CN116935245B - 一种长距离通信的电网无人机巡检系统及方法 - Google Patents
一种长距离通信的电网无人机巡检系统及方法 Download PDFInfo
- Publication number
- CN116935245B CN116935245B CN202310722098.0A CN202310722098A CN116935245B CN 116935245 B CN116935245 B CN 116935245B CN 202310722098 A CN202310722098 A CN 202310722098A CN 116935245 B CN116935245 B CN 116935245B
- Authority
- CN
- China
- Prior art keywords
- inspection
- unmanned aerial
- transmission line
- aerial vehicle
- line
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 101
- 238000004891 communication Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012790 confirmation Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012876 topography 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Locating Faults (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于无人机自主巡检领域,提供了一种长距离通信的电网无人机巡检系统及方法,包括获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检分控制中心;其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;将不同时刻的线路图像的目标识别结果进行信息融合;基于融合后的目标识别结果,确定故障识别结果。本发明通过对输电线路同一采集点不同时刻的线路图像进行目标识别并融合。
Description
技术领域
本发明属于无人机自主巡检技术领域,具体涉及一种长距离通信的电网无人机巡检系统及方法。
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。
传统的输电线路人工巡检的模式暴露出效率较低,人员安全保障困难等问题。因此,电力巡检向自动化和智能化发展是必然趋势。无人机巡检不仅效率高,还能保证人员安全性,可实现自动化、智能化作业,大幅提升电网运行的可靠性,保障电网的运行安全。
与人工巡检相比,无人机巡检具有巡检效率高、成本低、安全性高、效果好的优势。高压架空输电线路架设在比较复杂的地理环境中,传统的人工巡检需要巡检人员步行至输电线路附近使用望远镜等工具观察线路情况,耗费时间长、检测成本高、效果难以保障;使用无人机检测,其飞行速度是人员步行的10倍以上,且人员不需要到达现场,避免了地形、距离的不利影响,直接操控无人机飞行至需检测线路,因此检测成本更低、时间更短、更安全。传统人工检测时,检测效果与检测人员的经验、现场环境关系较大,情况复杂时不能完全检测出线路异常;使用无人机进行检测,无人机可手动或按照设定的航线飞行,只要相机采集到的图像就可自动检测,大大提高了检测的质量。此外,无人机巡检使用图像识别技术可以快速发现线路异常并将图像传输给检测人员,利用无人机进行近距离、多角度检测,更容易发现和判断异常情况。
目前巡检无人机可以实现对架空线路的塔杆、金具、绝缘子、基础、附属设施、通道等进行检测,但是主要方式仍然依赖于人工操控无人机,巡检质量依赖于飞手经验,存在拍摄照片型式标准不同、照片质量参差等问题,亟需开展智能化巡检技术,提高巡检质量。在无人机架空线路巡检过程中,从模型建立、到精细化巡检,降低了巡检人员手动操作的要求,提升了数据标准化。但是其需要事先进行数据采集,目标点拍摄角度、巡检路径固定,覆盖细节不足,无法判断设备状态等问题。可以在无人机的基础上,结合架空线路巡检特点进行功能和软件系统的优化,实现了更规范、高质量的自动巡检。此外,目前无人机架空线路巡检仍仅局限于信息采集,再离线进行人工缺陷检测,由于拍摄图像数量巨大、周边环境复杂多变,人工判别线路故障依赖经验,工作量大,误检率高,难以满足架空线路巡检快速准确性要求。与此同时,随着人工智能,深度学习技术的发展,图像识别算法得到广泛应用,因此,架空线路故障智能检测技术研究也取得了一定进展,针对检测结果可信性指标,构建不同的Transformer网络编码层自适应调整机制,体高功率检测精度,还可以通过轻型化与剪枝技术,降低了对服务器硬件要求,为电力设备缺陷无监督检测提供了参考。虽然目前架空线路缺陷检测技术有了长足的进步,但是仍普遍存在计算量要求高、计算时间长、泛化性差等问题。因此面对架空线路的设备场景多、故障类型复杂等特点,小样本、高泛化性缺陷检测技术,以及低计算量、硬件化边缘部署技术有着广阔的研究前景。
发明内容
为了解决上述问题,本发明提出了一种长距离通信的电网无人机巡检系统及方法,本发明通过对输电线路同一采集点上不同时刻的线路图像进行目标识别,并将目标识别结果进行融合,增大巡检数据的目标信息,提高巡检故障识别的精度。
根据一些实施例,本发明的第一方案提供了一种长距离通信的电网无人机巡检方法,采用如下技术方案:
一种长距离通信的电网无人机巡检方法,包括:
获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;
基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;
根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检控制中心;
其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:
基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
将不同时刻的线路图像的目标信息结果进行信息融合;
基于融合后的目标信息结果,确定故障识别结果。
进一步地,所述获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理,具体为:
利用无人机以固定时间间隔获取输电线路上同一采集点不同时刻的原始线路图像;
对原始线路图像进行图像去噪;
对去噪后的线路图像进行图像灰度化;
对灰度化后的线路图像进行图像增强,得到预处理后的线路图像。
进一步地,所述输电线路故障检测模型,包括:
并列连接的多个卷积层,用于对不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
连接层,用于将多个卷积层的输出进行信息融合;
全连接层,用于根据融合后的目标信息结果进行分类,确定故障识别结果。
进一步地,所述输电线路故障检测模型还包括ReLU激活函数层以及与卷积层连接的最大池化层。
进一步地,所述巡检控制中心会根据反馈的确认结果,下发巡检核实指令给对应位置处的巡检分控制中心,对输电线路相应位置再进行人工巡检核实。
根据一些实施例,本发明的第二方案提供了一种长距离通信的电网无人机巡检系统,采用如下技术方案:
一种长距离通信的电网无人机巡检系统,包括巡检无人机,所述巡检无人机,包括:
图像采集模块,被配置为获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;
巡检识别模块,被配置为基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;
其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:
基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
将不同时刻的线路图像的目标信息结果进行信息融合;
基于融合后的目标信息结果,确定故障识别结果;
巡检确认发送模块,被配置为根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检控制中心。
进一步地,还包括:
通信模块,用于与输电线路上的通信子模块以及巡检分控制中心进行数据通信;
输电线路上的不同采集点,所述采集点上设置有通信子模块,用于与巡检无人机的通信模块进行通信确认,并反馈采集指令给巡检无人机通信模块。
进一步地,还包括:
巡检控制中心,用于与巡检无人机以及巡检分控制中心进行数据通信;
巡检分控制中心,设置在输电线路不同区域中,用于获取当前区域内的巡检结果以及输电线路的运行状态,并与巡检无人机以及巡检控制中心进行数据通信。
根据一些实施例,本发明的第三方案提供了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第一个方面所述的一种长距离通信的电网无人机巡检方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
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第一个方面所述的一种长距离通信的电网无人机巡检方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明通过提供一种新的输电线路故障检测模型,将输电线路同一采集点上不同时刻的线路图像进行数据融合,以增大巡检对象的数据信息,同时基于融合后的线路图像,能够将不同场景下的输电线路的图像进行融合,降低数据样本的数据量,同时提高巡检故障识别的精度。
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是本发明实施例中一种长距离通信的电网无人机巡检方法的流程图;
图2是本发明实施例中一种长距离通信的电网无人机巡检系统的结构框图。
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。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示,本实施例提供了一种长距离通信的电网无人机巡检方法。本实施例中,该方法包括以下步骤:
获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;
基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;
根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检控制中心;
其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:
基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
将不同时刻的线路图像的目标信息结果进行信息融合;
基于融合后的目标信息结果,确定故障识别结果。
具体地实施例中,所述获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理,具体为:
利用无人机以固定时间间隔获取输电线路上同一采集点不同时刻的原始线路图像;
对原始线路图像进行图像去噪;
对去噪后的线路图像进行图像灰度化;
对灰度化后的线路图像进行图像增强,得到预处理后的线路图像。
具体地实施例中,所述输电线路故障检测模型,包括:
并列连接的多个卷积层,用于对不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
连接层,用于将多个卷积层的输出进行信息融合;
全连接层,用于根据融合后的目标信息结果进行分类,确定故障识别结果。
所述输电线路故障检测模型还包括ReLU激活函数层以及与卷积层连接的最大池化层。
其中,最大池化层的作用,首要作用,下采样;降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量、减小内存消耗等;实现非线性;扩大感知野。实现不变性,其中不变形性包括,平移不变性、旋转不变性和尺度不变性。
输电线路故障检测模型的训练过程,具体为:
获取同一采集点不同时刻的历史原始图像,并针对该原始图像对应的故障类型对历史原始图像进行图像标注;
将标注好的历史原始图像进行预处理,得到线路图像样本数据集;
将线路图像样本数据集进行拆分,得到训练集和测试集;
基于训练集,对输电线路故障检测模型进行训练,直到该模型的损失收敛,得到训练好的输电线路故障检测模型;
基于测试集,对训练好的输电线路故障检测模型进行测试。
所述巡检控制中心会根据反馈的确认结果,下发巡检核实指令给对应位置处的巡检分控制中心,对输电线路相应位置再进行人工巡检核实。
实施例二
如图2所示,本实施例提供了一种长距离通信的电网无人机巡检系统,包括巡检无人机,所述巡检无人机,包括:
图像采集模块,被配置为获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;
巡检识别模块,被配置为基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;
其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:
基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
将不同时刻的线路图像的目标信息结果进行信息融合;
基于融合后的目标信息结果,确定故障识别结果;
巡检确认发送模块,被配置为根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检控制中心。
该系统还包括:
通信模块,用于与输电线路上的通信子模块以及巡检分控制中心进行数据通信;
输电线路上的不同采集点,所述采集点上设置有通信子模块,用于与巡检无人机的通信模块进行通信确认,并反馈采集指令给巡检无人机通信模块。
该系统还包括:
巡检控制中心,用于与巡检无人机以及巡检分控制中心进行数据通信;
巡检分控制中心,设置在输电线路不同区域中,用于获取当前区域内的巡检结果以及输电线路的运行状态,并与巡检无人机以及巡检控制中心进行数据通信。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,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,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
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实施例一所述的一种长距离通信的电网无人机巡检方法中的步骤。
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实施例一所述的一种长距离通信的电网无人机巡检方法中的步骤。
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(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种长距离通信的电网无人机巡检方法,其特征在于,包括:
获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;
基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;
根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检控制中心;
其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:
基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
将不同时刻的线路图像的目标信息结果进行信息融合;
基于融合后的目标信息结果,确定故障识别结果;
所述输电线路故障检测模型,包括:
并列连接的多个卷积层,用于对不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
连接层,用于将多个卷积层的输出进行信息融合;
全连接层,用于根据融合后的目标信息结果进行分类,确定故障识别结果;
所述输电线路故障检测模型还包括ReLU激活函数层以及与卷积层连接的最大池化层。
2.如权利要求1所述的一种长距离通信的电网无人机巡检方法,其特征在于,所述获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理,具体为:
利用无人机以固定时间间隔获取输电线路上同一采集点不同时刻的原始线路图像;
对原始线路图像进行图像去噪;
对去噪后的线路图像进行图像灰度化;
对灰度化后的线路图像进行图像增强,得到预处理后的线路图像。
3.如权利要求1所述的一种长距离通信的电网无人机巡检方法,其特征在于,所述巡检控制中心会根据反馈的确认结果,下发巡检核实指令给对应位置处的巡检分控制中心,对输电线路相应位置再进行人工巡检核实。
4.一种基于如权利要求1-3任一项所述方法的长距离通信的电网无人机巡检系统,其特征在于,包括巡检无人机,所述巡检无人机,包括:
图像采集模块,被配置为获取输电线路上同一采集点不同时刻的原始线路图像并进行预处理;
巡检识别模块,被配置为基于预处理后的线路图像,利用预先训练好的输电线路故障检测模型进行故障识别;
其中,所述利用预先训练好的输电线路故障检测模型进行故障识别,具体为:
基于预处理后的不同时刻的线路图像进行特征提取,识别线路图像中的目标信息;
将不同时刻的线路图像的目标信息结果进行信息融合;
基于融合后的目标信息结果,确定故障识别结果;
巡检确认发送模块,被配置为根据识别结果以及对应的采集点位置进行巡检确认,并反馈确认结果给巡检控制中心。
5.如权利要求4所述的一种长距离通信的电网无人机巡检系统,其特征在于,还包括:
通信模块,用于与输电线路上的通信子模块以及巡检分控制中心进行数据通信;
输电线路上的不同采集点,所述采集点上设置有通信子模块,用于与巡检无人机的通信模块进行通信确认,并反馈采集指令给巡检无人机通信模块。
6.如权利要求4所述的一种长距离通信的电网无人机巡检系统,其特征在于,还包括:
巡检控制中心,用于与巡检无人机以及巡检分控制中心进行数据通信;
巡检分控制中心,设置在输电线路不同区域中,用于获取当前区域内的巡检结果以及输电线路的运行状态,并与巡检无人机以及巡检控制中心进行数据通信。
7.一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1-3中任一项所述的一种长距离通信的电网无人机巡检方法中的步骤。
8.一种计算机设备,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1-3中任一项所述的一种长距离通信的电网无人机巡检方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722098.0A CN116935245B (zh) | 2023-06-16 | 2023-06-16 | 一种长距离通信的电网无人机巡检系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310722098.0A CN116935245B (zh) | 2023-06-16 | 2023-06-16 | 一种长距离通信的电网无人机巡检系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935245A CN116935245A (zh) | 2023-10-24 |
CN116935245B true CN116935245B (zh) | 2024-06-21 |
Family
ID=88386922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310722098.0A Active CN116935245B (zh) | 2023-06-16 | 2023-06-16 | 一种长距离通信的电网无人机巡检系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935245B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361354B (zh) * | 2021-05-28 | 2022-11-15 | 国能朔黄铁路发展有限责任公司 | 轨道部件巡检方法、装置、计算机设备和存储介质 |
CN114140707A (zh) * | 2021-11-30 | 2022-03-04 | 全球能源互联网研究院有限公司 | 一种电网故障巡检方法 |
CN114462555B (zh) * | 2022-04-13 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 基于树莓派的多尺度特征融合配电网设备识别方法 |
CN115169602A (zh) * | 2022-06-22 | 2022-10-11 | 内蒙古霍煤鸿骏铝电有限责任公司 | 电力设备的维护方法、装置、存储介质及计算机设备 |
CN115700808A (zh) * | 2022-10-27 | 2023-02-07 | 东南大学 | 自适应融合可见光和红外图像的双模态无人机识别方法 |
CN116188846A (zh) * | 2022-12-30 | 2023-05-30 | 北京捷通华声科技股份有限公司 | 一种基于振动图像的设备故障检测方法及装置 |
CN116206222A (zh) * | 2023-02-16 | 2023-06-02 | 湖北工业大学 | 基于轻量化目标检测模型的输电线路故障检测方法及系统 |
-
2023
- 2023-06-16 CN CN202310722098.0A patent/CN116935245B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于深度学习的输电线路伤损目标检测研究;石磊;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);20230215(第02期);第C042-3021页 * |
多模型融合的输电线路绝缘子自爆故障检测;林志成等;福州大学学报(自然科学版);20200325(第02期);第87-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116935245A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109358648B (zh) | 无人机自主飞行的方法、装置以及无人机 | |
CN112327906A (zh) | 一种基于无人机的智能自动巡检系统 | |
CN109345529B (zh) | 基于改进型二次目标检测网络线夹、均压环故障识别方法 | |
CN111884333B (zh) | 无人值守巡检无人机协同工作系统及其方法 | |
CN110648319B (zh) | 基于双相机的设备图像采集诊断系统及方法 | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及系统 | |
CN111339893A (zh) | 基于深度学习和无人机的管道检测系统及方法 | |
CN113252701B (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN115294476B (zh) | 面向无人机电力巡检的边缘计算智能检测方法及设备 | |
CN115393347B (zh) | 一种基于城市大脑的电网智能巡检方法及系统 | |
CN109297978B (zh) | 基于双目成像的电力线路无人机巡检及缺陷智能诊断系统 | |
CN112162565A (zh) | 一种基于多机协同作业的不间断自主杆塔巡检方法 | |
CN111985352A (zh) | 一种ai前端化的变电站巡检视频实时识别方法及系统 | |
CN111244822A (zh) | 一种复杂地理环境的固定翼无人机巡线方法、系统和装置 | |
CN114723271A (zh) | 一种基于图像识别的输电工程质量检测方法及系统 | |
CN109800661A (zh) | 一种道路识别模型训练方法、道路识别方法及装置 | |
CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
CN114879679A (zh) | 一种变电站巡检方法和系统 | |
CN114037895A (zh) | 一种无人机杆塔巡检图像识别方法 | |
CN116935245B (zh) | 一种长距离通信的电网无人机巡检系统及方法 | |
CN115457411B (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
CN116665077A (zh) | 基于ai识别技术的输电线路检测拍摄方法及其系统 | |
CN114592411B (zh) | 一种载体寄生式公路损坏智能巡查方法 | |
CN216647401U (zh) | 一种安全帽识别装置 | |
CN116206222A (zh) | 基于轻量化目标检测模型的输电线路故障检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |