CN114494778B - 用于电力设备远程监造的图像采集处理系统及其控制方法 - Google Patents

用于电力设备远程监造的图像采集处理系统及其控制方法 Download PDF

Info

Publication number
CN114494778B
CN114494778B CN202210089143.9A CN202210089143A CN114494778B CN 114494778 B CN114494778 B CN 114494778B CN 202210089143 A CN202210089143 A CN 202210089143A CN 114494778 B CN114494778 B CN 114494778B
Authority
CN
China
Prior art keywords
image
power equipment
images
marked
image block
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.)
Active
Application number
CN202210089143.9A
Other languages
English (en)
Other versions
CN114494778A (zh
Inventor
李通
林景锋
陈杰华
杨瑞波
胥经纬
袁诗雪
毛磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Materials Co ltd
Original Assignee
China Southern Power Grid Materials Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Materials Co ltd filed Critical China Southern Power Grid Materials Co ltd
Priority to CN202210089143.9A priority Critical patent/CN114494778B/zh
Publication of CN114494778A publication Critical patent/CN114494778A/zh
Application granted granted Critical
Publication of CN114494778B publication Critical patent/CN114494778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于电力设备远程监造的图像采集处理系统，包括图像采集模块，用于采集电力设备图像；图像存储模块，用于存储电力设备图像；图像筛选模块，用于对图像存储模块中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像；图像异常识别模块，用于对图像筛选模块筛选出的图像进行异常识别。本发明能够改进现有技术的不足，降低了图像处理运算量，提高了电力设备远程监造系统的品质鲁棒性。

Description

用于电力设备远程监造的图像采集处理系统及其控制方法
技术领域
本发明涉及电力设备远程监造技术领域，尤其是一种用于电力设备远程监造的图像采集处理系统及其控制方法。
背景技术
电力设备监造过程需要与设备生产过程同步开展，为解决人员驻厂监造存在的成本过高、人员水平有限等不足，许多企业开始使用远程监造技术，协助企业开展设备监造。远程监造是通过对设备制造过程进行图像采集，利用智能图像判定功能对异常设备进行识别。现有技术中，通常采用神经网络、深度学习等复杂算法对图像进行识别判定。这种方式虽然可以保证图像识别的准确性，但需要事先根据待识别图像的特点对算法参数进行训练整定才能达到较高的识别精度。而设备生产现场的设备零部件型号众多，这就导致远程监造系统使用前，需要大量的前期调试工作，而且每当出现设备的变化时，就要重新对远程监造系统进行再次调试，非常浪费时间。
发明内容
本发明要解决的技术问题是提供一种用于电力设备远程监造的图像采集处理系统及其控制方法，能够解决现有技术的不足，降低了图像处理运算量，提高了电力设备远程监造系统的品质鲁棒性。
为解决上述技术问题，本发明所采取的技术方案如下。
一种用于电力设备远程监造的图像采集处理系统，包括，
图像采集模块，用于采集电力设备图像；
图像存储模块，用于存储电力设备图像；
图像筛选模块，用于对图像存储模块中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像；
图像异常识别模块，用于对图像筛选模块筛选出的图像进行异常识别。
一种上述的用于电力设备远程监造的图像采集处理系统的控制方法，包括以下步骤：
A、在电力设备生产线的检查节点位置安装图像采集模块，采集电力设备图像；
B、图像采集模块将采集到的电力设备图像发送至图像存储模块进行存储；
C、图像筛选模块对图像存储模块中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像发送至图像异常识别模块；
D、图像异常识别模块对图像筛选模块筛选出的图像进行异常识别。
作为优选，步骤C中，对电力设备图像进行筛选包括以下步骤，
C1、调用待筛选电力设备图像对应的标准图像，设定灰度偏差阈值，对标准图像进行分块，每个标准图像块中的最大灰度偏差小于设定的灰度偏差阈值；
C2、按照标准图像的分块方式对待筛选电力设备图像进行分块，并计算每个图像块的最大灰度偏差；
C3、标记出最大灰度偏差大于灰度偏差阈值的图像块；
C4、按照下式计算待筛选电力设备图像的风险值R，
Figure BDA0003488436120000021
其中，n为待筛选电力设备图像中标记的图像块数量，Δgi为第i个标记图像块的最大灰度偏差，wi为第i个标记图像块的权重值，wi按照下式计算，
Figure BDA0003488436120000022
其中，k为比例系数，si为第i个标记图像块的面积，Li为第i个标记图像块与其它全部标记图像块最小欧氏距离之和；
C5、设定风险阈值，当待筛选电力设备图像的风险值R大于风险阈值时，则将其发送至图像异常识别模块。
作为优选，步骤C1中，在满足每个标准图像块中的最大灰度偏差小于设定的灰度偏差阈值的前提下，选择标准图像块数量最少的分块方式对标准图像进行分块。
作为优选，步骤D中，对图像进行异常识别包括以下步骤，
D1、对每个标记图像块设定对应的灰度偏差限值，灰度偏差限值与该标记图像块的最大灰度偏差和权重值乘积成正比；
D2、遍历每个标记图像块，与对应的标准图像块进行对比，删除标记图像块中与标准图像块像素灰度偏差小于等于灰度偏差限值的像素；
D3、对经过步骤D2处理的标记图像块进行高斯模糊处理；
D4、对经过步骤D3处理的标记图像块进行融合识别，得到异常识别结果。
作为优选，步骤D3中，高斯模糊处理的模糊半径与标记图像块中剩余的像素点数量的平方成正比。
作为优选，步骤D4中，对标记图像块进行融合识别包括以下步骤，
D41、提取标准图像块的特征图像；
D42、使用经过步骤D3处理的标记图像块与对应的特征图像进行叠加；
D43、使用叠加后的图像进行异常识别。
作为优选，步骤D42中，根据特征图像在标记图像块上标出叠加区域，降低叠加区域图像的灰度值方差，对特征图像进行锐化处理，然后将特征图像叠加在标记图像块上。
作为优选，：步骤D43中，设定第一设定阈值和第二设定阈值，分别提取步骤D41中特征图像的特征向量和步骤D42中叠加后图像的特征向量，若全部特征图像的特征向量与对应叠加后图像的特征向量的线性度平均值小于第一设定阈值，且全部叠加后图像的特征向量之间的线性度平均值小于第二设定阈值，则将电力设备图像判定为异常。
采用上述技术方案所带来的有益效果在于：本发明通过对图像进行先筛选后识别的处理方式，避免了对全部图像进行识别运算的大运算量。
筛选过程中，使用最大灰度偏差作为图像分块和标记的指标，运算量少，然后采用标记图像块的最大灰度偏差的加权结果作为筛选电力设备图像的指标，充分利用了之前的运算结果，进一步降低了筛选过程加入的新运算量。同时，由于本发明所采用的筛选流程是基于图像块的灰度偏差展开的，巧妙规避了图像中设备具体形状、表面亮度对图像筛选的干扰，鲁棒性极强。
识别过程中，首先利用已有的最大灰度偏差数据生成待识别图像，最大程度的降低了运算量，然后使用标准图像和标记图像融合结果的特征向量进行异常图像的识别，结算过程简单，不涉及图像中的具体图形的识别，对于不同型号种类设备均可以直接进行识别，无需额外的参数整定操作。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1，本发明一个具体实施方式包括，
图像采集模块1，用于采集电力设备图像；
图像存储模块2，用于存储电力设备图像；
图像筛选模块3，用于对图像存储模块2中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像；
图像异常识别模块4，用于对图像筛选模块3筛选出的图像进行异常识别。
一种上述的用于电力设备远程监造的图像采集处理系统的控制方法，包括以下步骤：
A、在电力设备生产线的检查节点位置安装图像采集模块1，采集电力设备图像；
B、图像采集模块1将采集到的电力设备图像发送至图像存储模块2进行存储；
C、图像筛选模块3对图像存储模块2中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像发送至图像异常识别模块4；
D、图像异常识别模块4对图像筛选模块3筛选出的图像进行异常识别。
步骤C中，对电力设备图像进行筛选包括以下步骤，
C1、调用待筛选电力设备图像对应的标准图像，设定灰度偏差阈值，对标准图像进行分块，每个标准图像块中的最大灰度偏差小于设定的灰度偏差阈值；
C2、按照标准图像的分块方式对待筛选电力设备图像进行分块，并计算每个图像块的最大灰度偏差；
C3、标记出最大灰度偏差大于灰度偏差阈值的图像块；
通过对图像进行分块，降低了图像块筛选难度，为后续的风险值计算提供了准确的计算范围设定；
C4、按照下式计算待筛选电力设备图像的风险值R，
Figure BDA0003488436120000051
其中，n为待筛选电力设备图像中标记的图像块数量，Δgi为第i个标记图像块的最大灰度偏差，wi为第i个标记图像块的权重值，wi按照下式计算，
Figure BDA0003488436120000052
其中，k为比例系数，si为第i个标记图像块的面积，Li为第i个标记图像块与其它全部标记图像块最小欧氏距离之和；
权重值wi的设置充分考虑到了标记图像块自身的大小以及标记图像块自身与其它标记图像块之间的关联性，通过对最大灰度偏差进行准确加权，保证了风险值R与电力设备图像异常的高关联性；
C5、设定风险阈值，当待筛选电力设备图像的风险值R大于风险阈值时，则将其发送至图像异常识别模块4。
步骤C1中，在满足每个标准图像块中的最大灰度偏差小于设定的灰度偏差阈值的前提下，选择标准图像块数量最少的分块方式对标准图像进行分块。
步骤D中，对图像进行异常识别包括以下步骤，
D1、对每个标记图像块设定对应的灰度偏差限值，灰度偏差限值与该标记图像块的最大灰度偏差和权重值乘积成正比；
D2、遍历每个标记图像块，与对应的标准图像块进行对比，删除标记图像块中与标准图像块像素灰度偏差小于等于灰度偏差限值的像素；
D3、对经过步骤D2处理的标记图像块进行高斯模糊处理；高斯模糊处理的模糊半径与标记图像块中剩余的像素点数量的平方成正比；
通过上述步骤D1-D3的处理，标记图像块的图像特征信息被有效加强，降低了其它无效信息含量，便于后续的识别运算；
另外，当步骤D2得到的标记图像块含有的像素点数量过少，且无法通过调整灰度偏差限值有效增加像素点数量时，将与标记图像块相邻的非标记图像块的部分区域合并入标记图像块中，以保证标记图像块含有足够的图像特征信息。对于合并入的非标记图像块区域，进行高斯模糊处理时使用的模糊半径大于对应标记图像块进行高斯模糊处理时使用的模糊半径，通过增大模糊半径，可以对非标记图像块区域所携带的无效图像信息进行更有效的删除。
D4、对经过步骤D3处理的标记图像块进行融合识别，得到异常识别结果。
步骤D4中，对标记图像块进行融合识别包括以下步骤，
D41、提取标准图像块的特征图像；
D42、使用经过步骤D3处理的标记图像块与对应的特征图像进行叠加；
D43、使用叠加后的图像进行异常识别。
步骤D42中，根据特征图像在标记图像块上标出叠加区域，降低叠加区域图像的灰度值方差，对特征图像进行锐化处理，然后将特征图像叠加在标记图像块上。
步骤D43中，设定第一设定阈值和第二设定阈值，分别提取步骤D41中特征图像的特征向量和步骤D42中叠加后图像的特征向量，若全部特征图像的特征向量与对应叠加后图像的特征向量的线性度平均值小于第一设定阈值，且全部叠加后图像的特征向量之间的线性度平均值小于第二设定阈值，则将电力设备图像判定为异常。
通过图像叠加，使叠加后的图像同时含有了待识别图像的特征和标准图像的特征，然后通过两次特征向量线性度比对，得到识别结果。若全部特征图像的特征向量与对应叠加后图像的特征向量的线性度平均值小于第一设定阈值，则说明叠加后的图像中含有了明显的不同于特征图像的特征信息，这些不同于特征图像的特征信息有可能是由待识别图像中设备异常而产生的，也有可能是因为待识别图像由于拍摄参数、设备批次不同等外部原因而产生的。所以再通过第二次比对，若全部叠加后图像的特征向量之间的线性度平均值小于第二设定阈值，则说明上述明显不同于特征图像的特征信息之间并不存在较强的一致性，不会是由于拍摄参数、设备批次不同而产生的，从而可以判定其为设备异常图像。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种用于电力设备远程监造的图像采集处理系统的控制方法，所述用于电力设备远程监造的图像采集处理系统包括，
图像采集模块（1），用于采集电力设备图像；
图像存储模块（2），用于存储电力设备图像；
图像筛选模块（3），用于对图像存储模块（2）中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像；
图像异常识别模块（4），用于对图像筛选模块（3）筛选出的图像进行异常识别；
其特征在于包括以下步骤：
A、在电力设备生产线的检查节点位置安装图像采集模块（1），采集电力设备图像；
B、图像采集模块（1）将采集到的电力设备图像发送至图像存储模块（2）进行存储；
C、图像筛选模块（3）对图像存储模块（2）中存储的电力设备图像进行筛选，选出需要进行异常识别的电力设备图像发送至图像异常识别模块（4）；
对电力设备图像进行筛选包括以下步骤，
C1、调用待筛选电力设备图像对应的标准图像，设定灰度偏差阈值，对标准图像进行分块，每个标准图像块中的最大灰度偏差小于设定的灰度偏差阈值；
C2、按照标准图像的分块方式对待筛选电力设备图像进行分块，并计算每个图像块的最大灰度偏差；
C3、标记出最大灰度偏差大于灰度偏差阈值的图像块；
C4、按照下式计算待筛选电力设备图像的风险值R，
Figure DEST_PATH_IMAGE002
其中，n为待筛选电力设备图像中标记的图像块数量，
Figure DEST_PATH_IMAGE004
为第i个标记图像块的最大灰度偏差，
Figure DEST_PATH_IMAGE006
为第i个标记图像块的权重值，
Figure DEST_PATH_IMAGE008
按照下式计算，
Figure DEST_PATH_IMAGE010
其中，k为比例系数，
Figure DEST_PATH_IMAGE012
为第i个标记图像块的面积，
Figure DEST_PATH_IMAGE014
为第i个标记图像块与其它全部标记图像块最小欧氏距离之和；
C5、设定风险阈值，当待筛选电力设备图像的风险值R大于风险阈值时，则将其发送至图像异常识别模块（4）；
D、图像异常识别模块（4）对图像筛选模块（3）筛选出的图像进行异常识别；
对图像进行异常识别包括以下步骤，
D1、对每个标记图像块设定对应的灰度偏差限值，灰度偏差限值与该标记图像块的最大灰度偏差和权重值乘积成正比；
D2、遍历每个标记图像块，与对应的标准图像块进行对比，删除标记图像块中与标准图像块像素灰度偏差小于等于灰度偏差限值的像素；
D3、对经过步骤D2处理的标记图像块进行高斯模糊处理；
D4、对经过步骤D3处理的标记图像块进行融合识别，得到异常识别结果；
对标记图像块进行融合识别包括以下步骤，
D41、提取标准图像块的特征图像；
D42、使用经过步骤D3处理的标记图像块与对应的特征图像进行叠加；
根据特征图像在标记图像块上标出叠加区域，降低叠加区域图像的灰度值方差，对特征图像进行锐化处理，然后将特征图像叠加在标记图像块上
D43、使用叠加后的图像进行异常识别；
设定第一设定阈值和第二设定阈值，分别提取步骤D41中特征图像的特征向量和步骤D42中叠加后图像的特征向量，若全部特征图像的特征向量与对应叠加后图像的特征向量的线性度平均值小于第一设定阈值，且全部叠加后图像的特征向量之间的线性度平均值小于第二设定阈值，则将电力设备图像判定为异常。
2.根据权利要求1所述的用于电力设备远程监造的图像采集处理系统的控制方法，其特征在于：步骤C1中，在满足每个标准图像块中的最大灰度偏差小于设定的灰度偏差阈值的前提下，选择标准图像块数量最少的分块方式对标准图像进行分块。
3.根据权利要求2所述的用于电力设备远程监造的图像采集处理系统的控制方法，其特征在于：步骤D3中，高斯模糊处理的模糊半径与标记图像块中剩余的像素点数量的平方成正比。
CN202210089143.9A 2022-01-25 2022-01-25 用于电力设备远程监造的图像采集处理系统及其控制方法 Active CN114494778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210089143.9A CN114494778B (zh) 2022-01-25 2022-01-25 用于电力设备远程监造的图像采集处理系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210089143.9A CN114494778B (zh) 2022-01-25 2022-01-25 用于电力设备远程监造的图像采集处理系统及其控制方法

Publications (2)

Publication Number Publication Date
CN114494778A CN114494778A (zh) 2022-05-13
CN114494778B true CN114494778B (zh) 2023-02-10

Family

ID=81473731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210089143.9A Active CN114494778B (zh) 2022-01-25 2022-01-25 用于电力设备远程监造的图像采集处理系统及其控制方法

Country Status (1)

Country Link
CN (1) CN114494778B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809732A (zh) * 2015-05-07 2015-07-29 山东鲁能智能技术有限公司 一种基于图像比对的电力设备外观异常检测方法
CN109029731A (zh) * 2018-05-24 2018-12-18 河海大学常州校区 一种基于多目视觉的电力设备异常监测系统及方法
CN112634179A (zh) * 2021-01-14 2021-04-09 北京四方继保工程技术有限公司 一种防摄像头抖动的变电设备图像变化检测方法和系统
CN113076802A (zh) * 2021-03-04 2021-07-06 国网湖北省电力有限公司检修公司 基于缺少断开图像样本的变电站开关分合状态图像识别方法
CN113160214A (zh) * 2021-05-12 2021-07-23 西南科技大学 一种图像局部领域像素相似性衡量新方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
WO2016028710A1 (en) * 2014-08-18 2016-02-25 The Regents Of The University Of California Electricity monitoring devices and systems, and methods of use thereof
CN109117855A (zh) * 2018-08-06 2019-01-01 深圳众厉电力科技有限公司 异常电力设备图像识别系统
CN112734692B (zh) * 2020-12-17 2023-12-22 国网信息通信产业集团有限公司 一种变电设备缺陷识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809732A (zh) * 2015-05-07 2015-07-29 山东鲁能智能技术有限公司 一种基于图像比对的电力设备外观异常检测方法
CN109029731A (zh) * 2018-05-24 2018-12-18 河海大学常州校区 一种基于多目视觉的电力设备异常监测系统及方法
CN112634179A (zh) * 2021-01-14 2021-04-09 北京四方继保工程技术有限公司 一种防摄像头抖动的变电设备图像变化检测方法和系统
CN113076802A (zh) * 2021-03-04 2021-07-06 国网湖北省电力有限公司检修公司 基于缺少断开图像样本的变电站开关分合状态图像识别方法
CN113160214A (zh) * 2021-05-12 2021-07-23 西南科技大学 一种图像局部领域像素相似性衡量新方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A method of dual-threshold dynamic image segmentation based on DTBNN algorithm;Song Lihua et al.;《International Conference on Intelligent Control and Computer Application（ICCA 2016）》;20161231;正文第1-6页 *
Encoding Structure-Texture Relation with P-net for Anomaly Detection in Retinal Images;Kang Zhou et al.;《ARXIV》;20200809;正文第1-17页 *
基于DTBNN的双阈值图像分割方法;付永强等;《信息技术与网络安全》;20160831;正文第1-5页 *
基于图像分块的局部阈值二值化方法;张洁玉;《计算机应用》;20170331;827-831 *
工业图像异常检测最新研究总结（2019-2020）;3D视觉工坊;《CSDN》;20201118;正文第1-10页 *

Also Published As

Publication number Publication date
CN114494778A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN112949564B (zh) 一种基于深度学习的指针式仪表自动读数方法
CN108257121B (zh) 产品缺陷检测模型更新的方法、装置、存储介质及终端设备
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN108537222A (zh) 一种用于电力仪表的图像识别方法及系统
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN111553422A (zh) 手术器械自动识别回收方法及系统
CN114241469A (zh) 一种面向电表轮换过程的信息识别方法和装置
CN113850749A (zh) 训练缺陷侦测器的方法
CN115512381A (zh) 文本识别方法、装置、设备、存储介质及作业机械
CN113205511B (zh) 基于深层神经网络的电子元器件批量信息检测方法及系统
CN111914706B (zh) 一种文字检测输出结果质量检测和控制的方法与装置
CN114004858A (zh) 基于机器视觉识别航空线缆表面编码的方法及装置
CN113592839A (zh) 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统
CN114494778B (zh) 用于电力设备远程监造的图像采集处理系统及其控制方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN116664540A (zh) 基于高斯线检测的橡胶密封圈表面缺陷检测方法
CN115984759A (zh) 变电站开关状态识别方法、装置、计算机设备和存储介质
CN115359003A (zh) 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备
CN112419244B (zh) 混凝土裂缝分割方法及装置
CN112862826B (zh) 一种表面缺陷检测任务的正常样本无损生成方法
CN115019306A (zh) 一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统

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
GR01 Patent grant
GR01 Patent grant