CN112183194A - 非接触式换流站工作站设备参数识别方法及*** - Google Patents
非接触式换流站工作站设备参数识别方法及*** Download PDFInfo
- Publication number
- CN112183194A CN112183194A CN202010837806.1A CN202010837806A CN112183194A CN 112183194 A CN112183194 A CN 112183194A CN 202010837806 A CN202010837806 A CN 202010837806A CN 112183194 A CN112183194 A CN 112183194A
- Authority
- CN
- China
- Prior art keywords
- real
- interface
- image data
- time data
- converter station
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 230000011664 signaling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000011426 transformation method 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
- G06V20/10—Terrestrial scenes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种非接触式换流站工作站设备参数识别方法及***,该方法包括:通过预设的切换频率控制工作站后台***的界面进行自动切换,获取界面显示的图像数据,根据预设的识别规则对图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。本发明的有益效果是:通过图像识别的方法,获取处于安全Ⅰ区的工作站后台***的界面图像,界面图像经识别后发送到处于安全Ⅲ区的实时数据分析***,使到工作站后台***和实时数据分析***之间的数据传输无直接的物理连接,提高了***的安全性。
Description
技术领域
本发明涉及高压直流电网设备领域,尤其涉及一种非接触式换流站工作站设备参数识别方法及***。
背景技术
工作站后台***是直流输电工程中非常重要的监控***,工作站后台***利用计算机***作为终端,实现变电站一次设备遥测、遥信状态的实时监控,同时具备操作直流***、断路器、隔离开关、改变直流控制保护功能等功能,大大增强了运行人员对换流站内设备的监控能力。
如图1所示,换流站的工作站后台***根据不同设备有不同监控界面,每个界面都有电气图形及实时上传的遥测数据。
换流站中运行数据主要分为换流变压器、开关及直流穿墙套管、一次测量设备、避雷器、直流关键运行参数、交直流滤波器、换流阀及阀冷却***、油色谱和套管在线监测、红外测温等九大类。在上述的九大类运行数据中,有80%数据是工作站后台***中遥测数据,因此获取该数据对于开展设备故障分析和诊断非常重要。
传统的获取实时数据方法基本依靠人工在工作站后台***现场抄录屏幕上显示的参数,再手动输入实时数据分析***,此方法无法实时更新设备参数,对于可能出现设备缺陷等隐患缺乏实时分析诊断。
另外还有通过直接读取工作站后台***获得实时数据,这种方式对于现有的直流输电工程工作站后台***需要原工作站厂家参与技术改造,改造成本巨大。而且工作站后台***是电力监控***安全防护体系的中的安全Ⅰ区,实时数据分析***是属于安全Ⅲ区,应当避免不同安全区的物理上纵向交叉联接,即避免跨区互联,否则将会存在重大安全隐患。
大数据分析在电力行业开始逐渐应用,需要越来越多设备实时数据来参与设备故障分析及故障预警诊断,实时数据的获取显得十分重要。传统人工抄录及后台***改造手段都存在明显不足,有鉴于此,现有技术手段还有待于改进和发展。
发明内容
针对上述问题,本发明提出一种非接触式换流站工作站设备参数识别方法及***,旨在解决现有的工作站后台***实时数据无法简单、经济、高效实时从安全Ⅰ区提取至安全Ⅲ区的问题。还用于解决无法及时获取实时数据准确故障分析及故障诊断,而造成重大缺陷隐患无法及时发现的问题。
为解决上述技术问题,本发明第一方面公开了一种非接触式换流站工作站设备参数识别方法,包括以下步骤,
通过预设的切换频率控制工作站后台***的界面进行自动切换,获取所述界面显示的图像数据,根据预设的识别规则对所述图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。
作为一种可选的实施方式,在本发明第一方面中,所述识别规则包括,
界面识别:识别所述图像数据中的筛选区域,根据所述筛选区域的特征判断所述图像数据对应的界面,并对根据所述对应的界面对所述图像数据进行分类和标注;
关键数据识别:获取所述图像数据中的指定区域,并对所述指定区域进行预处理,获得规范化图像数据,从所述规范化图像数据分离切割出数字框,对所述数字框进行OCR识别,所述OCR识别反馈的关键参数匹配对应的所述分类和标注。
作为一种可选的实施方式,在本发明第一方面中,所述筛选区域为不同界面中的相同区域,通过构建界面识别神经网络模型对所述筛选区域进行训练和处理,用于提高所述筛选区域的数据匹配度。
作为一种可选的实施方式,在本发明第一方面中,在所述预处理前,所述方法还包括:采用GaussianFiltering对所述指定区域进行图形降噪处理。
作为一种可选的实施方式,在本发明第一方面中,在所述分离切割前,所述方法还包括:采用CannyEdgeDetection的方法对所述规范化图像数据进行边缘检测,通过精确过滤各种非关键目标,确认界面的位置以及轮廓。
作为一种可选的实施方式,在本发明第一方面中,在所述预处理后,所述方法还包括:通过Hough变换对所述规范化图像数据中存在的屏幕刻度、屏幕指针以及液位高度进行检测。
作为一种可选的实施方式,在本发明第一方面中,将所述实时数据报表与用户自定义的坐标系进行对比,展示设备实时数据曲线。
将所述实时数据报表与设备运行数据告警条件进行比较,自动判别换流站各个设备运行工况是否达到告警条件,若是,将告警信息推送至服务器前端。
作为一种可选的实施方式,在本发明第一方面中,通过分析所述实时数据报表的数据趋势,预测设备是否即将出现故障。
另一方面公开了一种非接触式换流站工作站设备参数识别***,用于实现以上的方法,其包括界面切换模块、摄像头以及图像识别模块,所述界面切换模块用于通过预设的切换频率控制工作站后台***的界面进行自动切换,所述摄像头用于获取所述界面显示的图像数据,所述图像识别模块用于根据预设的识别规则对所述图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。
本发明的有益效果为:通过图像识别的方法,获取处于安全Ⅰ区的工作站后台***的界面图像,界面图像经识别后发送到处于安全Ⅲ区的实时数据分析***,使到工作站后台***和实时数据分析***之间的数据传输无直接的物理连接,提高了***的安全性。
附图说明
图1为现有高压直流工作站后台***界面图;
图2为本发明实施例一公开的非接触式换流站工作站设备参数识别方法的示意图;
图3为本发明实施例一公开的实时数据分析***的功能示意图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一
如图2所示,示意了处于安全Ⅰ区的工作站后台***以及处于安全Ⅲ区的实时数据分析***,其两者通过间接的图像识别进行数据的单向传输,本实施例提出了一种非接触式换流站工作站设备参数识别方法,包括以下步骤,
通过预设的切换频率控制工作站后台***的界面进行自动切换,获取界面显示的图像数据,根据预设的识别规则对图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。界面的切换频率是通过一个安装在工作站后台***内的插件实现的,其目的在于自动切换界面,将直流***的总览界面、直流场界面、交流场界面、交流滤波器场界面、阀冷界面、换流变界面以及站用电界面七大界面经一定的周期循环切换。界面的切换是通过一个安装在工作站后台***显示屏前方的摄像头实现的,其目的在于主动获取界面上显示的图像数据。
本发明通过图像识别的方法,获取处于安全Ⅰ区的工作站后台***的界面图像,界面图像经识别后发送到处于安全Ⅲ区的实时数据分析***,使到工作站后台***和实时数据分析***之间的数据传输无直接的物理连接,提高了***的安全性。
识别规则包括,
界面识别:识别图像数据中的筛选区域,根据筛选区域的特征判断图像数据对应的界面,并对根据对应的界面对图像数据进行分类和标注;
关键数据识别:获取图像数据中的指定区域,并对指定区域进行预处理,获得规范化图像数据,从规范化图像数据分离切割出数字框,对数字框进行OCR识别,OCR识别反馈的关键参数匹配对应的分类和标注。在实际应用中针对不同界面采用不同算法,是提升有效识别的方法。针对界面,为每个界面设定一个模板,模板描述数据的位置和类型等,预处理图像可根据场景预定义的参数做快速的识别和标注,可以有效解决通用识别算法的不足,大大提升识别的效率和准确性,降低失误率。
筛选区域为不同界面中的相同区域,通过构建界面识别神经网络模型对筛选区域进行训练和处理,用于提高筛选区域的数据匹配度。对筛选区域进行采集分类和标注,通过构建神经网络模型进行训练和处理,达到可以准确识别界面的要求。
采用计算机视觉算法可以有效处理图像中的背景和轮廓,通过相应算法可以找到屏幕上关键指标点。基于人工智能的深度学习技术,使得我们在处理图形中更加得心应手,通过搭建响应的AI模型,拿原始数据训练,从而实现是各类数据的形状位置,通过人工智能算法,有效识别数字区域,有效辨别屏幕的数字。
在预处理前,方法还包括:采用GaussianFiltering对指定区域进行图形降噪处理。
在分离切割前,方法还包括:采用CannyEdgeDetection的方法对规范化图像数据进行边缘检测,通过精确过滤各种非关键目标,确认界面的位置以及轮廓。
在预处理后,方法还包括:通过Hough变换对规范化图像数据中存在的屏幕刻度、屏幕指针以及液位高度进行检测。
如图3所示,本发明还包括实时数据分析***的改进,具体如下:
将实时数据报表与用户自定义的坐标系进行对比,展示设备实时数据曲线。
将实时数据报表与设备运行数据告警条件进行比较,自动判别换流站各个设备运行工况是否达到告警条件,若是,将告警信息推送至服务器前端。
通过分析实时数据报表的数据趋势,预测设备是否即将出现故障。
该实时数据分析***主要通过后续分析A、B、C三相的参数得出各类预警。
实施例二
本实施例公开了一种非接触式换流站工作站设备参数识别***,包括界面切换模块、摄像头以及图像识别模块,界面切换模块用于通过预设的切换频率控制工作站后台***的界面进行自动切换,摄像头用于获取界面显示的图像数据,图像识别模块用于根据预设的识别规则对图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。
识别规则包括,
界面识别:识别图像数据中的筛选区域,根据筛选区域的特征判断图像数据对应的界面,并对根据对应的界面对图像数据进行分类和标注;
关键数据识别:获取图像数据中的指定区域,并对指定区域进行预处理,获得规范化图像数据,从规范化图像数据分离切割出数字框,对数字框进行OCR识别,OCR识别反馈的关键参数匹配对应的分类和标注。
筛选区域为不同界面中的相同区域,通过构建界面识别神经网络模型对筛选区域进行训练和处理,用于提高筛选区域的数据匹配度。
在预处理前,方法还包括:采用GaussianFiltering对指定区域进行图形降噪处理。
在分离切割前,方法还包括:采用CannyEdgeDetection的方法对规范化图像数据进行边缘检测,通过精确过滤各种非关键目标,确认界面的位置以及轮廓。
在预处理后,方法还包括:通过Hough变换对规范化图像数据中存在的屏幕刻度、屏幕指针以及液位高度进行检测。
将实时数据报表与用户自定义的坐标系进行对比,展示设备实时数据曲线。
将实时数据报表与设备运行数据告警条件进行比较,自动判别换流站各个设备运行工况是否达到告警条件,若是,将告警信息推送至服务器前端。
通过分析实时数据报表的数据趋势,预测设备是否即将出现故障。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种非接触式换流站工作站设备参数识别方法,其特征在于,包括以下步骤,
通过预设的切换频率控制工作站后台***的界面进行自动切换,获取所述界面显示的图像数据,根据预设的识别规则对所述图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。
2.如权利要求1所述的非接触式换流站工作站设备参数识别方法,其特征在于,所述识别规则包括,
界面识别:识别所述图像数据中的筛选区域,根据所述筛选区域的特征判断所述图像数据对应的界面,并对根据所述对应的界面对所述图像数据进行分类和标注;
关键数据识别:获取所述图像数据中的指定区域,并对所述指定区域进行预处理,获得规范化图像数据,从所述规范化图像数据分离切割出数字框,对所述数字框进行OCR识别,所述OCR识别反馈的关键参数匹配对应的所述分类和标注。
3.如权利要求2所述的非接触式换流站工作站设备参数识别方法,其特征在于,所述筛选区域为不同界面中的相同区域,通过构建界面识别神经网络模型对所述筛选区域进行训练和处理,用于提高所述筛选区域的数据匹配度。
4.如权利要求2所述的非接触式换流站工作站设备参数识别方法,其特征在于,在所述预处理前,所述方法还包括:采用Gaussian Filtering对所述指定区域进行图形降噪处理。
5.如权利要求2所述的非接触式换流站工作站设备参数识别方法,其特征在于,在所述分离切割前,所述方法还包括:采用Canny Edge Detection的方法对所述规范化图像数据进行边缘检测,通过精确过滤各种非关键目标,确认界面的位置以及轮廓。
6.如权利要求2所述的非接触式换流站工作站设备参数识别方法,其特征在于,在所述预处理后,所述方法还包括:通过Hough变换对所述规范化图像数据中存在的屏幕刻度、屏幕指针以及液位高度进行检测。
7.如权利要求1所述的非接触式换流站工作站设备参数识别方法,其特征在于,将所述实时数据报表与用户自定义的坐标系进行对比,展示设备实时数据曲线。
8.如权利要求7所述的非接触式换流站工作站设备参数识别方法,其特征在于,将所述实时数据报表与设备运行数据告警条件进行比较,自动判别换流站各个设备运行工况是否达到告警条件,若是,将告警信息推送至服务器前端。
9.如权利要求7所述的非接触式换流站工作站设备参数识别方法,其特征在于,通过分析所述实时数据报表的数据趋势,预测设备是否即将出现故障。
10.一种非接触式换流站工作站设备参数识别***,其特征在于,包括界面切换模块、摄像头以及图像识别模块,所述界面切换模块用于通过预设的切换频率控制工作站后台***的界面进行自动切换,所述摄像头用于获取所述界面显示的图像数据,所述图像识别模块用于根据预设的识别规则对所述图像数据处理后输出对应的设备数据,并生成实时数据报表发送到实时数据分析***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837806.1A CN112183194B (zh) | 2020-08-19 | 2020-08-19 | 非接触式换流站工作站设备参数识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837806.1A CN112183194B (zh) | 2020-08-19 | 2020-08-19 | 非接触式换流站工作站设备参数识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183194A true CN112183194A (zh) | 2021-01-05 |
CN112183194B CN112183194B (zh) | 2024-01-19 |
Family
ID=73919436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010837806.1A Active CN112183194B (zh) | 2020-08-19 | 2020-08-19 | 非接触式换流站工作站设备参数识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183194B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191356A1 (en) * | 2010-02-01 | 2011-08-04 | Gazula Krishna | Advanced application for capturing, storing and retrieving digital images of a patient condition during a real-time virtual face-to-face encounter |
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测***及状态检测方法 |
CN102915432A (zh) * | 2012-09-11 | 2013-02-06 | 北京铁道工程机电技术研究所有限公司 | 一种车载微机图像视频数据提取方法及装置 |
CN103491354A (zh) * | 2013-10-10 | 2014-01-01 | 国家电网公司 | 一种***运行监控可视化平台 |
CN107545240A (zh) * | 2017-07-07 | 2018-01-05 | 杰为软件***(深圳)有限公司 | 一种工控设备显示屏输出画面采集***及方法 |
CN108197644A (zh) * | 2017-12-27 | 2018-06-22 | 深圳市大熊动漫文化有限公司 | 一种图像识别方法和装置 |
CN108647677A (zh) * | 2018-05-14 | 2018-10-12 | 山东师范大学 | 基于视觉计算的电表外观和性能智能检测方法及装置 |
-
2020
- 2020-08-19 CN CN202010837806.1A patent/CN112183194B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191356A1 (en) * | 2010-02-01 | 2011-08-04 | Gazula Krishna | Advanced application for capturing, storing and retrieving digital images of a patient condition during a real-time virtual face-to-face encounter |
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测***及状态检测方法 |
CN102915432A (zh) * | 2012-09-11 | 2013-02-06 | 北京铁道工程机电技术研究所有限公司 | 一种车载微机图像视频数据提取方法及装置 |
CN103491354A (zh) * | 2013-10-10 | 2014-01-01 | 国家电网公司 | 一种***运行监控可视化平台 |
CN107545240A (zh) * | 2017-07-07 | 2018-01-05 | 杰为软件***(深圳)有限公司 | 一种工控设备显示屏输出画面采集***及方法 |
CN108197644A (zh) * | 2017-12-27 | 2018-06-22 | 深圳市大熊动漫文化有限公司 | 一种图像识别方法和装置 |
CN108647677A (zh) * | 2018-05-14 | 2018-10-12 | 山东师范大学 | 基于视觉计算的电表外观和性能智能检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112183194B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018389B (zh) | 一种输电线路在线故障监测方法及*** | |
CN109271844B (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN105654461B (zh) | 一种多***导线间隔棒断裂的机器视觉检测方法 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN105868722A (zh) | 异常电力设备图像的识别方法及*** | |
CN109117764A (zh) | 在电力监控中采用颜色阈值法识别目标物体区域电气符号的方法 | |
CN109409395A (zh) | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 | |
CN110189344A (zh) | 一种电力刀闸图像中直线段提取方法 | |
CN104331710A (zh) | 开关状态识别*** | |
CN110889339A (zh) | 基于头肩检测的危险区域分级预警方法与*** | |
CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及*** | |
CN110348380A (zh) | 一种可视化接地刀闸状态视频识别***及方法 | |
CN111428987A (zh) | 一种基于人工智能的继保装置图像识别方法和*** | |
CN114694050A (zh) | 一种基于红外图像的电力设备运行状态探测方法 | |
CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及*** | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和*** | |
CN112668516B (zh) | 一种电力调度***告警窗自动对点验收方法 | |
CN112183194B (zh) | 非接触式换流站工作站设备参数识别方法及*** | |
CN109063634A (zh) | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 | |
CN117607590A (zh) | 一种高压开关柜故障预警检测方法 | |
CN112508022A (zh) | 一种基于运检作业全流程的变电站防误操作***及方法 | |
CN114330477B (zh) | 一种基于混合现实设备的电力设备缺陷检测***及方法 | |
CN116665419A (zh) | 电力生产作业中基于ai分析的故障智能预警***及方法 | |
CN115909212A (zh) | 一种电力作业典型违章行为实时预警方法 |
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 |