CN116797977A - 巡检机器人动态目标识别与测温方法、装置和存储介质 - Google Patents
巡检机器人动态目标识别与测温方法、装置和存储介质 Download PDFInfo
- Publication number
- CN116797977A CN116797977A CN202310773360.4A CN202310773360A CN116797977A CN 116797977 A CN116797977 A CN 116797977A CN 202310773360 A CN202310773360 A CN 202310773360A CN 116797977 A CN116797977 A CN 116797977A
- Authority
- CN
- China
- Prior art keywords
- temperature
- target
- random
- detected
- visible light
- 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 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000001931 thermography Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 13
- 238000009529 body temperature measurement Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000037831 Polygonatum sibiricum Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- 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
- 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
Abstract
本发明公开了一种巡检机器人动态目标识别与测温方法、装置和存储介质，方法包括步骤：对巡检机器人上搭载的可见光相机和红外相机进行匹配；采集待检测目标的实时视频流和红外热成像图像；使用边缘计算板对实时视频流进行检测，如果检测到目标，确定检测框的位置信息；通过检测框的位置信息，确定所述目标在热成像画面中的位置，并提取检测框区域内的温度信息；判断温度信息是否正常，如果温度异常，则发出警报。本发明将从视觉特征检测到的物体位置信息匹配到红外热成像图像中，检测结果更准确，不易受到环境异常温度的干扰，具备更优的鲁棒性。
Description
技术领域
本发明涉及巡检机器人技术领域，具体涉及一种基于深度学习的巡检机器人动态目标识别与测温方法、装置和存储介质。
背景技术
随着巡检机器人技术的进步，越来越多的工业现场应用了巡检机器人来替代人力进行巡检任务，有效提升检测效率，监测范围，信息数字化以及实时性，降低人力成本，减少人员伤亡。伴随着传感器技术，人工智能技术的高速发展，智能巡检机器人与各种新技术的结合日益紧密，出现了多种新的功能。智能巡检动态测温在巡检任务中有着非常重要的地位，通过度工业设备的实时测温，来检测设备的运行状态，及时发现温度异常的设备，从而消除安全隐患，保障生产效率。
目前具备测温功能的巡检机器人主要采用红外热成像来获取温度信息。如何准确给特定的物体测温，目前的方法包括固定巡检和测温流程，针对热成像图像进行目标检测和提取目标轮廓，以及同时针对可见光和热成像进行目标检测，然后缩放至同一分辨率。
固定巡检和测温流程，只适用于位置固定的工业设备，没有外部干扰的工业场所，缺乏对意外情况的应对能力；对热成像进行特征提取来判断物体，受到温度的影响比较大，无法有效利用丰富的视觉特征，因此只适用于物体温度与环境差别较大且界限分明的场景。对可见光与热成像同时进行特征轮廓提取，然后再缩放至同一分辨率，但是呈现热成像特征与视觉检测的特征各有不同，热成像受到环境中温度的影响大，导致缩放后检测结果匹配有一定的误差，不能达到很好地识别效果。
发明内容
技术目的：针对上述技术问题，本发明提出了一种巡检机器人动态目标识别与测温方法、装置和存储介质，可以同时利用视觉特征和热成像特征来定位目标，检测结果更准确，不易受到环境异常温度的干扰，具备更优的鲁棒性。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种巡检机器人动态目标识别与测温方法，其特征在于，包括步骤：
(1)对巡检机器人上搭载的可见光相机和红外相机进行匹配，使两个相机获取的图像分辨率尺寸差异在预设范围内；
(2)通过所述可见光相机采集待检测目标的实时视频流，通过所述红外相机采集待检测目标的红外热成像图像；
(3)使用边缘计算板对实时视频流进行检测，如果检测到目标，确定检测框的位置信息，其中，所述边缘计算板设有预先经过训练的目标检测模型；
(4)通过检测框的位置信息，确定所述目标在热成像画面中的位置，并提取检测框区域内的温度信息，包括温度最高值、温度最低值和温度均值；
(5)判断所述温度信息是否正常，如果温度异常，则发出警报。
作为优选，所述目标检测模型以如下步骤完成预先训练：
通过巡检机器人上搭载的可见光相机采集待检测目标在多种场景下的视频流；
将采集的视频流按照预设的间隔抽取帧图像；
对帧图像进行第一次预处理，包括随机gamma亮度增强和随机高斯模糊处理，得到图像数据集，将图像数据集分为训练集和验证集；随机gamma亮度增强操作：
gamma＝random.uniform(0.5,2)
其中random.uniform表示从(0.5,2)范围内随机取一浮点数作为参数gamma，I表示输入图像，Iout表示输出图像，round表示浮点数取整操作；
加载训练集中的图像，进行第二次预处理，包括随机缩放、随机裁减、随机旋转和随机翻转处理；
将第二次预处理后的图像缩放至统一尺寸送入预先构建的神经网络，选取预训练模型进行训练；
预训练模型训练结束后，通过量化器将神经网络的权重文件类型由pt文件转换为边缘云计算板支持的rknn文件，得到所述目标检测模型。
作为优选，所述量化器使用从训练集中抽取的图像训练。
作为优选，所述神经网络采用Yolov5网络，预训练模型为Yolov5网络下的权重文件。
作为优选，步骤(1)中，对巡检机器人上搭载的可见光相机和红外相机进行匹配，具体包括：
将可见光相机进行定焦，调试红外相机焦距，使得两个相机的视长角重合；
对可见光相机与红外相机获取的实时画面进行包括校准、灰度化、特征提取、特征匹配、几何变换在内的处理，将两个相机的分辨率裁剪为同一尺寸，使画面中可作为特征点的像素点位置对齐。
一种巡检机器人动态目标识别与测温装置，其特征在于，包括：
视频流采集模块，用于通过所述可见光相机采集待检测目标的实时视频流，通过所述红外相机采集待检测目标的红外热成像图像；
实时视频流处理模块，用于使用边缘计算板对实时视频流进行检测，如果检测到目标，确定检测框的位置信息，其中，所述边缘计算板设有预先经过训练的目标检测模型；
温度信息提取模块，用于通过所述检测框的位置信息，确定所述目标在热成像画面中的位置，并提取检测框区域内的温度信息，包括温度最高值、温度最低值和温度均值；
判断输出模块，用于判断所述温度信息是否正常，如果温度异常，则发出警报。
作为优选，所述装置设有交换机和web端，通过交换机通过连接web端，所述web端显示实时报警和图片信息。
一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。
有益效果：由于采用了上述技术方案，本发明具有如下有益效果：
本发明可以根据从视觉特征检测到的物体位置信息匹配到红外热成像图像中，相比于直接在热成像图像中进行轮廓提取和目标检测，本发明能够适应大部分场景，利用更为丰富的视觉特征信息，不易受到环境异常温度的干扰，具备更优的鲁棒性。
本发明提供了基于深度学习的方法，灵敏度更高，更加快速的检测到目标设备并快速提取到目标温度，准确性高。
附图说明
图1为实施例一中基于深度学习的巡检机器人动态目标识别与测温方法的流程图；
图2为实施例一中的目标检测模型的训练流程图；
图3为实施例二中的巡检机器人与web端连接的示意图。
具体实施方式
下面结合附图对本发明的实施例作详细的说明。
本发明提出一种基于深度学习的巡检机器人动态目标识别与测温方法及装置，相比与传统的设备测温方法，本发明将实时检测测温功能搭载到巡检机器人中，能够从可见光相机提供的视觉特征中快速准确地定位到目标设备，输出目标位置信息。通过将可见光相机与红外热成像相机进行过匹配，可以根据从视觉特征检测到的物体位置信息匹配到红外热成像图像中。相比于直接在热成像图像中进行轮廓提取和目标检测，本发明能够适应大部分场景，能够利用更为丰富的视觉特征信息，不会受到环境异常温度的干扰，具备更优的鲁棒性。
实施例一：
如图1和图2所示，本实施例提出的基于深度学习的巡检机器人动态目标识别与测温方法，包括步骤：
S1：使用巡检机器人上的可见光相机采集待检测目标的实时视频流，制作数据集；
S2：训练阶段，根据采集数据集训练目标检测模型并进行模型转换；
S3：固定机器人的可见光相机与红外相机的位置，对两个相机进行匹配；
S4：边缘计算板实时检测可见光相机的视频流，如果检测到目标，将目标的检测框匹配到红外相机获取的实时热成像图像中的相对位置。
S5：提取检测框区域内温度最高值，温度最低值和温度均值。判断是否温度异常，如果温度异常，则将警报和图片传送到web上。
进一步的，在步骤S1中，所述的预处理包括以下步骤：
S11：可见光相机采集目标设备各类场景下的视频流；
S12：将视频流按照合适的间隔抽取帧图像；
S13：预处理时，采用随机gamma亮度增强，随机高斯模糊，扩充数据集；
其中，随机gamma亮度增强操作如下：
gamma＝random.uniform(0.5,2)
random.uniform表示从(0.5,2)范围内随机取一浮点数作为参数gamma，I表示输入图像，Iout表示输出图像，round表示浮点数取整操作。
进一步的，步骤S2中，所述训练检测模型的流程包括以下步骤：
S21：可见光相机采集的视频数据，转换为帧图像，用标注工具对帧图像上的设备进行数据标注，即标注其中的检测目标，生成数据标注文件；
S22：将图像和数据标注文件分为数据集和验证集，数据集划分为多个训练集；
S23：对加载划分到训练集中的图像进行一系列预处理，其中包括随机缩放、随机裁减、一定范围内随机旋转、随机翻转；
S24：将图像缩放至统一尺寸送入网络，选取预训练模型进行训练，如送入Yolov5的目标检测网络，预训练模型指的是Yolov5的目标检测网络结构下的一个权重文件。加载预训练模型，可以给目标检测网络提供一个初始的权重值。
S25：模型训练结束后，将目标检测神经网络经过训练后生成的权重文件即模型文件量化转换为边缘计算板支持的模型类型。
本发明中，网络训练模型后的权重文件类型是pt文件，需要转换为边缘计算板支持的类型：rknn文件，在转换的过程中需要一部分量化图像，量化图像只需要从原始数据集中抽取几百张原始图片即可，量化图片的作用是为了训练一个量化器，这个量化器会根据图片的像素值范围来决定如何将这些值映射为一个有限的集合。这种方式可以将图像数据从原始的浮点数表示，压缩为固定大小的整数表示，从而减小模型在嵌入式设备上的存储和计算负担。
本发明中，可视为模型的训练在服务器端，模型的推理在边缘计算板端。在服务器端的网络模型(目标检测网络)训练好权重文件(pt)后，需要通过转换，转换成支持边缘计算板的权重文件(rknn)，而rknn类型的权重文件支持边缘计算板这一端的网络模型(目标检测网络)。此外，相较于以往的可见光图像技术，本发明采用成本更低的边缘计算板进行目标检测推理，将目标检测算法应用于可见光视频流的目标检测任务中，同时将可见光检测到的信息更好地匹配到热成像的画面中来，采用了新的可见光与热成像的匹配方法，更加准确与高效。
并且，步骤S23中，选取的预训练模型是YOLOv5s.pt模型。
进一步的，步骤S3中，将可见光相机进行定焦，调试红外热成像相机焦距，使得2个相机的视长角一定范围内重合。然后两个相机的实时画面通过一些列图像处理，分辨率裁剪为同一尺寸，在一定距离内像素点基本对齐，即，画面中的一些可作为特征点(校准板)的像素点基本对齐。
图像处理包括校准、灰度化、特征提取、特征匹配和几何变换等。
校准：首先需要对两个相机进行校准，以确保它们拍摄的是同一场景。这可以通过在场景中放置一个具有已知形状和大小的校准板来实现。通过在两个相机中分别拍摄这个校准板，并使用标定算法来确定它们之间的转换矩阵。
灰度化：将两个相机的图像转换为灰度图像。这可以通过对彩色图像进行灰度化处理来实现，其中每个像素的灰度值是其红色、绿色和蓝色分量的平均值。
特征提取：对于每个相机的灰度图像，使用特征提取算法SIFT来检测关键点和描述符。这将产生一个包含每个关键点及其描述符的列表。
特征匹配：使用特征匹配算法FLANN来比较每个相机中的关键点及其描述符，并找到它们之间的匹配点对。这将产生一个包含每个匹配点对的列表。
几何变换：使用RANSAC算法来估计两个相机之间的几何变换，以使匹配点对对齐。这可以通过估计旋转，平移，裁剪来实现。
上述步骤S4中，开发板实时检测可见光的rtsp视频流，对画面中的目标进行实时目标检测，如果检测到目标，通过检测框的信息确定在热成像画面中的目标位置。
步骤S5中，提取热成像目标所在区域内的温度极值和均值，然后通过业务后处理程序，判断是否存在温度异常。如果温度存在异常，则将警报信息通过交换机传到web端。
本发明通过在现场采集各类场景下的设备视频流数据，经过预处理生成一定数量的数据集，导入预训练模型，再通过量化转换生成能够在边缘计算板实时目标检测的网络模型。当识别的目标设备置信度超过设置的阈值，就表示识别到目标设备一旦检测到目标设备，则通过匹配检测框获取目标设备的温度信息。根据一系列逻辑判断，实现实时监测设备温度异常的功能。相比传统的设备测温方式，本发明能够适应各种复杂环境，更加快速准确地定位到目标设备并快速地提取温度数据进行判断。
本发明中的边缘计算板，能够实现目标检测的功能，将目前更加前沿的目标检测算法应用于可见光视频流的目标检测任务中。关于边缘检测算法的内容，在相关参考文献有介绍，如《AI边缘计算在工业视觉识别系统中的应用》(现代传输.2022(06)，周富林，黄靖)，以及《边缘计算：现状与展望》(计算机研究与发展.2019,56(01)，施巍松，张星洲，王一帆，张庆阳)。
实施例二
本实施例提供一种基于深度学习的巡检机器人动态目标识别与测温装置，可用于实现实施例一所述方法，装置包括：
视频流采集模块，用于通过所述可见光相机采集待检测目标的实时视频流，通过所述红外相机采集待检测目标的红外热成像图像；
实时视频流处理模块，用于使用边缘计算板对实时视频流进行检测，如果检测到目标，确定检测框的位置信息，其中，所述边缘计算板设有预先经过训练的目标检测模型；
温度信息提取模块，用于通过所述检测框的位置信息，确定所述目标在热成像画面中的位置，并提取检测框区域内的温度信息，包括温度最高值、温度最低值和温度均值；
判断输出模块，用于判断所述温度信息是否正常，如果温度异常，则发出警报。
如图3所示，巡检机器人上搭载可见光相机、红外相机和边缘计算板，通过交换机与web端实现通信，即可实现实时监控，方便存储告警记录，告警记录实时上传，能够帮助工作人员第一时间发现设备的异常温度，排除安全隐患。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (8)
1.一种巡检机器人动态目标识别与测温方法，其特征在于，包括步骤：
(1)对巡检机器人上搭载的可见光相机和红外相机进行匹配，使两个相机获取的图像分辨率尺寸差异在预设范围内；
(2)通过所述可见光相机采集待检测目标的实时视频流，通过所述红外相机采集待检测目标的红外热成像图像；
(3)使用边缘计算板对实时视频流进行检测，如果检测到目标，确定检测框的位置信息，其中，所述边缘计算板设有预先经过训练的目标检测模型；
(4)通过检测框的位置信息，确定所述目标在热成像画面中的位置，并提取检测框区域内的温度信息，包括温度最高值、温度最低值和温度均值；
(5)判断所述温度信息是否正常，如果温度异常，则发出警报。
2.根据权利要求1所述的巡检机器人动态目标识别与测温方法，其特征在于，所述目标检测模型以如下步骤完成预先训练：
通过巡检机器人上搭载的可见光相机采集待检测目标在多种场景下的视频流；
将采集的视频流按照预设的间隔抽取帧图像；
对帧图像进行第一次预处理，包括随机gamma亮度增强和随机高斯模糊处理，得到图像数据集，将图像数据集分为训练集和验证集；随机gamma亮度增强操作：
gamma＝random.uniform(0.5,2)
其中random.uniform表示从(0.5,2)范围内随机取一浮点数作为参数gamma，I表示输入图像，Iout表示输出图像，round表示浮点数取整操作；
加载训练集中的图像，进行第二次预处理，包括随机缩放、随机裁减、随机旋转和随机翻转处理；
将第二次预处理后的图像缩放至统一尺寸送入预先构建的神经网络，选取预训练模型进行训练；
预训练模型训练结束后，通过量化器将神经网络的权重文件类型由pt文件转换为边缘云计算板支持的rknn文件，得到所述目标检测模型。
3.根据权利要求2所述的巡检机器人动态目标识别与测温装置，其特征在于：所述量化器使用从训练集中抽取的图像训练。
4.根据权利要求2所述的巡检机器人动态目标识别与测温装置，其特征在于：所述神经网络采用Yolov5网络，预训练模型为Yolov5网络下的权重文件。
5.根据权利要求1所述的巡检机器人动态目标识别与测温方法，其特征在于，步骤(1)中，对巡检机器人上搭载的可见光相机和红外相机进行匹配，具体包括：
将可见光相机进行定焦，调试红外相机焦距，使得两个相机的视长角重合；
对可见光相机与红外相机获取的实时画面进行包括校准、灰度化、特征提取、特征匹配、几何变换在内的处理，将两个相机的分辨率裁剪为同一尺寸，使画面中可作为特征点的像素点位置对齐。
6.一种巡检机器人动态目标识别与测温装置，其特征在于，包括：
视频流采集模块，用于通过所述可见光相机采集待检测目标的实时视频流，通过所述红外相机采集待检测目标的红外热成像图像；
实时视频流处理模块，用于使用边缘计算板对实时视频流进行检测，如果检测到目标，确定检测框的位置信息，其中，所述边缘计算板设有预先经过训练的目标检测模型；
温度信息提取模块，用于通过所述检测框的位置信息，确定所述目标在热成像画面中的位置，并提取检测框区域内的温度信息，包括温度最高值、温度最低值和温度均值；
判断输出模块，用于判断所述温度信息是否正常，如果温度异常，则发出警报。
7.根据权利要求6所述的巡检机器人动态目标识别与测温装置，其特征在于：所述装置设有交换机和web端，通过交换机通过连接web端，所述web端显示实时报警和图片信息。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310773360.4A CN116797977A (zh) | 2023-06-28 | 2023-06-28 | 巡检机器人动态目标识别与测温方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310773360.4A CN116797977A (zh) | 2023-06-28 | 2023-06-28 | 巡检机器人动态目标识别与测温方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797977A true CN116797977A (zh) | 2023-09-22 |
Family
ID=88034163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310773360.4A Pending CN116797977A (zh) | 2023-06-28 | 2023-06-28 | 巡检机器人动态目标识别与测温方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797977A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117405734A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 气泡位置确定方法、装置、电子设备及存储介质 |
| CN117575165A (zh) * | 2023-12-05 | 2024-02-20 | 浙江万胜智通科技有限公司 | 一种数字化配电网的智能巡检管理方法及系统 |
-
2023
- 2023-06-28 CN CN202310773360.4A patent/CN116797977A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575165A (zh) * | 2023-12-05 | 2024-02-20 | 浙江万胜智通科技有限公司 | 一种数字化配电网的智能巡检管理方法及系统 |
| CN117405734A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 气泡位置确定方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
| CN106570899B (zh) | 一种目标物体检测方法及装置 | |
| CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
| CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN102706274A (zh) | 工业结构化场景中机器视觉精确定位机械零件的系统 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN106846304B (zh) | 基于红外检测的电气设备检测方法及装置 | |
| CN115171361B (zh) | 一种基于计算机视觉的危险行为智能检测预警方法 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN112419261A (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
| CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| CN113873229B (zh) | 一种图像坏点检测方法、系统及装置 | |
| CN115049955A (zh) | 一种基于视频分析技术的火灾探测分析方法及装置 | |
| CN113095445B (zh) | 一种目标识别方法及装置 | |
| CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
| 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 | |
| CN110532993B (zh) | 一种人脸防伪方法、装置、电子设备及介质 | |
| CN108615057B (zh) | 一种基于cnn的电缆隧道照明设备的异常识别方法 | |
| CN111678558A (zh) | 一种应用于充油设备的红外热成像油位、温度监测系统及方法 | |
| CN115424189B (zh) | 一种可对象状态识别防漏检的图像识别系统及方法 | |
| CN113902739B (zh) | Nut线夹缺陷识别方法、装置及设备、可读存储介质 | |
| CN113628255B (zh) | 一种三光融合无损检测图像配准算法 | |
| CN116912721B (zh) | 一种基于单目立体视觉的配电网设备本体识别方法及系统 |
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 |