CN116012762A - 一种针对电力设备的交通路口视频影像分析方法及系统 - Google Patents
一种针对电力设备的交通路口视频影像分析方法及系统 Download PDFInfo
- Publication number
- CN116012762A CN116012762A CN202310076748.9A CN202310076748A CN116012762A CN 116012762 A CN116012762 A CN 116012762A CN 202310076748 A CN202310076748 A CN 202310076748A CN 116012762 A CN116012762 A CN 116012762A
- Authority
- CN
- China
- Prior art keywords
- image analysis
- traffic intersection
- network
- video image
- information
- 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
- 238000003703 image analysis method Methods 0.000 title claims abstract description 18
- 238000010191 image analysis Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims 2
- 238000013526 transfer learning Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明属于视频影像分析领域,提供了一种针对电力设备的交通路口视频影像分析方法及系统,该方法中,获取交通路口监控视频流数据;对交通路口监控视频流数据进行抽帧,对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;采用backbone‑neck‑head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息,对图像特征进行由浅入深的提取分析,最终实现对目标的检测。
Description
技术领域
本发明属于视频影像分析领域,尤其涉及一种针对电力设备的交通路口视频影像分析方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
目前由于电力设备被外力破坏造成的停电次数约占停电总次数的40%左右,主要表现为违章施工、异物碰线两种形式,其中以因违章施工导致吊车、塔吊及渣土车等大型机械触碰带点导线对输电线路的危害最大。目前此类情况只能通过人工巡线的方式进行发现,但是时效性差、工作量过大,同时无法有效地对重点线路的环境情况进行实时的监视与记录,无法及时发现潜在的危险行为,由于潜在的危险造成事故的发生,增加了公司的运营成本。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种针对电力设备的交通路口视频影像分析方法及系统,其基于实时的视频数据,关联电力设备台账、输电线路信息等数据,利用深度学习图像识别分析技术,通过在线获取视频图像、电力设备台账、输电线路信息等对交通路口处的大型工程车辆的施工情况进行监测,及时预警未知的外破风险,提升企业供电服务质量。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种针对电力设备的交通路口视频影像分析方法,包括如下步骤:
获取交通路口监控视频流数据;
对交通路口监控视频流数据进行抽帧,对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;
基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;
其中,所述视频影像分析模型的构建过程为:采用backbone-neck-head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息;
将告警图像和对应的告警位置信息推送至设备运维人员处,进行现场核查和确认。
本发明的第二个方面提供一种针对电力设备的交通路口视频影像分析系统,包括:
数据服务器,用于获取交通路口监控视频流数据;
数据提取单元,用于按照控制器的控制指令提取服务器发布的交通路口监控视频流数据,对视频流数据进行抽帧,并提取视频对应的输电线路信息;
处理器,用于对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;
基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;其中,所述视频影像分析模型的构建过程为:
采用backbone-neck-head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息;
应用服务器,用于将告警图像和对应的告警位置信息在终端展示和跟踪处理并推送至设备运维人员处。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述所述的一种针对电力设备的交通路口视频影像分析方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种针对电力设备的交通路口视频影像分析方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明采用backbone-neck-head的神经网络结构,通过调整网络层数,增加图像特征提取层,根据历史数据中针对电力设备安全隐患的尺度特性,动态调整参考框的尺寸,便于提取小目标的尺度信息,优化模型结构,降低网络整体层数和连接参数,提高模型速度。
本发明的主干神经网络可充分提取图像的各维度特征信息;颈部神经网络可对提取到的特征进行特征增强,将浅层形状、纹理特征和深层语义信息相融合,增强模型对图像的理解能力,降低模型拟合的难度;头部神经网络进行检测框的提取;三部分网络结构分工明确,层层递进,对图像特征进行由浅入深的提取分析,最终实现对目标的检测。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明针对电力设备的交通路口视频影像分析方法流程示意图;
图2是本发明针对电力设备的交通路口视频影像分析系统框架图;
图3是本发明backbone-neck-head网络结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的目的在于研究交通路口视频影像分析模型,基于实时的视频数据,关联电力设备台账、输电线路信息等数据,利用深度学习图像识别分析技术,构建针对电力设备的交通路口视频影像分析体系,基于该体系开发一套基于深度学习的交通路口视频影像分析系统,通过在线获取视频图像、电力设备台账、输电线路信息等对交通路口处的大型工程车辆的施工情况进行监测,及时预警未知的外破风险,提升企业供电服务质量。
实施例一
如图1所示,本实施例提供了一种针对电力设备的交通路口视频影像分析方法,包括如下步骤:
步骤1:获取交通路口监控视频流数据;关联设备台账和输电线路信息,筛选出重点区域内相关监控视频数据;
步骤2:对交通路口监控视频流数据进行抽帧,对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;
步骤3:基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;
其中,所述视频影像分析模型的构建过程为:采用backbone-neck-head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息;
步骤4:将告警图像和对应的告警位置信息推送至设备运维人员处,进行现场核查和确认。
作为一种或多种实施例,步骤2中,在对抽出的图像进行智能识别前,对图像进行了预处理,包括:结合图像特征,通过图像缩放、图像增强、因子提取、高斯滤波、数据降噪以及数据拆分等方式对图片进行处理。对预处理的图片数据进行核查,包括图片的完整性、准确性、重复性及无效性,将核查不规范的图片剔除。
作为一种或多种实施例,步骤2中,筛选出疑似存在电力安全隐患图片后,对其进行类型和检测框位置标注。
作为一种或多种实施例,步骤3中,所述backbone-neck-head网络结构包括主干网络(backbone)、颈部网络(neck)以及头部网络(head),所述主干网络(backbone)用于提取图像的各维度特征信息,neck(颈部)神经网络对提取到的特征进行特征增强,降低模型拟合的难度;head(头部)神经网络进行检测框的提取;三部分网络结构分工明确,层层递进,对图像特征进行由浅入深的提取分析,最终实现对目标的检测。
其中,所述主干网络基于tensorflow(数据流编程(dataflow programming)的符号数学系统)构建DarkNet53网络,网络模型的具体结构为:主干部分将残差块进行堆叠,另建立一个残差边,对信息进行少量处理后直接连到最后,使用Swish做激活函数,作为特征提取网络,抽取图像各维度特征信息,并基于下游任务在模型中加入残差连接层实现跳层传输特征,避免梯度消失、梯度爆炸等问题导致的浅层网络参数无法更新问题。
所述颈部网络进一步对主干网络所获取到的特征进行增强,基于增强后特征信息进行特征的反复提取、融合,并基于颈部网络增强后的特征信息构建特征金字塔结构,将高层的特征融合到底层特征层,然后将底层的特征信息融合到高层,将最终融合后的特征数据作为颈部网络的输出、头部网络的输入。
所述头部网络采用AgglomerativeClustering(层次聚类)得到先验框的尺寸,根据安全隐患分布特性,分析不同场景中车辆等目标的尺度,选取合适的先验框长宽比,为每种尺寸的特征图设定3种先验框,共聚类出6种尺寸的先验框,对特征图分别进行设置,在最小的13*13特征图上应用较大的先验框,中等的26*26特征图上应用中等的先验框。
上述技术特征在基于对目标框长宽比相对固定、目标数量众多的特点,统计安全隐患分布特性,制定取景器的移动规则,分析不同场景中车量目标的尺度,确定多个采集策略,实现对待识别目标的快速提取。
实施例二
如图2-图3所示,本实施例提供一种针对电力设备的交通路口视频影像分析系统,包括:
数据服务器,用于获取交通路口监控视频流数据;
数据提取单元,用于按照控制器的控制指令提取服务器发布的交通路口监控视频流数据,对视频流数据进行抽帧,并提取视频对应的输电线路信息;
处理器,用于对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;
基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;其中,所述视频影像分析模型的构建过程为:
采用backbone-neck-head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息;
应用服务器,用于将告警图像和对应的告警位置信息在终端展示和跟踪处理并推送至设备运维人员处。
所述系统还包括存储器,所述存储器用于接收来自数据提取单元提取的图像数据、输电线路信息、神经网络结构和对应神经层的权重并进行缓存。
系统主要功能模块分为:告警统计、实时监控、特巡线路、告警处理、问题跟踪五个部分,分别实现历史告警信息的多维分析展示,实时告警信息的在线通知,重点线路的轮巡监控、告警信息的处置和推送、以及告警相关反馈信息的跟踪。
将视频接入模块以及视频的抽帧处理程序部署在服务器中,安装CentOS+Docker,配置相应的python环境和tensorflow-gpu环境,实时抽帧的图像通过API接口服务,传入数据中心,运行目标检测算法,将预警图像的边框和置信度标记在图像上,并进行实时的预警展示。
实施例三
本实施例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如上述所述的一种针对电力设备的交通路口视频影像分析方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种针对电力设备的交通路口视频影像分析方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种针对电力设备的交通路口视频影像分析方法,其特征在于,包括如下步骤:
获取交通路口监控视频流数据;
对交通路口监控视频流数据进行抽帧,对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;
基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;
其中,所述视频影像分析模型的构建过程为:采用backbone-neck-head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息;
将告警图像和对应的告警位置信息推送至设备运维人员处,进行现场核查和确认。
2.如权利要求1所述的一种针对电力设备的交通路口视频影像分析方法,其特征在于,所述主干网络基于tensorflow构建,具体为:网络模型主干部分将残差块进行堆叠,另建立一个残差边,对信息进行少量处理后直接连到最后,使用Swish做激活函数,作为特征提取网络,抽取图像各维度特征信息,并基于下游任务在模型中加入残差连接层实现跳层传输特征。
3.如权利要求1所述的一种针对电力设备的交通路口视频影像分析方法,其特征在于,所述颈部网络对主干网络所获取到的特征进行增强,基于增强后特征信息进行特征的反复提取、融合,并基于颈部网络增强后的特征信息构建特征金字塔结构,将高层的特征融合到底层特征层,然后将底层的特征信息融合到高层,将最终融合后的特征数据作为颈部网络的输出、头部网络的输入。
4.如权利要求1所述的一种针对电力设备的交通路口视频影像分析方法,其特征在于,所述头部网络采用层次聚类得到先验框的尺寸,为每种尺寸的特征图设定先验框,为不同尺寸的特征图分别进行设置对应尺寸的先验框。
5.如权利要求1所述的一种针对电力设备的交通路口视频影像分析方法,其特征在于,在对抽出的图像进行智能识别前,对图像进行了预处理,包括:结合图像特征,通过图像缩放、图像增强、因子提取、高斯滤波、数据降噪以及数据拆分方式对图片进行处理。
6.如权利要求1所述的一种针对电力设备的交通路口视频影像分析方法,其特征在于,筛选出疑似存在电力安全隐患图片后,对其进行类型和检测框位置标注。
7.如权利要求1所述的一种针对电力设备的交通路口视频影像分析方法,其特征在于,所述视频影像分析模型进行训练时,采用迁移学习进行模型训练,在不同训练域中进行模型迭代,根据不同样本集中模型参数的变化,调整学习率和梯度。
8.一种针对电力设备的交通路口视频影像分析系统,其特征在于,包括:
数据服务器,用于获取交通路口监控视频流数据;
数据提取单元,用于按照控制器的控制指令提取服务器发布的交通路口监控视频流数据,对视频流数据进行抽帧,并提取视频对应的输电线路信息;
处理器,用于对抽出的图像进行初步识别,筛选出疑似存在电力安全隐患图片;
基于疑似存在电力安全隐患的图片和视频影像分析模型进行智能识别和精细分类,识别出高风险的安全隐患图片进行告警;其中,所述视频影像分析模型的构建过程为:
采用backbone-neck-head网络结构,通过主干网络提取图像的各维度特征信息,通过颈部网络对各维度特征信息进行增强,将浅层形状、纹理特征和深层语义信息相融合,基于融合后的特征图的尺度特性,采用头部网络动态调整参考框的尺寸,提取目标的尺度信息;
应用服务器,用于将告警图像和对应的告警位置信息在终端展示和跟踪处理并推送至设备运维人员处。
9.一种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如权利要求1-7中任一项所述的一种针对电力设备的交通路口视频影像分析方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种针对电力设备的交通路口视频影像分析方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076748.9A CN116012762A (zh) | 2023-01-29 | 2023-01-29 | 一种针对电力设备的交通路口视频影像分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076748.9A CN116012762A (zh) | 2023-01-29 | 2023-01-29 | 一种针对电力设备的交通路口视频影像分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012762A true CN116012762A (zh) | 2023-04-25 |
Family
ID=86023354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310076748.9A Pending CN116012762A (zh) | 2023-01-29 | 2023-01-29 | 一种针对电力设备的交通路口视频影像分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012762A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188998A (zh) * | 2023-04-26 | 2023-05-30 | 南方电网数字电网研究院有限公司 | 输电架空线路缺陷识别方法、装置、设备和存储介质 |
CN117372934A (zh) * | 2023-12-07 | 2024-01-09 | 中国广电四川网络股份有限公司 | 一种视频分析处理的方法、系统、设备及存储介质 |
-
2023
- 2023-01-29 CN CN202310076748.9A patent/CN116012762A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188998A (zh) * | 2023-04-26 | 2023-05-30 | 南方电网数字电网研究院有限公司 | 输电架空线路缺陷识别方法、装置、设备和存储介质 |
CN116188998B (zh) * | 2023-04-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 输电架空线路缺陷识别方法、装置、设备和存储介质 |
CN117372934A (zh) * | 2023-12-07 | 2024-01-09 | 中国广电四川网络股份有限公司 | 一种视频分析处理的方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及系统 | |
CN109271872B (zh) | 一种高压隔离开关分合状态判断与故障诊断装置及方法 | |
CN102143354B (zh) | 基于视频图像处理的输电导线舞动识别计算方法 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN113469654B (zh) | 一种基于智能算法融合的变电站多层次安全管控系统 | |
CN114579791A (zh) | 一种基于作业票的施工安全违章识别方法及系统 | |
KR20220146670A (ko) | 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 | |
CN116740654A (zh) | 基于图像识别技术的变电站作业防控方法 | |
CN104574729A (zh) | 一种报警方法、装置及系统 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN109934161A (zh) | 基于卷积神经网络的车辆识别与检测方法及系统 | |
Sun et al. | Transmission line tower fault identification based on image processing technology | |
CN115690659A (zh) | 一种遮挡条件下的变电站安全检测方法及装置 | |
CN115641431A (zh) | 一种基于改进深度学习的输电线工程车辆检测方法 | |
Batapati et al. | Video analysis for traffic anomaly detection using support vector machines | |
CN115471794A (zh) | 一种基于YOLOv5的智能电厂小目标检测方法及系统 | |
CN114202726A (zh) | 一种基于自监督学习的输电线路场景目标检测方法 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
Chen et al. | An improved faster R-CNN transmission line bolt defect detection method | |
CN114387586A (zh) | 一种基于yolo神经网络的驾驶员专心度检测方法 | |
CN104168473B (zh) | 一种视频图像的横波干扰的检测方法及装置 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
CN117811218B (zh) | 一种无人机输变配一体化协同巡检方法 |
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 |