CN115147591A - 一种变电设备红外图像电压致热型缺陷诊断方法及系统 - Google Patents
一种变电设备红外图像电压致热型缺陷诊断方法及系统 Download PDFInfo
- Publication number
- CN115147591A CN115147591A CN202210689402.1A CN202210689402A CN115147591A CN 115147591 A CN115147591 A CN 115147591A CN 202210689402 A CN202210689402 A CN 202210689402A CN 115147591 A CN115147591 A CN 115147591A
- Authority
- CN
- China
- Prior art keywords
- voltage
- diagnosis
- equipment
- heating type
- area
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 159
- 230000007547 defect Effects 0.000 title claims abstract description 113
- 238000010438 heat treatment Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 77
- 229910052573 porcelain Inorganic materials 0.000 claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 9
- 239000002510 pyrogen Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 18
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000007689 inspection Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000007670 refining Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- 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
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/70—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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供一种变电设备红外图像电压致热型缺陷诊断方法及系统,涉及变电设备技术领域,获取变电设备的红外图像;采用预设的网络模型对红外图像进行识别;当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;获取所述电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类瓷套部位之间相对温差;采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断;将电压致热型诊断结果进行显示。能够较为精准的智能检测红外图片是否含有电压致热性缺陷,提高智能红外诊断系统或设备的实用效果。
Description
技术领域
本发明涉及变电设备技术领域,尤其涉及一种变电设备红外图像电压致热型缺陷诊断方法及系统。
背景技术
变电站是电网中负责转换电压与分配电能的重要节点,其安全可靠性直接关系到电力系统的安全稳定。目前,利用巡检机器人、无人机、固定摄像头等设备采集的红外图像数据越来越多,海量红外图片仅靠人工后期研判分析,存在工作量大、效率低、分析质量难以保证、实时性差等问题,采用智能化方法进行缺陷诊断的需求尤为迫切。
现有技术中,专利申请号202111558531.9的专利公开了一种变电站设备红外智能诊断系统及方法,包括图像预处理单元、目标检测单元和智能诊断单元。目标检测单元基于卷积神经网络的目标检测网络模型,保存得到只包含设备目标区域的红外图像,智能诊断单元提取颜色、小波和纹理三种特征,基于深度学习网络的分类器完成目标识别及故障诊断。
专利申请号202110858728.8的专利公开了一种基于单阶红外图像目标检测的电力设备故障智能诊断方法,基于YOLOV4卷积神经网络进行训练以获得红外图像检测网络,并拟合红外图像温度条的温度和灰度函数关系,实现对电力设备对应点温度的提取;根据DL/T 664-2016诊断标准自动判断该电力设备是否存在故障。
