CN114445782A - 基于边缘ai和北斗短报文的输电线路图像采集系统 - Google Patents
基于边缘ai和北斗短报文的输电线路图像采集系统 Download PDFInfo
- Publication number
- CN114445782A CN114445782A CN202210135248.3A CN202210135248A CN114445782A CN 114445782 A CN114445782 A CN 114445782A CN 202210135248 A CN202210135248 A CN 202210135248A CN 114445782 A CN114445782 A CN 114445782A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- edge
- image
- hidden danger
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及输电线路在线监控技术领域,具体涉及一种基于边缘AI和北斗短报文的输电线路图像采集系统,包括:图像采集模块,用于采集输电线路监测图像;边缘AI图像处理模块,用于识别并分割输电线路监测图像中的故障隐患区域,生成对应的故障隐患图像;然后对故障隐患图像进行信息预处理,生成能够匹配北斗短报文传输能力的故障隐患信息块;北斗通信模块,用于基于北斗短报文将故障隐患信息块发送至对应的数据接收系统。本发明的输电线路图像采集系统能够有效适应北斗短报文的传输能力且能够选择性地传输故障隐患图像,从而能够提高输电线路在线监测的效率和准确性。
Description
技术领域
本发明涉及输电线路在线监控技术领域,具体涉及基于边缘AI和北斗短报文的输电线路图像采集系统。
背景技术
架空输电线路具有分布路径长、区域跨度大、覆盖面积广、巡视周期长、个别无人区及偏远地区巡视难度大等特点,无法人工巡视。并且输电线路走廊大多分布于野外,极易受到自然灾害的破坏。为了加强对架空输电线路的安全保护,对架空输电线路的巡视必须依赖在线监控技术,需要使用温湿度、电流、电压传感器以及图像采集设备采集输电线路运行参量及运行环境的图像信息并回传,进行在线监测。目前对于输电线路的运行参量及图像数据信息主要通过公共网络传输,但是此方法容易受到公共网络建设的制约,在没有光纤、通信基站的地区,无法完成在线监控技术的信息传输。
针对输电线路监测图像采集和传输的问题,公开号为CN112822461A的中国专利就公开了《一种基于北斗短报文的输电线路监测图像数据采集系统及方法》,其包括发送端和接收端,发送端包括:控制终端、第一北斗短报文一体机和图像传感器;接收端包括:第二北斗短报文一体机、数据处理器和数据库;控制终端接收图像传感器采集的输电线路与廊道图像数据并传输给第一北斗短报文一体机;第一北斗短报文一体机对输电线路与廊道图像数据进行处理得到短报文数据并发送至北斗卫星;第二北斗短报文一体机接收北斗卫星上的短报文数据并传输给数据处理器;数据处理器对短报文数据进行解码得到输电线路与廊道图像数据并存储于数据库中。
上述现有方案中的输电线路监测图像采集系统通过图像传感器采集输电线路的图像数据,然后通过北斗卫星传输给远程的数据接收系统,最终存储于数据库中。但是,申请人发现输电线路监测图像的数据量很大,远远超了北斗短报文的传输能力,使得采用北斗卫星传输输电线路监测图像时极其容易造成数据堵塞。同时,由于采集到的输电线路监测图像中,异常图像只是少数,因此上传所有输电线路监测图像的方式不仅加剧了数据堵塞,导致数据传输的带宽压力很大,而且几乎没有任何分析意义。因此,如何设计一种能够有效适应北斗短报文的传输能力且能够选择性地传输故障隐患图像的输电线路图像采集系统是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供基于边缘AI和北斗短报文的输电线路图像采集系统,以能够有效适应北斗短报文的传输能力且能够选择性地传输故障隐患图像,从而能够提高输电线路在线监测的效率和准确性。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于边缘AI和北斗短报文的输电线路图像采集系统,包括:
图像采集模块,用于采集输电线路监测图像;
边缘AI图像处理模块,用于识别并分割输电线路监测图像中的故障隐患区域,生成对应的故障隐患图像;然后对故障隐患图像进行信息预处理,生成能够匹配北斗短报文传输能力的故障隐患信息块;
北斗通信模块,用于基于北斗短报文将故障隐患信息块发送至对应的数据接收系统。
优选的,图像采集模块安装在输电线路三相线路中任意一相导线上或杆塔上,使其能够采集到输电线路的全部三相线路以及输电走廊的图像作为输电线路监测图像。
优选的,边缘AI图像处理模块通过预先训练的YOLOv5目标检测模型作为故障隐患识别模型,用以识别输电线路监测图像中的故障隐患区域;所述故障隐患识别模型能够将输电线路监测图像与设置的典型隐患模型库进行匹配,以确定输电线路监测图像中包含的各种故障隐患的概率。
优选的,所述故障隐患识别模型包括输入层、主干网络、路径聚合网络和预测层;
训练所述故障隐患识别模型时:使用输电线路故障隐患图像作为训练图像,在输入层使用马赛克图像拼接的数据增强方式,随机调用4张训练图像,随机按大小和分布进行堆叠;在主干网络上采用聚焦结构和跨阶段局部网络结构;在路径聚合网络上采用特征金字塔结构和路径聚合结构;在损失函数上使用广义交并损失作为损失函数。
优选的,边缘AI图像处理模块对故障隐患图像的信息预处理包括但不限于图像压缩和生成对应的文字说明。
优选的,边缘AI图像处理模块的图像压缩格式为JPEG格式,并且根据不同场景选取对应的压缩比率。
优选的,边缘AI图像处理模块生成对应的文字说明时,采用表单对照的方式,按照预先设置的密码表以特定二进制数据表示的故障位置和故障类型。
优选的,边缘AI图像处理模块还用于根据北斗短报文的传输能力对故障隐患信息块进行分帧处理,以生成对应的若干帧故障隐患报文帧。
优选的,边缘AI图像处理模块生成的故障隐患报文帧包括但不限于帧头、帧长度、帧数量、当前帧索引、当前帧数据和校验码。
优选的,所述数据接收系统接收到对应的各帧故障隐患报文帧后,根据对应的帧长度、帧数量和当前帧索引对各帧故障隐患报文帧进行还原处理,以生成对应的故障隐患信息块。
本发明中的输电线路图像采集系统与现有技术相比,具有如下有益效果:
本发明通过图像采集模块采集输电线路监测图像,通过北斗短报文的方式向数据接收系统传输对应的图像数据,使得能够在公共网络无法有效通信的场景下,有效、快速的实现输电线路图像的精简传输,从而能够提高输电线路在线监测的效果,便于输电线路维护人员基于故障隐患及时采取应对措施,进而帮助减少输电线路故障停运带来的损失。其次,本发明通过边缘AI图像处理模块识别并分割输电线路监测图像中的故障隐患区域,使得能够去除输电线路监测图像中不感兴趣(正常)的部分,即能够选择性地传输故障隐患图像,进而能够减轻数据传输的带宽压力;同时,本发明通过对故障隐患图像进行信息预处理生成能够匹配北斗短报文传输能力的故障隐患信息块,使得能够北斗短报文的数据传输量,并能够有效适应北斗短报文的传输能力,从而能够提高输电线路在线监测的效率和准确性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于边缘AI和北斗短报文的输电线路图像采集系统的结构示意图。
说明书附图中的附图标记包括:塔杆1、输电导线2、采集处理发送系统3、北斗卫星系统4、数据接收系统5。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了基于边缘AI和北斗短报文的输电线路图像采集系统。
如图1所示,基于边缘AI和北斗短报文的输电线路图像采集系统,包括:
图像采集模块,用于采集输电线路监测图像;
边缘AI图像处理模块,用于识别并分割输电线路监测图像中的故障隐患区域,生成对应的故障隐患图像;然后对故障隐患图像进行信息预处理,生成能够匹配北斗短报文传输能力的故障隐患信息块;
北斗通信模块,用于基于北斗短报文将故障隐患信息块发送至对应的数据接收系统。具体的,北斗通信模块通过北斗三号短报文的方式完成数据传输。
本实施例中,将图像采集模块、边缘AI图像处理模块和北斗通信模块集成为一个采集处理发送系统3,分布式的安装在塔杆1和输电导线2上。其中,北斗通信模块通过北斗卫星系统4实现数据传输。数据接收系统5中可包括北斗通信模块和具有显示和存储功能的显示模块,数据接收系统5的北斗通信模块同样通过北斗卫星系统4实现数据传输。
本发明通过图像采集模块采集输电线路监测图像,通过北斗短报文的方式向数据接收系统传输对应的图像数据,使得能够在公共网络无法有效通信的场景下,有效、快速的实现输电线路图像的精简传输,从而能够提高输电线路在线监测的效果,便于输电线路维护人员基于故障隐患及时采取应对措施,进而帮助减少输电线路故障停运带来的损失。其次,本发明通过边缘AI图像处理模块识别并分割输电线路监测图像中的故障隐患区域,使得能够去除输电线路监测图像中不感兴趣(正常)的部分,即能够选择性地传输故障隐患图像,进而能够减轻数据传输的带宽压力;同时,本发明通过对故障隐患图像进行信息预处理生成能够匹配北斗短报文传输能力的故障隐患信息块,使得能够北斗短报文的数据传输量,并能够有效适应北斗短报文的传输能力,从而能够提高输电线路在线监测的效率和准确性。
具体实施过程中,图像采集模块安装在输电线路三相线路中任意一相导线上或杆塔上,使其能够采集到输电线路的全部三相线路以及输电走廊的图像作为输电线路监测图像。本实施例中,图像采集模块选用高清相机或双目相机其拍摄方向、拍摄角度、焦距可以根据具体需求而改变,其拍摄的图像清晰度不小于1920*1080。
本发明选取的图像采集模块及其安装位置,使得能够准确采集清晰输电线路监测图像。
