CN115086607A - 一种电力施工监控系统、监控方法、计算机设备 - Google Patents

一种电力施工监控系统、监控方法、计算机设备 Download PDF

Info

Publication number
CN115086607A
CN115086607A CN202210668647.6A CN202210668647A CN115086607A CN 115086607 A CN115086607 A CN 115086607A CN 202210668647 A CN202210668647 A CN 202210668647A CN 115086607 A CN115086607 A CN 115086607A
Authority
CN
China
Prior art keywords
microphone array
equipment
image acquisition
flight
construction monitoring
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
Application number
CN202210668647.6A
Other languages
English (en)
Inventor
黄锐
孟海磊
赵辰宇
董啸
任敬飞
刘明林
李强
吴见
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210668647.6A priority Critical patent/CN115086607A/zh
Publication of CN115086607A publication Critical patent/CN115086607A/zh
Pending legal-status Critical Current

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
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • 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
    • H04B7/18502—Airborne stations
    • H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

本发明属于安全监控技术领域，公开一种电力施工监控系统，包括：飞行设备，飞行设备上搭载麦克风阵列和图像采集设备，麦克风阵列用于获取电力设备声学信息，图像采集设备用于采集作业人员图像信息；识别模块，根据麦克风阵列或图像采集设备传送的信息，识别电力设备状态或作业人员行为。本发明公开的监控系统可以对施工人员的作业行为或电力设备状态进行监控，及时发现问题，采取相应措施，有效保证了配网施工现场作业人员或电力设备的安全。

Description

一种电力施工监控系统、监控方法、计算机设备
技术领域
本发明涉及安全监控技术领域，特别涉及一种电力施工监控系统、监控方法、计算机设备。
背景技术
随着科学技术的发展，工业生产和居民生活对电能的持续性和稳定性要求越来越高。配电是客户用电的最后一公里，也是最容受环境和不可抗力破坏的一个环节，会直接影响客户用电。近年来，随着客户用电负荷的不断增大，配电新装、抢修施工现场急剧增加，而现场作业人员流动性大，安全管理人员少，配网施工复杂等安全风险因素也随之增加，相关安全监护辅助技术存在缺失，主要存在如下问题：
(1)施工现场作业人员安全意识淡薄，经常不戴安全帽，不穿全棉长袖工作服，常见违规作业行为都存在触电和受伤风险，缺少实时识别监控的技术手段；
(2)施工现场设备存在放电伤人、高温爆裂风险，特别是抢修现场老旧设备及链接不牢固的部位，局部放电现象频发；夏季施工现场，设备受阳光照射，具有爆裂及烫伤人员隐患；
(3)高处架空线路、设备抢修、重要风险施工环节、现场复杂施工区域及隐蔽工程，作业监护人在地面上无法实现对高处作业人员的全方位监护，且工作负责人及监护人长时间仰头监护高处施工人员极不方便，存在安全隐患；
因此，如何提供一种能够监控施工现场作业人员安全及电力设备状态的系统，是目前亟待解决的问题。
发明内容
本发明实施例提供了一种电力施工监控系统，以解决目前电力施工过程中的作业人员行为及电力设备状态缺乏监控的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本发明实施例的第一方面，提供了一种电力施工监控系统。
在一个实施例中，一种电力施工监控系统，包括：
飞行设备，飞行设备上搭载麦克风阵列和图像采集设备，麦克风阵列用于获取电力设备声学信息，图像采集设备用于采集作业人员图像信息；
识别模块，用于根据麦克风阵列或图像采集设备传送的信息，识别电力设备状态或作业人员行为；
应用端，用于与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态。
可选地，所述系统还包括环绕在麦克风阵列外侧的隔音结构。
可选地，所述图像采集设备还包括红外采集设备，用于采集监控区域温度。
可选地，所述飞行设备包括照明设备。
可选地，所述麦克风阵列包括控制模块，麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态，将麦克风阵列采集到的声学信息传送到识别模块。
可选地，所述系统还包括对地角度调整模块，对地角度调整模块用于调整麦克风阵列对地角度。
可选地，所述系统还包括应用端，所述应用端用于与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态。
可选地，所述识别模块用于根据麦克风阵列传送的信息，识别电力设备状态，包括：
识别模块将麦克风阵列传送的电力设备的声学信息与数据库中正常运行的电力设备的声纹信号进行比对，根据比对结果识别该电力设备状态。
可选地，所述识别模块用于根据图像采集设备传送的信息，识别作业人员行为，包括：
识别模块将图像采集设备采集的图像传输到预先训练的神经网络模型，通过神经网络模型确定待跟踪目标，基于预先训练的跟踪算法对跟踪目标进行跟踪；
识别模块通过神经网络模型对跟踪目标的行为进行识别。
根据本发明实施例的第二方面，提供了一种电力施工监控方法。
在一个实施例中，一种电力施工监控方法，基于一系统，该系统包括飞行设备、识别模块和应用端，飞行设备上搭载麦克风阵列和图像采集设备；所述方法包括：
通过应用端与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态；
通过麦克风阵列和图像采集设备分别获取电力设备声学信息和作业人员图像信息；
识别模块根据麦克风阵列或图像采集设备传送的信息，识别电力设备状态或作业人员行为。
可选地，所述通过麦克风阵列获取电力设备声学信息的步骤，包括：
麦克风阵列包括控制模块，麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态，将麦克风阵列采集到的声学信息传送到识别模块。
可选地，所述麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态的步骤，包括：
麦克风阵列的控制模块采用切比雪夫综合法调整所述麦克风阵列的激励电流分布，使麦克风阵列的方向图呈现从主瓣向副瓣逐步递减的中心对称形式，使主瓣对准电力设备，获取电力设备声学信息。
可选地，所述麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态的步骤，包括：
麦克风阵列的控制模块在麦克风阵列稀疏分布运算中应用粒子群算法，将阵元幅度、阵元相位以及阵元间距作为参数，将麦克风阵列的主波束增益与副瓣电平作为优化目标，获得麦克风阵列稀疏分布最优解，根据麦克风阵列稀疏分布最优解为麦克风阵列提供馈电。
