CN111738156A - 一种高压开关设备状态智能巡检管理方法及*** - Google Patents
一种高压开关设备状态智能巡检管理方法及*** Download PDFInfo
- Publication number
- CN111738156A CN111738156A CN202010582565.0A CN202010582565A CN111738156A CN 111738156 A CN111738156 A CN 111738156A CN 202010582565 A CN202010582565 A CN 202010582565A CN 111738156 A CN111738156 A CN 111738156A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage switch
- model
- intelligent
- information
- 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 55
- 238000007726 management method Methods 0.000 title claims description 33
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Library & Information Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (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)
- Bioinformatics & Computational Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种高压开关设备状态智能巡检管理方法及***，该方法包括：创建带电检测任务，获取待测高压开关设备的红外图像和标签信息，并确定具体待测高压开关设备，通过巡检终端现场进行带电检测进行现场数据采集，完成带电检测任务；上传带电检测任务所获取的所有数据文件至数据库中，并通过训练后的目标检测模型完成综合智能诊断，获取智能诊断结果，并根据智能诊断结果获得检修建议，将智能诊断结果与相应的检修建议进行匹配及推送；目标检测模型采用YOLO网络；该***包括：设备状态巡检管理模块、数据库、红外图像采集模块、巡检终端、目标检测模块和匹配推送模块；本发明大大提高了高压开关设备状态的巡检效率。
Description
技术领域
本发明涉及电力设备技术领域，更具体的说是涉及一种高压开关设备状态智能巡检管理方法及***。
背景技术
随着智能电网、电力设备物联网和智能变电站的推广以及开关设备在线监测技术的发展，开关设备的监测数据量呈几何趋势增长，电力企业对高压开关设备的状态检测和状态评价水平提出了更高的要求。然而采用传统的方法评价设备状态无法有效利用相关的监测数据，难以满足电网发展的需要。因此，利用人工智能技术以及红外检测设备，研究基于红外图像的高压开关设备分类识别与目标检测算法，建立一个安全可靠的电气设备红外图像管理***，实现对高压开关设备红外状态的收集与整理，检测与评价，不仅是城市电网可靠性管理智能化发展的趋势，也是电网资产精益化管理的需要。
经过几十年的快速发展，电力领域的设备热故障诊断检测中大量使用红外热像测温仪，并且发挥出了较好的作用，但是大部分处于还需要人工凭借检测经验来分析电气设备红外图像，判断设备是否出现故障的初级阶段，不能适用当今快速发展的电力***，严重阻碍了红外图像管理***的推广和红外测温技术在带电检测中的应用。
因此，如何提供一种基于红外图片目标检测的高压开关设备状态智能巡检管理方法及***是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种高压开关设备状态智能巡检管理方法及***，其目的在于解决现有技术中需要人工根据经验来对故障进行判断和处理的问题，本发明通过对红外图像的自动分析和处理，结合现场数据信息进行智能诊断，并给出相应的检修方法，大大提高了高压开关设备状态的巡检效率。
为了实现上述目的，本发明采用如下技术方案：
一种高压开关设备状态智能巡检管理方法，每个高压开关设备均设置有电子标签，每个电子标签均存储有相应的高压开关设备的相关信息，包括以下步骤：
S1.创建带电检测任务，获取待测高压开关设备的红外图像和电子标签的标签信息，并并通过巡检终端对电子标签的识别来确定具体待测高压开关设备，通过巡检终端现场进行带电检测及现场数据采集，完成带电检测任务；
S2.上传带电检测任务所获取的所有数据文件至数据库中；
S3.将获取到的所有数据输入训练后的目标检测模型，进行数据分析，完成综合智能诊断，获取智能诊断结果；
S4.存储智能诊断结果，并根据智能诊断结果获得检修建议，将智能诊断结果与相应的检修建议进行匹配及推送；
其中，目标检测模型采用YOLO网络。
优选的，S1中通过巡检终端对电子标签的识别确定具体待测高压开关设备的具体内容包括：
待测高压开关设备接收远程指令获取红外图像，待测高压开关设备上的电子标签发出射频信号通过巡检终端进行识别，或是通过巡检终端扫描高压开关设备上的二维码以确定具体的待测高压开关设备。
优选的，目标检测模型的训练方法的具体步骤为：
S01.针对每个带有电子标签的高压开关设备进行红外图像采集以及现场数据采集，并将电子标签所携带的标签信息、相应的红外图像的图像信息和现场数据信息均存至数据库中；
S02.使用图像标注工具，通过多边形勾勒目标物体的轮廓信息、通过长方形或圆形记录目标物体的边界框信息，将轮廓信息、边界框信息、标签信息和现场数据信息均存入与原红外图像的同名文件中；
S03.将所采集到的数据分成训练集、验证集和测试集，将数据封装成DataSet类，并对数据进行处理，再由DataLoader类批量读取训练集和验证集并循环送入YOLO网络，选择带动量的随机梯度下降作为优化器，设置自适应调整学习率，通过迭代和比较精度的方法得到最优模型；
S04.计算S03中得到的模型的查准率P和召回率R，组成PR曲线，使用PR曲线下的面积AP作为模型性能的评判标准，对模型训练时损失函数值和测试集下损失函数值进行比较，判断函数是否存在过拟合的情况。
优选的，将所采集到的数据分成训练集、验证集和测试集，将数据封装成DataSet类，并对数据进行处理，再由DataLoader类批量读取训练集和验证集；
将训练集送入YOLO网络，计算得到预测值，根据验证集，计算预测坐标和真实坐标的均方误差，计算预测类别和真实类别的交叉熵损失，计算预测平均精度均值，判断平均精度均值与预设的阈值之间的大小，或是判断迭代次数是否达到预设次数；
若平均精度均值小于预设的阈值或是迭代次数未达到预设次数，则进行下一次迭代，使用随机梯度下降法修改模型参数，并再次进行S03的内容；
若平均精度均值大于预设的阈值或是迭代次数达到预设次数，则保留平均精度均值最高的模型参数，得到最优模型。
优选的，S03中对数据进行处理具体包括：对数据进行归一化、尺寸变换、随机水平翻转操作。
优选的，S04还包括以下内容：如果存在过拟合的情况，采用增大数据集、模型迁移、修改网络结构的方式减缓或是避免过拟合现象的出现。
一种高压开关设备状态智能巡检管理***，包括：设备状态巡检管理模块、数据库、红外图像采集模块、巡检终端、目标检测模块和匹配推送模块；
所述设备状态巡检管理模块，用于创建带电检测任务，并将带电检测任务所获取的数据存储至数据库中；
所述红外图像采集模块，用于根据带电检测任务对待测高压开关设备进行红外图像的采集，并将所采集到的红外图像发送至所述设备状态巡检管理模块；
所述巡检终端，用于对待测高压开关设备的识别，和进行现场数据的采集；
所述目标检测模块，用于对所接收到的数据进行分析，完成智能诊断，获取智能诊断结果；
所述匹配推送模块，用于接收智能诊断结果，结合智能诊断结果匹配相应的检修建议并完成推送。
优选的，所述巡检终端内设置有电子标签读取单元或二维码读取单元，所述电子标签读取单元或所述二维码读取单元用于对待测高压开关设备进行识别。
优选的，所述目标检测模块包括：
数据接收单元，用于接收标签信息、图像信息和现场数据信息，并将所接收到的数据存储至所述数据库中；
图像处理单元，用于将红外图像进行处理，获得轮廓信息和边界框信息；
数据处理单元，用于对数据进行划分和处理；
模型训练单元，用于将处理后的数据输入YOLO网络进行训练获取模型参数，从而获取最优模型；
测试单元，用于通过对模型进行测试，解决过拟合的问题。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种高压开关设备状态智能巡检管理方法及***，本发明基于红外图像对高压开关设备的状态进行分类识别和目标检测的关键技术，对高压开关设备红外图像目标检测模型进行训练，通过目标检测模型来进行智能诊断，并在此基础上结合现场数据，进一步提高智能诊断精度，为进行设备状态风险评估提供有力的技术支持，并提高运维效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种高压开关设备状态智能巡检管理方法的流程图；
图2附图为本发明提供的一种高压开关设备状态智能巡检管理方法中目标检测模型的训练流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。
本发明实施例公开了一种高压开关设备状态智能巡检管理方法，每个高压开关设备均设置有电子标签，每个电子标签均存储有相应的高压开关设备的相关信息，包括以下步骤：
S1.创建带电检测任务，获取待测高压开关设备的红外图像和电子标签的标签信息，并通过巡检终端对电子标签的识别来确定具体待测高压开关设备，通过巡检终端现场进行带电检测及现场数据采集，完成带电检测任务；
S2.上传带电检测任务所获取的所有数据文件至数据库中；
S3.将获取到的所有数据输入训练后的目标检测模型，进行数据分析，完成综合智能诊断，获取智能诊断结果；
S4.存储智能诊断结果，并根据智能诊断结果获得检修建议，将智能诊断结果与相应的检修建议进行匹配及推送；
其中，目标检测模型采用YOLO网络。
具体地，上述方法的流程图如图1所示，且在创建带电检测任务前首先获取检测点台账信息，并下载台账，获取高压开关设备的型号等相关信息。
为了进一步实现上述技术方案，S1中通过巡检终端对电子标签的识别确定具体待测高压开关设备的具体内容包括：
待测高压开关设备接收远程指令获取红外图像，待测高压开关设备上的电子标签发出射频信号通过巡检终端进行识别，或是通过巡检终端扫描高压开关设备上的二维码以确定具体的待测高压开关设备。
为了进一步实现上述技术方案，如图2所示，目标检测模型的训练方法的具体步骤为：
S01.针对每个带有电子标签的高压开关设备进行红外图像采集以及现场数据采集，并将电子标签所携带的标签信息、相应的红外图像的图像信息和现场数据信息均存至数据库中；
S02.使用图像标注工具，通过多边形勾勒目标物体的轮廓信息、通过长方形或圆形记录目标物体的边界框信息，将轮廓信息、边界框信息、标签信息和现场数据信息均存入与原红外图像的同名文件中；
S03.将所采集到的数据分成训练集、验证集和测试集，将数据封装成DataSet类，并对数据进行处理，再由DataLoader类批量读取训练集和验证集并循环送入YOLO网络，选择带动量的随机梯度下降作为优化器，设置自适应调整学习率，通过迭代和比较精度的方法得到最优模型；
S04.计算S03中得到的模型的查准率P和召回率R，组成PR曲线，使用PR曲线下的面积AP作为模型性能的评判标准，对模型训练时损失函数值和测试集下损失函数值进行比较，判断函数是否存在过拟合的情况。
为了进一步实现上述技术方案，将所采集到的数据分成训练集、验证集和测试集，将数据封装成DataSet类，并对数据进行处理，再由DataLoader类批量读取训练集和验证集；
将训练集送入YOLO网络，计算得到预测值，根据验证集，计算预测坐标和真实坐标的均方误差，计算预测类别和真实类别的交叉熵损失，计算预测平均精度均值，判断平均精度均值与预设的阈值之间的大小，或是判断迭代次数是否达到预设次数；
若平均精度均值小于预设的阈值或是迭代次数未达到预设次数，则进行下一次迭代，使用随机梯度下降法修改模型参数，并再次进行S03的内容；
若平均精度均值大于预设的阈值或是迭代次数达到预设次数，则保留平均精度均值最高的模型参数，得到最优模型。
为了进一步实现上述技术方案，S03中对数据进行处理具体包括：对数据进行归一化、尺寸变换、随机水平翻转操作。
为了进一步实现上述技术方案，S04还包括以下内容：如果存在过拟合的情况，采用增大数据集、模型迁移、修改网络结构的方式减缓或是避免过拟合现象的出现。
一种高压开关设备状态智能巡检管理***，包括：设备状态巡检管理模块、数据库、红外图像采集模块、巡检终端、目标检测模块和匹配推送模块；
设备状态巡检管理模块，用于创建带电检测任务，并将带电检测任务所获取的数据存储至数据库中；
红外图像采集模块，用于根据带电检测任务对待测高压开关设备进行红外图像的采集，并将所采集到的红外图像发送至设备状态巡检管理模块；
巡检终端，用于对待测高压开关设备的识别，和进行现场数据的采集；
目标检测模块，用于对所接收到的数据进行分析，完成智能诊断，获取智能诊断结果；
匹配推送模块，用于接收智能诊断结果，结合智能诊断结果匹配相应的检修建议并完成推送。
为了进一步实现上述技术方案，巡检终端内设置有电子标签读取单元或二维码读取单元，电子标签读取单元或二维码读取单元用于对待测高压开关设备进行识别。
为了进一步实现上述技术方案，目标检测模块包括：
数据接收单元，用于接收标签信息、图像信息和现场数据信息，并将所接收到的数据存储至数据库中；
图像处理单元，用于将红外图像进行处理，获得轮廓信息和边界框信息；
数据处理单元，用于对数据进行划分和处理；
模型训练单元，用于将处理后的数据输入YOLO网络进行训练获取模型参数，从而获取最优模型；
测试单元，用于通过对模型进行测试，解决过拟合的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种高压开关设备状态智能巡检管理方法，每个高压开关设备均设置有电子标签，每个电子标签均存储有相应的高压开关设备的相关信息，其特征在于，包括以下步骤：
S1.创建带电检测任务，获取待测高压开关设备的红外图像和电子标签的标签信息，并通过巡检终端对电子标签的识别来确定具体待测高压开关设备，通过巡检终端现场进行带电检测及现场数据采集，完成带电检测任务；
S2.上传带电检测任务所获取的所有数据文件至数据库中；
S3.将获取到的所有数据输入训练后的目标检测模型，进行数据分析，完成综合智能诊断，获取智能诊断结果；
S4.存储智能诊断结果，并根据智能诊断结果获得检修建议，将智能诊断结果与相应的检修建议进行匹配及推送；
其中，目标检测模型采用YOLO网络。
2.根据权利要求1所述的一种高压开关设备状态智能巡检管理方法，其特征在于，S1中并通过巡检终端对电子标签的识别来确定具体待测高压开关设备的具体内容包括：
待测高压开关设备接收远程指令获取红外图像，待测高压开关设备上的电子标签发出射频信号通过巡检终端进行识别，或是通过巡检终端扫描高压开关设备上的二维码以确定具体的待测高压开关设备。
3.根据权利要求1所述的一种高压开关设备状态智能巡检管理方法，其特征在于，目标检测模型的训练方法的具体步骤为：
S01.针对每个带有电子标签的高压开关设备进行红外图像采集以及现场数据采集，并将电子标签所携带的标签信息、相应的红外图像的图像信息和现场数据信息均存至数据库中；
S02.使用图像标注工具，通过多边形勾勒目标物体的轮廓信息、通过长方形或圆形记录目标物体的边界框信息，将轮廓信息、边界框信息、标签信息和现场数据信息均存入与原红外图像的同名文件中；
S03.将所采集到的数据分成训练集、验证集和测试集，将数据封装成DataSet类，并对数据进行处理，再由DataLoader类批量读取训练集和验证集并循环送入YOLO网络，选择带动量的随机梯度下降作为优化器，设置自适应调整学习率，通过迭代和比较精度的方法得到最优模型；
S04.计算S03中得到的模型的查准率P和召回率R，组成PR曲线，使用PR曲线下的面积AP作为模型性能的评判标准，对模型训练时损失函数值和测试集下损失函数值进行比较，判断函数是否存在过拟合的情况。
4.根据权利要求3所述的一种高压开关设备状态智能巡检管理方法，其特征在于，S03具体包括以下内容：
将所采集到的数据分成训练集、验证集和测试集，将数据封装成DataSet类，并对数据进行处理，再由DataLoader类批量读取训练集和验证集；
将训练集送入YOLO网络，计算得到预测值，根据验证集，计算预测坐标和真实坐标的均方误差，计算预测类别和真实类别的交叉熵损失，计算预测平均精度均值，判断平均精度均值与预设的阈值之间的大小，或是判断迭代次数是否达到预设次数；
若平均精度均值小于预设的阈值或是迭代次数未达到预设次数，则进行下一次迭代，使用随机梯度下降法修改模型参数，并再次进行S03的内容；
若平均精度均值大于预设的阈值或是迭代次数达到预设次数，则保留平均精度均值最高的模型参数，得到最优模型。
5.根据权利要求3所述的一种高压开关设备状态智能巡检管理方法，其特征在于，S03中对数据进行处理具体包括：对数据进行归一化、尺寸变换、随机水平翻转操作。
6.根据权利要求3所述的一种高压开关设备状态智能巡检管理方法，其特征在于，S04还包括以下内容：如果存在过拟合的情况，采用增大数据集、模型迁移、修改网络结构的方式减缓或是避免过拟合现象的出现。
7.一种高压开关设备状态智能巡检管理***，其特征在于：包括：设备状态巡检管理模块、数据库、红外图像采集模块、巡检终端、目标检测模块和匹配推送模块；
所述设备状态巡检管理模块，用于创建带电检测任务，并将带电检测任务所获取的数据存储至数据库中；
所述红外图像采集模块，用于根据带电检测任务对待测高压开关设备进行红外图像的采集，并将所采集到的红外图像发送至所述设备状态巡检管理模块；
所述巡检终端，用于对待测高压开关设备的识别，和进行现场数据的采集；
所述目标检测模块，用于对所接收到的数据进行分析，完成智能诊断，获取智能诊断结果；
所述匹配推送模块，用于接收智能诊断结果，结合智能诊断结果匹配相应的检修建议并完成推送。
8.根据权利要求7所述的一种高压开关设备状态智能巡检管理***，其特征在于：所述巡检终端内设置有电子标签读取单元或二维码读取单元，所述电子标签读取单元或所述二维码读取单元用于对待测高压开关设备进行识别。
9.根据权利要求7所述的一种高压开关设备状态智能巡检管理***，其特征在于，所述目标检测模块包括：
数据接收单元，用于接收标签信息、图像信息和现场数据信息，并将所接收到的数据存储至所述数据库中；
图像处理单元，用于将红外图像进行处理，获得轮廓信息和边界框信息；
数据处理单元，用于对数据进行划分和处理；
模型训练单元，用于将处理后的数据输入YOLO网络进行训练获取模型参数，从而获取最优模型；
测试单元，用于通过对模型进行测试，解决过拟合的问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010582565.0A CN111738156A (zh) | 2020-06-23 | 2020-06-23 | 一种高压开关设备状态智能巡检管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010582565.0A CN111738156A (zh) | 2020-06-23 | 2020-06-23 | 一种高压开关设备状态智能巡检管理方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111738156A true CN111738156A (zh) | 2020-10-02 |
Family
ID=72650784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010582565.0A Pending CN111738156A (zh) | 2020-06-23 | 2020-06-23 | 一种高压开关设备状态智能巡检管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738156A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
| CN112734968A (zh) * | 2020-12-02 | 2021-04-30 | 湖南强智科技发展有限公司 | 一种巡检数据设备的方法、装置及计算机存储介质 |
| CN112749771A (zh) * | 2020-11-02 | 2021-05-04 | 郑州富联智能工坊有限公司 | 多媒体分析装置、多媒体分析***及多媒体分析方法 |
| WO2022088082A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 基于缺陷检测的任务处理方法、装置及设备及存储介质 |
| US12020516B2 (en) | 2019-12-20 | 2024-06-25 | Boe Technology Group Co., Ltd. | Method and device for processing product manufacturing messages, electronic device, and computer-readable storage medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110160922A1 (en) * | 2009-12-30 | 2011-06-30 | Eduardo Pedrosa Santos | Decentralized system and architecture for remote real time monitoring of power transformers, reactors, circuit breakers, instrument transformers, disconnect switches and similar high voltage equipment for power plants and electric power substations |
| CN107063467A (zh) * | 2017-04-15 | 2017-08-18 | 山东信通电子股份有限公司 | 用于电网设备在线巡检的智能红外热成像装置及巡检方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN111104906A (zh) * | 2019-12-19 | 2020-05-05 | 南京工程学院 | 一种基于yolo的输电塔鸟巢故障检测方法 |
| CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
-
2020
- 2020-06-23 CN CN202010582565.0A patent/CN111738156A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110160922A1 (en) * | 2009-12-30 | 2011-06-30 | Eduardo Pedrosa Santos | Decentralized system and architecture for remote real time monitoring of power transformers, reactors, circuit breakers, instrument transformers, disconnect switches and similar high voltage equipment for power plants and electric power substations |
| CN107063467A (zh) * | 2017-04-15 | 2017-08-18 | 山东信通电子股份有限公司 | 用于电网设备在线巡检的智能红外热成像装置及巡检方法 |
| CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
| CN111104906A (zh) * | 2019-12-19 | 2020-05-05 | 南京工程学院 | 一种基于yolo的输电塔鸟巢故障检测方法 |
| CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 裴少通: "基于红外紫外成像检测技术的绝缘子运行状态分析与评估", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12020516B2 (en) | 2019-12-20 | 2024-06-25 | Boe Technology Group Co., Ltd. | Method and device for processing product manufacturing messages, electronic device, and computer-readable storage medium |
| WO2022088082A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 基于缺陷检测的任务处理方法、装置及设备及存储介质 |
| US11982999B2 (en) | 2020-10-30 | 2024-05-14 | Beijing Zhongxiangying Technology Co., Ltd. | Defect detection task processing method, device, apparatus and storage medium |
| CN112749771A (zh) * | 2020-11-02 | 2021-05-04 | 郑州富联智能工坊有限公司 | 多媒体分析装置、多媒体分析***及多媒体分析方法 |
| CN112749771B (zh) * | 2020-11-02 | 2024-04-05 | 富联智能工坊(郑州)有限公司 | 多媒体分析装置、多媒体分析***及多媒体分析方法 |
| CN112734968A (zh) * | 2020-12-02 | 2021-04-30 | 湖南强智科技发展有限公司 | 一种巡检数据设备的方法、装置及计算机存储介质 |
| CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及*** | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
| CN112327100B (zh) | 基于物联网的电力故障检测方法及其*** | |
| CN112734698B (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
| CN113222949B (zh) | 一种电力设备导体插接位置的x射线影像自动检测方法 | |
| CN110188888A (zh) | 基于ahp和远程支持的电力设备缺陷管理方法、***和终端 | |
| CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
| CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别*** | |
| CN115272983B (zh) | 基于图像识别的接触网悬挂状态监测方法及*** | |
| CN117218495A (zh) | 一种电表箱的风险检测方法及*** | |
| CN117368651B (zh) | 一种配电网故障综合分析***及方法 | |
| CN117590278A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
| CN117726965A (zh) | 基于神经网络的无人值守过磅控制方法及*** | |
| CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN111027569A (zh) | 一种基于红外图像的劣化绝缘子识别诊断方法及其装置 | |
| CN115932661A (zh) | 一种对变压器噪声合规性进行分析判断的方法 | |
| CN112347889A (zh) | 一种变电站作业行为辨识方法及装置 | |
| CN112101375A (zh) | 一种基于深度学习的智能变电站设备状态检测方法和*** | |
| CN116206093B (zh) | 基于位图的电表数据采集方法、***和可读存储介质 | |
| CN109975686A (zh) | 一种基于红外图像处理的电路板短路自动识别方法 | |
| Ishak et al. | Detection of Power Distribution Fault in Thermal Images Using CNN | |
| CN113762384B (zh) | 一种绝缘子图像的缺陷检测方法及装置 | |
| CN117648237B (zh) | 性能测试过程自动监控方法 |
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 |