CN114362367A - 面向云边协同的输电线路监测系统和方法、识别系统和方法 - Google Patents
面向云边协同的输电线路监测系统和方法、识别系统和方法 Download PDFInfo
- Publication number
- CN114362367A CN114362367A CN202111668276.3A CN202111668276A CN114362367A CN 114362367 A CN114362367 A CN 114362367A CN 202111668276 A CN202111668276 A CN 202111668276A CN 114362367 A CN114362367 A CN 114362367A
- Authority
- CN
- China
- Prior art keywords
- edge
- cloud
- model
- data
- transmission line
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 48
- 238000013135 deep learning Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract description 4
- 238000012806 monitoring device Methods 0.000 description 24
- 239000003795 chemical substances by application Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/128—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment involving the use of Internet protocol
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种面向云边协同的输电线路监测系统和方法、识别系统和方法。监测系统包括：感知层，包括电力物联网中的状态感知和执行的控制主体，用于对电力系统设备数据的监测、采集和感知得到感知数据；边缘层，包括边缘物联代理终端，用于在边缘计算节点对所述感知数据进行预处理；网络层，包括远程通信通道和本地接入通道，用于将预处理后的所述感知数据进行汇聚传输；云端，用于对汇聚传输的所述感知数据进行数据存储、数据分类、数据交换和数据分发，并依次向网络层、边缘层和感知层发送执行指令。本发明解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题。
Description
技术领域
本发明涉及电力物联网领域，具体是一种面向云边协同的输电线路监测系统和方法、识别系统和方法。
背景技术
电力物联网为电力系统能源生产、传输、配售等各环节提供信息和数据支持，对优化电网运行、降低管理成本、提升经济效益、提高服务质量有极大的促进作用。
为了有效提升数据共享能力，提升信息管理、信息价值挖掘、大数据及人工智能分析等水平，现阶段采用云计算架构，将感知层数据上传到云平台集中处理应用。但在海量数据背景下存在以下问题：一方面云平台数据传输时延大，造成业务响应不及时，另一方面数据集中于云平台，造成网络传输、云端计算资源的巨大负担等。随着电力物联网数字化转型的不断深入，在相对数以万计接入需求下云平台的信息系统架构在业务处理时效性、中心数据处理能力等方面的局限性显现出来。云边协同技术的提出为上述问题提供了解决思路，其核心思想是将部分数据处理、分析、相关应用程序部署至靠近数据源的边缘层中，以降低数据处理时延，缓解云平台的资源压力。
边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，可以满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。电力行业开展边缘计算的研究应用已经启动。2019年国网公司在《配电物联网技术发展白皮书》中提出边缘层采用“统一硬件平台+边缘操作系统+APP业务应用软件”的技术架构，考虑通过边缘计算技术提高业务处理的实时性，降低云主站通讯和计算的压力。
输电线路是电力物联网重要部分，输电线路本地和输电走廊的监测传感器类型多，信息传输通道受限。输电线路本体和输电走廊的运行状态、环境工况的监测是保障电力安全传输的首道屏障，输电线路在线监测系统传感器部署类型多、信息传输困难、故障难以监测、传感数据业务时效性不足等问题是输电线路监测中的难点问题。
电力物联网技术在电力系统得到广泛应用，但是当前云端处理方式存在的业务处理时效性、中心数据处理能力不足等方面存在的问题。
发明内容
本发明技术方案针对云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，提出一种面向云边协同的输电线路监测系统和方法、识别系统和方法，利用边缘侧识别技术对目标对象进行识别，仅传输标注信息和识别结果，避免了图像和视频大数据量的传输。
本发明实施例提供的具体技术方案如下：
一种面向云边协同的输电线路监测系统，包括：
感知层，包括电力物联网中的状态感知和执行的控制主体，用于对电力系统设备数据的监测、采集和感知得到感知数据；
边缘层，包括边缘物联代理终端，用于在边缘计算节点对所述感知数据进行预处理；
网络层，包括远程通信通道和本地接入通道，用于将预处理后的所述感知数据进行汇聚传输；
及云端，用于对汇聚传输的所述感知数据进行数据存储、数据分类、数据交换和数据分发，并依次向网络层、边缘层和感知层发送执行指令；
所述云端、边缘层和感知层均具有对应的智能应用平台，且以云端的智能应用平台为核心，对云端、边缘层、感知层对应的智能应用平台进行协同。
作为本发明的进一步改进，所述控制主体包括传感器或采集终端；
所述边缘物联代理终端设置在靠近感知层或数据源头，用于就近提供边缘计算。
作为本发明的进一步改进，所述云端包括依次连接的业务系统、样本库、模型训练智能应用平台、模型库和云端智能应用平台；
所述边缘层包括边缘端分布式智能应用平台；
所述感知层包括终端分布式智能应用平台；
所述云端智能应用平台用于通过网络层的网络通道下发模型至终端分布式智能应用平台和边缘端分布式智能应用平台，终端分布式智能应用平台和边缘端分布式智能应用平台对输电线路监测进行识别，对识别结果记录并根据设置参数进行评估，识别记录和评估结果通过信息采集通道反馈至云端的模型训练智能应用平台。
作为本发明的进一步改进，所述模型库中的模型包括训练模型和导入模型；所述训练模型由模型训练智能应用平台根据样本库训练产生并导入模型库；所述外采模型直接以模型文件或镜像的形式导入模型库；
应用时，将模型由模型库导入云端智能应用平台进行部署，用于为终端分布式智能应用平台和边缘端分布式智能应用平台部署提供服务；当模型库的模型精度无法满足需求时，通过模型训练智能应用平台对训练模型迭代优化。
一种基于所述的面向云边协同的输电线路监测系统的计算方法，其特征在于，包括：
输电线路的感知层中，控制主体对电力系统设备数据的监测、采集和感知得到感知数据；
在感知层的控制主体上直接经过预处理和标注后，形成可用于训练的样本数据，然后经边缘物联代理终端汇聚、上传至云端或者直接上传至云端，经物联管理平台接入，汇集至样本库；
或者，
在边缘侧的边缘物联代理终端上经过预处理和标注后，形成用于训练的样本数据，上传至云端，经物联管理平台接入，归集至样本库；
云端利用样本库的样本数据组织开展模型训练，训练过程中产生的样本或样本目录重新传输至样本库。
一种输电线路识别方法，基于电力物联网输电线路计算系统，包括：
对待处理图片进行前处理；
使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；
利用边缘侧深度学习网络模型进行深层卷积计算提取图片特征；
基于所述图片特征和目标预测值，按照边缘侧深度学习网络模型中预先设定的置信度和损失函数预测目标框的位置；
通过边缘侧深度学习网络模型对检测出的目标框进行反向运算，获得检测图像内容。
作为本发明的进一步改进，所述边缘侧深度学习网络模型包括：
头网络，采用MobileNetv2网络结构，用于提取特征；
主网络，采用YOLOv3网络结构，基于头网络提取到的特征深化目标分类和目标检测。
作为本发明的进一步改进，所述边缘侧深度学习网络模型的构建方法包括：
对待处理图片进行前处理；
按照预定规则将原图划分成多个小方块，以每个小方块为中心分别生成一系列锚框，使得整张图片都会被锚框覆盖到；
在每个锚框的基础上产生一个与之对应的预测框，根据预测框与图片上物体目标框之间的位置关系，对预测框进行标注；在图片上构成一系列的候选区域；
把与目标框接近的预测框标注为正样本，同时将真实框的位置作为正样本的位置目标，对正样本进行标注编码；偏离真实框的候选区域被标注为负样本，负样本不需要预测位置或者类别；
使用MobileNetv2网络结构开展卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；
再利用YOLOv3网络结构进行深层卷积计算提取图片特征；
将完成计算的图片特征与形成的正样本进行映射，计算目标预测值与预测框标注值的差值；
更新模型梯度参数，重复差值计算过程，建立起损失函数，构建得到边缘侧深度学习网络模型。
一种输电线路识别系统，包括：
前处理模块，用于对待处理图片进行前处理；
计算模块，用于使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；利用边缘侧深度学习网络模型进行深层卷积计算提取图片特征；基于所述图片特征和目标预测值，按照边缘侧深度学习网络模型中预先设定的置信度和损失函数预测目标框的位置；
检测模块，用于通过边缘侧深度学习网络模型对检测出的目标框进行反向运算，获得检测图像内容。
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所述输电线路识别方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明面向云边协同的技术模式，结合输电线路在线监测业务，提出一种边缘智能计算应用架构，利用了云边协同的模式，将训练模型下发到边缘物联终端或者采集终端，利用边缘侧识别技术对目标对象进行识别，仅传输标注信息和识别结果，避免了图像和视频大数据量的传输。本发明解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。
进一步，提出一种面向云边协同架构的智能计算框架，将智能计算应用在“云、管、边、端”各个分层中，描述电力物联网无处不在的智能计算应用。描述基于“云、管、边、端”层级的电力物联网数据流向，物联网核心是信息的数字化和信息价值的挖掘，电力物理网实现数据从感知层的传感器或采集终端产生，经网络层的信息通信网络汇聚至平台层，平台层对数据进行存储、数据分类、数据交换和分发、设备数据处理等，实现“数据一次采集，数据分类应用”的设计理念。
进一步，本发明提出一种输电线路智能计算架构及目标检测的实现方法，实现输电线路图像监测装置、视频摄像装置的感知数据的采集、传输、模型学习、智能分类与识别等智能化应用。
优选地，本发明针对输电线路边缘侧智能识别采用深度学习网络模型实现，具体算法采用MobileNetv2+YOLOv3的网络结构，建立输电线路边缘侧典型的高性能识别应用。
附图说明
图1“智云管边端”五层电力物联网架构；
图2电力物联网的数据流向；
图3输电线路在线监测智能识别实现方法；
图4边缘侧智能检测计算图，(a)模型训练计算过程(b)模型检测计算过程；
图5为本发明输电线路识别方法流程框图；
图6为本发明输电线路识别系统框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明技术方案针对云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，提出一种面向云边协同架构的电网输电线路智能计算架构与实现方法，采用了云边协同的模式，将基于样本获得的训练模型下发到边缘物联终端或者采集终端，利用边缘侧识别技术对目标对象进行识别，仅传输标注信息和识别结果，避免了数据量大的图像和视频传输。
基于图1和图2，本发明提供一种面向云边协同的输电线路监测系统，包括：
感知层，包括电力物联网中的状态感知和执行的控制主体，用于对电力系统设备数据的监测、采集和感知得到感知数据；
边缘层，包括边缘物联代理终端，用于在边缘计算节点对所述感知数据进行预处理；
网络层，包括远程通信通道和本地接入通道，用于将预处理后的所述感知数据进行汇聚传输；
及云端，用于对汇聚传输的所述感知数据进行数据存储、数据分类、数据交换和数据分发，并依次向网络层、边缘层和感知层发送执行指令；
所述云端、边缘层和感知层均具有对应的智能应用平台，且以云端的智能应用平台为核心，对云端、边缘层、感知层对应的智能应用平台进行协同。
其中，所述控制主体包括传感器或采集终端；
控制主体具体包括气象监测装置、雷电监测装置、台风监测装置、图像监控装置、视频监控装置、分布式故障监测装置、防山火红外监测装置、卫星遥感监测、通道水位监测传感器、通道气体监测传感器、环境温度监测传感器、通道安防监测装置、通道火灾监测装置、通道沉降监测装置、通道外破监测装置、光纤震动监测传感器、机械振动监测传感器、北斗形变监测装置、杆塔倾斜监测装置、覆冰监测装置、微风振动监测装置、舞动监测装置、温度监测装置、弧垂监测装置、风偏传监测装置、污秽度监测装置、接地电阻监测装置等，通信通道有电力光纤通信(OPGW、ADSS等)、无线专网通信(4G/5G无线网络、LTE电力无线专网等)、本地的总线和微功率无线等。
所述边缘物联代理终端设置在靠近感知层或数据源头，用于就近提供边缘计算。
所述云端、网络层、边缘层和感知层均具有对应的智能应用平台，并且以云端智能应用平台为核心，实现对网络层、边缘层、感知层智能应用平台的发布、配置、更新和卸载等协同。
所述云端包括依次连接的业务系统、样本库、模型训练智能应用平台、模型库和云端智能应用平台；
所述边缘层包括边缘端分布式智能应用平台；
所述感知层包括终端分布式智能应用平台；
所述云端智能应用平台用于通过网络层的网络通道下发模型至终端分布式智能应用平台和边缘端分布式智能应用平台，终端分布式智能应用平台和边缘端分布式智能应用平台对输电线路监测进行识别，对识别结果记录并根据设置参数进行评估，识别记录和评估结果通过信息采集通道反馈至云端的模型训练智能应用平台。
其中，所述模型库中的模型包括训练模型和导入模型；所述训练模型由模型训练智能应用平台根据样本库训练产生并导入模型库；所述外采模型直接以模型文件或镜像的形式导入模型库；
应用时，将模型由模型库导入云端智能应用平台进行部署，用于为终端分布式智能应用平台和边缘端分布式智能应用平台部署提供服务；当模型库的模型精度无法满足需求时，通过模型训练智能应用平台对训练模型迭代优化。
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，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种面向云边协同架构的智能计算框架，如图1所示为“智云管边端”五层电力物联网架构，基于的云边协同架构包括“智、云、管、边、端”五层架构；
其中，智是智能应用，对应在“云、管、边、端”的智能应用描述为云端智能、网络智能、边缘智能、终端智能；
云层以云平台为核心，包括运管平台、物联管理平台、企业中台等主要功能实体。针对不同的物联网规模，选择部署公有云、私有云或混合云，“云”作为云化的主站平台，在云上部署有多种微服务实现平台的功能；对应云端；
“管”是指通信通道及网络管理，包括远程通信通道和本地接入通道，是端和云之间的数据传输通道；对应网络层；
“边”是指边缘物联代理，是在靠近端侧设备或数据源头的网络边缘侧，就近提供边缘计算服务，在边缘计算节点部署多个微应用；对应边缘层；
“端”是电力物联网架构中的状态感知和执行控制主体，实现对电力系统设备运行环境、设备状态、电气量信息这些基础数据的监测、采集和感知；对应感知层。
如图2所示，为电力物联网的数据流向。在基于“云、管、边、端”架构的电力物联网系统运行、设备状态、计量等数据流，从感知层的传感器或采集终端产生，经边缘侧的物联代理终端处理后通过网络层的信息通信网络汇聚至云端，云端对数据进行存储、数据分类、数据交换和分发、设备数据处理等，实现“数据一次采集，数据分类应用”的设计理念。
本发明第二个目的是提供一种基于所述的面向云边协同的输电线路监测系统的计算方法，包括：
输电线路的感知层中，控制主体对电力系统设备数据的监测、采集和感知得到感知数据；
在感知层的控制主体上直接经过预处理和标注后，形成可用于训练的样本数据，然后经边缘物联代理终端汇聚、上传至云端或者直接上传至云端，经物联管理平台接入，汇集至样本库；
或者，
在边缘侧的边缘物联代理终端上经过预处理和标注后，形成用于训练的样本数据，上传至云端，经物联管理平台接入，归集至样本库；
