CN117177096A - 一种基于窄带卫星网络的高压输电线路监测方法及系统 - Google Patents
一种基于窄带卫星网络的高压输电线路监测方法及系统 Download PDFInfo
- Publication number
- CN117177096A CN117177096A CN202311134670.8A CN202311134670A CN117177096A CN 117177096 A CN117177096 A CN 117177096A CN 202311134670 A CN202311134670 A CN 202311134670A CN 117177096 A CN117177096 A CN 117177096A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- narrow
- satellite network
- risk
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 230000005540 biological transmission Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012502 risk assessment Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于窄带卫星网络的高压输电线路监测方法及系统,方法包括:实时获取目标线路的监测数据;对监测数据进行预处理,得到预处理数据;通过窄带卫星网络将预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据预处理数据进行风险识别,若存在风险,则获取预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;利用平台端对压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据报警数据进行报警,并通过现场图片的分析进行决策研判。本发明不仅能够有效减少传输的数据量,提升了卫星网络整体资源利用率,还能够降低用户使用成本,并且实现风险的实时监控。
Description
技术领域
本发明涉及输电线路监测技术领域,特别是涉及一种基于窄带卫星网络的高压输电线路监测方法及系统。
背景技术
传统的高压输电线路监测系统往往依赖于有线通信网络,存在线路覆盖范围有限、通信成本高等问题。
窄带卫星网络(Narrowband Satellite Network)是一种利用卫星通信技术提供低速数据传输的网络。与传统的宽带卫星网络相比,窄带卫星网络的传输速率较低,但具有覆盖范围广、通信成本低等优势。窄带卫星网络通常采用低轨道卫星(Low Earth Orbit,LEO)或中轨道卫星(Medium Earth Orbit,MEO)作为通信中继站,通过卫星与地面用户进行通信。由于卫星相对较低的轨道高度和较小的信号传播延迟,窄带卫星网络能够提供相对稳定和可靠的通信连接。窄带卫星网络在各种应用领域具有广泛的应用,包括农业、能源、物联网等。在农业领域,窄带卫星网络可以用于农田灌溉监测、气象数据传输等;在能源领域,窄带卫星网络可以用于电力设备监测、输电线路监测等;在物联网领域,窄带卫星网络可以用于物联网设备的远程监控和数据传输。
基于此,窄带卫星网络具有覆盖范围广、通信成本低等优势,因此可以应用于高压输电线路的监测系统中。目前高压电力传输线路经过的区域大部分处于没有地面网络覆盖的区域,电力行业对于此区域的线路、输电线塔的监控手段有限,只能通过人工或无人机等方式进行巡查。人工方式效率低、无人机的方式虽然可提高效率,但也受限于无人机有效飞行半径而无法做到快速进行风险排查和处置,无法及时将现场情况传输至后方,并且不能实现时时监控。利用卫星宽带设备虽然也可以有效解决无信号区域的监控数据传输问题,但设备成本高,功耗大,使用费用也高,况且设备不适合野外无电区域的长时间无人值守。虽然也有利用卫星窄带设备进行监控数据传输的方法,但受限于传输能力限制,传输效率低、传输成本高、无法做到实时监控。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于窄带卫星网络的高压输电线路监测方法及系统。
为实现上述目的,本发明提供了如下方案:
一种基于窄带卫星网络的高压输电线路监测方法,包括:
实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;
对所述监测数据进行预处理,得到预处理数据;
通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;
利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。
优选地,在根据所述预处理数据进行风险识别之后还包括:
若不存在风险,则采用循环存储的方式将所述预处理数据存储至所述卫星物联网数据终端。
优选地,对所述监测数据进行预处理,得到预处理数据,包括:
根据各个监测点之间的空间位置构建联系度模型;
利用所述联系度模型构建监测数据去噪函数;
利用所述监测数据去噪函数剔除各个监测点位中的数据的异常值,得到剔除后的数据;
根据Newton插值法对所述剔除后的数据进行填补,得到填补后的数据;
基于小波变换方法对所述填补后的数据进行预处理,得到所述预处理数据。
优选地,所述风险分析模型是通过XGBoost算法进行训练和精度验证得到的。
优选地,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的传感器与在n点的传感器之间温度差的平均值,dis(m,n)表示在m点的传感器与在n点的传感器之间的空间距离,R表示预设参数。
优选地,利用所述联系度模型构建监测数据去噪函数,包括:
利用每个监测点位温度的加权值构建去噪阈值;其中,所述去噪阈值为:其中,Yi表示传感器采集的第i个监测值,Wi表示Yi的加权值;
基于去噪阈值和联系度模型构建数据去噪函数。
优选地,所述数据去噪函数的公式为:
其中,表示t时刻相应监测点位去噪后的监测信息,x(m,t)表示t时刻在m点传感器的测量值,x(n,t)表示t时刻在n点传感器的测量值,ρ表示可调阈值,|Nm|表示在同一个监测点位中传感器的个数,/>
一种基于窄带卫星网络的高压输电线路监测系统,包括:
数据获取模块,用于实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;
预处理模块,用于对所述监测数据进行预处理,得到预处理数据;
数据分析模块,通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;
报警分析模块,用于利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于窄带卫星网络的高压输电线路监测方法及系统,方法包括:实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;对所述监测数据进行预处理,得到预处理数据;通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。本发明不仅能够有效减少传输的数据量,提升了卫星网络整体资源利用率,还能够降低用户使用成本,并且实现风险的实时监控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例提供的方法流程图;
图2为本发明实施例提供的技术路线示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于窄带卫星网络的高压输电线路监测方法及系统,不仅能够有效减少传输的数据量,提升了卫星网络整体资源利用率,还能够降低用户使用成本,并且实现风险的实时监控。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的方法流程图,如图1所示,本发明提供了一种基于窄带卫星网络的高压输电线路监测方法,包括:
步骤100:实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;
步骤200:对所述监测数据进行预处理,得到预处理数据;
步骤300:通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;
步骤400:利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。
优选地,在根据所述预处理数据进行风险识别之后还包括:
若不存在风险,则采用循环存储的方式将所述预处理数据存储至所述卫星物联网监控中心。
具体的,如图2所示,摄像机、照相机以及传感器模块所组成的数据采集设备1将数据传输至卫星物联网终端2。卫星物联网终端2具备端侧算力、图像压缩、存储、卫星传输能力。通过模型和学习,对1采集到的数据进行分析及风险识别。当无风险时,数据在本地采用循环存储的方式进行存储3。当识别到如覆冰、舞动、位移、倾斜等数据后,截取具有风险特征的图片或视频片段,进行本地存储,并将此段数据进行压缩4,并利用2的卫星传输能力将数据传输至平台端5。平台5将数据进行解压、增加,同时进行告警。监控人员接到警报后,可通过远程操控6的方式,实现前端1数据的实时传输,以便及时了解前端风险并通知人员进行风险处置。
进一步地,本发明数据采集终端,可进一步扩展为其他感知类设备,如温度、湿度、雨量、水质、空气质量、流量、流速等,根据行业需求进行感知类设备的更换,并结合实际需求进行算法更新,均能起到本方案所述之作用及优点。
优选地,对所述监测数据进行预处理,得到预处理数据,包括:
根据各个监测点之间的空间位置构建联系度模型;
利用所述联系度模型构建监测数据去噪函数;
利用所述监测数据去噪函数剔除各个监测点位中的数据的异常值,得到剔除后的数据;
根据Newton插值法对所述剔除后的数据进行填补,得到填补后的数据;
基于小波变换方法对所述填补后的数据进行预处理,得到所述预处理数据。
优选地,所述风险分析模型是通过XGBoost算法进行训练和精度验证得到的。
可选地,采用XGBoost算法进行数据建模,XGBoost(extreme gradient boosting)算法是Boosting算法的一种改进算法,是一种集成学习算法,可以通过转化提高分类器性能。在数据量较大的情况下,Boosting算法存在计算迭代次数多、耗时长的弊端,在训练集本身数量巨大且数据复杂多样的情况下,想得到好的训练模型就需要进行几千次甚至上万次的迭代运算,耗时费力。XGBoost算法能很好的解决了上述弊端,其最大的优点在于能自动利用CPU的多线程去并行运算,并在优化算法从而提高精度。
优选地,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的传感器与在n点的传感器之间温度差的平均值,dis(m,n)表示在m点的传感器与在n点的传感器之间的空间距离,R表示预设参数。
具体的,本发明中,在m点和n点的传感器(数据采集设备)为近邻传感器。两传感器的位置越接近,那么两传感器的相关性也越大。因此,本发明根据两传感器间的空间距离来度量它们之间的联系度。在实际应用中,由于传感器会因为自身参数或者环境因素的影响,会使传感器在某一时刻采集的测量值与实际值出现较大的偏差,因此本发明引入了R,来修正传感器因自身参数或者环境因素的影响导致传感器相关性有偏差的问题。在一般情况下,R的取值为1。
优选地,利用所述联系度模型构建监测数据去噪函数,包括:
利用每个监测点位温度的加权值构建去噪阈值;其中,所述去噪阈值为:其中,Yi表示传感器采集的第i个监测值,Wi表示Yi的加权值;
基于去噪阈值和联系度模型构建数据去噪函数。
可选地,在本发明中,可参考各个传感器的型号或者位置来设定Wi的值,如果各个传感器的型号均相同可将Wi设为1。
优选地,所述数据去噪函数的公式为:
其中,表示t时刻相应监测点位去噪后的监测信息,x(m,t)表示t时刻在m点传感器的测量值,x(n,t)表示t时刻在n点传感器的测量值,ρ表示可调阈值,|Nm|表示在同一个监测点位中传感器的个数,/>
具体的,本发明通过利用数据去噪函数融合同一个监测点位传感器的测量值,可以避免传感器在某一时刻采集的测量值与实际值出现较大偏差的情况,使传感器的测量值更加真实。
对应上述方法,本实施例还提供了一种基于窄带卫星网络的高压输电线路监测系统,其特征在于,包括:
数据获取模块,用于实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;
预处理模块,用于对所述监测数据进行预处理,得到预处理数据;
数据分析模块,通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;
报警分析模块,用于利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。
本实施例通过利用窄带卫星网络传输数据,实现了对高压输电线路的实时监测和故障诊断。相比传统的有线通信网络,窄带卫星网络具有覆盖范围广、传输速度快等优势,可以更好地解决线路监测中的通信问题。同时,本发明提供的高压输电线路监测方法,可以准确快速地定位故障位置,提高维修效率。
本发明除可以用于电力行业外,可进一步扩展至水利、地质、边坡、自然灾害等各类行业,本实施例对应用领域不进行限制。
本发明的有益效果如下:
(1)为进行的前端风险识别和压缩,大幅度减小了无效数据的传输,减小了对卫星有效资源的占用,提高了数据传输的时效性,降低用户使用资费。
(2)相较于人工巡检,提高了线路监测效率,减小人员巡检可能发生的意外伤害风险,减小用工成本。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于窄带卫星网络的高压输电线路监测方法,其特征在于,包括:
实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;
对所述监测数据进行预处理,得到预处理数据;
通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;
利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。
2.根据权利要求1所述的基于窄带卫星网络的高压输电线路监测方法,其特征在于,在根据所述预处理数据进行风险识别之后还包括:
若不存在风险,则采用循环存储的方式将所述预处理数据存储至所述卫星物联网数据终端。
3.根据权利要求1所述的基于窄带卫星网络的高压输电线路监测方法,其特征在于,对所述监测数据进行预处理,得到预处理数据,包括:
根据各个监测点之间的空间位置构建联系度模型;
利用所述联系度模型构建监测数据去噪函数;
利用所述监测数据去噪函数剔除各个监测点位中的数据的异常值,得到剔除后的数据;
根据Newton插值法对所述剔除后的数据进行填补,得到填补后的数据;
基于小波变换方法对所述填补后的数据进行预处理,得到所述预处理数据。
4.根据权利要求1所述的基于窄带卫星网络的高压输电线路监测方法,其特征在于,所述风险分析模型是通过XGBoost算法进行训练和精度验证得到的。
5.根据权利要求3所述的基于窄带卫星网络的高压输电线路监测方法,其特征在于,所述联系度模型的公式为:其中,σ表示历史时间段内在m点的传感器与在n点的传感器之间温度差的平均值,dis(m,n)表示在m点的传感器与在n点的传感器之间的空间距离,R表示预设参数。
6.根据权利要求3所述的基于窄带卫星网络的高压输电线路监测方法,其特征在于,利用所述联系度模型构建监测数据去噪函数,包括:
利用每个监测点位温度的加权值构建去噪阈值;其中,所述去噪阈值为:其中,Yi表示传感器采集的第i个监测值,Wi表示Yi的加权值;
基于去噪阈值和联系度模型构建数据去噪函数。
7.根据权利要求6所述的基于窄带卫星网络的高压输电线路监测方法,其特征在于,所述数据去噪函数的公式为:
其中,表示t时刻相应监测点位去噪后的监测信息,x(m,t)表示t时刻在m点传感器的测量值,x(n,t)表示t时刻在n点传感器的测量值,ρ表示可调阈值,|Nm|表示在同一个监测点位中传感器的个数,/>
8.一种基于窄带卫星网络的高压输电线路监测系统,其特征在于,包括:
数据获取模块,用于实时获取目标线路的监测数据;所述监测数据包括电流、电压、温度和线路图像;
预处理模块,用于对所述监测数据进行预处理,得到预处理数据;
数据分析模块,通过窄带卫星网络将所述预处理数据传输到卫星物联网监控中心,并利用基于深度学习网络的风险分析模型,根据所述预处理数据进行风险识别,若存在风险,则获取所述预处理数据中的具有风险特征的图片数据进行存储和压缩,并将压缩后的图片数据进行传输;
报警分析模块,用于利用平台端对所述压缩后的图片数据进行解压缩和增强,得到报警数据和图片,并根据所述报警数据进行报警,并通过现场图片的分析进行决策研判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311134670.8A CN117177096A (zh) | 2023-09-05 | 2023-09-05 | 一种基于窄带卫星网络的高压输电线路监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311134670.8A CN117177096A (zh) | 2023-09-05 | 2023-09-05 | 一种基于窄带卫星网络的高压输电线路监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117177096A true CN117177096A (zh) | 2023-12-05 |
Family
ID=88937074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311134670.8A Pending CN117177096A (zh) | 2023-09-05 | 2023-09-05 | 一种基于窄带卫星网络的高压输电线路监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117177096A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937767A (zh) * | 2024-03-20 | 2024-04-26 | 北京智芯微电子科技有限公司 | 输电线路监测装置、方法、计算机设备、芯片及存储介质 |
-
2023
- 2023-09-05 CN CN202311134670.8A patent/CN117177096A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937767A (zh) * | 2024-03-20 | 2024-04-26 | 北京智芯微电子科技有限公司 | 输电线路监测装置、方法、计算机设备、芯片及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102337776B1 (ko) | 강한 대류기상을 예측하기 위한 방법 및 장치 | |
CN108574737B (zh) | 基于云技术和zynq平台的农业自动监控系统及方法 | |
CN110363327A (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
US20230083626A1 (en) | Pipeline monitoring methods and internet of things based on smart gas pipeline network safety | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN106682592A (zh) | 一种基于神经网络方法的图像自动识别系统及方法 | |
CN113872328A (zh) | 基于神经网络的变电站远程智能巡检方法及系统 | |
CN104517432A (zh) | 基于无人机和无线传感器网络的监控系统 | |
CN117177096A (zh) | 一种基于窄带卫星网络的高压输电线路监测方法及系统 | |
CN113534158A (zh) | 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 | |
CN110850510A (zh) | 基于星地链路扫描重构垂直降雨场的方法 | |
CN109814179A (zh) | 一种基于云感知的应急通信处理系统 | |
CN115909093A (zh) | 一种基于无人机巡检和红外图像语义分割的电力设备故障检测方法 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
CN110766795A (zh) | 三维星地链路密织网探测三维降雨场的方法及系统 | |
CN113408744A (zh) | 基于AIot和TinyML技术的多传感器多环境监测方法 | |
CN111964645A (zh) | 一种基于信息融合的电力杆塔失稳监测方法及系统 | |
CN111426633A (zh) | 一种夜间pm2.5质量浓度估算方法和装置 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN115267786A (zh) | 融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法及装置 | |
CN116644379A (zh) | 多源海面物理要素的机器学习融合方法、设备及介质 | |
CN114266502A (zh) | 一种洪水受灾损失评估方法和仿真推演系统 | |
CN113252701A (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 | |
CN204270491U (zh) | 基于无人机和无线传感器网络的监控系统 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |