CN112367400B - 一种边云协同的电力物联网智能巡检方法及*** - Google Patents
一种边云协同的电力物联网智能巡检方法及*** Download PDFInfo
- Publication number
- CN112367400B CN112367400B CN202011261336.5A CN202011261336A CN112367400B CN 112367400 B CN112367400 B CN 112367400B CN 202011261336 A CN202011261336 A CN 202011261336A CN 112367400 B CN112367400 B CN 112367400B
- Authority
- CN
- China
- Prior art keywords
- information
- things
- unit
- calculation
- computing 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种边云协同的电力物联网智能巡检方法及***,包括收集无人机采集的信息;对所述收集的信息进行卷积操作提取特征信息,并利用5G核心网对所述特征信息和序号总数进行传输;利用所述特征提取信息和所述序号进行全连接操作,判断异常特征;对所述异常特征的信息进行类别识别;输出所述异常信息以及所述信息类别,完成巡检。充分利用每一级别的硬件资源差距,实现了效率与能力相统一的任务分配方案,加快了整个***的计算能力,保证了所有设备的硬件资源利用率和巡检工作效率,解决了单边服务器计算量较大的问题,从而带来更好的经济收益。
Description
技术领域
本发明涉及电力物联网的技术领域,尤其涉及一种边云协同的电力物联网智能巡检方法及***。
背景技术
电力***是组成当今社会飞速运转的必不可少的重要组成部分,在通信技术高度发展的推进下,通过整合电力***和基础通讯设备***组成的电力物联网,有效地提高了电力***的信息化水平和基础设备的使用效率。为了保证信息共享和数据传输的稳定性,对电力物联网的电力线的故障维护和维修检查也是必不可少的。
近年来电力线巡检任务由人工巡检向无人机巡检方式过渡,相较于人工巡检,由于电力线分布点地形复杂、覆盖面积广,无人机巡检能更好地减少工人工作强度,降低工人工作风险等问题,可以更加方便地检查出电力线路性能缺陷和损伤问题。
常见的无人机巡检方式是人工直接检索无人机拍摄视频,这种方法需要工人从杂乱的拍摄场景中检查出有问题的电力线位置,时间效率较低;另一种是无人机先把视频流传输到服务器中,机器辅助工人协同完成巡检,是更加广泛的巡检方式。一般使用的是图像处理技术与基于神经网络的异常检测,无人机通过网络模块传输图片到服务器后,服务器对拍摄的图像进行直线检测,根据标记的直线使用边缘检测算法找出电力线所在的图片位置,并用噪声滤波算法完成图像增强任务,再转入神经网络中进行电力线的目标检测,并用聚类或分割方法电力线是否存在异常。一、计算要求高,使用服务器加载目标检测模型来计算出图片特征,带来了巨大的计算量,这要求服务器需要有相当程度的硬件配置来完成整个***的计算任务。二、处理效率低。由于服务器处理的图片来源于无人机在工作中所拍摄到的视频,所以无人机的移动能力决定整个***的工作范围,而单方面增加无人机的数量,只会把所有计算任务分配给服务器,无法充分利用无人机的处理能力,三、检测能力受限。电力线巡检中遇到的问题具有多样性,如异物悬挂、污损、鸟窝、植被掩盖等等,为了提高识别标签的多样性,则需要更深层的神经网络,又会带来更大的计算量要求;因此提高管理效率、充分利用硬件资源是十分必要的。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在整体架构的优化分配过于单一、移动计算模块裁剪不完整、边缘计算不统一的问题,提出了本发明。
因此,本发明解决的技术问题是:整体架构的优化分配过于单一、移动计算模块裁剪不完整、边缘计算不统一的问题。
为解决上述技术问题,本发明提供如下技术方案:收集无人机采集的信息;对所述手机的信息进行卷积操作提取特征信息,并利用5G核心网对所述特征信息和序号总数进行传输;利用所述特征提取信息和所述序号进行全连接操作,判断异常特征;对所述异常特征的信息进行类别识别;输出所述异常信息以及所述信息类别,完成巡检。
作为本发明所述的边云协同的电力物联网智能巡检方法的一种优选方案,其中:所述序号总数包括,序号总数的计算公式如下所示:
其中,l为输入图像长度,w为输入图像宽度,k为卷积核大小,m为增大系数。
作为本发明所述的边云协同的电力物联网智能巡检方法的一种优选方案,其中:所述全连接操作包括,对所述特征信息,根据序号以维度方向进行切割信息,并对特征模型进行全连接操作计算,输出个标签的概率值。
作为本发明所述的边云协同的电力物联网智能巡检方法的一种优选方案,其中:所述切割方法包括,将所述特征提取信息设为一个多维矩阵{xo,yo,zo},并且所述xo,yo,zo满足xn=xoyo,对于序号切割出的信息Mi为:
其中:xo为矩阵长度,yo为矩阵宽度,zo为矩阵维度。
作为本发明所述的边云协同的电力物联网智能巡检方法的一种优选方案,其中:所述特征模型包括,所述特征模型的标签类型包括电力线、草坪、天空、铁塔和未知类型。
作为本发明所述的边云协同的电力物联网智能巡检方法的一种优选方案,其中:所述未知类型包括,所述未知类型的标签概率值最大,并且对所述未知类型的序号进行标记,并将标记信号信息进行类别识别。
根据所述像素点位置裁剪出特征区域图片,进行类别模型的识别操作计算,输出图片的具体类型信息。
作为本发明所述的边云协同的电力物联网智能巡检方法的一种优选方案,其中:所述采集的信息包括,图像信息、定位信息、时间信息。
本发明解决的另一个技术问题是:提出一种边云协同的电力物联网智能巡检***,根据实际使用场景针对不同层面设计对应的计算任务,从而优化整个***的任务调度方案
为解决上述技术问题,本发明提供如下技术方案:一种边云协同的电力物联网智能巡检***,包括移动计算模块用于采集数据信息并且完成特征模型的卷积部分计算;边缘计算模块通过5G网络连接于所述移动计算模块,用于判断所述移动计算模块采集信息的异常特征,包括5G核心网的用户平面单元和移动边缘计算服务器,所述5G核心网的用户平面单元用于排查所述采集信息的传输,并将信息传输至所述移动边缘计算服务器进行边缘计算,判断信息的异常特征并将特征信息标签传输至所述边缘计算模块;云端计算模块通过5G网络连接于所述移动计算模块,用于对异常特征进行分类并输出所述异常信息及特征,包括云服务器和控制台,所述云服务器用于完成特征信息的分类并将分类信息传输至所述控制台,所述控制台用于总***的监控和决策。
作为本发明所述的边云协同的电力物联网智能巡检***的一种优选方案,其中:所述移动计算模块包括,无人机单元、采集单元、计算单元、存储单元以及5G通信单元,其中所述无人机单元用于提供整个移动计算模块的运动能力,所述采集单元用于采集无人机单元当前拍摄的图像信息和定位信息,所述计算单元用于对所述采集单元采集的信息以及所述边缘计算模块计算的特征信息标签,进行初步计算并给出相应的特征提取信息,所述存储单元用于存储所述采集单元的采集信息和所述计算单元给出的提取信息,所述5G通信单元用于连接所述边缘计算模块和云端计算模块,进行存储单元中的信息的相互传输。
本发明的有益效果:管理效率强,每一层计算模块都有自己的计算任务和传输任务,相对于无人机和服务器双向传输和单边计算任务的特性,能更方便做出任务的管理或者调整,提高了整个***的管理能力;资源利用率高,本发明方法充分利用每一级别的硬件资源差距,实现了效率与能力相统一的任务分配方案,加快了整个***的计算能力,保证了所有设备的硬件资源利用率和巡检工作效率,解决了单边服务器计算量较大的问题,从而带来更好的经济收益;巡检实时性好,由于移动计算模块和边缘计算模块只用于图像的异常检测和局部图片切割,对于正常的图片区域不会继续检测异常问题,大大减少了模型的计算量,加上利用5G网络传输数据,减少了模型权重传输时的延迟问题,从而保证了***的工作实时性;类别识别标签广,云端计算模块不需要去检测是否有异常特征,整个类别模型均用于异常标签的分类,大幅度减少了模型结构冗余性,通过高性能服务器和深层神经网络的结合,相比单边服务器,能够有更多的计算能力用于标签识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种边云协同的电力物联网智能巡检方法的流程示意图;
图2为本发明第二个实施例所述的一种边云协同的电力物联网智能巡检***的移动计算模块的工作原理图;
图3为本发明第二个实施例所述的一种边云协同的电力物联网智能巡检***的边缘计算模块的工作原理图;
图4为本发明第二个实施例所述的一种边云协同的电力物联网智能巡检***的***工作原理图;
图5为本发明第二个实施例所述的一种边云协同的电力物联网智能巡检***的***工作流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了一种边云协同的电力物联网智能巡检方法,包括:
S1:收集无人机采集的信息。其中需要说明的是,采集的信息包括,图像信息、定位信息、时间信息。
S2:对手机的信息进行卷积操作提取特征信息,并利用5G核心网对特征信息和序号总数进行传输。其中需要说明的是,
序号总数包括,序号总数的计算公式如下所示:
其中,l为输入图像长度,w为输入图像宽度,k为卷积核大小,m为增大系数。
S3:利用特征提取信息和序号进行全连接操作,判断异常特征。其中需要说明的是,
全连接操作包括,对特征信息,根据序号以维度方向进行切割信息,并对特征模型进行全连接操作计算,输出个标签的概率值;
其中:xo为矩阵长度,yo为矩阵宽度,zo为矩阵维度;特征模型包括,特征模型的标签类型包括电力线、草坪、天空、铁塔和未知类型。
S4:对异常特征的信息进行类别识别。其中需要说明的是,
未知类型包括,未知类型的标签概率值最大,并且对未知类型的序号进行标记,并将标记信号信息进行类别识别。
S5:输出异常信息以及信息类别,完成巡检。其中需要说明的是,
根据像素点位置裁剪出特征区域图片,进行类别模型的识别操作计算,输出图片的具体类型信息。
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例中选择一种基于物联网的可视化巡检方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果;
本发明方法是一种边云协同的电力物联网智能巡检方法,选取三种不同长度的电力线实验组验证本发明,分别为1km、5km和10km的电力线,其中使用传统基于物联网的可视化巡检方法,通过拍照、录像等方式采集电力线的信息并进行存储,巡检人员针对采集到的信息进行远程查看并分析,判断是否出现异常情况;而使用本发明方法,通过无人机采集信息,并利用边缘计算挑选出异常情况的信息并进行图像分割,识别异常情况的类别并输出结果;在三组电力线实验组使用两种方法进行巡检后,利用MATLB软件实现两种方法的巡检时间的测试,测试结果以小时为指标,测试结果如下表1所示,
表1:电力线实验组的实验结果
从表1可以看出,在三组实验数据中,使用两种巡检方法都随着电力线的增长时间也随之增长,但是在使用传统可视化巡检方法时,巡检所用的时间与使用本发明方法所用的时间相比,使用本发明方法明显缩减了巡检时间,尤其当巡检范围较大时,缩减的时间要更多,本发明方法只对异常图像进行局部切割,减少了***的计算量提高了管理效率;并且本发明方法使用无人机进行巡检,可以应对不同的环境,实用性也大大提高。
实施例2
参照图2~5,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种边云协同的电力物联网智能巡检***,包括:移动计算模块100、边缘计算模块200和云端计算模块300,其中需要说明的是,
移动计算模块100用于采集数据信息并且完成特征模型的卷积部分计算,包括无人机单元101、采集单元102、计算单元103、存储单元104以及5G通信单元105,其中无人机单元101用于提供整个移动计算模块的运动能力,采集单元102连接于采集无人机单元101,用于采集无人机单元101当前拍摄的图像信息和定位信息,计算单元103连接于采集单元102和边缘计算模块200,用于对采集的信息以及异常特征的特征信息标签,进行初步计算并给出相应的特征提取信息,存储单元104连接于采集单元102和计算单元103,用于存储采集单元102的采集信息和计算单元103给出的提取信息,5G通信单元105用于连接边缘计算模块200和云端计算模块300,进行存储单元中的信息的相互传输;边缘计算模块200通过5G网络连接于移动计算模块100,用于判断移动计算模块100采集信息的异常特征,包括5G核心网的用户平面单元201和移动边缘计算服务器202,5G核心网的用户平面单元201用于排查采集信息的传输,并将信息传输至移动边缘计算服务器202进行边缘计算,判断信息的异常特征并将特征信息标签传输至移动计算模块100;云端计算模块300通过5G网络连接于移动计算模块100,用于对异常特征进行分类并输出异常信息及特征,包括云服务器301和控制台302,云服务器301用于完成特征信息的分类并将分类信息传输至控制台302,控制台302用于总***的监控和决策。
不难理解的是,本实施例中所提供的***,其涉及移动计算模块100、边缘计算模块200和云端计算模块300的连接关系,例如可以是运行在计算机可读程序,通过提高各模块的程序数据接口实现。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“***”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种边云协同的电力物联网智能巡检方法,其特征在于:包括,
收集无人机采集的信息;
对所述收集的信息进行卷积操作提取特征信息,并利用5G核心网对所述特征信息和序号总数进行传输,所述序号总数为卷积层输出图像的长宽乘积,利用原始图像的像素数量、局部图片的像素点数量以及增大系数,两者相除得出序号总数,序号总数的计算公式如下所示:
其中,l为输入图像长度,w为输入图像宽度,k为卷积核大小,m为增大系数;
利用所述特征提取信息和所述序号进行全连接操作,判断异常特征,对所述特征信息,根据序号以维度方向进行切割信息,并对特征模型进行全连接操作计算,输出个标签的概率值;
对所述异常特征的信息进行类别识别,所述进行类别识别包括,
根据所述像素点位置裁剪出特征区域图片,进行类别模型的识别操作计算,输出图片的具体类型信息;
输出所述异常特征以及所述信息类别,完成巡检。
3.如权利要求2所述的边云协同的电力物联网智能巡检方法,其特征在于:所述特征模型包括,
所述特征模型的标签类型包括电力线、草坪、天空、铁塔和未知类型。
4.如权利要求3所述的边云协同的电力物联网智能巡检方法,其特征在于:所述未知类型包括,
所述未知类型的标签概率值最大,并且对所述未知类型的序号进行标记,并将标记信号信息进行类别识别。
5.如权利要求4所述的边云协同的电力物联网智能巡检方法,其特征在于:所述采集的信息包括,
图像信息、定位信息、时间信息。
6.如权利要求1所述的边云协同的电力物联网智能巡检方法构成的一种边云协同的电力物联网智能巡检***,其特征在于,包括,
移动计算模块(100)用于采集数据信息并且完成特征模型的卷积部分计算;
边缘计算模块(200)通过5G网络连接于所述移动计算模块(100),用于判断所述移动计算模块(100)采集信息的异常特征,包括5G核心网的用户平面单元(201)和移动边缘计算服务器(202),所述5G核心网的用户平面单元(201)用于排查所述采集信息的传输,并将信息传输至所述移动边缘计算服务器(202)进行边缘计算,判断信息的异常特征并将特征信息标签传输至所述移动计算模块(100);
云端计算模块(300)通过5G网络连接于所述移动计算模块(100),用于对异常特征进行分类并输出所述异常特征,包括云服务器(301)和控制台(302),所述云服务器(301)用于完成特征信息的分类并将分类信息传输至所述控制台(302),所述控制台(302)用于总***的监控和决策。
7.如权利要求6所述的边云协同的电力物联网智能巡检***,其特征在于:所述移动计算模块(100)包括,
无人机单元(101)、采集单元(102)、计算单元(103)、存储单元(104)以及5G通信单元(105),其中所述无人机单元(101)用于提供整个移动计算模块的运动能力,所述采集单元(102)用于采集无人机单元(101)当前拍摄的图像信息和定位信息,所述计算单元(103)用于对所述采集单元(102)采集的信息以及所述边缘计算模块(200)计算的特征信息标签,进行初步计算并给出相应的特征提取信息,所述存储单元(104)用于存储所述采集单元(102)的采集信息和所述计算单元(103)给出的提取信息,所述5G通信单元(105)用于连接所述边缘计算模块(200)和云端计算模块(300),进行存储单元中的信息的相互传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261336.5A CN112367400B (zh) | 2020-11-12 | 2020-11-12 | 一种边云协同的电力物联网智能巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011261336.5A CN112367400B (zh) | 2020-11-12 | 2020-11-12 | 一种边云协同的电力物联网智能巡检方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112367400A CN112367400A (zh) | 2021-02-12 |
CN112367400B true CN112367400B (zh) | 2022-04-29 |
Family
ID=74515393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011261336.5A Active CN112367400B (zh) | 2020-11-12 | 2020-11-12 | 一种边云协同的电力物联网智能巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112367400B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011297A (zh) * | 2021-03-09 | 2021-06-22 | 全球能源互联网研究院有限公司 | 基于边云协同的电力设备检测方法、装置、设备及服务器 |
CN113095506A (zh) * | 2021-03-25 | 2021-07-09 | 北京大学 | 基于端、边及云协同的机器学习方法、***及介质 |
CN112947585A (zh) * | 2021-04-09 | 2021-06-11 | 广东电网有限责任公司电力调度控制中心 | 基于5g云边端协同的电网无人机巡检方法、装置和*** |
CN113660009B (zh) * | 2021-09-29 | 2022-09-09 | 广东电网有限责任公司 | 配用电通信的测试***及测试方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110417120A (zh) * | 2019-06-26 | 2019-11-05 | 广东康云科技有限公司 | 一种变电站实景三维智能巡检***及方法 |
CN110544489A (zh) * | 2019-04-16 | 2019-12-06 | 江苏慧中数据科技有限公司 | 一种基于边云智能架构的异常声音检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729808B (zh) * | 2017-09-08 | 2020-05-01 | 国网山东省电力公司电力科学研究院 | 一种用于输电线路无人机巡检的图像智能采集***及方法 |
US10679330B2 (en) * | 2018-01-15 | 2020-06-09 | Tata Consultancy Services Limited | Systems and methods for automated inferencing of changes in spatio-temporal images |
KR20200072307A (ko) * | 2018-12-12 | 2020-06-22 | 삼성전자주식회사 | 뉴럴 네트워크에서의 부하 균형을 위한 장치 및 방법 |
CN110287945B (zh) * | 2019-07-04 | 2021-03-16 | 浪潮集团有限公司 | 一种5g环境下无人机目标检测方法 |
CN110633629A (zh) * | 2019-08-02 | 2019-12-31 | 广东电网有限责任公司清远供电局 | 基于人工智能的电网巡检方法、装置、设备及存储介质 |
CN111272148B (zh) * | 2020-01-20 | 2021-08-31 | 江苏方天电力技术有限公司 | 输电线路无人机自主巡检自适应成像质量优化方法 |
CN111784026B (zh) * | 2020-05-28 | 2022-08-23 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
CN111784685B (zh) * | 2020-07-17 | 2023-08-18 | 国网湖南省电力有限公司 | 一种基于云边协同检测的输电线路缺陷图像识别方法 |
CN111860439A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种无人机巡检图像缺陷检测方法、***及设备 |
-
2020
- 2020-11-12 CN CN202011261336.5A patent/CN112367400B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544489A (zh) * | 2019-04-16 | 2019-12-06 | 江苏慧中数据科技有限公司 | 一种基于边云智能架构的异常声音检测方法 |
CN110417120A (zh) * | 2019-06-26 | 2019-11-05 | 广东康云科技有限公司 | 一种变电站实景三维智能巡检***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112367400A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112367400B (zh) | 一种边云协同的电力物联网智能巡检方法及*** | |
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN110674861B (zh) | 一种输变电巡检图像智能分析方法及装置 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
Wang et al. | Recognition and drop-off detection of insulator based on aerial image | |
CN110580475A (zh) | 基于无人机巡检的线路诊断方法、电子装置及存储介质 | |
CN111639815A (zh) | 一种多模型融合预测电网缺陷物资的方法及*** | |
Mao et al. | Development of power transmission line defects diagnosis system for UAV inspection based on binocular depth imaging technology | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN113238578A (zh) | 一种电力杆塔无人机巡检路线规划方法及*** | |
US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
Zheng et al. | Component identification and defect detection in transmission lines based on deep learning | |
CN104239899A (zh) | 一种用于无人机巡检的输电线路间隔棒识别方法 | |
CN109297978A (zh) | 基于双目成像的电力线路无人机巡检及缺陷智能诊断*** | |
CN111723749A (zh) | 一种安全帽佩戴识别方法、***及设备 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检***及巡检方法 | |
CN114881997A (zh) | 一种风电机组缺陷评估方法及相关设备 | |
CN115660647A (zh) | 一种建筑外墙的维护方法 | |
CN116363157A (zh) | 一种架空输电线边缘定位方法、***、电子设备及介质 | |
CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
Chen et al. | Improved YOLOv5s model for key components detection of power transmission lines. | |
CN117132531A (zh) | 一种基于轻量化的YOLOv5的绝缘子缺陷检测方法 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 |
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 |