CN114372922A - 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 - Google Patents
夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 Download PDFInfo
- Publication number
- CN114372922A CN114372922A CN202111402978.7A CN202111402978A CN114372922A CN 114372922 A CN114372922 A CN 114372922A CN 202111402978 A CN202111402978 A CN 202111402978A CN 114372922 A CN114372922 A CN 114372922A
- Authority
- CN
- China
- Prior art keywords
- infrared
- aerial vehicle
- unmanned aerial
- defect
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007689 inspection Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 239000012212 insulator Substances 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013398 bayesian method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013434 data augmentation Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000004821 distillation Methods 0.000 claims description 4
- 238000013467 fragmentation Methods 0.000 claims description 4
- 238000006062 fragmentation reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，属于电气设备安全巡检技术领域，使用无人机对被巡检电气设备进行三维定点，根据定点来进行航点飞行获取图像，对图像基于AI技术采用红外温度的方法对绝缘子进行自动化缺陷识别。该夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，通过无人机设备巡检的方式，无需提前安装检测装置即可进行电力设备的安全检查工作，同时基于AI技术的电力器件缺陷诊断技术解决了夜晚进行自动化的电力绝缘子缺陷方面识别的空缺。
Description
技术领域
本发明属于电气设备安全巡检技术领域，具体为一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法。
背景技术
在经济的快速发展下，整个社会对于电力系统的安全性和可靠性的要求更高了。因此，电气设备运行的安全性以及可靠性需要进一步提高。红外热成像测温技术具有非接触、不受高压电磁场干扰以及高效直观等优点，被广泛的应用于电网的定期巡检之中，以及时发现异常发热缺陷。目前，面对海量的红外图像，巡检人员通常根据工作经验来进行人工识别与分析，这样的诊断方式不仅费时费力，还可能因为过分依赖人工经验而出现漏判或者误判。因此，基于AI技术的电力器件缺陷诊断技术具有重要的工程实用价值。
现有技术中，识别电力绝缘子缺陷的方法大部分都使用的方法都是需要人工进行操作的，没有自动化的设备，即使有自动化设备但是需要提前安装一些装置。如：
1)泄露电流法：是在绝缘子安装了引流卡和电流传感器。主要用于检测绝缘子污秽，如果坏了那么将无法进行检测。
2)紫外线成像法：这个是需要在高湿度情况下进行，且需要人员携带设备登入塔顶进行识别。
3)红外测温法：也是需要人员自己进行操作。
发明内容
针对现有技术的不足，本发明提供了一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，包括以下步骤：
S1、使用无人机对被巡检电气设备进行三维定点，根据定点来进行航点飞行获取图像，所述无人机搭载有红外成像仪、高清摄像设备以及I MU导航设备；
S2、将获取的图像使用主干特征提取网络将图像碎片化，将通道变为原来的2倍，图像维度变为原来的1/2，结合注意力机制与变分推断方法，有效提取和理解多模态碎片化信息,并提高图片自动标注的准确率；
S3、基于特征融合模块对主干特征提取的特征进行融合并二次提取处理，使用经过预训练的ResNet主干网进行特征提取，多尺度卷积分别采用1×1卷积、3×3卷积、5×5卷积和7×7卷积的组合，执行实例级的concat操作以合并特征图，并捕捉到图像的全局背景信息，输出的二次特征用于分类或者回归任务；
S4、对步骤S3输出的二次特征进行解码处理得出一个检测模型；
S5、将步骤S4生成的检测模型进行量化压缩，量化压缩基于贝叶斯方法采用均匀量化或非均匀量化的两种方式进行操作；
S6、基于半自动标注技术对训练用的缺陷图片进行自动标注，得到缺陷图像的一个粗标签，然后根据所得到的粗标签进行微调，从而形成红外巡检缺陷识别目标检测训练集，训练集进行检测模型训练；
S7、利用集成边缘计算模块加速完成检测模型的深度学习，形成目标检测红外模型；
S8、目标检测红外模型基于Mean-Shift算法(均值漂移算法)进行分割得到一个没有背景的图，Mean Shift算法流程为：计算每个样本的均值漂移向量mh(x)，对每个样本点以mh(x)进行平移，即：xi＝xi+mh(xi)，重复上述步骤，直到样本点收敛，即：mh(x)＝0，收敛到相同点的样本被认为是同一簇类的成员；
S9、在红外检测方法中添加AI在线识别模块来进行切割图像得到缺陷图像；
S10、对得到的缺陷图像进行滤波切割处理，分割出器件中具有缺陷问题的异常点；
S11、对异常点图片进行保存，并且生成对应的缺陷报告。
进一步优化本技术方案，所述S2中，为避免目标图像经过多次卷积后丢失特征，提取主干特征提取网络的最后三层特征用于后续处理。
进一步优化本技术方案，所述S3中，所述特征融合模块基于多尺度的神经网络结构对特征进行二次提取处理，通过特征融合模块将步骤S2中不同维度的特征进行融合提取。
进一步优化本技术方案，所述S5中，量化压缩用于减小模型参数，提高检测速度，并且采用模型蒸馏方式，提高模型的精度。
进一步优化本技术方案，所述S6中，训练用的缺陷图片基于红外电力器件数据库进行提取，提取后的图片进行数据增广处理。
进一步优化本技术方案，所述S7中，目标检测红外模型需要进行用于消除红外图像所含噪声的预处理。
进一步优化本技术方案，所述S9中，红外检测方法包括表面温度判定法，横向互比判断法，纵向比较判别法，热像特征判别法以及相对温差判断法。
进一步优化本技术方案，所述S9中，所述AI在线识别模块基于多尺度的金字塔神经网络实现目标在实时画面中显示类型和位置。
与现有技术相比，本发明提供了一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，具备以下有益效果：
该夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，通过无人机设备巡检的方式，无需提前安装检测装置即可进行电力设备的安全检查工作，同时基于AI技术的电力器件缺陷诊断技术解决了夜晚进行自动化的电力绝缘子缺陷方面识别的空缺。
附图说明
图1为本发明提出的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法中的AI在线识别模块的连接结构示意图；
图2为本发明提出的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法中滤波切割处理的效果图。
具体实施方式
下面将结合本发明的实施例，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，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，都属于本发明保护的范围。
实施例一：
一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，包括以下步骤：
S1、使用无人机对被巡检电气设备进行三维定点，根据定点来进行航点飞行获取图像，所述无人机搭载有红外成像仪、高清摄像设备以及I MU导航设备；
S2、将获取的图像使用主干特征提取网络将图像碎片化，将通道变为原来的2倍，图像维度变为原来的1/2，结合注意力机制与变分推断方法，有效提取和理解多模态碎片化信息,并提高图片自动标注的准确率；
S3、基于特征融合模块对主干特征提取的特征进行融合并二次提取处理，使用经过预训练的ResNet主干网进行特征提取，多尺度卷积分别采用1×1卷积、3×3卷积、5×5卷积和7×7卷积的组合，执行实例级的concat操作以合并特征图，并捕捉到图像的全局背景信息，输出的二次特征用于分类或者回归任务；
S4、对步骤S3输出的二次特征进行解码处理得出一个检测模型；
S5、将步骤S4生成的检测模型进行量化压缩处理，量化压缩基于贝叶斯方法采用均匀量化或非均匀量化的两种方式进行操作；
S6、基于半自动标注技术对训练用的缺陷图片进行自动标注，得到缺陷图像的一个粗标签，然后根据所得到的粗标签进行微调，从而形成红外巡检缺陷识别目标检测训练集，训练集进行检测模型训练；
S7、利用集成边缘计算模块加速完成检测模型的深度学习，形成目标检测红外模型；
S8、目标检测红外模型基于Mean-Shift算法进行分割得到一个没有背景的图，Mean Shift算法流程为：计算每个样本的均值漂移向量mh(x)，对每个样本点以mh(x)进行平移，即：xi＝xi+mh(xi)，重复上述步骤，直到样本点收敛，即：mh(x)＝0，收敛到相同点的样本被认为是同一簇类的成员；
S9、在红外检测方法中添加AI在线识别模块来进行切割图像得到缺陷图像；
S10、对得到的缺陷图像进行滤波切割处理，分割出器件中具有缺陷问题的异常点；
S11、对异常点图片进行保存，并且生成对应的缺陷报告。
具体的，所述S2中，为避免目标图像经过多次卷积后丢失特征，提取主干特征提取网络的最后三层特征用于后续处理。
具体的，所述S3中，所述特征融合模块基于多尺度的神经网络结构对特征进行二次提取处理，通过特征融合模块将步骤S2中不同维度的特征进行融合提取。
具体的，所述S5中，量化压缩用于减小模型参数，提高检测速度，并且采用模型蒸馏方式，提高模型的精度。
具体的，所述S6中，训练用的缺陷图片基于红外电力器件数据库进行提取，提取后的图片进行数据增广处理。
具体的，所述S7中，目标检测红外模型需要进行用于消除红外图像所含噪声的预处理。
具体的，所述S9中，所述AI在线识别模块基于多尺度的金字塔神经网络实现目标在实时画面中显示类型和位置。
实施例二：
一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，包括以下步骤：
S1、使用无人机对被巡检电气设备进行三维定点，根据定点来进行航点飞行获取图像，所述无人机搭载有红外成像仪、高清摄像设备以及IMU导航设备。
S2、将获取的图像使用主干特征提取网络将图像碎片化，将通道变为原来的2倍，图像维度变为原来的1/2，结合注意力机制与变分推断方法，有效提取和理解多模态碎片化信息,并提高图片自动标注的准确率，为避免目标图像经过多次卷积后丢失特征，提取主干特征提取网络的最后三层特征用于后续处理。
S3、基于特征融合模块对主干特征提取的特征进行融合并二次提取处理，使用经过预训练的ResNet主干网进行特征提取，多尺度卷积分别采用1×1卷积、3×3卷积、5×5卷积和7×7卷积的组合，执行实例级的concat操作以合并特征图，并捕捉到图像的全局背景信息，输出的二次特征用于分类或者回归任务，所述特征融合模块基于多尺度的神经网络结构对特征进行二次提取处理，通过特征融合模块将步骤S2中不同维度的特征进行融合提取。
S4、对步骤S3输出的二次特征进行解码处理得出一个检测模型。
S5、将步骤S4生成的检测模型进行量化压缩，量化压缩基于贝叶斯方法采用均匀量化或非均匀量化的两种方式进行操作，用于减小模型参数，提高检测速度，并且采用模型蒸馏方式，提高模型的精度。
S6、基于半自动标注技术对训练用的缺陷图片进行自动标注，得到缺陷图像的一个粗标签，然后根据所得到的粗标签进行微调，从而形成红外巡检缺陷识别目标检测训练集，训练集进行离线模型训练。
其中，如图1所示，训练用的缺陷图片基于红外电力器件数据库进行提取，提取后的图片进行数据增广处理，上述流程属于数据集的准备过程。
S7、利用集成边缘计算模块加速完成检测模型的深度学习，形成目标检测红外模型，目标检测红外模型需要进行用于消除红外图像所含噪声的预处理。
S8、目标检测红外模型基于Mean-Shift算法(均值漂移算法)进行分割得到一个没有背景的图，Mean Shift算法流程为：计算每个样本的均值漂移向量mh(x)，对每个样本点以mh(x)进行平移，即：xi＝xi+mh(xi)，重复上述步骤，直到样本点收敛，即：mh(x)＝0，收敛到相同点的样本被认为是同一簇类的成员。
S9、在红外检测方法中添加AI在线识别模块来进行切割图像得到缺陷图像，红外检测方法包括表面温度判定法，横向互比判断法，纵向比较判别法，热像特征判别法以及相对温差判断法。
其中，如图1所示，在AI在线识别模块中输入视频流，AI在线识别模块基于多尺度的金字塔神经网络实现目标在实时画面中显示类型和位置，基于AI技术形成结果示意图，在结果示意图中提取电力设备图片。
S10、对得到的缺陷图像进行滤波切割处理，分割出器件中具有缺陷问题的异常点。
其中，如图2所示，过滤之后的红外图片经过切割后，生成一个没有背景的，只突出缺陷的缺陷图。
S11、对异常点图片进行保存，并且生成对应的缺陷报告。
本发明的有益效果是：该夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，通过无人机设备巡检的方式，无需提前安装检测装置即可进行电力设备的安全检查工作，同时基于AI技术的电力器件缺陷诊断技术解决了夜晚进行自动化的电力绝缘子缺陷方面识别的空缺。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，包括以下步骤：
S1、使用无人机对被巡检电气设备进行三维定点，根据定点来进行航点飞行获取图像，所述无人机搭载有红外成像仪、高清摄像设备以及IMU导航设备；
S2、将获取的图像使用主干特征提取网络将图像碎片化，将通道变为原来的2倍，图像维度变为原来的1/2，结合注意力机制与变分推断方法，有效提取和理解多模态碎片化信息,并提高图片自动标注的准确率；
S3、基于特征融合模块对主干特征提取的特征进行融合并二次提取处理，使用经过预训练的ResNet主干网进行特征提取，多尺度卷积分别采用1×1卷积、3×3卷积、5×5卷积和7×7卷积的组合，执行实例级的concat操作以合并特征图，并捕捉到图像的全局背景信息，输出的二次特征用于分类或者回归任务；
S4、对步骤S3输出的二次特征进行解码处理得出一个检测模型；
S5、将步骤S4生成的检测模型进行量化压缩处理，量化压缩基于贝叶斯方法采用均匀量化或非均匀量化的两种方式进行操作；
S6、基于半自动标注技术对训练用的缺陷图片进行自动标注，得到缺陷图像的一个粗标签，然后根据所得到的粗标签进行微调，从而形成红外巡检缺陷识别目标检测训练集，训练集进行检测模型训练；
S7、利用集成边缘计算模块加速完成检测模型的深度学习，形成目标检测红外模型；
S8、目标检测红外模型基于Mean-Shift算法进行分割得到一个没有背景的图，MeanShift算法流程为：计算每个样本的均值漂移向量mh(x)，对每个样本点以mh(x)进行平移，即：xi＝xi+mh(xi)，重复上述步骤，直到样本点收敛，即：mh(x)＝0，收敛到相同点的样本被认为是同一簇类的成员；
S9、在红外检测方法中添加AI在线识别模块来进行切割图像得到缺陷图像；
S10、对得到的缺陷图像进行滤波切割处理，分割出器件中具有缺陷问题的异常点；
S11、对异常点图片进行保存，并且生成对应的缺陷报告。
2.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S2中，为避免目标图像经过多次卷积后丢失特征，提取主干特征提取网络的最后三层特征用于后续处理。
3.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S3中，所述特征融合模块基于多尺度的神经网络结构对特征进行二次提取处理，通过特征融合模块将步骤S2中不同维度的特征进行融合提取。
4.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S5中，量化压缩用于减小模型参数，提高检测速度，并且采用模型蒸馏方式，提高模型的精度。
5.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S6中，训练用的缺陷图片基于红外电力器件数据库进行提取，提取后的图片进行数据增广处理。
6.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S7中，目标检测红外模型需要进行用于消除红外图像所含噪声的预处理。
7.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S9中，红外检测方法包括表面温度判定法，横向互比判断法，纵向比较判别法，热像特征判别法以及相对温差判断法。
8.根据权利要求1所述的一种夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法，其特征在于，所述S9中，所述AI在线识别模块基于多尺度的金字塔神经网络实现目标在实时画面中显示类型和位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402978.7A CN114372922A (zh) | 2021-11-24 | 2021-11-24 | 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402978.7A CN114372922A (zh) | 2021-11-24 | 2021-11-24 | 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114372922A true CN114372922A (zh) | 2022-04-19 |
Family
ID=81138160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111402978.7A Pending CN114372922A (zh) | 2021-11-24 | 2021-11-24 | 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114372922A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015700A (zh) * | 2022-05-07 | 2022-09-06 | 国网河北省电力有限公司建设公司 | 一种输电线路绝缘子的故障诊断方法 |
| CN116665080A (zh) * | 2023-07-26 | 2023-08-29 | 国网江西省电力有限公司电力科学研究院 | 基于目标识别的无人机劣化绝缘子检测方法及系统 |
-
2021
- 2021-11-24 CN CN202111402978.7A patent/CN114372922A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015700A (zh) * | 2022-05-07 | 2022-09-06 | 国网河北省电力有限公司建设公司 | 一种输电线路绝缘子的故障诊断方法 |
| CN116665080A (zh) * | 2023-07-26 | 2023-08-29 | 国网江西省电力有限公司电力科学研究院 | 基于目标识别的无人机劣化绝缘子检测方法及系统 |
| CN116665080B (zh) * | 2023-07-26 | 2023-11-07 | 国网江西省电力有限公司电力科学研究院 | 基于目标识别的无人机劣化绝缘子检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN114372922A (zh) | 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法 | |
| CN114359153B (zh) | 一种基于改进CenterNet的绝缘子缺陷检测方法 | |
| CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
| CN116843691B (zh) | 光伏板热斑检测方法及存储介质、电子设备 | |
| CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN116385421A (zh) | 光伏面板检测方法、无人机和计算机可读存储介质 | |
| CN113962274A (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
| CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
| Wang et al. | Insulator defect detection based on improved YOLOv5 algorithm | |
| CN117523426A (zh) | 一种融合特征金字塔的低空目标检测算法 | |
| CN117079026A (zh) | 一种基于改进YOLOv3网络的无人机电力巡检隐患识别方法 | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
| Ismail et al. | Enhance pv panel detection using drone equipped with rtk | |
| Zou et al. | Research progresses and trends of power line extraction based on machine learning | |
| CN114419026A (zh) | 基于视觉注意力的航空发动机保险丝绕向识别系统及方法 | |
| CN116739959A (zh) | 基于改进Faster-RCNN的注射器缺陷检测方法 | |
| Xia et al. | A multi-target detection based framework for defect analysis of electrical equipment | |
| Saleh et al. | Toward Accurate and Efficient Burn Marks Inspection for MAV Using Active Learning | |
| CN112329863B (zh) | 一种牵引变电所内隔离开关状态识别方法 | |
| Silva et al. | Automatic recognition of electrical grid elements using convolutional neural networks |
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 |