CN115100592A - 一种输电通道外破隐患识别方法、装置及存储介质 - Google Patents

一种输电通道外破隐患识别方法、装置及存储介质 Download PDF

Info

Publication number
CN115100592A
CN115100592A CN202210701041.8A CN202210701041A CN115100592A CN 115100592 A CN115100592 A CN 115100592A CN 202210701041 A CN202210701041 A CN 202210701041A CN 115100592 A CN115100592 A CN 115100592A
Authority
CN
China
Prior art keywords
model
power transmission
target detection
transmission channel
detection model
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.)
Granted
Application number
CN202210701041.8A
Other languages
English (en)
Other versions
CN115100592B (zh
Inventor
高超
路永玲
王真
薛海
吴奇伟
胡成博
朱雪琼
刘子全
李鸿泽
贾骏
杨景刚
孙蓉
柏仓
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 Jiangsu Electric Power Co ltd Innovation And Innovation Center
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Innovation And Innovation Center
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu 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 Jiangsu Electric Power Co ltd Innovation And Innovation Center, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Innovation And Innovation Center
Priority to CN202210701041.8A priority Critical patent/CN115100592B/zh
Publication of CN115100592A publication Critical patent/CN115100592A/zh
Application granted granted Critical
Publication of CN115100592B publication Critical patent/CN115100592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种输电通道外破隐患识别方法、装置及存储介质，其方法包括：通过视频监控装置采集输电通道图像；将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；其中，目标检测模型的部署过程包括：获取输电通道图像并添加标注信息构建训练样本集；将训练样本集划分为训练集和测试集；将训练集输入目标检测模型中进行训练；将测试集输入训练后的目标检测模型进行通道剪枝；将训练集再次输入通道剪枝后的目标检测模型进行训练；对再次训练后的目标检测模型进行模型量化；将模型量化后的目标检测模型部署至输电通道的视频监控装置中；本发明能够有效实现对于输电外破隐患的本地化智能识别和及时告警，提高输电运维效率。

Description

一种输电通道外破隐患识别方法、装置及存储介质
技术领域
本发明涉及一种轻量化输电通道外破隐患识别方法、装置及存储介质，属于电力运维技术领域。
背景技术
输电线路是电力系统运行与电能传输的重要方式，然后由于输电通道附近违章施工等外破隐患导致输电通道安全事故频繁发生，安全事故一旦发生，将会造成大规模的线路停电，从而造成巨大的经济损失和不良社会影响，因此，如何进行输电通道周围外破隐患的有效防控是亟需解决的关键工程问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种轻量化输电通道外破隐患识别方法、装置及存储介质，能够实现输电通道周围存在的外破隐患目标本地化识别与告警，从而有效的保障输电线路的安全稳定运行。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种输电通道外破隐患识别方法，包括：
通过视频监控装置采集输电通道图像；
将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；
其中，所述目标检测模型的部署过程包括：
构建输电通道外破隐患的目标检测模型；
获取输电通道图像并添加标注信息构建训练样本集；
将训练样本集划分为训练集和测试集；
将训练集输入目标检测模型中进行训练；
将测试集输入训练后的目标检测模型进行通道剪枝；
将训练集再次输入通道剪枝后的目标检测模型进行训练；
对再次训练后的目标检测模型进行模型量化；
将模型量化后的目标检测模型部署至输电通道的视频监控装置中。
可选的，所述标注信息包括位置坐标和目标类型，所述目标类型包括塔吊、挖掘机、吊车和鸟巢。
可选的，所述目标检测模型利用TensorFlow框架并基于mobileNetV3神经网络构建。
可选的，所述将训练集输入目标检测模型中进行训练包括：
利用mobileNetV3神经网络对训练集中的训练样本进行特征提取获取高维视觉特征；
通过FPN网络将高维视觉特征横向连接进行特征融合并在相应尺度特征图上产生候选框；
通过FCN子网络对候选框进行选择分类与回归获取候选框的预测信息；
通过非极大值抑制方式对候选框的预测信息进行筛选处理；
通过标注信息和每轮筛选处理后的预测信息计算模型损失，并根据模型损失优化模型参数，直至模型参数收敛。
可选的，所述将测试集输入训练后的目标检测模型进行通道剪枝包括：
将训练后的目标检测模型作为基准模型，按照随机剪枝比率进行通道剪枝生成模型样本；
将测试集输入模型样本和基准模型并根据模型样本和基准模型的输出计算重构误差：
Figure BDA0003704245920000021
Q＝N·n·hout·Zout·W
式中，N、n分别为训练样本数量和卷积核数量，hout、Zout分别为通道的长和宽，W为卷积核，
Figure BDA0003704245920000022
oi,j,:,:分别为基准模型和模型样本的第i个训练样本的第j个卷积核的输出；
取重构误差最小的模型样本作为通道剪枝后的目标检测模型。
可选的，所述对再次训练后的目标检测模型进行模型量化包括：
在进行模型计算前，将待模型计算的数据变量组由32位浮点型转变为8 位整型：
Figure BDA0003704245920000031
式中，x为32位浮点型数据变量，q为8位整型数据变量，max、min分别为数据变量组中的最大值和最小值；
在模型计算后，将计算结果由8位整型转变为32位浮点型：
Figure BDA0003704245920000032
式中，q′为8位整型计算结果，x′为32位浮点型计算结果，max′、min′分别为计算结果中的最大值和最小值；
其中，所述模型计算包括卷积、池化或激活函数计算。
第二方面，本发明提供了一种输电通道外破隐患识别装置，所述装置包括：
图像采集模块，用于通过视频监控装置采集输电通道图像；
隐患识别模块，用于将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；
其中，所述目标检测模型的部署过程包括：
构建输电通道外破隐患的目标检测模型；
获取输电通道图像并添加标注信息构建训练样本集；
将训练样本集划分为训练集和测试集；
将训练集输入目标检测模型中进行训练；
将测试集输入训练后的目标检测模型进行通道剪枝；
将训练集再次输入通道剪枝后的目标检测模型进行训练；
对再次训练后的目标检测模型进行模型量化；
将模型量化后的目标检测模型部署至输电通道的视频监控装置中。
第三方面，本发明提供了一种输电通道外破隐患识别装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供的一种轻量化输电通道外破隐患识别方法、装置及存储介质，通过轻量化设计，可将其部署在资源有限的输电通道视频监控终端装置中，从而有效实现对于输电外破隐患的本地化智能识别和及时告警，提高输电运维效率。
附图说明
图1是本发明实施例一提供的一种输电通道外破隐患识别方法流程图；
图2是本发明实施例一提供的一种输电通道外破隐患识别方法框架示意图；
图3是本发明实施例一提供的一种输电通道外破隐患识别方法流程图；
图4是本发明实施例一提供的模型量化前后的激活函数的计算过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，本发明实施例提供了一种输电通道外破隐患识别方法，包括以下步骤：
1、通过视频监控装置采集输电通道图像。
2、将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别。
其中，目标检测模型的部署过程包括：
S1、构建输电通道外破隐患的目标检测模型；
目标检测模型利用TensorFlow框架并基于mobileNetV3神经网络构建。
S2、获取输电通道图像并添加标注信息构建训练样本集；
标注信息包括位置坐标和目标类型，目标类型包括塔吊、挖掘机、吊车和鸟巢。
S3、将训练样本集划分为训练集和测试集；一般为7:3比例划分。
S4、将训练集输入目标检测模型中进行训练；
如图2-3所示，步骤S4的具体过程为：
S4.1、利用mobileNetV3神经网络对训练集中的训练样本进行特征提取获取高维视觉特征；
S4.2、通过FPN网络将高维视觉特征横向连接进行特征融合并在相应尺度特征图上产生候选框；
S4.3、通过FCN子网络对候选框进行选择分类与回归获取候选框的预测信息；
S4.4、通过非极大值抑制方式对候选框的预测信息进行筛选处理；
S4.5、通过标注信息和每轮筛选处理后的预测信息计算模型损失，并根据模型损失优化模型参数，直至模型参数收敛。
S5、将测试集输入训练后的目标检测模型进行通道剪枝；具体包括：
S5.1、将训练后的目标检测模型作为基准模型，按照随机剪枝比率进行通道剪枝生成模型样本；
S5.2、将测试集输入模型样本和基准模型并根据模型样本和基准模型的输出计算重构误差：
Figure BDA0003704245920000051
Q＝N·n·hout·Zout·W
式中，N、n分别为训练样本数量和卷积核数量，hout、Zout分别为通道的长和宽，W为卷积核，
Figure BDA0003704245920000052
oi,j,:,:分别为基准模型和模型样本的第i个训练样本的第j个卷积核的输出；
S5.3、取重构误差最小的模型样本作为通道剪枝后的目标检测模型。
S6、将训练集再次输入通道剪枝后的目标检测模型进行训练；此处训练过程与步骤S4相同。
S7、对再次训练后的目标检测模型进行模型量化；具体包括：
在进行模型计算前，将待模型计算的数据变量组由32位浮点型转变为8 位整型：
Figure BDA0003704245920000061
式中，x为32位浮点型数据变量，q为8位整型数据变量，max、min分别为数据变量组中的最大值和最小值；
在模型计算后，将计算结果由8位整型转变为32位浮点型：
Figure BDA0003704245920000062
式中，q′为8位整型计算结果，x′为32位浮点型计算结果，max′、min′分别为计算结果中的最大值和最小值；
其中，模型计算包括卷积、池化或激活函数计算。
如图4所示，A和B为模型量化前后的激活函数的计算过程。
A中：输入(Input)直接经过激活函数(Relu)运算获取输出(Output)；
B中：输入(Input)经过量化(Quantize)由32位浮点型转变为8位整型，再经过量化激活函数(QuantizeRelu)运算，然后将结果经过反量化(Dequantize) 由8位整型转变为32位浮点型，获取输出(Output)。
S8、将模型量化后的目标检测模型部署至输电通道的视频监控装置中。
实施例二：
如图2所示，本发明实施例提供了一种输电通道外破隐患识别装置，装置包括：
图像采集模块，用于通过视频监控装置采集输电通道图像；
隐患识别模块，用于将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；
其中，目标检测模型的部署过程包括：
构建输电通道外破隐患的目标检测模型；
获取输电通道图像并添加标注信息构建训练样本集；
将训练样本集划分为训练集和测试集；
将训练集输入目标检测模型中进行训练；
将测试集输入训练后的目标检测模型进行通道剪枝；
将训练集再次输入通道剪枝后的目标检测模型进行训练；
对再次训练后的目标检测模型进行模型量化；
将模型量化后的目标检测模型部署至输电通道的视频监控装置中。
实施例三：
基于实施例一，本发明实施例提供了一种输电通道外破隐患识别装置，包括处理器及存储介质；
存储介质用于存储指令；
处理器用于根据指令进行操作以执行根据上述方法的步骤。
实施例四：
基于实施例一，本发明实施例提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种输电通道外破隐患识别方法，包括：
通过视频监控装置采集输电通道图像；
将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；其特征在于，所述目标检测模型的部署过程包括：
构建输电通道外破隐患的目标检测模型；
获取输电通道图像并添加标注信息构建训练样本集；
将训练样本集划分为训练集和测试集；
将训练集输入目标检测模型中进行训练；
将测试集输入训练后的目标检测模型进行通道剪枝；
将训练集再次输入通道剪枝后的目标检测模型进行训练；
对再次训练后的目标检测模型进行模型量化；
将模型量化后的目标检测模型部署至输电通道的视频监控装置中。
2.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述标注信息包括位置坐标和目标类型，所述目标类型包括塔吊、挖掘机、吊车和鸟巢。
3.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述目标检测模型利用TensorFlow框架并基于mobileNetV3神经网络构建。
4.根据权利要求3所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述将训练集输入目标检测模型中进行训练包括：
利用mobileNetV3神经网络对训练集中的训练样本进行特征提取获取高维视觉特征；
通过FPN网络将高维视觉特征横向连接进行特征融合并在相应尺度特征图上产生候选框；
通过FCN子网络对候选框进行选择分类与回归获取候选框的预测信息；
通过非极大值抑制方式对候选框的预测信息进行筛选处理；
通过标注信息和每轮筛选处理后的预测信息计算模型损失，并根据模型损失优化模型参数，直至模型参数收敛。
5.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述将测试集输入训练后的目标检测模型进行通道剪枝包括：
将训练后的目标检测模型作为基准模型，按照随机剪枝比率进行通道剪枝生成模型样本；
将测试集输入模型样本和基准模型并根据模型样本和基准模型的输出计算重构误差：
Figure FDA0003704245910000021
Q＝N·n·hout·Zout·W
式中，N、n分别为训练样本数量和卷积核数量，hout、Zout分别为通道的长和宽，W为卷积核，
Figure FDA0003704245910000022
oi,j,:,:分别为基准模型和模型样本的第i个训练样本的第j个卷积核的输出；
取重构误差最小的模型样本作为通道剪枝后的目标检测模型。
6.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述对再次训练后的目标检测模型进行模型量化包括：
在进行模型计算前，将待模型计算的数据变量组由32位浮点型转变为8位整型：
Figure FDA0003704245910000023
式中，x为32位浮点型数据变量，q为8位整型数据变量，max、min分别为数据变量组中的最大值和最小值；
在模型计算后，将计算结果由8位整型转变为32位浮点型：
Figure FDA0003704245910000024
式中，q′为8位整型计算结果，x′为32位浮点型计算结果，max′、min′分别为计算结果中的最大值和最小值；
其中，所述模型计算包括卷积、池化或激活函数计算。
7.一种输电通道外破隐患识别装置，其特征在于，所述装置包括：
图像采集模块，用于通过视频监控装置采集输电通道图像；
隐患识别模块，用于将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；
其中，所述目标检测模型的部署过程包括：
构建输电通道外破隐患的目标检测模型；
获取输电通道图像并添加标注信息构建训练样本集；
将训练样本集划分为训练集和测试集；
将训练集输入目标检测模型中进行训练；
将测试集输入训练后的目标检测模型进行通道剪枝；
将训练集再次输入通道剪枝后的目标检测模型进行训练；
对再次训练后的目标检测模型进行模型量化；
将模型量化后的目标检测模型部署至输电通道的视频监控装置中。
8.一种输电通道外破隐患识别装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-6任一项所述方法的步骤。
9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
CN202210701041.8A 2022-06-21 2022-06-21 一种输电通道外破隐患识别方法、装置及存储介质 Active CN115100592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210701041.8A CN115100592B (zh) 2022-06-21 2022-06-21 一种输电通道外破隐患识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210701041.8A CN115100592B (zh) 2022-06-21 2022-06-21 一种输电通道外破隐患识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115100592A true CN115100592A (zh) 2022-09-23
CN115100592B CN115100592B (zh) 2024-06-28

Family

ID=83293034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210701041.8A Active CN115100592B (zh) 2022-06-21 2022-06-21 一种输电通道外破隐患识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115100592B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597390A (zh) * 2023-07-18 2023-08-15 南方电网数字电网研究院有限公司 输电线路周边的施工隐患检测方法、装置和计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111354028A (zh) * 2020-02-19 2020-06-30 山东大学 基于双目视觉的输电通道隐患物识别追踪方法
CN111582323A (zh) * 2020-04-17 2020-08-25 山东信通电子股份有限公司 一种输电线路通道检测方法、装置及介质
CN112528971A (zh) * 2021-02-07 2021-03-19 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN114445706A (zh) * 2022-01-25 2022-05-06 南京工程学院 一种基于特征融合的输电线路目标检测与识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111354028A (zh) * 2020-02-19 2020-06-30 山东大学 基于双目视觉的输电通道隐患物识别追踪方法
CN111582323A (zh) * 2020-04-17 2020-08-25 山东信通电子股份有限公司 一种输电线路通道检测方法、装置及介质
CN112528971A (zh) * 2021-02-07 2021-03-19 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN114445706A (zh) * 2022-01-25 2022-05-06 南京工程学院 一种基于特征融合的输电线路目标检测与识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张骥;余娟;汪金礼;谭守标;: "基于深度学习的输电线路外破图像识别技术", 计算机系统应用, no. 08, 15 August 2018 (2018-08-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597390A (zh) * 2023-07-18 2023-08-15 南方电网数字电网研究院有限公司 输电线路周边的施工隐患检测方法、装置和计算机设备

Also Published As

Publication number Publication date
CN115100592B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN113569672B (zh) 轻量级目标检测与故障识别方法、装置及系统
CN112613454A (zh) 一种电力基建施工现场违章识别方法及系统
CN112541393A (zh) 一种基于深度学习的变电站人员检测方法及装置
CN114998830A (zh) 一种变电站人员安全帽佩戴检测方法及系统
CN113792578A (zh) 用于变电站异常的检测方法、设备及系统
CN115100592B (zh) 一种输电通道外破隐患识别方法、装置及存储介质
CN117975372B (zh) 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法
CN115082813A (zh) 检测方法、无人机、检测系统及介质
CN113012107B (zh) 电网缺陷检测方法及系统
CN112907107B (zh) 一种基于多源信息融合的渔业事故应急处理系统及方法
CN114155468A (zh) 一种变压器渗漏油检测方法、装置、设备及介质
CN111967419B (zh) 一种坝岸险情预测方法、装置、计算机设备及存储介质
GB2623358A (en) Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network
CN115631457A (zh) 建筑施工监控视频中的人机协作异常检测方法及系统
CN115100546A (zh) 一种基于mobilenet的电力设备小目标缺陷识别方法及系统
CN114490825A (zh) 一种核反应堆设备安全分析模型
CN113837001A (zh) 监控场景下的异常闯入物实时检测方法及装置
CN118197027B (zh) 一种基于管道预警的无人机调度查验方法以及相关装置
CN117893477B (zh) 一种基于ai图像识别的智能安全检查系统
CN115620496B (zh) 应用于输电线路的故障报警方法、装置、设备和介质
Zhang et al. Fault Diagnosis and Localization of Transmission Lines Based on R-Net Algorithm Optimized by Feature Pyramid Network.
CN118628761A (zh) 风机叶片损伤识别边缘计算方法及装置
CN117095358A (zh) 一种变电站作业人员安全防护工具检测方法
CN115631340A (zh) 一种变电站运检图像识别的方法、计算机设备及存储介质

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