CN110197176A - 基于图像识别技术的巡检数据智能分析***及分析方法 - Google Patents
基于图像识别技术的巡检数据智能分析***及分析方法 Download PDFInfo
- Publication number
- CN110197176A CN110197176A CN201811290176.XA CN201811290176A CN110197176A CN 110197176 A CN110197176 A CN 110197176A CN 201811290176 A CN201811290176 A CN 201811290176A CN 110197176 A CN110197176 A CN 110197176A
- Authority
- CN
- China
- Prior art keywords
- inspection
- image
- defect
- information
- data
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 220
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 230000007547 defect Effects 0.000 claims abstract description 147
- 230000005540 biological transmission Effects 0.000 claims abstract description 60
- 238000012790 confirmation Methods 0.000 claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 238000013523 data management Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 239000012212 insulator Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000007257 malfunction Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102100020786 Adenylosuccinate synthetase isozyme 2 Human genes 0.000 description 1
- 241001442234 Cosa Species 0.000 description 1
- 244000097202 Rathbunia alamosensis Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于图像识别技术的巡检数据智能分析***,包括数据管理模块,用于导入输电线路的巡检数据,匹配巡检图像信息,识别特征和缺陷;缺陷管理模块,用于管理和筛选缺陷,将缺陷加入报告集;报告集模块,用于接收报告集,查看报告集中的缺陷,生成巡检报告;后台数据库,用于存储巡检数据、缺陷数据、正常样本信息、缺陷样本信息和巡检报告;本发明提供的基于图像识别技术的巡检数据智能分析***及分析方法,能够自动对巡检图像中的特征进行识别并可选的自动诊断缺陷,将巡检图像备注为4种,便于数据库的存储;对缺陷进行人工确认,可以人工调整缺陷;对缺陷进行分级,将缺陷的严重性直观反映给维修人员;将缺陷加入报告集生成巡检报告。
Description
技术领域
本发明属于电力***的运行检修技术领域,尤其涉及基于图像识别技术的巡检数据智能分析***及分析方法。
背景技术
为了保证对企业、居民提供可靠性供电,要求电力公司对输电线路尤其是线路的附属设备进行定期的检查与维护,以保证整个电网的稳定供电与安全运行。由于我国地域广阔,导致输电线路传输里程大,而且途经的地理环境复杂(山区、河流、丘陵等),输电线路的运行安全易受地理环境及气候环境的影响。线路巡检的开展状况直接制约着送配电线路乃至电网的整体维护水平。传统的电力线路巡检流程是人工现场巡视线路,巡视对象主要是电力设施,例如:杆塔、导线、变压器、绝缘子、横担、刀闸等设备,这种检查方法存在以下两个问题:不安全,由于变电站内存在高压和放电,随时可能对人体造成伤害;不及时,由于工作人员不能长期在站内巡视,问题发生时,很难被及时发现。
为了克服人工巡检的诸多缺陷,无人机被应用到输电线路的日常巡检工作中来。但是巡检得到的图像数据多是由人工进行缺陷诊断,对诊断人员的工作经验要求较高,且人工诊断费时费力。
发明内容
为解决上述技术问题,本发明提供一种基于图像识别技术的巡检数据智能分析***及分析方法。
本发明一方面提供了基于图像识别技术的巡检数据智能分析***,包括数据管理模块,用于导入输电线路的巡检数据,匹配巡检图像信息,识别特征和缺陷;
缺陷管理模块,用于管理和筛选所述缺陷,将所述缺陷加入报告集;
报告集模块,用于接收所述报告集,查看所述报告集中的缺陷,生成巡检报告;
后台数据库,用于存储所述巡检数据、所述缺陷数据、正常样本信息、缺陷样本信息和所述巡检报告。
优选的,所述后台数据库包括输电线路信息库、巡检数据信息库、正常样本信息库、缺陷样本信息库和巡检报告信息库。
优选的,所述数据管理模块包括:
数据操作模块,用于导入所述巡检数据,所述巡检数据包括所述巡检图像、GPS位置、无人机的飞行状态数据、无人机的高、无人机与拍摄输电线路设备的距离信息,匹配所述巡检图像的图像信息,对所述巡检图像进行特征识别;
缺陷识别模块,根据所述正常样本信息库和缺陷样本信息库***自动识别并标注巡检图像中的缺陷,判断出缺陷级别;
人工确认模块,用于确认或修改所述缺陷;
缺陷人工识别模块,人工识别并标注巡检图像中的缺陷,判断缺陷级别。
优选的,所述缺陷级别包括一般缺陷、严重缺陷和危急缺陷。
优选的,所述图像信息包括巡检图像、GPS位置信息和输电线路信息。
本发明另一方面提供一种基于上述巡检数据智能分析***的基于图像识别技术的巡检数据智能分析方法,包括:
S1.导入巡检数据;
S2.匹配巡检图像信息,根据所述巡检数据中巡检图像拍摄时的飞行状态数据、GPS位置、无人机的高、无人机与拍摄输电线路设备的距离信息,计算巡检图像对应的输电线路杆塔或杆塔段及关联的输电线路信息,将所述巡检图像、GPS位置信息和输电线路信息存入巡检数据信息库;
S3.提取所述巡检图像中的特征,基于所述特征获得所述特征对应于正常样本信息库中的图像;
S4.判断***是否进行自动缺陷诊断,若是,进入步骤S5,若否,进入步骤S7;
S5.***自动对比巡检图像中的特征图像与正常样本信息库中的参考图像,诊断缺陷,对巡检图像进行缺陷标识操作,与缺陷样本信息库中的样本图像进行对比,指示缺陷等级,将巡检数据信息库中诊断后有缺陷的巡检图像备注为疑似缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态;
S6.将所述有缺陷的巡检图像进行人工确认,确认后,所述疑似缺陷状态更改为确认缺陷状态;
S7.人工识别并标注缺陷,对比巡检图像中的特征图像与正常样本信息库中的参考图像,对巡检图像进行缺陷标识,与缺陷样本信息库中的样本图像进行对比,确定缺陷级别,将巡检数据信息库中诊断后有缺陷的巡检图像备注为确认缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态,将缺陷级别与标识后的巡检图像更新到所述巡检数据信息库中;
S8.筛选缺陷,从巡检数据信息库中筛选缺陷,将筛选的所述缺陷加入报告集;
S9.生成巡检报告。
优选的,所述步骤S2具体包括:
S201.根据巡检图像拍摄时的无人机GPS位置,无人机与拍摄输电线路设备的距离,水平线距,偏移视角线与正北方向的偏移角度,以及无人机的高度,杆塔高度和线路高度,计算拍摄输电线路设备的GPS位置;
S202.确定输电线路杆塔或者杆塔段;根据拍摄的输电线路设备的GPS位置,到输电线路信息数据库中查询对应的GPS位置最为接近的输电线路杆塔或者杆塔段;
S203.匹配输电线路信息,根据巡检图像对应的输电线路杆塔或者杆塔段,关联相应的输电线路信息,包括巡检图像对应的杆塔的编号、杆塔型号、材质、性质、档距、电压等级、GPS位置、运行维护班组、所属单位;根据GPS位置与GIS信息关联,确定巡检图像拍摄区域的地理信息、环境信息、气象信息和所属的行政区域信息。
优选的,所述步骤S3具体包括,对所述巡检图像进行图像分割,利用Prewitt算子,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
优选的,所述感兴趣目标包括杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域。
优选的,所述步骤S5具体包括:
S501.将步骤S3中处理好的图像与预先存储在正常样本信息库中的参考图像进行匹配;
S502.根据两幅图像的差异,检测出发生异常的区域;异常检测基于当前待检测图像和参考图像的差值图像进行检测,在对待检测图像配准后,对两幅图像做差,由于差值图像可视化较差,先将图像归一化到0到255之间;然后使用Mean Shift分割算法,直接得到要检测的异常区域;
S503.在异常区域处进行缺陷标识,所有的坐标位置点均是以图像像素为单位,缺陷标识的基本图形包括矩形、圆形、椭圆形和三角形;
S504.将异常区域与缺陷样本信息库中的样本图像进行对比,确定缺陷级别;
S505.将巡检数据信息库中诊断后有缺陷的巡检图像备注为确认缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态,将缺陷级别与标识后的巡检图像更新到所述巡检数据信息库中。
本发明具有的优点和积极效果是:本发明提供的基于图像识别技术的巡检数据智能分析***及分析方法,依据巡检数据信息,从输电线路信息数据库中查询对应的杆塔或杆塔段信息及输电线路信息,并将对应的输电线路信息更新到巡检数据信息库中,便于后续维修人员对缺陷部件的定位;能够自动对巡检图像中的特征进行识别并可选的自动诊断缺陷,将巡检图像备注为4种,便于数据库的存储;对缺陷进行人工确认,可以人工调整缺陷;对缺陷进行分级,将缺陷的严重性直观反映给维修人员;将缺陷加入报告集生成巡检报告,完成整个巡检数据结果分析的工作。
附图说明
图1是本发明一实施例的基于图像识别技术的巡检数据智能分析***的***图;
图2是本发明一实施例的基于图像识别技术的巡检数据智能分析方法的流程图;
图3是本发明一实施例的匹配巡检图像信息的流程图;
图4是本发明一实施例的诊断缺陷流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,下面结合附图对本发明的实施方式做出具体说明。
本发明一实施例一方面提供了一种基于图像识别技术的巡检数据智能分析***,如图1所示,包括数据管理模块,用于导入输电线路的巡检数据,匹配巡检图像信息,识别特征和缺陷;缺陷管理模块,用于管理和筛选缺陷,将缺陷加入报告集;报告集模块,用于接收报告集,查看报告集中的缺陷,生成巡检报告;和后台数据库,用于存储巡检数据、缺陷数据、正常样本信息、缺陷样本信息和巡检报告。
其中,后台数据库包括输电线路信息库,该数据库中预存有无人机巡检路线的输电线路信息,包括杆塔段、杆塔编号、杆塔型号、材质、性质、档距、电压等级、GPS位置、运行维护班组和所属单位;巡检数据信息库,用于存储原始巡检数据及处理后的巡检数据;正常样本信息库,预存有各设备正常状态下的图像;缺陷样本信息库,预存有缺陷样本图像信息,包括导线类、绝缘子类、金具类、杆塔类、地线类、接地装置类、基础类和其他类八大类别,导线类包含导线、子导线、跳线三个子类别共25种故障状态,绝缘子类包含瓷质绝缘子、玻璃绝缘子、复合绝缘子、瓷长棒绝缘子、地线悬式绝缘子五个子类别共69种故障状态,金具类包含导线悬垂线夹、导线耐张线夹、导线连接金具、导线接续金具、导线保护金具五个子类别共162种故障状态,杆塔类包含角钢塔、钢管塔、钢管杆、砼杆、大跨越塔五个子类别共227种故障状态,地线类包含普通地线、OPGW两个子类别共22种故障状态,接地装置类包含接地体、引下线、接地螺栓、接地电阻四个子类别共19种故障状态,基础类包含杆塔基础、拉线基础、立柱、护坡、排水沟、保护帽六个子类别共43种故障状态,其他类包含通道环境、附属设施、防雷设施、防鸟设施、ADSS五个子类别共76种故障状态,各个类别下分别设有三种缺陷级别的样本图像,缺陷级别分别是一般缺陷、严重缺陷和危急缺陷,用于对比判断巡检图像中的缺陷级别;巡检报告信息库,用于存储生成的巡检报告,便于巡检报告的查看及下载。
其中,数据管理模块包括:数据操作模块,用于导入巡检数据,巡检数据包括巡检图像、GPS位置、无人机的飞行状态数据、无人机的高、无人机与拍摄输电线路设备的距离信息,匹配巡检图像的图像信息,图像信息包括巡检图像、GPS位置信息和输电线路信息,并对巡检图像进行特征识别;缺陷识别模块,根据正常样本信息库和缺陷样本信息库***自动识别并标注巡检图像中的缺陷,判断出缺陷级别;人工确认模块,用于确认或修改缺陷;缺陷人工识别模块,人工识别并标注巡检图像中的缺陷,判断缺陷级别。缺陷级别包括一般缺陷、严重缺陷和危急缺陷。
可以使用***中的缺陷识别模块对巡检数据进行缺陷识别,并对***识别出的缺陷通过人工确认模块进行确认,也可通过缺陷人工识别模块对巡检数据直接人工进行缺陷识别及标注。
本发明另一方面提供一种基于上述巡检数据分析***的基于图像识别技术的巡检数据智能分析方法,如图2所示,包括:
S1.导入巡检数据,将无人机巡检得到的输电线路巡检数据导入***内。
S2.匹配巡检图像信息,根据巡检数据中巡检图像拍摄时的飞行状态数据、GPS位置、无人机的高、无人机与拍摄输电线路设备的距离信息,计算巡检图像对应的输电线路杆塔或杆塔段及关联的输电线路信息,将巡检图像、GPS位置信息和输电线路信息存入巡检数据信息库;
具体的,如图3所示,S201.根据巡检图像拍摄时的无人机GPS位置,无人机与拍摄输电线路设备的距离,水平线距,偏移视角线与正北方向的偏移角度,以及无人机的高度,杆塔高度和线路高度,计算拍摄输电线路设备的GPS位置;计算算法如下:
1)计算无人机与输电线路设备的水平偏移距离L水平偏移;
如果图像中输电线路设备为杆塔及其附属设备则:
其中,L设备为无人机与巡检拍摄的输电线路设备的直线距离;
H无人机为无人机距离地面的高度;
H杆塔为杆塔距离地面的高度;
L水平偏移为无人机与输电线路设备的在水平方向上的距离;
或者图像中输电线路设备为线路则:
其中,H线路为线路距离地面的高度;
L水平偏移为无人机与输电线路设备的在水平方向上的距离;
2)计算图像拍摄的输电线路设备的GPS位置,从无人机的飞行航向,根据飞行航线和拍摄视角,计算出偏移视角线与正北方向的偏移角度C;根据图像拍摄的GPS无人机位置(photo_gps_x,photo_gps_y)、偏移距离L水平偏移和偏移视角线与正北方向的偏移角度A,计算对应的巡检图像拍摄的输电线路设备的GPS位置GPS线路设备(line_gps_x,line_gps_y);
line_gps_x=photo_gps_x+L水平偏移*sinA;
line_gps_y=photo_gps_y+L水平偏移*cosA;
S202.确定输电线路杆塔或者杆塔段;根据拍摄的输电线路设备的GPS位置,到输电线路信息数据库中查询对应的GPS位置最为接近的输电线路杆塔或者杆塔段;
S203.匹配输电线路信息,根据巡检图像对应的输电线路杆塔或者杆塔段,关联相应的输电线路信息,包括巡检图像对应的杆塔的编号、杆塔型号、材质、性质、档距、电压等级、GPS位置、运行维护班组、所属单位;根据GPS位置与GIS信息关联,确定巡检图像拍摄区域的地理信息、环境信息、气象信息和所属的行政区域信息。
S3.提取巡检图像中的特征,基于特征获得特征对应于正常样本信息库中的图像;
具体包括,读取巡检图像数据,进行缩放处理并将彩色图像进行RGB通道数据分离、直方图统计等数据计算,作为后期处理的原始数据;对巡检图像进行图像分割,利用Prewitt算子,遍历图像,计算图像的边缘信息;将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标;
对数字图像f(x,y),Prewitt算子的定义如下:
G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)]-
[f(i+1,j-1)+f(i+1,j)+f(i+1,j+1)]|
G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1,j+1)]-
[f(i-1,j-1)+f(i,j-1)+f(i+1,j-1)]|
则P(i,j)=max[G(i),G(j)]或P(i,j)=G(i)+G(j)。
P(i,j)为经过Prewitt算子提取边缘后对应位置处的像素值;
其中,对于杆塔的识别:对图像进行LSD直线检测,快速准确的检测出图像中的直线特征;将图像分块,分析每块中的直线特征,结合杆塔交叉、对称的特性,确定每个图像块的属性;最终得到杆塔的标记区域;
对于导线的识别:由于导线在图像中呈现出直线、贯穿特性,对图像进行Prewitt算子边缘提取;分析边缘方向信息并进行聚类处理;对各聚类中心进行像素区域生长操作;根据长度信息确定导线位置;
对绝缘子的识别:利用深度学习中CNN方法对绝缘子进行识别,包括构建训练样本集,训练、保存识别模型,利用滑动窗检测,然后直线拟合候选框,确定图像中绝缘子标记区域;
对防震锤的识别:构造防震锤、隔离棒的训练样本集,利用Faster-RCNN算法,训练识别模板,保留概率最大的目标候选框,确定图像中防震锤的标记区域。
S4.判断***是否进行自动缺陷诊断,若是,进入步骤S5,若否,进入步骤S7。
S5.***自动对比巡检图像中的特征图像与正常样本信息库中的参考图像,诊断缺陷,对巡检图像进行缺陷标识操作,与缺陷样本信息库中的样本图像进行对比,指示缺陷等级,将巡检数据信息库中诊断后有缺陷的巡检图像备注为疑似缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态;
具体的,如图4所示,S501.将步骤S3中处理好的巡检图像与预先存储在正常样本信息库中的参考图像进行匹配;首先使用具有光照不变、旋转和尺度不变等性质的SIFT特征进行匹配;然后,基于RANSAC随机采样一致性方法,计算待检测图像和参考图像的单应关系H矩阵;
S502.根据两幅图像的差异,检测出发生异常的区域;异常检测基于当前待检测图像和参考图像的差值图像进行检测,在对待检测图像配准后,对两幅图像做差,由于差值图像可视化较差,先将图像归一化到0到255之间;然后使用Mean Shift分割算法,直接得到要检测的异常区域;使用Mean Shift分割算法时,空间带宽选用8.5,色度带宽选用7.5,最小分割面积为600像素,光照主要影响差值图像的局部的高亮区域,由于高亮区域与其他区域相比,对比度较大,可能会把高亮区域整体分割出来,但是高亮区域中可能含有异常区域,此异常区域容易由于按高亮区域被整体分割出来而被忽略,此时可以通过颜色空间阈值的合理选取来去除掉,色度带宽选用7.5能够很好的去除高亮区域的影响,且能够分割出对比度高的异常区域。
S503.在异常区域处进行缺陷标识,通过标注图像像素坐标位置的方式对图像进行缺陷标注,确定缺陷的位置,所有的坐标位置点均是以图像像素为单位,缺陷标识的基本图形包括矩形、圆形、椭圆形和三角形;
S504.将异常区域与缺陷样本信息库中的样本图像进行对比,确定缺陷级别;
S505.将巡检数据信息库中诊断后有缺陷的巡检图像备注为确认缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态,将缺陷级别与标识后的巡检图像更新到巡检数据信息库中。
S6.将有缺陷的巡检图像进行人工确认,确认后,疑似缺陷状态更改为确认缺陷状态;
S7.人工识别并标注缺陷,对比巡检图像中的特征图像与正常样本信息库中的参考图像,对巡检图像进行缺陷标识,与缺陷样本信息库中的样本图像进行对比,确定缺陷级别,将巡检数据信息库中诊断后有缺陷的巡检图像备注为确认缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态,将缺陷级别与标识后的巡检图像更新到巡检数据信息库中;
S8.筛选缺陷,从巡检数据信息库中筛选缺陷,可以按照线路、缺陷部件、部件类型、部位、缺陷等级、拍摄时间、巡检数据上传时间以及缺陷确认的时间进行筛选,将筛选的缺陷加入报告集;
S9.生成巡检报告,将报告集模块中的缺陷生成巡检报告,并将巡检报告存入巡检报告信息库中,供巡检、维护等人员进行查看、下载、编辑等操作。
本实施例提供的基于图像识别技术的巡检数据智能分析***及分析方法,依据巡检数据信息,从输电线路信息数据库中查询对应的杆塔或杆塔段信息及输电线路信息,并将对应的输电线路信息更新到巡检数据信息库中,便于后续维修人员对缺陷部件的定位;能够自动对巡检图像中的特征进行识别并可选的自动诊断缺陷,将巡检图像备注为4种,便于数据库的存储;对缺陷进行人工确认,可以人工调整缺陷;对缺陷进行分级,将缺陷的严重性直观反映给维修人员;将缺陷加入报告集生成巡检报告,完成整个巡检数据结果分析的工作。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.基于图像识别技术的巡检数据智能分析***,其特征在于:
包括数据管理模块,用于导入输电线路的巡检数据,匹配巡检图像信息,识别特征和缺陷;
缺陷管理模块,用于管理和筛选所述缺陷,将所述缺陷加入报告集;
报告集模块,用于接收所述报告集,查看所述报告集中的缺陷,生成巡检报告;
后台数据库,用于存储所述巡检数据、所述缺陷数据、正常样本信息、缺陷样本信息和所述巡检报告。
2.根据权利要求1所述的基于图像识别技术的巡检数据智能分析***,其特征在于:所述后台数据库包括输电线路信息库、巡检数据信息库、正常样本信息库、缺陷样本信息库和巡检报告信息库。
3.根据权利要求2所述的基于图像识别技术的巡检数据智能分析***,其特征在于,所述数据管理模块包括:
数据操作模块,用于导入所述巡检数据,所述巡检数据包括所述巡检图像、GPS位置、无人机的飞行状态数据、无人机的高、无人机与拍摄输电线路设备的距离信息,匹配所述巡检图像的图像信息,对所述巡检图像进行特征识别;
缺陷识别模块,根据所述正常样本信息库和缺陷样本信息库***自动识别并标注巡检图像中的缺陷,判断出缺陷级别;
人工确认模块,用于确认或修改所述缺陷;
缺陷人工识别模块,人工识别并标注巡检图像中的缺陷,判断缺陷级别。
4.根据权利要求3所述的基于图像识别技术的巡检数据智能分析***,其特征在于:所述缺陷级别包括一般缺陷、严重缺陷和危急缺陷。
5.根据权利要求3所述的基于图像识别技术的巡检数据智能分析***,其特征在于:所述图像信息包括巡检图像、GPS位置信息和输电线路信息。
6.根据上述任一权利要求所述的基于图像识别技术的巡检数据智能分析***的分析方法,其特征在于,包括:
S1.导入巡检数据;
S2.匹配巡检图像信息,根据所述巡检数据中巡检图像拍摄时的飞行状态数据、GPS位置、无人机的高、无人机与拍摄输电线路设备的距离信息,计算巡检图像对应的输电线路杆塔或杆塔段及关联的输电线路信息,将所述巡检图像、GPS位置信息和输电线路信息存入巡检数据信息库;
S3.提取所述巡检图像中的特征,基于所述特征获得所述特征对应于正常样本信息库中的图像;
S4.判断***是否进行自动缺陷诊断,若是,进入步骤S5,若否,进入步骤S7;
S5.***自动对比巡检图像中的特征图像与正常样本信息库中的参考图像,诊断缺陷,对巡检图像进行缺陷标识操作,与缺陷样本信息库中的样本图像进行对比,指示缺陷等级,将巡检数据信息库中诊断后有缺陷的巡检图像备注为疑似缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态;
S6.将所述有缺陷的巡检图像进行人工确认,确认后,所述疑似缺陷状态更改为确认缺陷状态;
S7.人工识别并标注缺陷,对比巡检图像中的特征图像与正常样本信息库中的参考图像,对巡检图像进行缺陷标识,与缺陷样本信息库中的样本图像进行对比,确定缺陷级别,将巡检数据信息库中诊断后有缺陷的巡检图像备注为确认缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态,将缺陷级别与标识后的巡检图像更新到所述巡检数据信息库中;
S8.筛选缺陷,从巡检数据信息库中筛选缺陷,将筛选的所述缺陷加入报告集;
S9.生成巡检报告。
7.根据权利要求6所述的基于图像识别技术的巡检数据智能分析方法,其特征在于:所述步骤S2具体包括:
S201.根据巡检图像拍摄时的无人机GPS位置,无人机与拍摄输电线路设备的距离,水平线距,偏移视角线与正北方向的偏移角度,以及无人机的高度,杆塔高度和线路高度,计算拍摄输电线路设备的GPS位置;
S202.确定输电线路杆塔或者杆塔段;根据拍摄的输电线路设备的GPS位置,到输电线路信息数据库中查询对应的GPS位置最为接近的输电线路杆塔或者杆塔段;
S203.匹配输电线路信息,根据巡检图像对应的输电线路杆塔或者杆塔段,关联相应的输电线路信息,包括巡检图像对应的杆塔的编号、杆塔型号、材质、性质、档距、电压等级、GPS位置、运行维护班组、所属单位;根据GPS位置与GIS信息关联,确定巡检图像拍摄区域的地理信息、环境信息、气象信息和所属的行政区域信息。
8.根据权利要求6所述的基于图像识别技术的巡检数据智能分析方法,其特征在于:所述步骤S3具体包括,对所述巡检图像进行图像分割,利用Prewitt算子,将图像数据中包含的电力设备及其故障检测的潜在感兴趣目标提取出来,并利用已知的感兴趣目标的单个特征或特征组合从分割后的图像数据中剔除虚假目标,保留图像数据中的感兴趣目标。
9.根据权利要求8所述的基于图像识别技术的巡检数据智能分析方法,其特征在于:所述感兴趣目标包括杆塔、导线、地线、引流线、绝缘子、基础、防震锤、接地装置以及部件连通区域。
10.根据权利要求6所述的基于图像识别技术的巡检数据智能分析方法,其特征在于:所述步骤S5具体包括:
S501.将步骤S3中处理好的图像与预先存储在正常样本信息库中的参考图像进行匹配;
S502.根据两幅图像的差异,检测出发生异常的区域;异常检测基于当前待检测图像和参考图像的差值图像进行检测,在对待检测图像配准后,对两幅图像做差,由于差值图像可视化较差,先将图像归一化到0到255之间;然后使用Mean Shift分割算法,直接得到要检测的异常区域;
S503.在异常区域处进行缺陷标识,所有的坐标位置点均是以图像像素为单位,缺陷标识的基本图形包括矩形、圆形、椭圆形和三角形;
S504.将异常区域与缺陷样本信息库中的样本图像进行对比,确定缺陷级别;
S505.将巡检数据信息库中诊断后有缺陷的巡检图像备注为确认缺陷状态,诊断后无缺陷的巡检图像备注为无缺陷状态,没有进行诊断的巡检图像备注为未诊断状态,将缺陷级别与标识后的巡检图像更新到所述巡检数据信息库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290176.XA CN110197176A (zh) | 2018-10-31 | 2018-10-31 | 基于图像识别技术的巡检数据智能分析***及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290176.XA CN110197176A (zh) | 2018-10-31 | 2018-10-31 | 基于图像识别技术的巡检数据智能分析***及分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197176A true CN110197176A (zh) | 2019-09-03 |
Family
ID=67751391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811290176.XA Pending CN110197176A (zh) | 2018-10-31 | 2018-10-31 | 基于图像识别技术的巡检数据智能分析***及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197176A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543870A (zh) * | 2019-09-10 | 2019-12-06 | 国网黑龙江省电力有限公司鹤岗供电公司 | 一种基于无人机的输电线路智能巡检*** |
CN110587629A (zh) * | 2019-10-15 | 2019-12-20 | 云南电网有限责任公司电力科学研究院 | 变电站巡检机器人、巡检方法及巡检机器人控制方法 |
CN110674861A (zh) * | 2019-09-19 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种输变电巡检图像智能分析方法及装置 |
CN110706230A (zh) * | 2019-10-29 | 2020-01-17 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于先验信息的杆塔异常自动化检测方法 |
CN110907500A (zh) * | 2019-11-25 | 2020-03-24 | 中国电力科学研究院有限公司 | 基于无人机平台的复合绝缘子憎水性自动化检测方法及装置 |
CN111027631A (zh) * | 2019-12-13 | 2020-04-17 | 四川赛康智能科技股份有限公司 | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 |
CN111311967A (zh) * | 2020-03-31 | 2020-06-19 | 普宙飞行器科技(深圳)有限公司 | 基于无人机的电力线路巡检***及方法 |
CN111352750A (zh) * | 2020-03-04 | 2020-06-30 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路多源影像缺陷隐患识别的方法及*** |
CN111462310A (zh) * | 2020-03-31 | 2020-07-28 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于多视几何的螺栓缺陷空间定位方法 |
CN111488820A (zh) * | 2020-04-08 | 2020-08-04 | 中国电力科学研究院有限公司 | 一种基于光影分离的电缆隧道工程智能巡检方法及*** |
CN111506093A (zh) * | 2020-04-09 | 2020-08-07 | 陕西省地方电力(集团)有限公司延安供电分公司 | 一种基于无人机的电力巡检***及方法 |
CN111582518A (zh) * | 2020-05-19 | 2020-08-25 | 北京数字绿土科技有限公司 | 电力巡检报告自动生成方法、装置及终端设备 |
CN111639051A (zh) * | 2020-04-09 | 2020-09-08 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆的影像文件处理方法 |
CN111709931A (zh) * | 2020-06-16 | 2020-09-25 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及*** |
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
CN111912897A (zh) * | 2020-08-11 | 2020-11-10 | 中国石油大学(北京) | 一种管道缺陷信息获取方法、装置、设备及存储介质 |
CN111949809A (zh) * | 2020-07-16 | 2020-11-17 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN112001918A (zh) * | 2020-09-27 | 2020-11-27 | 中铁电气化局集团有限公司 | 基于ai算法的高铁接触网设备巡检方法及*** |
CN112114731A (zh) * | 2020-09-09 | 2020-12-22 | 广东电网有限责任公司 | 一种变电站巡检设备 |
CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
CN112436600A (zh) * | 2020-10-29 | 2021-03-02 | 山东理工大学 | 一种基于飞行巡检模式下的电力设备监控*** |
CN112445240A (zh) * | 2020-11-26 | 2021-03-05 | 广东电网有限责任公司 | 一种自动巡线方法和自动巡线无人机 |
CN112476451A (zh) * | 2020-11-24 | 2021-03-12 | 国网天津市电力公司 | 用于变压器内部作业的油下机器人及使用方法 |
CN112527871A (zh) * | 2020-12-09 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种电力输电线路生产测量计划运维***及方法 |
CN112801120A (zh) * | 2019-11-13 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种无人机巡检图像缺陷智能分析的方法 |
CN113052104A (zh) * | 2021-03-31 | 2021-06-29 | 广东电网有限责任公司 | 基于图像识别的绝缘子定位识别方法及*** |
CN113159234A (zh) * | 2021-05-24 | 2021-07-23 | 广州市吉华勘测股份有限公司 | 巡检图片的类别标注方法、装置、电子设备和存储介质 |
CN113188661A (zh) * | 2021-03-12 | 2021-07-30 | 浙江黑卡电气有限公司 | 一种红外热图的智能拍摄记录方法及装置 |
CN113485433A (zh) * | 2021-07-27 | 2021-10-08 | 国网青海省电力公司海西供电公司 | 输电线路的巡检方法与装置 |
CN113724247A (zh) * | 2021-09-15 | 2021-11-30 | 国网河北省电力有限公司衡水供电分公司 | 一种基于图像判别技术的变电站智能巡检方法 |
CN113763584A (zh) * | 2021-05-13 | 2021-12-07 | 江门市赛为电力科技有限公司 | 一种电力线路智能巡检*** |
CN114167863A (zh) * | 2021-11-30 | 2022-03-11 | 国网黑龙江省电力有限公司黑河供电公司 | 一种配电站的自动巡检*** |
CN116187985A (zh) * | 2023-05-05 | 2023-05-30 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于图像处理的电力***智能巡检分析*** |
CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
-
2018
- 2018-10-31 CN CN201811290176.XA patent/CN110197176A/zh active Pending
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543870A (zh) * | 2019-09-10 | 2019-12-06 | 国网黑龙江省电力有限公司鹤岗供电公司 | 一种基于无人机的输电线路智能巡检*** |
CN110674861A (zh) * | 2019-09-19 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种输变电巡检图像智能分析方法及装置 |
CN110674861B (zh) * | 2019-09-19 | 2022-03-18 | 国网智能科技股份有限公司 | 一种输变电巡检图像智能分析方法及装置 |
CN110587629A (zh) * | 2019-10-15 | 2019-12-20 | 云南电网有限责任公司电力科学研究院 | 变电站巡检机器人、巡检方法及巡检机器人控制方法 |
CN110706230A (zh) * | 2019-10-29 | 2020-01-17 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于先验信息的杆塔异常自动化检测方法 |
CN112801120A (zh) * | 2019-11-13 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种无人机巡检图像缺陷智能分析的方法 |
CN110907500A (zh) * | 2019-11-25 | 2020-03-24 | 中国电力科学研究院有限公司 | 基于无人机平台的复合绝缘子憎水性自动化检测方法及装置 |
CN110907500B (zh) * | 2019-11-25 | 2023-01-06 | 中国电力科学研究院有限公司 | 基于无人机平台的复合绝缘子憎水性自动化检测方法及装置 |
CN111027631A (zh) * | 2019-12-13 | 2020-04-17 | 四川赛康智能科技股份有限公司 | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 |
CN111027631B (zh) * | 2019-12-13 | 2023-09-01 | 四川赛康智能科技股份有限公司 | 高压耐张线夹压接缺陷判别的x射线影像分类识别方法 |
CN111352750A (zh) * | 2020-03-04 | 2020-06-30 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路多源影像缺陷隐患识别的方法及*** |
CN111352750B (zh) * | 2020-03-04 | 2023-08-18 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路多源影像缺陷隐患识别的方法及*** |
CN111462310A (zh) * | 2020-03-31 | 2020-07-28 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于多视几何的螺栓缺陷空间定位方法 |
CN111311967A (zh) * | 2020-03-31 | 2020-06-19 | 普宙飞行器科技(深圳)有限公司 | 基于无人机的电力线路巡检***及方法 |
CN111462310B (zh) * | 2020-03-31 | 2023-10-17 | 国网辽宁省电力有限公司朝阳供电公司 | 一种基于多视几何的螺栓缺陷空间定位方法 |
CN111488820A (zh) * | 2020-04-08 | 2020-08-04 | 中国电力科学研究院有限公司 | 一种基于光影分离的电缆隧道工程智能巡检方法及*** |
CN111488820B (zh) * | 2020-04-08 | 2023-06-23 | 中国电力科学研究院有限公司 | 一种基于光影分离的电缆隧道工程智能巡检方法及*** |
CN111506093A (zh) * | 2020-04-09 | 2020-08-07 | 陕西省地方电力(集团)有限公司延安供电分公司 | 一种基于无人机的电力巡检***及方法 |
CN111639051B (zh) * | 2020-04-09 | 2023-08-25 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆的影像文件处理方法 |
CN111639051A (zh) * | 2020-04-09 | 2020-09-08 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆的影像文件处理方法 |
CN111582518A (zh) * | 2020-05-19 | 2020-08-25 | 北京数字绿土科技有限公司 | 电力巡检报告自动生成方法、装置及终端设备 |
CN111726577A (zh) * | 2020-05-29 | 2020-09-29 | 孝感市光源电力集团有限责任公司 | 基于无人机巡查的配电网工程审计方法 |
CN111709931A (zh) * | 2020-06-16 | 2020-09-25 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及*** |
CN111709931B (zh) * | 2020-06-16 | 2023-05-23 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及*** |
CN111949809B (zh) * | 2020-07-16 | 2023-01-20 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN111949809A (zh) * | 2020-07-16 | 2020-11-17 | 广东电网有限责任公司 | 一种输电线路红外巡检数据智能处理方法 |
CN111912897A (zh) * | 2020-08-11 | 2020-11-10 | 中国石油大学(北京) | 一种管道缺陷信息获取方法、装置、设备及存储介质 |
CN112114731A (zh) * | 2020-09-09 | 2020-12-22 | 广东电网有限责任公司 | 一种变电站巡检设备 |
CN112001918A (zh) * | 2020-09-27 | 2020-11-27 | 中铁电气化局集团有限公司 | 基于ai算法的高铁接触网设备巡检方法及*** |
CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
CN112436600A (zh) * | 2020-10-29 | 2021-03-02 | 山东理工大学 | 一种基于飞行巡检模式下的电力设备监控*** |
CN112476451A (zh) * | 2020-11-24 | 2021-03-12 | 国网天津市电力公司 | 用于变压器内部作业的油下机器人及使用方法 |
CN112445240A (zh) * | 2020-11-26 | 2021-03-05 | 广东电网有限责任公司 | 一种自动巡线方法和自动巡线无人机 |
CN112527871A (zh) * | 2020-12-09 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种电力输电线路生产测量计划运维***及方法 |
CN113188661A (zh) * | 2021-03-12 | 2021-07-30 | 浙江黑卡电气有限公司 | 一种红外热图的智能拍摄记录方法及装置 |
CN113052104A (zh) * | 2021-03-31 | 2021-06-29 | 广东电网有限责任公司 | 基于图像识别的绝缘子定位识别方法及*** |
CN113763584A (zh) * | 2021-05-13 | 2021-12-07 | 江门市赛为电力科技有限公司 | 一种电力线路智能巡检*** |
CN113159234A (zh) * | 2021-05-24 | 2021-07-23 | 广州市吉华勘测股份有限公司 | 巡检图片的类别标注方法、装置、电子设备和存储介质 |
CN113485433A (zh) * | 2021-07-27 | 2021-10-08 | 国网青海省电力公司海西供电公司 | 输电线路的巡检方法与装置 |
CN113724247A (zh) * | 2021-09-15 | 2021-11-30 | 国网河北省电力有限公司衡水供电分公司 | 一种基于图像判别技术的变电站智能巡检方法 |
CN113724247B (zh) * | 2021-09-15 | 2024-05-03 | 国网河北省电力有限公司衡水供电分公司 | 一种基于图像判别技术的变电站智能巡检方法 |
CN114167863A (zh) * | 2021-11-30 | 2022-03-11 | 国网黑龙江省电力有限公司黑河供电公司 | 一种配电站的自动巡检*** |
CN116187985B (zh) * | 2023-05-05 | 2023-06-27 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于图像处理的电力***智能巡检分析*** |
CN116187985A (zh) * | 2023-05-05 | 2023-05-30 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于图像处理的电力***智能巡检分析*** |
CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
CN116912234B (zh) * | 2023-09-06 | 2023-11-28 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197176A (zh) | 基于图像识别技术的巡检数据智能分析***及分析方法 | |
CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其*** | |
CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
CN101625723B (zh) | 电力线轮廓的快速图像识别方法 | |
CN103529362B (zh) | 基于感知的绝缘子识别与缺陷诊断方法 | |
CN109376605B (zh) | 一种电力巡检图像防鸟刺故障检测方法 | |
CN111342391B (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN105957073B (zh) | 输电线路散股故障检测方法 | |
CN106570853A (zh) | 一种形状与颜色融合的绝缘子识别与缺陷检测方法 | |
CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
CN114187511A (zh) | 一种输电全景大数据智能监控方法 | |
CN112115770A (zh) | 一种用于架空线路无人机自主巡检缺陷识别的方法及*** | |
CN110852151B (zh) | 一种路内泊位遮挡检测方法和装置 | |
CN112270234B (zh) | 一种基于航拍图像的输电线路绝缘子目标识别方法 | |
CN117498225B (zh) | 一种无人机智能电力线路巡检*** | |
CN105528790A (zh) | 一种输电线路小型部件识别方法 | |
Fang et al. | A framework of power pylon detection for UAV-based power line inspection | |
CN113657258A (zh) | 一种基于图像处理的接触网故障识别***和识别方法 | |
CN111553500B (zh) | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 | |
CN106803290A (zh) | 输配线路巡视记录方法和装置 | |
CN103198326B (zh) | 一种输电线路直升机巡检的图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190903 |