CN117612047B - 基于ai大模型的电网用无人机巡检图像识别方法 - Google Patents

基于ai大模型的电网用无人机巡检图像识别方法 Download PDF

Info

Publication number
CN117612047B
CN117612047B CN202410093462.6A CN202410093462A CN117612047B CN 117612047 B CN117612047 B CN 117612047B CN 202410093462 A CN202410093462 A CN 202410093462A CN 117612047 B CN117612047 B CN 117612047B
Authority
CN
China
Prior art keywords
identification
target
recognition
image
identifiable
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
Application number
CN202410093462.6A
Other languages
English (en)
Other versions
CN117612047A (zh
Inventor
黄俊东
廖荣涛
罗弦
周正
王晟玮
姚渭箐
李想
高飞
胡耀东
冯浩
魏晓燕
陈铈
肖冬玲
龙霏
杨晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Priority to CN202410093462.6A priority Critical patent/CN117612047B/zh
Publication of CN117612047A publication Critical patent/CN117612047A/zh
Application granted granted Critical
Publication of CN117612047B publication Critical patent/CN117612047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V10/70—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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电网用无人机巡检领域，具体为基于AI大模型的电网用无人机巡检图像识别方法，包括图像识别数据库建立模块、从属可识别目标分析模块、权属特征识别集合确定模块、识别亲密度分析模块和预警图像包生成模块；图像识别数据库建立模块用于提取无人机基于电网巡检方案记录的历史图像数据；从属可识别目标分析模用于筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；权属特征识别集合确定模块用于标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；识别亲密度分析模块用于辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度。

Description

基于AI大模型的电网用无人机巡检图像识别方法
技术领域
本发明涉及电网用无人机巡检技术领域，具体为基于AI大模型的电网用无人机巡检图像识别方法。
背景技术
随着国内经济的迅猛发展，对电力的需求逐渐增大，采用高压和超高压架空电力长线是长距离输配电的主要方式，所以超高压大容量电力线路的安全运行是我国经济建设坚强的电力保障；减少电力传输的故障、减少停电事故是需要解决的重点问题；人工巡检受地形、天气和人员因素的影响，效率较低、数据准确性不高，人员安全也难以得到保障；所以无人机巡检逐渐投入电网安全检测的应用当中；但是对于目标的无人机巡检，往往是由系统设置好巡航路线，对每个巡航点的图像进行捕捉传输分析，且在首次捕捉后检测出缺陷时需要二次调整无人机的位姿进行多方位的图像获取；此时会存在一个问题，在高压输电线路的每一塔杆上存在的绝缘子数量较多，如果每个绝缘子在初始识别都存在缺陷需要二次识别时，每个塔杆的工作量可能扩大五倍甚至更多，这给无人机的巡检效率、巡检电力带来了考验，也给云端分析系统带来巨大的考验。
发明内容
本发明的目的在于提供基于AI大模型的电网用无人机巡检图像识别方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：基于AI大模型的电网用无人机巡检图像识别方法，包括以下分析步骤：
步骤S100：提取无人机基于电网巡检方案记录的历史图像数据，并以高压架空输电线路对应每一杆塔包含所有绝缘子的历史图像数据作为一存储单元独立存储至图像识别数据库中；
步骤S200：将各存储单元中的历史图像数据以绝缘子为线索识别目标按照巡检顺序进行特征识别标记，输出每一线索识别目标对应的特征识别集合；标记缺陷识别正常时的特征识别集合为第一特征集合、缺陷识别异常时的特征集合为第二特征集合，筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；
步骤S300：基于从属可识别目标并结合巡检顺序，提取除去首个线索识别目标外各缺陷识别异常时对应的线索识别目标为侦查识别目标，并标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；若不存在权属可识别目标，基于电网巡检方案内容按序执行；
步骤S400：辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度；
步骤S500：将有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度大于识别亲密度阈值的图像数据作为侦查识别目标的可参考线索图像，并提取可参考线索图像的特征条件作为侦查识别目标实时存在初始缺陷识别异常时对历史图像数据的检索条件，将符合检索条件的历史图像作为实时侦查识别目标的预警图像包。
进一步的，电网巡检方案包括：
在3D点云中标注每一塔杆包含的绝缘子对应的位置，生成无人机航点动作和飞行轨迹，飞行轨迹包括巡航位点和巡航路径；巡航位点是无人机对绝缘子进行图像拍摄的固定点位，巡航路径是指由巡航位点进行最小路径的线段连接构成对一塔杆上所有绝缘子完成图像拍摄的路径；任意相邻巡航位点间的巡航路径不存在无人机拍摄操作；
每一巡航位点对应的拍摄顺序对应绝缘子的序号顺序；
无人机到达每一巡航位点时自动寻找对应拍摄绝缘子，并调整云台使绝缘子位于图像正中，调整焦距至预设清晰度以及识别绝缘子，完成拍摄生成初始目标图像，并将初始目标图像传输至云端进行缺陷识别；
云端响应存在缺陷时，传输指令至无人机，无人机接受云端指令后自动调整飞行姿态、云台角度，对同一绝缘子的缺陷进行二次拍摄；调整飞行姿态、云台角度与初始目标图像获取时对应的飞行姿态、云台角度不同；二次拍摄记录的图像个数大于初始目标图像个数。如
进一步的，步骤S200包括以下步骤：
步骤S210：特征识别标记是指对除去线索识别目标外其他可识别绝缘子进行特征标记；其他可识别绝缘子是指在初始目标图像中存在满足系统录入绝缘子图像特征的其他绝缘子图像；特征标记包括大小标记和序号标记；大小标记是指在拍摄图像中的绝缘子图像比例；
步骤S220：获取线索识别目标对应的所有初始目标图像，将初始目标图像以每一特征标记类型的可识别绝缘子进行分类，并构成每一线索识别目标对应的特征识别集合；每一特征标记类型以线索识别目标对应的绝缘子序号进行进行区分；
步骤S230：缺陷识别正常是指云端对图像进行缺陷识别的结果为绝缘子无缺陷损伤，缺陷识别异常是指云端对图像进行缺陷识别的结果为绝缘子存在缺陷损伤；
步骤S240：标记第k个第一特征集合对应的线索识别目标序号为Uk、第s个第二特征集合对应的线索识别目标序号为Vs，提取Uk、Vs记录对应特征集合中的已进行特征标记的可识别绝缘子序号uk i、vs j，uk i表示第k个第一特征集合下已进行特征标记的第i个可识别绝缘子序号，vs j表示第s个第二特征集合下已进行特征标记的第j个可识别绝缘子序号；k、s、i、j均表示非零正整数；
步骤S250：提取可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子图像为从属可识别图像，从属可识别图像对应的可识别绝缘子为所属线索识别目标的从属可识别目标；并标记为第一特征集合对应的从属集合A，A={Uk→uk 1,uk 2,...,uk n}和第二特征集合对应的从属集合B，B={Vs→vs 1,vs 2,...,vs m}；n表示第一特征集合中线索识别目标包含从属识别目标的个数，m表示第二特征集合中线索识别目标包含从属识别目标的个数；i≤n，j≤m。
进一步的，步骤S300包括以下步骤：
步骤S310：满足时序需求是指小于当前侦查识别目标序号；权属可识别目标是指侦查识别目标序号所处从属集合中对应记录的线索识别目标序号；将线索识别目标序号对应的线索识别目标作为满足时序需求的权属可识别目标；
步骤S320：提取权属可识别目标对应的特征识别集合构成权属特征识别集合。
进一步的，步骤S400包括以下具体过程：
步骤S410：提取权属特征识别集合中对应相同序号侦查识别目标的图像数据，将第p个图像数据输入云端进行缺陷识别，当云端输出结果为缺陷识别正常时，标记第p个图像数据的第一特征值为0；当云端输出结果为缺陷识别异常时，标记第p个图像数据的第一特征值为1；对权属特征识别集合中的图像数据进行云端缺陷识别可以快速的判断出图像数据对应所需识别绝缘子图像的有效性；
步骤S420：筛除第一特征值为0时对应的图像数据，将剩余图像数据作为同一权属特征识别集合中对应相同序号侦查识别目标的有效图像数据；利用公式：
Tp1=[(2μp1μy+c1)(2σp1y+c2)]/[(μp1 2+μy 2+c1)(σp1 2+σy 2+c2)]
计算第p1个有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度Tp1，其中μp1表示有效图像p1亮度，μy表示初始目标图像亮度，亮度用均值计算；σp1y表示有效图像p1和初始目标图像亮度的结构相似程度，结构相似程度用协方差计算；σp1 2表示有效图像p1的对比度，σy 2表示初始目标图像的对比度，对比度用方差计算；c1=(a1L)2，c2=(a2L)2，a1=0.01，a2=0.03，L表示像素值的动态范围；
在分析识别亲密度时需要对图像数据进行等比例的裁剪，避免因同一图像数据中多个绝缘子带来的误差影响；
步骤S430：将有效图像数据分别与侦查识别目标记录所有二次识别图像进行识别亲密度计算，选取每一有效图像数据对应的识别亲密度最大值作为有效图像数据的代表亲密度。
进一步的，步骤S500包括以下具体步骤：
步骤S510：提取所有有效图像数据中代表亲密度的最小值，将最小值作为对应侦查识别目标的识别亲密度阈值；
选取与二次识别图像对应亲密度的最小值是因为所有权属特征识别集合中的图像选取的目的是要作为二次识别图像的需求代替，是为了减少无人机在二次识别中的重复拍摄，所以权属特征识别集合中的图像与对应二次识别图像越相似度时替代性越高；
步骤S520：可参考线索图像的特征条件是指对相应侦查识别目标确定大小标记、序号标记、离地高度、图像相似度和相应侦查识别目标记录的识别亲密度阈值；
步骤S530：符合检索条件的历史图像是指先确定实时侦查识别目标对应历史侦查识别目标的识别亲密度阈值，具体过程为：遍历历史侦查识别目标的初始目标图像数据，确定与实时侦查识别目标序号标记相同、大小标记差值小于第一差值阈值、离地高度差值小于第二差值阈值、相似度大于等于相似度阈值的历史侦查识别目标；提取对应历史侦查识别目标记录的识别亲密度阈值；
再将实时侦查识别目标对应记录权属特征集合中存在满足实时识别亲密度大于识别亲密度阈值的图像数据作为符合检索条件的历史图像；
预警图像包是在初始缺陷识别异常时传输至云端供以二次缺陷识别的所有图像。
因为在初始目标图像缺陷识别异常时才会进行二次识别，本申请直接在异常响应时对历史包含侦查识别目标的图像进行提取分析，确定可以作为二次识别的参考图像，节约了无人机再次对该目标进行重复图像捕捉的次数，节约了无人机的工作时间，提高巡检的效率。且符合检索条件的历史图像可通过计算机维度进行再加工如放大等，替代无人机更换角度、航线等方式实现图像的二次识别，大大提高对高压架空输电线路上多个塔杆的工作进程。
基于AI大模型的电网用无人机巡检图像识别系统，包括图像识别数据库建立模块、从属可识别目标分析模块、权属特征识别集合确定模块、识别亲密度分析模块和预警图像包生成模块；
图像识别数据库建立模块用于提取无人机基于电网巡检方案记录的历史图像数据；
从属可识别目标分析模用于筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；
权属特征识别集合确定模块用于标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；
识别亲密度分析模块用于辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度；
预警图像包生成模块用于将符合检索条件的历史图像作为实时侦查识别目标的预警图像包。
进一步的，从属可识别目标分析模块包括特征识别标记单元、特征识别集合构成单元和从属集合生成单元；
特征识别标记单元用于对除去线索识别目标外其他可识别绝缘子进行特征标记；
特征识别集合构成单元用于将初始目标图像以每一特征标记类型的可识别绝缘子进行分类，并构成每一线索识别目标对应的特征识别集合；
从属集合生成单元用于标记各特征集合的线索识别目标序号，提取可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子图像为从属可识别图像，从属可识别图像对应的可识别绝缘子为所属线索识别目标的从属可识别目标；并标记为第一特征集合对应的从属集合。
进一步的，识别亲密度分析模块包括特征值分类单元、识别亲密度计算单元和代表亲密度输出单元；
特征值分类单元用于基于云端输出结果确定特征值；
识别亲密度计算单元用于有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度；
代表亲密度输出单元用于将有效图像数据分别与侦查识别目标记录所有二次识别图像进行识别亲密度计算，选取每一有效图像数据对应的识别亲密度最大值作为有效图像数据的代表亲密度。
与现有技术相比，本发明所达到的有益效果是：本发明通过对无人机拍摄图像中包含的所有绝缘子进行分类，使得图像的利用不再单一化，提取有效可利用的所有绝缘子图像；并基于从属关联分析确定图像与对应实体之间的关联性，同时分析满足需求的识别亲密度，作为实时侦查识别目标的有效图像检索条件，使得图像的利用更加精确化和有效化；本发明利用无人机在进行定点图像拍摄存在缺陷识别异常时，快速提取历史满足需求的有效图像作为二次识别的图像基础，使得无人机在一定情况下可通过云端处理图像来避免二次拍摄所需的重复航行，提高了包含多个绝缘子历史图像的利用性，并且节约了无人机的使用电量以及航行时间，使得无人机在高效利用的情况下也能实现相同功能的缺陷识别效果，提高了同一高压架空输电线路上同一无人机对塔杆监测的高效性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于AI大模型的电网用无人机巡检图像识别系统的结构示意图；
图2是本发明基于AI大模型的电网用无人机巡检图像识别方法的塔杆定位图。
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。
请参阅图1-图2，本发明提供技术方案：基于AI大模型的电网用无人机巡检图像识别方法，包括以下分析步骤：
步骤S100：提取无人机基于电网巡检方案记录的历史图像数据，并以高压架空输电线路对应每一杆塔包含所有绝缘子的历史图像数据作为一存储单元独立存储至图像识别数据库中；
步骤S200：将各存储单元中的历史图像数据以绝缘子为线索识别目标按照巡检顺序进行特征识别标记，输出每一线索识别目标对应的特征识别集合；标记缺陷识别正常时的特征识别集合为第一特征集合、缺陷识别异常时的特征集合为第二特征集合，筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；
步骤S300：基于从属可识别目标并结合巡检顺序，提取除去首个线索识别目标外各缺陷识别异常时对应的线索识别目标为侦查识别目标，并标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；若不存在权属可识别目标，基于电网巡检方案内容按序执行；
步骤S400：辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度；
步骤S500：将有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度大于识别亲密度阈值的图像数据作为侦查识别目标的可参考线索图像，并提取可参考线索图像的特征条件作为侦查识别目标实时存在初始缺陷识别异常时对历史图像数据的检索条件，将符合检索条件的历史图像作为实时侦查识别目标的预警图像包。
电网巡检方案包括：
在3D点云中标注每一塔杆包含的绝缘子对应的位置，生成无人机航点动作和飞行轨迹，飞行轨迹包括巡航位点和巡航路径；巡航位点是无人机对绝缘子进行图像拍摄的固定点位，巡航路径是指由巡航位点进行最小路径的线段连接构成对一塔杆上所有绝缘子完成图像拍摄的路径；任意相邻巡航位点间的巡航路径不存在无人机拍摄操作；
每一巡航位点对应的拍摄顺序对应绝缘子的序号顺序；如图2所示，黑色圆点表示巡航位点；
无人机到达每一巡航位点时自动寻找对应拍摄绝缘子，并调整云台使绝缘子位于图像正中，调整焦距至预设清晰度以及识别绝缘子，完成拍摄生成初始目标图像，并将初始目标图像传输至云端进行缺陷识别；
缺陷识别的方式包括基于先验形状的绝缘子定位方法、基于中层特征构建的红外图像中绝缘子定位方法等，在确定定位后通过局部二元模式算法（LBP）、自曝缺陷检测、局部污秽检测等算法进行缺陷识别；
云端响应存在缺陷时，传输指令至无人机，无人机接受云端指令后自动调整飞行姿态、云台角度，对同一绝缘子的缺陷进行二次拍摄；调整飞行姿态、云台角度与初始目标图像获取时对应的飞行姿态、云台角度不同；二次拍摄记录的图像个数大于初始目标图像个数。如初始目标图像是通过无人机平行于绝缘子进行拍摄的，则调整后的可为东西南北各方面于平行方向呈三十度夹角拍摄。
步骤S200包括以下步骤：
步骤S210：特征识别标记是指对除去线索识别目标外其他可识别绝缘子进行特征标记；其他可识别绝缘子是指在初始目标图像中存在满足系统录入绝缘子图像特征的其他绝缘子图像；特征标记包括大小标记和序号标记；大小标记是指在拍摄图像中的绝缘子图像比例；
步骤S220：获取线索识别目标对应的所有初始目标图像，将初始目标图像以每一特征标记类型的可识别绝缘子进行分类，并构成每一线索识别目标对应的特征识别集合；每一特征标记类型以线索识别目标对应的绝缘子序号进行进行区分；
步骤S230：缺陷识别正常是指云端对图像进行缺陷识别的结果为绝缘子无缺陷损伤，缺陷识别异常是指云端对图像进行缺陷识别的结果为绝缘子存在缺陷损伤；
步骤S240：标记第k个第一特征集合对应的线索识别目标序号为Uk、第s个第二特征集合对应的线索识别目标序号为Vs，提取Uk、Vs记录对应特征集合中的已进行特征标记的可识别绝缘子序号uk i、vs j，uk i表示第k个第一特征集合下已进行特征标记的第i个可识别绝缘子序号，vs j表示第s个第二特征集合下已进行特征标记的第j个可识别绝缘子序号；k、s、i、j均表示非零正整数；
步骤S250：提取可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子图像为从属可识别图像，从属可识别图像对应的可识别绝缘子为所属线索识别目标的从属可识别目标；并标记为第一特征集合对应的从属集合A，A={Uk→uk 1,uk 2,...,uk n}和第二特征集合对应的从属集合B，B={Vs→vs 1,vs 2,...,vs m}；n表示第一特征集合中线索识别目标包含从属识别目标的个数，m表示第二特征集合中线索识别目标包含从属识别目标的个数；i≤n，j≤m。
如实施例所示：
存在线索识别目标对应序号为1、2、3、4；
每一线索识别目标记录的初始目标图像为两张；
线索识别目标1对应初始目标图像中的可识别绝缘子为：3、4
线索识别目标2对应初始目标图像中的可识别绝缘子为：3、4
线索识别目标3对应初始目标图像中的可识别绝缘子为：1、2
线索识别目标4对应初始目标图像中的可识别绝缘子为：1；
其中线索识别目标1、3是缺陷识别正常的绝缘子，线索识别目标2、4是缺陷识别异常的绝缘子；
则U1=1，U2=3，V1=2，V2=4； 对应可识别绝缘子序号如下：
u1 1=3、u1 2=4，u2 1=1、u2 2=2；v1 1=3、v1 2=4，v2 1=1；
可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子中“可输入”是指可识别绝缘子图像与系统输入完整绝缘子图像在等比例分析下属于完整个体，对应像素阈值是指调整焦距后的清晰度满足预设需求；此时筛除后对应不满足的可识别绝缘子生成从属集合如下：
{U1→u1 1,u1 2}：{1→3,4}；{U2→u2 2}：{3→2};
{V1→v1 1}：{2→3}；{V2→v2 1}：{4→1}。
步骤S300包括以下步骤：
步骤S310：满足时序需求是指小于当前侦查识别目标序号；权属可识别目标是指侦查识别目标序号所处从属集合中对应记录的线索识别目标序号；将线索识别目标序号对应的线索识别目标作为满足时序需求的权属可识别目标；
步骤S320：提取权属可识别目标对应的特征识别集合构成权属特征识别集合。
如实施例所示：侦查识别目标为绝缘子2和绝缘子4；
绝缘子2关联满足时序需求的权属可识别目标不存在，则对于绝缘子2这种情况的缺陷识别仍需进行二次图像捕捉再识别；绝缘子4关联满足时序需求的权属可识别目标为绝缘子1。
步骤S400包括以下具体过程：
步骤S410：提取权属特征识别集合中对应相同序号侦查识别目标的图像数据，将第p个图像数据输入云端进行缺陷识别，当云端输出结果为缺陷识别正常时，标记第p个图像数据的第一特征值为0；当云端输出结果为缺陷识别异常时，标记第p个图像数据的第一特征值为1；对权属特征识别集合中的图像数据进行云端缺陷识别可以快速的判断出图像数据对应所需识别绝缘子图像的有效性；
步骤S420：筛除第一特征值为0时对应的图像数据，将剩余图像数据作为同一权属特征识别集合中对应相同序号侦查识别目标的有效图像数据；利用公式：
Tp1=[(2μp1μy+c1)(2σp1y+c2)]/[(μp1 2+μy 2+c1)(σp1 2+σy 2+c2)]
计算第p1个有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度Tp1，其中μp1表示有效图像p1亮度，μy表示初始目标图像亮度，亮度用均值计算；σp1y表示有效图像p1和初始目标图像亮度的结构相似程度，结构相似程度用协方差计算；σp1 2表示有效图像p1的对比度，σy 2表示初始目标图像的对比度，对比度用方差计算；c1=(a1L)2，c2=(a2L)2，a1=0.01，a2=0.03，L表示像素值的动态范围；
在分析识别亲密度时需要对图像数据进行等比例的裁剪，避免因同一图像数据中多个绝缘子带来的误差影响；
步骤S430：将有效图像数据分别与侦查识别目标记录所有二次识别图像进行识别亲密度计算，选取每一有效图像数据对应的识别亲密度最大值作为有效图像数据的代表亲密度。
步骤S500包括以下具体步骤：
步骤S510：提取所有有效图像数据中代表亲密度的最小值，将最小值作为对应侦查识别目标的识别亲密度阈值；当代表亲密度最小值大于与侦查识别目标记录与初始目标图像的识别亲密度最小值时，有效图像数据并不能全部作为可参考线索图像；当代表密度最小值小于等于侦查识别目标记录与初始目标图像的识别亲密度最小值时，有效图像数据可全部作为可参考线索图像；
选取与二次识别图像对应亲密度的最小值是因为所有权属特征识别集合中的图像选取的目的是要作为二次识别图像的需求代替，是为了减少无人机在二次识别中的重复拍摄，所以权属特征识别集合中的图像与对应二次识别图像越相似度时替代性越高；
步骤S520：可参考线索图像的特征条件是指对相应侦查识别目标确定大小标记、序号标记、离地高度、图像相似度和相应侦查识别目标记录的识别亲密度阈值；
步骤S530：符合检索条件的历史图像是指先确定实时侦查识别目标对应历史侦查识别目标的识别亲密度阈值，具体过程为：遍历历史侦查识别目标的初始目标图像数据，确定与实时侦查识别目标序号标记相同、大小标记差值小于第一差值阈值、离地高度差值小于第二差值阈值、相似度大于等于相似度阈值的历史侦查识别目标；提取对应历史侦查识别目标记录的识别亲密度阈值；
再将实时侦查识别目标对应记录权属特征集合中存在满足实时识别亲密度大于识别亲密度阈值的图像数据作为符合检索条件的历史图像；
预警图像包是在初始缺陷识别异常时传输至云端供以二次缺陷识别的所有图像。
初始缺陷识别异常是指初始目标图像进行缺陷识别异常的情况；实时亲密度的分析是基于历史图像与实时侦查识别目标的初始目标图像对应分析的。因为在初始目标图像缺陷识别异常时才会进行二次识别，本申请直接在异常响应时对历史包含侦查识别目标的图像进行提取分析，确定可以作为二次识别的参考图像，节约了无人机再次对该目标进行重复图像捕捉的次数，节约了无人机的工作时间，提高巡检的效率。且符合检索条件的历史图像可通过计算机维度进行再加工如放大等，替代无人机更换角度、航线等方式实现图像的二次识别，大大提高对高压架空输电线路上多个塔杆的工作进程。
基于AI大模型的电网用无人机巡检图像识别系统，包括图像识别数据库建立模块、从属可识别目标分析模块、权属特征识别集合确定模块、识别亲密度分析模块和预警图像包生成模块；
图像识别数据库建立模块用于提取无人机基于电网巡检方案记录的历史图像数据；
从属可识别目标分析模用于筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；
权属特征识别集合确定模块用于标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；
识别亲密度分析模块用于辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度；
预警图像包生成模块用于将符合检索条件的历史图像作为实时侦查识别目标的预警图像包。
从属可识别目标分析模块包括特征识别标记单元、特征识别集合构成单元和从属集合生成单元；
特征识别标记单元用于对除去线索识别目标外其他可识别绝缘子进行特征标记；
特征识别集合构成单元用于将初始目标图像以每一特征标记类型的可识别绝缘子进行分类，并构成每一线索识别目标对应的特征识别集合；
从属集合生成单元用于标记各特征集合的线索识别目标序号，提取可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子图像为从属可识别图像，从属可识别图像对应的可识别绝缘子为所属线索识别目标的从属可识别目标；并标记为第一特征集合对应的从属集合。
识别亲密度分析模块包括特征值分类单元、识别亲密度计算单元和代表亲密度输出单元；
特征值分类单元用于基于云端输出结果确定特征值；
识别亲密度计算单元用于有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度；
代表亲密度输出单元用于将有效图像数据分别与侦查识别目标记录所有二次识别图像进行识别亲密度计算，选取每一有效图像数据对应的识别亲密度最大值作为有效图像数据的代表亲密度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (4)

1.基于AI大模型的电网用无人机巡检图像识别方法，其特征在于，包括以下分析步骤：
步骤S100：提取无人机基于电网巡检方案记录的历史图像数据，并以高压架空输电线路对应每一杆塔包含所有绝缘子的历史图像数据作为一存储单元独立存储至图像识别数据库中；
步骤S200：将各存储单元中的历史图像数据以绝缘子为线索识别目标按照巡检顺序进行特征识别标记，输出每一线索识别目标对应的特征识别集合；标记缺陷识别正常时的特征识别集合为第一特征集合、缺陷识别异常时的特征集合为第二特征集合，筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；
所述步骤S200包括以下步骤：
步骤S210：所述特征识别标记是指对除去线索识别目标外其他可识别绝缘子进行特征标记；所述其他可识别绝缘子是指在初始目标图像中存在满足系统录入绝缘子图像特征的其他绝缘子图像；所述特征标记包括大小标记和序号标记；所述大小标记是指在拍摄图像中的绝缘子图像比例；
步骤S220：获取所述线索识别目标对应的所有初始目标图像，将初始目标图像以每一特征标记类型的可识别绝缘子进行分类，并构成每一线索识别目标对应的特征识别集合；每一特征标记类型以线索识别目标对应的绝缘子序号进行进行区分；
步骤S230：所述缺陷识别正常是指云端对图像进行缺陷识别的结果为绝缘子无缺陷损伤，所述缺陷识别异常是指云端对图像进行缺陷识别的结果为绝缘子存在缺陷损伤；
步骤S240：标记第k个第一特征集合对应的线索识别目标序号为Uk、第s个第二特征集合对应的线索识别目标序号为Vs，提取Uk、Vs记录对应特征集合中的已进行特征标记的可识别绝缘子序号uk i、vs j，uk i表示第k个第一特征集合下已进行特征标记的第i个可识别绝缘子序号，vs j表示第s个第二特征集合下已进行特征标记的第j个可识别绝缘子序号；k、s、i、j均表示非零正整数；
步骤S250：提取可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子图像为从属可识别图像，从属可识别图像对应的可识别绝缘子为所属线索识别目标的从属可识别目标；并标记为第一特征集合对应的从属集合A，A={Uk→uk 1,uk 2,...,uk n}和第二特征集合对应的从属集合B，B={Vs→vs 1,vs 2,...,vs m}；n表示第一特征集合中线索识别目标包含从属识别目标的个数，m表示第二特征集合中线索识别目标包含从属识别目标的个数；i≤n，j≤m；
步骤S300：基于从属可识别目标并结合巡检顺序，提取除去首个线索识别目标外各缺陷识别异常时对应的线索识别目标为侦查识别目标，并标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；若不存在权属可识别目标，基于电网巡检方案内容按序执行；
所述步骤S300包括以下步骤：
步骤S310：所述满足时序需求是指小于当前侦查识别目标序号；所述权属可识别目标是指侦查识别目标序号所处从属集合中对应记录的线索识别目标序号；将线索识别目标序号对应的线索识别目标作为满足时序需求的权属可识别目标；
步骤S320：提取权属可识别目标对应的特征识别集合构成权属特征识别集合；
步骤S400：辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度；
所述步骤S400包括以下具体过程：
步骤S410：提取权属特征识别集合中对应相同序号侦查识别目标的图像数据，将第p个图像数据输入云端进行缺陷识别，当云端输出结果为缺陷识别正常时，标记第p个图像数据的第一特征值为0；当云端输出结果为缺陷识别异常时，标记第p个图像数据的第一特征值为1；
步骤S420：筛除第一特征值为0时对应的图像数据，将剩余图像数据作为同一权属特征识别集合中对应相同序号侦查识别目标的有效图像数据；利用公式：
Tp1=[(2μp1μy+c1)(2σp1y+c2)]/[(μp1 2+μy 2+c1)(σp1 2+σy 2+c2)]；
计算第p1个有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度Tp1，其中μp1表示有效图像p1亮度，μy表示初始目标图像亮度，亮度用均值计算；σp1y表示有效图像p1和初始目标图像亮度的结构相似程度，结构相似程度用协方差计算；σp1 2表示有效图像p1的对比度，σy 2表示初始目标图像的对比度，对比度用方差计算；c1=(a1L)2，c2=(a2L)2，a1=0.01，a2=0.03，L表示像素值的动态范围；
步骤S430：将有效图像数据分别与侦查识别目标记录所有二次识别图像进行识别亲密度计算，选取每一有效图像数据对应的识别亲密度最大值作为所述有效图像数据的代表亲密度；
步骤S500：将有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度大于识别亲密度阈值的图像数据作为侦查识别目标的可参考线索图像，并提取可参考线索图像的特征条件作为侦查识别目标实时存在初始缺陷识别异常时对历史图像数据的检索条件，将符合检索条件的历史图像作为实时侦查识别目标的预警图像包；
所述步骤S500包括以下具体步骤：
步骤S510：提取所有有效图像数据中代表亲密度的最小值，将最小值作为对应侦查识别目标的识别亲密度阈值；
步骤S520：所述可参考线索图像的特征条件是指对相应侦查识别目标确定大小标记、序号标记、离地高度、图像相似度和相应侦查识别目标记录的识别亲密度阈值；
步骤S530：所述符合检索条件的历史图像是指先确定实时侦查识别目标对应历史侦查识别目标的识别亲密度阈值，具体过程为：遍历历史侦查识别目标的初始目标图像数据，确定与实时侦查识别目标序号标记相同、大小标记差值小于第一差值阈值、离地高度差值小于第二差值阈值、相似度大于等于相似度阈值的历史侦查识别目标；提取对应历史侦查识别目标记录的识别亲密度阈值；
再将实时侦查识别目标对应记录权属特征集合中存在满足实时识别亲密度大于识别亲密度阈值的图像数据作为符合检索条件的历史图像；
所述预警图像包是在初始缺陷识别异常时传输至云端供以二次缺陷识别的所有图像。
2.根据权利要求1所述的基于AI大模型的电网用无人机巡检图像识别方法，其特征在于：所述电网巡检方案包括：
在3D点云中标注每一塔杆包含的绝缘子对应的位置，生成无人机航点动作和飞行轨迹，所述飞行轨迹包括巡航位点和巡航路径；所述巡航位点是无人机对绝缘子进行图像拍摄的固定点位，所述巡航路径是指由巡航位点进行最小路径的线段连接构成对一塔杆上所有绝缘子完成图像拍摄的路径；任意相邻巡航位点间的巡航路径不存在无人机拍摄操作；
每一巡航位点对应的拍摄顺序对应绝缘子的序号顺序；
所述无人机到达每一巡航位点时自动寻找对应拍摄绝缘子，并调整云台使绝缘子位于图像正中，调整焦距至预设清晰度以及识别绝缘子，完成拍摄生成初始目标图像，并将初始目标图像传输至云端进行缺陷识别；
云端响应存在缺陷时，传输指令至无人机，无人机接受云端指令后自动调整飞行姿态、云台角度，对同一绝缘子的缺陷进行二次拍摄；调整飞行姿态、云台角度与初始目标图像获取时对应的飞行姿态、云台角度不同；二次拍摄记录的图像个数大于初始目标图像个数。
3.基于AI大模型的电网用无人机巡检图像识别系统，应用于权利要求1-2中任一项所述的基于AI大模型的电网用无人机巡检图像识别方法，其特征在于，包括图像识别数据库建立模块、从属可识别目标分析模块、权属特征识别集合确定模块、识别亲密度分析模块和预警图像包生成模块；
所述图像识别数据库建立模块用于提取无人机基于电网巡检方案记录的历史图像数据；
所述从属可识别目标分析模用于筛选第一特征集合和第二特征集合中线索识别目标关联的从属可识别目标；
所述权属特征识别集合确定模块用于标记侦查识别目标关联满足时序需求的权属可识别目标及对应的权属特征识别集合；
所述识别亲密度分析模块用于辨析权属特征识别集合与对应侦查识别目标所记录的特征识别集合的识别亲密度；
识别亲密度分析模块包括特征值分类单元、识别亲密度计算单元和代表亲密度输出单元；
所述特征值分类单元用于基于云端输出结果确定特征值；
所述识别亲密度计算单元用于有效图像数据与侦查识别目标记录的初始目标图像的识别亲密度；
所述代表亲密度输出单元用于将有效图像数据分别与侦查识别目标记录所有二次识别图像进行识别亲密度计算，选取每一有效图像数据对应的识别亲密度最大值作为所述有效图像数据的代表亲密度；
所述预警图像包生成模块用于将符合检索条件的历史图像作为实时侦查识别目标的预警图像包。
4.根据权利要求3所述的基于AI大模型的电网用无人机巡检图像识别系统，其特征在于：所述从属可识别目标分析模块包括特征识别标记单元、特征识别集合构成单元和从属集合生成单元；
所述特征识别标记单元用于对除去线索识别目标外其他可识别绝缘子进行特征标记；
所述特征识别集合构成单元用于将初始目标图像以每一特征标记类型的可识别绝缘子进行分类，并构成每一线索识别目标对应的特征识别集合；
所述从属集合生成单元用于标记各特征集合的线索识别目标序号，提取可输入远端满足缺陷识别对应像素阈值需求的可识别绝缘子图像为从属可识别图像，从属可识别图像对应的可识别绝缘子为所属线索识别目标的从属可识别目标；并标记为第一特征集合对应的从属集合。
CN202410093462.6A 2024-01-23 2024-01-23 基于ai大模型的电网用无人机巡检图像识别方法 Active CN117612047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410093462.6A CN117612047B (zh) 2024-01-23 2024-01-23 基于ai大模型的电网用无人机巡检图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410093462.6A CN117612047B (zh) 2024-01-23 2024-01-23 基于ai大模型的电网用无人机巡检图像识别方法

Publications (2)

Publication Number Publication Date
CN117612047A CN117612047A (zh) 2024-02-27
CN117612047B true CN117612047B (zh) 2024-04-12

Family

ID=89958334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410093462.6A Active CN117612047B (zh) 2024-01-23 2024-01-23 基于ai大模型的电网用无人机巡检图像识别方法

Country Status (1)

Country Link
CN (1) CN117612047B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7298869B1 (en) * 2003-07-21 2007-11-20 Abernathy Donald A Multispectral data acquisition system and method
CN105741379A (zh) * 2016-01-28 2016-07-06 江苏省电力试验研究院有限公司 一种变电站全景巡检方法
KR102187654B1 (ko) * 2020-07-09 2020-12-07 주식회사 이노드 저고도 무인 비행체 및 이를 포함하는 작물 재배 정보 획득 시스템
CN112180955A (zh) * 2020-08-26 2021-01-05 国网安徽省电力有限公司淮南供电公司 一种自动巡检无人机的基于视觉反馈的二次复查方法和系统
CN112270267A (zh) * 2020-10-29 2021-01-26 国网山东省电力公司淄博供电公司 可自动抓拍线路故障的摄像识别系统
CN112434600A (zh) * 2020-11-23 2021-03-02 国网安徽省电力有限公司淮南供电公司 一种无人机巡检方法及系统
KR20210143627A (ko) * 2020-05-20 2021-11-29 주식회사 유에프오에스트로넛 드론을 이용한 식생 예찰 시스템, 식생 예찰 장치 및 식생 예찰 방법
CN115840831A (zh) * 2022-12-27 2023-03-24 北京爱奇艺科技有限公司 一种商品检索方法、装置、设备及存储介质
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
CN116188975A (zh) * 2023-01-03 2023-05-30 国网江西省电力有限公司电力科学研究院 一种空地视角融合的电力设备故障识别方法及系统
CN116214524A (zh) * 2023-05-08 2023-06-06 国网浙江省电力有限公司宁波供电公司 用于油样回收的无人机抓载方法、装置及存储介质
CN116645620A (zh) * 2023-05-04 2023-08-25 国网电力空间技术有限公司 一种高精度电网无人机巡检图像缺陷识别方法及系统
CN116664612A (zh) * 2023-06-29 2023-08-29 国网信息通信产业集团有限公司 一种基于fpga的无人机巡检数据处理方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10769466B2 (en) * 2018-02-20 2020-09-08 International Business Machines Corporation Precision aware drone-based object mapping based on spatial pattern recognition
JP7190143B2 (ja) * 2018-10-09 2022-12-15 株式会社スカイマティクス 診断支援システム及びその方法
US11508056B2 (en) * 2019-02-28 2022-11-22 Measure Global, Inc. Drone inspection analytics for asset defect detection
EP4266246A1 (en) * 2022-04-22 2023-10-25 Imec VZW Automated defect classification and detection

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7298869B1 (en) * 2003-07-21 2007-11-20 Abernathy Donald A Multispectral data acquisition system and method
CN105741379A (zh) * 2016-01-28 2016-07-06 江苏省电力试验研究院有限公司 一种变电站全景巡检方法
KR20210143627A (ko) * 2020-05-20 2021-11-29 주식회사 유에프오에스트로넛 드론을 이용한 식생 예찰 시스템, 식생 예찰 장치 및 식생 예찰 방법
KR102187654B1 (ko) * 2020-07-09 2020-12-07 주식회사 이노드 저고도 무인 비행체 및 이를 포함하는 작물 재배 정보 획득 시스템
CN112180955A (zh) * 2020-08-26 2021-01-05 国网安徽省电力有限公司淮南供电公司 一种自动巡检无人机的基于视觉反馈的二次复查方法和系统
CN112270267A (zh) * 2020-10-29 2021-01-26 国网山东省电力公司淄博供电公司 可自动抓拍线路故障的摄像识别系统
CN112434600A (zh) * 2020-11-23 2021-03-02 国网安徽省电力有限公司淮南供电公司 一种无人机巡检方法及系统
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
CN115840831A (zh) * 2022-12-27 2023-03-24 北京爱奇艺科技有限公司 一种商品检索方法、装置、设备及存储介质
CN116188975A (zh) * 2023-01-03 2023-05-30 国网江西省电力有限公司电力科学研究院 一种空地视角融合的电力设备故障识别方法及系统
CN116645620A (zh) * 2023-05-04 2023-08-25 国网电力空间技术有限公司 一种高精度电网无人机巡检图像缺陷识别方法及系统
CN116214524A (zh) * 2023-05-08 2023-06-06 国网浙江省电力有限公司宁波供电公司 用于油样回收的无人机抓载方法、装置及存储介质
CN116664612A (zh) * 2023-06-29 2023-08-29 国网信息通信产业集团有限公司 一种基于fpga的无人机巡检数据处理方法及装置

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
云平台下电力系统能量备用实时调度模型研究;罗弦等;电子设计工程;20190118;第27卷(第2期);第175-184页 *
图像识别技术在变电站屏柜运检中的应用;钱金戈等;工业控制计算机;20210325;第34卷(第3期);第7-9页 *
基于三维模型的变电站智能管控系统设计;陈晨等;电力科学与技术学报;20211130;第36卷(第6期);第196-203页 *
基于机器视觉的车载式铁路轨道智能巡检系统研究;王留军等;成都信息工程大学学报;20160415;第31卷(第02期);第185-189页 *
基于深度学习的输电线路航拍照片目标检测应用;麦俊佳等;广东电力;20201010;第33卷(第09期);第174-182页 *
弱监督细粒度分类在绝缘子故障识别中的应用;潘哲等;山西大学学报(自然科学版);20190927;第43卷(第03期);第490-498页 *
水电站智能巡检系统的开发及应用;吴建华等;电工技术;20230825;第102-104页 *
电力巡检机器人综合管理平台开发与应用;宋庆武等;价值工程;20200518(第14期);第205-206页 *
配电网信息物理系统异常检测研究;陈家璘等;电测与仪表;20210108;第58卷(第8期);配电网信息物理系统异常检测研究 *

Also Published As

Publication number Publication date
CN117612047A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN111598843B (zh) 基于深度学习的电力变压器呼吸器目标缺陷检测方法
CN113361354A (zh) 轨道部件巡检方法、装置、计算机设备和存储介质
CN111046950A (zh) 一种图像处理方法、装置、存储介质和电子装置
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN116843691B (zh) 光伏板热斑检测方法及存储介质、电子设备
CN114724042B (zh) 一种输电线路中零值绝缘子自动检测方法
CN116681962A (zh) 基于改进YOLOv5的电力设备热图像检测方法及系统
CN116258980A (zh) 一种基于视觉的无人机分布式光伏电站巡检方法
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN115205256A (zh) 一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统
CN110490261B (zh) 一种输电线路巡检图像绝缘子的定位方法
Zan et al. Defect Identification of Power Line Insulators Based on a MobileViT‐Yolo Deep Learning Algorithm
CN117612047B (zh) 基于ai大模型的电网用无人机巡检图像识别方法
CN117350964A (zh) 一种基于跨模态多层次特征融合的电力设备检测方法
CN113378918B (zh) 一种基于度量学习的绝缘子绑扎线状态检测方法
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
CN113920450A (zh) 基于本征图像分解的绝缘子rtv涂层识别方法及装置
CN113284103A (zh) 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测系统
Zhou et al. Target recognition and evaluation of typical transmission line equipment based on deep learning
CN114674827B (zh) 一种基于两阶段深度学习策略的桥梁裂纹检测方法
CN117173385B (zh) 一种变电站的检测方法、装置、介质及设备
Gao Application of Target Detection Technology Based on Embedded Devices and Convolutional Neural Networks in Power Patrol
Zhang et al. Angle steel tower bolt defect detection based on YOLO-V3
CN118314488B (zh) 一种特高压变电站空天地多尺度重决策目标检测方法

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