CN111415345B - 一种基于深度学习的变电站紫外图像智能巡检方法及装置 - Google Patents
一种基于深度学习的变电站紫外图像智能巡检方法及装置 Download PDFInfo
- Publication number
- CN111415345B CN111415345B CN202010199529.6A CN202010199529A CN111415345B CN 111415345 B CN111415345 B CN 111415345B CN 202010199529 A CN202010199529 A CN 202010199529A CN 111415345 B CN111415345 B CN 111415345B
- Authority
- CN
- China
- Prior art keywords
- image
- ultraviolet
- digital
- region
- recognition model
- 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 43
- 238000007689 inspection Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的变电站紫外图像智能巡检算法，通过对大规模的紫外图像数据，利用CNN进行数字分类识别、光斑分类识别，之后利用目标检测模型进行部件检测，融合业务知识到故障研判，实现了对放电状态的自动化研判。本发明的有益效果在于：采用紫外仪器导出的紫外图片作为输入，自动进行区域分割和识别，人工只需结果核验，处理方式简便，不额外增加工程成本，降低了人工成本，提高了工作效率；将紫外图像的分析与深度学习技术相结合，建立识别模型的迭代更新机制，有效的保持和提升了模型的性能，进而实现了对变电站设备故障的精准判别；采用参数化输出，可直接作为输出参与其他业务流程。
Description
技术领域
本发明属于变电站智能巡检技术领域，涉及一种变电站紫外图像智能巡检方法及装置，具体涉及一种基于深度学习的变电站紫外图像智能巡检方法及装置。
背景技术
随着高新信息技术的快速发展，以及工业自动化、智能化的推动，变电站智能巡检进入实施应用阶段。运用紫外成像仪进行变电站设备部件的放电检测，可以及时探测电力设备的放电隐患，并在故障发生的早期进行处置，这对于保障变电站的安全运转具有重要意义。但是，传统的紫外图像的分析大多依赖于业务人员的工程经验，通过人工判断光子数、增益数以及放电光斑与目标部件的区域重叠程度来进行研判，对潜在的放电故障容易出现漏判、误判，也难以达到实时分析，存在较多的局限性。所以，为了应对紫外图像的智能分析需要，通过智能分析技术进行紫外图像的自动化识别分析，提高变电站的设备巡检效率势在必行。
目标检测是图像处理的经典应用之一，传统的目标检测大多依赖于特征工程和分类决策，对特征选择具有较大的局限性，难以在复杂的实际场景进行应用。因此，需要开发一种面对复杂的实际场景也具有良好检测效果的变电站紫外图像智能巡检方法及装置。
发明内容
本发明旨在克服上述技术缺陷，通过对大规模的紫外图像数据，利用CNN进行数字分类识别、光斑分类识别，之后利用目标检测模型进行部件检测，融合业务知识到故障研判，实现放电状态的自动化研判。最终，为变电站工作人员进行快速巡检提供更为直观的参考依据，降低人工成本，提高巡检效率。
为实现以上目的，本发明提供了一种基于深度学习的变电站紫外图像智能巡检方法，该方法包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：
S1、制定分类标签、部件标签、故障判断标准；
S2、进行图像级数据输入，获取紫外图像数据集D；
S3、对所述紫外图像数据集D进行标注，包括数字、有无光斑的分类标签的标注，部件标签的标注；
S4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0~9的数字数据集D1、目标部件区域的有无光斑数据集D2；
S5、利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A；
S6、利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B；
S7、利用YOLO V3对所述数据集D进行目标检测训练，得到部件检测模型C；
S8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn；
S9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；
S10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；
S11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；
S12、对审核通过的放电图像进行参数化输出并预警。
进一步的，步骤S1中所述故障判断标准为当紫外图像的光子数≥300，增益数≥60，存在光斑，即视为故障。
进一步的，步骤S1中所述图像级数据输入的对象为紫外仪器拍摄的变电站紫外图片，该图片由数字区域、目标部件区域构成，且所述图片大小及区域分布保持固定。
进一步的，步骤S4中所述图像分割技术及图像区域分布技术是指利用颜色空间转换，通过通道提取与阈值分割，进行图层分割，结合紫外图像的区域分布将输入的紫外图像分割为数字区域、目标部件区域。
进一步的，所述数字区域包括光子数字区域、增益数字区域。
进一步的，步骤S8中所述优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn中的n代表优化迭代的次数，且n≥1。
进一步的，步骤S8中所述优化迭代的具体过程为：
S81、选取不包含在S2所述紫外图像数据集D的紫外图片，从中提取数字区域图片上传至所述数字识别模型A、提取目标部件区域图像上传至所述光斑识别模型B、原图上传至所述部件检测模型C；
S82、对S81的识别结果进行人工筛选核查，将不正确的图片按步骤S3中的方法进行标注，得到图片集X；
S83、将所述图片集X按照所述步骤S3、S4的操作过程获得新的训练集，再次进行模型训练，并更新得到数字识别模型A1、光斑识别模型B1、部件检测模型C1；
S84、重复所述步骤S81-S83，即重复优化过程，最终获得数字识别模型An、光斑识别模型Bn、部件检测模型Cn。
本发明还公开了一种应用，即所述一种基于深度学习的变电站紫外图像智能巡检方法应用于对变电站紫外图像的智能巡检。
本发明的有益效果在于：
本发明提供的一种基于深度学习的变电站紫外图像智能巡检方法，采用紫外仪器导出的紫外图片作为输入，自动进行区域分割和识别，处理方式简便，不额外增加工程成本。
本发明提供的一种基于深度学习的变电站紫外图像智能巡检方法，采用深度学习技术对变电站紫外图像进行训练，得到数字图像分类模型、光斑图像分类模型、部件目标检测模型，并融合业务知识到故障研判，形成对变电站紫外图像的智能化巡检应用。
本发明提供的一种基于深度学习的变电站紫外图像智能巡检方法，对紫外图像自动进行数字识别、光斑判断、部件检测，按业务规则进行故障判断，只需人工进行结果核验，降低了人工成本，提高了工作效率。
本发明提供的一种基于深度学习的变电站紫外图像智能巡检方法，将紫外图像的分析与深度学习技术相结合，建立识别模型的迭代更新机制，有效的保持和提升了模型的性能，进而实现了对变电站设备故障的精准判别。
本发明提供的一种基于深度学习的变电站紫外图像智能巡检方法，采用参数化输出，方便其他软件直接调用，可直接作为输出参与其他业务流程。
附图说明
图1是本发明的一种基于深度学习的变电站紫外图像智能巡检方法的步骤流程示意图；
图2是本发明实施例1的步骤S3中的紫外图像数据集D的标注结果示意图；
图3是本发明实施例1的步骤S4所涉及过程的分步骤示意图；
图4是本发明实施例1中的S12中所述参数化输出结果位“无放电”的检测示意图；
图5是本发明实施例1中的S12中所述参数化输出结果位“有放电”的检测示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
实施例1
参考图1，一种基于深度学习的变电站紫外图像智能巡检方法，包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：
S1、制定分类标签、部件标签、故障判断标准，具体为：
S1-1、将紫外图像按照有无光斑进行分类：有光斑、无光斑，具体见表1；
表1 分类标签含义
S1-2、将紫外图像按照设备类型，制定部件标签，具体见表2；
表2 部件标签含义
S1-3、当紫外图像的光子数≥300，增益数≥60，存在光斑，即视为故障。
S2、将从紫外仪器拍摄的变电站紫外图片（该图片由数字区域、目标部件区域构成，且所述图片大小及区域分布保持固定）进行图像级数据输入，获取紫外图像数据集D。
S3、对所述紫外图像数据集D进行标注，包括数字（光子数、增益数）、有无光斑的分类标签的标注，框选部件区域并设置标签。如图2所示，分类标记为guangzi：504；zengyi:85；有光斑；部件进行矩形框标注，且设置标签为benti。
S4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0~9的数字数据集D1、目标部件区域的有无光斑数据集D2，具体过程参见图3，紫外图像区域分布固定，通过图像分割并结合区域分布模板，在标记图中定位光子数（红框）、增益数区域（绿框），目标部件区域（蓝框），之后通过对数字区域进行二值化分割，定位出目标数字，生成0~9的数字数据集D1，并通过对有无光斑的分类标记，裁剪出目标候选区域图，生成有无光斑的数据集D2。
S5、设计AlexNet输出层为10类，利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A。
S6、设计AlexNet输出层为2类，利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B。
S7、利用YOLO V3对所述数据集D进行目标检测训练，得到部件检测模型C。
S8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn，其中优化迭代的具体过程为：
S81、选取不包含在S2所述紫外图像数据集D的紫外图片，从中提取数字区域图片上传至所述数字识别模型A、提取目标部件区域图像上传至所述光斑识别模型B、原图上传至所述部件检测模型C；
S82、对S81的识别结果进行人工筛选核查，将不正确的图片按步骤S3中的方法进行标注，得到图片集X；
S83、将所述图片集X按照所述步骤S3、S4的操作过程获得新的训练集，再次进行模型训练，并更新得到数字识别模型A1、光斑识别模型B1、部件检测模型C1；
S84、重复所述步骤S81-S83，即重复优化过程，最终获得数字识别模型An、光斑识别模型Bn、部件检测模型Cn（n代表优化迭代的次数，且n≥1）。
S9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；
S10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；
S11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；
S12、对审核通过的放电图像进行参数化输出并预警，参见图4和图5。
应当理解，以上所描述的具体实施例仅用于解释本发明，并不用于限定本发明。由本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (5)
1.一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于，所述方法包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：
S1、制定分类标签、部件标签、故障判断标准；所述故障判断标准为当紫外图像的光子数≥300，增益数≥60，存在光斑，即视为故障；
S2、进行图像级数据输入，获取紫外图像数据集D；
S3、对所述紫外图像数据集D进行标注，包括数字、有无光斑的分类标签的标注，部件标签的标注；
S4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0～9的数字数据集D1、目标部件区域的有无光斑数据集D2；
S5、利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A；
S6、利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B；
S7、利用YOLOV3对所述数据集D进行目标检测训练，得到部件检测模型C；
S8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn；所述优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn中的n代表优化迭代的次数，且n≥1；所述优化迭代的具体过程为：
S81、选取不包含在S2所述紫外图像数据集D的紫外图片，从中提取数字区域图片上传至所述数字识别模型A、提取目标部件区域图像上传至所述光斑识别模型B、原图上传至所述部件检测模型C；
S82、对S81的识别结果进行人工筛选核查，将不正确的图片按步骤S3中的方法进行标注，得到图片集X；
S83、将所述图片集X按照所述步骤S3、S4的操作过程获得新的训练集，再次进行模型训练，并更新得到数字识别模型A1、光斑识别模型B1、部件检测模型C1；
S84、重复所述步骤S81-S83，即重复优化过程，最终获得数字识别模型An、光斑识别模型Bn、部件检测模型Cn；
S9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；
S10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；
S11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；
S12、对审核通过的放电图像进行参数化输出并预警。
2.根据权利要求1所述的一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于：步骤S2中所述图像级数据输入的对象为紫外仪器拍摄的变电站紫外图片，该图片由数字区域、目标部件区域构成，且所述图片大小及区域分布保持固定。
3.根据权利要求1所述的一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于：步骤S4中所述图像分割技术及图像区域分布技术是指利用颜色空间转换，通过通道提取与阈值分割，进行图层分割，结合紫外图像的区域分布将输入的紫外图像分割为数字区域、目标部件区域。
4.根据权利要求3所述的一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于：所述数字区域包括光子数字区域、增益数字区域。
5.根据权利要求1所述一种基于深度学习的变电站紫外图像智能巡检方法应用于对变电站紫外图像的智能巡检。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010199529.6A CN111415345B (zh) | 2020-03-20 | 2020-03-20 | 一种基于深度学习的变电站紫外图像智能巡检方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010199529.6A CN111415345B (zh) | 2020-03-20 | 2020-03-20 | 一种基于深度学习的变电站紫外图像智能巡检方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415345A CN111415345A (zh) | 2020-07-14 |
| CN111415345B true CN111415345B (zh) | 2023-09-12 |
Family
ID=71493096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010199529.6A Active CN111415345B (zh) | 2020-03-20 | 2020-03-20 | 一种基于深度学习的变电站紫外图像智能巡检方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415345B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862035B (zh) * | 2020-07-17 | 2023-07-28 | 平安科技（深圳）有限公司 | 光斑检测模型的训练方法、光斑检测方法、设备及介质 |
| CN111951247B (zh) * | 2020-08-12 | 2022-08-19 | 国网江苏省电力有限公司电力科学研究院 | 一种电力设备紫外图像诊断方法及*** |
| CN111986436B (zh) * | 2020-09-02 | 2022-12-13 | 成都视道信息技术有限公司 | 一种基于紫外、深度神经网络的综合火焰检测方法 |
| CN113378685B (zh) * | 2021-06-07 | 2023-07-25 | 中国地质大学（北京） | 用于矿山修复治理效果评估的人工智能检测***及方法 |
| CN114387558B (zh) * | 2022-03-24 | 2022-06-21 | 成都诺比侃科技有限公司 | 一种基于多维视频的变电站监控方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001134760A (ja) * | 1999-11-02 | 2001-05-18 | Sony Corp | 紫外光の焦点位置制御機構及び検査装置 |
| CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学（保定） | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
| CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测*** |
| CN110796107A (zh) * | 2019-11-04 | 2020-02-14 | 南京北旨智能科技有限公司 | 电力巡检图像缺陷识别方法和***、电力巡检无人机 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100265320A1 (en) * | 2002-10-31 | 2010-10-21 | Chemimage Corporation | System and Method for Improved Forensic Analysis |
-
2020
- 2020-03-20 CN CN202010199529.6A patent/CN111415345B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001134760A (ja) * | 1999-11-02 | 2001-05-18 | Sony Corp | 紫外光の焦点位置制御機構及び検査装置 |
| CN106940886A (zh) * | 2017-03-08 | 2017-07-11 | 华北电力大学（保定） | 一种基于灰度的电气设备放电紫外成像量化参数提取方法 |
| CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测*** |
| CN110796107A (zh) * | 2019-11-04 | 2020-02-14 | 南京北旨智能科技有限公司 | 电力巡检图像缺陷识别方法和***、电力巡检无人机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415345A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415345B (zh) | 一种基于深度学习的变电站紫外图像智能巡检方法及装置 | |
| CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| CN111080622A (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
| CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及*** | |
| CN110648323B (zh) | 一种缺陷检测分类***及其方法 | |
| CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
| CN112085710A (zh) | 保护定值与压板巡检***及方法 | |
| CN113191362B (zh) | 一种变电设备油渗漏缺陷检测装置及方法 | |
| CN104399674A (zh) | 烟箱品牌视觉检测分拣*** | |
| CN111598851B (zh) | 一种基于形态学图像处理的太阳能电池破片检测方法 | |
| CN113297913A (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
| CN110287967B (zh) | 一种基于图像的数字及机械表数字识别方法 | |
| CN107122783B (zh) | 一种基于角点检测的装配连接件快速识别方法 | |
| CN114550197A (zh) | 一种端子排图像检测信息匹配方法 | |
| CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
| CN113989268A (zh) | 一种识别红外图像中指定设备的gis套管的方法及存储介质 | |
| CN110175563B (zh) | 金属切削刀具图纸标注识别方法及*** | |
| CN113505660A (zh) | 一种纸质工程图作业批阅装置及其方法 | |
| CN112967166A (zh) | 一种基于openCV的图片水印自动识别处理方法及*** | |
| CN111985473A (zh) | 一种店外经营识别方法 | |
| CN110956366A (zh) | 一种装维质检中分光器施工一致性检验方法 | |
| CN114069844B (zh) | 基于深度学习的变电站二次设备状态图像识别方法 | |
| CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| Ren et al. | A text code recognition and positioning system for engineering drawings of nuclear power equipment | |
| CN117711004A (zh) | 一种基于图像识别的表格文档信息抽取方法 |
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 |