巡检点位状态特征获取所述巡检点位的巡检数据，以使所述视觉算法模型输出巡检成功的指示信息和巡检数据；
将所述巡检成功的指示信息和所述巡检数据一并生成为所述目标巡检点位对应的巡检结果。
4.根据权利要求3所述的基于巡检机器人的智能巡检方法，其特征在于，所述采用所述视觉算法模型对所述视觉图像进行巡检点位状态特征识别处理，判断所述所述视觉算法模型能否成功识别出所述视觉图像中的巡检点位状态特征的步骤之后，若不能成功识别出所述视觉图像中的巡检点位状态特征，还包括：
采用所述视觉算法模型提取所述视觉图像的第一图像特征，将所述第一图像特征与所述视觉算法模型预先训练获得的因天气原因形成的第二图像特征进行相似度比对，判断所述第一图像特征是否与所述第二图像特征相似；
若所述第一图像特征与所述第二图像特征相似，则使所述视觉算法模型输出因天气原因导致巡检失败的指示信息，以将所述因天气原因导致巡检失败的指示信息生成为所述目标巡检点位对应的巡检结果；
若所述所述第一图像特征与所述第二图像特征不相似，则使所述视觉算法模型输出因非天气原因导致巡检失败的指示信息，以将所述因非天气原因导致巡检失败的指示信息生成为所述目标巡检点位对应的巡检结果。
5.根据权利要求4所述的基于巡检机器人的智能巡检方法，其特征在于，所述将所述第一图像特征与所述视觉算法模型预先训练获得的因天气原因形成的第二图像特征进行相似度比对，判断所述第一图像特征是否与所述第二图像特征相似的步骤，包括：
采用余弦相似度算法计算出所述第一图像特征与所述第二图像特征之间的相似度值；
将所述相似度值与预设的相似度阈值进行比较，若所述相似度值大于所述预设的相似度阈值，则判断所述第一图像特征与所述第二图像特征相似，否则，判断所述第一图像特征与所述第二图像特征不相似。
6.根据权利要求1-5任意一项所述的基于巡检机器人的智能巡检方法，其特征在于，所述按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别的步骤，包括：
采用所述视觉算法模型将所述补巡列表中记录的未识别巡检点位进行补巡识别处理；
若所述未识别巡检点位的巡检结果为巡检成功，则根据所述巡检结果生成所述未识别巡检点位的巡检报告，并将所述未识别巡检点位从所述补巡列表中删除，若所述未识别巡检点位的巡检结果为因天气原因导致巡检失败，则将所述未识别巡检点位保留在所述补巡列表中；
当所述补巡列表中的所有未识别巡检点位经过一轮补巡识别处理后，对所述保留在所述补巡列表中的未识别巡检点位进行新一轮的补巡识别处理，直至所述补巡列表为空时，结束补训任务。
7.一种基于巡检机器人的智能巡检装置，其特征在于，所述基于巡检机器人的智能巡检装置包括：
视觉图像获取模块，用于获取目标巡检点位的视觉图像；
巡检结果生成模块，用于采用预先训练好的视觉算法模型对所述视觉图像进行图像识别，根据所述视觉算法模型输出的图像识别结果生成所述目标巡检点位对应的巡检结果；
巡检点位补巡模块，用于若所述巡检结果为因天气原因导致巡检失败，则将所述目标巡检点位作为未识别巡检点位添加到补巡列表中，在当前的巡检任务完成后，按照所述补巡列表执行补巡任务，以对所述补巡列表中记录的未识别巡检点位进行补巡识别。
8.根据权利要求7所述的基于巡检机器人的智能巡检装置，其特征在于，所述基于巡检机器人的智能巡检装置包括：
巡检报告生成模块，用于当所述巡检结果为巡检成功或因非天气原因导致巡检失败时，则根据所述巡检结果生成所述目标巡检点位的巡检报告。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于巡检机器人的智能巡检方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至6任一项所述基于巡检机器人的智能巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111666271.7A CN114227717A (zh) | 2021-12-31 | 2021-12-31 | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111666271.7A CN114227717A (zh) | 2021-12-31 | 2021-12-31 | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114227717A true CN114227717A (zh) | 2022-03-25 |
Family
ID=80745086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111666271.7A Pending CN114227717A (zh) | 2021-12-31 | 2021-12-31 | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114227717A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114778560A (zh) * | 2022-06-20 | 2022-07-22 | 国网江苏省电力有限公司常州供电分公司 | 基于线缆巡检机器人的架空线检测方法和系统 |
| CN115249339A (zh) * | 2022-06-10 | 2022-10-28 | 广州中科云图智能科技有限公司 | 河道漂浮物识别系统、方法、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102790786A (zh) * | 2011-05-18 | 2012-11-21 | 杭州乐联科技有限公司 | 基于移动互联网的环境监控平台及监控方法 |
| CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
| CN107160388A (zh) * | 2017-04-25 | 2017-09-15 | 国网浙江省电力公司 | 变电站智能巡检机器人监控系统 |
| KR20170105768A (ko) * | 2016-03-10 | 2017-09-20 | 한국과학기술연구원 | 사용자-로봇 상호작용을 위한 시스템 및 정보 처리 방법 |
| CN108269322A (zh) * | 2017-12-28 | 2018-07-10 | 浙江捷尚人工智能研究发展有限公司 | 一种巡检方法 |
| CN108875593A (zh) * | 2018-05-28 | 2018-11-23 | 上海交通大学 | 基于卷积神经网络的可见光图像天气识别方法 |
| CN110674861A (zh) * | 2019-09-19 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种输变电巡检图像智能分析方法及装置 |
-
2021
- 2021-12-31 CN CN202111666271.7A patent/CN114227717A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102790786A (zh) * | 2011-05-18 | 2012-11-21 | 杭州乐联科技有限公司 | 基于移动互联网的环境监控平台及监控方法 |
| CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
| KR20170105768A (ko) * | 2016-03-10 | 2017-09-20 | 한국과학기술연구원 | 사용자-로봇 상호작용을 위한 시스템 및 정보 처리 방법 |
| CN107160388A (zh) * | 2017-04-25 | 2017-09-15 | 国网浙江省电力公司 | 变电站智能巡检机器人监控系统 |
| CN108269322A (zh) * | 2017-12-28 | 2018-07-10 | 浙江捷尚人工智能研究发展有限公司 | 一种巡检方法 |
| CN108875593A (zh) * | 2018-05-28 | 2018-11-23 | 上海交通大学 | 基于卷积神经网络的可见光图像天气识别方法 |
| CN110674861A (zh) * | 2019-09-19 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种输变电巡检图像智能分析方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115249339A (zh) * | 2022-06-10 | 2022-10-28 | 广州中科云图智能科技有限公司 | 河道漂浮物识别系统、方法、设备及存储介质 |
| CN115249339B (zh) * | 2022-06-10 | 2024-05-28 | 广州中科云图智能科技有限公司 | 河道漂浮物识别系统、方法、设备及存储介质 |
| CN114778560A (zh) * | 2022-06-20 | 2022-07-22 | 国网江苏省电力有限公司常州供电分公司 | 基于线缆巡检机器人的架空线检测方法和系统 |
| US11909182B1 (en) | 2022-06-20 | 2024-02-20 | State Grid Jiangsu Electric Power Co., Ltd., Changzhou Branch | Overhead line detection method and system based on cable inspection robot |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
| CN111652225B (zh) | 基于深度学习的非侵入式摄像读取方法及系统 | |
| EP3844668A1 (en) | System and method for training a damage identification model | |
| CN110266938B (zh) | 基于深度学习的变电站设备智能拍摄方法及装置 | |
| CN114227717A (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
| CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
| CN110175519B (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN108334815A (zh) | 电力二次设备的巡检方法、开关状态识别方法及系统 | |
| CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
| CN110222629A (zh) | 一种钢铁场景下的包号识别方法以及包号识别系统 | |
| CN112364843A (zh) | 插拔式航拍图像目标定位检测方法、系统、设备 | |
| CN113532882A (zh) | 一种汽车仪表测试方法、装置、系统及存储介质 | |
| CN112712128A (zh) | 基于神经网络的智能采摘方法、设备、存储介质及装置 | |
| WO2020047316A1 (en) | System and method for training a damage identification model | |
| CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN112927194A (zh) | 设计图纸与实物的自动核对方法及系统 | |
| CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
| CN116363208A (zh) | 一种基于限位点操作清洁机器人的方法及装置 | |
| CN110796050A (zh) | 一种无人机巡检过程中目标物体的识别方法及相关装置 | |
| CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 | |
| CN109146806A (zh) | 在电力远程监控中基于阴影消除优化的仪表指针位置检测识别方法 |
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 |