CN114323302A - 一种氧化锌避雷器故障智能识别方法 - Google Patents
一种氧化锌避雷器故障智能识别方法 Download PDFInfo
- Publication number
- CN114323302A CN114323302A CN202111530671.5A CN202111530671A CN114323302A CN 114323302 A CN114323302 A CN 114323302A CN 202111530671 A CN202111530671 A CN 202111530671A CN 114323302 A CN114323302 A CN 114323302A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- fault
- arrester
- zinc oxide
- 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
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种氧化锌避雷器故障智能识别方法,包括如下步骤:步骤1、通过红外热像仪在线拍摄输入图像,也可通过离线导入图像,获得避雷器红外热像图;步骤2、避雷器红外热像图经过转灰度图、图像去噪、图像增强、图像分割、二值化步骤对图像进行预处理,获得处理图像信息;步骤3、根据处理图像信息,自动截取处理图像信息中的目标特征区域,获得目标图像信息,并且提取典型温度特征,获得温度特征数据。通过设备的整体结构,能够提前预知氧化锌避雷器设备本体损坏情况,避免短路影响系统供电及人身安全,且通过大数据收集避雷器的健康和故障状况数据,能够判断故障是否严重,便于维修人员预先知道故障严重程度。
Description
技术领域
本发明涉及避雷器技术领域,具体地说,涉及一种氧化锌避雷器故障智能识别方法。
背景技术
避雷器能否可靠运行,是影响电力系统安全稳定运行的重要因素。我国大部分地区属于雷击多发区,近几年因氧化锌避雷器故障导致的停电时间100多起,可见避雷器故障事前检测意义重大。对运行中的避雷器的状态进行在线监测是保证其安全运行的重要手段;红外检测技术具有不停电、不取样、不接触、成本低、实用性强等优点,已广泛运用于电力设备的故障诊断方面。因此,基于红外热像检测技术,对避雷器的故障进行在线检测,对有效延长避雷器的使用寿命、降低人力和物力损失具有重要作用。定期对避雷器进行巡检,尽早排除故障及隐患,是避免和减少事故损失的重要手段。与传统检测方法相比,红外检测具有远距离、非接触、可带电检测等优点,红外检测技术可将被检测的电力设备热辐射信号转换成电信号,经过处理变为红外图像,从而可以得到电力设备的温度分布和热特征,根据温度分布和热特征对电力设备的故障和故障进行反演。但目前存在过于依赖人工、现场检测效果不明显、问题避雷器检出率低等问题,除了现场操作人员检测操作不规范外,还与设备的选择及使用、对避雷器发热特点不了解、理论研究不够深入等有关。在使用红外技术检测故障避雷器时,环境因素对检测结果的影响不能忽视。
尤其近些年来,环境污染及空气雾霾较重,使得输电线路避雷器表面极易附着污秽;在不同表面污秽和环境相对湿度的作用下,避雷器外绝缘及发热特性有很大的改变,将直接影响故障避雷器的红外检测效果。同时,不同避雷器类型在不同故障(如受潮、老化、短路及污秽和异常运行等)条件下的发热特征也会有明显差异,因此我们提出了一种氧化锌避雷器故障智能识别方法。
发明内容
本发明的目的在于提供一种氧化锌避雷器故障智能识别方法,达到了通过的效果。
本发明公开的一种氧化锌避雷器故障智能识别方法所采用的技术方案是:一种氧化锌避雷器故障智能识别方法,包括如下步骤:
步骤1、通过红外热像仪在线拍摄输入图像,也可通过离线导入图像,获得避雷器红外热像图;
步骤2、避雷器红外热像图经过转灰度图、图像去噪、图像增强、图像分割、二值化步骤对图像进行预处理,获得处理图像信息;
步骤3、根据处理图像信息,自动截取处理图像信息中的目标特征区域,获得目标图像信息,并且提取典型温度特征,获得温度特征数据;
步骤4、根据温度特征数据,通过与避雷器串纵向(不同相之间)数据、历史数据进行比较分析,获得对比数据;
步骤5、根据避雷器健康状况评判大数据算法,获得避雷器的健康和故障数据,通过对避雷器的健康和故障数据和对比数据进行比较,判定避雷器的健康和故障状况;
步骤6、根据GPS定位模块,判断避雷器的故障位置;
步骤7、显示输出检测结果,在软件界面图像区用带颜色的方框框出避雷器的故障类型,在检测结果区用文字显示此次检测的结果及细节,在温度曲线区显示避雷器的温度分布曲线,点击生成报告后,会将本次检测的结果生成excel表格,方便运维人员分析讨论。
作为优选方案,一种氧化锌避雷器故障智能识别方法,包括电源模块、图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块,所述图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块依次相互连接,所述电源模块通过导线分别与图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块相连。
作为优选方案,所述图像输入模块支持在线拍摄图像、离线导入图像和红外热像成图。
作为优选方案,所述图像预处理模块包括转灰度图、图像去燥、图像增强、图像分割、二值图,图像输入模输入的图像依次经过转灰度图、图像去燥、图像增强、图像分割、二值图进行处理。
作为优选方案,所述特征提取模块包括自动提取目标特征区域和温度特征提取区域。
作为优选方案,所述故障识别模块具体为故障避雷器识别模型。
作为优选方案,所述显示输出模块包括检测结果显示和检测结果输出,所述检测结果显示包括形成图像区、温度显示区和检测结果区,所述检测结果输出包括数据报表和检测报告。
作为优选方案,所述电源模块包括蓄电池和太阳能电池板,所述太阳能电池板通过太阳能控制器与蓄电池相连,且蓄电池通过导线与图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块中各个供电电路相连。
作为优选方案,所述氧化锌避雷器故障智能识别方法存储于计算机构架的APP内部,通过烧录的程序进行驱动运行,包括总线架构、处理器、存储器和总线接口,总线架构可以包括任意数量的互联的总线和桥,总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起,总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,总线接口在总线架构和接收器和发送器之间提供接口,接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
本发明公开的一种氧化锌避雷器故障智能识别方法的有益效果是:
通过设备的整体结构,能够提前预知氧化锌避雷器设备本体损坏情况,避免短路影响系统供电及人身安全,且通过大数据收集避雷器的健康和故障状况数据,这样在对避雷器检测出故障时,对产生的故障与大数据收集相对应的故障进行对不,而判定故障的等级,从而判断故障是否严重,这样便于维修人员预先知道故障严重程度,从而能够对维修进行预先准备,同时GPS定位模块能够对故障避雷器的位置进行定位,便于维护人员准确的到达现场,节约了寻找故障避雷器的时间,最后显示输出检测结果,在软件界面图像区用带颜色的方框框出避雷器的故障类型,在检测结果区用文字显示此次检测的结果及细节,在温度曲线区显示避雷器的温度分布曲线,点击生成报告后,会将本次检测的结果生成excel表格,方便运维人员分析讨论。
附图说明
图1为本发明整体原理图;
图2为本发明整体步骤原理示意图;
图3为本发明整体原理框架示意图。
具体实施方式
下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:
请参阅图1-3,本发明提供的一种实施例:
一种氧化锌避雷器故障智能识别方法,包括如下步骤:
步骤1、通过红外热像仪在线拍摄输入图像,也可通过离线导入图像,获得避雷器红外热像图;
具体而言:红外热像仪采用市场上现有的设备,且红外热像仪安装在各个氧化锌避雷器的外侧。
步骤2、避雷器红外热像图经过转灰度图、图像去噪、图像增强、图像分割、二值化步骤对图像进行预处理,获得处理图像信息;
具体而言:转灰度图、图像去噪、图像增强、图像分割、二值化均为图像处理过程,转灰度图是指用灰度表示的图像,灰度是在白色和黑色之间分的若干个等级,其中最常用的是256级,也就是256级灰度图;图像去噪是指减少数字图像中噪声的过程,现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,称为含噪图像或噪声图像;图像增强是有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要;图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程;图像的二值化就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。
步骤3、根据处理图像信息,自动截取处理图像信息中的目标特征区域,获得目标图像信息,并且提取典型温度特征,获得温度特征数据;
步骤4、根据温度特征数据,通过与避雷器串纵向(不同相之间)数据、历史数据进行比较分析,获得对比数据;
具体而言:温度特征数据是根据不同部位纵向数据和相对应部位的历史数据进行比较分析,当出现一个部位数据与这个部位的历史数据不同时,说明该部位可能出现异常。
步骤5、根据避雷器健康状况评判大数据算法,获得避雷器的健康和故障数据,通过对避雷器的健康和故障数据和对比数据进行比较,判定避雷器的健康和故障状况;
具体而言:通过大数据收集避雷器的健康和故障状况数据,这样在对避雷器检测出故障时,对产生的故障与大数据收集相对应的故障进行对不,而判定故障的等级,从而判断故障是否严重,这样便于维修人员预先知道故障严重程度,从而能够对维修进行预先准备。
步骤6、根据GPS定位模块,判断避雷器的故障位置;GPS定位模块采用市场上现有的GPS,能够对故障避雷器的位置进行定位,便于维护人员准确的到达现场,节约了寻找故障避雷器的时间。
步骤7、显示输出检测结果,在软件界面图像区用带颜色的方框框出避雷器的故障类型,在检测结果区用文字显示此次检测的结果及细节,在温度曲线区显示避雷器的温度分布曲线,点击生成报告后,会将本次检测的结果生成excel表格,方便运维人员分析讨论。
一种氧化锌避雷器故障智能识别方法,包括电源模块、图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块,所述图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块依次相互连接,所述电源模块通过导线分别与图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块相连。
所述图像输入模块支持在线拍摄图像、离线导入图像和红外热像成图。
具体而言:就是收集避雷器的图像,通过对避雷器的图像进行处理,而判断避雷器的状况。
所述图像预处理模块包括转灰度图、图像去燥、图像增强、图像分割、二值图,图像输入模输入的图像依次经过转灰度图、图像去燥、图像增强、图像分割、二值图进行处理。
所述特征提取模块包括自动提取目标特征区域和温度特征提取区域。
所述故障识别模块具体为故障避雷器识别模型。
所述显示输出模块包括检测结果显示和检测结果输出,所述检测结果显示包括形成图像区、温度显示区和检测结果区,所述检测结果输出包括数据报表和检测报告。
所述电源模块包括蓄电池和太阳能电池板,所述太阳能电池板通过太阳能控制器与蓄电池相连,且蓄电池通过导线与图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块中各个供电电路相连。
具体而言:太阳能电池板和蓄电池均采用市场上现有的设备,太阳能电池板能够通过太阳光的照射而产生电源,从而对蓄电池进行充电,并且蓄电池能够对各个用电模块进行供电,从而能够使得整体结构正常的工作。
所述氧化锌避雷器故障智能识别方法存储于计算机构架的APP内部,通过烧录的程序进行驱动运行,包括总线架构、处理器、存储器和总线接口,总线架构可以包括任意数量的互联的总线和桥,总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起,总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,总线接口在总线架构和接收器和发送器之间提供接口,接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
最后应当说明的是,本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (9)
1.一种氧化锌避雷器故障智能识别方法,其特征在于:包括如下步骤:
步骤1、通过红外热像仪在线拍摄输入图像,获得避雷器红外热像图;
步骤2、避雷器红外热像图经过转灰度图、图像去噪、图像增强、图像分割、二值化步骤对图像进行预处理,获得处理图像信息;
步骤3、根据处理图像信息,自动截取处理图像信息中的目标特征区域,获得目标图像信息,并且提取典型温度特征,获得温度特征数据;
步骤4、根据温度特征数据,通过与避雷器串纵向数据、历史数据进行比较分析,获得对比数据;
步骤5、根据避雷器健康状况评判大数据算法,获得避雷器的健康和故障数据,通过对避雷器的健康和故障数据和对比数据进行比较,判定避雷器的健康和故障状况;
步骤6、根据GPS定位模块,判断避雷器的故障位置;
步骤7、显示输出检测结果,在软件界面图像区用带颜色的方框框出避雷器的故障类型,在检测结果区用文字显示此次检测的结果及细节,在温度曲线区显示避雷器的温度分布曲线,点击生成报告后,会将本次检测的结果生成excel表格。
2.根据权利要求1所述的一种氧化锌避雷器故障智能识别方法,其特征在于:包括电源模块、图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块,所述图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块依次相互连接,所述电源模块通过导线分别与图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块相连。
3.根据权利要求2所述的一种氧化锌避雷器故障智能识别方法,其特征在于:所述图像输入模块支持在线拍摄图像、离线导入图像和红外热像成图。
4.根据权利要求2所述的一种氧化锌避雷器故障智能识别方法,其特征在于:所述图像预处理模块包括转灰度图、图像去燥、图像增强、图像分割、二值图,图像输入模输入的图像依次经过转灰度图、图像去燥、图像增强、图像分割、二值图进行处理。
5.根据权利要求2所述的一种氧化锌避雷器故障智能识别方法,其特征在于:所述特征提取模块包括自动提取目标特征区域和温度特征提取区域。
6.根据权利要求2所述的一种氧化锌避雷器故障智能识别方法,其特征在于:所述故障识别模块具体为故障避雷器识别模型。
7.根据权利要求2所述的一种氧化锌避雷器故障智能识别方法,其特征在于:所述显示输出模块包括检测结果显示和检测结果输出,所述检测结果显示包括形成图像区、温度显示区和检测结果区,所述检测结果输出包括数据报表和检测报告。
8.根据权利要求2所述的一种氧化锌避雷器故障智能识别方法的系统,其特征在于:所述电源模块包括蓄电池和太阳能电池板,所述太阳能电池板通过太阳能控制器与蓄电池相连,且蓄电池通过导线与图像输入模块、图像预处理模块、特征提取模块、特征筛选模块、故障识别模块、GPS定位模块和显示输出模块中各个供电电路相连。
9.根据权利要求1至8所述的一种氧化锌避雷器故障智能识别方法,其特征在于:所述氧化锌避雷器故障智能识别方法存储于计算机构架的APP内部,通过烧录的程序进行驱动运行,包括总线架构、处理器、存储器和总线接口,总线架构可以包括任意数量的互联的总线和桥,总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起,总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,总线接口在总线架构和接收器和发送器之间提供接口,接收器和发送器可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111530671.5A CN114323302A (zh) | 2021-12-14 | 2021-12-14 | 一种氧化锌避雷器故障智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111530671.5A CN114323302A (zh) | 2021-12-14 | 2021-12-14 | 一种氧化锌避雷器故障智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114323302A true CN114323302A (zh) | 2022-04-12 |
Family
