CN115438945A - 基于电力设备巡检的风险识别方法、装置、设备及介质 - Google Patents
基于电力设备巡检的风险识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115438945A CN115438945A CN202211041126.4A CN202211041126A CN115438945A CN 115438945 A CN115438945 A CN 115438945A CN 202211041126 A CN202211041126 A CN 202211041126A CN 115438945 A CN115438945 A CN 115438945A
- Authority
- CN
- China
- Prior art keywords
- inspection
- power equipment
- routing
- records
- historical
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 325
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010586 diagram Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 24
- 238000013210 evaluation model Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于电力监管技术领域，尤其涉及一种基于电力设备巡检的风险识别方法、装置、计算机设备及介质。该方法根据从所有电力设备的历史巡检记录中确定的目标巡检记录，筛选出与目标巡检记录中的巡检位置距离最近的K个电力设备，根据巡检时间点确定巡检序列，按照巡检序列在场地规划图中规划K+1个电力设备的巡检路径，得到规划巡检热力图，将巡检人员对电力设备的巡检路径映射至场地规划图中，得到实际巡检热力图，将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点对应的电力设备的历史巡检记录为具备风险的记录，自动实现对巡检记录的风险识别，提高了对电力设备的巡检效率和准确率。
Description
技术领域
本申请适用于电力监管技术领域，尤其涉及一种基于电力设备巡检的风险识别方法、装置、设备及介质。
背景技术
目前，随着电网规模的不断扩大，电力设备巡检过程的耗时也相应增长，因此需要巡检人员在巡检后提交巡检记录，便于快速定位和复查异常电力设备。
但是，由于巡检记录由巡检人员人为提交，可能出现巡检记录填写错误等情况，在出现此类情况时，需要进行一一排查，这就需要投入大量的时间和人力，效率较低，造成时间成本和人力成本的浪费。因此，如何自动识别出异常巡检记录，从而提高电力设备的排查效率成为了亟需解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于电力设备巡检的风险识别方法、装置、设备及介质，以解决如何自动识别出异常巡检记录，从而提高电力设备的排查效率的问题。
第一方面，本申请实施例提供一种基于电力设备巡检的风险识别方法，所述风险识别方法包括：
从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据所述目标巡检记录中的巡检位置，从所有电力设备中筛选出距离所述巡检位置最近的K个电力设备；
获取所述目标巡检记录中的巡检时间点，结合所述K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列；
按照所述巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对所述场地规划图中所述K+1个电力设备的巡检路径进行规划，得到规划巡检热力图；
获取巡检人员对所述K+1个电力设备的巡检路径，并将所述巡检路径映射至所述场地规划图中，得到实际巡检热力图；
将所述实际巡检热力图与所述规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定所述异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
第二方面，本申请实施例提供一种基于电力设备巡检的风险识别装置，所述风险识别装置包括：
设备初筛模块，用于从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据所述目标巡检记录中的巡检位置，从所有电力设备中筛选出距离所述巡检位置最近的K个电力设备；
序列确定模块，用于获取所述目标巡检记录中的巡检时间点，结合所述K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列；
规划热力模块，用于按照所述巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对所述场地规划图中所述K+1个电力设备的巡检路径进行规划，得到规划巡检热力图；
实际热力模块，用于获取巡检人员对所述K+1个电力设备的巡检路径，并将所述巡检路径映射至所述场地规划图中，得到实际巡检热力图；
风险确定模块，用于将所述实际巡检热力图与所述规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定所述异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
第三方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于电力设备巡检的风险识别方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于电力设备巡检的风险识别方法。
本申请实施例与现有技术相比存在的有益效果是：本申请从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据目标巡检记录中的巡检位置，从所有电力设备中筛选出距离巡检位置最近的K个电力设备，获取目标巡检记录中的巡检时间点，结合K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列，按照巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对场地规划图中K+1个电力设备的巡检路径进行规划，得到规划巡检热力图，获取巡检人员对K+1个电力设备的巡检路径，并将巡检路径映射至场地规划图中，得到实际巡检热力图，将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定异常的差值点对应的电力设备的历史巡检记录为具备风险的记录，自动实现对巡检记录的风险识别，提高了对电力设备的巡检效率和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于电力设备巡检的风险识别方法的流程示意图；
图2是本申请实施例一提供的一种巡检热力图的示意图；
图3是本申请实施例二提供的一种基于电力设备巡检的风险识别方法的流程示意图；
图4是本申请实施例三提供的一种基于电力设备巡检的风险识别装置的结构示意图；
图5是本申请实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
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、机器人技术、生物识别技术、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。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
参见图1，是本申请实施例一提供的一种基于电力设备巡检的风险识别方法的流程示意图。如图1所示，该风险识别方法可以包括以下步骤：
步骤S101，从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据目标巡检记录中的巡检位置，从所有电力设备中筛选出距离巡检位置最近的K个电力设备。
本申请中，历史巡检记录可以是指巡检人员针对某一特定场景或者场地内所有的电力设备进行人力巡检并记录的文本数据，该记录的文本数据可以包括巡检时间点、巡检位置、巡检耗时、巡检设备运行参数等。
目标巡检记录为从历史巡检记录中任意抽取的一个电力设备的巡检记录，进一步地，在任意抽取时，可以设定相应的抽取条件，例如，针对历史巡检记录进行初检，对于初检没有错误的巡检记录，可以进行进一步地风险识别，从而准确地判断巡检记录的风险。
巡检记录填写过程可以包括：
1）巡检人员通过移动终端识别电力设备上的二维码图像；
2）移动终端跳转至巡检记录填写界面或启动巡检记录填写应用程序；
3）巡检人员通过移动终端填写巡检记录，并上传至客户端。
需要说明的是，巡检人员填写巡检记录时，如果出现漏填的情况，巡检记录将无法正常上传并生成提醒信息，因此，默认仅可能出现填写错误的情况，填写错误的情况与设备存在安全隐患的情况均表现为巡检记录异常。
上述所有电力设备的位置均是默认已知的，因此，在确定每个电力设备与目标巡检记录中的巡检位置之间的距离后，就能根据需求筛选出对应的电力设备。
具体地，所有电力设备的位置可标记于电力设备安装场地中的场地规划图中，场地规划图是易获取的，且比例尺是已知的，因此可以得到所有电力设备的位置坐标，进而计算其他各个电力设备位置与该巡检位置的距离，选取最小的K个距离对应的电力设备，在本实施例中，K值取10，实施者可根据实际情况调整K的取值。上述通过距离阈值筛选出电力设备，可以用于丰富对目标巡检记录的风险识别的参考因素，进而便于提高风险识别的准确性。
步骤S102，获取目标巡检记录中的巡检时间点，结合K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列。
本申请中，巡检记录中含有巡检时间点，因此，可以获取到目标巡检记录的巡检时间点，相应地，在K个电力设备的历史巡检记录中可以采集到对应的巡检时间点，从而对于此K+1个巡检记录而言，可以确定对应的K+1个电力设备被巡检的前后顺序。
具体地，每个电力设备可以对应设置有设备编号，将设备编号按照被巡检的前后顺序依次表征为文本即为确定巡检序列，根据时间先后顺序得到设备巡检顺序，从而便于后续进行路径预测。
步骤S103，按照巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对场地规划图中K+1个电力设备的巡检路径进行规划，得到规划巡检热力图。
本申请中，规划巡检热力图可以是指根据设备巡检顺序模拟得到的热力图，具体地，规划巡检热力图的获取方式可以采用路径规划的方式，根据设备巡检顺序，确定在前巡检设备的巡检位置为起始点，在后巡检设备的巡检位置为终止点，结合巡检场地俯视图进行路径规划，巡检场地俯视图可以进行二值化处理，即将道路像素点的像素值设置为1，其他像素点的像素值设置为0，从而提高路径规划效率。
在路径规划时，可以采用启发式搜索算法、A-Star算法等路径规划算法，需要说明的是，在路径规划时，路径覆盖的像素点限制为仅能包含像素值为1的像素点，保证路径规划的准确性。
基于路径规划可以得到K段规划路径，K段规划路径可以组合为预测路径。
举例说明，假如设备巡检顺序为[6,2,8,10]，其中顺序内元素为设备序号，则以6号设备对应的巡检位置为起始点，2号设备对应的巡检位置为终止点，进行路径规划，得到第一段规划路径，以2号设备对应的巡检位置为起始点，8号设备对应的巡检位置为终止点，进行路径规划，得到第二段规划路径。
以预设的巡检人员移动速度、各设备对应的巡检时长以及预测路径，可以得到巡检结束时间点，并在巡检起始时间点与巡检结束时间点之间的各个时间点为预测路径上的像素点分配热力值，例如，若6号设备的巡检时长为30s，则在0-30s均为6号设备的巡检位置对应的像素点分配热力值，在31s为6号设备的巡检位置在预测路径上的下一位置对应的像素点分配热力值，并对分配热力值的像素点进行高斯模糊，即采用高斯核对分配热力值之后的巡检场地俯视图进行卷积处理，得到各个时间点的热力图，热力值在分配时均为1。
将各个时间点的热力图进行热力叠加，热力叠加的公式为：X=αx+(1-α) x'，其中，X为叠加后的热力图，x为已叠加的热力图，x'为未叠加的热力图，α为遗忘系数，在本实施例中，设置为0.95，在叠加时，任选一个未叠加的热力图作为x'，此时已叠加的热力图为x，计算得到叠加后的热力图X，并在下次叠加时，将叠加后的热力图X更新为已叠加的热力图为x，以下一帧的未叠加的热力图作为x'，再次叠加，直至所有热力图均完成叠加，并确定所有热力图均完成叠加的结果为规划巡检热力图。
步骤S104，获取巡检人员对K+1个电力设备的巡检路径，并将巡检路径映射至场地规划图中，得到实际巡检热力图。
本申请中，巡检人员的巡检路径由相应的位置采集设备实时采集，例如，采用射频定位、GPS定位等，将实时采集到的巡检人员的位置映射至场地规划图中，即可得到实际的巡检热力图。
另外，还可以采用其他设备采集巡检人员的巡检路径，例如，在整个场地上方设置图像采集设备，采集到的视频图像能够通过相应的分析处理得到巡检路径和巡检热力图。
实际巡检热力图可以表征出巡检人员在巡检时的停留时间、行走时间和操作时间，能够有效地与规划的巡检热力图进行比较，从而确定实际巡检中的异常。
步骤S105，将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
本申请中，异常的差值点可以是指巡检过程不符合常规情况的位置点，该异常可以使用阈值从实际巡检热力图与规划巡检热力图的差值结果中筛选得到，针对该异常的差值点对应的巡检记录而言，需要巡检人员进行重新记录以及对电力设备进行重检。
具体地，实际巡检热力图与规划巡检热力图尺寸一致，且均只包括热力值信息，因此，将实际巡检热力图与规划巡检热力图逐点相减并取绝对值，以确保得到的差值图像中像素值均大于等于0，便于后续进行阈值处理。
阈值处理时的阈值可以采用自适应阈值，即以差值图像中所有不为0像素点的像素值均值作为阈值，也可以进行人为设置，阈值化处理的目的为筛选出异常像素点，也即差值较大的像素点，此类像素点表示实际巡检热力图与规划巡检热力图在此像素差异过大，可能存在巡检异常情况。
可选的是，从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录包括：
将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值；
针对任一电力设备的历史巡检记录，在检测到对应的评价值大于评估阈值时，确定历史巡检记录为目标巡检记录。
其中，上述巡检人员只负责记录设备运行参数，而不需要实际判断，进而提高人工巡检的效率，对于筛选出目标巡检记录的过程，可以使用训练好的评价模型进行筛选。
若利用评价模型只筛选出一条目标巡检记录，则直接按上述步骤S101至S105对该目标巡检记录进行处理得到具备风险的记录即可；若利用评价模型筛选出了多条目标巡检记录，上述风险识别方法仍然适用，此时具备风险的记录可以通过以下两种方式得到：一是，按照上述步骤S101至S105对筛选出的多个目标巡检记录逐一进行处理，将每个目标巡检记录的处理结果汇总，得到具备风险的记录；一是，从筛选出的多个目标巡检记录中任意抽取一个进行处理（抽取规则可自行设置），得到具备风险的记录。在实际应用中，根据情况选择其中一种方式即可。
评价模型可以是指神经网络模型、逻辑回归模型、支持向量机模型等，评价值可以是指巡检记录文本的合规性评价值，用于表征设备的安全评价。
例如，评价模型采用神经网络模型，包括编码器和全连接层，编码器用于提取特征，全连接层用于对特征整合。历史巡检记录通过预处理得到对应的向量表示，历史巡检记录中的每一项均对应于向量表示中的一个元素，元素值可以是指编码值，例如，对于巡检位置项，其对应元素的元素值可以是巡检位置编码序号。将历史巡检记录对应的向量表示输入训练好的编码器进行特征提取，得到对应的特征张量，再将特征张量输入全连接层进行整合，并确定全连接层的输出结果为评价值，评价值可以是指设备运行评价分数，在本实施例中，设备运行评价分数的取值范围为[0,10]，分数越高表示设备运行越正常。
可选的是，将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值包括：
针对任一历史巡检记录，将历史巡检记录中的设备运行参数项输入训练好的评价模型，输出对应的设备评价值；
将历史巡检记录中的每个巡检位置及其对应的巡检时间点和总的巡检时长输入训练好的评价模型，输出对应的巡检评价值；
计算设备评价值和巡检评价值的均值，确定均值为历史巡检记录的评价值。
其中，评价值还可以包括巡检评价值，巡检评价值用于表征巡检人员是否正常执行了巡检流程，巡检评价值可以通过巡检时长、巡检时间点和巡检位置等计算，需要说明的是，若评价值包括巡检评价值，巡检评价值的取值范围建议设置为[0,10]，从而仅需要计算巡检评价值和设备运行评价分数的均值作为评价值即可，无需进行归一化操作，节省计算资源。
评价模型的训练包括：采用历史巡检记录对应的向量表示作为评价模型训练的训练样本，以人为标注的设备运行评价值作为训练标签，采用均方误差损失作为评价模型训练的损失函数。
通过评价模型对巡检记录的合规性进行评价，从而无需人为进行设备安全隐患判断，排除了人为主观因素的影响，同时极大的提高了人工巡检的效率。
评估阈值可以是指记录异常的判断阈值，该值可以由人为设置，也可以由历史异常记录的平均值确定，在一实施方式中，该值设置为0.6。
具体地，当评价值小于评估阈值，说明此时巡检记录出现异常，异常的原因包括：设备运行异常、巡检过程异常以及巡检记录填写异常，首先需要排除巡检记录填写异常的问题，因此，生成记录异常信息，并将记录异常信息发送给对应的巡检人员，由巡检人员进行巡检记录的确认。
可选的是，在将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值之后，还包括：
针对任一电力设备的历史巡检记录，在检测到对应的评价值小于或者等于评估阈值时，确定将历史巡检记录生成为异常记录，异常记录用于在巡检人员处展示。
上述步骤根据评价值与评估阈值的比较结果，生成异常记录，以指导巡检人员进行巡检记录确认，从而避免因巡检记录填写异常导致后续额外生成复检任务，提高了巡检及复检过程的效率。
本申请实施例从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据目标巡检记录中的巡检位置，从所有电力设备中筛选出距离巡检位置最近的K个电力设备，获取目标巡检记录中的巡检时间点，结合K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列，按照巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对场地规划图中K+1个电力设备的巡检路径进行规划，得到规划巡检热力图，获取巡检人员对K+1个电力设备的巡检路径，并将巡检路径映射至场地规划图中，得到实际巡检热力图，将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定异常的差值点对应的电力设备的历史巡检记录为具备风险的记录，自动实现对巡检记录的风险识别，提高了对电力设备的巡检效率和准确率。
参见图3，是本申请实施例二提供的一种基于电力设备巡检的风险识别方法的流程示意图，如图3所示，该风险识别方法可以包括以下步骤：
步骤S301，从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据目标巡检记录中的巡检位置，从所有电力设备中筛选出距离巡检位置最近的K个电力设备。
步骤S302，获取目标巡检记录中的巡检时间点，结合K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列。
步骤S303，按照巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对场地规划图中K+1个电力设备的巡检路径进行规划，得到规划巡检热力图。
其中，步骤S301至步骤S303与上述步骤S101至步骤S103的内容相同，可参考步骤S101至步骤S103的描述，在此不再赘述。
步骤S304，获取巡检人员的巡检视频。
本申请中，巡检视频为巡检人员在K+1个电力设备所在区域进行巡检时被录制的包含位置的视频。视频序列可以是指通过巡检场景部署的摄像设备获取的视频序列。
步骤S305，将巡检视频的每一帧图像进行热力叠加，确定叠加后的热力图像为巡检人员的巡检路径。
本申请中，对每一帧图像进行热力提取，即提取感兴趣的像素点，并将热力提取后的图像进行叠加，得到像素点集，感兴趣的像素点如果为人，则像素点集即表征了巡检人员的巡检路径。
可选的是，将巡检视频的每一帧图像进行热力叠加，确定叠加后的热力图像为巡检人员的巡检路径包括：
将巡检视频的每一帧图像分别输入训练好的关键点提取模型，得到对应帧图像中的人员关键点；
按照每一帧图像的时间顺序，对包含人员关键点的所有帧图像进行热力叠加，得到叠加后的热力图像，确定叠加后的热力图像为巡检人员的巡检路径。
其中，关键点提取模型可以包括关键点特征编码器和关键点提取解码器，实际巡检热力图可以是指根据视频序列得到的巡检人员位置热力图。
将视频序列中每一帧图像均输入训练好的关键点提取模型，得到各帧的人员热力图，同样对各帧的人员热力图按时间顺序进行热力叠加，得到实际巡检热力图。
可选的是，关键点提取模型包括关键点特征编码器和关键点提取解码器，关键点提取模型的训练样本为任意包含人员的图像，以人员的位置对应像素点经高斯模糊后得到的热斑作为训练样本的标签，以均方误差损失作为关键点提取模型的损失函数。
其中，关键点提取模型包括关键点特征编码器和关键点提取解码器，关键点提取模型训练时，以历史巡检视频中的图像作为训练样本，以人员位置对应像素点经高斯模糊后得到的热斑作为训练标签，以均方误差损失作为损失函数，则关键点提取模型在输入视频序列中的一帧图像时，输出的是对应帧的人员热力图。
步骤S306，将巡检路径映射至场地规划图中，得到实际巡检热力图。
步骤S307，将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
其中，步骤S306至步骤S307与上述步骤S104的部分内容和步骤S105的全部内容相同，可参考步骤S104和步骤S105的描述，在此不再赘述。
本申请实施例采用对视频图像进行关键点提取的方式来获取巡检人员的巡检路径，从而得到实际巡检热力图，将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定异常的差值点对应的电力设备的历史巡检记录为具备风险的记录，自动实现对巡检记录的风险识别，提高了对电力设备的巡检效率和准确率，相较于采用其他方式来获取实际轨迹而言，具备更加清晰的可观性，且在封闭场景尤其是电力设备较为密集的环境中能够有效使用。
对应于上文实施例的风险识别方法，图4示出了本申请实施例三提供的基于电力设备巡检的风险识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图4，该风险识别装置包括：
设备初筛模块41，用于从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据目标巡检记录中的巡检位置，从所有电力设备中筛选出距离巡检位置最近的K个电力设备；
序列确定模块42，用于获取目标巡检记录中的巡检时间点，结合K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列；
规划热力模块43，用于按照巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对场地规划图中K+1个电力设备的巡检路径进行规划，得到规划巡检热力图；
实际热力模块44，用于获取巡检人员对K+1个电力设备的巡检路径，并将巡检路径映射至场地规划图中，得到实际巡检热力图；
风险确定模块45，用于将实际巡检热力图与规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
可选的是，设备初筛模块41包括：
评价值输出单元，用于将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值；
目标记录确定单元，用于针对任一电力设备的历史巡检记录，在检测到对应的评价值大于评估阈值时，确定历史巡检记录为目标巡检记录。
可选的是，该风险识别装置还包括：
异常记录确定模块，用于在将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值之后，针对任一电力设备的历史巡检记录，在检测到对应的评价值小于或者等于评估阈值时，确定将历史巡检记录生成为异常记录，异常记录用于在巡检人员处展示。
可选的是，实际热力模块44包括：
视频获取单元，用于获取巡检人员的巡检视频，巡检视频为巡检人员在K+1个电力设备所在区域进行巡检时被录制的包含位置的视频；
巡检路径确定单元，用于将巡检视频的每一帧图像进行热力叠加，确定叠加后的热力图像为巡检人员的巡检路径；
实际热力单元，用于将巡检路径映射至场地规划图中，得到实际巡检热力图。
可选的是，巡检路径确定单元包括：
关键点提取子单元，用于将巡检视频的每一帧图像分别输入训练好的关键点提取模型，得到对应帧图像中的人员关键点；
巡检路径确定子单元，用于按照每一帧图像的时间顺序，对包含人员关键点的所有帧图像进行热力叠加，得到叠加后的热力图像，确定叠加后的热力图像为巡检人员的巡检路径。
可选的是，关键点提取模型包括关键点特征编码器和关键点提取解码器，关键点提取模型的训练样本为任意包含人员的图像，以人员的位置对应像素点经高斯模糊后得到的热斑作为训练样本的标签，以均方误差损失作为关键点提取模型的损失函数。
可选的是，评价值输出单元包括：
设备评价值子单元，用于针对任一历史巡检记录，将历史巡检记录中的设备运行参数项输入训练好的评价模型，输出对应的设备评价值；
巡检评价值子单元，用于将历史巡检记录中的每个巡检位置及其对应的巡检时间点和总的巡检时长输入训练好的评价模型，输出对应的巡检评价值；
评价值确定子单元，用于计算设备评价值和巡检评价值的均值，确定均值为历史巡检记录的评价值。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本申请实施例四提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器（图5中仅示出一个）、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个风险识别方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于电力设备巡检的风险识别方法，其特征在于，所述风险识别方法包括：
从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据所述目标巡检记录中的巡检位置，从所有电力设备中筛选出距离所述巡检位置最近的K个电力设备；
获取所述目标巡检记录中的巡检时间点，结合所述K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列；
按照所述巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对所述场地规划图中所述K+1个电力设备的巡检路径进行规划，得到规划巡检热力图；
获取巡检人员对所述K+1个电力设备的巡检路径，并将所述巡检路径映射至所述场地规划图中，得到实际巡检热力图；
将所述实际巡检热力图与所述规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定所述异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
2.根据权利要求1所述的基于电力设备巡检的风险识别方法，其特征在于，从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录包括：
将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值；
针对任一电力设备的历史巡检记录，在检测到对应的评价值大于评估阈值时，确定所述历史巡检记录为目标巡检记录。
3.根据权利要求2所述的基于电力设备巡检的风险识别方法，其特征在于，在将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值之后，还包括：
针对任一电力设备的历史巡检记录，在检测到对应的评价值小于或者等于所述评估阈值时，确定将所述历史巡检记录生成为异常记录，所述异常记录用于在巡检人员处展示。
4.根据权利要求2所述的基于电力设备巡检的风险识别方法，其特征在于，获取巡检人员对所述K+1个电力设备的巡检路径，并将所述巡检路径映射至所述场地规划图中，得到实际巡检热力图包括：
获取巡检人员的巡检视频，所述巡检视频为所述巡检人员在所述K+1个电力设备所在区域进行巡检时被录制的包含位置的视频；
将所述巡检视频的每一帧图像进行热力叠加，确定叠加后的热力图像为所述巡检人员的巡检路径；
将所述巡检路径映射至所述场地规划图中，得到实际巡检热力图。
5.根据权利要求4所述的基于电力设备巡检的风险识别方法，其特征在于，将所述巡检视频的每一帧图像进行热力叠加，确定叠加后的热力图像为所述巡检人员的巡检路径包括：
将所述巡检视频的每一帧图像分别输入训练好的关键点提取模型，得到对应帧图像中的人员关键点；
按照每一帧图像的时间顺序，对包含人员关键点的所有帧图像进行热力叠加，得到叠加后的热力图像，确定所述叠加后的热力图像为所述巡检人员的巡检路径。
6.根据权利要求5所述的基于电力设备巡检的风险识别方法，其特征在于，所述关键点提取模型包括关键点特征编码器和关键点提取解码器，所述关键点提取模型的训练样本为任意包含人员的图像，以人员的位置对应像素点经高斯模糊后得到的热斑作为训练样本的标签，以均方误差损失作为所述关键点提取模型的损失函数。
7.根据权利要求2至6任一项所述的基于电力设备巡检的风险识别方法，其特征在于，将所有电力设备的历史巡检记录中的每个记录项输入训练好的评价模型，输出对应历史巡检记录的评价值包括：
针对任一历史巡检记录，将所述历史巡检记录中的设备运行参数项输入训练好的评价模型，输出对应的设备评价值；
将所述历史巡检记录中的每个巡检位置及其对应的巡检时间点和总的巡检时长输入训练好的评价模型，输出对应的巡检评价值；
计算所述设备评价值和所述巡检评价值的均值，确定均值为所述历史巡检记录的评价值。
8.一种基于电力设备巡检的风险识别装置，其特征在于，所述风险识别装置包括：
设备初筛模块，用于从所有电力设备的历史巡检记录中确定任一电力设备对应的目标巡检记录，根据所述目标巡检记录中的巡检位置，从所有电力设备中筛选出距离所述巡检位置最近的K个电力设备；
序列确定模块，用于获取所述目标巡检记录中的巡检时间点，结合所述K个电力设备的历史巡检记录中的巡检时间点，确定K+1个电力设备的巡检序列；
规划热力模块，用于按照所述巡检序列从场地规划图中确定任一前后相邻的两个电力设备的位置，并对所述场地规划图中所述K+1个电力设备的巡检路径进行规划，得到规划巡检热力图；
实际热力模块，用于获取巡检人员对所述K+1个电力设备的巡检路径，并将所述巡检路径映射至所述场地规划图中，得到实际巡检热力图；
风险确定模块，用于将所述实际巡检热力图与所述规划巡检热力图进行差值处理，对差值处理结果进行阈值化处理，筛选得到异常的差值点，确定所述异常的差值点对应的电力设备的历史巡检记录为具备风险的记录。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于电力设备巡检的风险识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于电力设备巡检的风险识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211041126.4A CN115438945A (zh) | 2022-08-29 | 2022-08-29 | 基于电力设备巡检的风险识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211041126.4A CN115438945A (zh) | 2022-08-29 | 2022-08-29 | 基于电力设备巡检的风险识别方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115438945A true CN115438945A (zh) | 2022-12-06 |
Family
ID=84243818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211041126.4A Pending CN115438945A (zh) | 2022-08-29 | 2022-08-29 | 基于电力设备巡检的风险识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115438945A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116452186A (zh) * | 2023-03-30 | 2023-07-18 | 中泰信达环保科技(武汉)有限公司 | 应用于污水处理厂的巡检管理系统及方法 |
-
2022
- 2022-08-29 CN CN202211041126.4A patent/CN115438945A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116452186A (zh) * | 2023-03-30 | 2023-07-18 | 中泰信达环保科技(武汉)有限公司 | 应用于污水处理厂的巡检管理系统及方法 |
| CN116452186B (zh) * | 2023-03-30 | 2024-03-01 | 中泰信达环保科技(武汉)有限公司 | 应用于污水处理厂的巡检管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10937144B2 (en) | Pipe feature identification using pipe inspection data analysis | |
| CN110705405B (zh) | 目标标注的方法及装置 | |
| KR102094341B1 (ko) | 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법 | |
| CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
| CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
| CN110781711A (zh) | 目标对象识别方法、装置、电子设备及存储介质 | |
| CN113808098A (zh) | 道路病害识别方法、装置、电子设备及可读存储介质 | |
| CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN113723169A (zh) | 基于SlowFast的行为识别方法、系统及设备 | |
| CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
| CN113052295B (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
| CN114049356A (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
| CN114419038A (zh) | 轮毂表面缺陷的识别方法及装置、存储介质、电子设备 | |
| CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
| CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
| CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
| KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
| CN115620079A (zh) | 样本标签的获取方法和镜头失效检测模型的训练方法 | |
| CN114219073A (zh) | 属性信息的确定方法、装置、存储介质及电子装置 | |
| CN114582012A (zh) | 一种骨架人体行为识别方法、装置及设备 | |
| CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 | |
| CN114332809A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
| CN114140707A (zh) | 一种电网故障巡检方法 |
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 |