专利号202011438211的专利公开了一种面向红外图像的变电设备电流致热型缺陷的诊断方法和装置,利用预设的网络模型识别红外图像中电力设备、部位区域、三相区域;并采用预设的缺陷诊断标准基于电力设备、部位区域的最高温及相对温差综合确定设备是否存在电流致热型缺陷。
综上所述,当前智能诊断方法大都针对电流过热型缺陷,难以发现温升较小的电压致热型缺陷。而电压致热型设备表现出温度缺陷时往往其缺陷程度较为严重,可能导致设备损坏甚至威胁人身安全。而且当前红外图像检测均使用正框目标检测,但红外图像变电设备具有方向不定的特点,框选区域难免包括背景区域,因此难以精准确定目标部件区域,直接影响后期热缺陷智能诊断准确率。
发明内容
为实现电压致热型缺陷智能诊断,本发明提供一种变电设备红外图像电压致热型缺陷诊断方法,方法可以精准确定目标部件区域,对热缺陷智能诊断,能够有效提高瓷套区域框选精度,提高对电压致热性缺陷智能诊断效果。
变电设备红外图像电压致热型缺陷诊断方法包括:
步骤一、获取变电设备的红外图像;
步骤二、采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;
当不存在瓷套区域或三相区域,不对该红外图像进行电压致热型缺陷诊断;
步骤三、获取所述电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类瓷套部位之间相对温差;
步骤四、采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断;
步骤五、将电压致热型诊断结果进行显示。
进一步需要说明的是,方法中每间隔一预设时长进行一次电压致热型诊断过程,将电压致热型诊断结果配置成电压致热型缺陷诊断报表,形成各个检测时间点的电压致热型缺陷诊断数据链,建立电压致热型缺陷诊断报警明细表以及报警数据汇总表;
提供电压致热型缺陷诊断数据的增删改查操作界面,对历史电压致热型缺陷诊断数据、电压致热型缺陷诊断报警数据通过增删改查操作界面进行操作;
对电压致热型缺陷诊断时间范围、诊断时间间隔进行设置,通过列表、曲线、柱状图的形式进行显示。
进一步需要说明的是,预设的网络模型为基于Faster RCNN算法构建的网络模型。
进一步需要说明的是,训练好的旋转目标检测模型为基于改进R3Det算法构建的旋转目标检测模型。
进一步需要说明的是,获取电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类设备及同类部位之间相对温差,包括:
获取所述瓷套部位区域最高温;
对三相区域范围内同种类型电力设备、部位区域进行自动关联匹配为同类设备与同类瓷套部位;
获取同类瓷套部位相对温差。
进一步需要说明的是,对三相区域范围内同种类型电力设备、部位区域进行自动关联匹配为同类设备与同类瓷套部位,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备;
获取所述瓷套部位区域的中心位置;
将中心位置落入所述同类设备区域范围内的瓷套部位区域自动关联为同类瓷套部位。
进一步需要说明的是,获取同类瓷套部位相对温差,包括:
进一步需要说明的是,方法中,建立电压致热型诊断数据库;
实时接收红外图像中的电力设备、部位区域和三相区域信息以及电压致热型诊断信息;
当接收到上述时,对电压致热型诊断数据库信息进行更新;
在更新时,修改电压致热型诊断数据库中的库数据列表,并替换在先电压致热型缺陷诊断数据;
或保留在先电压致热型缺陷诊断数据,增设更新后的电压致热型缺陷诊断数据。
本发明还提供一种变电设备红外图像电压致热型缺陷诊断系统,系统包括:数据获取模块、数据识别模块、相对温差获取模块、电压致热型诊断模块以及显示模块;
数据获取模块用于获取变电设备的红外图像;
数据识别模块用于采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;
当不存在瓷套区域或三相区域,不对该红外图像进行电压致热型缺陷诊断;
相对温差获取模块用于获取所述电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类瓷套部位之间相对温差;
电压致热型诊断模块用于采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断;
显示模块用于将电压致热型诊断结果进行显示。
进一步需要说明的是,系统还包括:电压致热型诊断数据库和诊断处理终端机;
电压致热型诊断数据库用于储存红外图像中的电力设备、部位区域以及三相区域信息,还储存电压致热型诊断信息以及系统运行信息;
诊断处理终端机用于使监控人员通过诊断处理终端机获取对电压致热型缺陷的诊断过程数据以及电压致热型诊断结果数据;
监控人员通过诊断处理终端机设置系统的诊断参数。
从以上技术方案可以看出,本发明具有以下优点:
基于本发明提供的变电设备红外图像电压致热型缺陷诊断方法及系统能够在无需人工参与情况下,自动识别出红外图像中电气设备是否发生电压致热型缺陷。本发明基于Faster RCNN模型对红外图像中三相区域、套管、电流互感器等变电设备区域进行识别、定位;当图像中含有三相区域与瓷套区域时,基于改进R3Det模型对瓷套进行旋转目标检测,并通过自动关联包含在三相区域中的同类设备,计算同类设备温差;基于温差阈值法进行电压致热型缺陷诊断。相对于正框目标检测方法,旋转目标检测能够更精确框选瓷套区域,特别对红外图像中变电设备倾斜的情况,能够大大提高智能诊断准确性。
本发明还可应用于机器人与视频远程巡检产生海量巡检红外图像,对其进行高精度热缺陷智能识别,能够有效地从红外图像中自动识别电压致热型缺陷,具有较好的检测效果,还提高变电站运维智能化水平,大大减少运维人员工作量,为实现机器巡检作业红外诊断智能化奠定了基础。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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为变电设备红外图像电压致热型缺陷诊断方法流程图;
图2为基于Faster RCNN算法变电设备目标检测流程图;
图3为ResNet 101网络结构图;
图4为锚点anchor示意图;
图5为旋转框定义示意图;
图6为精炼特征模块结构图
图7为可形变卷积网络示意图
图8为电流互感器和电压互感器温差计算示意图;
图9为典型热缺陷识别结果示例图;
图10为变电设备红外图像电压致热型缺陷诊断系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的变电设备红外图像电压致热型缺陷诊断方法及系统是为了解决目前的红外图像缺陷诊断大都对单体设备进行识别及缺陷诊断,仅能识别温升明显的电流致热型缺陷,却难以发现温升较小的电压致热型缺陷的问题。
而本发明提出的电压致热型缺陷诊断方法及系统是基于旋转目标检测+自动关联瓷套对应区域+温差阈值法对瓷套区域进行电压致热型缺陷智能诊断的方法,能够较为精准的智能检测红外图片是否含有电压致热性缺陷,提高智能红外诊断系统或设备的实用效果。
相关技术中,本发明提出的电压致热型缺陷诊断方法及系统可以采用机器学习方法、深度学习方法等,不同方法适用的范围不同。
图1示意性示出了根据本公开的一实施方式的电压致热型缺陷诊断方法流程图。
本公开实施方式的方法步骤可以由终端设备执行,也可以由服务端执行,或者由终端设备和服务端交互执行。
本领域普通技术人员可以意识到,本发明提出的电压致热型缺陷诊断方法及系统中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明提出的电压致热型缺陷诊断方法及系统的附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
S101:获取变电设备的红外图像;
红外图像是对目标区域进行拍摄得到的红外图像,这些图像可以是变电站机器人、无人机、固定摄像头采集红外图片也可以是巡检人员现场采集红外图片;
S102:采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
在本步骤中,通过预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域,所述预设的网络模型可以为基于Faster RCNN算法对训练集进行训练得到设备检测模型。
在构建训练集时,搜集变电站机器人、无人机、固定摄像头采集红外图片及巡检人员现场采集红外图片,通过数据标注软件对红外图像中的电力设备、部位区域以及三相区域进行标注,标注文件可以为符合VOC标准的.xml文件,作为对应红外图片的标签;其中所述电力设备的种类有:变压器、套管、隔离开关、断路器、电压互感器、电流互感器、绝缘子、支柱绝缘子;部位的种类有:瓷套;三相区域是指同组三相设备区域,其中三相类别指包含三相同类设备的最小内接矩形框,如图2所示的矩形框架内的区域。区域、设备及部件标签命名见表1,通过对搜集到红外图像进行标注得到训练样本集。
表1
Faster RCNN算法框架分为特征提取网络、区域建议网络和检测网络3个部分,基于Faster RCNN进行设备检测流程如图2所示。
本发明采用ResNet 101残差神经网络作为基底网络提取特征,网络结构如图3所示。
区域建议网络利用卷积网络产生的特征图作为输入,输出为一系列候选区域及其分类概率。在提取的特征图上,使用滑动窗口对其进行滑动扫描,每经过一次滑动,则以滑动窗口的中心点为窗口配置不同大小的锚点(anchor)作为初始的候选框。变电站设备形状多为长条形,如套管、断路器等设备在原始图像中的像素区域呈细长的矩形区域,且红外图像中设备由于角度、远近具有不同的尺寸,因此本文设定3种尺寸分别为[8,16,32],5种宽高比分别为[1/4,1/2,1,2,4]。宽高比在默认参数的基础上,加入一组1/4,4细长型比例网络可以检测到更多的细长型目标,使得区域建议网络更加精确定位变电设备。这就意味着,每个滑动窗口可以有15个区域建议,基本可以覆盖图中的所有目标,anchor示意图4所示。
接着对anchor提取出来的特征分别连接到分类层和边缘回归层,分类层输出该特征所属类别及其概率,边缘回归层通过卷积网络进行包围框回归,保证即使是这15种参考窗口外的区域也能得到一个跟目标比较接近的区域建议。
检测网络包括RoI池化层以及分类层。RoI池化层是Faster RCNN的核心算法,区域建议网络得到的候选区域大小各不相同,但是传统CNN算法输入必须是固定值。ROI池化层针对每一个候选框在任意尺度的卷积网络特征层,通过设置不同尺度的ROI Pooling提取固定尺度特征。检测网络利用已经获得的区域建议,通过全连接层和softmax层计算每个区域7个类别的目标置信度,其中最高置信度的标签即为分类结果。并利用包围框回归使预测边界框更加逼近设备真实的外接矩形框。
Faster RCNN模型训练通过区域建议网络和检测网络交替训练方法将不共享的两个网络,不断优化学习至共享特征,获得最优定位框和分类。当精度满足要求以后,则所述Faster RCNN模型训练完成,采用训练完成的FasterRCNN模型作为所述预设的网络模型。
S103:当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;当不存在瓷套区域或三相区域,不对该红外图像进行电压致热型缺陷诊断。
训练模型可以为基于改进R3Det算法对训练集进行训练得到瓷套部位旋转目标检测模型。
当区域内含有瓷套区域以及三相区域时,对S102所述搜集到的样本集瓷套区域进行旋转标注,通过数据标注软件rolabelling对红外图像中的设备瓷套区域进行标注,标注文件可以为符合VOC标准的.xml文件。
本发明标注遵循如下要求:瓷套的标定起止要求较为严格,上至瓷套伞片第一节上边缘;下至瓷套伞片末节下边缘;左右在不包含背景情况下,包含尽量多的瓷套。伞片边缘镂空部分为背景像素,检测时将伞片边缘包括在内将会影响缺陷诊断准确度,而每节伞片边缘温度一般不超过中部,因此标注框可不包含伞片边缘。
改进R3Det算法使用精炼单级目标检测器,针对精炼单级检测器存在特征对齐问题,在RetinaNet目标检测算法的基础上设计并引入特征精炼模块(Feature refinementmodule,FRM)。该算法首先通过ResNet-101网络完成对变电设备红外图像的特征提取;然后通过特征金字塔网络(Feature pyramid networks,FPN)以自顶向下的路径和横向连接构建多尺度特征金字塔,从而增强算法对不同尺度大小目标的探测能力。FPN的每一层输出分别连接分类和回归子网,用于预测目标类别和位置。
为了达到检测旋转目标检测的目标,算法使用(x,y,w,h,θ)表示任意方向的边界框。其中(x,y)为边框中心点,θ表示边界框旋转到与x轴平行的锐角,θ取值范围是[-π/2,0],w为与x轴呈锐角的边长,h为矩形另一条边长,如图5所示。
R3Det结合两种形式的锚点anchor边界框进行目标区域定位。旋转锚框可以在目标密集场景发挥更好的效果,水平锚框能够以更少的数量实现更高的召回率,R3Det在第一阶段使用水平锚框提高速度和产生更多候选框,然后再精炼阶段使用旋转锚框以适应目标密集场景。算法在通过FPN得到第一阶段的预测边界框之后,继续通过FRM对预测边界框进行修正,并通过目标回归和分类子网重新进行预测得到最终的结果。FPM一方面对预测边界框进行过滤以提高推理速度;另一方面考虑到预测边界框相对于anchor边界框发生了位移,FRM根据预测边界框的位置采用双线性插值的手段重新构建特征图,实现了类似于两阶段目标检测网络中的ROI Align的效果。FRM的结构图如图6所示。
R3Det算法为现有技术中改进的R3Det目标检测算法,本发明在原基础上引入可形变卷积网络(Deformable Convolutional Net-works,DCN),在DCN中有一个额外的卷积层用于学习采样点的偏移量,然后以偏移量和特征图共同作为DCN的输入,DCN层操作采样点发生偏移之后再进行卷积。通过将ResNet-101负责输入的卷积层替换为DCN层,算法能够适应变电设备的位置以及大小等的变化,从而更有效地完成图像特征的提取以达到更好的变电设备目标检测效果。DCN的示意图如图7所示。
S104:获取所述电力设备及部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类设备及同类部位之间相对温差;
基于变电设备及部位目标检测模型能够识别出红外图像中三相区域、设备区域以及瓷套部位区域。首先,自动关联同类设备。本文基于包含逻辑关系自动关联同类设备,分别计算红外图像中目标检测设备区域的中心点,若设备区域的中心点包含在三相区域中,则认为是包含在三相区域内的同类设备,将包含在三相区域内的同种类型设备自动关联为同类设备。然后,将包含在同类设备中的部位自动关联同类部位。如图8所示,将3x区域中电压互感器进行自动关联,再将同类电压互感器中A相,B相,C相标识的瓷套区域进行自动关联。
本发明使用红外图像均由FLIR红外热像仪拍摄,FLIR拍摄的红外图像中包含原始视觉图像和原始热传感器数据,图8中RawThermalImage字段记录着温度信息,通过提取该信息并对其进行解码转换即可获得红外图像温度矩阵。首先采用exiftool工具提取FLIR红外图像温度信息,该温度信息包括原始热传感器字节型温度矩阵以及环境参数辐射率E、反射温度RTemp、距离OD、大气温度ATemp、外部光学温度IRWinT、外部光学传输IRT、相对湿度RH;其次,将提取的字节型温度矩阵信息进行解码转化为整型数据并进行位运算得到矩阵raw;最后,基于环境参数与矩阵raw关系可获取整个红外图的温度矩阵temp_celcius。
基于获取的红外图像温度矩阵temp_celcius,分别获取关联三相设备中可比对瓷套区域的温度,计算可关联瓷套区域中温度矩阵的最大值分别为T1,T2,T3,则同类设备温差值△T为:
ΔT=max(T1,T2,T3)-min(T1,T2,T3) (1)
S105:采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断。
图9所示,温差阈值法缺陷诊断标准:当套管、电流互感器、电压互感器同类设备瓷套温差值小于2℃,避雷器同类设备瓷套温差值小于0.5℃,则判定为设备不存在电压致热型缺陷;当温差值大于或等于阈值时,则判定为存在电压致热型缺陷,同类设备温差超过阈值时将温度较高的设备瓷套区域用红框标出,标签为defect。
基于上述电压致热型诊断过程,本发明方法中可以每间隔一预设时长进行一次电压致热型诊断过程,将电压致热型诊断结果配置成电压致热型缺陷诊断报表,形成各个检测时间点的电压致热型缺陷诊断数据链,建立电压致热型缺陷诊断报警明细表以及报警数据汇总表;
提供电压致热型缺陷诊断数据的增删改查操作界面,对历史电压致热型缺陷诊断数据、电压致热型缺陷诊断报警数据通过增删改查操作界面进行操作;
对电压致热型缺陷诊断时间范围、诊断时间间隔进行设置,通过列表、曲线、柱状图的形式进行显示,方便监控人员了解诊断结果。
本发明提供的方法中,建立电压致热型诊断数据库;
实时接收红外图像中的电力设备、部位区域和三相区域信息以及电压致热型诊断信息;
当接收到上述时,对电压致热型诊断数据库信息进行更新;
在更新时,修改电压致热型诊断数据库中的库数据列表,并替换在先电压致热型缺陷诊断数据;
或保留在先电压致热型缺陷诊断数据,增设更新后的电压致热型缺陷诊断数据。
这样,本发明提供的变电设备红外图像电压致热型缺陷诊断方法基于旋转目标检测+自动关联瓷套对应区域+温差阈值法对瓷套区域进行电压致热型缺陷智能诊断的方法,能够较为精准的智能检测红外图片是否含有电压致热性缺陷,提高智能红外诊断系统或设备的实用效果。
本发明提供的变电设备红外图像电压致热型缺陷诊断方法能够有效提高瓷套区域框选精度,从而提高对电压致热性缺陷智能诊断效果。相对于当前较为常用的正框目标检测方法,框选区域能够最大程度减少背景区域,特别针对设备方向倾斜的红外图片,诊断精确度提升。
基于上述变电设备红外图像电压致热型缺陷诊断方法,本发明还提供一种变电设备红外图像电压致热型缺陷诊断系统,如图10所示。
系统包括:数据获取模块、数据识别模块、相对温差获取模块、电压致热型诊断模块以及显示模块;
数据获取模块用于获取变电设备的红外图像;
数据识别模块用于采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;
当不存在瓷套区域或三相区域,不对该红外图像进行电压致热型缺陷诊断;
相对温差获取模块用于获取所述电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类瓷套部位之间相对温差;
电压致热型诊断模块用于采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断;
显示模块用于将电压致热型诊断结果进行显示。
对于本发明提供的变电设备红外图像电压致热型缺陷诊断方法及系统中,涉及人工智能的计算机视觉技术和云技术中的人工智能云服务,具体的,利用计算机视觉技术和人工智能云服务实现人工智能处理,可提高人工智能处理的准确度。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中,计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
在本发明的一种实施例中,系统还包括:电压致热型诊断数据库和诊断处理终端机;
电压致热型诊断数据库用于储存红外图像中的电力设备、部位区域以及三相区域信息,还储存电压致热型诊断信息以及系统运行信息;
诊断处理终端机用于使监控人员通过诊断处理终端机获取对电压致热型缺陷的诊断过程数据以及电压致热型诊断结果数据;
监控人员通过诊断处理终端机设置系统的诊断参数。
基于上述本发明提供的变电设备红外图像电压致热型缺陷诊断方法及系统能够在无需人工参与情况下,自动识别出红外图像中电气设备是否发生电压致热型缺陷。本发明基于Faster RCNN模型对红外图像中三相区域、套管、电流互感器等变电设备区域进行识别、定位;当图像中含有三相区域与瓷套区域时,基于改进R3Det模型对瓷套进行旋转目标检测,并通过自动关联包含在三相区域中的同类设备,计算同类设备温差;基于温差阈值法进行电压致热型缺陷诊断。相对于正框目标检测方法,旋转目标检测能够更精确框选瓷套区域,特别对红外图像中变电设备倾斜的情况,能够大大提高智能诊断准确性。本发明还可应用于机器人与视频远程巡检产生海量巡检红外图像,对其进行高精度热缺陷智能识别。本发明方法能够有效地从红外图像中自动识别电压致热型缺陷,具有较好的检测效果,该发明进一步提高变电站运维智能化水平,大大减少运维人员工作量,为实现机器巡检作业红外诊断智能化奠定了基础。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种变电设备红外图像电压致热型缺陷诊断方法,其特征在于,方法包括:
步骤一、获取变电设备的红外图像;
步骤二、采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;
当不存在瓷套区域或三相区域,不对该红外图像进行电压致热型缺陷诊断;
步骤三、获取所述电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类瓷套部位之间相对温差;
步骤四、采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断;
步骤五、将电压致热型诊断结果进行显示。
2.根据权利要求1所述的变电设备红外图像电压致热型缺陷诊断方法,其特征在于,方法中每间隔一预设时长进行一次电压致热型诊断过程,将电压致热型诊断结果配置成电压致热型缺陷诊断报表,形成各个检测时间点的电压致热型缺陷诊断数据链,建立电压致热型缺陷诊断报警明细表以及报警数据汇总表;
提供电压致热型缺陷诊断数据的增删改查操作界面,对历史电压致热型缺陷诊断数据、电压致热型缺陷诊断报警数据通过增删改查操作界面进行操作;
对电压致热型缺陷诊断时间范围、诊断时间间隔进行设置,通过列表、曲线、柱状图的形式进行显示。
3.根据权利要求1所述的变电设备红外图像电压致热型缺陷诊断方法,其特征在于,
所述预设的网络模型为基于Faster RCNN算法构建的网络模型。
4.根据权利要求1所述的变电设备红外图像电压致热型缺陷诊断方法,其特征在于,训练好的旋转目标检测模型为基于改进R3Det算法构建的旋转目标检测模型。
5.根据权利要求1所述的变电设备红外图像电压致热型缺陷诊断方法,其特征在于,
获取电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类设备及同类部位之间相对温差,包括:
获取所述瓷套部位区域最高温;
对三相区域范围内同种类型电力设备、部位区域进行自动关联匹配为同类设备与同类瓷套部位;
获取同类瓷套部位相对温差。
6.根据权利要求1所述的变电设备红外图像电压致热型缺陷诊断方法,其特征在于,
对三相区域范围内同种类型电力设备、部位区域进行自动关联匹配为同类设备与同类瓷套部位,包括:
分别计算所识别到的电力设备的中心位置;
获取所述三相区域的区域范围;
将中心位置落入所述三相区域的区域范围的电力设备自动关联为同类设备;
获取所述瓷套部位区域的中心位置;
将中心位置落入所述同类设备区域范围内的瓷套部位区域自动关联为同类瓷套部位。
8.根据权利要求1所述的变电设备红外图像电压致热型缺陷诊断方法,其特征在于,
方法中,建立电压致热型诊断数据库;
实时接收红外图像中的电力设备、部位区域和三相区域信息以及电压致热型诊断信息;
当接收到上述时,对电压致热型诊断数据库信息进行更新;
在更新时,修改电压致热型诊断数据库中的库数据列表,并替换在先电压致热型缺陷诊断数据;
或保留在先电压致热型缺陷诊断数据,增设更新后的电压致热型缺陷诊断数据。
9.一种变电设备红外图像电压致热型缺陷诊断系统,其特征在于,系统采用如权利要求1至8任意一项所述的变电设备红外图像电压致热型缺陷诊断方法;
系统包括:数据获取模块、数据识别模块、相对温差获取模块、电压致热型诊断模块以及显示模块;
数据获取模块用于获取变电设备的红外图像;
数据识别模块用于采用预设的网络模型识别所述红外图像中的电力设备、部位区域以及三相区域;
当区域内含有瓷套区域以及三相区域时,采用训练好的旋转目标检测模型精确识别红外图片瓷套部位区域;
当不存在瓷套区域或三相区域,不对该红外图像进行电压致热型缺陷诊断;
相对温差获取模块用于获取所述电力设备及瓷套部位区域最高温,自动关联匹配三相区域中同类设备及同类部位,获取同类瓷套部位之间相对温差;
电压致热型诊断模块用于采用基于温差阈值法缺陷诊断标准对红外图像中电力设备进行电压致热型诊断;
显示模块用于将电压致热型诊断结果进行显示。
10.根据权利要求9所述的变电设备红外图像电压致热型缺陷诊断系统,其特征在于,
系统还包括:电压致热型诊断数据库和诊断处理终端机;
电压致热型诊断数据库用于储存红外图像中的电力设备、部位区域以及三相区域信息,还储存电压致热型诊断信息以及系统运行信息;
诊断处理终端机用于使监控人员通过诊断处理终端机获取对电压致热型缺陷的诊断过程数据以及电压致热型诊断结果数据;
监控人员通过诊断处理终端机设置系统的诊断参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689402.1A CN115147591A (zh) | 2022-06-17 | 2022-06-17 | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689402.1A CN115147591A (zh) | 2022-06-17 | 2022-06-17 | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147591A true CN115147591A (zh) | 2022-10-04 |
Family
ID=83407801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210689402.1A Pending CN115147591A (zh) | 2022-06-17 | 2022-06-17 | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147591A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342607A (zh) * | 2023-05-30 | 2023-06-27 | 尚特杰电力科技有限公司 | 输电线缺陷的识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-17 CN CN202210689402.1A patent/CN115147591A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342607A (zh) * | 2023-05-30 | 2023-06-27 | 尚特杰电力科技有限公司 | 输电线缺陷的识别方法、装置、电子设备及存储介质 |
CN116342607B (zh) * | 2023-05-30 | 2023-08-08 | 尚特杰电力科技有限公司 | 输电线缺陷的识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
CN109544501B (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN116681979A (zh) | 一种复杂环境下的电力设备目标检测方法 | |
CN112697798A (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测系统 | |
Wang et al. | Railway insulator detection based on adaptive cascaded convolutional neural network | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
CN113269744A (zh) | 一种应用于输电线路设备缺陷的红外智能识别方法及系统 | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
Peng et al. | Automatic recognition of pointer meter reading based on Yolov4 and improved U-net algorithm | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN111402223B (zh) | 一种利用变电站视频图像的变电站缺陷问题检测方法 | |
CN114494186A (zh) | 一种高压输变电线路电气设备的故障检测方法 |
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 |