CN109872323A - 输电线路的绝缘子缺陷检测方法及装置 - Google Patents
输电线路的绝缘子缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN109872323A CN109872323A CN201910148797.2A CN201910148797A CN109872323A CN 109872323 A CN109872323 A CN 109872323A CN 201910148797 A CN201910148797 A CN 201910148797A CN 109872323 A CN109872323 A CN 109872323A
- Authority
- CN
- China
- Prior art keywords
- insulator
- detected
- defects
- detection
- neural 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.)
- Pending
Links
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明提供了一种输电线路的绝缘子缺陷检测方法及装置,其中,该方法包括:采集待检测绝缘子图像;根据待检测绝缘子图像,确定待检测绝缘子的三维模型;将待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。上述技术方案提高了绝缘子缺陷检测的效率、准确度及安全性,降低了绝缘子缺陷检测的成本,可广泛地应用在电力***中。
Description
技术领域
本发明涉及故障检测技术领域,特别涉及一种输电线路的绝缘子缺陷检测方法及装置。
背景技术
输电线路的绝缘子是用来固定导体,使其保持电气性能的重要部件。在电力***运行中,其长期工作于强电场、机械应力、污秽及温湿度等共同构成的错综复杂的恶劣环境中,出现故障的几率很大,严重威胁电力***的安全运行。据统计,国内110kV线路发生不明原因闪络所占的比例为故障率的22%,造成很大的经济损失。一般来说,绝缘子故障主要有以下几个方面:绝缘子内部出现裂缝、绝缘子表面破损、绝缘阻抗降低及污闪等。近年来,国内外一直在努力探索绝缘子的在线检测方法并取得了一定的成就,探索出了泄漏电流法、电场测量法、红外测温法和紫外成像法等多种方法。但不少方法仍存在测量工作量大、效率低、危险性高、设备造价高、测量不准确及抗干扰能力差等问题。下面对现有输电线路的绝缘子缺陷检测的方法进行介绍。
1.1观察法、火花叉等传统检测方法
观察法就是用高倍望远镜就近直接观察绝缘子,这是最原始的方法。用这种方法可发现较明显的绝缘子表面缺陷,包括绝缘子伞裙受侵蚀***糙、外覆层侵蚀的沟槽和痕迹、绝缘伞裙闪络、伞裙或外覆层开裂、外覆层破碎、芯棒外露等。观察法实现方便,但费时费力,检测结果也不可靠,难以发现绝缘子内部缺陷。
绝缘子串正常时等效为电容串,在运行状态下短路其中一片绝缘子,可以看到电容放电的火花和听到放电的声响,根据声响的大小可以判断绝缘子的状况。将绝缘子用一个相对较大的电容器旁路后测量其绝缘电阻,可以直观的检测绝缘子的特性,是检测绝缘子最直接和准确的方法。
以上两种方法均需要人工登塔检测,工作量大,高空作业,有一定的危险性。
1.2紫外成像法和红外成像法
有绝缘缺陷的高压电气设备在运行时会产生高电场强度而发生电晕放电,使周围空气电离。由于空气主要成分是氮气(N2),而氮气电离的放射频谱(λ=280nm~400nm)主要落在紫外光波段。紫外成像技术就是利用特殊的仪器接收放电产生的紫外线信号,经处理后转换为可见光图像信号,来分析判断电气设备外绝缘的真实状况。
紫外成像检测***主要包括:紫外成像物镜、紫外光滤光镜、紫外像增强***、CCD、图像显示等。紫外信号源被背景光(包括可见光、紫外光和红外光等)照射,从信号源传输到成像镜头的有信号源自身辐射的紫外光,也有信号源反射的背景光。成像光束经过紫外成像镜头后,部分背景光被滤除,其后光束再通过“日盲”滤光片,进一步滤除背景光后,照到紫外像增强器的光电阴极上,经过紫外增强器后,信号被增强放大并被转化为可见光信号输出,然后,成像光束经CCD相机,最后,经信号处理后输出到观察记录设备。过去的紫外成像仪需夜间操作以避开阳光中的紫外线。但随着科学技术的发展,目前已研制出了可避开阳光中紫外线光谱的新型紫外成像仪,从而可以使该项技术在白天使用。但检测结果容易受到观察角度的影响。
红外成像法的原理与紫外成像相同,不同的是检测缺陷绝缘子与正常绝缘子表面温度的差异。由于这种温度差很小,对于瓷质绝缘子只有一度左右,因而灵敏度较低。
1.3超声波检测法
超声波是机械波,衰减很慢,当它在弹性介质中传播时,遇界面会产生反射、折射和模式变换。因此材料中的缺陷、微观组织结构、铸造缺陷(微裂纹、夹杂)等信息都可以通过超声波信号反应出来。
超声波脉冲由超声波发生器进入绝缘子介质,当绝缘子有裂缝时,就会在超声波传播的相应时间产生该裂缝的反射波。由反射波的大小和产生反射波的时间位置即可判断绝缘子的缺陷情况。该方法具有灵敏度高、速度快、成本低、操作简单及安全可靠等优点,可以准确地检测出有裂缝的绝缘子。但对未开裂的绝缘子不起作用,而且由于超声波本身存在耦合、衰减及超声换能器性能问题,只能到现场逐个检测。目前该方法主要用于企业生产中的检测以及实验室鉴定。
1.4红外测温法
绝缘子发生电晕放电或泄漏电流流过绝缘物质时的电阻损耗都可引起绝缘子局部温度升高。红外测温技术就是利用观察绝缘子局部发热所发出的红外线来发现缺陷。
现有的红外测温仪一般由光学***探测器、信号处理电路及显示终端等组成。当被测物体辐射的能量通过大气媒介传输到红外测温仪上时,它内部的光学***会将辐射能量汇聚到探测器上,并转换成电信号,再通过放大电路、补偿电路及线性处理后,在终端显示出被测物体的温度。
红外测温具有携带方便、操作简单等特点。但测量易受阳光、大风、潮气、环境温度及一些能引起绝缘子表面温度急剧变化因素的影响,测量结果不是很准确。
1.5无线电波法
不良绝缘子发生电晕放电时,会发出一定频率的电磁波,无线电波法就是根据接收电磁波的天线的方向和电磁波的强度来判断被测绝缘子是否存在缺陷的。无线电波法具有设备简单、操作方便的优点,但其抗干扰能力差,灵敏度低。
1.6激光多谱勒法
存在裂缝的绝缘子的振动中心频率与正常绝缘子有很大差异。将超声波发生器所发出的超声波,用抛物型反射镜或用激光源对准被测绝缘子,以激起绝缘子的微小振动,然后将激光多谱勒仪发出的激光对准被测绝缘子,根据反射回来的信号的频谱分析,即获得该绝缘子的振动中心频率值,据此可判断被测绝缘子的好坏。由于该仪器对未开裂的绝缘子检测无效以及操作复杂、体积庞大、笨重、使用维修复杂、造价高等缺点,没有广泛使用。
1.7电场测量法
运行中的绝缘子,正常状态下电场强度和电势沿绝缘子轴向的变化曲线是光滑的。当绝缘子存在导通性缺陷时,势必影响绝缘子周围的电场分布(包括绝缘子沿芯棒方向的纵向电场和沿横截面半径方向的径向电场),使该处电位变为常数,故其电场强度将突然降低,电场分布曲线也不再光滑,而是在相应的位置上有畸变。故对比所测绝缘子与良好绝缘子的纵向电场,找出电场异常畸变位置,即可找到内绝缘缺陷的位置。电场法利用电场来检测绝缘子,能直接反映绝缘子的绝缘状况,因此受干扰的影响较小,但需登杆操作且不能检测一些不影响电场分布的外绝缘缺陷如伞裙破损等。此法可与观察法结合使用。
1.8泄漏电流检测法
绝缘子在正常工作条件下,其绝缘电阻值非常大。但存在缺陷时,其绝缘电阻值将会大大降低,从而流过一定的泄漏电流。泄漏电流检测法就是通过用电流传感器测得此电流的大小,得到绝缘子的绝缘电阻值,从而判定其是否完好。现有的泄漏电流检测***大都是将一集流环固定在绝缘子串的一端而获得流过该绝缘子串的泄漏电流,然后通过双层屏蔽电缆将其送往电流传感器进行放大,再将此信号连同各种干扰信号一起经数据采集卡输往专家软件***进行诊断处理。泄漏电流检测法可以用于对绝缘子的在线检测,实时反映绝缘子的状况。在实际运行过程中,由于受线路表面污秽、电压的变化、杆塔结构、绝缘子形状、老化程度及天气状况(如温度、湿度、风速、风向)等因素的影响,每次采集的泄漏电流的大小都需要重新确立判断标准,且要对每一串绝缘子进行在线检测,该方法成本很高。
1.9脉冲电流法
脉冲电流法通过测量绝缘子电晕脉冲电流的方法来判断绝缘子的绝缘状况。其原理是:劣质绝缘子的绝缘电阻很低,使其它正常绝缘子在绝缘子串上承受电压明显大于正常时的承受电压,因而回路阻抗变小,绝缘子电晕现象加剧,电晕脉冲电流必将变大;根据线路上存在劣质绝缘子时电晕脉冲个数增多、幅值增大的现象,即可检出不良绝缘子。日本于20世纪80年代提出了基于三相不平衡原理的电晕脉冲电流法,并研制成具体的检测装置,利用不平衡指数判断绝缘子有无老化,因此在单回输电线路上可以安装到杆塔下部,安装较为方便,且三相仅需要一个检测装置,降低了检测成本;我国20世纪90年代初曾研制出类似的检测装置。但是,由于脉冲信号很微弱,且其频谱很广,容易受电力载波、广播电波及电力机车等外来噪声的影响,检测结果不够准确。综上所述,非电量检测法具有不与被测量物体直接接触、没有高压绝缘问题困扰的优点,但是在具体运用时,需要外加多种辅助设备,因此检测成本比较高,而且,检测设备和被测物体都或多或少会受到外界环境因素的影响,再加上检测设备本身的不完善和使用过程中人工操作的误差,广泛应用有一定的难度。
1.10电量检测法
电量检测法是利用有缺陷绝缘子发生电晕放电所产生的特征量来检测的。由于电量法直接利用绝缘子本身产生的特征量进行检测,所以不用另外加辅助测试设备,检测手段比较直接,所测特征量能够明确反映绝缘子的缺陷状况,可以用于实时在线检测绝缘子的状况。但是由于电量检测法直接与被测物体接触,就为发生漏电和操作人员触电事故埋下了安全隐患,所以必须对检测设备和操作人员的安全问题着重考虑,以免引起不必要的事故。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种输电线路的绝缘子缺陷检测方法,用以提高输电线路的绝缘子缺陷检测的效率、准确度及安全性,降低检测成本,该方法包括:
采集待检测绝缘子图像;
根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型;
将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;所述绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。
本发明实施例还提供了一种输电线路绝的缘子缺陷检测装置,用以提高输电线路的绝缘子缺陷检测的效率、准确度及安全性,降低检测成本,该装置包括:
采集单元,用于采集待检测绝缘子图像;
三维模型确定单元,用于根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型;
缺陷检测单元,用于将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;所述绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。
本发明实施例还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输电线路的绝缘子缺陷检测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行所述输电线路的绝缘子缺陷检测方法的计算机程序。
本发明实施例提供的技术方案通过:采集待检测绝缘子图像;根据待检测绝缘子图像,确定待检测绝缘子的三维模型;将待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型,该绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成,实现了基于三维模型数据进行机器学习自动快速检测绝缘子缺陷,整个过程省时、省力,提高了绝缘子缺陷检测的效率、准确度及安全性,降低了绝缘子缺陷检测的成本,可广泛地应用在电力***中。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例中输电线路的绝缘子缺陷检测方法的流程示意图;
图2是本发明实施例中采集待检测绝缘子图像的示意图;
图3(a)是本发明实施例中抽象输电导线模型一应用场景示意图;
图3(b)是本发明实施例中抽象输电导线模型另一应用场景示意图;
图4(a)是本发明实施例中基于垂直方向相机对的计算结果示意图;
图4(b)是本发明实施例中基于水平方向相机对的计算结果示意图;
图5是本发明实施例中缺陷检测的原理示意图;
图6是本发明实施例中输电线路的绝缘子缺陷检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
绝缘子的绝缘下降可能引发闪络、绝缘子炸裂、掉串、导线落地等事故,危及电网安全。由于发明人发现现有技术中输电线路的绝缘子缺陷检测存在的诸多问题,提出一种对输电线路绝缘子出现的劣化情况进行检测的新方法,该方法为基于四目阵列相机与立体机器视觉的绝缘子故障检测方法:在一定的距离内通过四目阵列相机对待检测绝缘子进行图像采集,通过相机内部的FPGA中实现的立体机器视觉算法,就可以计算出绝缘子的三维模型,将此三维模型与事先通过典型绝缘子缺陷***训练的故障缺陷模型(绝缘子深度神经网络缺陷检测模型)进行比对,迅速找出故障绝缘子以及缺陷类型。
下面对该输电线路的绝缘子缺陷检测方案进行详细介绍如下。
图1是本发明实施例中输电线路的绝缘子缺陷检测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:采集待检测绝缘子图像;
步骤102:根据待检测绝缘子图像,确定待检测绝缘子的三维模型;
步骤103:将待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。
本发明实施例提供的技术方案通过:采集待检测绝缘子图像;根据待检测绝缘子图像,确定待检测绝缘子的三维模型;将待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型,该绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成,实现了基于三维模型数据进行机器学习自动快速检测绝缘子缺陷,整个过程省时、省力,提高了绝缘子缺陷检测的效率、准确度及安全性,降低了绝缘子缺陷检测的成本,可广泛地应用在电力***中。
下面对本发明实施例涉及的各个步骤进行介绍如下。
一、首先介绍预先训练生成绝缘子深度神经网络缺陷检测模型的步骤。
在一个实施例中,可以按照如下方法预先训练生成绝缘子深度神经网络缺陷检测模型:
获得样本数据,所述样本数据包括正样本和负样本,所述正样本为存在缺陷的绝缘子图像,所述负样本为正常绝缘子图像,所述存在缺陷的绝缘子图像上标记出缺陷区域;具体地,样本数据可以是根据从大量的历史数据中获取的绝缘子图像建立的三维模型数据;正样本可以为根据存在缺陷的绝缘子图像建立的三维模型数据;负样本可以为根据正常绝缘子图像建立的三维模型数据;
将所述样本数据划分为训练集、测试集和验证集;
利用所述训练集对绝缘子深度神经网络缺陷检测模型进行训练;
利用所述测试集对训练好的绝缘子深度神经网络缺陷检测模型进行测试,在该步骤中可以通过测试不断的调整模型参数以实现最优化;
利用所述验证集对测试好的绝缘子深度神经网络缺陷检测模型进行验证,得到所述绝缘子深度神经网络缺陷检测模型。
具体实施时,上述预先训练生成绝缘子深度神经网络缺陷检测模型的过程可获得能快速检测绝缘子缺陷的绝缘子深度神经网络缺陷检测模型,为后续快速、准确地检测绝缘子的缺陷及确定缺陷类型奠定了坚实基础。
二、其次介绍上述步骤101和步骤102。
在一个实施例中,如图2所示,采集待检测绝缘子图像,可以包括:利用四目相机采集待检测绝缘子图像;
根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型,可以包括:
根据四目相机采集的待检测绝缘子图像,确定待检测绝缘子的应用场景;
根据待检测绝缘子的应用场景,确定选用四目相机的相机对数据;
根据所选用的四目相机的相机对数据,确定待检测绝缘子的深度数据;
根据所述深度数据,确定待检测绝缘子的三维模型。
具体实施时,使用四目相机对输电线路的绝缘子进行实时三维建模(三维重构),即确定待检测绝缘子的三维模型,基于三维模型进行缺陷识别方法,四目相机在两个正交方向上相互支持,可使得在实际环境中所有方向的三维模型效果达到基于视觉技术的最优状态,并且在确定待检测绝缘子的深度数据时考虑了待检测绝缘子的应用场景(待检测绝缘子是应用在水平结构场景中还是垂直结果场景中),根据待检测绝缘子的应用场景,确定选用四目相机的中哪个相机对数据来计算深度数据,从而使得最后建立的待检测绝缘子的三维模型最为精确,进一步提高了后续绝缘子缺陷检测的效率、准确度。
下面对利用四目相机采集待检测绝缘子图像,以及利用四目相机采集的待检测绝缘子图像并考虑到应用场景建模,进一步提高绝缘子缺陷检测的效率、准确度的原理进行介绍如下。
首先,介绍基于相机阵列的三维重构原理。
双目视觉是一种常见的基础机器视觉技术,四目相机可以分解成6对(上左-上右,下左-下右,上左-下左,上右-下右,上右-下左,上左-下右)双目相机***,本测量方法最关心的是两个典型方向上的差分图像数据,下面对该测量方法主要针对上左-下左,下左-下右两对相机机器所代表的两个不同的相互垂直的方向为代表进行阐述,三个相机位置简称顶、左、右,实际使用中4个相机为这两个典型相机对的扩充,得到三个相机的投射矩阵为:
f为所有相机的共同焦距,bh和bv分别代表垂直对和水平对的基线(相机距离);假设3D点的齐次坐标[x y z]T在不同相机中的投影为:
计算得到:
将一个3D点X投影到左、右相机中时使用公示(4)得到:
x L=PL·X=[f·x,f·y,z]T (6)
x R=PR·X=[f·x-bh·f,f·y,z]T (7)
从公式(5)、(7)可以推导出图像点的差分值:
在图像坐标在水平方向上所得到的差被相应地称为水平视差:
同理可以计算垂直方向上的垂直视差:
那么一个点的深度z就可以既通过相机的水平视差也可以通过相机的垂直视差进行计算。
由上面的计算可知,垂直结构和水平结构的相机对都可以对深度进行计算,在公式中并未体现具体差异,然而发明人发现另一技术问题:在一些实际应用中,两个方向的视差所带来的计算却存在较大不同,下面分析本发明中待检测绝缘子的不同应用场景,所得到深度计算结果的不同。
如图3(a)和图3(b)所示,比较纯粹的单向结构(抽象待检测绝缘子模型)。
假设我们感兴趣的是左图像中心中可以找到的点的深度,则相应的极线水平地和垂直地位于其他图像的中间。找到视差的最直接的方法是将参考相机影像的图像块(在图3(a)和图3(b)中概述为黑色矩形,即长度较长的矩形)与其他图像内的潜在对应位置进行比较。这里,搜索空间可以限于极线位置。
图4(a)和图4(b)使用抽象待检测绝缘子结构(绝缘子应用场景,即水平结构场景还是垂直结构场景)评估不同方向相机对的影响。图4(a)中纵轴代表水平视差,横轴表示水平基线;图4(b)中纵轴代表垂直视差,横轴表示垂直基线。
使用归一化互相关(normalized cross-correlation)作为相似性的度量产生图4(a)和图4(b)中所示的结果。在垂直结构的情况下,左右相机对可以非常好地确定视差dh=20px,并且没有任何组合的模糊性,如水平对齐的立体装置(参见图4(a)中的实线)。但是,垂直相机对的测试结果显示视差计算效果较差(参见图4(b)中的实线),因此,根据不同应用场景来选择用哪个相机对的数据进行深度计算尤为重要。
对于如图3(b)所示的水平结构(水平结构应用场景),可以类似地观察到相同的情况。这里不可能从水平对齐的立体装备中提取真实的视差。但是,它可以用垂直对来测量。显然,对于任何可能的场景使用单个立体装备是不够的。应结合水平和垂直立体设置,以实现更好的鲁棒性。
三、接着,介绍上述步骤103。
在一个实施例中,将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型,可以包括:
从所述待检测绝缘子的三维模型中提取出缺陷区域;
从提取出的缺陷区域中提取出缺陷特征;
将提取出的缺陷特征输入绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型。
具体实施时,如图5所示,首先对输入原始三维模型进行处理,以将缺陷区域从原始模型中提取出来。然后对各种缺陷特征进行分析并选择合适的、区分度较高的特征。紧接着可以进行特征的人工提取,并将这些提取的特征f1,f2···,fn,输入BP神经网络(绝缘子深度神经网络缺陷检测模型),当然具体实施时也可以输入SVM等常用分类器进行分类,最后在输出端给出类识别结果,即绝缘子是否存在缺陷,如果存在缺陷,确定具体是什么类型的缺陷。
基于同一发明构思,本发明实施例中还提供了一种输电线路的绝缘子缺陷检测装置,如下面的实施例。由于输电线路的绝缘子缺陷检测装置解决问题的原理与上述输电线路的绝缘子缺陷检测方法相似,因此输电线路的绝缘子缺陷检测装置的实施可以参考上述输电线路的绝缘子缺陷检测方法的实施,重复之处不再赘述。以下所使用的,术语“模块”或者“单元”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明实施例中输电线路的绝缘子缺陷检测装置的结构示意图,如图6所示,该装置包括:
采集单元02,用于采集待检测绝缘子图像;
三维模型确定单元04,用于根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型;
缺陷检测单元06,用于将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;所述绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。
在一个实施例中,所述采集单元具体可以用于:利用四目相机采集待检测绝缘子图像;
所述三维模型确定单元具体可以用于:
根据四目相机采集的待检测绝缘子图像,确定待检测绝缘子的应用场景;
根据待检测绝缘子的应用场景,确定选用四目相机的相机对数据;
根据所选用的四目相机的相机对数据,确定待检测绝缘子的深度数据;
根据所述深度数据,确定待检测绝缘子的三维模型。
在一个实施例中,所述缺陷检测单元具体可以用于:
从所述待检测绝缘子的三维模型中提取出缺陷区域;
从提取出的缺陷区域中提取出缺陷特征;
将提取出的缺陷特征输入绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型。
在一个实施例中,可以按照如下方法预先训练生成绝缘子深度神经网络缺陷检测模型:
获得样本数据,所述样本数据包括正样本和负样本,所述正样本为存在缺陷的绝缘子图像,所述负样本为正常绝缘子图像,所述存在缺陷的绝缘子图像上标记出缺陷区域;
将所述样本数据划分为训练集、测试集和验证集;
利用所述训练集对绝缘子深度神经网络缺陷检测模型进行训练;
利用所述测试集对训练好的绝缘子深度神经网络缺陷检测模型进行测试;
利用所述验证集对测试好的绝缘子深度神经网络缺陷检测模型进行验证,得到所述绝缘子深度神经网络缺陷检测模型。
本发明实施例还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输电线路的绝缘子缺陷检测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行所述输电线路的绝缘子缺陷检测方法的计算机程序。
本发明实施提供的技术方案的有益技术效果为:
(1)考虑绝缘子的应用场景,使用四目相机对输电线路的绝缘子进行实时三维建模,基于三维模型进行缺陷识别方法,四目相机在两个正交方向上相互支持,可使得在实际环境中所有方向的三维模型效果达到基于视觉技术的最优状态,从而提高了绝缘子缺陷检测的效率和准确度。
(2)基于绝缘子建立典型数据库,建立健康与缺陷绝缘子的机器学习模型(绝缘子深度神经网络缺陷检测模型),从而实现基于三维模型数据进行机器学习自动缺陷识别绝缘子缺陷的方法,从而提高了绝缘子缺陷检测的效率和准确度,同时也提高了绝缘子缺陷检测的安全性,降低了绝缘子缺陷检测的成本,可广泛地应用在电力***中。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
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,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。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 (10)
1.一种输电线路的绝缘子缺陷检测方法,其特征在于,包括:
采集待检测绝缘子图像;
根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型;
将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;所述绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。
2.如权利要求1所述的输电线路的绝缘子缺陷检测方法,其特征在于,采集待检测绝缘子图像,包括:利用四目相机采集待检测绝缘子图像;
根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型,包括:
根据四目相机采集的待检测绝缘子图像,确定待检测绝缘子的应用场景;
根据待检测绝缘子的应用场景,确定选用四目相机的相机对数据;
根据所选用的四目相机的相机对数据,确定待检测绝缘子的深度数据;
根据所述深度数据,确定待检测绝缘子的三维模型。
3.如权利要求1所述的输电线路的绝缘子缺陷检测方法,其特征在于,将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型,包括:
从所述待检测绝缘子的三维模型中提取出缺陷区域;
从提取出的缺陷区域中提取出缺陷特征;
将提取出的缺陷特征输入绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型。
4.如权利要求1所述的输电线路的绝缘子缺陷检测方法,其特征在于,按照如下方法预先训练生成绝缘子深度神经网络缺陷检测模型:
获得样本数据,所述样本数据包括正样本和负样本,所述正样本为存在缺陷的绝缘子图像,所述负样本为正常绝缘子图像,所述存在缺陷的绝缘子图像上标记出缺陷区域;
将所述样本数据划分为训练集、测试集和验证集;
利用所述训练集对绝缘子深度神经网络缺陷检测模型进行训练;
利用所述测试集对训练好的绝缘子深度神经网络缺陷检测模型进行测试;
利用所述验证集对测试好的绝缘子深度神经网络缺陷检测模型进行验证,得到所述绝缘子深度神经网络缺陷检测模型。
5.一种输电线路的绝缘子缺陷检测装置,其特征在于,包括:
采集单元,用于采集待检测绝缘子图像;
三维模型确定单元,用于根据所述待检测绝缘子图像,确定待检测绝缘子的三维模型;
缺陷检测单元,用于将所述待检测绝缘子的三维模型输入预先训练生成的绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型;所述绝缘子深度神经网络缺陷检测模型根据多个绝缘子图像样本预先训练生成。
6.如权利要求5所述的输电线路的绝缘子缺陷检测装置,其特征在于,所述采集单元具体用于:利用四目相机采集待检测绝缘子图像;
所述三维模型确定单元具体用于:
根据四目相机采集的待检测绝缘子图像,确定待检测绝缘子的应用场景;
根据待检测绝缘子的应用场景,确定选用四目相机的相机对数据;
根据所选用的四目相机的相机对数据,确定待检测绝缘子的深度数据;
根据所述深度数据,确定待检测绝缘子的三维模型。
7.如权利要求5所述的输电线路的绝缘子缺陷检测装置,其特征在于,所述缺陷检测单元具体用于:
从所述待检测绝缘子的三维模型中提取出缺陷区域;
从提取出的缺陷区域中提取出缺陷特征;
将提取出的缺陷特征输入绝缘子深度神经网络缺陷检测模型,对待检测绝缘子进行缺陷检测及确定缺陷类型。
8.如权利要求5所述的输电线路的绝缘子缺陷检测装置,其特征在于,按照如下方法预先训练生成绝缘子深度神经网络缺陷检测模型:
获得样本数据,所述样本数据包括正样本和负样本,所述正样本为存在缺陷的绝缘子图像,所述负样本为正常绝缘子图像,所述存在缺陷的绝缘子图像上标记出缺陷区域;
将所述样本数据划分为训练集、测试集和验证集;
利用所述训练集对绝缘子深度神经网络缺陷检测模型进行训练;
利用所述测试集对训练好的绝缘子深度神经网络缺陷检测模型进行测试;
利用所述验证集对测试好的绝缘子深度神经网络缺陷检测模型进行验证,得到所述绝缘子深度神经网络缺陷检测模型。
9.一种计算机设备,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计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148797.2A CN109872323A (zh) | 2019-02-28 | 2019-02-28 | 输电线路的绝缘子缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148797.2A CN109872323A (zh) | 2019-02-28 | 2019-02-28 | 输电线路的绝缘子缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872323A true CN109872323A (zh) | 2019-06-11 |
Family
ID=66919451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148797.2A Pending CN109872323A (zh) | 2019-02-28 | 2019-02-28 | 输电线路的绝缘子缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872323A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
CN110675387A (zh) * | 2019-09-26 | 2020-01-10 | 北京国网富达科技发展有限责任公司 | 输电线路铁塔结构缺陷检测方法及装置 |
CN110702015A (zh) * | 2019-09-26 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110751642A (zh) * | 2019-10-18 | 2020-02-04 | 国网黑龙江省电力有限公司大庆供电公司 | 一种绝缘子裂缝检测方法和*** |
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*** |
CN111175624A (zh) * | 2020-01-16 | 2020-05-19 | 国网河南省电力公司检修公司 | 一种绝缘子放电检测装置 |
CN111308293A (zh) * | 2020-03-27 | 2020-06-19 | 国网甘肃省电力公司电力科学研究院 | 基于紫外成像的电力外绝缘设备典型缺陷故障识别方法 |
CN111524120A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
CN112098498A (zh) * | 2020-06-29 | 2020-12-18 | 平高集团有限公司 | 绝缘材料表面缺陷检测方法及装置 |
CN112132226A (zh) * | 2020-09-29 | 2020-12-25 | 国网新疆电力有限公司电力科学研究院 | 一种±1100kV复合绝缘子缺陷诊断方法 |
CN112381798A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种输电线路缺陷识别方法和终端 |
CN112700423A (zh) * | 2021-01-06 | 2021-04-23 | 中国民航科学技术研究院 | 基于深度学习的机身表面损伤缺陷自动检测方法及*** |
CN112819766A (zh) * | 2021-01-25 | 2021-05-18 | 武汉理工大学 | 一种桥梁缺陷检修方法、设备、***及存储介质 |
CN113419150A (zh) * | 2021-07-15 | 2021-09-21 | 贵州电网有限责任公司 | 一种基于电磁复合的故障绝缘子在线检测装置及检测方法 |
CN113554617A (zh) * | 2021-07-22 | 2021-10-26 | 广东电网有限责任公司 | 一种输电线路防震锤典型缺陷检测方法及装置 |
CN113720508A (zh) * | 2021-08-12 | 2021-11-30 | 浙江省电力锅炉压力容器检验所有限公司 | 基于双激光扫描的支柱瓷绝缘子应力监测装置及方法 |
CN113870267A (zh) * | 2021-12-03 | 2021-12-31 | 深圳市奥盛通科技有限公司 | 缺陷检测方法、装置、计算机设备及可读存储介质 |
CN114049507A (zh) * | 2021-11-19 | 2022-02-15 | 国网湖南省电力有限公司 | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 |
CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
CN114529493A (zh) * | 2020-11-04 | 2022-05-24 | 中国科学院沈阳自动化研究所 | 基于双目视觉的电缆外观缺陷检测与定位方法 |
CN116124903A (zh) * | 2023-04-13 | 2023-05-16 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、***、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN105096305A (zh) * | 2014-09-25 | 2015-11-25 | 天津航天中为数据***科技有限公司 | 绝缘子状态分析的方法及装置 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN105814875A (zh) * | 2013-12-06 | 2016-07-27 | 谷歌公司 | 选择用于立体成像的相机对 |
CN106289064A (zh) * | 2016-10-18 | 2017-01-04 | 上海船舶工艺研究所 | 一种便携式船板肋位线检测装置 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106534671A (zh) * | 2016-11-02 | 2017-03-22 | 南京大学 | 一种360度图像同步采集*** |
CN108022235A (zh) * | 2017-11-23 | 2018-05-11 | 中国科学院自动化研究所 | 高压输电铁塔关键部件缺陷识别方法 |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
CN108898177A (zh) * | 2018-06-26 | 2018-11-27 | 广东电网有限责任公司 | 一种输电线路走廊地表分类方法、***、介质及设备 |
CN109338354A (zh) * | 2018-09-30 | 2019-02-15 | 武汉大学 | 一种薄壁结构超快脉冲激光-冷喷涂表面加工方法 |
-
2019
- 2019-02-28 CN CN201910148797.2A patent/CN109872323A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN105814875A (zh) * | 2013-12-06 | 2016-07-27 | 谷歌公司 | 选择用于立体成像的相机对 |
CN105096305A (zh) * | 2014-09-25 | 2015-11-25 | 天津航天中为数据***科技有限公司 | 绝缘子状态分析的方法及装置 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106289064A (zh) * | 2016-10-18 | 2017-01-04 | 上海船舶工艺研究所 | 一种便携式船板肋位线检测装置 |
CN106534671A (zh) * | 2016-11-02 | 2017-03-22 | 南京大学 | 一种360度图像同步采集*** |
CN108022235A (zh) * | 2017-11-23 | 2018-05-11 | 中国科学院自动化研究所 | 高压输电铁塔关键部件缺陷识别方法 |
CN108257114A (zh) * | 2017-12-29 | 2018-07-06 | 天津市万贸科技有限公司 | 一种基于深度学习的输电设备缺陷自动识别方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
CN108898177A (zh) * | 2018-06-26 | 2018-11-27 | 广东电网有限责任公司 | 一种输电线路走廊地表分类方法、***、介质及设备 |
CN109338354A (zh) * | 2018-09-30 | 2019-02-15 | 武汉大学 | 一种薄壁结构超快脉冲激光-冷喷涂表面加工方法 |
Non-Patent Citations (1)
Title |
---|
龚廷志 等: "基于深度学习的电力绝缘子异常检测***", 《农电技术》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
WO2021056630A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京国网富达科技发展有限责任公司 | 输电线路铁塔结构缺陷检测方法及装置 |
CN110675387A (zh) * | 2019-09-26 | 2020-01-10 | 北京国网富达科技发展有限责任公司 | 输电线路铁塔结构缺陷检测方法及装置 |
CN110702015A (zh) * | 2019-09-26 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110675387B (zh) * | 2019-09-26 | 2021-09-24 | 北京国网富达科技发展有限责任公司 | 输电线路铁塔结构缺陷检测方法及装置 |
CN110702015B (zh) * | 2019-09-26 | 2021-09-03 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110751642A (zh) * | 2019-10-18 | 2020-02-04 | 国网黑龙江省电力有限公司大庆供电公司 | 一种绝缘子裂缝检测方法和*** |
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*** |
CN111175624A (zh) * | 2020-01-16 | 2020-05-19 | 国网河南省电力公司检修公司 | 一种绝缘子放电检测装置 |
CN111308293A (zh) * | 2020-03-27 | 2020-06-19 | 国网甘肃省电力公司电力科学研究院 | 基于紫外成像的电力外绝缘设备典型缺陷故障识别方法 |
CN111524120A (zh) * | 2020-04-22 | 2020-08-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的印刷品细小划痕、套印偏差检测方法 |
CN112098498A (zh) * | 2020-06-29 | 2020-12-18 | 平高集团有限公司 | 绝缘材料表面缺陷检测方法及装置 |
CN112098498B (zh) * | 2020-06-29 | 2024-05-03 | 平高集团有限公司 | 绝缘材料表面缺陷检测方法及装置 |
CN112132226A (zh) * | 2020-09-29 | 2020-12-25 | 国网新疆电力有限公司电力科学研究院 | 一种±1100kV复合绝缘子缺陷诊断方法 |
CN114529493A (zh) * | 2020-11-04 | 2022-05-24 | 中国科学院沈阳自动化研究所 | 基于双目视觉的电缆外观缺陷检测与定位方法 |
CN112381798A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种输电线路缺陷识别方法和终端 |
CN112700423A (zh) * | 2021-01-06 | 2021-04-23 | 中国民航科学技术研究院 | 基于深度学习的机身表面损伤缺陷自动检测方法及*** |
CN112700423B (zh) * | 2021-01-06 | 2023-05-05 | 中国民航科学技术研究院 | 基于深度学习的机身表面损伤缺陷自动检测方法及*** |
CN112819766A (zh) * | 2021-01-25 | 2021-05-18 | 武汉理工大学 | 一种桥梁缺陷检修方法、设备、***及存储介质 |
CN113419150A (zh) * | 2021-07-15 | 2021-09-21 | 贵州电网有限责任公司 | 一种基于电磁复合的故障绝缘子在线检测装置及检测方法 |
CN113554617B (zh) * | 2021-07-22 | 2024-04-16 | 广东电网有限责任公司 | 一种输电线路防震锤典型缺陷检测方法及装置 |
CN113554617A (zh) * | 2021-07-22 | 2021-10-26 | 广东电网有限责任公司 | 一种输电线路防震锤典型缺陷检测方法及装置 |
CN113720508A (zh) * | 2021-08-12 | 2021-11-30 | 浙江省电力锅炉压力容器检验所有限公司 | 基于双激光扫描的支柱瓷绝缘子应力监测装置及方法 |
CN113720508B (zh) * | 2021-08-12 | 2023-07-07 | 浙江省电力锅炉压力容器检验所有限公司 | 基于双激光扫描的支柱瓷绝缘子应力监测装置及方法 |
CN114049507A (zh) * | 2021-11-19 | 2022-02-15 | 国网湖南省电力有限公司 | 基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质 |
CN113870267A (zh) * | 2021-12-03 | 2021-12-31 | 深圳市奥盛通科技有限公司 | 缺陷检测方法、装置、计算机设备及可读存储介质 |
CN114235815A (zh) * | 2021-12-08 | 2022-03-25 | 国网福建省电力有限公司检修分公司 | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 |
CN116124903A (zh) * | 2023-04-13 | 2023-05-16 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、***、设备及介质 |
CN116124903B (zh) * | 2023-04-13 | 2023-08-15 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872323A (zh) | 输电线路的绝缘子缺陷检测方法及装置 | |
CN109870108B (zh) | 输电线路覆冰检测方法及装置 | |
CN102565625B (zh) | 基于红外图像智能诊断高压输电线路热缺陷的方法 | |
Hu et al. | Inspection and monitoring technologies of transmission lines with remote sensing | |
Dong et al. | Joint visualization diagnosis of outdoor insulation status with optical and acoustical detections | |
CN114414963A (zh) | 一种变电站域故障智能监测的声学成像定位***及方法 | |
CN106709905B (zh) | 一种基于双目视觉图像的防振锤故障在线检测识别方法 | |
CN112731086A (zh) | 一种用于对电力设备进行综合巡检的方法及*** | |
CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
CN108344770A (zh) | 一种gis罐体裂纹的无损检测装置、方法及数据库 | |
CN107238610A (zh) | 基于微波波段反射特性的复合绝缘子缺陷无损检测*** | |
CN104914297B (zh) | 一种雷电流参数检测设备及监测定位方法 | |
CN107024829A (zh) | 多光谱相机像面装调方法 | |
CN206208393U (zh) | 三维成像红外热像仪 | |
KR101743595B1 (ko) | 부분 방전 진단 방법 및 시스템, 이를 이용한 몰드 변압기 열화 모니터링 시스템. | |
CN106525239B (zh) | 光栅式成像光谱仪空间光谱辐射亮度响应度定标装置及方法 | |
Feng et al. | Infrared image recognition technology based on visual processing and deep learning | |
CN109187670A (zh) | 一种通信光缆接续盒智能检测*** | |
CN211785898U (zh) | 一种紫外告警红外热像仪 | |
CN114112972B (zh) | 一种密闭空间sf6气体泄漏红外遥测装置及其成像定位方法 | |
CN111136664A (zh) | 基于紫外图像检测的巡检机器人及其检测方法 | |
CN106500925A (zh) | 一种gis设备气体泄漏的检测***、装置及方法 | |
CN110824317A (zh) | 一种基于热成像技术的变压器局放源快速定位*** | |
CN113639970B (zh) | 一种评估卫星闪电成像仪探测地面定标能力的方法 | |
CN215493946U (zh) | 一种高压架空线局部放电精确定位装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |