CN112380907A - 一种变电设备缺陷智能图像识别方法及其管理*** - Google Patents
一种变电设备缺陷智能图像识别方法及其管理*** Download PDFInfo
- Publication number
- CN112380907A CN112380907A CN202011122094.1A CN202011122094A CN112380907A CN 112380907 A CN112380907 A CN 112380907A CN 202011122094 A CN202011122094 A CN 202011122094A CN 112380907 A CN112380907 A CN 112380907A
- Authority
- CN
- China
- Prior art keywords
- image
- defects
- power transformation
- handheld terminal
- transformation equipment
- 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 79
- 230000009466 transformation Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007689 inspection Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 230000002159 abnormal effect Effects 0.000 description 8
- 239000012212 insulator Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明首先公开了一种变电设备缺陷智能图像识别方法，包括以下步骤：S1：使用手持终端对变电设备进行拍摄，以获取变电设备的巡检图像；S2：通过手持终端的软件巡检图像进行处理后输出目标识别图像，再对目标识别图像进行缺陷识别，并输出识别结果；S3：缺陷识别结束后，自动生成本次巡检简报，同时将巡检图像和识别结果通过网络上传至主站。其次公开了一种变电设备缺陷智能图像识别管理***，包括主站、数据库服务器、手持终端；其中，所述主站与数据库服务器网络连接；所述主站与手持终端通信连接。本发明能够及时发现并消除变电设备缺陷，防止设备事故发生，对设备状态起到有效监管。
Description
技术领域
本发明涉及变电设备缺陷智能识别领域，更具体地，涉及一种变电设备缺陷智能图像识别方法及其管理***。
背景技术
在运行过程中，变电设备可能出现设备复合绝缘外套开裂、SF6充气设备压力下降等缺陷。若上述缺陷未能及时发现，可能导致设备短路、跳闸，甚至***，引发大面积停电等事故，造成巨大的经济损失。为防止变电设备事故发生，如何及时发现并消除绝缘子套管设备和SF6充气设备仪表的缺陷，成为研发的重心。
在现有技术中，公开号为CN110567964A的中国发明专利，于2019年12月13日公开了一种检测变电设备缺陷的方法、装置及存储介质，在一定程度上实现了通过可见光图像来判断变电设备表面是否存在缺陷，以及通过红外图像来判断变电设备内部是否存在缺陷，但是并未能解决上述问题，因此，用户急需一种变电设备缺陷智能图像识别方法及其管理***。
发明内容
本发明为解决变电设备缺陷不能及时识别的问题，提供了一种变电设备缺陷智能图像识别方法及其管理***。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
首先公开了一种变电设备缺陷智能图像识别方法，包括以下步骤：S1：使用手持终端对变电设备进行拍摄，以获取变电设备的巡检图像；S2：通过手持终端的软件巡检图像进行处理后输出目标识别图像，再对目标识别图像进行缺陷识别，并输出识别结果；S3：缺陷识别结束后，自动生成本次巡检简报，同时将巡检图像和识别结果通过网络上传至主站。
优选地，步骤S1、S2中所述手持终端为集成高清摄像头和嵌入式单元的便携式设备。
优选地，步骤S2中对手持终端所获取的巡检图像进行处理，其过程包括：图像输入、图像灰度化、图像增强、图像去噪与平滑、图像二值化、输出目标识别图像。
优选地，步骤S2中采用卷积神经网络算法对目标识别图像进行缺陷识别，其过程包括：图像预处理、特征提取、神经网络识别、输出识别结果。
优选地，步骤S3中若识别结果为图像存在缺陷，则手持终端发出缺陷告警；若识别结果为图像不存在缺陷，则手持终端发出正常提示。
其次公开了一种变电设备缺陷智能图像识别管理***，包括主站、数据库服务器、手持终端；其中，所述主站与数据库服务器网络连接；所述主站与手持终端通信连接。
优选地，所述主站采用Spring框架技术和MVC层级技术构建了本管理***的功能模块，所述功能模块包括***用户管理模块、日志行为管理模块、设备台账信息模块、手持终端管理模块、智能图像识别算法模块、巡检结果分析模块。
优选地，所述数据库服务器通过导入数据表格形式自动建立各间隔与变电设备之间的关系。
优选地，所述数据库服务器采用NoSQL非关系型数据库存储图像信息。
优选地，所述数据库服务器采用MySQL关系型数据库存储台账信息，并建立台账信息和图像信息的关联。
与现有技术相比，本发明技术方案的有益效果是：
本发明首先提出了一种变电设备缺陷智能图像识别方法，在对变电设备进行巡视时，通过手持终端实现既拍照即识别，并将巡检图像数据和识别结果上传至主站，及时处理设备缺陷，防止事故发生；其次提出了一种变电设备缺陷智能图像识别管理***，由主站、数据库服务器、手持终端组成，通过手持终端实现变电设备缺陷智能图像识别，通过数据库服务器实现图像数据和台账信息关联，通过主站获取巡检图像和识别结果，并实现设备故障追溯和设备状态的监管。
附图说明
图1为本发明所述方法步骤图；
图2为本发明所述方法中变电设备巡检流程图；
图3为本发明所述方法中巡检图像处理流程图；
图4为本发明所述方法中缺陷识别流程图；
图5为本发明所述***结构示意图；
图6为本发明所述***功能模块示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，首先，一种变电设备缺陷智能图像识别方法，包括以下步骤：S1：使用手持终端对变电设备进行拍摄，以获取变电设备的巡检图像；S2：通过手持终端的软件巡检图像进行处理后输出目标识别图像，再对目标识别图像进行缺陷识别，并输出识别结果；S3：缺陷识别结束后，自动生成本次巡检简报，同时将巡检图像和识别结果通过网络上传至主站。
上述方案中，如图2所示，变电设备的巡检流程为：先选择变电设备(如绝缘子和SF6充气设备仪表)，再采用手持终端拍摄变电设备的巡检图像，然后通过手持终端的软件对巡检图像进行处理得到目标识别图像，以及通过手持终端的缺陷智能图像识别模型对目标识别图像进行缺陷识别并输出识别结果，最后完成巡检生成本次简报并将巡检图像数据和识别结果通过有线或无线的方式上传至主站。
具体地，步骤S1、S2中所述手持终端为集成高清摄像头和嵌入式单元的便携式设备。
上述方案中，手持终端通过高清摄像头实现拍照功能，通过嵌入式单元进行缺陷智能图像识别模型的训练和识别；巡检人员使用该设备，能够实现即拍照即识别、诊断和预警。
如图3所示，具体地，步骤S2中对手持终端所获取的巡检图像进行处理，其过程包括：图像输入、图像灰度化、图像增强、图像去噪与平滑、图像二值化、输出目标识别图像。
上述方案中，对巡检图像进行处理的目的在于凸显绝缘子和SF6充气设备仪表的轮廓，去除干扰，以发现复合绝缘外套表面微小裂缝缺陷、SF6充气设备压力下降缺陷，并对缺陷是否符合标准以及缺陷等级进行判别。
如图4所示，具体地，步骤S2中采用卷积神经网络算法对目标识别图像进行缺陷识别，其过程包括：图像预处理、特征提取、神经网络识别、输出识别结果。
上述方案中，卷积神经网络算法包括卷积层、激活层、池化层和全连接层，各部分基本原理如下：①卷积层：层与层之间相互连接的特征图由一个或者多个卷积核(也称过滤器Filter)通过卷积运算提取像素级图像特征，卷积运算的结果经过激活函数映射变换后构成了从输入到输出的特征映射关系；每一个卷积核采用类似滑动窗口的机制遍历整个特征图，卷积核将每一小块区域的特征信息汇聚、融合完成图像一个小的局部区域特征的刻画；本发明卷积层形式为z(x,y)＝f(x,y)*g(x,y)＝m∑nf(x-m,y-n)g(m,n)，其中，f代表输入，通常为2维图像，g代表卷积核，m和n分别为卷积核的尺寸；一幅长宽为32*32包含RGB三通道的变电设备彩色图像作为输入，即输入尺寸为3*32*32；假定含有20个5*5的卷积核，以0个零填充，步进为1作为超参数，则经过卷积层的输出为20*(32–5+1)*(32–5+1)；作为参数共享，经过卷积层后每一个卷积核产生了(5*5)*3＝75个权值参数，那么总共产生了(5*5)*3*20＝1500个权值参数；②激活层：主要在卷积网络中设置激活函数，其本质是一种函数映射，对输入数据进行映射变换，提供网络的非线性建模能力；在运算过程中，逐元素计算，不改变原始数据的尺寸，即输入和输出的数据尺寸相等；本发明使用具备自学***移不变性，极大地减少了参数数量和网络中的计算量；只是经过池化操作后，池化后特征图的深度和池化前的深度保持不变；④全连接层：全连接层的每一个神经元与前一层的每一个神经元全连接；网络最后输出的是输入图像的高层特征，然后经过分类器统计计算，输出该输入图像所对应类别标签的概率。
具体地，若步骤S3中识别结果为图像存在缺陷，则手持终端发出缺陷告警；若识别结果为图像不存在缺陷，则手持终端发出正常提示。
上述方案中，巡检人员能够通过手持终端对变电设备的缺陷进行智能图像识别和诊断，并在判别出缺陷时发出预警，提醒技术人员及时处理，防止设备事故发生。
如图5所示，其次，一种变电设备缺陷智能图像识别管理***，包括主站、数据库服务器、手持终端；其中，所述主站与数据库服务器网络连接；所述主站与手持终端通信连接。
上述方案中，主站负责接收手持终端上传的巡检图像和识别结果，并将图像信息存储在数据库服务器中；数据库服务器除了存储巡检图像信息，还负责存储设备台账信息，且对巡检图像信息和设备台账信息进行关联管理；此外，主站还可以接收第三方设备(如机器人、无人机等)获取的巡检图像；数据库服务器还可以与电网业务处理平台进行信息交互，根据需要进行数据调取。
如图6所示，具体地，所述主站采用Spring框架技术和MVC层级技术构建了本管理***的功能模块，所述功能模块包括***用户管理模块、日志行为管理模块、设备台账信息模块、手持终端管理模块、智能图像识别算法模块、巡检结果分析模块。
上述方案中，主站建立功能模块，对变电设备台账信息、缺陷图像信息、巡视记录信息、缺陷识别报告信息进行管理，提供智能识别算法训练功能，提供信息管理的可视化功能；具体如下：①***用户管理模块，功能菜单包括“用户基本信息”，存储用户的基本信息；还包括“角色权限管理”，可针对每个用户配置相应的权限，使得功能菜单只对具有权限的用户开放，针对不同用户类型开放不同的功能菜单，确保信息安全；②日志行为管理模块，功能菜单包括“查询日志记录”，能够实现对每一个用户的操作日志进行管理，有效提升***的安全性，也方便后期管理人员进行***的维护升级；③设备台账信息模块，功能菜单包括“绝缘子设备台账信息管理”和“SF6仪表台账信息管理”，分别对绝缘子和SF6充气设备仪表的台账基础数据进行字段规范整理，并在日常台账数据中提取出需要管理的信息，利用信息化手段，对台账基础数据做到全面、快捷、高效的管理，且可以实现导入与导出功能，一方面能将现有变电设备信息以Excel形式导入，另一方面也能将***中的变电设备信息以Excel形式导出；④手持终端管理模块，功能菜单包括“基本信息”，能实现对手持终端基本信息的管理，可增加修改和删除手持终端基本信息记录，所管理的手持终端基本信息有手持终端型号、使用者、所属站点编号、资产编号等；还包括“软件升级”，用户可通过数据线或者WIFI连接手持终端和主站，对手持终端上的软件进行升级；还包括“数据导入”，可把主站记录的设备台账信息、历史巡视信息同步至手持终端；还包括“数据导出”，可把手持终端拍摄的巡检图像信息、识别结果、巡检记录信息同步至主站中；还包括“巡检报告”，可显示本次或历史巡检报告，显示内容有设备功能位置、设备名称、巡视时间、是否存在异常、异常绝缘子数量、异常SF6仪表个数、异常明细；还包括“异常信息”，可实时显示变电设备的异常信息，显示内容有识别时间、间隔名称、设备名称、异常结果；⑤智能图像识别算法模块，功能菜单包括“算法训练”，可实现对变电设备缺陷故障诊断算法的训练操作，实际应用过程中，可能遇到一些设备缺陷在之前算法训练时没遇到的情况，可针对新的变电设备缺陷类型进行算法训练，并将训练好的算法模型下载至嵌入式单元中，使嵌入式单元中的缺陷识别算法保持最新状态；还包括“设备缺陷智能识别”，可对批量上传或单独上传的设备图像进行缺陷识别，并形成PDF、Word和Excel文件格式的设备缺陷识别报告以供下载；⑥巡检结果分析模块，功能菜单包括“巡检结果总览”，显示内容有当次巡检总设备数、绝缘子数、SF6仪表数、异常设备数量、告警等；还包括“巡检结果浏览”，可在线查看历次巡视的记录，并显示每次的巡视人员、巡视时间、巡视内容、巡视结果、是否存在设备缺陷等信息；还包括“异常告警查询”，可根据时间、设备名称筛选条件，查询设备异常告警信息，告警信息有巡视时间、间隔名称、设备编号、设备名称、巡检结果；还包括“巡检报告”，可下载PDF、Word和Excel格式的缺陷报告文件，缺陷报告文件内容有巡视时间、设备名称、巡视人员、缺陷信息等。
具体地，所述数据库服务器通过导入数据表格形式自动建立各间隔与变电设备之间的关系。
上述方案中，建立变电站中各间隔与变电设备的关系，当巡检人员对不同间隔的变电设备进行巡检时，可以分别记录在数据表格的相应位置。
具体地，所述数据库服务器采用NoSQL非关系型数据库存储图像信息。
上述方案中，通过NoSQL非关系型数据库实现变电设备图像数据的管理。
具体地，所述数据库服务器采用MySQL关系型数据库存储台账信息，并建立台账信息和图像信息的关联。
上述方案中，通过MySQL关系型数据库建立变电设备台账信息数据库，实现图像数据、台账信息、告警信息、报告信息等的关联管理。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种变电设备缺陷智能图像识别方法，其特征在于，包括以下步骤：
S1：使用手持终端对变电设备进行拍摄，以获取变电设备的巡检图像；
S2：通过手持终端的软件巡检图像进行处理后输出目标识别图像，再对目标识别图像进行缺陷识别，并输出识别结果；
S3：缺陷识别结束后，自动生成本次巡检简报，同时将巡检图像和识别结果通过网络上传至主站。
2.根据权利要求1所述的一种变电设备缺陷智能图像识别方法，其特征在于，步骤S1、S2中所述手持终端为集成高清摄像头和嵌入式单元的便携式设备。
3.根据权利要求1所述的一种变电设备缺陷智能图像识别方法，其特征在于，步骤S2中对手持终端所获取的巡检图像进行处理，其过程包括：图像输入、图像灰度化、图像增强、图像去噪与平滑、图像二值化、输出目标识别图像。
4.根据权利要求1所述的一种变电设备缺陷智能图像识别方法，其特征在于，步骤S2中采用卷积神经网络算法对目标识别图像进行缺陷识别，其过程包括：图像预处理、特征提取、神经网络识别、输出识别结果。
5.根据权利要求1所述的一种变电设备缺陷智能图像识别方法，其特征在于，步骤S3中若识别结果为图像存在缺陷，则手持终端发出缺陷告警；若识别结果为图像不存在缺陷，则手持终端发出正常提示。
6.一种变电设备缺陷智能图像识别管理***，其特征在于，包括主站、数据库服务器、手持终端；其中，所述主站与数据库服务器网络连接；所述主站与手持终端通信连接。
7.根据权利要求6所述的一种变电设备缺陷智能图像识别管理***，其特征在于，所述主站采用Spring框架和MVC层级构建了所述管理***的功能模块，所述功能模块包括***用户管理模块、日志行为管理模块、设备台账信息模块、手持终端管理模块、智能图像识别算法模块、巡检结果分析模块。
8.根据权利要求6所述的一种变电设备缺陷智能图像识别管理***，其特征在于，所述数据库服务器通过导入数据表格形式自动建立各间隔与变电设备之间的关系。
9.根据权利要求6所述的一种变电设备缺陷智能图像识别管理***，其特征在于，所述数据库服务器采用NoSQL非关系型数据库存储图像信息。
10.根据权利要求6所述的一种变电设备缺陷智能图像识别管理***，其特征在于，所述数据库服务器采用MySQL关系型数据库存储台账信息，并建立台账信息和图像信息的关联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011122094.1A CN112380907A (zh) | 2020-10-20 | 2020-10-20 | 一种变电设备缺陷智能图像识别方法及其管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011122094.1A CN112380907A (zh) | 2020-10-20 | 2020-10-20 | 一种变电设备缺陷智能图像识别方法及其管理*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112380907A true CN112380907A (zh) | 2021-02-19 |
Family
ID=74581689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011122094.1A Pending CN112380907A (zh) | 2020-10-20 | 2020-10-20 | 一种变电设备缺陷智能图像识别方法及其管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380907A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011954A (zh) * | 2021-04-23 | 2021-06-22 | 贵州兴泰科技有限公司 | 一种多功能物联识别查询设备台账管理*** |
| CN114154562A (zh) * | 2021-11-15 | 2022-03-08 | 国网河北省电力有限公司电力科学研究院 | 一种检测智能监拍终端图像识别能力的装置及方法 |
| CN114627119A (zh) * | 2022-05-16 | 2022-06-14 | 山东通广电子有限公司 | 基于视觉神经网络的外观缺陷智能识别***及识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190191805A1 (en) * | 2017-12-22 | 2019-06-27 | State Grid Hunan Electric Power Company Limited | Wearable equipment for substation maintenance mobile inspection and application method thereof |
| CN110648420A (zh) * | 2019-09-20 | 2020-01-03 | 云南恒协科技有限公司 | 一种调度主站***设备智能化巡检*** |
| CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
| CN111510688A (zh) * | 2020-05-19 | 2020-08-07 | 国网上海市电力公司 | 一种带无人巡检功能的变电站智能辅控方法 |
-
2020
- 2020-10-20 CN CN202011122094.1A patent/CN112380907A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190191805A1 (en) * | 2017-12-22 | 2019-06-27 | State Grid Hunan Electric Power Company Limited | Wearable equipment for substation maintenance mobile inspection and application method thereof |
| CN110648420A (zh) * | 2019-09-20 | 2020-01-03 | 云南恒协科技有限公司 | 一种调度主站***设备智能化巡检*** |
| CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
| CN111510688A (zh) * | 2020-05-19 | 2020-08-07 | 国网上海市电力公司 | 一种带无人巡检功能的变电站智能辅控方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011954A (zh) * | 2021-04-23 | 2021-06-22 | 贵州兴泰科技有限公司 | 一种多功能物联识别查询设备台账管理*** |
| CN114154562A (zh) * | 2021-11-15 | 2022-03-08 | 国网河北省电力有限公司电力科学研究院 | 一种检测智能监拍终端图像识别能力的装置及方法 |
| CN114627119A (zh) * | 2022-05-16 | 2022-06-14 | 山东通广电子有限公司 | 基于视觉神经网络的外观缺陷智能识别***及识别方法 |
| CN114627119B (zh) * | 2022-05-16 | 2022-08-02 | 山东通广电子有限公司 | 基于视觉神经网络的外观缺陷智能识别***及识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380907A (zh) | 一种变电设备缺陷智能图像识别方法及其管理*** | |
| CN111091609B (zh) | 一种基于三维动态建模的变电站现场作业管控***和方法 | |
| CN110415220A (zh) | 一种大型水电站的设备智能巡检方法 | |
| CN110598655B (zh) | 人工智能云计算多光谱烟雾高温火花火灾监控方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN104573155B (zh) | 一种近地表pm2.5浓度估算方法及估算*** | |
| CN110379036A (zh) | 变电站智能巡检识别方法、***、装置及存储介质 | |
| CN111104622A (zh) | 一种基于webgl的三维gis智能监控方法及装置 | |
| CN108537422A (zh) | 安全风险预警***和方法 | |
| CN111311133B (zh) | 一种应用于电网生产设备的监测*** | |
| CN108389007A (zh) | 安全风险管控***和方法 | |
| CN115395646B (zh) | 一种数字孪生式牵引变电所智慧运维*** | |
| CN110568310A (zh) | 一种输电线路可视化在线监测*** | |
| CN110232089A (zh) | 一种三维城市供电服务指挥中心数据可视化方法 | |
| CN112186901B (zh) | 一种变电站全景感知监控方法及*** | |
| CN113541315A (zh) | 变电信息综合处理*** | |
| CN113343998A (zh) | 电力机械表计读数监测***、方法、计算机设备及应用 | |
| CN111915032A (zh) | 一种基于ar技术对设备使用和维护方法 | |
| CN116720242A (zh) | 一种高压电缆隧道数字孪生全景监测*** | |
| CN114995259A (zh) | 一种用于电网配电室巡检的智能无人***及飞行巡检方法 | |
| CN110706365A (zh) | 一种用于电力设备图像特征数据建模方法 | |
| CN111709597B (zh) | 一种电网生产域运营监测*** | |
| CN109188153A (zh) | 一种高压开关设备三维全景智能状态监测*** | |
| CN116524428A (zh) | 基于目标检测及场景融合的电力作业安全风险识别方法 | |
| CN115424212A (zh) | 一种电力作业现场违章识别***及其应用 |
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 |