CN111797725A - 一种设备状态检测方法、装置及*** - Google Patents
一种设备状态检测方法、装置及*** Download PDFInfo
- Publication number
- CN111797725A CN111797725A CN202010560785.3A CN202010560785A CN111797725A CN 111797725 A CN111797725 A CN 111797725A CN 202010560785 A CN202010560785 A CN 202010560785A CN 111797725 A CN111797725 A CN 111797725A
- Authority
- CN
- China
- Prior art keywords
- equipment
- state
- power equipment
- defect
- electric power
- 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
- 238000001514 detection method Methods 0.000 title claims description 16
- 230000007547 defect Effects 0.000 claims abstract description 164
- 238000007689 inspection Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000741 silica gel Substances 0.000 description 3
- 229910002027 silica gel Inorganic materials 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000002274 desiccant Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 235000005765 wild carrot Nutrition 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种设备状态检测方法、装置及***。该方法包括：获取电力巡检机器人采集的电力设备的图像；对所述图像进行识别，得到所述图像中的目标电力设备的类别以及所述目标电力设备的状态；获取所述目标电力设备的设备类别对应的缺陷类型，将识别得到的所述目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；若识别得到的所述目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，所述提示信息用于指示所述目标电力设备具有所述至少一种缺陷。该方法充分考虑变电站环境电力设备巡检的应用场景，确定电力设备的类别后确定该类别的电力设备对应的缺陷类型，提高了电力设备缺陷状态检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种设备状态检测方法、装置及***。
背景技术
目前，在变电站环境中，变电站、配电站等数量巨大，随之而来的供电部分的电力巡检工作压力也很大。对于电力巡检项目中的缺陷检测模块，主要通过拍摄的电力设备的图像，利用图像配准或模式识别等方法完成设备缺陷状态的识别。
变电站环境中，要实现检测的设备数量巨大且种类繁多，包括电力仪表值是否正常、电力表盘是否油污或受水雾影响模糊不清、变压器的呼吸器中的干燥剂是否因失效而变色、变压器中的变压油是否有泄漏、输电线路杆上是否有鸟巢等。可以看出变电站场景中有多种类别的设备需要检测，且每一种设备还可能有多种不同的缺陷状态。
因此，需提供适用于变电站环境中检测设备缺陷状态的方法。
发明内容
本申请实施例提供一种设备状态检测方法、装置及***。
第一方面，本申请实施例提供一种设备状态检测方法，应用于电力巡检机器人对变电站中的电力设备进行状态检测的过程，包括：
获取电力巡检机器人采集的电力设备的图像；
对图像进行识别，得到图像中的目标电力设备的类别以及目标电力设备的状态；
获取目标电力设备的设备类别对应的缺陷类型，将识别得到的目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
若识别得到的目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，提示信息用于指示目标电力设备具有至少一种缺陷。
在本申请的实施例中，获取电力巡检机器人采集的电力设备的图像，包括：
获取电力巡检机器人采集的图像，并对获取的图像进行检测；
当检测到图像中包含有电力设备时，抓取包含有电力设备的图像。
在本申请的实施例中，对图像进行识别，包括：
使用经过训练的分类器对图像进行识别。
在本申请的实施例中，还包括：
预先设置电力设备状态数据库，电力设备状态数据库中包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，一个设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
将识别得到的目标电力设备的状态与该类别设备的缺陷状态进行匹配，包括：
将识别得到的目标电力设备的状态与电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配。
第二方面，本申请实施例提供一种服务器，应用于电力巡检机器人对变电站中的电力设备进行状态检测的过程，包括：
图像获取模块，用于获取电力巡检机器人采集的电力设备的图像；
识别模块，对图像进行识别，得到图像中的目标电力设备的类别以及目标电力设备的状态；
匹配模块，用于获取目标电力设备的设备类别对应的缺陷类型，将识别得到的目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
信息提示模块，用于若识别得到的目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，提示信息用于指示目标电力设备具有至少一种缺陷。
在本申请的实施例中，图像采集模块，具体用于：
获取电力巡检机器人采集的图像，并对获取的图像进行检测；
当检测到图像中包含有电力设备时，抓取包含有电力设备的图像。
在本申请的实施例中，识别模块，用于使用经过训练的分类器对图像进行识别。
在本申请的实施例中，匹配模块，还用于：
预先设置电力设备状态数据库，电力设备状态数据库中包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，一个设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
将识别得到的目标电力设备的状态与电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配。
第三方面，本申请实施例提供一种设备状态监测***，包括：
电力巡检机器人，用于采集电力设备的图像并发送给服务器；
服务器，用于根据接收的电力巡检机器人采集的电力设备的图像检测设备状态，执行的操作包括：
获取电力巡检机器人采集的电力设备的图像；
对图像进行识别，得到图像中的目标电力设备的类别以及目标电力设备的状态；
获取目标电力设备的设备类别对应的缺陷类型，将识别得到的目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合。
在本申请的实施例中，还包括：
服务器若识别得到的目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，提示信息用于指示目标电力设备具有至少一种缺陷，提示信息由电力巡检机器人进行显示，或者由查询服务器的设备进行显示。
本申请的上述实施例中，应用于电力巡检机器人对变电站中的电力设备进行状态检测的过程，识别电力巡检机器人采集的电力设备的图像，得到图像中的目标电力设备的类别以及目标电力设备的状态，针对识别得到的目标设备的类别，判断该类别的目标电力设备的状态与获取的该设备类别对应的缺陷类型是否匹配，若有至少一种缺陷类型相匹配，则得到目标电力设备具有的至少一种缺陷，从而提高了电力设备缺陷状态检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示例性示出了本申请实施例提供的电力设备进行状态检测场景图；
图2示例性示出了本申请实施例提供的一种变电站环境中检测设备缺陷状态的方法流程图；
图3以具体示例示出了本申请提供的一种变电站环境中检测设备缺陷状态的方法流程图；
图4示例性示出了本申请实施例提供的一种服务器的功能图；
图5示例性示出了本申请实施例提供的一种服务器的结构图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部份实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
变电站环境中，电力设备数量巨大且种类繁多，每一电力设备可能存在至少一种状态缺陷，若直接对设备的状态缺陷进行分类，则同一电力设备的不同缺陷状态将被作为不同的目标设备进行区分，同一缺陷状态可能包含不同的电力设备，电力设备缺陷状态检测的准确性较差。
本申请实施例提供一种变电站环境中检测设备缺陷状态的方法及装置，可以提高电力设备缺陷状态检测的准确性。
下面结合附图对本申请实施例进行详细描述。
图1示例性示出了本申请实施例提供的电力设备进行状态检测场景图。如图所示，包括：电力巡检机器人101、服务器102、网络103。
电力巡检机器人101安装有摄像头，用于实时采集变电站环境中的电力设备图像。电力巡检机器人101可包括陆地移动机器人和无人机，其中陆地移动机器人用于拍摄变电环境中位置较低的电力设备，无人机可拍摄变电中环境中位置较高的电力设备。电力巡检机器人将拍摄的电力设备的图像通过网络103发送给服务器102。
服务器102可对电力巡检机器人采集的电力设备的图像进行识别，如果电力设备存在缺陷或安全隐患，则可得到图像中电力设备的缺陷类型，并可供用户进行查询或者输出对应缺陷类型的提示信息。服务器102可以为常见的web服务器、企业级服务器、GPU服务器(基于图形处理器(Graphics Processing Unit，GPU)，应用于视频编解码、深度学习、科学计算等多种场景的快速、稳定、弹性的计算服务)、GPU云服务器等，用于实现电力设备缺陷状态检测。
在一些实施例中，服务器可使用经过训练的设备缺陷检测模型进行设备缺陷检测，该模型的输入为采集到的电力设备的图像，输出为电力设备是否存在缺陷，以及如果电力设备存在缺陷，则其对应的缺陷类型。
该模型的基本原理为：对电力设备图像进行识别，识别得到电力设备的类别以及状态，根据电力设备状态与电力设备缺陷类型之间的对应关系，确定该类别的电力设备是否存在缺陷，以及在存在缺陷的情况下该缺陷的类型。
在对该模型训练时，可对大量不同状态下的电力设备的图像进行打标(即标注出相应状态所对应的缺陷类型)得到训练样本，使用该训练样本对该模型进行训练，以使其能够准确识别每种设备类型的缺陷，比如，将电力设备的地面上含有油渍的图像，标注为“漏油”缺陷，得到训练样本。
该模型可以是但不限于(深度)神经网络、卷积神经网络、深度置信网络、深度堆栈神经网络、深度融合网络、深度递归神经网络、深度循环神经网络、深度贝叶斯神经网络、深度生成网络、深度强化学习等网络结构的一种或其衍生模型。无论采用哪种深度神经网络，都不影响本申请实施例的实质。
网络103可为因特网、局域网或互联网等，用于实现电力巡检机器人101与服务器102间的数据通信。
同一类别的电力设备可能存在的缺陷通常有多种，比如对于配电箱这类电力设备，存在的缺陷有漏油、箱门打开等；不同类别的电力设备也可能存在相同类型的缺陷，比如对于配电箱和变压器两种类别的电力设备，都可能存在漏油的缺陷。电力设备的缺陷和电力设备的状态之间存在关联关系，即采用设备缺陷检测模型，通过电力设备的某种状态，可确定出该电力设备存在某种缺陷。针对同一类别的电力设备，其一种缺陷可通过该类别电力设备的一种或多种设备状态来呈现，比如配电箱漏油的缺陷可通过该配电箱的地面有油渍的状态进行表现；而不同类型的缺陷则通过不同的设备状态(或状态组合)来呈现，比如变压器呼吸器的缺陷为干燥剂失效，其呈现的状态为干燥剂变色，电力表盘的电力值不正常，其呈现的状态为电力值大于或小于设定的阈值。
本申请实施例中，可预先设置电力设备状态数据库，用于记录各种电力设备类别，以及每种类别的电力设备可能存在的设备状态，以及不同设备状态或状态组合所对应的缺陷类型。通过对电力巡检机器人采集的图像进行识别，并根据该电力设备状态数据库，可确定图像中的电力设备是否存在缺陷，并可进一步确定存在的缺陷的类型。
该数据库中可包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，每种电力设备类别对应至少一种设备状态，相同设备状态或状态组合对应的缺陷类型相同，不同设备状态或状态组合对应的缺陷类型相同或不同。比如，对于配电箱和变压器两大类别的电力设备，对应的设备状态均为“位置偏移”，对应的缺陷类型均为“底座螺栓松动”，再比如，对于电力表盘此类别的设备，对应的设备状态包括“表盘外部有油污”和“表盘内部有水渍”，两种设备状态对应的缺陷均为“电力表盘模糊”。表1示例性示出了一种电力设备状态数据库。
表1
在一些实施例中，可预先设置缺陷类型的严重等级，同一类别的电力设备存在多种状态(或状态组合)，多种状态(或状态组合)对应同一种缺陷的不同等级，比如，配电箱1的状态为“地面油渍面积较大”，其对应的缺陷类型“配电箱漏油”的严重等级为高级，配电箱2的状态为“地面油渍面积较小”，其对应的缺陷类型“配电箱漏油”的严重等级为低级，通过缺陷类型严重等级划分，更进一步细分了缺陷类型，其中，本申请实施例对缺陷类型的严重等级的级数及严重等级的表现形式不做具体要求。表2示例性示出了另一种电力设备状态数据库。
表2
图2示例性示出了本申请实施例提供的一种变电站环境中检测设备缺陷状态的方法流程图。该方法由服务器执行，如图所示，该流程包括以下几步:
S201:获取电力巡检机器人采集的电力设备的图像。
其中，电力设备的图像可由安装有摄像头的电力巡检机器人拍摄得到，并发送给服务器。
该步骤中，服务器获取到图像后，对获取的图像进行检测，当检测到图像中包含有电力设备时，抓取包含有电力设备的图像。
S202：对图像进行识别，得到图像中的目标电力设备的类别以及目标电力设备的状态。
该步骤中，可使用经过训练的分类器对获取的图像进行识别，得到图像中的目标电力设备的类别以及目标电力设备的状态，其中，识别得到的图像中的目标电力设备的类别可以是一种，也可以是多种，每一类别的目标电力设备对应至少一种状态。
S203：获取目标电力设备的设备类别对应的缺陷类型，将识别得到的目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合。
该步骤中，将识别得到的目标电力设备的状态与电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配，其中，电力设备状态数据库是预先设置的，该电力设备状态数据库中包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，一个设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合，如表1所示。
S204：若识别得到的目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，提示信息用于指示目标电力设备具有至少一种缺陷。
该步骤中，判断识别得到的目标电力设备的状态与该设备类别对应的至少一种缺陷状态是否相匹配，若匹配，则输出该缺陷状态对应的提示信息，其中，可预先设置每一类别的电力设备的缺陷状态与提示信息间的对应关系，提示信息用于指示目标电力设备具有至少一种缺陷，以便电力工人根据提示信息对目标电力设备进行维护。
在一些实施例中，预先设置使用如表2所示的电力设备数据库时，在步骤S203中将识别得到的目标电力设备的状态与电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配后，得到该目标电力设备的缺陷类型对应的严重等级，在步骤S204输出提示信息时将该目标电力设备的缺陷类型的严重等级进行显示，比如，缺陷类型的严重等级为高级，输出严重等级为高级的缺陷类型的提示信息中带有警告标志，以引起电力维护工人的高度关注。
下面以一个具体示例详细说明变电站环境中检测设备缺陷状态的方法流程图。
参见图3，该流程包括以下几步：
S301：获取电力巡检机器人采集的包含配电箱和变压器呼吸器(变压器中的一种空气干燥装置)设备的图像。
S302：对图像进行识别，得到目标配电箱和目标变压器呼吸器，目标设备的状态为目标配电箱的箱门打开未关闭，目标变压器呼吸器的硅胶颜色异常(颜色异常，干燥功能失效)。
S303：根据预置的电力设备状态数据库获取目标配电箱和目标变压器呼吸器两大设备类别对应的缺陷类型，将识别得到的目标配电箱的状态与电力设备状态数据库中该目标配电箱类别对应的缺陷状态进行匹配，将识别得到的目标变压器呼吸器的状态与电力设备状态数据库中该变压器呼吸器类别对应的缺陷状态进行匹配。
S304：若识别得到的目标配电箱的状态与该配电箱类别对应的缺陷状态相匹配，目标变压器呼吸器的状态与该变压器呼吸器类别对应的缺陷状态相匹配则输出提示信息，提示信息用于指示目标电力设备具有至少一种缺陷。
该步骤中，目标配电箱的缺陷状态与箱门打开未关闭相匹配，目标变压器呼吸器的缺陷状态与硅胶颜色异常相匹配，输出提示信息为：目标配电箱的箱门打开未关闭，请关闭，且目标变压器呼吸器的硅胶颜色异常，请更换。
在本申请的实施例中，对识别得到的图像中的目标设备进行设备类别分类，确定目标设备的类别后，针对识别得到的目标设备的状态与该设备类别对应的缺陷状态进行匹配，得到目标设备的缺陷状态，充分考虑变电站环境中电力设备巡检缺陷识别的应用场景，从而提高了目标设备缺陷状态检测的准确性，并根据匹配结果输出用于指示目标设备具有至少一种缺陷提示信息，以便电力工人根据提示信息进行电力设备的维护。
基于相同的技术构思，本申请实施例提供了一种服务器，该服务器可实现上述实施例中的功能。
参见图4，该服务器包括：图像获取模块401、识别模块402、匹配模块403、信息提示模块404。
图像获取模块，用于获取电力巡检机器人采集的电力设备的图像；
识别模块，用于对图像进行识别，得到图像中的目标电力设备的类别以及目标电力设备的状态；
匹配模块，用于获取目标电力设备的设备类别对应的缺陷类型，将识别得到的目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
信息提示模块，用于若识别得到的目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，提示信息用于指示目标电力设备具有至少一种缺陷。
可选的，图像采集模块，具体用于：
获取电力巡检机器人采集的图像，并对获取的图像进行检测；
当检测到图像中包含有电力设备时，抓取包含有电力设备的图像。
可选的，识别模块，用于使用经过训练的分类器对图像进行识别。
可选的，匹配模块，还用于：
预先设置电力设备状态数据库，电力设备状态数据库中包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，一个设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
匹配模块，具体用于将识别得到的目标电力设备的状态与电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配。
在此需要说明的是，本发明实施例提供的上述服务器，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
参见图5，该服务器包括处理器501、网络接口502。其中，处理器501也可以为控制器。处理器501被配置为执行图2中涉及的功能。网络接口502被配置为支持收发消息的功能。该服务器还可以包括存储器503，存储器503用于与处理器501耦合，其保存该设备必要的程序指令和数据。其中，处理器501、网络接口502和存储器503相连，该存储器503用于存储指令，该处理器501用于执行该存储器503存储的指令，以控制网络接口502收发消息，完成上述方法执行相应功能的步骤。
本申请实施例中，该装置所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
需要说明的是，本申请实施例上述涉及的处理器可以是图形处理器，中央处理器(central processing unit，CPU)，通用处理器，数字信号处理器(digital signalprocessor，DSP)，专用集成电路(application-specific integrated circuit，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。其中，所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
基于相同的技术构思，本申请实施例提供了一种设备状态监测***，该***可实现上述实施例中的功能。
该***包括电力巡检机器人、服务器。电力巡检机器人用于采集电力设备的图像并发送给服务器，服务器用于根据接收的电力巡检机器人采集的电力设备的图像检测设备状态，该服务器执行前述实施例中的方法。
本申请实施例中，该***所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
本申请实施例还提供一种计算机存储介质，用于存储一些指令，这些指令被执行时，可以完成前述实施例的方法。
本申请实施例还提供一种计算机程序产品，用于存储计算机程序，该计算机程序用于执行前述实施例的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种设备状态检测方法，应用于电力巡检机器人对变电站中的电力设备进行状态检测的过程，其特征在于，包括：
获取电力巡检机器人采集的电力设备的图像；
对所述图像进行识别，得到所述图像中的目标电力设备的类别以及所述目标电力设备的状态；
获取所述目标电力设备的设备类别对应的缺陷类型，将识别得到的所述目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
若识别得到的所述目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，所述提示信息用于指示所述目标电力设备具有所述至少一种缺陷。
2.如权利要求1所述的方法，其特征在于，获取电力巡检机器人采集的电力设备的图像，包括：
获取电力巡检机器人采集的图像，并对获取的图像进行检测；
当检测到图像中包含有电力设备时，抓取包含有电力设备的图像。
3.如权利要求1所述的方法，其特征在于，对所述图像进行识别，包括：
使用经过训练的分类器对所述图像进行识别。
4.如权利要求1-3中任一项所述的方法，其特征在于，还包括：
预先设置电力设备状态数据库，所述电力设备状态数据库中包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，一个设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
所述将识别得到的所述目标电力设备的状态与该类别设备的缺陷状态进行匹配，包括：
将识别得到的所述目标电力设备的状态与所述电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配。
5.一种服务器，应用于电力巡检机器人对变电站中的电力设备进行状态检测的过程，其特征在于，包括：
图像获取模块，用于获取电力巡检机器人采集的电力设备的图像；
识别模块，对所述图像进行识别，得到所述图像中的目标电力设备的类别以及所述目标电力设备的状态；
匹配模块，用于获取所述目标电力设备的设备类别对应的缺陷类型，将识别得到的所述目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
信息提示模块，用于若识别得到的所述目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，所述提示信息用于指示所述目标电力设备具有所述至少一种缺陷。
6.如权利要求5所述的服务器，其特征在于，所述图像采集模块，具体用于：
获取电力巡检机器人采集的图像，并对获取的图像进行检测；
当检测到图像中包含有电力设备时，抓取包含有电力设备的图像。
7.如权利要求5所述的服务器，其特征在于，所述识别模块，用于使用经过训练的分类器对所述图像进行识别。
8.如权利要求5-7中任一项所述的服务器，其特征在于，所述匹配模块，还用于：
预先设置电力设备状态数据库，所述电力设备状态数据库中包括各种电力设备的类别，以及每种电力设备类别对应的设备状态和缺陷类型，其中，一个设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合；
将识别得到的所述目标电力设备的状态与所述电力设备状态数据库中该设备类别的缺陷类型所对应的设备状态进行匹配。
9.一种设备状态监测***，其特征在于，包括：
电力巡检机器人，用于采集电力设备的图像并发送给服务器；
服务器，用于根据接收的所述电力巡检机器人采集的电力设备的图像检测设备状态，执行的操作包括：
获取电力巡检机器人采集的电力设备的图像；
对所述图像进行识别，得到所述图像中的目标电力设备的类别以及所述目标电力设备的状态；
获取所述目标电力设备的设备类别对应的缺陷类型，将识别得到的所述目标电力设备的状态与该设备类别对应的缺陷类型进行匹配；其中，该设备类别的缺陷类型对应至少一种设备状态，且不同的缺陷类型对应不同的设备状态组合。
10.如权利要求9所述的设备状态监测***，其特征在于，还包括：
所述服务器若识别得到的所述目标电力设备的状态与该类别设备对应的至少一种缺陷类型相匹配，则输出提示信息，所述提示信息用于指示所述目标电力设备具有所述至少一种缺陷，所述提示信息由所述电力巡检机器人进行显示，或者由查询服务器的设备进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010560785.3A CN111797725A (zh) | 2020-06-18 | 2020-06-18 | 一种设备状态检测方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010560785.3A CN111797725A (zh) | 2020-06-18 | 2020-06-18 | 一种设备状态检测方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797725A true CN111797725A (zh) | 2020-10-20 |
Family
ID=72803414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010560785.3A Pending CN111797725A (zh) | 2020-06-18 | 2020-06-18 | 一种设备状态检测方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797725A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112468774A (zh) * | 2020-11-18 | 2021-03-09 | 广东电网物资有限公司 | 一种变电站多功能设备标示***及方法 |
| CN112712111A (zh) * | 2020-12-23 | 2021-04-27 | 南方电网深圳数字电网研究院有限公司 | 设备状态检测方法、电子设备及存储介质 |
| CN113361686A (zh) * | 2021-05-27 | 2021-09-07 | 广西大学 | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 |
| CN113485719A (zh) * | 2021-07-07 | 2021-10-08 | 智洋创新科技股份有限公司 | 一种变电站视频巡视***与图像识别框架接口的交互方法 |
| CN113807364A (zh) * | 2021-09-08 | 2021-12-17 | 国网内蒙古东部电力有限公司兴安供电公司 | 一种基于三光融合成像的电力设备缺陷检测方法及*** |
| CN114445975A (zh) * | 2021-12-17 | 2022-05-06 | 湖南绿色再生资源有限公司 | 柜员机拆解***及方法 |
| CN115169730A (zh) * | 2022-07-29 | 2022-10-11 | 重庆跃达新能源有限公司 | 光伏发电智能运维方法、***及存储介质 |
| CN117197538A (zh) * | 2023-08-16 | 2023-12-08 | 哈尔滨工业大学 | 一种基于高斯分布权重采样的贝叶斯卷积神经网络结构表观损伤识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463708A (zh) * | 2014-12-15 | 2015-03-25 | 广东电网有限责任公司电力科学研究院 | 一种电力设备缺陷快速定级方法 |
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 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*** |
| 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 |
| KR20190073780A (ko) * | 2017-12-19 | 2019-06-27 | 한국전력공사 | 전력설비 기자재 불량 검출 장치, 시스템 및 방법이 기록된 컴퓨터 판독가능 기록 매체 |
| CN110705847A (zh) * | 2019-09-18 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于图像识别技术的变电站智能巡检方法及*** |
| CN111008587A (zh) * | 2019-11-29 | 2020-04-14 | 江西崇政科技有限公司 | 一种应用于机器人的基于深度学习智能化视觉识别*** |
-
2020
- 2020-06-18 CN CN202010560785.3A patent/CN111797725A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463708A (zh) * | 2014-12-15 | 2015-03-25 | 广东电网有限责任公司电力科学研究院 | 一种电力设备缺陷快速定级方法 |
| KR20190073780A (ko) * | 2017-12-19 | 2019-06-27 | 한국전력공사 | 전력설비 기자재 불량 검출 장치, 시스템 및 방법이 기록된 컴퓨터 판독가능 기록 매체 |
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 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*** |
| 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 |
| CN110705847A (zh) * | 2019-09-18 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于图像识别技术的变电站智能巡检方法及*** |
| CN111008587A (zh) * | 2019-11-29 | 2020-04-14 | 江西崇政科技有限公司 | 一种应用于机器人的基于深度学习智能化视觉识别*** |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112468774A (zh) * | 2020-11-18 | 2021-03-09 | 广东电网物资有限公司 | 一种变电站多功能设备标示***及方法 |
| CN112468774B (zh) * | 2020-11-18 | 2023-09-26 | 广东电网物资有限公司 | 一种变电站多功能设备标示***及方法 |
| CN112712111A (zh) * | 2020-12-23 | 2021-04-27 | 南方电网深圳数字电网研究院有限公司 | 设备状态检测方法、电子设备及存储介质 |
| CN113361686A (zh) * | 2021-05-27 | 2021-09-07 | 广西大学 | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 |
| CN113485719A (zh) * | 2021-07-07 | 2021-10-08 | 智洋创新科技股份有限公司 | 一种变电站视频巡视***与图像识别框架接口的交互方法 |
| CN113807364A (zh) * | 2021-09-08 | 2021-12-17 | 国网内蒙古东部电力有限公司兴安供电公司 | 一种基于三光融合成像的电力设备缺陷检测方法及*** |
| CN114445975A (zh) * | 2021-12-17 | 2022-05-06 | 湖南绿色再生资源有限公司 | 柜员机拆解***及方法 |
| CN114445975B (zh) * | 2021-12-17 | 2023-04-07 | 湖南绿色再生资源有限公司 | 柜员机拆解***及方法 |
| CN115169730A (zh) * | 2022-07-29 | 2022-10-11 | 重庆跃达新能源有限公司 | 光伏发电智能运维方法、***及存储介质 |
| CN117197538A (zh) * | 2023-08-16 | 2023-12-08 | 哈尔滨工业大学 | 一种基于高斯分布权重采样的贝叶斯卷积神经网络结构表观损伤识别方法 |
| CN117197538B (zh) * | 2023-08-16 | 2024-05-14 | 哈尔滨工业大学 | 一种基于高斯分布权重采样的贝叶斯卷积神经网络结构表观损伤识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797725A (zh) | 一种设备状态检测方法、装置及*** | |
| CN110033453B (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
| CN112131936B (zh) | 一种巡检机器人图像识别方法及巡检机器人 | |
| CN108124132A (zh) | 一种安全监控方法和装置 | |
| CN109544870B (zh) | 用于智能监控***的报警判断方法与智能监控*** | |
| CN111582235A (zh) | 用于实时监控站内异常事件的警报方法、***及设备 | |
| CN111080775A (zh) | 一种基于人工智能的服务器巡检方法及*** | |
| CN109558259A (zh) | 服务器故障检测方法、装置、设备及计算机可读存储介质 | |
| CN111063144A (zh) | 异常行为的监控方法、装置、设备及计算机可读存储介质 | |
| CN109547455A (zh) | 工业物联网异常行为检测方法、可读存储介质和终端 | |
| CN109270067A (zh) | 设备外观的检测方法、装置和*** | |
| CN109688112A (zh) | 工业物联网异常行为检测装置 | |
| KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
| CN115995037A (zh) | 信号灯状态检测方法、装置、设备、介质及产品 | |
| CN115861173A (zh) | 基于数字孪生和ai的分光器资源准确性自动检测***和方法 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
| KR20200123324A (ko) | 연결 요소 분석 기법과 yolo 알고리즘을 이용한 돼지 겹침 객체 분리 방법 | |
| CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
| CN109344799B (zh) | 物品识别方法、装置及设备、存储介质、电子装置 | |
| Shan et al. | Research on Efficient Detection Method of Foreign Objects on Transmission Lines Based on Improved YOLOv4 Network | |
| CN103810691A (zh) | 一种基于视频的自动柜员机监控场景检测方法和装置 | |
| CN111800437A (zh) | 一种人工智能的安全网络*** | |
| Gao et al. | Intelligent appearance quality detection of air conditioner external unit and dataset construction | |
| CN116994354B (zh) | 道路电力设施巡检方法、装置、存储介质及电子装置 |
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 |