ID=81050570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111530671.5A Pending CN114323302A (zh) | 2021-12-14 | 2021-12-14 | 一种氧化锌避雷器故障智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114323302A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617469A (zh) * | 2013-12-18 | 2014-03-05 | 重庆大学 | 电力系统设备故障预测方法及系统 |
CN207366674U (zh) * | 2017-11-09 | 2018-05-15 | 贵州电网有限责任公司 | 一种多功能氧化锌避雷器在线监测系统 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110794251A (zh) * | 2019-12-03 | 2020-02-14 | 常德威迪电气有限责任公司 | 一种避雷器的故障在线监测方法及在线监测系统 |
CN110940931A (zh) * | 2019-09-18 | 2020-03-31 | 国网浙江省电力有限公司金华供电公司 | 一种避雷器泄漏电流在线监测系统及方法 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
-
2021
- 2021-12-14 CN CN202111530671.5A patent/CN114323302A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617469A (zh) * | 2013-12-18 | 2014-03-05 | 重庆大学 | 电力系统设备故障预测方法及系统 |
CN207366674U (zh) * | 2017-11-09 | 2018-05-15 | 贵州电网有限责任公司 | 一种多功能氧化锌避雷器在线监测系统 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110940931A (zh) * | 2019-09-18 | 2020-03-31 | 国网浙江省电力有限公司金华供电公司 | 一种避雷器泄漏电流在线监测系统及方法 |
CN110794251A (zh) * | 2019-12-03 | 2020-02-14 | 常德威迪电气有限责任公司 | 一种避雷器的故障在线监测方法及在线监测系统 |
CN111986172A (zh) * | 2020-08-18 | 2020-11-24 | 华北电力科学研究院有限责任公司 | 一种面向电力设备的红外图像故障检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584222B (zh) | 一种基于无人机的光伏组件图像的故障分类及辨识方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN113283344B (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
CN111555716A (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN114966467A (zh) | 一种基于数字孪生的输电线路状态评估方法 | |
CN105654461A (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
Liao et al. | Using Matlab real-time image analysis for solar panel fault detection with UAV | |
CN116054417B (zh) | 一种变电站用的监控系统及方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN111695493A (zh) | 一种输电线路隐患的检测方法及系统 | |
CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
CN115642877A (zh) | 一种基于深度学习的光伏组件异常遮挡检测方法及系统 | |
CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
CN115311585A (zh) | 用于电网架空线路异物的识别检测系统 | |
CN116781008A (zh) | 一种光伏电站的异常状态检测方法及系统 | |
CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
CN116152202A (zh) | 基于图像识别技术和红外热成像技术的设备外观检测系统 | |
CN107977531A (zh) | 一种基于图像处理和领域数学模型进行接地电阻软测量的方法 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN117455843A (zh) | 一种电缆头缺陷智能化检测系统 | |
CN114323302A (zh) | 一种氧化锌避雷器故障智能识别方法 | |
US20230042106A1 (en) | System and method for the statistical analysis of images of photovoltaic panels |
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 |