云端利用样本库的样本数据组织开展模型训练，训练过程中产生的样本或样本目录重新传输至样本库。
进一步，本发明结合电力物联网“智云管边端”体系架构，结合输电线路在线监测业务，提出了一种输电线路智能计算架构及实现方法，实现输电线路图像监测装置、视频摄像装置的感知数据的采集、传输、模型学习、智能分类与识别等智能化应用。如图3所示，为输电线路在线监测智能识别实现方法。
实施例2
具体实现过程包括：输电线路感知层图像监测装置、视频摄像装置产生了图片数据和视频数据，包括两种方案：
方案一是在感知终端上直接经过预处理和标注后，形成可用于训练的样本数据，然后经边缘物联代理汇聚、上传至云端(或者直接上传至云端)，经物联管理平台接入，汇集至样本库；
方案二是在边缘侧边缘物联代理上经过预处理和标注后，形成可用于训练的样本数据，上传至云端，经物联管理平台接入，归集至样本库。
人工智能平台(即云端平台配置人工智能训练模块)，可利用样本库的样本数据组织开展模型训练，训练过程中产生的样本或样本目录重新传输至样本库。
模型数据流向：模型按照来源不同可分为自研模型和外采模型，自研模型由人工智能平台(即平台的训练环境)产生并导入模型库，外采模型直接以模型文件或镜像的形式导入模型库。应用时，将模型由模型库导入人工智能平台(即平台的运行环境)进行部署，为上层应用部署提供服务。当模型精度无法满足需求时，可通过人工智能平台(即平台训练环境)进行迭代优化。模型应用主要在边缘侧和采集终端侧，识别对象模型经过人工智能平台(即平台的运行环境)通过网络通道下发至边缘侧物联代理终端或终端侧采集装置后，物联代理终端和采集装置基于边缘侧和采集终端侧的分布式人工智能运行环境(边缘侧深度学习网络模型)可以进行目标对象的智能识别，对识别结果记录并根据设置参数进行评估，识别记录和评估结果通过信息采集通道反馈至人工智能平台。云边协同模式下支持云端智能平台对边缘侧的训练模型进行下发、更新、卸载等管理。
如图5所示，本发明第三个目的是提供一种输电线路在线识别方法，基于所述电力物联网输电线路计算系统，包括：
对待处理图片进行前处理；
使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；
利用边缘侧深度学习网络模型进行深层卷积计算提取图片特征；
基于所述图片特征和目标预测值，按照边缘侧深度学习网络模型中预先设定的置信度和损失函数预测目标框的位置；
通过边缘侧深度学习网络模型对检测出的目标框进行反向运算，获得检测图像内容。
具体地，所述边缘侧深度学习网络模型包括：
头网络，采用MobileNetv2网络结构，用于提取特征；
主网络，采用YOLOv3网络结构，基于头网络提取到的特征深化目标分类和目标检测。
优选地，所述边缘侧深度学习网络模型的构建方法包括：
对待处理图片进行前处理；
按照预定规则将原图划分成多个小方块，以每个小方块为中心分别生成一系列锚框，使得整张图片都会被锚框覆盖到；
在每个锚框的基础上产生一个与之对应的预测框，根据预测框与图片上物体目标框之间的位置关系，对预测框进行标注；在图片上构成一系列的候选区域；
把与目标框接近的预测框标注为正样本，同时将真实框的位置作为正样本的位置目标，对正样本进行标注编码；偏离真实框的候选区域被标注为负样本，负样本不需要预测位置或者类别；
使用MobileNetv2网络结构开展卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；
再利用YOLOv3网络结构进行深层卷积计算提取图片特征；
将完成计算的图片特征与形成的正样本进行映射，计算目标预测值与预测框标注值的差值；
更新模型梯度参数，重复差值计算过程，建立起损失函数，构建得到边缘侧深度学习网络模型。
实施例4
作为优选实施例，针对输电线路边缘侧智能识别采用深度学习网络模型实现，具体算法包括头网络采用MobileNetv2，用于提取特征；主网络采用YOLOv3基于头网络提取到的特征深化目标分类和目标检测，在此基础网络结构上建立输电线路边缘侧高性能识别算法。本发明采用的MobileNetv2+YOLOv3的网络结构，YOLOv3的输入特征值计算中引入了深度可分离卷积，使得YOLOv3可与MobileNetv2相匹配，参数量与计算量都大幅降低。因为MobileNetv2是一种轻量级的网络结构，对比VGG、ResNet等其他流行结构，MobileNetv2在算法层面有效减少了存储与计算开销，是适用于移动端或嵌入式设备的高效模型。YOLOv3是一种运用深卷积神经网络学习的特征来检测目标的检测器，其通过预先划定的候选区粗略的覆盖整个图片，在每个候选区中预测对象边框与类别，具有计算量小、计算速度快的特点，成为边缘侧识别算法最佳选择。
如图4，为边缘侧智能检测计算图，(a)模型训练计算过程(b)模型检测计算过程。
其中，前处理主要工作是图片的裁剪、翻转、重构等操作，强化和规范化图片数据。头网络主要模块，以CONV字母前缀的模块为一个卷积块，包含一层卷积层、归一化和激活层。EXPANDED_CONV字母前缀的模块为倒置残差模块，这个是通过逐点卷积、深度卷积计算得到的。主网络主要模块PRED_LBBOX为检测尺度指标，误差为计算的特征阈值，后处理是目标的标注。
详细计算过程包括以下步骤：
(1)模型训练计算过程包括:
1)对待处理图片进行剪切、重构等前处理；
2)按照预定规则将原图划分成多个小方块，以每个小方块为中心分别生成一系列锚框，整张图片都会被锚框覆盖到；
3)在每个锚框的基础上产生一个与之对应的预测框，根据预测框与图片上物体目标框之间的位置关系，对这些预测框进行标注。在图片上构成一系列的候选区域；
4)把与目标框足够接近的那些预测框标注为正样本，同时将真实框的位置作为正样本的位置目标，对正样本进行标注编码。偏离真实框较大的那些候选区域则会被标注为负样本，负样本不需要预测位置或者类别；
5)先使用mobilenet网络结构开展卷积运算提取图片特征，主要包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值。详细网络参数根据要求设置；
6)再利用YOLO网络结构进行深层卷积计算提取图片特征。详细网络参数根据要求设置；
7)将完成特定计算深度的图片特征与步骤4形成的正样本进行映射，计算目标预测值与预测框标注值的差值；
8)更新梯度参数，重复步骤4、5计算过程，建立起损失函数。
(2)模型检测计算过程包括以下步骤：
1)对待处理图片进行剪切、重构等前处理；
2)先使用mobilenet网络结构开展卷积运算提取图片特征，主要包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值。详细网络参数根据要求设置；
3)再利用YOLO网络结构进行深层卷积计算提取图片特征；
4)在完成特定计算深度的图片特征上，按照设定的置信度和训练的损失函数预测目标框的位置；
5)对检测出的目标框进行反向运算，获得检测图像内容。
至此完成了对象的智能识别。
如图6本发明第四个目的是提供一种输电线路识别系统，包括：
前处理模块，用于对待处理图片进行前处理；
计算模块，用于使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；利用边缘侧深度学习网络模型进行深层卷积计算提取图片特征；基于所述图片特征和目标预测值，按照边缘侧深度学习网络模型中预先设定的置信度和损失函数预测目标框的位置；
检测模块，用于通过边缘侧深度学习网络模型对检测出的目标框进行反向运算，获得检测图像内容。
本发明还提供一种电子设备，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所述输电线路识别方法的步骤。
本发明还提供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所述输电线路识别方法的步骤。
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装置。
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装置的制造品，该指令装置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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种面向云边协同的输电线路监测系统，其特征在于，包括：
感知层，包括电力物联网中的状态感知和执行的控制主体，用于对电力系统设备数据进行监测、采集和感知得到感知数据；
边缘层，包括边缘物联代理终端，用于在边缘计算节点对所述感知数据进行预处理；
网络层，包括远程通信通道和本地接入通道，用于将预处理后的所述感知数据进行汇聚传输；
及云端，用于对汇聚传输的所述感知数据进行数据存储、数据分类、数据交换和数据分发，并依次向网络层、边缘层和感知层发送执行指令；
所述云端、边缘层和感知层均具有对应的智能应用平台，且以云端的智能应用平台为核心，对云端、边缘层、感知层对应的智能应用平台进行协同。
2.根据权利要求1所述的面向云边协同的输电线路监测系统，其特征在于，
所述控制主体包括传感器或采集终端；
所述边缘物联代理终端设置在靠近感知层或数据源头，用于就近提供边缘计算。
3.根据权利要求1所述的面向云边协同的输电线路监测系统，其特征在于，
所述云端包括依次连接的业务系统、样本库、模型训练智能应用平台、模型库和云端智能应用平台；
所述边缘层包括边缘端分布式智能应用平台；
所述感知层包括终端分布式智能应用平台；
所述云端智能应用平台用于通过网络层的网络通道下发模型至终端分布式智能应用平台和边缘端分布式智能应用平台，终端分布式智能应用平台和边缘端分布式智能应用平台对输电线路监测进行识别，对识别结果记录并根据设置参数进行评估，识别记录和评估结果通过信息采集通道反馈至云端的模型训练智能应用平台。
4.根据权利要求3所述的面向云边协同的输电线路监测系统，其特征在于，
所述模型库中的模型包括训练模型和导入模型；所述训练模型由模型训练智能应用平台根据样本库训练产生并导入模型库；所述外采模型直接以模型文件或镜像的形式导入模型库；
应用时，将模型由模型库导入云端智能应用平台进行部署，用于为终端分布式智能应用平台和边缘端分布式智能应用平台部署提供服务；当模型库的模型精度无法满足需求时，通过模型训练智能应用平台对训练模型迭代优化。
5.一种基于权利要求1至4任一项所述的面向云边协同的输电线路监测系统的计算方法，其特征在于，包括：
输电线路的感知层中，控制主体对电力系统设备数据的监测、采集和感知得到感知数据；
在感知层的控制主体上直接经过预处理和标注后，形成可用于训练的样本数据，然后经边缘物联代理终端汇聚、上传至云端或者直接上传至云端，经物联管理平台接入，汇集至样本库；
或者，
在边缘侧的边缘物联代理终端上经过预处理和标注后，形成用于训练的样本数据，上传至云端，经物联管理平台接入，归集至样本库；
云端利用样本库的样本数据组织开展模型训练，训练过程中产生的样本或样本目录重新传输至样本库。
6.一种输电线路识别方法，用于面向云边协同的输电线路监测系统，其特征在于，包括：
对待处理图片进行前处理；
使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；
利用边缘侧深度学习网络模型进行深层卷积计算提取图片特征；
基于所述图片特征和目标预测值，按照边缘侧深度学习网络模型中预先设定的置信度和损失函数预测目标框的位置；
通过边缘侧深度学习网络模型对检测出的目标框进行反向运算，获得检测图像内容。
7.根据权利要求6所述的一种输电线路识别方法，其特征在于，
所述边缘侧深度学习网络模型包括：
头网络，采用MobileNetv2网络结构，用于提取特征；
及主网络，采用YOLOv3网络结构，基于头网络提取到的特征深化目标分类和目标检测。
8.根据权利要求6所述的一种输电线路识别方法，其特征在于，
所述边缘侧深度学习网络模型的构建方法包括：
对待处理图片进行前处理；
按照预定规则将原图划分成多个小方块，以每个小方块为中心分别生成一系列锚框，使得整张图片都会被锚框覆盖到；
在每个锚框的基础上产生一个与之对应的预测框，根据预测框与图片上物体目标框之间的位置关系，对预测框进行标注；在图片上构成一系列的候选区域；
把与目标框接近的预测框标注为正样本，同时将真实框的位置作为正样本的位置目标，对正样本进行标注编码；偏离真实框的候选区域被标注为负样本，负样本不需要预测位置或者类别；
使用MobileNetv2网络结构开展卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；
再利用YOLOv3网络结构进行深层卷积计算提取图片特征；
将完成计算的图片特征与形成的正样本进行映射，计算目标预测值与预测框标注值的差值；
更新模型梯度参数，重复差值计算过程，建立起损失函数，构建得到边缘侧深度学习网络模型。
9.一种输电线路识别系统，其特征在于，包括：
前处理模块，用于对待处理图片进行前处理；
计算模块，用于使用预先构建的边缘侧深度学习网络模型进行卷积运算提取图片特征，包括正向卷积网络计算和倒置残差卷积计算，获得目标预测值；利用边缘侧深度学习网络模型进行深层卷积计算提取图片特征；基于所述图片特征和目标预测值，按照边缘侧深度学习网络模型中预先设定的置信度和损失函数预测目标框的位置；
检测模块，用于通过边缘侧深度学习网络模型对检测出的目标框进行反向运算，获得检测图像内容。
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，所述计算机程序被处理器执行时实现权利要求6-8任一项所述输电线路识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111668276.3A CN114362367B (zh) | 2021-12-30 | 2021-12-30 | 面向云边协同的输电线路监测系统和方法、识别系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111668276.3A CN114362367B (zh) | 2021-12-30 | 2021-12-30 | 面向云边协同的输电线路监测系统和方法、识别系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114362367A true CN114362367A (zh) | 2022-04-15 |
| CN114362367B CN114362367B (zh) | 2024-02-02 |
Family
ID=81105907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111668276.3A Active CN114362367B (zh) | 2021-12-30 | 2021-12-30 | 面向云边协同的输电线路监测系统和方法、识别系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114362367B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114744762A (zh) * | 2022-04-21 | 2022-07-12 | 三峡大学 | 一种高压输电线路数字铁塔系统以及输电线路巡检方法 |
| CN115272981A (zh) * | 2022-09-26 | 2022-11-01 | 山东大学 | 云边共学习输电巡检方法与系统 |
| CN115589070A (zh) * | 2022-11-11 | 2023-01-10 | 贵州电网有限责任公司 | 一种基于云计算处理的电网风险预警方法及系统 |
| CN115940414A (zh) * | 2022-12-01 | 2023-04-07 | 国网江苏省电力有限公司南通供电分公司 | 一种多源异构数据融合的智慧输电监测系统及方法 |
| CN116231860A (zh) * | 2023-03-02 | 2023-06-06 | 山东省计算中心（国家超级计算济南中心） | 一种基于云边端协同的电力负荷智能识别系统、方法及设备 |
| CN116566039A (zh) * | 2023-03-31 | 2023-08-08 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
| CN116612434A (zh) * | 2023-07-17 | 2023-08-18 | 广州长川科技有限公司 | 基于视频监控的野外输电线路自动观冰系统及方法 |
| CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
| CN116633021A (zh) * | 2023-06-13 | 2023-08-22 | 杭州科丰电子股份有限公司 | 一种基于物联网的开关柜能耗监测方法及系统 |
| CN116647052A (zh) * | 2023-07-21 | 2023-08-25 | 合肥工业大学 | 基于多边云协同的智能变电站自动控制调度方法及系统 |
| CN117032972A (zh) * | 2023-08-15 | 2023-11-10 | 中交路桥科技有限公司 | 一种基于云网边端的边坡监测系统 |
| CN117097797A (zh) * | 2023-10-19 | 2023-11-21 | 浪潮电子信息产业股份有限公司 | 云边端协同方法、装置、系统、电子设备及可读存储介质 |
| CN117528030A (zh) * | 2023-11-08 | 2024-02-06 | 国网智能电网研究院有限公司 | 电力全景数字视网膜系统、控制方法、装置、设备及介质 |
| CN117786392A (zh) * | 2024-02-27 | 2024-03-29 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
| CN117876156A (zh) * | 2024-03-11 | 2024-04-12 | 国网江西省电力有限公司南昌供电分公司 | 基于多任务电力物联终端监测方法、电力物联终端及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110933176A (zh) * | 2019-12-05 | 2020-03-27 | 国家电网有限公司 | 一种电力物联网管理及服务平台 |
| CN113792578A (zh) * | 2021-07-30 | 2021-12-14 | 北京智芯微电子科技有限公司 | 用于变电站异常的检测方法、设备及系统 |
-
2021
- 2021-12-30 CN CN202111668276.3A patent/CN114362367B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110933176A (zh) * | 2019-12-05 | 2020-03-27 | 国家电网有限公司 | 一种电力物联网管理及服务平台 |
| CN113792578A (zh) * | 2021-07-30 | 2021-12-14 | 北京智芯微电子科技有限公司 | 用于变电站异常的检测方法、设备及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张树华 等: ""面向能源互联网智能感知的边缘计算技术研究"", 电力信息与通信技术, vol. 18, no. 4, pages 42 - 50 * |
| 王艳如 等: ""基于边缘智能分析的图像识别技术在输电线在线监测中的应用"", 电力信息与通信技术, vol. 17, no. 1, pages 35 - 40 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114744762A (zh) * | 2022-04-21 | 2022-07-12 | 三峡大学 | 一种高压输电线路数字铁塔系统以及输电线路巡检方法 |
| CN115272981A (zh) * | 2022-09-26 | 2022-11-01 | 山东大学 | 云边共学习输电巡检方法与系统 |
| CN115589070A (zh) * | 2022-11-11 | 2023-01-10 | 贵州电网有限责任公司 | 一种基于云计算处理的电网风险预警方法及系统 |
| CN115940414A (zh) * | 2022-12-01 | 2023-04-07 | 国网江苏省电力有限公司南通供电分公司 | 一种多源异构数据融合的智慧输电监测系统及方法 |
| CN116231860B (zh) * | 2023-03-02 | 2023-10-17 | 山东省计算中心（国家超级计算济南中心） | 一种基于云边端协同的电力负荷智能识别系统、方法及设备 |
| CN116231860A (zh) * | 2023-03-02 | 2023-06-06 | 山东省计算中心（国家超级计算济南中心） | 一种基于云边端协同的电力负荷智能识别系统、方法及设备 |
| CN116566039B (zh) * | 2023-03-31 | 2024-03-01 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
| CN116566039A (zh) * | 2023-03-31 | 2023-08-08 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
| CN116614177B (zh) * | 2023-05-08 | 2023-11-17 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
| CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
| CN116633021A (zh) * | 2023-06-13 | 2023-08-22 | 杭州科丰电子股份有限公司 | 一种基于物联网的开关柜能耗监测方法及系统 |
| CN116633021B (zh) * | 2023-06-13 | 2024-04-02 | 杭州科丰电子股份有限公司 | 一种基于物联网的开关柜能耗监测方法及系统 |
| CN116612434B (zh) * | 2023-07-17 | 2023-09-15 | 广州长川科技有限公司 | 基于视频监控的野外输电线路自动观冰系统及方法 |
| CN116612434A (zh) * | 2023-07-17 | 2023-08-18 | 广州长川科技有限公司 | 基于视频监控的野外输电线路自动观冰系统及方法 |
| CN116647052A (zh) * | 2023-07-21 | 2023-08-25 | 合肥工业大学 | 基于多边云协同的智能变电站自动控制调度方法及系统 |
| CN116647052B (zh) * | 2023-07-21 | 2023-10-03 | 合肥工业大学 | 基于多边云协同的智能变电站自动控制调度方法及系统 |
| CN117032972A (zh) * | 2023-08-15 | 2023-11-10 | 中交路桥科技有限公司 | 一种基于云网边端的边坡监测系统 |
| CN117032972B (zh) * | 2023-08-15 | 2024-05-14 | 中交路桥科技有限公司 | 一种基于云网边端的边坡监测系统 |
| CN117097797A (zh) * | 2023-10-19 | 2023-11-21 | 浪潮电子信息产业股份有限公司 | 云边端协同方法、装置、系统、电子设备及可读存储介质 |
| CN117097797B (zh) * | 2023-10-19 | 2024-02-09 | 浪潮电子信息产业股份有限公司 | 云边端协同方法、装置、系统、电子设备及可读存储介质 |
| CN117528030A (zh) * | 2023-11-08 | 2024-02-06 | 国网智能电网研究院有限公司 | 电力全景数字视网膜系统、控制方法、装置、设备及介质 |
| CN117786392A (zh) * | 2024-02-27 | 2024-03-29 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
| CN117786392B (zh) * | 2024-02-27 | 2024-05-17 | 雪浪数制(杭州)科技有限公司 | 一种基于云边协同的盾构机故障监测诊断方法与系统 |
| CN117876156A (zh) * | 2024-03-11 | 2024-04-12 | 国网江西省电力有限公司南昌供电分公司 | 基于多任务电力物联终端监测方法、电力物联终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114362367B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
| Liu et al. | Federated learning in the sky: Aerial-ground air quality sensing framework with UAV swarms | |
| CN111444014A (zh) | 基于ec-rest体系结构的海洋观测网络系统及方法 | |
| CN113011282A (zh) | 图数据处理方法、装置、电子设备及计算机存储介质 | |
| CN110705684A (zh) | 基于端云协同的环境自适应学习方法及系统 | |
| Biradar et al. | Review on IOT based multidisciplinary models for smart farming | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN108537422A (zh) | 安全风险预警系统和方法 | |
| CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
| CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
| CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
| CN113469125A (zh) | 多无人机协同信号识别方法及识别系统 | |
| CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
| CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
| CN106990724A (zh) | 环境监测云端服务平台及环境监测方法 | |
| CN113962417A (zh) | 一种视频处理方法、装置、电子设备和存储介质 | |
| CN112016380A (zh) | 野生动物监测方法及系统 | |
| CN112486667B (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
| CN112596894B (zh) | 一种基于边缘计算的追踪方法及装置 | |
| CN116128199A (zh) | 一种基于人工智能的情报数据分析控制平台及方法 | |
| CN115952989A (zh) | 基于数字孪生的自然灾害应急调度系统 | |
| CN115457411A (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
| CN115238574A (zh) | 基于数字孪生的输电线路数据管理方法 | |
| CN113780371A (zh) | 基于边缘计算与深度学习的绝缘子状态边缘识别方法 | |
| CN109003254B (zh) | 基于逻辑回归覆冰检测方法、装置、设备、系统及介质 |
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 |