可选地，所述麦克风阵列的控制模块在麦克风阵列稀疏分布运算中应用粒子群算法的步骤，包括：
将麦克风阵列的阵元幅度、阵元相位以及阵元间距作为参数作为输入，将麦克风阵列的主波束增益及副瓣电平的计算公式设定为适应度函数；
随机初始化各粒子位置与速度，并计算适应度函数值，获得初始化各粒子历史局部最优解与历史全局最优解；
每一次迭代对应一组主波束增益值与副瓣电平值，赋予主波束增益及副瓣电平相应的权重，经多次迭代后获得麦克风阵列稀疏分布最优解。
可选地，所述识别模块根据麦克风阵列传送的信息，识别电力设备状态的步骤，包括：
识别模块将麦克风阵列传送的电力设备的声学信息与数据库中正常运行的电力设备的声纹信号做比对，根据比对结果识别该电力设备状态。
可选地，所述识别模块根据图像采集设备传送的信息，识别作业人员行为的步骤，包括：
识别模块将图像采集设备采集的图像传输到预先训练的神经网络模型，通过神经网络模型确定待跟踪目标，基于预先训练的跟踪算法对跟踪目标进行跟踪；
识别模块通过神经网络模型对跟踪目标的行为进行识别。
可选地，所述神经网络模型的构建步骤，包括：
根据工作场景构建数据集；
对数据集的图像进行标注；
将数据集划分为训练集、验证集和测试集；
通过卷积神经网络算法对所述训练集进行训练，得到神经网络模型。
可选地，所述方法还包括对所述神经网络模型进行优化的步骤，具体为：
通过模型权重量化模型、模型权重稀疏模型、模型通道剪枝压缩模型、TVM优化模型、tensorRT优化模型、OpenVINO优化模型中的任意一种或多种对所述神经网络模型进行优化。
可选地，所述系统还包括对地角度调整模块，所述方法还包括：通过对地角度调整模块调整麦克风阵列对地角度。
根据本发明实施例的第三方面，提供了一种计算机设备。
在一个实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项实施例所述的方法的步骤。
本发明实施例提供的技术方案可以包括以下有益效果：
可以对施工人员的作业行为或电力设备状态进行监控，及时发现问题，采取相应措施，有效保证了配网施工现场作业人员或电力设备的安全。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种电力施工监控系统的原理图；
图2是根据一示例性实施例示出的麦克风阵列和隔音结构的示意图；
图3是根据一示例性实施例示出的计算机设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，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结构、装置或者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结构、装置或者设备所固有的要素。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结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中的术语“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文和简化描述，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。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本文中，除非另有说明，术语“多个”表示两个或两个以上。
本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
图1示出了本发明的电力施工监控系统的一个实施例。
在该可选实施例中，所述电力施工监控系统，包括：飞行设备，飞行设备上搭载麦克风阵列和图像采集设备，麦克风阵列用于获取电力设备局部放电、异响等声学信息，图像采集设备用于采集作业人员图像信息；识别模块，根据麦克风阵列或图像采集设备传送的信息，识别电力设备状态或作业人员行为；应用端，用于与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态。
本发明实施例的监控系统能够实时分析电力作业现场的违规违章问题以及电力设备故障状态。
麦克风阵列是一种声源定位、声学成像设备，可以对阵列前方空间进行声音采集，通过空间、频率滤波，可以检测到异常的声学信号。飞行设备携带麦克风阵列在施工现场按指定航线进行飞行，麦克风阵列的主波束方向对准输电线路、变电站内高压设备、电抗器、配电开关柜等电力设备进行扫描，若电力设备出现故障则会产生局部放电、异响等肉眼难以察觉的现象，通过麦克风阵列可以采集到这些异常现象的声学信息，将采集到的声学信息传输给识别模块。识别模块包括正常运行的电力设备声纹信号数据库，识别模块将麦克风阵列传送的电力设备的声学信息与数据库中正常运行的电力设备的声纹信号进行比对，根据比对结果识别该电力设备状态，若发现有较强功率的高频异常信号，即对该电力设备进行标记，及时发现电力设备的故障状态。
识别模块将图像采集设备采集的图像传输到预先训练的神经网络模型，通过神经网络模型确定待跟踪目标，基于预先训练的跟踪算法对跟踪目标进行跟踪，并根据跟踪目标的位置信息获得飞行设备的控制参数，基于控制参数控制飞行设备的飞行状态以及图像采集设备的工作状态，以及对跟踪目标持续跟踪。识别模块通过神经网络模型对跟踪目标的行为进行识别。
应用端，用于与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态。可选地，应用端为APP，APP基于无人机的MSDK开发，实现应用程序与无人机载荷交互、图数传输、控制信号传递；实现移动端分析、识别违规违章作业，并抓拍报警功能。
本实施例中，跟踪目标是施工过程的作业人员或者电力设备，需要采集识别的信息可以是作业人员行为信息或者设备状态信息，例如：
(1)作业人员安全帽、工装、反光衣及安全带等配戴设备是否合格使用等行为；
(2)作业人员跟踪识别，非作业人员入侵作业现场行为；
(3)作业人员与重要带电部位安全距离；
(4)作业区域内人员接打电话、抽烟、摔倒及撤离作业区域等行为；
(5)高压隔离开关、断路器、熔断器等安全隔离设备的设备状态等。
识别模块可以在飞行设备搭载的服务器中运行，也可以在地面服务器中运行，也可以通过飞行设备搭载服务器和地面服务器共同运行。例如，识别模块根据图像采集设备输出的图像确定待跟踪目标为一个未佩戴安全帽的作业人员，基于预先训练的跟踪算法对该作业人员进行跟踪，并将该作业人员的位置信息转化为控制参数，基于控制参数控制飞行设备的飞行状态和图像采集设备的工作状态，对该作业人员进行跟踪，识别出该作业人员存在未佩戴安全帽的行为。再例如，识别模块根据麦克风阵列传送信息确定待跟踪目标为一个高压隔离开关，若该高压隔离开关发生故障则会产生高频局部放电信号，麦克风阵列捕捉到该信号，识别模块将该信号与数据库中正常运行的隔离开关声纹信号做比对，若发现有较强功率的高频异常信号，即对该高压隔离开关进行标记，定位故障设备。识别模块根据麦克风阵列传送信息识别设备故障的过程，是通过设备产生的局部放电、异响等肉眼难见的现象来判断的。由于麦克风阵列采集到的异常信号往往是位置固定、不会移动的电力设备产生的，因此可以进行对该电力设备进行标注，及时发出报警信号，后续检修工人可以针对性的进行检查。
可选地，飞行设备采用无人机。为避免无人机电机转动时对局部放电检测效果产生影响，如图2所示，麦克风阵列的外侧环绕隔音结构，隔音结构用于隔离无人机电机和旋翼产生的超声干扰。可选地，隔音结构的材料选用聚氨酯泡沫塑料，该聚氨酯泡沫塑料可以吸收声强，实现吸音隔音，提高麦克风阵列采集声学信息的稳定性和抗干扰性能。
可选地，本发明实施例的系统还包括：对地角度调整模块，用于调整麦克风阵列对地角度，通过对麦克风阵列的对地角度进行优化，改变麦克风阵列对地角度，以降低无人机及环境噪声在地面反射的噪声。由于麦克风阵列只需要接收前方和前方左右侧的超声信号，可以由麦克风阵列形成窄波束，通过调整阵元的幅度与相位，在主辐射方向的两个轴上实现波束扫描，调整麦克风阵列的接收方向，达到定向接收的目的，实现提高主波束辐射功率(也即提高主瓣电平)，降低副瓣电平的功能，从而最大程度上降低来自无人机本体噪声的干扰。可选地，对地角度调整模块将麦克风阵列平面对地角度调整为45°角，可以有效降低地面噪声反射，实现理想的降噪功能。
可选地，飞行设备还包括照明设备。通过加装照明设备，保障施工现场的光源充足，例如，将照明设备挂载到无人机云台上，可以对地面及架空线路工作区域提供光源。
麦克风阵列包括控制模块，麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态，将麦克风阵列采集到的声学信息传送到识别模块。可选地，麦克风阵列获取电力设备声学信息的过程中，当麦克风阵列的控制模块接收飞行设备或者应用端下达的指令，调整麦克风阵列的指向性时，麦克风阵列的控制模块采用切比雪夫综合法调整所述麦克风阵列的激励电流分布，使麦克风阵列的方向图呈现从主瓣向副瓣逐步递减的中心对称形式，使主瓣对准电力设备，获取电力设备声学信息，在阵元数目较少的情况下，通过使阵元激励电流幅度满足切比雪夫多项式，实现抑制副瓣电平，提高主波束辐射功率的功能，更准确的采集局部放电或异常噪声。
具体地，麦克风阵列的控制模块采用切比雪夫综合法调整所述麦克风阵列的激励电流分布，使麦克风阵列的方向图呈现从主瓣向副瓣逐步递减的中心对称形式，因此，切比雪夫阵因子式可以展开为奇数阵列和偶数阵列。
奇数阵列(N＝2M+1)阵因子可以表示为：
Figure BDA0003692374720000111
I1,……,IM+1为1,……,M+1的阵元的激励电流值，k为波数(2π/波长)，d为阵元间距，θ为扫描角度，法线方向时θ为90°，ɑ为初相。
偶数阵列(N＝2M)阵因子可以表示为：
Figure BDA0003692374720000112
根据奇数阵列与偶数阵列两种组合形式，可以获得每个阵元激励电流的幅相特性，即
偶数阵列满足：
Figure BDA0003692374720000113
其中，q是阵元的序号。
奇数阵列满足：
Figure BDA0003692374720000121
Figure BDA0003692374720000122
Figure BDA0003692374720000123
其中，R为主副瓣电平之比，即主瓣电平与副瓣电平之比。
现有的配电线路巡检采用麦克风阵列探测设备有无局部放电，采用最基础的同幅同相阵列分布，本发明上述实施例的系统采用了切比雪夫综合法使得麦克风阵列阵元激励电流不同幅不同相，进而增大了主波束增益，抑制副瓣电平。
可选地，麦克风阵列获取电力设备声学信息的过程中，麦克风阵列的控制模块在麦克风阵列稀疏分布运算中应用粒子群算法，将麦克风阵列的阵元幅度、阵元相位以及阵元间距作为参数，将麦克风阵列的主波束增益与副瓣电平作为优化目标，获得麦克风阵列稀疏分布最优解，根据麦克风阵列稀疏分布最优解为麦克风阵列提供馈电。在麦克风阵列稀疏分布运算中应用粒子群算法，可以进一步减少阵元数量，抑制副瓣电平，降低无人机飞行噪声对主波束增益的影响，减小载荷重量，减少功率损耗，使其更适用于无人机应用场景。本实施例在麦克风阵列稀疏分布运算中应用粒子群算法可以与上述实施例的切比雪夫综合法组合使用，也可以单独使用。例如，单独使用切比雪夫综合法使得麦克风阵列阵元激励电流不同幅不同相，进而增大了主波束增益，抑制副瓣电平；再例如，单独通过粒子群算法减少阵元数量，抑制副瓣电平；再例如，首先采用切比雪夫综合使得麦克风阵列阵元激励电流不同幅不同相，进而增大了主波束增益，降低了副瓣，在此基础上引入粒子群算法，通过迭代优化减少阵元数量，使得能量更加集中在主波束，进一步提高效率。
可选地，麦克风阵列的控制模块在麦克风阵列稀疏分布运算中应用粒子群算法的步骤，包括：
将麦克风阵列的阵元幅度、阵元相位以及阵元间距作为参数作为输入，将麦克风阵列的主波束增益及副瓣电平的计算公式设定为适应度函数，根据实际情况赋予主波束增益及副瓣电平这两个优化变量相应的权重，该权重即主副瓣电平之比R；
随机初始化各粒子位置xi与速度vi，并计算适应度函数值fiti，获得初始化各粒子历史局部最优解pbest与历史全局最优解gbest；
每一次迭代对应一组主波束增益值Gi与副瓣电平值δi，赋予主波束增益及副瓣电平相应的权重，经多次迭代后获得麦克风阵列稀疏分布最优解。
由于现场状况的未知性，根据实际情况赋予主波束增益及副瓣电平这两个优化变量相应的权重，空旷场景与墙体比较多的场景下对主波束增益及副瓣电平的要求不同，空旷场景下要求主瓣波束尽量窄，识别距离可以更远，即使副瓣略高也几乎不会受到影响；墙体较多环境下需要尽量减小副瓣，降低回声和噪声造成的影响。
下面给出本发明粒子群算法的一个具体实施例。
该实施例中，粒子群算法包括以下步骤：
步骤S11、设置算法惯性权重ω，加速常数c1,c2，粒子群数量Q，解空间维度D与最大迭代次数M等参数，麦克风阵列满阵状态下的主波束增益设为G0，麦克风阵列理想副瓣电平设为δ0，麦克风阵列的主波束增益及副瓣电平的计算公式设定为适应度函数fiti，根据实际情况赋予主波束增益及副瓣电平这两个优化变量相应的权重；
步骤S12、随机初始化各粒子位置xi与速度vi，并计算适应度函数值fiti，获得初始化各粒子历史局部最优解pbest与历史全局最优解gbest；
步骤S13、迭代计算适应度函数fiti，若出现优于局部最优解与全局最优解对应的适应度函数值fitp的情况，则替换最优解；
步骤S14、根据下式更新粒子位置与速度，其中r1，r2为[0,1]的随机数；
Figure BDA0003692374720000141
Figure BDA0003692374720000142
步骤S15、判断是否达到结束条件，若不满足则重复步骤S13-步骤S14。
图像采集设备包括可见光采集设备，通过可见光采集设备将现场画面采集后，传输至识别模块。例如，无人机搭载的可见光相机通过遥控射频链路将现场画面发送到遥控器端，遥控器端通过USB数据线路链接到手持平板电脑端，平板电脑端运行识别模块，实现对作业人员的施工过程监控。
可选地，图像采集设备还包括红外采集设备，用于采集监控区域温度。例如，无人机搭载的红外相机对施工区域实时测温，监控区域温度超过阈值时进行报警。
可选地，识别模块根据图像采集设备输出的图像识别跟踪目标的行为的步骤，包括：通过神经网络模型将采集的图像均分成网格并预测每个网格的类概率和边界框，计算边界框与每个类的概率数值，使用非最大抑制算法计算出置信度小于阈值的边界框作为结果输出。
可选地，识别模块采用YOLO模型对待跟踪目标进行跟踪，图像采集设备实时采集的图像传输到预先训练的YOLO模型，通过YOLO模型确定待跟踪目标，基于预先训练的跟踪算法对跟踪目标进行跟踪，并根据跟踪目标的位置信息获得飞行设备的控制参数，进而控制飞行设备的飞行机构、云台、图像采集设备中的一个或多个。
进一步地，YOLO模型将卷积神经网络(CNN)应用于整个图像，均分成网格并预测每个网格的类概率和边界框，通过算法计算边界框和与每个类(作业人员、设备及行为等)的概率数值，使用非最大抑制算法(Non Max Suppression)计算出置信度小于阈值的边界框作为结果输出。
可选地，YOLO模型为YOLO V5模型，YOLO V5模型包括4个通用的模块，具体包括：输入端、基准网络、Neck网络与Head输出端，并对网络加深和加宽。
可选地，构建神经网络模型的步骤，包括：
根据工作场景构建数据集；
对数据集的图像进行标注；
将数据集划分为训练集、验证集和测试集；
通过卷积神经网络算法对所述训练集进行训练，得到神经网络模型。
可选地，上述根据工作场景构建数据集的步骤，具体包括：
根据工作性质及技术可行性，将现场工作场景划分为多个类别，使用飞行设备采集多个类别场景图像样本，构建数据集，例如，根据工作性质及技术可行性，将现场工作场景划分为配网架空线路设备施工、验收及抢修、配网台区柱上变压器及附属设备施工、验收及抢修、配网地面箱式变及附属设备施工、验收及抢修共9类场景，使用无人机采集9类场景图像样本，构建数据集。
可选地，对采集的图像样本进行预处理，筛选清除模糊、重影、图像过曝等质量较差的图像。可选地，对采集的原始图像进行预处理还包括对图像样本进行归一化处理，使图像样本尺寸相同，便于后期统一处理应用。例如，电力巡检普遍使用大疆系列无人机，所拍摄图像样本分辨率较高，图像样本所占空间很大，对后续模型训练产生很大负担，因此在保证图像样本质量的前提下对原始图像进行压缩，压缩后的图像分辨率为416*416。
可选地，对数据集的图像进行标注的步骤，具体包括：对工作场景下的工作行为以及设备状态进行标注。例如，对图像进行人工标注，主要对上述9类场景下重要工作行为及设备状态进行标注，例如安全帽、工装、反光衣及安全带的正确穿戴，有无人员逾越安全区域，打电话、抽烟、摔倒等工作行为进行标注。
可选地，对数据集的图像进行标注的步骤之后，还包括：对图像进行变形处理，扩展数据集。例如，对图像样本进行扭曲，旋转等操作，扩展数据集的同时，可以提高神经网络模型的泛化能力和鲁棒性能。
可选地，将以上步骤后得到的数据集按照7:2:1的比例划分为训练集、验证集和测试集。
可选地，上述得到神经网络模型的步骤之后，还包括对所述神经网络模型进行优化的步骤，具体为：通过模型权重量化模型、模型权重稀疏模型、模型通道剪枝压缩模型、TVM优化模型、tensorRT优化模型、OpenVINO优化模型中的任意一种或多种对所述神经网络模型进行优化。
可选地，上述得到神经网络模型的步骤之后，还包括对所述神经网络模型进行准确度验证的步骤，具体为：将图片或视频输入神经网络模型提取相关特征，然后进行特征匹配，相似度越高越接近正确结果。
可选地，将训练好的神经网络模型通过使用分解卷积、分组卷积，使用特征表示能力强的结构和1x1卷积代替3x3卷积等方式减少参数量，降低计算量，实现轻量化。可选地，选定CPU核心数为八核及以上的安卓移动平板SOC芯片(如麒麟820、高通骁龙865)进行算法适配，完成算法的移植运行。
可选地，飞行设备通过更换载荷方式实现与麦克风阵列和图像采集设备以及照明设备的链接使用。模块负载响应的通信、供电均通过飞行设备云台接口实现，供电标准参照飞行设备(例如大疆M300型无人机供电标准为17V，2A)，数传统一使用USART，视频流使用WLAN。飞行设备与遥控器使用射频通信，完成图数传，遥控器端通过链接USD数据线与移动平板图数传输，使用MQTT协议，程序API接口统一。
可选地，本发明的系统可以根据工作进程更换响应载荷，一方面，载荷硬件通过手动更换，载荷接口统一，主要包含供电接口、时间同步接口、高功率申请接口、UART及网络通信接口；另一方面，遥控器端通过SDK开发运行载荷相应的应用程序，包括照明设备载荷控制程序、图像采集设备载荷控制程序，局部放电成像检测程序。其中，照明设备载荷程序包含照明设备亮度的线性调节功能；图像采集设备载荷控制程序包含一键拍照功能，红外、可见光显示画面一键切换功能，红外手动选点测温功能，视频录制功能等；局部放电成像检测程序包含监听超声信号频段调节功能，全息图显示及取消功能，放电强度显示及取消功能，监听区域选择功能等。
工作结束后，负责人可通过无人机检查施工工艺及验收，通过APP查看关键细节照片及违章情况对施工质量完成线上打分评价。
在另一些实施例中，本发明还提出了一种电力施工监控方法，该方法基于上述实施例中的系统对作业人员的行为或电力设备的状态进行监控。本实施例中电力施工监控方法的工作原理与上述实施例中电力施工监控系统的工作原理相同，这里不再赘述。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (19)

