CN112179922A - 一种电线电缆缺陷检测*** - Google Patents
一种电线电缆缺陷检测*** Download PDFInfo
- Publication number
- CN112179922A CN112179922A CN202011019512.4A CN202011019512A CN112179922A CN 112179922 A CN112179922 A CN 112179922A CN 202011019512 A CN202011019512 A CN 202011019512A CN 112179922 A CN112179922 A CN 112179922A
- Authority
- CN
- China
- Prior art keywords
- cable
- defect
- module
- controller
- image
- 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 94
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000013450 outlier detection Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000001028 reflection method Methods 0.000 description 4
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及缺陷检测，具体涉及一种电线电缆缺陷检测***，包括控制器，控制器与用于采集电缆图像以及垂直轴向X光图像的图像采集模块相连，控制器与用于对采集图像进行预处理的图像预处理模块相连，控制器与用于提取处理后电缆图像的特征向量的特征向量提取模块相连，控制器与用于对提取的特征向量进行随机组合的特征向量组合模块相连，控制器与用于对随机组合特征向量进行分类并计算的特征向量分类模块相连，控制器与用于根据特征向量分类模块的计算结果确定缺陷位置的缺陷位置确定模块相连；本发明提供的技术方案能够有效克服现有技术所存在的无法准确有效地对电线电缆的表面及工作过程中存在的缺陷进行检测的问题。
Description
技术领域
本发明涉及缺陷检测，具体涉及一种电线电缆缺陷检测***。
背景技术
电线电缆在电力***的建设过程中发挥着巨大作用，直接影响电力***的稳定和可靠运行。在电线电缆的制造过程中，其表面难免会产生一定的缺陷。为了保证电线电缆的质量，需要对电线电缆的表面及工作过程中存在的缺陷进行检测。传统的对于电线电缆表面缺陷多采用人工检测，但是采用人工检测的方式存在主观性强、成本高、易产生视觉疲劳、检测效率与准确率低的缺点。
此外，对于电缆工作过程中存在的缺陷检测可以分为两类，一类是离线检测，即在检测时需要进行断电处理，包括电桥法、脉冲电压法、脉冲电流法、二次脉冲法、时域反射法等。由于离线检测的研究起步较早，已有较为成熟的产品，因此离线检测是目前电缆故障检测的主要方法。但是，离线检测需要在电缆断电的前提下进行，这就要求供电部门切断某区域的线路进行故障排查，不可避免会造成较大的经济损失。此外，电缆运行过程中出现的间歇性故障持续时间往往较短，离线检测难以复现。
第二类是在线检测，即在检测时无需断电，不影响电缆的正常供电，能够持续监测电缆状态，从而检测出间歇性故障，主要包括噪声反射法、载波测试法、直接序列时域反射法及扩展频谱时域反射法等。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种电线电缆缺陷检测***，能够有效克服现有技术所存在的无法准确有效地对电线电缆的表面及工作过程中存在的缺陷进行检测的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种电线电缆缺陷检测***，包括控制器，所述控制器与用于采集电缆图像以及垂直轴向X光图像的图像采集模块相连，所述控制器与用于对采集图像进行预处理的图像预处理模块相连，所述控制器与用于提取处理后电缆图像的特征向量的特征向量提取模块相连，所述控制器与用于对提取的特征向量进行随机组合的特征向量组合模块相连，所述控制器与用于对随机组合特征向量进行分类并计算的特征向量分类模块相连，所述控制器与用于根据特征向量分类模块的计算结果确定缺陷位置的缺陷位置确定模块相连；
所述控制器与用于构建从垂直轴向X光图像中识别电缆缺陷的缺陷识别模型的缺陷识别模型构建模块相连，所述控制器与用于输出缺陷识别模型识别结果的缺陷识别结果输出模块相连；
还包括用于存储历史离群点数据对应缺陷类型的故障数据分类存储模块，以及用于存储正常电缆工作数据的正常数据存储模块，所述控制器与用于采集电缆工作数据的数据采集模块相连，所述控制器与用于对电缆工作数据进行离群点检测的离群点检测模块相连，所述控制器与用于根据离群点检测结果对应故障数据分类存储模块中存储的缺陷类型进行判断的分析判断模块相连。
优选地，所述图像预处理模块对采集图像进行预处理，包括对采集图像进行倾斜校正；对采集图像进行滤波，降低量子噪声和颗粒噪声；对采集图像进行灰度调节和锐化。
优选地，所述特征向量提取模块通过卷积神经网络提取处理后电缆图像的特征向量，所述特征向量组合模块通过池化层和区域卷积神经网络对提取的特征向量进行随机组合。
优选地，所述特征向量分类模块采用黄金分割法对随机组合特征向量进行分类，并计算分类后特征向量的数值，所述缺陷位置确定模块通过快速区域卷积神经网络寻找异常数值，并确定缺陷位置。
优选地，所述卷积神经网络、区域卷积神经网络、快速区域卷积神经网络共用一层卷积层。
优选地，所述缺陷识别模型识别垂直轴向X光图像中待测电缆的位置，并根据预设待测电缆的型号识别垂直轴向X光图像中待测电缆的结构，根据垂直轴向X光图像中待测电缆的结构判断待测电缆的缺陷，并在垂直轴向X光图像中标示出。
优选地，所述缺陷识别模型的训练方法，包括：
人工采集各类型号电缆的垂直轴向X光图像，并在图像中待测电缆对应的结构上标示出缺陷位置，将标示后的垂直轴向X光图像输入缺陷识别模型中进行训练，得到训练好的缺陷识别模型。
优选地，所述离群点检测模块利用基于密度和距离双参数的离群点检测算法对数据采集模块采集的电缆工作数据进行离群点检测。
优选地，所述离群点检测模块对电缆工作数据的离群点检测结果小于阈值，则所述分析判断模块判断该电缆工作数据属于正常数据，并将该电缆工作数据存入正常数据存储模块；
否则，所述分析判断模块判断该电缆工作数据属于故障数据，将该电缆工作数据存入故障数据分类存储模块，同时根据历史离群点数据对应缺陷类型判断该电缆工作数据对应的缺陷类型。
(三)有益效果
与现有技术相比，本发明所提供的一种电线电缆缺陷检测***，通过采集电缆图像以及垂直轴向X光图像，经过图像识别，能够准确有效分析判断出电缆表面及结构上所存在的缺陷，借助离群点检测分析能够准确有效识别出电缆工作过程中所存在的故障数据，以及该故障数据对应的缺陷类型，从而能够在不断电的情况下及时有效发现电缆工作过程中的缺陷状况。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明***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，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。
一种电线电缆缺陷检测***，如图1所示，包括控制器，控制器与用于采集电缆图像以及垂直轴向X光图像的图像采集模块相连，控制器与用于对采集图像进行预处理的图像预处理模块相连，控制器与用于提取处理后电缆图像的特征向量的特征向量提取模块相连，控制器与用于对提取的特征向量进行随机组合的特征向量组合模块相连，控制器与用于对随机组合特征向量进行分类并计算的特征向量分类模块相连，控制器与用于根据特征向量分类模块的计算结果确定缺陷位置的缺陷位置确定模块相连。
图像预处理模块对采集图像进行预处理，包括对采集图像进行倾斜校正；对采集图像进行滤波，降低量子噪声和颗粒噪声；对采集图像进行灰度调节和锐化。
特征向量提取模块通过卷积神经网络提取处理后电缆图像的特征向量，特征向量组合模块通过池化层和区域卷积神经网络对提取的特征向量进行随机组合。
特征向量分类模块采用黄金分割法对随机组合特征向量进行分类，并计算分类后特征向量的数值，缺陷位置确定模块通过快速区域卷积神经网络寻找异常数值，并确定缺陷位置。
卷积神经网络、区域卷积神经网络、快速区域卷积神经网络共用一层卷积层。
控制器与用于构建从垂直轴向X光图像中识别电缆缺陷的缺陷识别模型的缺陷识别模型构建模块相连，控制器与用于输出缺陷识别模型识别结果的缺陷识别结果输出模块相连。
首先，需要构建缺陷识别模型，并对缺陷识别模型进行训练，缺陷识别模型的训练方法，包括：
人工采集各类型号电缆的垂直轴向X光图像，并在图像中待测电缆对应的结构上标示出缺陷位置，将标示后的垂直轴向X光图像输入缺陷识别模型中进行训练，得到训练好的缺陷识别模型。
缺陷识别模型识别垂直轴向X光图像中待测电缆的位置，并根据预设待测电缆的型号识别垂直轴向X光图像中待测电缆的结构，根据垂直轴向X光图像中待测电缆的结构判断待测电缆的缺陷，并在垂直轴向X光图像中标示出。
本申请技术方案中，缺陷识别模型采用深度残差网络ResNet识别垂直轴向X光图像中待测电缆的位置，包括电缆本体、电缆终端和电缆接头。
还包括用于存储历史离群点数据对应缺陷类型的故障数据分类存储模块，以及用于存储正常电缆工作数据的正常数据存储模块，控制器与用于采集电缆工作数据的数据采集模块相连，控制器与用于对电缆工作数据进行离群点检测的离群点检测模块相连，控制器与用于根据离群点检测结果对应故障数据分类存储模块中存储的缺陷类型进行判断的分析判断模块相连。
离群点检测模块利用基于密度和距离双参数的离群点检测算法对数据采集模块采集的电缆工作数据进行离群点检测。
离群点检测模块对电缆工作数据的离群点检测结果小于阈值，则分析判断模块判断该电缆工作数据属于正常数据，并将该电缆工作数据存入正常数据存储模块；
否则，分析判断模块判断该电缆工作数据属于故障数据，将该电缆工作数据存入故障数据分类存储模块，同时根据历史离群点数据对应缺陷类型判断该电缆工作数据对应的缺陷类型。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种电线电缆缺陷检测***，其特征在于：包括控制器，所述控制器与用于采集电缆图像以及垂直轴向X光图像的图像采集模块相连，所述控制器与用于对采集图像进行预处理的图像预处理模块相连，所述控制器与用于提取处理后电缆图像的特征向量的特征向量提取模块相连，所述控制器与用于对提取的特征向量进行随机组合的特征向量组合模块相连，所述控制器与用于对随机组合特征向量进行分类并计算的特征向量分类模块相连，所述控制器与用于根据特征向量分类模块的计算结果确定缺陷位置的缺陷位置确定模块相连；
所述控制器与用于构建从垂直轴向X光图像中识别电缆缺陷的缺陷识别模型的缺陷识别模型构建模块相连，所述控制器与用于输出缺陷识别模型识别结果的缺陷识别结果输出模块相连；
还包括用于存储历史离群点数据对应缺陷类型的故障数据分类存储模块，以及用于存储正常电缆工作数据的正常数据存储模块，所述控制器与用于采集电缆工作数据的数据采集模块相连，所述控制器与用于对电缆工作数据进行离群点检测的离群点检测模块相连，所述控制器与用于根据离群点检测结果对应故障数据分类存储模块中存储的缺陷类型进行判断的分析判断模块相连。
2.根据权利要求1所述的电线电缆缺陷检测***，其特征在于：所述图像预处理模块对采集图像进行预处理，包括对采集图像进行倾斜校正；对采集图像进行滤波，降低量子噪声和颗粒噪声；对采集图像进行灰度调节和锐化。
3.根据权利要求1所述的电线电缆缺陷检测***，其特征在于：所述特征向量提取模块通过卷积神经网络提取处理后电缆图像的特征向量，所述特征向量组合模块通过池化层和区域卷积神经网络对提取的特征向量进行随机组合。
4.根据权利要求3所述的电线电缆缺陷检测***，其特征在于：所述特征向量分类模块采用黄金分割法对随机组合特征向量进行分类，并计算分类后特征向量的数值，所述缺陷位置确定模块通过快速区域卷积神经网络寻找异常数值，并确定缺陷位置。
5.根据权利要求4所述的电线电缆缺陷检测***，其特征在于：所述卷积神经网络、区域卷积神经网络、快速区域卷积神经网络共用一层卷积层。
6.根据权利要求1所述的电线电缆缺陷检测***，其特征在于：所述缺陷识别模型识别垂直轴向X光图像中待测电缆的位置，并根据预设待测电缆的型号识别垂直轴向X光图像中待测电缆的结构，根据垂直轴向X光图像中待测电缆的结构判断待测电缆的缺陷，并在垂直轴向X光图像中标示出。
7.根据权利要求6所述的电线电缆缺陷检测***，其特征在于：所述缺陷识别模型的训练方法，包括：
人工采集各类型号电缆的垂直轴向X光图像，并在图像中待测电缆对应的结构上标示出缺陷位置，将标示后的垂直轴向X光图像输入缺陷识别模型中进行训练，得到训练好的缺陷识别模型。
8.根据权利要求1所述的电线电缆缺陷检测***，其特征在于：所述离群点检测模块利用基于密度和距离双参数的离群点检测算法对数据采集模块采集的电缆工作数据进行离群点检测。
9.根据权利要求8所述的电线电缆缺陷检测***，其特征在于：所述离群点检测模块对电缆工作数据的离群点检测结果小于阈值，则所述分析判断模块判断该电缆工作数据属于正常数据，并将该电缆工作数据存入正常数据存储模块；
否则，所述分析判断模块判断该电缆工作数据属于故障数据，将该电缆工作数据存入故障数据分类存储模块，同时根据历史离群点数据对应缺陷类型判断该电缆工作数据对应的缺陷类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019512.4A CN112179922A (zh) | 2020-09-24 | 2020-09-24 | 一种电线电缆缺陷检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019512.4A CN112179922A (zh) | 2020-09-24 | 2020-09-24 | 一种电线电缆缺陷检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112179922A true CN112179922A (zh) | 2021-01-05 |
Family
ID=73944796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011019512.4A Pending CN112179922A (zh) | 2020-09-24 | 2020-09-24 | 一种电线电缆缺陷检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112179922A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947563A (zh) * | 2021-08-27 | 2022-01-18 | 国网浙江省电力有限公司 | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 |
| CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
| CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
| CN108535291A (zh) * | 2018-04-29 | 2018-09-14 | 成都凯威计量技术有限公司 | 一种基于x射线数字成像的电缆检测*** |
| CN109685761A (zh) * | 2018-11-08 | 2019-04-26 | 宁波送变电建设有限公司甬城配电网建设分公司 | 一种基于云平台的电力电缆缺陷检测方法及其检测*** |
| CN109829507A (zh) * | 2019-02-21 | 2019-05-31 | 国网上海市电力公司 | 航拍高压输电线路环境检测方法 |
| KR102027806B1 (ko) * | 2018-06-15 | 2019-10-02 | 주식회사 와이엔씨 | 하네스 케이블 검사장치 |
| CN111089865A (zh) * | 2019-12-19 | 2020-05-01 | 国网甘肃省电力公司电力科学研究院 | 一种基于f-rcnn的缺陷电缆检测方法 |
| CN111523595A (zh) * | 2020-04-23 | 2020-08-11 | 国网天津市电力公司 | 一种基于离群点检测算法的电缆缺陷研判方法 |
| CN111539954A (zh) * | 2020-05-25 | 2020-08-14 | 国网湖南省电力有限公司 | 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、***及介质 |
-
2020
- 2020-09-24 CN CN202011019512.4A patent/CN112179922A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
| CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
| CN108535291A (zh) * | 2018-04-29 | 2018-09-14 | 成都凯威计量技术有限公司 | 一种基于x射线数字成像的电缆检测*** |
| KR102027806B1 (ko) * | 2018-06-15 | 2019-10-02 | 주식회사 와이엔씨 | 하네스 케이블 검사장치 |
| CN109685761A (zh) * | 2018-11-08 | 2019-04-26 | 宁波送变电建设有限公司甬城配电网建设分公司 | 一种基于云平台的电力电缆缺陷检测方法及其检测*** |
| CN109829507A (zh) * | 2019-02-21 | 2019-05-31 | 国网上海市电力公司 | 航拍高压输电线路环境检测方法 |
| CN111089865A (zh) * | 2019-12-19 | 2020-05-01 | 国网甘肃省电力公司电力科学研究院 | 一种基于f-rcnn的缺陷电缆检测方法 |
| CN111523595A (zh) * | 2020-04-23 | 2020-08-11 | 国网天津市电力公司 | 一种基于离群点检测算法的电缆缺陷研判方法 |
| CN111539954A (zh) * | 2020-05-25 | 2020-08-14 | 国网湖南省电力有限公司 | 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、***及介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947563A (zh) * | 2021-08-27 | 2022-01-18 | 国网浙江省电力有限公司 | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 |
| CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
| CN116912234B (zh) * | 2023-09-06 | 2023-11-28 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及*** | |
| CN104794720B (zh) | 一种在接触网图像中定位出定位线夹的方法及*** | |
| CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
| CN105654461B (zh) | 一种多***导线间隔棒断裂的机器视觉检测方法 | |
| CN112179922A (zh) | 一种电线电缆缺陷检测*** | |
| CN105354827B (zh) | 一种在接触网图像中智能识别线夹螺母脱落的方法及*** | |
| CN111402214A (zh) | 基于神经网络的接触网吊弦载流环断裂缺陷自动检测方法 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN111462045B (zh) | 一种悬链支撑组件缺陷的检测方法 | |
| CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
| CN112819784A (zh) | 一种配电线路导线断股散股检测方法及*** | |
| CN112529884A (zh) | 一种基于压痕特征图像识别的焊点质量评价方法 | |
| CN116704733B (zh) | 铝合金电缆的老化预警方法及*** | |
| CN111145159A (zh) | 提取巡检关键部件点的方法及装置 | |
| CN114897908A (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及*** | |
| CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN114119595A (zh) | 一种基于集成深度学习的gmaw焊接质量在线监测及评价方法 | |
| CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及*** | |
| CN114627122A (zh) | 一种缺陷检测方法及装置 | |
| CN113256620B (zh) | 基于差值卷积神经网络的车身焊接质量信息评判方法 | |
| CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| CN117763460A (zh) | 一种基于声纹分析的变压器故障检测方法及*** | |
| 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 | |
| CN115937086A (zh) | 一种基于无人机图像识别技术的特高压输电线路缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |