CN116363536B - 一种基于无人机巡查数据的电网基建设备缺陷归档方法 - Google Patents
一种基于无人机巡查数据的电网基建设备缺陷归档方法 Download PDFInfo
- Publication number
- CN116363536B CN116363536B CN202310626742.4A CN202310626742A CN116363536B CN 116363536 B CN116363536 B CN 116363536B CN 202310626742 A CN202310626742 A CN 202310626742A CN 116363536 B CN116363536 B CN 116363536B
- Authority
- CN
- China
- Prior art keywords
- image
- archiving
- equipment
- images
- detected
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 238000007689 inspection Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000010365 information processing Effects 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Image Analysis (AREA)
Abstract
一种基于无人机巡查数据的电网基建设备缺陷归档方法,先基于无人机巡查数据构建多个分属于不同应用场景的样本图像库,该样本图像库包括设备缺陷样本图像、设备正常样本图像,然后基于无人机巡查数据获取待检测设备图像并对其进行特征提取,再基于提取的图像特征利用KNN算法对待检测设备图像进行应用场景归档,输出归档结果,随后基于图像特征一一计算待检测设备图像与待检测设备图像所属应用场景对应的样本数据库中每个样本图像的相似程度,最后进行相似程度比较,若待检测设备图像与设备缺陷样本图像的相似程度更高,则发出缺陷警告。本设计能快速识别各类设备缺陷隐患,不仅巡检自动化水平高,而且巡检效率高。
Description
技术领域
本发明属于数据归档技术领域,具体涉及一种基于无人机巡查数据的电网基建设备缺陷归档方法。
背景技术
随着电网基建工程项目规模越来越大,施工过程必然会存在许多隐患,基建设备由于暴露在野外,会遭受风雨等自然因素和施工、植树等人为因素的影响,须及时排查,找出缺陷位置和缺陷类型,为保障基建全过程中的安全和质量,需要对电网基建全过程进行巡查。目前通常采用现场查看的方法进行巡查,由于施工场地多分布在荒郊野外,地形复杂,人工巡检不仅耗时多而且不易全面覆盖,而无人机巡检具有受地形限制小、巡检效果好、操作简单、可快速部署、巡检、成本低等优点,因此,亟需一种能够将无人机巡查技术与电网基建设备缺陷检查相结合,智能检测到基建过程中设备存在的缺陷问题,提高巡检效率的方法。
发明内容
本发明的目的是克服现有技术存在的上述问题,提供一种能够提高巡检效率的基于无人机巡查数据的电网基建设备缺陷归档方法。
为实现以上目的,本发明提供了以下技术方案:
一种基于无人机巡查数据的电网基建设备缺陷归档方法,所述电网基建设备缺陷归档方法依次包括以下步骤:
S1、基于无人机巡查数据构建多个分属于不同应用场景的样本图像库,所述样本图像库包括设备缺陷样本图像、设备正常样本图像;
S2、基于无人机巡查数据获得待检测设备图像并对其进行特征提取;
S3、基于步骤S2提取的图像特征利用KNN算法对待检测设备图像进行应用场景归档,输出归档结果;
S4、先基于步骤S2提取的图像特征一一计算待检测设备图像与待检测设备图像所属应用场景对应的样本数据库中每个样本图像的相似程度,然后进行相似程度比较,若待检测设备图像与设备缺陷样本图像的相似程度高于待检测设备图像与设备正常样本图像的相似程度,则发出缺陷警告。
所述步骤S2中的特征提取包括:
S21、利用细节重建模块增强图像效果,所述细节重建模块由两个细节信息处理块组成,将图像输入第一个细节信息处理块,将第一个细节信息处理块的处理结果输入第二个细节信息处理块,第二个细节信息处理块的处理结果即为增强后的图像;
S22、将增强后的图像输入U-Net模型中,该U-Net模型先利用自校准卷积层进行特征提取得到特征图,然后利用池化层降低特征图的特征维度,再利用空间注意力模块捕捉重点特征并对无关特征进行降噪,输出最终特征图。
步骤S21中,所述细节信息处理块包括三个膨胀卷积单元和一个通道注意力单元,将图像输入第一个膨胀卷积单元,将第一个膨胀卷积单元的卷积结果输入第二个膨胀卷积单元,将第二个膨胀卷积单元的卷积结果输入第三个膨胀卷积单元,将第三个膨胀卷积单元的卷积结果输入到通道注意力单元作加权处理,得到处理结果。
步骤S22中,所述最终特征图根据以下公式计算得到:
;
;
上式中,为输出的最终特征图,/>为空间注意力运算,/>为点乘,/>为ReLU激活函数,/>为输入至空间注意力模块的特征图,/>为/>的卷积,/>为全局平均池化,/>为全局最大池化。
所述步骤S4中相似程度越高则相似度值越小,所述相似度根据以下公式计算得到:
;
;
上式中,为待检测设备图像/>与样本图像/>的相似度,/>为待检测设备图像/>中第/>个特征的概率分布,/>为样本图像/>中第/>个特征的概率分布,/>为待检测设备图像/>中第/>个特征的概率分布平均值,W为所有特征的集合。
所述电网基建设备缺陷归档方法还包括步骤S5,所述步骤S5位于步骤S3、步骤S4之间:
S5、构建归档效果评价指标体系,计算步骤S3中归档结果的各归档效果评价指标值,并判断各归档效果评价指标值是否均达到其预期值,若均达到,则输出归档结果,进入步骤S4;若有任意一个未达到,则将步骤S2提取的图像特征输入SVM分类器再次进行分类归档,输出归档结果,进入步骤S4。
步骤S3中,所述归档效果评价指标体系包括准确率、精确度、AUC指标,所述准确率的计算公式为:
;
上式中,TP、TN、FN、FP分别为真归档正确的图像数量、真归档错误的图像数量、假归档正确的图像数量、假归档错误的图像数量;
所述精确度的计算公式为:
;
所述AUC指标的计算公式为:
;
上式中,P1、P2、M、N分别为归档正确的概率、归档错误的概率、归档正确的图像数量、归档错误的图像数量。
所述步骤S1中的应用场景包括导地线及附件场景、杆塔工程场景、塔基础及接地工程场景。
与现有技术相比,本发明的有益效果为:
1、本发明一种基于无人机巡查数据的电网基建设备缺陷归档方法先基于无人机巡查数据构建多个分属于不同应用场景的样本图像库,该样本图像库包括设备缺陷样本图像、设备正常样本图像,然后基于无人机巡查数据获取待检测设备图像并对其进行特征提取,再基于提取的图像特征利用KNN算法对待检测设备图像进行应用场景归档,输出归档结果,随后基于图像特征一一计算待检测设备图像与待检测设备图像所属应用场景对应的样本数据库中每个样本图像的相似程度,最后进行相似程度比较,若待检测设备图像与设备缺陷样本图像的相似程度高于待检测设备图像与设备正常样本图像的相似程度,则发出缺陷警告;该设计将无人机巡查技术与应用场景归档、电网基建设备缺陷识别相结合,不仅提高了巡检自动化水平,而且由于先进行应用场景归档,再基于归档结果进行相似程度比较,以判断是否存在缺陷,减少了用于缺陷比较的样本,大大减少了处理工作量,提高了处理效率,能快速识别各类设备缺陷隐患。因此,本发明能快速识别各类设备缺陷隐患,不仅巡检自动化水平高,而且巡检效率高。
2、本发明一种基于无人机巡查数据的电网基建设备缺陷归档方法中,利用细节重建模块增强图像效果,细节重建模块由两个细节信息处理块组成,第一个细节信息处理块的处理结果为第二个细节信息处理块的输入,该细节信息处理块包括三个膨胀卷积单元和一个通道注意力单元,将图像输入第一个膨胀卷积单元,将第一个膨胀卷积单元的卷积结果输入第二个膨胀卷积单元,将第二个膨胀卷积单元的卷积结果输入第三个膨胀卷积单元,将第三个膨胀卷积单元的卷积结果输入到通道注意力单元作加权处理,输出处理结果;该设计通过膨胀卷积单元提高卷积的感受野,通过通道注意力块提升细节注意力,进而起到图像增强效果,最终提高归档精确度。因此,本发明具有图像增强效果,提高了归档精确度。
附图说明
图1为本发明的流程图。
图2为本发明中细节重建模块的结构图。
图3为本发明中细节信息处理块的结构图。
图4为实施例归档结果的各归档效果评价指标值。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步的说明。
以某电网基建项目场地作为研究对象,利用无人机巡检该场地全区域获得多个图像、视频,点击帧定格导出单帧图片,获得待检测图像合集,采用本发明所述一种基于无人机巡查数据的电网基建设备缺陷归档方法对待检测图像合集进行缺陷识别,参见图1至图3,本发明所述方法具体包括以下步骤:
S1、基于无人机巡查数据构建多个分属于不同应用场景的样本图像库,所述应用场景包括导地线及附件场景、杆塔工程场景、塔基础及接地工程场景,所述样本图像库包括设备缺陷样本图像、设备正常样本图像;
S2、基于无人机巡查数据获得待检测设备图像并对其进行特征提取,所述特征提取具体包括以下步骤:
S21、利用细节重建模块增强图像效果,所述细节重建模块由两个细节信息处理块组成,将图像输入第一个细节信息处理块,将第一个细节信息处理块的处理结果输入第二个细节信息处理块,第二个细节信息处理块的处理结果即为增强后的图像,其中,所述细节信息处理块包括三个膨胀卷积单元和一个通道注意力单元,将数据输入第一个膨胀卷积单元,将第一个膨胀卷积单元的卷积结果输入第二个膨胀卷积单元,将第二个膨胀卷积单元的卷积结果输入第三个膨胀卷积单元,将第三个膨胀卷积单元的卷积结果输入到通道注意力单元作加权处理,得到处理结果;
S22、将增强后的图像输入改进U-Net模型中,该改进U-Net模型采用自校准卷积层代替原U-Net模型中的卷积层,并引入了空间注意力模块;改进U-Net模型先利用自校准卷积层对增强后的图像进行逐层特征提取得到特征图,然后利用池化层降低特征图的特征维度,再利用空间注意力模块捕捉重点特征,对无关特征进行降噪,输出最终特征图,该最终特征图的计算公式为:
;
;
上式中,为输出的最终特征图,/>为空间注意力运算,/>为点乘,/>为ReLU激活函数,/>为输入至空间注意力模块的特征图,/>为/>的卷积,/>为全局平均池化,/>为全局最大池化;
S3、基于步骤S2提取的最终特征图利用KNN算法对待检测设备图像进行应用场景归档,输出归档结果;
S4、构建归档效果评价指标体系,根据步骤S3的归档结果计算各归档效果评价指标值,并判断各归档效果评价指标值是否均达到其预期值0.9,若均达到,则输出归档结果,进入步骤S5;若有任意一个未达到,则将步骤S2提取的图像特征输入支持向量机SVM分类器再次进行分类归档,输出归档结果,进入步骤S5;其中,所述归档效果评价指标体系包括准确率、精确度、AUC指标,所述准确率的计算公式为:
;
上式中,TP、TN、FN、FP分别为真归档正确的图像数量、真归档错误的图像数量、假归档正确的图像数量、假归档错误的图像数量;
所述精确度的计算公式为:
;
所述AUC指标的计算公式为:
;
上式中,P1、P2、M、N分别为归档正确的概率、归档错误的概率、归档正确的图像数量、归档错误的图像数量;
计算得到该待检测图像合集的各归档效果评价指标值如图4所示,由图4可知,各归档效果评价指标值均已达到预期值0.9;
S5、基于步骤S2提取的最终特征图一一计算待检测设备图像与待检测设备图像所属应用场景对应的样本数据库中每个样本图像的相似度,所述相似度根据以下公式计算得到:
;
;
上式中,为待检测设备图像/>与样本图像/>的相似度,/>为待检测设备图像/>中第/>个特征的概率分布,/>为样本图像/>中第/>个特征的概率分布,/>为待检测设备图像/>中第/>个特征的概率分布平均值,W为所有特征的集合;
S6、根据由步骤S5计算得到的相似度进行相似程度比较,相似程度越高则表示相似度值越小,若待检测设备图像与设备缺陷样本图像的相似程度高于待检测设备图像与设备正常样本图像的相似程度,则发出缺陷警告,协助施工单位按照典型施工流程与施工规范进行施工,实现日常巡查过程管控分析,提高巡查过程管控水平。
Claims (7)
1.一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:
所述电网基建设备缺陷归档方法依次包括以下步骤:
S1、基于无人机巡查数据构建多个分属于不同应用场景的样本图像库,所述样本图像库包括设备缺陷样本图像、设备正常样本图像;
S2、基于无人机巡查数据获得待检测设备图像并对其进行特征提取;
S3、基于步骤S2提取的图像特征利用KNN算法对待检测设备图像进行应用场景归档,输出归档结果;
S4、先基于步骤S2提取的图像特征一一计算待检测设备图像与待检测设备图像所属应用场景对应的样本数据库中每个样本图像的相似程度,然后进行相似程度比较,若待检测设备图像与设备缺陷样本图像的相似程度高于待检测设备图像与设备正常样本图像的相似程度,则发出缺陷警告;
步骤S4中相似程度越高则相似度值越小,所述相似度值根据以下公式计算得到:
上式中,D(P||Q)为待检测设备图像P与样本图像Q的相似度值,P(w)为待检测设备图像P中第w个特征的概率分布,Q(w)为样本图像Q中第w个特征的概率分布,M(w)为待检测设备图像P中第w个特征的概率分布平均值,W为所有特征的集合。
2.根据权利要求1所述的一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:
所述步骤S2中的特征提取包括:
S21、利用细节重建模块增强图像效果,所述细节重建模块由两个细节信息处理块组成,将图像输入第一个细节信息处理块,将第一个细节信息处理块的处理结果输入第二个细节信息处理块,第二个细节信息处理块的处理结果即为增强后的图像;
S22、将增强后的图像输入U-Net模型中,该U-Net模型先利用自校准卷积层进行特征提取得到特征图,然后利用池化层降低特征图的特征维度,再利用空间注意力模块捕捉重点特征并对无关特征进行降噪,输出最终特征图。
3.根据权利要求2所述的一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:步骤S21中,所述细节信息处理块包括三个膨胀卷积单元和一个通道注意力单元,将图像输入第一个膨胀卷积单元,将第一个膨胀卷积单元的卷积结果输入第二个膨胀卷积单元,将第二个膨胀卷积单元的卷积结果输入第三个膨胀卷积单元,将第三个膨胀卷积单元的卷积结果输入到通道注意力单元作加权处理,得到处理结果。
4.根据权利要求2或3所述的一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:
步骤S22中,所述最终特征图根据以下公式计算得到:
上式中,Fk为输出的最终特征图,Mk(F)为空间注意力运算,为点乘,δ为ReLU激活函数,F为输入至空间注意力模块的特征图,FN×M为N×M的卷积,avgP(F)为全局平均池化,maxP(F)为全局最大池化。
5.根据权利要求1-3中任一项所述的一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:
所述电网基建设备缺陷归档方法还包括步骤S5,所述步骤S5位于步骤S3、步骤S4之间:
S5、构建归档效果评价指标体系,计算步骤S3中归档结果的各归档效果评价指标值,并判断各归档效果评价指标值是否均达到其预期值,若均达到,则输出归档结果,进入步骤S4;若有任意一个未达到,则将步骤S2提取的图像特征输入SVM分类器再次进行分类归档,输出归档结果,进入步骤S4。
6.根据权利要求5所述的一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:
步骤S3中,所述归档效果评价指标体系包括准确率、精确度、AUC指标,所述准确率的计算公式为:
上式中,TP、TN、FN、FP分别为真归档正确的图像数量、真归档错误的图像数量、假归档正确的图像数量、假归档错误的图像数量;
所述精确度的计算公式为:
所述AUC指标的计算公式为:
上式中,P1、P2、M、N分别为归档正确的概率、归档错误的概率、归档正确的图像数量、归档错误的图像数量。
7.根据权利要求1-3中任一项所述的一种基于无人机巡查数据的电网基建设备缺陷归档方法,其特征在于:
步骤S1中的应用场景包括导地线及附件场景、杆塔工程场景、塔基础及接地工程场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626742.4A CN116363536B (zh) | 2023-05-31 | 2023-05-31 | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626742.4A CN116363536B (zh) | 2023-05-31 | 2023-05-31 | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363536A CN116363536A (zh) | 2023-06-30 |
CN116363536B true CN116363536B (zh) | 2023-08-11 |
Family
ID=86938710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626742.4A Active CN116363536B (zh) | 2023-05-31 | 2023-05-31 | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363536B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958752B (zh) * | 2023-09-20 | 2023-12-15 | 国网湖北省电力有限公司经济技术研究院 | 一种基于ipkcnn-svm的电网基建建筑归档方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647736A (zh) * | 2018-05-16 | 2018-10-12 | 南京大学 | 一种基于感知损失和匹配注意力机制的图像分类方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
EP3579185A1 (en) * | 2018-06-05 | 2019-12-11 | Tata Consultancy Services Limited | Systems and methods for data acquisition and asset inspection in presence of magnetic interference |
CN111696168A (zh) * | 2020-06-13 | 2020-09-22 | 中北大学 | 基于残差自注意力图像增强的高倍速采mri重建方法 |
CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
CN115601751A (zh) * | 2022-10-31 | 2023-01-13 | 中国人民解放军国防科技大学(Cn) | 一种基于领域泛化的眼底图像语义分割方法 |
WO2023061049A1 (zh) * | 2021-10-11 | 2023-04-20 | 国网智能科技股份有限公司 | 一种配网车载智能巡检机器人系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11604448B2 (en) * | 2019-07-29 | 2023-03-14 | Pacific Gas And Electric Company | Electric power grid inspection and management system |
-
2023
- 2023-05-31 CN CN202310626742.4A patent/CN116363536B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647736A (zh) * | 2018-05-16 | 2018-10-12 | 南京大学 | 一种基于感知损失和匹配注意力机制的图像分类方法 |
EP3579185A1 (en) * | 2018-06-05 | 2019-12-11 | Tata Consultancy Services Limited | Systems and methods for data acquisition and asset inspection in presence of magnetic interference |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
CN111696168A (zh) * | 2020-06-13 | 2020-09-22 | 中北大学 | 基于残差自注意力图像增强的高倍速采mri重建方法 |
CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
WO2023061049A1 (zh) * | 2021-10-11 | 2023-04-20 | 国网智能科技股份有限公司 | 一种配网车载智能巡检机器人系统及方法 |
CN115601751A (zh) * | 2022-10-31 | 2023-01-13 | 中国人民解放军国防科技大学(Cn) | 一种基于领域泛化的眼底图像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
基于无人机图像识别技术的输电线路缺陷检测;李宁;郑仟;谢贵文;陈炜;;电子设计工程(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116363536A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN111428625A (zh) | 一种基于深度学习的交通场景目标检测方法及系统 | |
CN116363536B (zh) | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 | |
CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
CN112069955B (zh) | 基于深度学习的台风强度遥感反演方法 | |
CN110599458A (zh) | 基于卷积神经网络的地下管网检测评估云系统 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN110599460A (zh) | 基于混合卷积神经网络的地下管网检测评估云系统 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN113989742A (zh) | 一种基于多尺度特征融合的核电站厂区行人检测方法 | |
CN117217103B (zh) | 基于多尺度注意力机制的星载sar海杂波生成方法及系统 | |
CN116805435B (zh) | 一种数电机房智能巡检装置 | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
CN117218613B (zh) | 一种车辆抓拍识别系统及方法 | |
CN117095216B (zh) | 基于对抗生成网络的模型训练方法、系统、设备及介质 | |
CN116310791B (zh) | 基于建筑物震害检测的极灾区快速判定方法及电子设备 | |
CN118072205B (zh) | 基于特征变换和样本优化的无人机航拍小目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |