CN108846418B - 一种电缆设备温度异常定位与识别方法 - Google Patents
一种电缆设备温度异常定位与识别方法 Download PDFInfo
- Publication number
- CN108846418B CN108846418B CN201810509939.9A CN201810509939A CN108846418B CN 108846418 B CN108846418 B CN 108846418B CN 201810509939 A CN201810509939 A CN 201810509939A CN 108846418 B CN108846418 B CN 108846418B
- Authority
- CN
- China
- Prior art keywords
- layer
- cable
- training
- temperature
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
- Laying Of Electric Cables Or Lines Outside (AREA)
Abstract
本发明涉及计算机图像处理识别的技术领域,更具体地,涉及一种电缆设备温度异常定位与识别方法,首先在电缆隧道巡检***拍摄的图片的基础上通过扩充样本生成目标数量的训练图片与原图共同作为训练样本,构建Faster R‑CNN网络模型对训练样本进行训练得到目标检测网络,得到接头区域在可见光照片上的位置,并映射到红外图片,并对电缆接头温度进行分析来及时对异常情况作出报警。本发明选择训练Faster R‑CNN目标检测网络参数,用RPN网络提取预选区域训练目标检测网络,充分利用卷积神经网络提取二维图片特征的能力,实现电缆设备温度异常定位与识别,具有较高的准确率,适用性广,具有良好的识别质量和较高的识别速度。
Description
技术领域
本发明涉及计算机图像处理识别的技术领域,更具体地,涉及一种电缆设备温度异常定位与识别方法。
背景技术
地下电缆隧道内的电缆线路和各种电力设备通信设备的数量在逐渐增多,且电缆隧道的结构因地势等原因比较复杂,这些都使得地下电缆的维护变得越来越困难。由于电缆接头处的工艺水平限制,连接不牢固等问题都可能导致接头处电阻过高,在电缆电流流过时产生的热效应之下会导致电缆接头处发热,严重的会导致电缆的绝缘被破坏致使漏电,甚至会引发火灾。而在非连接处由于电阻值较小一般不会出现热故障,因此对电缆接头的温度监控对于减小电缆故障,延长电缆使用寿命都有重要意义。由于电缆铺设长度较长、内部环境拥挤,目前电缆内部的人工巡检的效率低下,不便于对出现异常的电缆设备作出快速、正确的处理。
发明内容
本发明的目的在于克服现有技术的不足,提供一种电缆设备温度异常定位与识别方法,基于卷积神经网络和迁移学习,利用图像处理技术完成对电缆设备的在线监测,便于运维人员对出现异常的电缆设备作出快速、正确的处理,实现电缆隧道巡检的智能化、快速化和准确化。
为解决上述技术问题,本发明采用的技术方案是:
提供一种电缆设备温度异常定位与识别方法,其特征在于,包括以下步骤:
S1.通过隧道巡检机器人摄像头拍摄采集包含有目标电缆设备的样本图像;
S2.对步骤S1中样本图像进行扩充处理,生成目标数量的训练图片和原图共同作为训练样本;
S3.构建Faster R-CNN网络模型并导入步骤S2中的训练样本,用已经在ImageNet上预训练后得到的ZFNet网络参数初始化RPN,再用预训练的ZFNet网络参数初始化FasterR-CNN目标检测网络参数,并通过RPN网络提取预选区域训练目标检测网络;
S4.用步骤S3训练后的目标检测网络初始化RPN网络,固定RPN网络的卷积层并进行微调,固定目标检测网络的卷积层并用微调后的RPN网络提取的预选区域对目标检测网络微调,得到包括接头区域位置信息的输出结果;
S5.根据步骤S4得到的接头区域以及隧道巡检机器人的可见光摄像头与红外摄像头的参数可以将接头区域从可见光照片映射到红外照片上;
S6.对步骤S5的红外照片区域做温度最高值搜索,得到最高温度值;并根据电缆线芯温度与防爆箱温度的矫正公式矫正得到电缆接头处线芯的最高温度;
S7.将电缆接头处线芯的最高温度与电缆接头的巡检标准温度阈值对比判断是否出现异常高温,若是,则决定报警。
本发明的电缆设备温度异常定位与识别方法,首先在电缆隧道巡检***拍摄的图片的基础上通过扩充样本生成目标数量的训练图片与原图共同作为训练样本,构建FasterR-CNN网络模型对训练样本进行训练得到目标检测网络,得到接头区域在可见光照片上的位置,并映射到红外图片,并对电缆接头温度进行分析来及时对异常情况作出报警。本发明采用了迁移学习的方法,减轻了训练强度,保证较好的定位识别效果,能够实现电缆设备温度异常定位与识别,具有较高的准确率,且适用性广,具有良好的识别质量和较高的识别速度,为电力隧道智能化,无人化值守提供了重要的技术支撑。
优选地,步骤S2中所述的扩充处理按以下步骤进行:
S21.对步骤S1中的样本图像去除背景像素保留前景,生成纯色背景图片;
S22.对步骤S1中的样本图像进行颜色变换、伸缩变化以及旋转变换;
S23.经步骤S22处理的图片放置到步骤S21的背景图片的随机位置,一直添加直至生成目标数量的训练图片,训练图片与原图共同作为训练样本。
优选地,所述颜色变换为在HSV色域中将三个分量随机调至原来的0.8倍~1.2倍;所述伸缩变换为随机伸缩至原来的0.8倍~1.2倍;所述旋转变换为随机旋转-30°~30°。
优选地,步骤S3中所述的Faster R-CNN网络模型由顺次连接的输入层、卷积层、池化层、全连接层以及输出层构建得到。
优选地,步骤S3按以下步骤进行:
S31.以步骤S2中的训练样本为输入层,在卷积层中利用特定的卷积核对图像卷积提取特征值;
S32.将步骤S31中的特征值输出作为输入,在池化层中进行最大池化运算,缩小卷积层的信息;
S33.经过多层卷积和池化过程后,将池化层的输出作为输入,对每个特征值采用不同的权重进行全连接层的运算,将图像的二维信息转换为一维信息;
S34.根据步骤S33的一维信息的值对训练样本进行分类,分类结果由输出层给出。
优选地,每层卷积层由若干卷积单元组成,每个卷积单元的参数通过反向传播算法最佳化得到。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,越高层的卷积层代表越抽象的特征,而要训练识别定位的电缆接头也是由抽象特征组合而成,适用于迁移学习,在减轻训练量的同时保证较好的训练效果。
优选地,步骤S4中所述位置信息包括接头区域左上角顶点的横坐标x、纵坐标y以及接头区域的宽度w、高度h。
与现有技术相比,本发明的有益效果是:
(1)本发明选择了训练Faster R-CNN目标检测网络参数,并用RPN网络提取预选区域训练目标检测网络,充分利用了卷积神经网络提取二维图片特征的能力,弥补了传统方法特征描述不足或难以选择合适特征的缺陷;能够实现电缆设备温度异常定位与识别,具有较高的准确率,并且具有稳定性好,抗干扰能力强,检测速度快等优点,能够应用于隧道内部巡检***。
(2)本发明通过Faster R-CNN的特征提取框架来描述输入图片与检测目标之间的关系,减少目标的错误检测,避免非极大值抑制的步骤,解决电缆接头处无法肉眼辨别的检测与定位问题。
(3)本发明的方法不受图片中阴影、噪声、光线的影响,具有较高的准确率以及较强的抗干扰能力。
附图说明
图1为本发明的Faster R-CNN网络模型的结构示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1
本实施例为一种电缆设备温度异常定位与识别方法的第一实施例,包括以下步骤:
S1.通过隧道巡检机器人摄像头拍摄采集包含有目标电缆设备的样本图像;
S2.对步骤S1中样本图像进行扩充处理,生成目标数量的训练图片和原图共同作为训练样本;
S3.构建Faster R-CNN网络模型并导入步骤S2中的训练样本,用已经在ImageNet上预训练后得到的ZFNet网络参数初始化RPN,再用预训练的ZFNet网络参数初始化FasterR-CNN目标检测网络参数,并通过RPN网络提取预选区域训练目标检测网络;
S4.用步骤S3训练后的目标检测网络初始化RPN网络,固定RPN网络的卷积层并进行微调,固定目标检测网络的卷积层并用微调后的RPN网络提取的预选区域对目标检测网络微调,得到包括接头区域位置信息的输出结果;其中,位置信息包括接头区域左上角顶点的横坐标x、纵坐标y以及接头区域的宽度w、高度h;
S5.根据步骤S4得到的接头区域以及隧道巡检机器人的可见光摄像头与红外摄像头的参数可以将接头区域从可见光照片映射到红外照片上;
S6.对步骤S5的红外照片区域做温度最高值搜索,得到最高温度值;并根据电缆线芯温度与防爆箱温度的矫正公式矫正得到电缆接头处线芯的最高温度;
S7.将电缆接头处线芯的最高温度与电缆接头的巡检标准温度阈值对比判断是否出现异常高温,若是,则决定报警。
本实施例在实施时,先在电缆隧道巡检***拍摄的图片的基础上通过扩充样本生成目标数量的训练图片与原图共同作为训练样本,构建Faster R-CNN网络模型对训练样本进行训练得到目标检测网络,得到接头区域在可见光照片上的位置,并映射到红外图片,并对电缆接头温度进行分析来及时对异常情况作出报警。
具体地,步骤S2中的扩充处理按以下步骤进行:
S21.对步骤S1中的样本图像去除背景像素保留前景,生成纯色背景图片;
S22.对步骤S1中的样本图像进行颜色变换、伸缩变化以及旋转变换;
S23.经步骤S22处理的图片放置到步骤S21的背景图片的随机位置,一直添加直至生成目标数量的训练图片,训练图片与原图共同作为训练样本。
其中,颜色变换为在HSV色域中将三个分量随机调至原来的0.8倍~1.2倍;伸缩变换为随机伸缩至原来的0.8倍~1.2倍;旋转变换为随机旋转-30°~30°。
如图1所示,步骤S3中的Faster R-CNN网络模型由顺次连接的输入层、卷积层、池化层、全连接层以及输出层构建得到。其中,卷积神经网络的基础神经网络选择使用ZFNet,特征值形成的特征图与池化层之间通过RPN网络连接。
步骤S3按以下步骤进行:
S31.以步骤S2中的训练样本为输入层,在卷积层中利用特定的卷积核对图像卷积提取特征值;
S32.将步骤S31中的特征值输出作为输入,在池化层中进行最大池化运算,缩小卷积层的信息;
S33.经过多层卷积和池化过程后,将池化层的输出作为输入,对每个特征值采用不同的权重进行全连接层的运算,将图像的二维信息转换为一维信息;
S34.根据步骤S33的一维信息的值对训练样本进行分类,分类结果由输出层给出。
其中,每层卷积层由若干卷积单元组成,每个卷积单元的参数通过反向传播算法最佳化得到。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征。卷积操作的运算公式如下:
式中,Mij是xij的领域卷积神经网路的激活函数,一般用于卷积层和全连接层之后,激活函数是深度网络非线性的主要来源。
本实施例采用ReLU函数f(x)=max(x,0)作为激活函数,因为ReLU函数不会出现梯度消失的情况,且梯度简单收敛容易。
经过以上步骤,本发明能够实现电缆设备温度异常定位与识别,具有较高的准确性,并且具有稳定性好,抗干扰能力强,检测速度快的优点,能够应用于隧道内部巡检***。
实施例2
本实施例为实施例中的方法的应用,采集250张样本图像,对样本图像按照9:1比例分配训练集和测试集,并进行交叉验证。采用实施例1的方法检测巡检机器人拍摄隧道内部情况的测试图片时,识别准确率在99%以上,识别时间小于4s,温度偏差不超过2%。且当测试图片中出现不同的电缆接头时,根据拍摄图像的角度不同,本发明的方法也能够准确地检测与定位出图像中电缆接头区域并完成准确的结果检测,使得摄像机的摆放位置以及巡检机器人的顶点巡检位置更加自由,能够有效地应对一些复杂的环境状况。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种电缆设备温度异常定位与识别方法,其特征在于,包括以下步骤:
S1.通过隧道巡检机器人摄像头拍摄采集包含有目标电缆设备的样本图像;
S2.对步骤S1中样本图像进行扩充处理,生成目标数量的训练图片和原图共同作为训练样本;
S3.构建Faster R-CNN网络模型并导入步骤S2中的训练样本,用已经在ImageNet上预训练后得到的ZFNet网络参数初始化RPN,再用预训练的ZFNet网络参数初始化Faster R-CNN目标检测网络参数,并通过RPN网络提取预选区域训练目标检测网络;
S4.用步骤S3训练后的目标检测网络初始化RPN网络,固定RPN网络的卷积层并进行微调,固定目标检测网络的卷积层并用微调后的RPN网络提取的预选区域对目标检测网络微调,得到包括接头区域位置信息的输出结果;
S5.根据步骤S4得到的接头区域以及隧道巡检机器人的可见光摄像头与红外摄像头的参数可以将接头区域从可见光照片映射到红外照片上;
S6.对步骤S5的红外照片区域做温度最高值搜索,得到最高温度值;并根据电缆线芯温度与防爆箱温度的矫正公式矫正得到电缆接头处线芯的最高温度;
S7.将电缆接头处线芯的最高温度与电缆接头的巡检标准温度阈值对比判断是否出现异常高温,若是,则决定报警;
其中,步骤S2中所述的扩充处理按以下步骤进行:
S21.对步骤S1中的样本图像去除背景像素保留前景,生成纯色背景图片;
S22.对步骤S1中的样本图像进行颜色变换、伸缩变换以及旋转变换,所述颜色变换为在HSV色域中将三个分量随机调至原来的0.8倍~1.2倍;所述伸缩变换为随机伸缩至原来的0.8倍~1.2倍;所述旋转变换为随机旋转-30°~30°;
S23.经步骤S22处理的图片放置到步骤S21的背景图片的随机位置,一直添加直至生成目标数量的训练图片,训练图片与原图共同作为训练样本。
2.根据权利要求1所述的电缆设备温度异常定位与识别方法,其特征在于,步骤S3中所述的Faster R-CNN模型由顺次连接的输入层、卷积层、池化层、全连接层以及输出层构建得到。
3.根据权利要求2所述的电缆设备温度异常定位与识别方法,其特征在于,步骤S3按以下步骤进行:
S31.以步骤S2中的训练样本为输入层,在卷积层中利用特定的卷积核对图像卷积提取特征值;
S32.将步骤S31中的特征值输出作为输入,在池化层中进行最大池化运算,缩小卷积层的信息;
S33.经过多层卷积和池化过程后,将池化层的输出作为输入,对每个特征值采用不同的权重进行全连接层的运算,将图像的二维信息转换为一维信息;
S34.根据步骤S33的一维信息的值对训练样本进行分类,分类结果由输出层给出。
4.根据权利要求3所述的电缆设备温度异常定位与识别方法,其特征在于,每层卷积层由若干卷积单元组成,每个卷积单元的参数通过反向传播算法最佳化得到。
5.根据权利要求1至4任一项所述的电缆设备温度异常定位与识别方法,其特征在于,步骤S4中所述位置信息包括接头区域左上角顶点的横坐标x、纵坐标y以及接头区域的宽度w、高度h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509939.9A CN108846418B (zh) | 2018-05-24 | 2018-05-24 | 一种电缆设备温度异常定位与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509939.9A CN108846418B (zh) | 2018-05-24 | 2018-05-24 | 一种电缆设备温度异常定位与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846418A CN108846418A (zh) | 2018-11-20 |
CN108846418B true CN108846418B (zh) | 2019-12-13 |
Family
ID=64213435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810509939.9A Active CN108846418B (zh) | 2018-05-24 | 2018-05-24 | 一种电缆设备温度异常定位与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846418B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635390A (zh) * | 2018-11-29 | 2019-04-16 | 广东电网有限责任公司 | 一种中压电缆导体温度计算方法 |
CN109580004A (zh) * | 2018-12-18 | 2019-04-05 | 深圳码隆科技有限公司 | 一种温度检测方法及装置 |
CN109614947A (zh) * | 2018-12-19 | 2019-04-12 | 深圳供电局有限公司 | 电力部件识别模型训练方法、装置和计算机设备 |
CN109709895B (zh) * | 2019-01-22 | 2021-03-16 | 宁波大学 | 一种基于图像阈值设置的机床主轴热误差建模训练方法 |
CN109781268B (zh) * | 2019-03-16 | 2021-06-01 | 福州大学 | 一种基于低成本红外热视技术的开关柜内重点部位温度监测*** |
CN110160661B (zh) * | 2019-05-28 | 2020-08-18 | 华中科技大学 | 一种基于可见光照片的物体表面温度的测量方法及装置 |
CN110275084B (zh) * | 2019-06-13 | 2021-08-10 | 中国海洋石油集团有限公司 | 一种针对脐带缆泄漏故障的特征识别方法 |
CN110307903B (zh) * | 2019-06-28 | 2021-04-13 | 广西慧云信息技术有限公司 | 一种家禽特定部位无接触温度动态测量的方法 |
CN110717883A (zh) * | 2019-07-19 | 2020-01-21 | 广东电网有限责任公司 | 一种基于红外图像的电缆部位自动识别方法 |
CN110824311A (zh) * | 2019-11-22 | 2020-02-21 | 南京信息工程大学 | 一种基于图像识别的氧化锌阀片击穿点检测装置和方法 |
CN111104880A (zh) * | 2019-12-09 | 2020-05-05 | 北京国网富达科技发展有限责任公司 | 电缆隧道状态数据的处理方法、装置及*** |
CN111089865B (zh) * | 2019-12-19 | 2024-02-27 | 国网甘肃省电力公司电力科学研究院 | 一种基于f-rcnn的缺陷电缆检测方法 |
CN111127445A (zh) * | 2019-12-26 | 2020-05-08 | 智洋创新科技股份有限公司 | 基于深度学习的配网线路高温区域检测方法与*** |
CN111652872A (zh) * | 2020-06-02 | 2020-09-11 | 武汉市华和智联科技有限公司 | 基于感温变色的电缆涂层颜色识别装置及其识别方法 |
CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及*** |
CN112013993B (zh) * | 2020-08-27 | 2021-12-14 | 国网山西省电力公司大同供电公司 | 一种基于水下机器人的海底电缆探测方法 |
CN112595730A (zh) * | 2020-11-13 | 2021-04-02 | 深圳供电局有限公司 | 电缆破损识别方法、装置和计算机设备 |
CN112489017A (zh) * | 2020-11-30 | 2021-03-12 | 深圳供电局有限公司 | 一种电力设备故障智能识别方法及识别*** |
CN112734003A (zh) * | 2020-12-30 | 2021-04-30 | 南京邮电大学 | 一种基于深层卷积网络的人体皮肤温度检测方法 |
CN112598666B (zh) * | 2021-01-06 | 2024-06-07 | 苏州光格科技股份有限公司 | 一种基于卷积神经网络的电缆隧道异常检测方法 |
CN113269748A (zh) * | 2021-05-25 | 2021-08-17 | 中国矿业大学 | 一种红外可见光图像融合的电缆接头故障预警***及方法 |
CN113469950A (zh) * | 2021-06-08 | 2021-10-01 | 海南电网有限责任公司电力科学研究院 | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 |
CN113139528B (zh) * | 2021-06-21 | 2021-09-07 | 江西省水利科学院 | 基于Faster_RCNN的无人机热红外图像堤坝险情检测方法 |
CN114001833A (zh) * | 2021-11-25 | 2022-02-01 | 三门核电有限公司 | 一种基于目标检测的设备红外成像诊断方法及*** |
CN114638829A (zh) * | 2022-05-18 | 2022-06-17 | 安徽数智建造研究院有限公司 | 隧道衬砌检测模型的抗干扰训练方法及隧道衬砌检测方法 |
CN116052004B (zh) * | 2023-02-17 | 2023-07-21 | 深圳金三立视频科技股份有限公司 | 一种异常事件双向监测方法、装置、电子设备及存储介质 |
CN117235653B (zh) * | 2023-11-15 | 2024-03-12 | 深圳市盛格纳电子有限公司 | 一种电源连接器故障实时监测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101263499A (zh) * | 2005-07-11 | 2008-09-10 | 布鲁克斯自动化公司 | 智能状态监测和故障诊断*** |
CN104596572A (zh) * | 2014-10-11 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 电缆监测***及方法 |
CN104954756A (zh) * | 2015-06-26 | 2015-09-30 | 国网安徽省电力公司蚌埠供电公司 | 地下电缆运行智能综合在线监测***及方法 |
CN106707109A (zh) * | 2017-02-21 | 2017-05-24 | 国网山东省电力公司邹城市供电公司 | 一种地下电缆探测*** |
CN106815590A (zh) * | 2017-02-21 | 2017-06-09 | 国网山东省电力公司邹城市供电公司 | 一种电缆架和电缆管理*** |
CN106877504A (zh) * | 2017-03-22 | 2017-06-20 | 国家电网公司 | 特高压输电线路远程在线监测装置及方法 |
CN107478334A (zh) * | 2016-10-20 | 2017-12-15 | 李源 | 一种电缆老化红外检测装置与检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576600B (zh) * | 2009-05-15 | 2011-11-16 | 重庆大学 | 自行走地下电缆故障检测智能仪 |
CN202735798U (zh) * | 2012-06-27 | 2013-02-13 | 山东康威通信技术股份有限公司 | 电缆通道智能巡检机器人监控应用*** |
CN102998594B (zh) * | 2012-11-21 | 2015-03-18 | 河南理工大学 | 一种地下电缆巡检与故障定位装置 |
CN204705416U (zh) * | 2015-06-26 | 2015-10-14 | 罗熳地 | 10kv电缆线路接头监控报警装置 |
CN106504233B (zh) * | 2016-10-18 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及*** |
CN206195232U (zh) * | 2016-11-21 | 2017-05-24 | 深圳供电局有限公司 | 隧道智能挂轨巡检机器人监控*** |
CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
CN107621626B (zh) * | 2017-10-09 | 2018-08-31 | 中国矿业大学(北京) | 基于深度卷积神经网络的雷达信号铁路路基病害检测方法 |
CN107991999A (zh) * | 2017-11-09 | 2018-05-04 | 北京许继电气有限公司 | 电力电缆隧道综合监控***和方法 |
-
2018
- 2018-05-24 CN CN201810509939.9A patent/CN108846418B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101263499A (zh) * | 2005-07-11 | 2008-09-10 | 布鲁克斯自动化公司 | 智能状态监测和故障诊断*** |
CN104596572A (zh) * | 2014-10-11 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 电缆监测***及方法 |
CN104954756A (zh) * | 2015-06-26 | 2015-09-30 | 国网安徽省电力公司蚌埠供电公司 | 地下电缆运行智能综合在线监测***及方法 |
CN107478334A (zh) * | 2016-10-20 | 2017-12-15 | 李源 | 一种电缆老化红外检测装置与检测方法 |
CN106707109A (zh) * | 2017-02-21 | 2017-05-24 | 国网山东省电力公司邹城市供电公司 | 一种地下电缆探测*** |
CN106815590A (zh) * | 2017-02-21 | 2017-06-09 | 国网山东省电力公司邹城市供电公司 | 一种电缆架和电缆管理*** |
CN106877504A (zh) * | 2017-03-22 | 2017-06-20 | 国家电网公司 | 特高压输电线路远程在线监测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108846418A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846418B (zh) | 一种电缆设备温度异常定位与识别方法 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN108564065B (zh) | 一种基于ssd的电缆隧道明火识别方法 | |
CN109544501B (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
CN108648169B (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN107491781A (zh) | 一种巡检机器人可见光与红外传感器数据融合方法 | |
CN111986172A (zh) | 一种面向电力设备的红外图像故障检测方法及装置 | |
CN112001260A (zh) | 一种基于红外可见光图像融合的电缆沟故障检测方法 | |
Ahmed et al. | Inspection and identification of transmission line insulator breakdown based on deep learning using aerial images | |
CN110619623B (zh) | 一种变电设备接头发热的自动识别方法 | |
CN112395972B (zh) | 一种基于无人机图像处理的电力***绝缘子串识别方法 | |
CN114494908A (zh) | 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及*** | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及*** | |
CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
CN117040109A (zh) | 一种基于异构数据特征融合的配电站房风险预警方法 | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
Weng et al. | Newly designed identifying method for ice thickness on high‐voltage transmission lines via machine vision | |
CN112348085B (zh) | 一种电力数据监测***与方法 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN112541478A (zh) | 一种基于双目摄像头的绝缘子串污损检测方法及*** | |
CN111093140A (zh) | 检测麦克和听筒防尘网缺陷的方法、装置、设备及存储介质 | |
CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
CN115825075A (zh) | 基于红外信号的电缆破损检测方法 |
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 |