1.一种电力施工监控系统，其特征在于，包括：
飞行设备，飞行设备上搭载麦克风阵列和图像采集设备，麦克风阵列用于获取电力设备声学信息，图像采集设备用于采集作业人员图像信息；
识别模块，用于根据麦克风阵列或图像采集设备传送的信息，识别电力设备状态或作业人员行为；
应用端，用于与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态。
2.如权利要求1所述的一种电力施工监控系统，其特征在于，
还包括环绕在麦克风阵列外侧的隔音结构。
3.如权利要求1所述的一种电力施工监控系统，其特征在于，
所述图像采集设备还包括红外采集设备，用于采集监控区域温度。
4.如权利要求1所述的一种电力施工监控系统，其特征在于，
所述飞行设备包括照明设备。
5.如权利要求1所述的一种电力施工监控系统，其特征在于，
所述麦克风阵列包括控制模块，麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态，将麦克风阵列采集到的声学信息传送到识别模块。
6.如权利要求1所述的一种电力施工监控系统，其特征在于，
所述系统还包括对地角度调整模块，对地角度调整模块用于调整麦克风阵列对地角度。
7.如权利要求1所述的一种电力施工监控系统，其特征在于，
所述识别模块用于根据麦克风阵列传送的信息，识别电力设备状态，包括：
识别模块将麦克风阵列传送的电力设备的声学信息与数据库中正常运行的电力设备的声纹信号进行比对，根据比对结果识别该电力设备状态。
8.如权利要求1所述的一种电力施工监控系统，其特征在于，
所述识别模块用于根据图像采集设备传送的信息，识别作业人员行为，包括：
识别模块将图像采集设备采集的图像传输到预先训练的神经网络模型，通过神经网络模型确定待跟踪目标，基于预先训练的跟踪算法对跟踪目标进行跟踪；
识别模块通过神经网络模型对跟踪目标的行为进行识别。
9.一种电力施工监控方法，其特征在于，基于一系统，该系统包括飞行设备、识别模块和应用端，飞行设备上搭载麦克风阵列和图像采集设备；所述方法包括：
通过应用端与飞行设备、麦克风阵列和图像采集设备进行交互，控制飞行设备的飞行状态以及麦克风阵列和图像采集设备的工作状态；
通过麦克风阵列和图像采集设备分别获取电力设备声学信息和作业人员图像信息；
识别模块根据麦克风阵列或图像采集设备传送的信息，识别电力设备状态或作业人员行为。
10.如权利要求9所述的一种电力施工监控方法，其特征在于，所述通过麦克风阵列获取电力设备声学信息的步骤，包括：
麦克风阵列包括控制模块，麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态，将麦克风阵列采集到的声学信息传送到识别模块。
11.如权利要求10所述的一种电力施工监控方法，其特征在于，所述麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态的步骤，包括：
当麦克风阵列的控制模块接收飞行设备或者应用端下达的指令，调整麦克风阵列的指向性时，麦克风阵列的控制模块采用切比雪夫综合法调整所述麦克风阵列的激励电流分布，使麦克风阵列的方向图呈现从主瓣向副瓣逐步递减的中心对称形式，使主瓣对准电力设备，获取电力设备声学信息。
12.如权利要求10或11所述的一种电力施工监控方法，其特征在于，所述麦克风阵列的控制模块用于根据飞行设备或应用端的控制指令调整麦克风阵列工作状态的步骤，包括：
麦克风阵列的控制模块在麦克风阵列稀疏分布运算中应用粒子群算法，将阵元幅度、阵元相位以及阵元间距作为参数，将麦克风阵列的主波束增益与副瓣电平作为优化目标，获得麦克风阵列稀疏分布最优解，根据麦克风阵列稀疏分布最优解为麦克风阵列提供馈电。
13.如权利要求12所述的一种电力施工监控方法，其特征在于，
所述麦克风阵列的控制模块在麦克风阵列稀疏分布运算中应用粒子群算法的步骤，包括：
将麦克风阵列的阵元幅度、阵元相位以及阵元间距作为参数作为输入，将麦克风阵列的主波束增益及副瓣电平的计算公式设定为适应度函数；
随机初始化各粒子位置与速度，并计算适应度函数值，获得初始化各粒子历史局部最优解与历史全局最优解；
每一次迭代对应一组主波束增益值与副瓣电平值，赋予主波束增益及副瓣电平相应的权重，经多次迭代后获得麦克风阵列稀疏分布最优解。
14.如权利要求9所述的一种电力施工监控方法，其特征在于，
所述识别模块根据麦克风阵列传送的信息，识别电力设备状态的步骤，包括：
识别模块将麦克风阵列传送的电力设备的声学信息与数据库中正常运行的电力设备的声纹信号做比对，根据比对结果识别该电力设备状态。
15.如权利要求9所述的一种电力施工监控方法，其特征在于，
所述识别模块根据图像采集设备传送的信息，识别作业人员行为的步骤，包括：
识别模块将图像采集设备采集的图像传输到预先训练的神经网络模型，通过神经网络模型确定待跟踪目标，基于预先训练的跟踪算法对跟踪目标进行跟踪；
识别模块通过神经网络模型对跟踪目标的行为进行识别。
16.如权利要求15所述的一种电力施工监控方法，其特征在于，
所述神经网络模型的构建步骤，包括：
根据工作场景构建数据集；
对数据集的图像进行标注；
将数据集划分为训练集、验证集和测试集；
通过卷积神经网络算法对所述训练集进行训练，得到神经网络模型。
17.如权利要求16所述的一种电力施工监控方法，其特征在于，所述方法还包括对所述神经网络模型进行优化的步骤，具体为：
通过模型权重量化模型、模型权重稀疏模型、模型通道剪枝压缩模型、TVM优化模型、tensorRT优化模型、OpenVINO优化模型中的任意一种或多种对所述神经网络模型进行优化。
18.如权利要求9所述的一种电力施工监控方法，其特征在于，
所述系统还包括对地角度调整模块，所述方法还包括：通过对地角度调整模块调整麦克风阵列对地角度。
19.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求9至18中任一项所述的方法的步骤。
CN202210668647.6A 2022-06-14 2022-06-14 一种电力施工监控系统、监控方法、计算机设备 Pending CN115086607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210668647.6A CN115086607A (zh) 2022-06-14 2022-06-14 一种电力施工监控系统、监控方法、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210668647.6A CN115086607A (zh) 2022-06-14 2022-06-14 一种电力施工监控系统、监控方法、计算机设备

Publications (1)

Publication Number Publication Date
CN115086607A true CN115086607A (zh) 2022-09-20

Family

ID=83251641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210668647.6A Pending CN115086607A (zh) 2022-06-14 2022-06-14 一种电力施工监控系统、监控方法、计算机设备

Country Status (1)

Country Link
CN (1) CN115086607A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050842A (zh) * 2023-02-01 2023-05-02 东华理工大学 城市地下工程施工安全风险动态控制方法及系统
CN117437564A (zh) * 2023-12-20 2024-01-23 中铁三局集团广东建设工程有限公司 一种用于桥梁施工监控的无人机数据处理方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050842A (zh) * 2023-02-01 2023-05-02 东华理工大学 城市地下工程施工安全风险动态控制方法及系统
CN116050842B (zh) * 2023-02-01 2023-08-04 东华理工大学 一种城市地下工程施工安全风险动态控制方法及系统
CN117437564A (zh) * 2023-12-20 2024-01-23 中铁三局集团广东建设工程有限公司 一种用于桥梁施工监控的无人机数据处理方法及装置
CN117437564B (zh) * 2023-12-20 2024-03-12 中铁三局集团广东建设工程有限公司 一种用于桥梁施工监控的无人机数据处理方法及装置

Similar Documents

Publication Publication Date Title
CN115086607A (zh) 一种电力施工监控系统、监控方法、计算机设备
US10269138B2 (en) UAV inspection method for power line based on human visual system
CN110031477A (zh) 基于图像监控数据的桥梁关键构件病害预警系统及方法
CN110968941A (zh) 基于空域安全评估的无人机管控平台及管控方法
CN113191699A (zh) 一种配电施工现场安全监管方法
CN112101088A (zh) 一种无人机电力自动巡检方法、装置及系统
CN111222478A (zh) 一种工地安全防护检测方法和系统
CN108733073A (zh) 一种区域内无人机管控系统、方法及可读介质
CN112557512A (zh) 声成像方法、装置、设备及基于声成像设备的巡检机器人
CN113252701A (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法
CN112332541A (zh) 一种用于变电站的监测系统和方法
CN115272560B (zh) 一种基于三维声场云图的变电设备隐患定位方法及系统
CN110509272A (zh) 一种车辆查验方法、系统以及复合巡检机器人
CN116824372B (zh) 一种基于Transformer的城市降雨预测方法
CN104243894A (zh) 一种声视频融合监控方法
US11847018B2 (en) Method for utility infrastructure fault detection and monitoring
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
CN113805105A (zh) 三相变压器检测方法和系统
KR101977344B1 (ko) 원자력 발전소의 주제어실 모니터링 시스템
CN117408680B (zh) 一种基于物联网的智能化配电房管理方法及系统
TW202137060A (zh) 無人機及其影像辨識方法
CN116046356B (zh) 基于无人机的光伏组件检测方法、无人机及存储介质
WO2024100879A1 (ja) 通信品質予測装置、通信品質予測方法、およびプログラム
CN116400294B (zh) 无人机侦测定位方法及装置
CN117277592B (zh) 一种高压电路信号监测的保护切换方法

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