CN117690063A - 电缆线路检测方法、装置、电子设备与计算机可读介质 - Google Patents
电缆线路检测方法、装置、电子设备与计算机可读介质 Download PDFInfo
- Publication number
- CN117690063A CN117690063A CN202410153633.XA CN202410153633A CN117690063A CN 117690063 A CN117690063 A CN 117690063A CN 202410153633 A CN202410153633 A CN 202410153633A CN 117690063 A CN117690063 A CN 117690063A
- Authority
- CN
- China
- Prior art keywords
- line
- cable line
- detection result
- video
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 250
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 89
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 34
- 230000004927 fusion Effects 0.000 description 15
- 238000000605 extraction Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- 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
-
- 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
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了电缆线路检测方法、装置、电子设备与计算机可读介质。该方法的一具体实施方式包括：采集目标电缆线路的实时线路运行信息，以及获取目标电缆线路在预设时间段内的历史线路运行信息序列；基于历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；对实时线路运行信息进行参数检测，得到参数检测结果；根据视频预加载内容，对目标电缆线路进行外观检测，以生成外观检测结果；将电缆线路运行检测检测结果、参数检测结果与外观检测结果发送至相关联的电缆线路监测终端。该实施方式提升了检测的全面性与精准性，缩短了检测时间，提升了检测效率。
Description
技术领域
本公开的实施例涉及电缆线路检测领域，具体涉及电缆线路检测方法、装置、电子设备与计算机可读介质。
背景技术
目前，在对电缆线路进行检测时，通常采用的方式为：由技术人员手持检测仪器，对电缆线路逐段进行检测。
然而，发明人发现，采用上述方式通常会存在如下技术问题一：由技术人员手持检测仪器，对电缆线路逐段进行检测，检测时间较长。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了电缆线路检测方法、装置、电子设备与计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种电缆线路检测方法，该方法包括：采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列；基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；对上述实时线路运行信息进行参数检测，得到参数检测结果；从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；解析上述线路视频链接对应的链接附加信息；根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息；执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容；根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果；将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路监测终端。
第二方面，本公开的一些实施例提供了一种电缆线路检测装置，该装置包括：采集单元，被配置成采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列；生成单元，被配置成基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；检测单元，被配置成对上述实时线路运行信息进行参数检测，得到参数检测结果；获取单元，被配置成从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；解析单元，被配置成解析上述线路视频链接对应的链接附加信息；生成单元，被配置成根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息；执行单元，被配置成执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容；外观检测单元，被配置成根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果；发送单元，被配置成将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路维修终端。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的电缆线路检测方法，缩短了检测时间，提升了检测效率。具体来说，检测时间较长的原因在于：由技术人员手持检测仪器，对电缆线路逐段进行检测，检测时间较长。基于此，本公开的一些实施例的电缆线路检测方法，首先，采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列。其次，基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；对上述实时线路运行信息进行参数检测，得到参数检测结果。由此，可以通过预先训练的电缆线路运行检测模型对线路的运行参数进行解析。从而，缩短了检测时间，提升了检测效率。然后，从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；解析上述线路视频链接对应的链接附加信息；根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息；执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容。由此，便于检测线路的表面是否存在异常。之后，根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果。由此，可以对线路表面进行检测。最后，将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路监测终端。由此，可以从线路运行参数与线路表面两个角度对电缆线路进行全面检测。从而，提升了检测的全面性与精准性，缩短了检测时间，提升了检测效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的电缆线路检测方法的一些实施例的流程图；
图2是根据本公开的电缆线路检测装置的一些实施例的流程图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的电缆线路检测方法的一些实施例的流程图。示出了根据本公开的电缆线路检测方法的一些实施例的流程100。该电缆线路检测方法，包括以下步骤：
步骤101，采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列。
在一些实施例中，电缆线路检测方法的执行主体（例如，计算设备）可以采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列。上述执行主体可以在目标电缆线路对应的电力运行终端中采集实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列。实时线路运行信息可以包括目标电缆线路的电压、电流、电阻、电抗、电导、电纳等参数信息。历史线路运行信息可以是指某一历史时刻的目标电缆线路的电压、电流、电阻、电抗、电导、电纳等参数信息。
继续的，在采用本公开的电缆线路检测方法进行电缆线路参数检测时，往往又会伴随着如下问题：需要采集大量电缆线路参数样本，对电缆线路运行检测模型进行训练。
针对这些问题，常规的解决方案是：通过技术人员对各个电缆线路参数样本进行标注，之后，利用标注后的样本，进行模型训练。
然而，上述解决方案通常存在如下技术问题二：人工标注效率较低，样本标注时间较长。
针对上述技术问题二，决定采用如下解决方案。
可选地，获取标记线路参数变化图集和未标记线路参数变化图集。
在一些实施例中，上述执行主体可以获取标记线路参数变化图集和未标记线路参数变化图集。标记线路参数变化图标记了线路参数中异常参数的图像。未标记线路参数变化图可以是指未标记线路参数中异常参数的图像。即，标记线路参数变化图为存在标签的图像。未标记线路参数变化图可以是未标记标签的图像。
可选地，基于上述标记线路参数变化图集和上述未标记线路参数变化图集，执行以下标记步骤：
第一步，提取上述标记线路参数变化图集中每个标记线路参数变化图的标记线路参数变化图特征向量，得到标记线路参数变化图特征向量集。可以通过特征提取网络提取上述标记线路参数变化图集中每个标记线路参数变化图的标记线路参数变化图特征向量，得到标记线路参数变化图特征向量集。特征提取网络可以是特征提取模型，例如，Bert模型，VGG模型等。
第二步，提取上述未标记线路参数变化图集中每个未标记线路参数变化图的未标记线路参数变化图特征向量，得到未标记线路参数变化图特征向量集。可以通过特征提取网络提取上述未标记线路参数变化图集中每个未标记线路参数变化图的未标记线路参数变化图特征向量，得到未标记线路参数变化图特征向量集。
第三步，根据上述标记线路参数变化图特征向量集和上述未标记线路参数变化图特征向量集，构建线路参数变化图特征树。其中，上述线路参数变化图特征树包括：各个标记线路参数变化图节点和各个未标记线路参数变化图节点。
其中，构建线路参数变化图特征结构树，包括：
首先，将上述标记线路参数变化图特征向量集和上述未标记线路参数变化图特征向量集确定为线路参数变化图特征向量集。
然后，对于上述线路参数变化图特征向量集中的每个线路参数变化图特征向量，执行以下处理步骤：
1、从上述线路参数变化图特征向量集中选择与上述线路参数变化图特征向量之间的相似度大于等于预设相似度的各个线路参数变化图特征向量。
2、将所选择的各个线路参数变化图特征向量确定为上述线路参数变化图特征向量的相似线路参数变化图特征向量组。
最后，根据上述线路参数变化图特征向量集中各个线路参数变化图特征向量的相似线路参数变化图特征向量组，构建线路参数变化图特征结构树。其中，上述线路参数变化图特征结构树中对应标记线路参数变化图的特征向量为标记线路参数变化图节点，对应未标记线路参数变化图的特征向量为未标记线路参数变化图节点。
第四步，根据上述线路参数变化图特征树包括的各个标记线路参数变化图节点，从上述线路参数变化图特征树中选择出待标记线路参数变化图节点集。对于上述各个未标记线路参数变化图节点中的每个未标记线路参数变化图节点，上述执行主体可以执行以下步骤：第一步，确定上述未标记线路参数变化图节点对应的未标记线路参数变化图特征向量与各个标记线路参数变化图的距离，得到各个特征距离。第二步，将上述各个特征距离的最小值确定最小特征距离。然后，可以对所确定的各个最小特征距离进行降序排列，得到最小特征距离序列。其次，可以将上述最小特征距离序列中前目标数量的各个最小特征距离确定为各个目标最小特征距离。最后，可以将上述各个目标最小特征距离对应的各个未标记线路参数变化图节点确定为待标记线路参数变化图节点集。
第五步，对上述待标记线路参数变化图节点集对应的各个未标记线路参数变化图进行标记处理，得到标记线路参数变化图组。上述执行主体可以对上述待标记线路参数变化图节点集对应的每个未标记线路参数变化图进行显示，以接收技术人员输入的对应上述未标记线路参数变化图的标记信息，以对上述未标记线路参数变化图进行标注处理。这里，标记信息可以包括用户输入的未标记线路参数变化图的标签。
可选地，将上述标记线路参数变化图集与上述标记线路参数变化图组进行合并，得到合并标记线路参数变化图集，作为线路参数变化图样本集。
在一些实施例中，上述执行主体可以将上述标记线路参数变化图集与上述标记线路参数变化图组进行合并，得到合并标记线路参数变化图集，作为线路参数变化图样本集。
上述相关内容作为本公开的一个发明点，解决了技术问题二“人工标注效率较低，样本标注时间较长。”。样本标注时间较长的因素往往如下：人工标注效率较低，样本标注时间较长。如果解决了上述因素，就能达到提升标注效率以及缩短标注时间的效果。为了达到这一效果，首先，获取标记线路参数变化图集和未标记线路参数变化图集。然后，基于上述标记线路参数变化图集和上述未标记线路参数变化图集，执行以下标记步骤：提取上述标记线路参数变化图集中每个标记线路参数变化图的标记线路参数变化图特征向量，得到标记线路参数变化图特征向量集；提取上述未标记线路参数变化图集中每个未标记线路参数变化图的未标记线路参数变化图特征向量，得到未标记线路参数变化图特征向量集；根据上述标记线路参数变化图特征向量集和上述未标记线路参数变化图特征向量集，构建线路参数变化图特征树，其中，上述线路参数变化图特征树包括：各个标记线路参数变化图节点和各个未标记线路参数变化图节点；根据上述线路参数变化图特征树包括的各个标记线路参数变化图节点，从上述线路参数变化图特征树中选择出待标记线路参数变化图节点集；对上述待标记线路参数变化图节点集对应的各个未标记线路参数变化图进行标记处理，得到标记线路参数变化图组。最后，将上述标记线路参数变化图集与上述标记线路参数变化图组进行合并，得到合并标记线路参数变化图集，作为线路参数变化图样本集。由此，可以利用少量标注的线路参数变化图，对未标注的线路参数变化图进行标记。从而，提升了标记效率，缩短了标注时长。也因为，通过图像特征进行的自动标记，极大地提升了标记的准确度，提升后续模型训练的精准度。
可选地，根据上述线路参数变化图样本集，对初始电缆线路运行检测模型进行训练，得到训练完成的电缆线路运行检测模型。
在一些实施例中，上述执行主体可以根据上述线路参数变化图样本集，对初始电缆线路运行检测模型进行训练，得到训练完成的电缆线路运行检测模型。其中，上述执行主体可以按照深度神经网络模型的训练方式，对初始电缆线路运行检测模型进行训练，得到训练完成的电缆线路运行检测模型。
步骤102，基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果。
在一些实施例中，上述执行主体可以基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果。电缆线路运行检测模型可以是预先训练的以历史线路运行信息序列对应的线路参数变化图为输入，以电缆线路运行检测检测结果为输出的神经网络模型。例如，电缆线路运行检测模型可以是卷积神经网络模型。电缆线路运行检测检测结果可以表示历史线路运行信息序列对应的各个参数是否异常。
实践中，上述执行主体可以通过以下步骤生成电缆线路运行检测检测结果：
第一步，根据上述历史线路运行信息序列，绘制线路参数变化图。即，可以将上述历史线路运行信息序列中的每个参数，按照时间的先后顺序，绘制成折线图。之后，在将各个参数对应的折线图合并为一个参数变化图，得到线路参数变化图。
第二步，将上述线路参数变化图输入至上述电缆线路运行检测模型中，得到电缆线路运行检测检测结果。
步骤103，对上述实时线路运行信息进行参数检测，得到参数检测结果。
在一些实施例中，上述执行主体可以对上述实时线路运行信息进行参数检测，得到参数检测结果。即，上述执行主体可以确定上述实时线路运行信息包括的每个参数是否在预设的参数运行区间内。当某一参数不在参数运行区间内，则生成表征该参数异常的参数结果。将各个参数结果合并为参数检测结果。
步骤104，从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接。
在一些实施例中，上述执行主体可以从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接。摄像监测终端中存储了预设时间段内整个目标电缆线路的监测视频。线路视频链接可以是线路监控视频对应的下载链接（Uniform Resource Locator，URL）。
步骤105，解析上述线路视频链接对应的链接附加信息。
在一些实施例中，上述执行主体可以解析上述线路视频链接对应的链接附加信息。其中，链接附加信息可以是线路视频链接中包括的与视频加载内存信息存在关联关系的附加信息。实践中，链接附加信息可以包括：目标视频总时长、目标视频总占用内存、各个关键帧图像的图像位置。可以利用预设正则化公式，来解析上述线路视频链接对应的链接附加信息。其中，预设正则化公式是基于链接的连接形式而设置的、用于提取链接附加信息的公式。
步骤106，根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息。
在一些实施例中，上述执行主体可以根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息。其中，视频预加载内存信息可以表征线路监控视频预先加载的视频内容的字节占用情况。
作为示例，针对链接附加信息包括：线路监控视频对应的视频占用字节内存和视频总时长。首先，上述执行主体可以将视频占用字节内存与第一比例相乘，得到相乘占用字节内存信息。然后，确定相乘占用字节对应的、线路监控视频中的对应帧图像，作为第一目标图像。接着，将视频总时长与第二比例相乘，得到相乘时长占比。再接着，确定上述相乘时长占比对应的、线路监控视频中的对应帧图像，作为第二目标图像。进而，从第一目标图像和第二目标图像中筛选出对应图像时间最早的图像，作为视频预加载截止图像。最后，将处于线路监控视频中的、在视频预加载截止图像之前的图像序列对应的图像字节内存信息，确定为视频预加载内存信息。
步骤107，执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容。
在一些实施例中，上述执行主体可以执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容。其中，视频预加载内容可以是线路监控视频中的子视频。
步骤108，根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果。
在一些实施例中，上述执行主体可以根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果。
实践中，上述执行主体可以通过以下步骤对上述目标电缆线路进行外观检测，以生成外观检测结果：
第一步，对上述视频预加载内容包括的视频进行分帧处理，得到电缆线路外观图像序列。即，视频预加载内容包括的视频的每一帧图像进行分帧，得到电缆线路外观图像序列。
第二步，将上述电缆线路外观图像序列输入至预先训练的电缆线路表面检测模型中，得到电缆线路表面检测结果序列。其中，上述电缆线路外观图像序列中的电缆线路外观图像对应上述电缆线路表面检测结果序列中的电缆线路表面检测结果。电缆线路表面检测模型可以是预先训练的以电缆线路外观图像为输入，以电缆线路表面检测结果为输出的神经网络模型。例如，电缆线路表面检测模型可以是预先训练的卷积神经网络模型。例如，电缆线路表面检测结果可以表示电缆线路外观图像所显示的电缆线路是否存在异常。例如，锈蚀、断裂、破损等。
第三步，将上述电缆线路表面检测结果序列确定为外观检测结果。
在一些实施例的一些可选的实现方式中，上述执行主体还可以通过以下步骤对上述目标电缆线路进行外观检测，以生成外观检测结果：
第一步，对上述视频预加载内容包括的视频进行分帧处理，得到电缆线路外观图像序列。
第二步，将上述电缆线路外观图像序列输入至预先训练的电缆线路表面检测模型中，得到电缆线路表面检测结果序列。其中，上述电缆线路外观图像序列中的电缆线路外观图像对应上述电缆线路表面检测结果序列中的电缆线路表面检测结果。
第三步，将上述电缆线路表面检测结果序列中表征异常结果的电缆线路表面检测结果确定为异常电缆线路表面检测结果，得到异常电缆线路表面检测结果组。
第四步，将上述异常电缆线路表面检测结果组每个异常电缆线路表面检测结果对应的位置信息与类型信息分别确定为异常位置信息与异常类型信息。位置信息可以表示电缆线路异常的位置。类型信息可以表示电缆线路异常的类型（锈蚀、断裂、破损）。
第五步，将每个异常位置信息与对应的异常类型信息合并为异常线路信息，得到异常线路信息组，作为外观检测结果。
继续的，在采用本申请的电缆线路检测方法进行电缆线路检测时，往往又会伴随着如下问题：在对电缆线路表面进行监测，通常是通过技术人员根据采集的视频，逐帧进行分析监测，耗费的时间较长。
针对这些问题，常规的解决方案是：通过技术人员直接巡视电缆线路，进行巡视检测。
然而，上述解决方案通常存在如下技术问题三：人工巡视效率较低，且容易遗漏对电缆线路的检测。
针对上述技术问题三，决定采用如下解决方案。
可选地，在上述将上述电缆线路外观图像序列输入至预先训练的电缆线路表面检测模型中，得到电缆线路表面检测结果序列之前，还包括：
第一步，确定电缆线路的各个表面异常类型。各个表面异常类型可以包括但不限于：锈蚀、断裂、破损。
第二步，获取上述各个表面异常类型中的每个表面异常类型对应的电缆线路图像样本集。即，该电缆线路图像样本集中的所有样本均对应一个表面异常类型。
其中，上述第二步，可以包括以下子步骤：
第一子步骤，采集电缆线路在各个区域节点中对应上述表面异常类型的线路图像，以及对采集的线路图像的类型信息和位置信息进行标注。其中，上述类型信息包括以下至少一项：线路破损、线路断裂、线路腐蚀。上述位置信息包括以下至少一项：线路在图像中的位置、线路破损位置、线路断裂位置、线路腐蚀位置。
第二子步骤，根据预设的正负样本比例，以及训练与测试的样本数量比例，从标注后的线路图像中选取候选线路图像组。
第三子步骤，对上述候选线路图像组中的每个候选线路图像进行调整，以生成调整线路图像，得到调整线路图像组。其中，调整方式包括：尺寸缩放、角度翻转、颜色和/或光照调整。
第四子步骤，基于上述候选线路图像组和上述调整线路图像组，生成电缆线路图像样本集。
也就是说，执行主体可以对候选线路图像进行随机的尺寸缩放、水平和垂直翻转和颜色光照随机的调整。然后对于同一张候选线路图像，可以将4张调整后的候选线路图像进行随机拼接，从而得到更加丰富多样的训练线路图像。这里的拼接方式可以是边挨着边摆放，也可以是相互（部分遮挡或未遮挡）叠加。最后，执行主体可以从候选线路图像、调整线路图像以及拼接后线路图像中，选取至少两种线路图像作为训练样本中样本线路图像。最终训练模型的样本线路图像中可以包括了拼接后的线路图像、仅随机调整的线路图像。另外，为了便于模型预测，输入模型的样本线路图像可以为统一尺寸（如640×640）的线路图像。
第三步，对于每个电缆线路图像样本集，执行如下训练步骤：
第一子步骤，从上述电缆线路图像样本集中选择出目标电缆线路图像样本。即，可以随机从上述电缆线路图像样本集中选择出一个电缆线路图像样本作为目标电缆线路图像样本。
第二子步骤，将上述目标电缆线路图像样本包括的电缆线路图像输入至初始电缆线路表面检测子模型包括的特征提取网络中，以对上述电缆线路图像进行分层特征提取处理，得到各层电缆线路图像特征。特征提取网络可以是基于深度学习方法的卷积神经网络。作为示例，骨干特征提取网络可以为在目标检测算法所使用的主干特征提取网络基础上，加入注意力机制进行改进的骨干网络。例如在骨干网络（CSPDarknet）的基础上，加入SE（Squeeze and Excitation）注意力机制得到改进的SE-CSPDarknet骨干网络。骨干特征提取网络可以包含多个卷积模块、多个注意力机制卷积模块、池化模块。可以用于提取各层电缆线路图像特征。
第三子步骤，将上述各层电缆线路图像特征输入至上述初始电缆线路表面检测子模型包括的特征融合网络中，得到各电缆线路图像融合特征。特征融合网络可以根据实际需求进行设置，如可以采用自下而上的上采样特征融合结构，或者也可以采用自上而下的下采样特征融合结构。
第四子步骤，将上述各电缆线路图像融合特征输入至上述初始电缆线路表面检测子模型包括的检测网络中，得到检测结果。其中，检测网络可以包括分类结构和定位结构两部分。执行主体可以将各电缆线路图像融合特征输入检测网络，从而得到各电缆线路图像融合特征的分类数据和定位数据。接着，将各电缆线路图像融合特征的分类数据进行维度叠加，得到电缆线路图像的分类预测总数据。其中，分类预测维度可以包括预测的检测框个数，以及每个检测框属于各标注类别的预测值。另外，可以将各电缆线路图像融合特征的定位数据进行维度叠加，从而得到电缆线路图像的定位预测总数据。其中，定位预测维度可以包括预测的检测框个数，以及每个检测框在电缆线路图像中的预测位置。
第五子步骤，基于上述检测结果，生成上述初始电缆线路表面检测子模型的输出结果。对于同一电缆线路图像的各电缆线路图像融合特征的定位检测结果，执行主体可以计算平均值，以作为模型的输出结果。
第六子步骤，确定上述目标电缆线路图像样本对应的样本标签与上述输出结果之间的损失值。实践中，上述执行主体可以通过预设的损失函数确定上述目标电缆线路图像样本对应的样本标签与上述输出结果之间的损失值。样本标签可以是预先设置的表示目标电缆线路图像样本包括的电缆线路图像对应的异常标签。例如，预设的损失函数可以是合页损失函数或交叉熵损失函数。
第七子步骤，响应于确定上述损失值小于等于预设损失值，将上述初始电缆线路表面检测子模型确定为训练完成的电缆线路表面检测子模型。
第四步，将所训练完成的各个电缆线路表面检测子模型融合为电缆线路表面检测模型。
上述相关内容作为本公开的一个发明点，解决了技术问题三“人工巡视效率较低，且容易遗漏对电缆线路的检测。”。容易遗漏对电缆线路的检测的因素往往如下：人工巡视效率较低，且容易遗漏对电缆线路的检测。如果解决了上述因素，就能达到提升检测效率与全面检测的效果。为了达到这一效果，首先，确定电缆线路的各个表面异常类型。接着，获取上述各个表面异常类型中的每个表面异常类型对应的电缆线路图像样本集。然后，对于每个电缆线路图像样本集，执行如下训练步骤：从上述电缆线路图像样本集中选择出目标电缆线路图像样本；将上述目标电缆线路图像样本包括的电缆线路图像输入至初始电缆线路表面检测子模型包括的特征提取网络中，以对上述电缆线路图像进行分层特征提取处理，得到各层电缆线路图像特征；将上述各层电缆线路图像特征输入至上述初始电缆线路表面检测子模型包括的特征融合网络中，得到各电缆线路图像融合特征；将上述各电缆线路图像融合特征输入至上述初始电缆线路表面检测子模型包括的检测网络中，得到检测结果；基于上述检测结果，生成上述初始电缆线路表面检测子模型的输出结果；确定上述目标电缆线路图像样本对应的样本标签与上述输出结果之间的损失值；响应于确定上述损失值小于等于预设损失值，将上述初始电缆线路表面检测子模型确定为训练完成的电缆线路表面检测子模型。最后，将所训练完成的各个电缆线路表面检测子模型融合为电缆线路表面检测模型。由此，可以利用采集的各个异常类型的电缆线路图像，作为训练样本。进而对构建的电缆线路表面检测模型进行训练。这里的电缆线路表面检测模型包括特征提取网络、特征融合网络和检测定位网络。进而利用该电缆线路表面检测模型，可以实现电缆线路表面缺陷的自动检测。这样有助于减少人工检测的疏漏问题，提升了检测效率。
步骤109，将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路监测终端。
在一些实施例中，上述执行主体可以将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路监测终端。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种电缆线路检测装置的一些实施例，这些电缆线路检测装置实施例与图1所示的那些方法实施例相对应，该电缆线路检测装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的电缆线路检测装置200包括：采集单元201、生成单元202、检测单元203、获取单元204、解析单元205、生成单元206、执行单元207、外观检测单元208和发送单元209。其中，采集单元201，被配置成采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列；生成单元202，被配置成基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；检测单元203，被配置成对上述实时线路运行信息进行参数检测，得到参数检测结果；获取单元204，被配置成从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；解析单元205，被配置成解析上述线路视频链接对应的链接附加信息；生成单元206，被配置成根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息；执行单元207，被配置成执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容；外观检测单元208，被配置成根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果；发送单元209，被配置成将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路维修终端。
可以理解的是，该电缆线路检测装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于电缆线路检测装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如计算设备）300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列；基于上述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；对上述实时线路运行信息进行参数检测，得到参数检测结果；从监测上述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；解析上述线路视频链接对应的链接附加信息；根据上述链接附加信息，生成上述线路监控视频对应的视频预加载内存信息；执行上述线路监控视频对应视频内容的预加载，得到对应上述视频预加载内存信息的视频预加载内容；根据上述视频预加载内容，对上述目标电缆线路进行外观检测，以生成外观检测结果；将上述电缆线路运行检测检测结果、上述参数检测结果与上述外观检测结果发送至相关联的电缆线路监测终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：采集单元、生成单元、检测单元、获取单元、解析单元、生成单元、执行单元、外观检测单元和发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，采集单元还可以被描述为“采集目标电缆线路的实时线路运行信息，以及获取上述目标电缆线路在预设时间段内的历史线路运行信息序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种电缆线路检测方法，包括：
采集目标电缆线路的实时线路运行信息，以及获取所述目标电缆线路在预设时间段内的历史线路运行信息序列；
基于所述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；
对所述实时线路运行信息进行参数检测，得到参数检测结果；
从监测所述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；
解析所述线路视频链接对应的链接附加信息；
根据所述链接附加信息，生成所述线路监控视频对应的视频预加载内存信息；
执行所述线路监控视频对应视频内容的预加载，得到对应所述视频预加载内存信息的视频预加载内容；
根据所述视频预加载内容，对所述目标电缆线路进行外观检测，以生成外观检测结果；
将所述电缆线路运行检测检测结果、所述参数检测结果与所述外观检测结果发送至相关联的电缆线路监测终端。
2.根据权利要求1所述的方法，其中，所述根据所述视频预加载内容，对所述目标电缆线路进行外观检测，以生成外观检测结果，包括：
对所述视频预加载内容包括的视频进行分帧处理，得到电缆线路外观图像序列；
将所述电缆线路外观图像序列输入至预先训练的电缆线路表面检测模型中，得到电缆线路表面检测结果序列，其中，所述电缆线路外观图像序列中的电缆线路外观图像对应所述电缆线路表面检测结果序列中的电缆线路表面检测结果；
将所述电缆线路表面检测结果序列确定为外观检测结果。
3.根据权利要求1所述的方法，其中，所述根据所述视频预加载内容，对所述目标电缆线路进行外观检测，以生成外观检测结果，包括：
对所述视频预加载内容包括的视频进行分帧处理，得到电缆线路外观图像序列；
将所述电缆线路外观图像序列输入至预先训练的电缆线路表面检测模型中，得到电缆线路表面检测结果序列，其中，所述电缆线路外观图像序列中的电缆线路外观图像对应所述电缆线路表面检测结果序列中的电缆线路表面检测结果；
将所述电缆线路表面检测结果序列中表征异常结果的电缆线路表面检测结果确定为异常电缆线路表面检测结果，得到异常电缆线路表面检测结果组；
将所述异常电缆线路表面检测结果组每个异常电缆线路表面检测结果对应的位置信息与类型信息分别确定为异常位置信息与异常类型信息；
将每个异常位置信息与对应的异常类型信息合并为异常线路信息，得到异常线路信息组，作为外观检测结果。
4.根据权利要求1所述的方法，其中，所述基于所述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果，包括：
根据所述历史线路运行信息序列，绘制线路参数变化图；
将所述线路参数变化图输入至所述电缆线路运行检测模型中，得到电缆线路运行检测检测结果。
5.一种电缆线路检测装置，包括：
采集单元，被配置成采集目标电缆线路的实时线路运行信息，以及获取所述目标电缆线路在预设时间段内的历史线路运行信息序列；
生成单元，被配置成基于所述历史线路运行信息序列和预先训练的电缆线路运行检测模型，生成电缆线路运行检测检测结果；
检测单元，被配置成对所述实时线路运行信息进行参数检测，得到参数检测结果；
获取单元，被配置成从监测所述目标电缆线路的摄像监测终端中获取预设时间段内的线路监控视频的线路视频链接；
解析单元，被配置成解析所述线路视频链接对应的链接附加信息；
生成单元，被配置成根据所述链接附加信息，生成所述线路监控视频对应的视频预加载内存信息；
执行单元，被配置成执行所述线路监控视频对应视频内容的预加载，得到对应所述视频预加载内存信息的视频预加载内容；
外观检测单元，被配置成根据所述视频预加载内容，对所述目标电缆线路进行外观检测，以生成外观检测结果；
发送单元，被配置成将所述电缆线路运行检测检测结果、所述参数检测结果与所述外观检测结果发送至相关联的电缆线路维修终端。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153633.XA CN117690063B (zh) | 2024-02-04 | 2024-02-04 | 电缆线路检测方法、装置、电子设备与计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153633.XA CN117690063B (zh) | 2024-02-04 | 2024-02-04 | 电缆线路检测方法、装置、电子设备与计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690063A true CN117690063A (zh) | 2024-03-12 |
| CN117690063B CN117690063B (zh) | 2024-04-12 |
Family
ID=90137549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410153633.XA Active CN117690063B (zh) | 2024-02-04 | 2024-02-04 | 电缆线路检测方法、装置、电子设备与计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690063B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117974635A (zh) * | 2024-03-28 | 2024-05-03 | 广东电网有限责任公司广州供电局 | 电缆通道检测方法、装置、电子设备与计算机可读介质 |
| CN118038193A (zh) * | 2024-04-12 | 2024-05-14 | 深圳供电局有限公司 | 地下电缆可视化展示方法、装置、电子设备与计算机介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105716664A (zh) * | 2016-04-12 | 2016-06-29 | 国家电网公司 | 基于标幺化算法的电缆状态监测多参数关联分析方法 |
| US20210058167A1 (en) * | 2019-08-21 | 2021-02-25 | Commscope Technologies Llc | Methods including detecting cables connected to ports of communications network equipment and related systems |
| CN115147780A (zh) * | 2022-07-21 | 2022-10-04 | 深圳供电局有限公司 | 一种电缆附件的红外图像识别方法 |
| CN116187759A (zh) * | 2023-02-09 | 2023-05-30 | 国网河南省电力公司漯河供电公司 | 一种电缆线路运行风险评估方法及系统 |
| CN116310316A (zh) * | 2023-02-14 | 2023-06-23 | 南京工程学院 | 一种基于交叉校验的电力架空导线检测方法 |
| CN116363501A (zh) * | 2023-01-13 | 2023-06-30 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 输电线路异物入侵检测方法、装置和计算机设备 |
| CN116468666A (zh) * | 2023-03-14 | 2023-07-21 | 贵州电网有限责任公司 | 一种专用于输电线路运维的巡检图像缺陷检测方法 |
| CN116543346A (zh) * | 2023-05-06 | 2023-08-04 | 电子科技大学 | 一种基于深度学习的输电线路视频山火检测方法 |
| US20230336034A1 (en) * | 2022-04-15 | 2023-10-19 | Momentum Dynamics Corporation | Foreign object detection for wireless power transfer systems |
-
2024
- 2024-02-04 CN CN202410153633.XA patent/CN117690063B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105716664A (zh) * | 2016-04-12 | 2016-06-29 | 国家电网公司 | 基于标幺化算法的电缆状态监测多参数关联分析方法 |
| US20210058167A1 (en) * | 2019-08-21 | 2021-02-25 | Commscope Technologies Llc | Methods including detecting cables connected to ports of communications network equipment and related systems |
| US20230336034A1 (en) * | 2022-04-15 | 2023-10-19 | Momentum Dynamics Corporation | Foreign object detection for wireless power transfer systems |
| CN115147780A (zh) * | 2022-07-21 | 2022-10-04 | 深圳供电局有限公司 | 一种电缆附件的红外图像识别方法 |
| CN116363501A (zh) * | 2023-01-13 | 2023-06-30 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 输电线路异物入侵检测方法、装置和计算机设备 |
| CN116187759A (zh) * | 2023-02-09 | 2023-05-30 | 国网河南省电力公司漯河供电公司 | 一种电缆线路运行风险评估方法及系统 |
| CN116310316A (zh) * | 2023-02-14 | 2023-06-23 | 南京工程学院 | 一种基于交叉校验的电力架空导线检测方法 |
| CN116468666A (zh) * | 2023-03-14 | 2023-07-21 | 贵州电网有限责任公司 | 一种专用于输电线路运维的巡检图像缺陷检测方法 |
| CN116543346A (zh) * | 2023-05-06 | 2023-08-04 | 电子科技大学 | 一种基于深度学习的输电线路视频山火检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| HAIQING NIU 等: "Parameter Analysis and Research on Sheath Lightning Overvoltage of Single-Core Cable", IEEE PES ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE (APPEEC), 12 May 2009 (2009-05-12), pages 1 * |
| 李方利 等: "基于多传感器融合技术的电缆附件 局部放电检测系统", 电测与仪表, no. 6, 30 June 2020 (2020-06-30), pages 53 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117974635A (zh) * | 2024-03-28 | 2024-05-03 | 广东电网有限责任公司广州供电局 | 电缆通道检测方法、装置、电子设备与计算机可读介质 |
| CN118038193A (zh) * | 2024-04-12 | 2024-05-14 | 深圳供电局有限公司 | 地下电缆可视化展示方法、装置、电子设备与计算机介质 |
| CN118038193B (zh) * | 2024-04-12 | 2024-06-21 | 深圳供电局有限公司 | 地下电缆可视化展示方法、装置、电子设备与计算机介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690063B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11256920B2 (en) | Method and apparatus for classifying video | |
| CN111314733B (zh) | 用于评估视频清晰度的方法和装置 | |
| CN117690063B (zh) | 电缆线路检测方法、装置、电子设备与计算机可读介质 | |
| CN113313064B (zh) | 字符识别方法、装置、可读介质及电子设备 | |
| WO2022116322A1 (zh) | 异常检测模型生成方法和装置、异常事件检测方法和装置 | |
| CN114422267B (zh) | 流量检测方法、装置、设备及介质 | |
| CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN118053123B (zh) | 报警信息生成方法、装置、电子设备与计算机介质 | |
| KR20210058768A (ko) | 객체 라벨링 방법 및 장치 | |
| EP3907697A1 (en) | Method and apparatus for acquiring information | |
| CN117974398A (zh) | 基于多源数据的施工安全监管系统 | |
| CN113449773A (zh) | 模型更新方法、装置、存储介质及电子设备 | |
| CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 | |
| CN115277261B (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
| US20220270228A1 (en) | Method and apparatus for obtaining information | |
| CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
| CN110442806B (zh) | 用于识别图像的方法和装置 | |
| CN116645211B (zh) | 推荐用户信息生成方法、装置、设备和计算机可读介质 | |
| CN116863387A (zh) | 用于确定目标河道污染事件的方法、装置、设备和介质 | |
| CN117115139A (zh) | 内窥镜视频检测方法、装置、可读介质及电子设备 | |
| CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN112214695A (zh) | 信息处理方法、装置和电子设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN118262188A (zh) | 目标检测模型训练方法、物体检测信息生成方法和装置 |
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 |