CN110610136A - 一种基于深度学习的变电站设备识别模块及识别方法 - Google Patents
一种基于深度学习的变电站设备识别模块及识别方法 Download PDFInfo
- Publication number
- CN110610136A CN110610136A CN201910771787.4A CN201910771787A CN110610136A CN 110610136 A CN110610136 A CN 110610136A CN 201910771787 A CN201910771787 A CN 201910771787A CN 110610136 A CN110610136 A CN 110610136A
- Authority
- CN
- China
- Prior art keywords
- image
- substation equipment
- unit
- deep learning
- prediction
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013459 approach Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于变电站巡检技术领域,具体涉及一种基于深度学习的变电站设备识别模块及识别方法,模块包括图像采集单元、图像处理单元、图像预测单元、决策单元;所述图像采集单元、图像处理单元、图像预测单元、决策单元依次连接;所述决策单元与机器人工控机连接;图像采集单元采集变电站设备的一张图像或者视频的一帧;图像处理单元对图像进行预处理;图像预测单元通过深度学习网络对处理后的图像进行预测识别,得到预测结果;决策单元根据预测结果向机器人工控机发送信号决定机器人是否向设备靠近,以及向图像预测单元发送对变电站设备进行缺陷检测的信号。本发明可以极大地提升变电站智能巡检机器人对设备的识别率,提高机器人的智能化程度。
Description
技术领域
本发明属于变电站巡检技术领域,具体涉及一种基于深度学习的变电站设备识别模块及识别方法。
背景技术
为了保证电力的供应,需要对变电站定期巡检,排查隐患。目前多采用人工巡检的方式对变电站进行检查,这种方式人工成本高昂,工作环境危险性大,且工作强度就大、工作条件艰苦。伴随着无人化智能变电站的日渐普及,对变电站中的智能巡检机器人的巡检可靠性要求越来越高。而变电站中设备多样、表计种类繁多,使用传统的模式识别方式已经难以准确、可靠的识别各类设备,做到及时排查隐患,发现缺陷。
鉴于上述问题,有必要针对目前的变电站巡检机器人,提出一种基于深度学习的变电站设备识别模块及识别方法,该模块可以准确的识别不同种类的变电站设备,并进一步针对设备缺陷发出预警。
发明内容
为了解决上述问题,本发明提供了一种基于深度学习的变电站设备识别模块及识别方法,具体技术方案如下:
一种基于深度学习的变电站设备识别模块,包括图像采集单元、图像处理单元、图像预测单元、决策单元;所述图像采集单元、图像处理单元、图像预测单元、决策单元依次连接;所述决策单元与机器人工控机连接;
所述图像采集单元用于采集变电站设备的一张图像或者视频的一帧,并将采集到的图像输入至图像处理单元;
所述图像处理单元用于对图像进行预处理,并将处理后的图像输入至图像预测单元;
所述图像预测单元用于通过深度学习网络对处理后的图像进行预测识别,检测到对应的变电站设备后并将预测结果输入至决策单元;
所述决策单元用于根据预测结果向机器人工控机发送信号决定机器人是否向设备靠近,以及向图像预测单元发送对变电站设备进行缺陷检测的信号。
优选地,所述深度学习网络包括28卷积层、8层池化层、3层全连接层、1层输出层。
优选地,所述卷积层采用3x3大小的卷积核,步长为1,填充1个像素。
优选地,所述池化层采用Max-pooling方法,连接的max-pooling的窗口大小是2x2,步长为2。
优选地,前两层所述全连接层均有4096个通道,第三个全连接层有6个通道,用于分类。
一种基于深度学习的变电站设备识别方法,包括以下步骤:
S1:图像采集单元采集变电站设备的一张图像或者视频的一帧,并将采集到的图像输入至图像处理单元;
S2:图像处理单元对图像进行预处理,并将处理后的图像输入至图像预测单元;
S3:图像预测单元通过深度学习网络对处理后的图像进行预测识别,检测到对应的变电站设备后并将预测结果输入至决策单元;
S4:决策单元根据检测到的变电站设备是否清晰并向机器人工控机发送信号,决定机器人是否向设备靠近;
S5:直到图像预测单元检测到的变电站设备足够清晰,决策单元向图像预测单元发送信号,图像预测模将对检测到的变电站设备的图片做缺陷检测,并输出缺陷检测结果。
优选地,所述步骤S2中预处理包括对图像进行尺寸的裁剪或者填充,使其与图像预测单元预训练的模型维度相匹配。
优选地,所述步骤S3具体包括以下步骤:
S31:将处理后的图像输入卷积层、池化层,经过卷积层和池化层输出特征图,
S32:将得到的特征图通过光栅化得到特征向量连接到全连接层,通过Softmax分类器得到分类结果。
优选地,所述步骤S31中卷积层的公式如下
conv_output=f(WTx+b);
其中f(*)代表激活函数,x代表输入数据,WT为权值,b为偏置;
采用ReLu激活函数,公式如下:
Ψ(x)=max(0,x);
其求导形式为:
所述池化层的公式如下:
pooling_putput=max(x);
其中x代表n*n矩阵。
优选地,所述步骤S32中所述Softmax分类器接受4096维的输入数据,输出n维的分类结果,所述n为设备缺陷种类数,n维的分类结果表示输入样本对应n个设备缺陷类别的置信度,而后取置信度最大值对应的分类类别为最终的分类结果,Softmax分类器的公式如下:
其中,k代表类的次数,j=1,2,…,K,其中z=WTx+b,W、b为Softmax的参数,x为4096维的输入特征;
使用损失函数来衡量深度学习网络的输出分类结果和与输入样本对应的实际分类结果的差距,所述损失函数采用交叉熵损失函数与内聚性损失函数的结合体,公式如下:
L表示损失函数,λ是权重因子,LC表示惩罚项,LH表示交叉熵损失函数,i=1,2,…,K,K代表类的次数。
本发明的有益效果为:本发明提供的模块可以极大地提升变电站智能巡检机器人对设备的识别率,提高机器人的智能化程度。
附图说明
图1为本发明提供的变电站设备识别模块的结构示意图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
如图1所示,一种基于深度学习的变电站设备识别模块,包括图像采集单元、图像处理单元、图像预测单元、决策单元;图像采集单元、图像处理单元、图像预测单元、决策单元依次连接;决策单元与机器人工控机连接;
图像采集单元用于采集变电站设备的一张图像或者视频的一帧,并将采集到的图像输入至图像处理单元;
图像处理单元用于对图像进行预处理,并将处理后的图像输入至图像预测单元;
图像预测单元用于通过深度学习网络对处理后的图像进行预测识别,检测到对应的变电站设备后并将预测结果输入至决策单元;
决策单元用于根据预测结果向机器人工控机发送信号决定机器人是否向设备靠近,以及向图像预测单元发送对变电站设备进行缺陷检测的信号。
其中,深度学习网络包括28卷积层、8层池化层、3层全连接层、1层输出层。结构如下表1所示。
表1深度学习网络的结构
卷积层宽度(通道数)从64到512,每经过一次池化操作,扩大一倍。其中,卷积层采用3x3大小的卷积核,步长为1,填充1个像素。池化层采用Max-pooling方法,连接的max-pooling的窗口大小是2x2,步长为2。前两层全连接层均有4096个通道,第三个全连接层有6个通道,用于分类。
一种基于深度学习的变电站设备识别方法,包括以下步骤:
本专利对变电站常见电力设备进行了识别测试。测试时所用的图像数据集中有20000幅变电站电力设备图像,图像尺寸从256像素×256像素到1024像素×1024像素,训练时,随机选择的图像数量均为18000幅,剩下的2000幅图像作为测试样本。S1:图像采集单元采集变电站设备的一张图像或者视频的一帧,并将采集到的图像输入至图像处理单元。
S2:图像处理单元对图像进行预处理,裁剪图片中间的256x256区域,并减去整个图像每个像素的均值,然后用10个不同的对256x256图像进行224x224的裁剪,并将处理后的图像输入至图像预测单元;预处理包括对图像进行尺寸的裁剪或者填充,使其与图像预测单元预训练的模型维度相匹配。训练时输入大小为256x256大小的RGB图像;在训练集中的每个像素减去RGB的均值,输出图片大约在[-128,128]的范围内。
S3:图像预测单元通过深度学习网络对处理后的图像进行预测识别,检测到对应的变电站设备后并将预测结果输入至决策单元;包括以下步骤:
S31:将处理后的图像输入卷积层、池化层,经过卷积层和池化层输出特征图,卷积层的公式如下:
conv_output=f(WTx+b);
其中f(*)代表激活函数,x代表输入数据,WT为权值,b为偏置;
采用ReLu激活函数,公式如下:
Ψ(x)=max(0,x);
其求导形式为:
池化层的公式如下:
pooling_putput=max(x);
其中x代表n*n矩阵。
S32:卷积层宽度从64到512,卷积层采用3x3大小的卷积核,步长为1,填充1个像素。池化层的max-pooling的窗口大小是2x2,步长为2。
全连接层:前两个全连接层均有4096个通道,第三个全连接层由1000个通道,用来分类。所有网络的全连接层配置相同。将得到的特征图通过光栅化得到特征向量连接到全连接层,通过Softmax分类器得到分类结果。Softmax分类器接受4096维的输入数据,输出n维的分类结果,n为设备缺陷种类数,n维的分类结果表示输入样本对应n个设备缺陷类别的置信度,而后取置信度最大值对应的分类类别为最终的分类结果,Softmax分类器的公式如下:
其中,k代表类的次数,j=1,2,…,K,其中z=WTx+b,W、b为Softmax的参数,x为4096维的输入特征;
训练算法采用随机梯度下降方法,对以128个训练数据分的块进行随机梯度下降法来更新参数,经过网络前向后,使用损失函数来衡量深度学习网络的输出分类结果和与输入样本对应的实际分类结果的差距,接着利用这种衡量来反向训练网络参数,其中,损失函数采用交叉熵损失函数与内聚性损失函数的结合体,公式如下:
L表示损失函数,λ是权重因子,LC表示惩罚项,LH表示交叉熵损失函数,i=1,2,…,K,K代表类的次数。
S4:深度学***均识别准确率可至80%以上,达到82.8%左右。Softmax分类器方法使用最后1个全连接层的深度特征进行分类处理,对电力设备的识别很有效。而且有足够多的训练样本,深度学习算法就会提高识别准确率。
决策单元根据检测到的变电站设备是否清晰并向机器人工控机发送信号,决定机器人是否向设备靠近;
S5:直到图像预测单元检测到的变电站设备足够清晰,决策单元向图像预测单元发送信号,图像预测模将对检测到的变电站设备的图片做缺陷检测,并输出缺陷检测结果。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的变电站设备识别模块,其特征在于:包括图像采集单元、图像处理单元、图像预测单元、决策单元;所述图像采集单元、图像处理单元、图像预测单元、决策单元依次连接;所述决策单元与机器人工控机连接;
所述图像采集单元用于采集变电站设备的一张图像或者视频的一帧,并将采集到的图像输入至图像处理单元;
所述图像处理单元用于对图像进行预处理,并将处理后的图像输入至图像预测单元;
所述图像预测单元用于通过深度学习网络对处理后的图像进行预测识别,检测到对应的变电站设备后并将预测结果输入至决策单元;
所述决策单元用于根据预测结果向机器人工控机发送信号决定机器人是否向设备靠近,以及向图像预测单元发送对变电站设备进行缺陷检测的信号。
2.根据权利要求1所述的一种基于深度学习的变电站设备识别模块,其特征在于:所述深度学习网络包括28卷积层、8层池化层、3层全连接层、1层输出层。
3.根据权利要求2所述的一种基于深度学习的变电站设备识别模块,其特征在于:所述卷积层采用3x3大小的卷积核,步长为1,填充1个像素。
4.根据权利要求2所述的一种基于深度学习的变电站设备识别模块,其特征在于:所述池化层采用Max-pooling方法,连接的max-pooling的窗口大小是2x2,步长为2。
5.根据权利要求2所述的一种基于深度学习的变电站设备识别模块,其特征在于:前两层所述全连接层均有4096个通道,第三个全连接层有6个通道,用于分类。
6.一种基于深度学习的变电站设备识别方法,其特征在于:包括以下步骤:
S1:图像采集单元采集变电站设备的一张图像或者视频的一帧,并将采集到的图像输入至图像处理单元;
S2:图像处理单元对图像进行预处理,并将处理后的图像输入至图像预测单元;
S3:图像预测单元通过深度学习网络对处理后的图像进行预测识别,检测到对应的变电站设备后并将预测结果输入至决策单元;
S4:决策单元根据检测到的变电站设备是否清晰并向机器人工控机发送信号,决定机器人是否向设备靠近;
S5:直到图像预测单元检测到的变电站设备足够清晰,决策单元向图像预测单元发送信号,图像预测模将对检测到的变电站设备的图片做缺陷检测,并输出缺陷检测结果。
7.根据权利要求6中的一种基于深度学习的变电站设备识别方法,其特征在于:所述步骤S2中预处理包括对图像进行尺寸的裁剪或者填充,使其与图像预测单元预训练的模型维度相匹配。
8.根据权利要求6中的一种基于深度学习的变电站设备识别方法,其特征在于:所述步骤S3具体包括以下步骤:
S31:将处理后的图像输入卷积层、池化层,经过卷积层和池化层输出特征图,
S32:将得到的特征图通过光栅化得到特征向量连接到全连接层,通过Softmax分类器得到分类结果。
9.根据权利要求8所述的一种基于深度学习的变电站设备识别方法,其特征在于:所述步骤S31中卷积层的公式如下
conv_output=f(WTx+b);
其中f(*)代表激活函数,x代表输入数据,WT为权值,b为偏置;
采用ReLu激活函数,公式如下:
Ψ(x)=max(0,x);
其求导形式为:
所述池化层的公式如下:
pooling_putput=max(x);
其中x代表n*n矩阵。
10.根据权利要求8所述的一种基于深度学习的变电站设备识别方法,其特征在于:所述步骤S32中所述Softmax分类器接受4096维的输入数据,输出n维的分类结果,所述n为设备缺陷种类数,n维的分类结果表示输入样本对应n个设备缺陷类别的置信度,而后取置信度最大值对应的分类类别为最终的分类结果,Softmax分类器的公式如下:
其中,k代表类的次数,j=1,2,…,K,其中z=WTx+b,W、b为Softmax的参数,x为4096维的输入特征;
使用损失函数来衡量深度学习网络的输出分类结果和与输入样本对应的实际分类结果的差距,所述损失函数采用交叉熵损失函数与内聚性损失函数的结合体,公式如下:
L表示损失函数,λ是权重因子,LC表示惩罚项,LH表示交叉熵损失函数,i=1,2,…,K,K代表类的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771787.4A CN110610136B (zh) | 2019-08-21 | 2019-08-21 | 一种基于深度学习的变电站设备识别模块及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771787.4A CN110610136B (zh) | 2019-08-21 | 2019-08-21 | 一种基于深度学习的变电站设备识别模块及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610136A true CN110610136A (zh) | 2019-12-24 |
CN110610136B CN110610136B (zh) | 2023-07-18 |
Family
ID=68891057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910771787.4A Active CN110610136B (zh) | 2019-08-21 | 2019-08-21 | 一种基于深度学习的变电站设备识别模块及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610136B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111136671A (zh) * | 2020-01-19 | 2020-05-12 | 国家电网有限公司 | 一种用于变电站巡检的机器人*** |
CN111157531A (zh) * | 2019-12-25 | 2020-05-15 | 南京悠阔电气科技有限公司 | 一种基于深度学习的变电站设备缺陷识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680195A (zh) * | 2017-11-13 | 2018-02-09 | 国网内蒙古东部电力有限公司 | 一种变电站智能机器人巡检辅助分析***及方法 |
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN109325936A (zh) * | 2018-08-17 | 2019-02-12 | 国网天津市电力公司 | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109614512A (zh) * | 2018-11-29 | 2019-04-12 | 亿嘉和科技股份有限公司 | 一种基于深度学习的电力设备检索方法 |
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
-
2019
- 2019-08-21 CN CN201910771787.4A patent/CN110610136B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190158340A1 (en) * | 2012-12-05 | 2019-05-23 | Origin Wireless, Inc. | Apparatus, systems and methods for fall-down detection based on a wireless signal |
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN107680195A (zh) * | 2017-11-13 | 2018-02-09 | 国网内蒙古东部电力有限公司 | 一种变电站智能机器人巡检辅助分析***及方法 |
CN109325936A (zh) * | 2018-08-17 | 2019-02-12 | 国网天津市电力公司 | 基于神经网络深度学习的配电设备缺陷图像识别终端及方法 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109614512A (zh) * | 2018-11-29 | 2019-04-12 | 亿嘉和科技股份有限公司 | 一种基于深度学习的电力设备检索方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157531A (zh) * | 2019-12-25 | 2020-05-15 | 南京悠阔电气科技有限公司 | 一种基于深度学习的变电站设备缺陷识别方法 |
CN111136671A (zh) * | 2020-01-19 | 2020-05-12 | 国家电网有限公司 | 一种用于变电站巡检的机器人*** |
Also Published As
Publication number | Publication date |
---|---|
CN110610136B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN109977921B (zh) | 一种输电线路隐患检测方法 | |
US20180357788A1 (en) | UAV Inspection Method for Power Line Based on Human Visual System | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及*** | |
CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN109118479A (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及*** | |
CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
CN113344475B (zh) | 基于序列模态分解的变压器套管缺陷识别方法及*** | |
CN111507975B (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
CN109829881A (zh) | 基于深度学习的鸟巢检测方法及*** | |
CN110610136A (zh) | 一种基于深度学习的变电站设备识别模块及识别方法 | |
CN112164048A (zh) | 一种基于深度学习的磁瓦表面缺陷自动检测方法和装置 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN111968078A (zh) | 一种变电设备的外观检测方法、装置、设备和存储介质 | |
CN116051539A (zh) | 一种变电设备发热故障的诊断方法 | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 |
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 |