CN111831430A - 一种基于边缘计算的电力设备缺陷识别*** - Google Patents
一种基于边缘计算的电力设备缺陷识别*** Download PDFInfo
- Publication number
- CN111831430A CN111831430A CN202010542392.XA CN202010542392A CN111831430A CN 111831430 A CN111831430 A CN 111831430A CN 202010542392 A CN202010542392 A CN 202010542392A CN 111831430 A CN111831430 A CN 111831430A
- Authority
- CN
- China
- Prior art keywords
- power equipment
- defect identification
- edge computing
- image
- communication module
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 238000004364 calculation method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于边缘计算的电力设备缺陷识别***,包括:图像传感器,用于在现场采集电力设备的图像;边缘计算设备,设有基于图像的电力设备缺陷识别算法,通过该算法对图像传感器采集的电力设备图像进行缺陷识别;云中心,采集所有边缘计算设备的缺陷识别信息,并将缺陷信息显示在人机界面上,边缘计算设备分别与图像传感器和云中心进行通信;基于图像的电力设备缺陷识别算法内嵌在边缘计算设备中,用于对图像传感器采集的图像进行处理和分析,最终获得缺陷识别结果。与现有技术相比,本发明具有实现更快的电力设备缺陷反馈、***更加稳定、识别准确率高、处理速度快等优点。
Description
技术领域
本发明涉及电力设备缺陷识别技术领域,尤其是涉及一种基于边缘计算的电力设备缺陷识别***。
背景技术
近年来,随着社会经济的发展,电网规模不断扩大,对电力设备的检修就成为了电网运维的重中之重。近年来,无人机巡检技术不断发展,通过无人机在现场采集电力设备的图像,然后传送至中心监控平台,由中心监控平台对图像进行处理,进而判断电力设备的缺陷情况。
中国专利CN110411580A中公开了一种电力设备发热缺陷诊断***,该***包括依次连接的红外传感器、红外带电检测装置以及云平台。其中,云平台用于构建发热缺陷诊断模型以及利用所述发热缺陷诊断模型对电力设备实时进行发热缺陷诊断,并将诊断结果传送给所述红外带电检测装置。该***中将算法部署在云平台的服务器端,在使用时,红外传感器需要将红外图像传输至云平台,所有的数据计算都在云平台内完成,反馈延时较长,不能实现及时反馈,有可能会引发安全事故。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实现更快的电力设备缺陷反馈、***更加稳定、识别准确率高、处理速度快的基于边缘计算的电力设备缺陷识别***。
本发明的目的可以通过以下技术方案来实现:
一种基于边缘计算的电力设备缺陷识别***,包括:
图像传感器,用于在现场采集电力设备的图像;
边缘计算设备,设有基于图像的电力设备缺陷识别算法,通过该算法对图像传感器采集的电力设备图像进行缺陷识别;
云中心,采集所有边缘计算设备的缺陷识别信息,并将缺陷信息显示在人机界面上;
所述的边缘计算设备分别与图像传感器和云中心进行通信。
优选地,所述的图像传感器为可见光摄像头、红外摄像头、紫外摄像头或遥感卫星。
优选地,所述的边缘计算设备包括边缘计算芯片、存储器、第一通信模块、第二通信模块和边缘计算设备电源;所述的存储器、第一通信模块、第二通信模块和边缘计算设备电源分别与边缘计算芯片相连;所述的边缘计算设备通过第一通信模块与图像传感器进行通信,通过第二通信模块与云中心进行通信。
更加优选地,所述的边缘计算芯片为CPU处理器。
更加优选地,所述的第一通信模块为串行通信接口模块或无线通信模块;所述的第二通信模块为无线通信模块。
更加优选地,所述的边缘计算设备设有GPU,该芯片用于加速边缘计算设备的运行速度;所述的GPU与边缘计算芯片相连。
优选地,所述的云中心包括云中心处理器、云中心显示器和云中心电源;所述的云中心显示器和云中心电源分别与云中心处理器相连。
优选地,所述基于图像的电力设备缺陷识别算法包括以下步骤:
步骤1:使用基于图像的电力设备缺陷识别模型的卷积层对图像传感器采集的图像进行处理,提取图像的特征块,然后将图像送入RPN网络;
步骤2:使用RPN网络生成候选区域,然后将特征块和候选区域送入电力设备缺陷识别模型的ROI池化层;
步骤3:使用ROI池化层对特征块和候选区域进行处理,获得目标特征图,并将目标特征图送入全连接层;
步骤4:通过全连接层将目标特征图送入深度卷积神经网络,获得电力设备类型;
步骤5:通过步骤4获得的电力设备类型对目标特征图进行归一化分类处理,然后通过边框回归处理得到检测框的精确位置,最后获得电力设备的缺陷识别结果。
更加优选地,所述的缺陷识别模型选用VGG16神经网络模型;所述的缺陷识别模型包括13层卷积层、5层池化层和3层全连接层。
更加优选地,所述的步骤5具体为通过归一化分类锚点获得待测目标和背景然后通过边框回归修正锚点获得精确目标;所述的分类锚点和修正锚点均通过密度峰值聚类算法获得。
与现有技术相比,本发明具有以下优点:
一、实现更快的电力设备缺陷反馈:本发明中的缺陷识别***采用边缘计算设备处理电力设备图像,获得电力设备缺陷识别结果,然后只需要将识别结果传送至云中心,工作人员通过安装在云中心的终端即可完成对电力设备的监控,相较于现有技术中将图像传输至云中心,然后再由安装在云中心的终端进行处理分析的缺陷识别方法,本发明中的方法无需占用大量计算资源,所有的计算均由边缘设备完成,反馈更加快速。
二、***更加稳定:本发明中的缺陷识别***所有的计算均在边缘设备处完成,只需要将缺陷识别结果上传至云中心即可,无需占用大量计算资源,***受网络波动的影响更小,稳定性更高。
三、缺陷识别结果更加精确:本发明中的缺陷识别***采用Faster RCNN模型对电力设备图像进行处理分析,图像识别速度可达0.17秒/张,并且采用了VGG16模型,进一步的提高了算法的处理能力和处理速度。
四、处理速度更快:本发明中的缺陷识别***设有图像处理器GPU,用于加速图像处理速度,使得***处理速度更快,工作人员也可以更快速的得到电力设备缺陷识别结果,避免安全事故的发生。
附图说明
图1为本发明中缺陷识别***的结构示意图;
图2为本发明中电力设备缺陷识别算法的流程示意图。
图中标号所示:
1、图像传感器,2、边缘计算设备,3、云中心,21、边缘计算芯片,22、存储器,23、第一通信模块,24、第二通信模块,25、边缘计算设备电源,26、GPU,31、云中心处理器,32、云中心显示器,33、云中心电源。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一种基于边缘计算的电力设备缺陷识别***,其结构如图1所示,包括:
图像传感器1:用于在现场采集电力设备的相关图像;
边缘计算设备2:内嵌有基于图像的电力设备缺陷识别算法,通过该算法对图像传感器1采集的电力设备图像进行缺陷识别;
云中心3:采集所有边缘计算设备2的缺陷识别信息,并将缺陷信息显示在人机界面上,用户可以在该人机界面上查看所有边缘计算设备2对电力设备的缺陷识别情况。
下面分别对各模块进行详细描述:
一、图像传感器1
本实施例中的图像传感器1选用可见光摄像头、红外摄像头、紫外摄像头或遥感卫星在现场采集电力设备的图像信息。
二、边缘计算设备2
边缘计算设备2包括边缘计算芯片21、存储器22、第一通信模块23、第二通信模块24和边缘计算设备电源25,存储器22、第一通信模块23、第二通信模块24和边缘计算设备电源25分别与边缘计算芯片21相连,边缘计算设备2通过第一通信模块23与图像传感器1进行通信,通过第二通信模块24与云中心3进行通信。
本实施例中的边缘计算芯片21具体为CPU处理器,选用英特尔至强D-2100处理器,该处理器可满足低功耗、高密度边缘计算需求。
本实施例中第一通信模块23为串行通信接口模块或无线通信模块,第一通信模块23的选取要根据图像传感器1的类型进行选取。
本实施例中的第二通信模块24为无线通信模块,即所有的边缘计算设备2均通过无线网络与云中心3进行通信。
本实施例中的边缘计算设备2还设有图形处理器GPU26,该处理器用于加速边缘计算设备2的运行速度,GPU26与边缘计算芯片21相连。
本实施例中的边缘计算芯片21内嵌有基于图像的电力设备缺陷识别算法,用于对图像传感器1采集的电力设备图像进行处理分析,缺陷识别算法具体为:
步骤1:使用基于图像的电力设备缺陷识别模型的卷积层对图像传感器1采集的图像进行处理,提取图像的特征块,然后将图像送入RPN网络;
步骤2:使用RPN网络生成候选区域,然后将特征块和候选区域送入电力设备缺陷识别模型的ROI池化层;
步骤3:使用ROI池化层对特征块和候选区域进行处理,获得目标特征图,并将目标特征图送入全连接层;
步骤4:通过全连接层将目标特征图送入深度卷积神经网络,获得电力设备类型;
步骤5:通过步骤4获得的电力设备类型对目标特征图进行归一化分类处理,然后通过边框回归处理得到检测框的精确位置,最后获得电力设备的缺陷识别结果。
本实施例中缺陷识别模型选用VGG16神经网络模型;所述的缺陷识别模型包括13层卷积层、5层池化层和3层全连接层。
步骤5具体为通过归一化分类锚点获得待测目标和背景然后通过边框回归修正锚点获得精确目标;所述的分类锚点和修正锚点均通过密度峰值聚类算法获得。
密度峰值聚类算法具体为:
(1)计算阶段距离
dc=D(t*m)
其中,dc为阶段距离,t为阶段距离参数,t∈(0,1),D为数据集,m为中间参数,D的计算方法为
其中,i和j分别为数据集D中任意两点xi和xj,dij为xi和xj之间的距离,N为待聚类点的个数,m=0.5N(N-1);
(2)通过阶段距离计算点xi的局部密度值
ρi=∑χ(dij-dc)
其中,ρi为xi的局部密度值,dc>0,χ(x)为已知函数,具体为:
(3)计算点xi与局部密度值比ρi大的数据点xj之间的最小距离,计算方法为:
(5)对非聚类中心点的数据进行归类。
三、云中心3
云中心3包括云中心处理器31、云中心显示器32和云中心电源33,云中心显示器32和与云中心电源33分别与云中心处理器31相连,用户可以直接在云中心显示器32上查看所有边缘计算设备2对电力设备的缺陷识别情况,在发生缺陷时及时处理,避免发生较大事故。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于边缘计算的电力设备缺陷识别***,其特征在于,包括:
图像传感器(1),用于在现场采集电力设备的图像;
边缘计算设备(2),设有基于图像的电力设备缺陷识别算法,通过该算法对图像传感器(1)采集的电力设备图像进行缺陷识别;
云中心(3),采集所有边缘计算设备(2)的缺陷识别信息,并将缺陷信息显示在人机界面上;
所述的边缘计算设备(2)分别与图像传感器(1)和云中心(3)进行通信。
2.根据权利要求1所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的图像传感器(1)为可见光摄像头、红外摄像头、紫外摄像头或遥感卫星。
3.根据权利要求1所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的边缘计算设备(2)包括边缘计算芯片(21)、存储器(22)、第一通信模块(23)、第二通信模块(24)和边缘计算设备电源(25);所述的存储器(22)、第一通信模块(23)、第二通信模块(24)和边缘计算设备电源(25)分别与边缘计算芯片(21)相连;所述的边缘计算设备(2)通过第一通信模块(23)与图像传感器(1)进行通信,通过第二通信模块(24)与云中心(3)进行通信。
4.根据权利要求3所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的边缘计算芯片(21)为CPU处理器。
5.根据权利要求3所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的第一通信模块(23)为串行通信接口模块或无线通信模块;所述的第二通信模块(23)为无线通信模块。
6.根据权利要求3所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的边缘计算设备(2)设有GPU(26),该芯片用于加速边缘计算设备(2)的运行速度;所述的GPU(26)与边缘计算芯片(21)相连。
7.根据权利要求1所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的云中心(3)包括云中心处理器(31)、云中心显示器(32)和云中心电源(33);所述的云中心显示器(32)和云中心电源(33)分别与云中心处理器(31)相连。
8.根据权利要求1所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述基于图像的电力设备缺陷识别算法包括以下步骤:
步骤1:使用基于图像的电力设备缺陷识别模型的卷积层对图像传感器(1)采集的图像进行处理,提取图像的特征块,然后将图像送入RPN网络;
步骤2:使用RPN网络生成候选区域,然后将特征块和候选区域送入电力设备缺陷识别模型的ROI池化层;
步骤3:使用ROI池化层对特征块和候选区域进行处理,获得目标特征图,并将目标特征图送入全连接层;
步骤4:通过全连接层将目标特征图送入深度卷积神经网络,获得电力设备类型;
步骤5:通过步骤4获得的电力设备类型对目标特征图进行归一化分类处理,然后通过边框回归处理得到检测框的精确位置,最后获得电力设备的缺陷识别结果。
9.根据权利要求8所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的缺陷识别模型选用VGG16神经网络模型;所述的缺陷识别模型包括13层卷积层、5层池化层和3层全连接层。
10.根据权利要求8所述的一种基于边缘计算的电力设备缺陷识别***,其特征在于,所述的步骤5具体为通过归一化分类锚点获得待测目标和背景然后通过边框回归修正锚点获得精确目标;所述的分类锚点和修正锚点均通过密度峰值聚类算法获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542392.XA CN111831430A (zh) | 2020-06-15 | 2020-06-15 | 一种基于边缘计算的电力设备缺陷识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542392.XA CN111831430A (zh) | 2020-06-15 | 2020-06-15 | 一种基于边缘计算的电力设备缺陷识别*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111831430A true CN111831430A (zh) | 2020-10-27 |
Family
ID=72898786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542392.XA Pending CN111831430A (zh) | 2020-06-15 | 2020-06-15 | 一种基于边缘计算的电力设备缺陷识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831430A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434740A (zh) * | 2020-11-26 | 2021-03-02 | 西北大学 | 一种基于深度学习的秦俑碎块分类方法 |
CN113033355A (zh) * | 2021-03-11 | 2021-06-25 | 中北大学 | 一种基于密集输电通道的异常目标识别方法和装置 |
CN113065508A (zh) * | 2021-04-20 | 2021-07-02 | 上海环能新科节能科技股份有限公司 | 一种用于特高压输电线路通道隐患发现与识别的边缘计算方法 |
CN113362316A (zh) * | 2021-06-23 | 2021-09-07 | 合肥朗云物联科技股份有限公司 | 一种精确识别图像边缘物体的方法 |
CN114199381A (zh) * | 2021-12-13 | 2022-03-18 | 国网陕西省电力公司延安供电公司 | 一种改进红外检测模型的电气设备故障检测方法 |
CN116633025A (zh) * | 2023-07-24 | 2023-08-22 | 国网湖北省电力有限公司武汉市东湖新技术开发区供电公司 | 一种电力运行监测可视化智慧边台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150180730A1 (en) * | 2013-12-19 | 2015-06-25 | Amdocs Software Systems Limited | System, method, and computer program for inter-module communication in a network based on network function virtualization (nfv) |
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、***及电子设备 |
CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测*** |
CN110069975A (zh) * | 2018-12-25 | 2019-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种基于神经网络的导线开股识别方法及*** |
CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
CN110221558A (zh) * | 2019-06-05 | 2019-09-10 | 镇江四联机电科技有限公司 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
CN110222648A (zh) * | 2019-06-10 | 2019-09-10 | 国网上海市电力公司 | 一种架空电缆故障识别方法和装置 |
CN110994798A (zh) * | 2019-12-16 | 2020-04-10 | 深圳供电局有限公司 | 变电设备监控*** |
-
2020
- 2020-06-15 CN CN202010542392.XA patent/CN111831430A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150180730A1 (en) * | 2013-12-19 | 2015-06-25 | Amdocs Software Systems Limited | System, method, and computer program for inter-module communication in a network based on network function virtualization (nfv) |
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、***及电子设备 |
CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测*** |
CN110069975A (zh) * | 2018-12-25 | 2019-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种基于神经网络的导线开股识别方法及*** |
CN110097053A (zh) * | 2019-04-24 | 2019-08-06 | 上海电力学院 | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 |
CN110221558A (zh) * | 2019-06-05 | 2019-09-10 | 镇江四联机电科技有限公司 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
CN110222648A (zh) * | 2019-06-10 | 2019-09-10 | 国网上海市电力公司 | 一种架空电缆故障识别方法和装置 |
CN110994798A (zh) * | 2019-12-16 | 2020-04-10 | 深圳供电局有限公司 | 变电设备监控*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434740A (zh) * | 2020-11-26 | 2021-03-02 | 西北大学 | 一种基于深度学习的秦俑碎块分类方法 |
CN113033355A (zh) * | 2021-03-11 | 2021-06-25 | 中北大学 | 一种基于密集输电通道的异常目标识别方法和装置 |
CN113065508A (zh) * | 2021-04-20 | 2021-07-02 | 上海环能新科节能科技股份有限公司 | 一种用于特高压输电线路通道隐患发现与识别的边缘计算方法 |
CN113362316A (zh) * | 2021-06-23 | 2021-09-07 | 合肥朗云物联科技股份有限公司 | 一种精确识别图像边缘物体的方法 |
CN114199381A (zh) * | 2021-12-13 | 2022-03-18 | 国网陕西省电力公司延安供电公司 | 一种改进红外检测模型的电气设备故障检测方法 |
CN116633025A (zh) * | 2023-07-24 | 2023-08-22 | 国网湖北省电力有限公司武汉市东湖新技术开发区供电公司 | 一种电力运行监测可视化智慧边台 |
CN116633025B (zh) * | 2023-07-24 | 2023-09-26 | 国网湖北省电力有限公司武汉市东湖新技术开发区供电公司 | 一种电力运行监测可视化智慧边台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别*** | |
CN109935080B (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
CN109214280B (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
CN109872317A (zh) | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 | |
CN111091080A (zh) | 人脸识别方法及*** | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN110796360A (zh) | 一种固定型交通检测源多尺度数据融合方法 | |
CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
CN112132157A (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别*** | |
CN107687994A (zh) | 空气检测***及方法 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN115932661A (zh) | 一种对变压器噪声合规性进行分析判断的方法 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN115294048A (zh) | 一种异物检测方法、装置、设备及存储介质 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别***及方法 |
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 |