具体实施过程中,边缘AI图像处理模块通过预先训练的YOLOv5目标检测模型作为故障隐患识别模型,用以识别输电线路监测图像中的故障隐患区域;故障隐患识别模型能够将输电线路监测图像与设置的典型隐患模型库进行匹配,以确定输电线路监测图像中包含的各种故障隐患的概率。具体的,故障隐患识别模型包括输入层、主干网络(Backbone)、路径聚合网络(Neck)和预测层;
训练故障隐患识别模型时:使用输电线路故障隐患图像作为训练图像,使用的输电线路故障隐患图像包括但不限于净距越限、山火、树障、鸟巢、施工机械等典型隐患。在输入层使用马赛克图像拼接的数据增强方式,随机调用4张训练图像,随机按大小和分布进行堆叠,从而能够提升模型的识别能力;在主干网络上采用聚焦(Focus)结构和跨阶段局部(CSPnet)网络结构;在路径聚合网络上采用特征金字塔(FPN)结构和路径聚合(PAN)结构,从而能够有效的提取输电线路故障隐患的图像特征;在损失函数上使用广义交并损失(GIOU Loss)作为损失函数。
YOLO(You Only Look Once)是一个对象检测算法模型的名字,是Redmon等人在2016年的一篇研究论文中命名的一个目标检测模型。YOLO目标检测模型将对象检测重新定义为一个回归问题,它将单个卷积神经网络(CNN)应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框。然后,对于每个网格,网络都会预测一个边界框和与每个类别相对应的概率。此外,YOLO算法模型还可以预测边界框中存在对象的概率。如果一个对象的中心落在一个网格单元中,则该网格单元被分配负责检测该对象。最后,对每个类的对象应用一个称为“非最大抑制(Non Max Suppression)”的方法来过滤出“置信度”小于阈值的边界框,提供图像类别检测结果。YOLO目标检测模型的第5个版本,被称为YOLOv5。对YOLOv5目标检测模型进行训练是现有的常规手段,本发明仅是对训练方法进行了局部改进,因此其他细节不再赘述。
本实施例中,边缘AI图像处理模块上搭载有边缘AI芯片,将训练好的故障隐患识别模型储存于边缘AI图像处理模块中,其能够将输电线路监测图像与设置的典型隐患模型库进行匹配,以确定输电线路监测图像中包含的各种故障隐患的概率。当确定输电线路监测图像中的故障位置时,通过现有手段从输电线路监测图像中分割出含有故障隐患的区域。
本发明通过预先训练的YOLOv5目标检测模型作为故障隐患识别模型,能够保证输电线路监测图像中故障隐患区域识别并分割的准确性;同时,本发明训练YOLOv5目标检测模型的方式,能够保证模型的识别能力,并能够有效的提取输电线路故障隐患的图像特征,从而能够提高故障隐患区域识别的准确性。
具体实施过程中,边缘AI图像处理模块对故障隐患图像的信息预处理包括但不限于图像压缩和生成对应的文字说明。
具体的:
边缘AI图像处理模块的图像压缩格式为JPEG格式,并且根据不同场景选取对应的压缩比率。本实施例根据不同场景选取10:1到40:1的压缩比率,使得压缩后的图像大小不大于40KB,且以二进制数据的格式进行表示,能够减少故障隐患信息块的数据量。
边缘AI图像处理模块生成对应的文字说明时,采用表单对照的方式,按照预先设置的密码表以特定二进制数据表示的故障位置和故障类型。本实施例中,故障位置包含A相、B相、C相三种,用于表示故障位置的二进制数据长度为4bit,故障类型包含净距越限、山火、树障、鸟巢、施工机械等,用于表示故障类型的二进制数据长度为4bit。将上述二进制数据以故障位置、故障类型、图像证据的顺序形成最终的故障隐患信息块。
本发明通过对故障隐患图像进行图像压缩并生成对应的文字说明,不仅能够降低输电线路监测图像的数据传输量,还能够对故障隐患信息进行相应的说明,有利于辅助相关技术人员及时获取和分析输电线路的故障隐患。
具体实施过程中,边缘AI图像处理模块还用于根据北斗短报文的传输能力对故障隐患信息块进行分帧处理,以生成对应的若干帧故障隐患报文帧。本实施例中,根据故障隐患信息块的数据量大小和北斗三代短报文的单帧传输能力判断是否需要分帧传输,进而对故障隐患信息块进行分帧处理。
具体的,边缘AI图像处理模块生成的故障隐患报文帧包括但不限于帧头、帧长度、帧数量、当前帧索引、当前帧数据和校验码。本实施例采用北斗三号短报文的北斗通信模块,其单次发送报文长度上限为14000bit。对应的,帧故障隐患报文帧的帧头长度为8bit,上行遥测帧头为0xA5,下行遥测帧头为0x5A;帧长度占有长度8bit,表示从帧头到校验字段前所有数据,单位为字节;帧数量表示当前信息块的总分帧的数量,长度为4bit;当前帧索引表示当前发送的帧在全部帧中的序号,用于按照索引还原信息块的内容,长度为4bit;当前帧数据中储存信息块分到此帧的内容,长度为13900bit;校验字段长度为16bit,是从帧头到当前帧数据尾部的CRC校验。若不需要分帧传输,则帧数量和当前帧索引为1。
具体实施过程中,数据接收系统接收到对应的各帧故障隐患报文帧后,根据对应的帧长度、帧数量和当前帧索引对各帧故障隐患报文帧进行还原处理,以生成对应的故障隐患信息块。本实施例中,数据接收系统能够基于故障隐患信息块进行可视化显示,使得相关技术人员能够直观的获取故障隐患的相关信息。
本发明能够根据北斗短报文的传输能力对故障隐患信息块进行分帧处理,生成对应的若干帧故障隐患报文帧,使得能够将故障隐患信息块(图像)拆分成多帧分开发送,可以更好的适应北斗短报文的传输能力;同时,本发明中故障隐患信息块的组成(故障隐患报文帧)并不固定,即不排斥加入其他信息或改变其结构,具有良好的拓展性,从而能够更好的提高输电线路的在线监测效果。其次,本发明的数据接收系统能够根据对应的帧长度、帧数量和当前帧索引对各帧故障隐患报文帧进行还原处理生成对应的故障隐患信息块,即能够准确的还原得到分帧发送的故障隐患信息块,进而能够辅助相关技术人员及时获取和分析输电线路的故障隐患。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于,包括:
图像采集模块,用于采集输电线路监测图像;
边缘AI图像处理模块,用于识别并分割输电线路监测图像中的故障隐患区域,生成对应的故障隐患图像;然后对故障隐患图像进行信息预处理,生成能够匹配北斗短报文传输能力的故障隐患信息块;
北斗通信模块,用于基于北斗短报文将故障隐患信息块发送至对应的数据接收系统。
2.如权利要求1所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:图像采集模块安装在输电线路三相线路中任意一相导线上或杆塔上,使其能够采集到输电线路的全部三相线路以及输电走廊的图像作为输电线路监测图像。
3.如权利要求1所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:边缘AI图像处理模块通过预先训练的YOLOv5目标检测模型作为故障隐患识别模型,用以识别输电线路监测图像中的故障隐患区域;所述故障隐患识别模型能够将输电线路监测图像与设置的典型隐患模型库进行匹配,以确定输电线路监测图像中包含的各种故障隐患的概率。
4.如权利要求3所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:所述故障隐患识别模型包括输入层、主干网络、路径聚合网络和预测层;
训练所述故障隐患识别模型时:使用输电线路故障隐患图像作为训练图像,在输入层使用马赛克图像拼接的数据增强方式,随机调用4张训练图像,随机按大小和分布进行堆叠;在主干网络上采用聚焦结构和跨阶段局部网络结构;在路径聚合网络上采用特征金字塔结构和路径聚合结构;在损失函数上使用广义交并损失作为损失函数。
5.如权利要求1所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:边缘AI图像处理模块对故障隐患图像的信息预处理包括但不限于图像压缩和生成对应的文字说明。
6.如权利要求5所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:边缘AI图像处理模块的图像压缩格式为JPEG格式,并且根据不同场景选取对应的压缩比率。
7.如权利要求5所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:边缘AI图像处理模块生成对应的文字说明时,采用表单对照的方式,按照预先设置的密码表以特定二进制数据表示的故障位置和故障类型。
8.如权利要求1所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:边缘AI图像处理模块还用于根据北斗短报文的传输能力对故障隐患信息块进行分帧处理,以生成对应的若干帧故障隐患报文帧。
9.如权利要求8所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:边缘AI图像处理模块生成的故障隐患报文帧包括但不限于帧头、帧长度、帧数量、当前帧索引、当前帧数据和校验码。
10.如权利要求9所述的基于边缘AI和北斗短报文的输电线路图像采集系统,其特征在于:所述数据接收系统接收到对应的各帧故障隐患报文帧后,根据对应的帧长度、帧数量和当前帧索引对各帧故障隐患报文帧进行还原处理,以生成对应的故障隐患信息块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135248.3A CN114445782A (zh) | 2022-02-14 | 2022-02-14 | 基于边缘ai和北斗短报文的输电线路图像采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135248.3A CN114445782A (zh) | 2022-02-14 | 2022-02-14 | 基于边缘ai和北斗短报文的输电线路图像采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445782A true CN114445782A (zh) | 2022-05-06 |
Family
ID=81373208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210135248.3A Pending CN114445782A (zh) | 2022-02-14 | 2022-02-14 | 基于边缘ai和北斗短报文的输电线路图像采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445782A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190271A (zh) * | 2022-06-28 | 2022-10-14 | 慧之安信息技术股份有限公司 | 基于边缘计算的煤矿开发安全监控方法 |
CN115242293A (zh) * | 2022-07-15 | 2022-10-25 | 广州瀚信通信科技股份有限公司 | 一种图片特征的传输方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-14 CN CN202210135248.3A patent/CN114445782A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190271A (zh) * | 2022-06-28 | 2022-10-14 | 慧之安信息技术股份有限公司 | 基于边缘计算的煤矿开发安全监控方法 |
CN115242293A (zh) * | 2022-07-15 | 2022-10-25 | 广州瀚信通信科技股份有限公司 | 一种图片特征的传输方法、装置、电子设备及存储介质 |
CN115242293B (zh) * | 2022-07-15 | 2023-11-03 | 广州瀚信通信科技股份有限公司 | 一种图片特征的传输方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114445782A (zh) | 基于边缘ai和北斗短报文的输电线路图像采集系统 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN107277442A (zh) | 一种基于智能全景实时视频vr巡检监控装置及监控方法 | |
CN113420601B (zh) | 异常场景的监控方法、装置、计算机设备和存储介质 | |
CN112449147B (zh) | 光伏电站视频集群监控系统及其图像处理方法 | |
CN115220479B (zh) | 动静协同的输电线路精细化巡检方法与系统 | |
CN113792578A (zh) | 用于变电站异常的检测方法、设备及系统 | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
KR20220055082A (ko) | 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법 | |
CN115967166A (zh) | 输电线路监控方法、装置、计算机设备和存储介质 | |
CN116580362B (zh) | 输电运维跨系统融合数据的采集方法及数字资产处理系统 | |
CN112260402B (zh) | 基于视频监控的变电站智能巡检机器人状态的监控方法 | |
CN115912183A (zh) | 高压输电线路生态措施巡视方法、系统及可读存储介质 | |
CN115296193A (zh) | 变电站智能巡检系统及方法 | |
CN112966552B (zh) | 一种基于智能识别的例行巡视方法及系统 | |
CN115880631A (zh) | 一种配电站故障识别系统、方法、介质 | |
CN111553497A (zh) | 一种多媒体终端的设备工作状态检测方法及装置 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN113065416A (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN111274876A (zh) | 一种基于视频分析的调度监控方法和系统 | |
CN112419680B (zh) | 一种输电线路安全隐患分类识别方法及系统 | |
CN114708557B (zh) | 一种基于空地通信的电力施工监控方法及系统 |
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 |