CN114965328A - 一种紫外多光谱高压线路故障检测与定位方法及装置 - Google Patents
一种紫外多光谱高压线路故障检测与定位方法及装置 Download PDFInfo
- Publication number
- CN114965328A CN114965328A CN202210421088.9A CN202210421088A CN114965328A CN 114965328 A CN114965328 A CN 114965328A CN 202210421088 A CN202210421088 A CN 202210421088A CN 114965328 A CN114965328 A CN 114965328A
- Authority
- CN
- China
- Prior art keywords
- voltage line
- ultraviolet
- fault detection
- imaging data
- multispectral imaging
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000701 chemical imaging Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010891 electric arc Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010616 electrical installation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种紫外多光谱高压线路故障检测与定位方法及装置，该方法包括利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据；对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据并建立高压线路故障样本数据集；利用数据集对预设深度神经网络进行训练，得到故障检测模型；获取待检测的高压线路的紫外多光谱成像数据，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。本发明可提高高压线路故障检测能力和效率。
Description
技术领域
本发明涉及智能感知、智能信息处理技术领域，特别涉及一种紫外多光谱高压线路故障检测与定位方法及装置。
背景技术
电力线等输电设施受各种内部、外界的因素影响，长期工作后会出现老化、断股、散股、缺陷、污秽等问题，并产生放电现象。输电设施污秽、裂化的程度不同，其放电的强弱也不同。这些问题的出现都将危害整个输电网的稳定运转，如不及时处理，会加剧电力设施的损坏并造成严重的输电事故。
而现有的输电设施故障检测技术存在很多不足。首先，电网分布范围广，仅靠人力进行故障检测是远远不够的。其次，现有的故障检测方法不能满足智能电网框架下快速准确的故障检测要求。因此，亟需一种新的故障检测方法。
发明内容
本发明提供了一种紫外多光谱高压线路故障检测与定位方法及装置，以解决现有故障检测方法不能满足智能电网框架下快速准确的故障检测要求的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种紫外多光谱高压线路故障检测与定位方法，包括：
利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据；
对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
利用所述数据集对预设的深度神经网络进行训练，得到故障检测模型；
获取待检测的高压线路的紫外多光谱成像数据，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。
进一步地，利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据，包括：
将紫外多光谱成像设备搭载于无人机上，控制无人机在高压线路目标区域内按照设计线路飞行，采集包含故障信息在内的高压线路紫外多光谱成像数据。
进一步地，对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，包括：
对高压线路故障的光斑进行标注，并根据放电严重程度，将光斑标注为弱电晕放电、强电晕放电、临近闪络放电以及电弧放电多类故障类型。
进一步地，利用所述数据集对预设的深度神经网络进行训练，得到故障检测模型，包括：
将高压线路故障样本数据集按照一定比例分成训练集、测试集和验证集；
利用所述训练集训练预设的深度神经网络；
利用所述验证集对训练后的深度神经网络的参数进行调整；
利用所述测试集对训练好的深度神经网络的性能进行测试。
进一步地，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，包括：
在空间维度上，采用局部-全局块联合的方式获取紫外多光谱成像数据的空间特征信息；
在光谱维度上，利用长短期记忆方法筛选光谱特征信息；
将空间维度获取的空间特征信息与光谱维度获取的光谱特征信息一起输送到全连接层进行分类，得出紫外多光谱成像数据中高压线路故障的概率。
进一步地，采用局部-全局块联合的方式获取紫外多光谱成像数据的空间特征信息，包括：
利用多尺度残差结构，提取紫外多光谱成像数据的多尺度全局空间特征；
构建基于空间注意力机制的金字塔池化结构，捕获光斑目标以及背景的边缘像素信息，从而提取边缘的局部特征信息。
另一方面，本发明还提供了一种紫外多光谱高压线路故障检测与定位装置，包括：
无人机模块，用于搭载数据采集设备和嵌入式处理系统，实现高压线路目标区域内的紫外多光谱成像数据的采集；
标注模块，用于对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
模型训练模块，用于利用所述高压线路故障样本数据集对预设的深度神经网络进行训练，得到故障检测模型；
高压线路故障检测与定位模块，用于获取待检测的高压线路的紫外多光谱成像数据，利用所述故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明通过将无人机获取的紫外多光谱图像输入故障检测模型中，自动判断出高压线路故障信息，从而提高了故障信息在线监测定位的实时性和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的紫外多光谱高压线路故障检测与定位方法的实现流程图；
图2是本发明实施例提供的基于空间注意力机制的金字塔池化结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种紫外多光谱高压线路故障检测与定位方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法包括以下步骤：
S1，利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据；
S2，对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
S3，利用所述数据集对预设的深度神经网络进行训练，得到故障检测模型；
S4，获取待检测的高压线路的紫外多光谱成像数据，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。
具体地，如图1所示，该紫外多光谱高压线路故障检测与定位方法实现过程如下：
利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据；
对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
其中，在本实施例中，对光斑进行标注时，根据放电严重程度，将光斑标注为弱电晕放电、强电晕放电、临近闪络放电以及电弧放电等多类故障类型。
高压线路故障样本数据集按照一定比例分成训练集、测试集和验证集；其中，利用所述训练集训练预设的神经网络；利用所述验证集对训练后的神经网络的参数进行调整；利用所述测试集对训练好的神经网络的性能进行测试。
在神经网络的训练阶段，该方法包括以下步骤：
提取紫外多光谱成像数据的特征信息；具体包括：
在空间维度上，采用局部-全局块联合的方式获取紫外多光谱成像数据的空间特征信息；具体为：利用多尺度残差结构，提取紫外多光谱成像数据的多尺度残差全局空间特征信息；构建基于空间注意力机制的金字塔池化结构，捕获光斑目标以及背景的边缘像素信息，从而提取边缘的局部特征信息。具体地，如图2所示，在紫外多光谱图像空间局部特征提取中，首先经过自注意力机制，然后进入空间金字塔池化层，图2中的左边、中间和右边的特征映射分别是16×256、4×256和256，表示将卷积层的特征映射分别分成16份、4份和1份，即对每一份进行了最大池化操作，对应于图像空间中保留了各个不同大小地物空间的局部重要信息，并以固定的长度表示。
在光谱维度上，利用长短期记忆方法筛选光谱特征信息；
将空间维度获取的空间特征信息与光谱维度获取的光谱特征信息一起输送到全连接层网络进行分类，得出紫外多光谱成像数据中高压线路故障的概率。
训练完成后，保存最优网络权重。
在测试阶段，载入最优网络权重对高压线路故障进行检测，实现故障定位。
实际应用时，只需通过无人机获取待检测的高压线路的紫外多光谱成像数据，然后将获取的紫外多光谱成像数据输入故障检测模型，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，即可实现故障检测与定位。
第二实施例
本实施例提供了一种紫外多光谱高压线路故障检测与定位装置，包括以下模块：
无人机模块，用于搭载数据采集设备和嵌入式处理系统，实现高压线路目标区域内的紫外多光谱成像数据的采集；
标注模块，用于对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
模型训练模块，用于利用所述高压线路故障样本数据集对预设的深度神经网络进行训练，得到故障检测模型；
高压线路故障检测与定位模块，用于获取待检测的高压线路的紫外多光谱成像数据，利用所述故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。
本实施例的紫外多光谱高压线路故障检测与定位装置与上述第一实施例的紫外多光谱高压线路故障检测与定位方法相对应；其中，本实施例的紫外多光谱高压线路故障检测与定位装置中的各功能模块所实现的功能与上述第一实施例的紫外多光谱高压线路故障检测与定位方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例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，本发明实施例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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (7)
1.一种紫外多光谱高压线路故障检测与定位方法，其特征在于，包括：
利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据；
对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
利用所述数据集对预设的深度神经网络进行训练，得到故障检测模型；
获取待检测的高压线路的紫外多光谱成像数据，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。
2.如权利要求1所述的紫外多光谱高压线路故障检测与定位方法，其特征在于，利用无人机巡飞采集高压线路目标区域内的紫外多光谱成像数据，包括：
将紫外多光谱成像设备搭载于无人机上，控制无人机在高压线路目标区域内按照设计线路飞行，采集包含故障信息在内的高压线路紫外多光谱成像数据。
3.如权利要求1所述的紫外多光谱高压线路故障检测与定位方法，其特征在于，对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，包括：
对高压线路故障的光斑进行标注，并根据放电严重程度，将光斑标注为弱电晕放电、强电晕放电、临近闪络放电以及电弧放电多类故障类型。
4.如权利要求1所述的紫外多光谱高压线路故障检测与定位方法，其特征在于，利用所述数据集对预设的深度神经网络进行训练，得到故障检测模型，包括：
将高压线路故障样本数据集按照一定比例分成训练集、测试集和验证集；
利用所述训练集训练预设的深度神经网络；
利用所述验证集对训练后的深度神经网络的参数进行调整；
利用所述测试集对训练好的深度神经网络的性能进行测试。
5.如权利要求1所述的紫外多光谱高压线路故障检测与定位方法，其特征在于，利用故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，包括：
在空间维度上，采用局部-全局块联合的方式获取紫外多光谱成像数据的空间特征信息；
在光谱维度上，利用长短期记忆方法筛选光谱特征信息；
将空间维度获取的空间特征信息与光谱维度获取的光谱特征信息一起输送到全连接层进行分类，得出紫外多光谱成像数据中高压线路故障的概率。
6.如权利要求5所述的紫外多光谱高压线路故障检测与定位方法，其特征在于，采用局部-全局块联合的方式获取紫外多光谱成像数据的空间特征信息，包括：
利用多尺度残差结构，提取紫外多光谱成像数据的多尺度全局空间特征；
构建基于空间注意力机制的金字塔池化结构，捕获光斑目标以及背景的边缘像素信息，从而提取边缘的局部特征信息。
7.一种紫外多光谱高压线路故障检测与定位装置，其特征在于，包括：
无人机模块，用于搭载数据采集设备和嵌入式处理系统，实现高压线路目标区域内的紫外多光谱成像数据的采集；
标注模块，用于对采集的紫外多光谱成像数据中包含的高压线路故障的光斑进行标注，得到高压线路故障样本数据，并建立高压线路故障样本数据集；
模型训练模块，用于利用所述高压线路故障样本数据集对预设的深度神经网络进行训练，得到故障检测模型；
高压线路故障检测与定位模块，用于获取待检测的高压线路的紫外多光谱成像数据，利用所述故障检测模型对待检测的高压线路的紫外多光谱成像数据进行检测，实现高压线路故障检测与定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210421088.9A CN114965328A (zh) | 2022-04-21 | 2022-04-21 | 一种紫外多光谱高压线路故障检测与定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210421088.9A CN114965328A (zh) | 2022-04-21 | 2022-04-21 | 一种紫外多光谱高压线路故障检测与定位方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114965328A true CN114965328A (zh) | 2022-08-30 |
Family
ID=82976779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210421088.9A Pending CN114965328A (zh) | 2022-04-21 | 2022-04-21 | 一种紫外多光谱高压线路故障检测与定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114965328A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115656731A (zh) * | 2022-12-09 | 2023-01-31 | 武汉格蓝若智能技术股份有限公司 | 一种架空配电线路电弧接地故障点定位方法 |
| CN117374976A (zh) * | 2023-12-06 | 2024-01-09 | 北京天恒安科集团有限公司 | 基于线路故障自动识别的电气安全管理系统 |
-
2022
- 2022-04-21 CN CN202210421088.9A patent/CN114965328A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115656731A (zh) * | 2022-12-09 | 2023-01-31 | 武汉格蓝若智能技术股份有限公司 | 一种架空配电线路电弧接地故障点定位方法 |
| CN117374976A (zh) * | 2023-12-06 | 2024-01-09 | 北京天恒安科集团有限公司 | 基于线路故障自动识别的电气安全管理系统 |
| CN117374976B (zh) * | 2023-12-06 | 2024-02-27 | 北京天恒安科集团有限公司 | 基于线路故障自动识别的电气安全管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114965328A (zh) | 一种紫外多光谱高压线路故障检测与定位方法及装置 | |
| CN110580475A (zh) | 基于无人机巡检的线路诊断方法、电子装置及存储介质 | |
| CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
| CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
| CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
| Manninen et al. | Toward automatic condition assessment of high-voltage transmission infrastructure using deep learning techniques | |
| CN115294476B (zh) | 面向无人机电力巡检的边缘计算智能检测方法及设备 | |
| CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
| CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN114399484A (zh) | 一种光伏组件缺陷检测方法、装置、设备及介质 | |
| CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
| CN115424141A (zh) | 一种光伏装机容量计算方法、装置、电子设备和介质 | |
| CN116309303A (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN113313110B (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
| Hui et al. | Intelligent bird’s nest hazard detection of transmission line based on RetinaNet model | |
| Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
| CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
| Eisenbach et al. | Crack detection with an interactive and adaptive video inspection system | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| Liu et al. | Quality assessment for inspection images of power lines based on spatial and sharpness evaluation | |
| CN117292277A (zh) | 基于双目无人机系统与深度学习的绝缘子故障检测方法 | |
| CN113705001B (zh) | 输电线路故障检测方法、系统及嵌入式设备 | |
| Wei et al. | Insulator defect detection in transmission line based on an improved lightweight YOLOv5s algorithm |
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 |