CN114677667A - 一种基于深度学习的变电站电气设备红外故障识别方法 - Google Patents
一种基于深度学习的变电站电气设备红外故障识别方法 Download PDFInfo
- Publication number
- CN114677667A CN114677667A CN202210269293.8A CN202210269293A CN114677667A CN 114677667 A CN114677667 A CN 114677667A CN 202210269293 A CN202210269293 A CN 202210269293A CN 114677667 A CN114677667 A CN 114677667A
- Authority
- CN
- China
- Prior art keywords
- electrical equipment
- fault
- image
- infrared
- deep learning
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的变电站电气设备红外故障识别方法,电力设备可见光图像识别模块配合红外线故障识别模块以及电力设备故障预警系统实现对变电站电力设备的监控。本发明所实现的电力设备可见光图像识别和电气设备红外故障识别是基于深度学习概念中的卷积神经网络,通过搭建卷积神经网络并用事先收集好的图片集完成其训练以及验证,最终实现电力设备可见光图像和电气故障的识别。在可见光和红外识别的基础,构建电气设备红外图谱特征数据库对电气设备红外图谱信息进行储存和管理。依靠构建的数据库中储存的相关信息,分析比较不同算法,针对各种算法的特点选用合适的数学模型对各电气设备建立状态预警模型,实现电气设备状态的实时评价与预警,从而能够实际运用到变电站的监控中去。
Description
技术领域
本发明涉及变电站电气设备种类识别与故障提取领域,尤其涉及一种基于深度学习的变电站电气设备红外故障识别方法。
背景技术
变电站的故障识别依靠变电站人员对红外图像进行分析从而监测故障,然而由于不可能24小时监测并且对于红外图像故障不可能进行准确判别,所以人工监测故障难点颇大。为了实现设备的识别和故障自动判断,给事故分析提供依据,结合计算机的图像识别系统与远程视频监控,对事故检测和预测具有重要意义。
在传统的图像识别领域,对于某一具体的物体进行识别往往要经过预处理、目标监测、图像分割、特征提取与选择、目标分类等过程,最终得到识别的结果。这意味着传统的图像识别方法是基于某一特征,例如:SIFT算法是基于图像的局部特征、Hog算法是基于图像的纹理特征,显然这使得图像识别有了新的挑战,比如如何去针对不同的物体选取合适的识别特征。除此之外,传统的图像识别技术计算参数过于庞大,这意味着对计算设备的要求偏高。近些年,新兴的深度学习概念中的卷积神经网络在图像识别领域有着十分优异的表现,区别于传统的图像识别,卷积神经网络能够通过不断地学习、调整,来提升对某个物体的认知,从而最终实现对物体的识别。
因此,应用卷积神经网络于变电站的红外电气设备图像识别当中,必然会有很好的效果。
发明内容
本发明的目的在于提供了一种提高变电站电力设备可见光图像识别准确度的方法,电力设备可见光图像识别模块配合红外线故障识别模块以及电力设备故障预警系统实现对变电站电力设备的监控。
本发明的一种基于深度学习的变电站电气设备红外故障识别方法,采取如下技术方案来实现的:
S1:采集电气设备可见光和红外图形,对数据进行预处理
S2:针对不均匀光照的图像增强处理
S3:对电力设备可见光图像进行分割,实现电气设备类型识别
S4:针对电气设备的红外故障图像,采用深度学习进行卷积训练,实现电气设备故障识别
S5:收集识别后的电气设备图片,建立电气设备红外图谱信息管理系统
所述的电气设备可见光和红外图形预处理,采用Sobel算子和Laplace算子,将两个算子与变电站电气设备原始图像相叠加,并将两种算法相互结合,从而突出原图中电力设备的边缘信息,提高识别的准确度。Sobel算子通常应用于图像的边缘检测上,它是离散性差分算子,在图像任意一点使用该算子,将会产生对应的方向的一个矢量。Laplace算子同sobel算子一样,都是应用于物体的边缘检测。Laplace算子是在一阶导数边缘检测的基础之上发展而来,利用二阶导数来进行边缘检测。对于二阶函数的导数求法如下:
可近似得到如下公式:
于是得到对应的拉普拉斯滤波模板:
通过Sobel算子和Laplace算子运算后得到该图像中电力设备的轮廓信息,增大了轮廓信息在叠加中的占比,便于人眼观察。
所述的针对不均匀光照的图像增强处理,通过直方图均衡化将灰度图像映射将扩展到像素的强度分布范围,以放大在图像和增强的相同颜色范围内采集的像素,通过不均匀的光照射增加图像对比度并降低图像效果。将彩色图片分解成RGB三种颜色的单色图像,再进行直方图均衡化,完成之后,再将三色图像合成为彩色图像。
(1)计算图像的各灰度级中像素出现的概率p(i)
L为灰度级的个数,ni为对应灰度级的像素数量,n为像素总数
(2)计算p(i)的累计概率函数c(i)
(3)将c(i)缩放至0-255范围内
y(i)=255*c(i)
所述的对电力设备可见光图像进行分割与识别,采用GrabCut图像分割算法将该电力设备的轮廓信息提取出来,便于后续的对电力设备类型进行分析。使用RGB色彩空间对目标和背景进行建模,并使用K高斯分量的全协方差GMM对目标和背景进行建模。因此提供了附加向量K={k1,...,kn},其中kn是对应于高斯分量的第n个像素。对于每个像素,从目标GMM的高斯成分或背景GMM的高斯成分。确定这三个参数,然后知道像素的RGB颜色的值。接着,将其代入目标GMM和背景GMM,以确定像素属于目标和背景的概率,即能量的面积概念,即计算图t链的权重。
所述的一种基于深度学习的变电站电气设备红外故障识别方法,首先按照电气设备致热故障产生原因分类,然后基于Mask-rcnn的深度学习算法对电气设备的红外故障进行分类。首先建立电气设备致热故障类型,按照电气设备致热故障的位置分类,按照电气设备致热故障产生原因分类,分为电力变压器故障、电压互感器故障、电流互感器故障、隔离开关故障和断路器故障。然后,将maskrcnn用于红外故障图像的识别上,并且是基于多摄像头的识别,因为在变电站中电气设备因为发生电压致热性故障,导致的局部发热,可能会出现发热故障区域只在一侧从而导致红外摄像头无法拍摄到,因此需要采用多摄像头提高故障识别率。最后,基于深度学习算法做出红外故障数据集,然后就可以处理双摄摄像头拍摄的电气神红外图片,判断是否发生致热型故障,及时报给主控室达到一个预警的效果。通过收集变电站电气设备的故障类型,不断增加红外数据集的规模,从而提高识别的准确度(人工操作)。
所述的电气设备红外图谱信息管理系统,建立了包含图像获取、数据储存、分析计算、操作维护四个模块的电气设备红外图谱管理系统,完成红外图谱及相关信息的储存、查询、维护、分析等功能。程序开始运行时,首先获取可见光摄像头和红外摄像头的一帧图像,使用OpenCV中resise函数将两张图像转化成大小为(320,240)的格式。判断是否存在电气设备时使用已经训练完成的模型,用输出不同数字代表不同类型的电气设备。当识别存在电气设备时,调用缺陷识别模型对该电气设备的红外热像图进行识别,同样用不同的数字代表不同的缺陷类型。若检测出存在缺陷,则将电气设备的类型、缺陷类型、检测时间和保存的红外热像图保存在数据库中。为了减轻设备计算压力,可设置一定的检测间隔。
与现有技术相比,本发明取得的有益效果是:
(1)采用了Sobel算子和Laplace算子对图像进行预处理,从而突出原图中电力设备的边缘信息,提高识别的准确度。
(2)多摄像头定位,提出一种基于位置和视觉特征的多摄像头协同策略,通过筛选一个摄像头承担目标监测任务,实现多摄像头的目标监测。
(3)建立了电气设备红外图谱信息管理系统,按照功能可分为图像获取、数据储存、分析计算、操作维护四个模块,完成红外图谱及相关信息的储存、查询、维护、分析等功能。
附图说明
图1为基于深度学习的变电站电气设备红外故障识别流程图。
图2为电气设备红外图谱信息管理系统架构图。
具体实施方式
下面结合附图,对本发明作详细说明。
结合图1所示,本发明提供一种基于深度学习的变电站电气设备红外故障识别方法,包括以下步骤:
S1:采集电气设备可见光和红外图形,对数据进行预处理。
所述的电气设备可见光和红外图形预处理,采用Sobel算子和Laplace算子,将两个算子与变电站电气设备原始图像相叠加,并将两种算法相互结合,从而突出原图中电力设备的边缘信息,提高识别的准确度。Sobel算子通常应用于图像的边缘检测上,它是离散性差分算子,在图像任意一点使用该算子,将会产生对应的方向的一个矢量。Laplace算子同sobel算子一样,都是应用于物体的边缘检测。Laplace算子是在一阶导数边缘检测的基础之上发展而来,利用二阶导数来进行边缘检测。Sobel算子通常应用于图像的边缘检测上,它是离散性差分算子,在图像任意一点使用该算子,将会产生对应的方向的一个矢量。
Sobel算子是具备方向性,如x,y方向上的sobel算子如下:
该算子是3x3的矩阵,与原图像进行平面卷积运算,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原图像,用以上两个算子对原图像进行运算,其公式如下:
能够得到具体的公式为:
Laplace算子同sobel算子一样,都是应用于物体的边缘检测。Laplace算子是在一阶导数边缘检测的基础之上发展而来,利用二阶导数来进行边缘检测。对于二阶函数的导数求法如下:
可近似得到如下公式:
于是我们得到对应的拉普拉斯滤波模板:
本发明所采用的方法是将上述两个算子与原图相叠加,并将两种算法相互结合,从而突出原图中电力设备的边缘信息,提高识别的准确度。
S2:针对不均匀光照的图像增强处理。
所述的针对不均匀光照的图像增强处理,通过直方图均衡化将灰度图像映射将扩展到像素的强度分布范围,以放大在图像和增强的相同颜色范围内采集的像素,通过不均匀的光照射增加图像对比度并降低图像效果。将彩色图片分解成RGB三种颜色的单色图像,再进行直方图均衡化,完成之后,再将三色图像合成为彩色图像。
(1)计算图像的各灰度级中像素出现的概率p(i)
L为灰度级的个数,ni为对应灰度级的像素数量,n为像素总数
(2)计算p(i)的累计概率函数c(i)
(3)将c(i)缩放至0-255范围内
y(i)=255*c(i)
S3:对电力设备可见光图像进行分割,实现电气设备类型识别。
所述的对电力设备可见光图像进行分割与识别,采用GrabCut图像分割算法将该电力设备的轮廓信息提取出来,便于后续的对电力设备类型进行分析。使用RGB色彩空间对目标和背景进行建模,并使用K高斯分量的全协方差GMM对目标和背景进行建模。因此提供了附加向量K={k1,...,kn},其中kn是对应于高斯分量的第n个像素。对于每个像素,从目标GMM的高斯成分或背景GMM的高斯成分。E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)
θ={π(α,k),μ(α,k),∑(α,k),α=0,1,k=1...K}
u是区域术语,这意味着像素被分类为属于图部分u的RP(LP)的目的地或背景的概率的负对数。混合高斯密度模型的形式如下:
因此,上述方程式在记录负对数后,GMM有3个参数。高斯成分的重量,高斯成分的平均矢量U(RGB通道有3个,所以有3个元素矢量)和系数矩阵。这是3×3矩阵。中心点匹配相应的参数。描述找到的目标的GMM和描述背景的GMM必须通过学习来决定。首先确定这三个参数,然后知道像素的RGB颜色的值。接着,将其代入目标GMM和背景GMM,以确定像素属于目标和背景的概率,即能量的面积概念,即计算图t链的权重。这是从n-link来的。
边界概念与图的剖面的概念类似,惩罚该区域中的不连续像素m和n。显示两个区域之间的像素差很小。那些和同一目标或背景有关。如果这意味着两个像素的话,对应于目标和背景的阶段性根据两个区域的像素之间的差异越大,能量RGB空间就使用欧氏距离(两个标准)来测量两个像素的相似性。
S4:针对电气设备的红外故障图像,采用深度学习进行卷积训练,实现电气设备故障识别。
所述的一种基于深度学习的变电站电气设备红外故障识别方法,首先按照电气设备致热故障产生原因分类,然后基于Mask-rcnn的深度学习算法对电气设备的红外故障进行分类。首先建立电气设备致热故障类型,按照电气设备致热故障的位置分类,按照电气设备致热故障产生原因分类,分为电力变压器故障、电压互感器故障、电流互感器故障、隔离开关故障和断路器故障。然后,将maskrcnn用于红外故障图像的识别上,并且是基于多摄像头的识别,因为在变电站中电气设备因为发生电压致热性故障,导致的局部发热,可能会出现发热故障区域只在一侧从而导致红外摄像头无法拍摄到,因此需要采用多摄像头提高故障识别率。最后,基于深度学习算法做出红外故障数据集,然后就可以处理双摄摄像头拍摄的电气神红外图片,判断是否发生致热型故障,及时报给主控室达到一个预警的效果。通过收集变电站电气设备的故障类型,不断增加红外数据集的规模,从而提高识别的准确度(人工操作)。
S5:收集识别后的电气设备图片,建立电气设备红外图谱信息管理系统。
结合图2所示,所述的电气设备红外图谱信息管理系统,建立了包含图像获取、数据储存、分析计算、操作维护四个模块的电气设备红外图谱管理系统,完成红外图谱及相关信息的储存、查询、维护、分析等功能。程序开始运行时,首先获取可见光摄像头和红外摄像头的一帧图像,使用OpenCV中resise函数将两张图像转化成大小为(320,240)的格式。判断是否存在电气设备时使用已经训练完成的模型,用输出不同数字代表不同类型的电气设备。当识别存在电气设备时,调用缺陷识别模型对该电气设备的红外热像图进行识别,同样用不同的数字代表不同的缺陷类型。若检测出存在缺陷,则将电气设备的类型、缺陷类型、检测时间和保存的红外热像图保存在数据库中。为了减轻设备计算压力,可设置一定的检测间隔。
本发明提出一种基于位置和视觉特征的多摄像头协同策略,通过筛选一个摄像头承担目标监测任务,实现多摄像头的目标监测。
(1)由于电气设备红外故障会存在电压致热型故障而导致的局部发热,从而在电气设备的一侧发热,而另外一侧就是正常温度,因此单个红外摄像头无法准确的进行故障诊断。
(2)由于值班人员对摄像头位置的调节,导致原来在视野里的电气设备无法监测,因此需要其余摄像头来承担目标识别任务。所以本发明通过多摄像头的协同定位,来监测电气设备,从而提高识别准确率。
基于以上需要改进的问题,本发明提出一种基于位置和视觉特征的多摄像头协同策略,通过筛选一个摄像头承担目标监测任务,实现多摄像头的目标监测。
以上对本发明实施例所提供的一种基于深度学习的变电站电气设备红外故障识别方法进行了详细介绍,本文中利用具体实例对本发明的原理进行了介绍,用于阐述本发明的核心思想,不能将本说明书内容理解为对本发明保护范围的限制。
Claims (6)
1.一种基于深度学习的变电站电气设备红外故障识别方法,其特征在于包括以下步骤:
S1:采集电气设备可见光和红外图形,对数据进行预处理
S2:针对不均匀光照的图像增强处理
S3:对电力设备可见光图像进行分割,实现电气设备类型识别
S4:针对电气设备的红外故障图像,采用深度学习进行卷积训练,实现电气设备故障识别
S5:收集识别后的电气设备图片,建立电气设备红外图谱信息管理系统。
2.根据权利要求1所述的方法,其特征在于,所述的电气设备可见光和红外图形预处理,采用Sobel算子和Laplace算子,将两个算子与变电站电气设备原始图像相叠加,并将两种算法相互结合,从而突出原图中电力设备的边缘信息,提高识别的准确度。Sobel算子通常应用于图像的边缘检测上,它是离散性差分算子,在图像任意一点使用该算子,将会产生对应的方向的一个矢量。Laplace算子同sobel算子一样,都是应用于物体的边缘检测。Laplace算子是在一阶导数边缘检测的基础之上发展而来,利用二阶导数来进行边缘检测。对于二阶函数的导数求法如下:
可近似得到如下公式:
于是得到对应的拉普拉斯滤波模板:
通过Sobel算子和Laplace算子运算后得到该图像中电力设备的轮廓信息,增大了轮廓信息在叠加中的占比,便于人眼观察。
4.根据权利要求1所述的方法,其特征在于,所述的对电力设备可见光图像进行分割与识别,采用GrabCut图像分割算法将该电力设备的轮廓信息提取出来,便于后续的对电力设备类型进行分析。使用RGB色彩空间对目标和背景进行建模,并使用K高斯分量的全协方差GMM对目标和背景进行建模。因此提供了附加向量K={k1,...,kn},其中kn是对应于高斯分量的第n个像素。对于每个像素,从目标GMM的高斯成分或背景GMM的高斯成分。确定这三个参数,然后知道像素的RGB颜色的值。接着,将其代入目标GMM和背景GMM,以确定像素属于目标和背景的概率,即能量的面积概念,即计算图t链的权重。
5.根据权利要求1所述的方法,其特征在于,所述的一种基于深度学习的变电站电气设备红外故障识别方法,首先按照电气设备致热故障产生原因分类,然后基于Mask-rcnn的深度学习算法对电气设备的红外故障进行分类。首先建立电气设备致热故障类型,按照电气设备致热故障的位置分类,按照电气设备致热故障产生原因分类,分为电力变压器故障、电压互感器故障、电流互感器故障、隔离开关故障和断路器故障。然后,将maskrcnn用于红外故障图像的识别上,并且是基于多摄像头的识别,因为在变电站中电气设备因为发生电压致热性故障,导致的局部发热,可能会出现发热故障区域只在一侧从而导致红外摄像头无法拍摄到,因此需要采用多摄像头提高故障识别率。最后,基于深度学习算法做出红外故障数据集,然后就可以处理双摄摄像头拍摄的电气神红外图片,判断是否发生致热型故障,及时报给主控室达到一个预警的效果。通过收集变电站电气设备的故障类型,不断增加红外数据集的规模,从而提高识别的准确度(人工操作)。
6.根据权利要求1所述的方法,其特征在于,所述的电气设备红外图谱信息管理系统,建立了包含图像获取、数据储存、分析计算、操作维护四个模块的电气设备红外图谱管理系统,完成红外图谱及相关信息的储存、查询、维护、分析等功能。程序开始运行时,首先获取可见光摄像头和红外摄像头的一帧图像,使用OpenCV中resise函数将两张图像转化成大小为(320,240)的格式。判断是否存在电气设备时使用已经训练完成的模型,用输出不同数字代表不同类型的电气设备。当识别存在电气设备时,调用缺陷识别模型对该电气设备的红外热像图进行识别,同样用不同的数字代表不同的缺陷类型。若检测出存在缺陷,则将电气设备的类型、缺陷类型、检测时间和保存的红外热像图保存在数据库中。为了减轻设备计算压力,可设置一定的检测间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269293.8A CN114677667A (zh) | 2022-03-18 | 2022-03-18 | 一种基于深度学习的变电站电气设备红外故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269293.8A CN114677667A (zh) | 2022-03-18 | 2022-03-18 | 一种基于深度学习的变电站电气设备红外故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114677667A true CN114677667A (zh) | 2022-06-28 |
Family
ID=82074355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210269293.8A Pending CN114677667A (zh) | 2022-03-18 | 2022-03-18 | 一种基于深度学习的变电站电气设备红外故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677667A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563283A (zh) * | 2023-07-10 | 2023-08-08 | 山东联兴能源集团有限公司 | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 |
-
2022
- 2022-03-18 CN CN202210269293.8A patent/CN114677667A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563283A (zh) * | 2023-07-10 | 2023-08-08 | 山东联兴能源集团有限公司 | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 |
CN116563283B (zh) * | 2023-07-10 | 2023-09-08 | 山东联兴能源集团有限公司 | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709436B (zh) | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统 | |
Lin et al. | Estimation of number of people in crowded scenes using perspective transformation | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN109635758B (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN110427825A (zh) | 基于关键帧与快速支持向量机融合的视频火焰识别方法 | |
Vosters et al. | Background subtraction under sudden illumination changes | |
CN112183313A (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN113052876A (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
CN111489330A (zh) | 基于多源信息融合的弱小目标检测方法 | |
Chen et al. | Robust license plate detection in nighttime scenes using multiple intensity IR-illuminator | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
KR102171384B1 (ko) | 영상 보정 필터를 이용한 객체 인식 시스템 및 방법 | |
CN116758447A (zh) | 一种基于数字孪生的变电站设备故障分析系统 | |
Xu et al. | Unsupervised abnormal behaviour detection with overhead crowd video | |
CN115661757A (zh) | 一种受电弓拉弧自动检测方法 | |
CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及系统 | |
CN113095332B (zh) | 一种基于特征学习的显著性区域检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |