CN112669316A - 电力生产异常监控方法、装置、计算机设备和存储介质 - Google Patents

电力生产异常监控方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112669316A
CN112669316A CN202110130443.2A CN202110130443A CN112669316A CN 112669316 A CN112669316 A CN 112669316A CN 202110130443 A CN202110130443 A CN 202110130443A CN 112669316 A CN112669316 A CN 112669316A
Authority
CN
China
Prior art keywords
detection
abnormal
scene image
image
leakage
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
Application number
CN202110130443.2A
Other languages
English (en)
Other versions
CN112669316B (zh
Inventor
汪志强
张豪
陈满
卢勇
刘涛
李建辉
吕志鹏
林恺
韩玉麟
巩宇
陆传德
黄发满
景增明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Original Assignee
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd filed Critical Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority to CN202110130443.2A priority Critical patent/CN112669316B/zh
Priority to LU502731A priority patent/LU502731B1/en
Priority to PCT/CN2021/079282 priority patent/WO2022160413A1/zh
Publication of CN112669316A publication Critical patent/CN112669316A/zh
Application granted granted Critical
Publication of CN112669316B publication Critical patent/CN112669316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Secondary Cells (AREA)

Abstract

本申请涉及一种电力生产异常监控方法、装置、计算机设备和存储介质。该方法包括：获取设置在电力生产现场的摄像头采集的工作场景图像；根据工作场景图像对应台账对象的检测频率，将工作场景图像输入到预先训练的检测模型，得到异常检测结果；在根据检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；若二次检测仍为异常，则发出异常报警。该方法能够提高检测的准确性和降低了虚警率，其中漏水漏油的二次识别采用与第一次识别的监测网络不同，比用相同网络结构识别具有更高的可靠性，而漏汽的二次识别通过匹配到监测对象对应的红外图像数据进行识别，从而提高了蒸汽的检测准确性。

Description

电力生产异常监控方法、装置、计算机设备和存储介质
技术领域
本申请涉及电力生产技术领域，特别是涉及一种电力生产异常监控方法、装置、计算机设备和存储介质。
背景技术
一座装机容量为1200MW的抽水蓄能电厂生产区域有超过200路摄像头。一个500kV变电站生产区域有超过100路摄像头。过去仅能依靠人工进行现场视频查阅，海量视频数据无法应用于数据分析，工业电视***也仅为事后分析或查看确认的***。同时自动化传感器无法完全感知设备漏油、漏水、零件脱落等异常情况。依赖于严格的管理，依靠认真负责的巡检员也无法做到全范围全时段覆盖的理想巡检效果。
电厂/变电站设备种类众多，包含油、水、气、电设备。由于密封性能下降、零部件缺损脱落等机械缺陷原因，生产过程中设备漏水、漏油、漏气的“三漏”时有发生。生产设备出现漏油、漏水和漏汽等异常情况不及时发现，往往会导致缺陷影响升级导致主设备停运，甚至带来其它安全事故。燃气电厂/火电厂中高温蒸汽泄露往往会因为热质泄露带来机组发电效率降低进而影响到整个机组的经济性指标。此外高温蒸汽泄漏还可能会给运维人员带来人身伤害。因此，在电厂生产中急需应用光学/红外摄像头对漏油、漏水、漏汽进行主动检测以及时发现异常。
发明内容
基于此，有必要针对上述技术问题，提供一种管理简单且检测精度高的电力生产异常监控方法、装置、计算机设备和存储介质。
一种电力生产异常监控方法，所述方法包括：
获取设置在电力生产现场的摄像头采集的工作场景图像；
根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到预先训练的检测模型，得到异常检测结果；
在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；
若二次检测仍为异常，则发出异常报警。
在其中一个实施例中，根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到预先训练的检测模型，得到异常检测结果，包括：
获取所述工作场景图像对应台账对象的检测频率；
当达到所述检测频率对应的检测时间时，将所述工作场景图像输入到检测模型，通过所述检测模型对电力生产现场是否出现异常进行检测，输出分类结果和分类结果为异常时从所述工作场景图像分割出来的异常区域分割结果；所述分类结果包括：正常、漏油、漏汽和漏水。
在其中一个实施例中，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测，包括：
若异常类型为漏油和/或漏水，则将所述工作场景图像输入漏油漏水二次识别模型，所述漏油漏水二次识别模型采用残差网络结构，通过所述漏油漏水二次识别模型输出二次异常检测结果。
在其中一个实施例中，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测，包括：
若异常类型为漏汽，则获取工作场景图像对应台账对象的红外摄像头采集的红外图像；
将所述红外图像输入红外图像识别模型，通过所述红外图像识别模型的特征提取网络，提取红外图像特征，将所述红外图像特征输入分类器，得到是否漏汽的二次异常检测结果。
在其中一个实施例中，获取所述工作场景图像对应台账对象的检测频率，包括：
获取所述工作场景图像的摄像头名称和预置位；
根据所述摄像头名称和预置位匹配台账对象；
若匹配到单个台账对象，则获取所述台账对象对应的检测频率；
若匹配到多个台账对象，则获取多个所述台账对象中最小的检测频率。
在其中一个实施例中，训练检测模型的方式，包括：
获取图像样本集，所述图像样本集包括样本，以及对样本各像素点标注的分割标签；
根据所述图像样本集中标注的样本的分割标签，训练所述检测模型的特征提取网络和分割网络；
根据训练的所述特征提取网络和分割网络，得到样本的分类标签；
根据所述分类标签，对检测模型进行训练。
在其中一个实施例中，根据训练的所述特征提取网络和分割网络，得到样本的分类标签，包括：
将样本输入到检测模型，通过所述检测模型中训练的特征提取网络，提取图像特征；
将所述图像特征输入到训练的分割网络，输出异常区域的分割结果；
根据所述分割结果，生成所述样本的分类标签。
一种电力生产异常监控装置，所述装置包括：
图像获取模块，用于获取设置在电力生产现场的摄像头采集的工作场景图像；
检测模块，用于根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到检测模型，得到异常检测结果；
二次检测模块，用于在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；
报警模块，用于若二次检测仍为异常，则发出异常报警。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取设置在电力生产现场的摄像头采集的工作场景图像；
根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到预先训练的检测模型，得到异常检测结果；
在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；
若二次检测仍为异常，则发出异常报警。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取设置在电力生产现场的摄像头采集的工作场景图像；
根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到预先训练的检测模型，得到异常检测结果；
在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；
若二次检测仍为异常，则发出异常报警。
上述电力生产异常监控方法、装置、计算机设备和存储介质，通过采集生产现场的摄像头采集的工作场景图像，利用预先训练的检测模型，检测到异常后，再调用异常类型对应的二次异常检测模型对工作现场进行二次检测，利用神经网络的模型提取特征更高，进一步通过二次检测识别，提高检测的准确性和降低了虚警率。另外，采用该方法进行异常检测，只需在电力生产现场布置摄像头即可，摄像头的采集范围广，无需进行复杂布置，能够降低管理成本。
附图说明
图1为一个实施例中电力生产异常监控方法的应用环境图；
图2为一个实施例中电力生产异常监控方法的流程示意图；
图3A为一个实施例中漏水的工作场景图像；
图3B为一个实施例中从工作场景图像分割出漏水区域分割结果；
图4A为一个实施例中漏汽的工作场景图像；
图4B为一个实施例中从工作场景图像分割出漏汽区域分割结果；
图5A为一个实施例中漏油的工作场景图像；
图5B为一个实施例中从工作场景图像分割出漏油区域分割结果；
图6为一个实施例中训练所述检测模型的步骤的流程示意图；
图7为一个实施例中检测模型的结构示意图；
图8为一个实施例中分割网络的结构示意图；
图9为一个实施例中分类网络的结构示意图；
图10为一个实施例中电力生产异常监控装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
以下结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此。需指出的是，以下若有未特别详细说明之过程，均是本领域技术人员可参照现有技术实现或理解的。本申请提供的电力生产异常监控方法，可以应用于如图1所示的应用环境中。在电力生产现场设置了针对台账对象的摄像头102和红外摄像头104，摄像头102和红外摄像头104连接到控制室的监控终端106，监控终端接收摄像头采集的工作场景图像，接收红外摄像头采集的红外图像。
监控终端获取设置在电力生产现场的摄像头采集的工作场景图像；根据工作场景图像对应台账对象的检测频率，将工作场景图像输入到检测模型，得到异常检测结果；在根据检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；若二次检测仍为异常，则发出异常报警。
其中，监控终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机或平板电脑。
在一个实施例中，如图2所示，提供了一种电力生产异常监控方法，以该方法应用于图1中的监控终端为例进行说明，包括以下步骤：
步骤202，获取设置在电力生产现场的摄像头采集的工作场景图像。
具体地，在电力生产现场设置有摄像头，采集工作现场的图像。摄像头采集的图像存储在数据库中，文件名设置为摄像头名称+预置位+时间，名字存储进入数据库。如一个摄像头名称为“主厂房6.5米层#1机组中间过道(球机)”，预置位为“1”，时间为“2020-09-2416：13：14”，则对应的工作场景图像为“主厂房6.5米层#1机组中间过道(球机)1 2020-09-24 16：13：14”。其中，摄像头采集的视频在监视框中根据设定的间隔时间进行切换轮巡。
步骤204，根据工作场景图像对应台账对象的检测频率，将工作场景图像输入到预先训练的检测模型，得到异常检测结果。
其中，台账对象指的是电力生产设备。不同的电力生产设备的检测频率不同。如台账对象为#1机组、#2机组、#3机组、#4机组等设置的算法频率为30分钟/次，台账对象为400V#1机组动力盘、400V#1机组动力盘、400V#1机组动力盘、400V#1机组动力盘等设置的算法频率为60分钟/次，台账对象为#2机组调速器集油箱、#2机组调速器压油罐等设置的算法频率为10分钟/次等。
根据台账设备的检测频率，在达到检测时间时，将相应的工作场景图像输入到检测模型，得到异常检测结果。
其中，根据工作场景图像对应台账对象的检测频率，将工作场景图像输入到检测模型，得到异常检测结果，包括：获取工作场景图像对应台账对象的检测频率；当达到检测频率对应的检测时间时，将工作场景图像输入到检测模型，通过检测模型对电力生产现场是否出现异常进行检测，输出分类结果和分类结果为异常时从工作场景图像分割出来的异常区域分割结果；分类结果包括：正常、漏油、漏汽和漏水。
其中，漏油、漏汽和漏水就是存在的三种异常情况。
具体地，获取工作场景图像的摄像头名称和预置位；根据摄像头名称和预置位匹配台账对象；若匹配到单个台账对象，则获取台账对象对应的检测频率；若匹配到多个台账对象，则获取多个台账对象中最小的检测频率。
摄像头名称通常与其安装位置和摄像头类型有关，如摄像头名称“主厂房6.5米层#1机组中间过道(球机)”表示其安装位置在主厂房6.5米层#1机组中间过道，是球机类型的摄像头。预置位将被监视的重点区域与球机的运行状况联系在一起的方式。当云台运行到需要重点监视的地方，向球机发出设置预置点的命令，球机则将此时的云台的方位和摄像机的状态记录下来，并与该预置点的号码联系起来。当用户通过控制设备操作终端的监控云台监视目标时，操作人员可以把当前监视目标设置一个预置位，比如一个动点云台，可以365或360度全方位旋转监视；操作人员可以把一个某个电力生产设备的地点设置为预置位；设置好的预置位可以通过控制设备软件操作把当前位置保存在终端监控云台的解码器上。当用户需要快速监视某个监视目标时候；可以通过控制设备的调用命令来调出需要监视的位置。可以理解的是，不同的预置位对应不同的生产区域。
根据摄像头名称及其预置位匹配台账对象，如果若摄像头匹配的台账对象为单个对象，则将该台账对象设置的算法频率设置为该摄像头的数据送入算法检测的频率，若摄像头匹配的台账对象为多个对象，则按照其匹配的台账对象中最小的那一个频率设置为该摄像头的数据送入算法检测的频率。
另外根据摄像头的数据送入算法的频率可计算出服务器资源配置估算方法，计算方式如公式(1)
S＝(N×A)/T×B×C/D×E (1)
其中，S表示服务器所需资源估计值，N表示周期内高峰期执行算法总次数(周期内高峰期时长与算法频率的乘积)，A表示周期内高峰期时间与周期总时间的比值，T表示周期内高峰期持续时间，B表示算法实际运行相对于测试环境下的复杂程度比值，C表示为***未来发展冗余预留，需要根据应用***估算，D表示为***最佳利用率，因为***利用率过高产生***瓶颈，而利用率处于75％时，是处于利用率最佳状态。此值一般设定为C＝75％，E为测试环境下单次算法所需的资源量。
检测模型是预先根据标数据训练得到的，对工作场景是否出现异常进行检测，输出分类结果和分类为异常时从工作场景图像分割出来的异常区域分割结果；分类结果包括：正常、漏油、漏汽和漏水。其中，漏水是指蓄水池或水管等涉水部件发生渗漏、喷射或地面水浸等异常情况。漏油与漏水的情况类似，是指蓄油池或油管等含油部件发生渗漏、喷射或地面油浸等异常情况。漏汽包含高温蒸汽泄漏和白色蒸汽泄漏。
具体地，若分类结果为漏油、漏汽和漏水中的任一种，还从工作场景图像分割出异常区域分割结果，即图像所显示的异常部分。
如图3A所示，为漏水的工作场景图像，方框内为漏水区域，图3B则为从工作场景图像分割出漏水区域分割结果。如4A所示，为漏汽的工作场景图像，方框内为漏汽区域，图4B则为从工作场景图像分割出漏汽区域分割结果。如图5A为漏油的工作场景图像，方框内为漏油区域，图5B则为从工作场景图像分割出漏油区域分割结果。
步骤206，在根据检测模型得到工作现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测。
具体地，若检测模型得到的分类结果为漏油、漏汽和漏水中的任一种，则根据异常类型对应的二次异常检测模型对工作现场进行二次检测。也就是说，不同的异常类型对应不同的二次异常检测模型，针对异常类型，能够根据异常特别分别设置不同的二次异常检测模型，能够进一步提高检测的精确度。
步骤208，若二次检测仍为异常，则发出异常报警。
具体地，若二次检查仍为异常，则输出结果并进行报警，输出的报警结果包含摄像头名称、监测的对象，空间位置路径等，否则返回开始继续监测。
在识别到漏油、漏水和漏汽三种情况后，不单单只有报警提示，还会输出报警的摄像头名称及所监测的对象内容等。例如分类结果为漏油或者漏水，则输出结果并进行报警，输出的报警结果包含(摄像头名称、监测的对象，空间位置路径等)，否则返回开始继续监测。例如分类的结果为漏汽则输出结果并进行报警，输出的报警结果包含(摄像头名称、监测的对象，空间位置路径等)，否则返回开始继续监测。
上述的电力生产异常监控方法，通过采集生产现场的摄像头采集的工作场景图像，利用预先训练的检测模型，检测到异常后，再调用异常类型对应的二次异常检测模型对工作现场进行二次检测，利用神经网络的模型提取特征更高，进一步通过二次检测识别，提高检测的准确性和降低了虚警率。另外，采用该方法进行异常检测，只需在电力生产现场布置摄像头即可，摄像头的采集范围广，无需进行复杂布置，能够降低管理成本。
在一个实施例中，训练检测模型的方式，如图6所示，包括：
S602，获取图像样本集，图像样本集包括样本，以及对样本各像素点标注的分割标签。
具体地，收集大量工作现场的图像，包括漏油、漏水、漏汽、正常等场景的图像数据，然后对所有图像进行像素级标注，制作分割标签，把所有像素分为4个类别：正常、漏水、漏油、漏汽。把图像随机划分两个部分，一部分作为训练的图像样本集，另一部分作为测试数据集。
S604，根据图像样本集中标注的样本的分割标签，训练检测模型的特征提取网络和分割网络。
一个实施例中，检测模型70的结构如图7所示，包括特征提取网络701，分割网络702，空间注意力网络703，分类网络704。其中，特征提取网络701分别与分割网络702，空间注意力网络703连接，空间注意力网络703与分类网络704连接。
首先，固定空间注意力模块和分类模块的参数，将图像样本集的样本输入到特征提取网络701提取图像特征。其中，特征注提取网络为多层卷积神经网络，用于提取输入图像的高级特征F∈Rc，w，h。一般地，可以选用VGG19、MobileNet等卷积神经网络。
其次，将图像特征输入到分割网络，输出异常区域的分割结果。
异常区域是指通过特征确定的漏油漏水漏汽区域。分割模块为多层卷积神经网络，网络的最后一层接sigmoid激活函数，输出漏水漏油漏汽区域的掩码w∈Rc，w。通过在一般的分类神经网络基础上，外加一条漏水漏油漏汽分割模块支路，用以输出漏水漏油漏汽的区域掩码，该支路输出空间注意力掩码结合到分类支路的特征上，提高分类的准确性。
具体地，分割网络可以使用如图8所示的网络结构，其中conv3×3表示一个卷积核尺寸为3×3步长为1的卷积块，包含卷积操作和非线性单元rule激活函数。
最后，根据预测的分割结果和标注的分割标签的差异，调整检测模型的分割网络和特征提取网络，损失函数可使用L1、L2等损失函数，当模型损失收敛且不下降时，再同时训练检测模型的参数。
S606，根据训练的特征提取网络和分割网络，得到样本的分类标签。
样本集中的样本没有分类标签，利用已训练的特征提取网络和分割网络得到分类标签。具体地，将样本图像输入到检测模型，通过检测模型的特征提取网络，提取图像特征，将图像特征输入到分割网络，输出异常区域的分割结果，根据分割结果，生成样本的分类标签。
具体地，将图像样本集的样本输入到检测模型，通过特征提取网络701提取图像特征。其中，特征注提取网络为多层卷积神经网络，用于提取输入图像的高级特征F∈Rc，w，h。一般地，可以选用VGG19、MobileNet等卷积神经网络。
异常区域是指通过特征确定的漏油漏水漏汽区域。分割模块为多层卷积神经网络，网络的最后一层接sigmoid激活函数，输出漏水漏油漏汽区域的掩码w∈Rc，w。
具体地，分割网络可以使用如图8所示的网络结构，其中conv3×3表示一个卷积核尺寸为3×3步长为1的卷积块，包含卷积操作和非线性单元rule激活函数。
样本集中没有制作分类标签。分类标签数据需要在训练的过程中动态生成。其生成方法如下：将分割模块的输出结果w进行二值化得到wb。二值化阈值可根据需要设置，范围为(0，1)，可取0.5。然后根据下述公式计算漏水漏油漏汽的分类标签。
Figure BDA0002924958970000101
Figure BDA0002924958970000102
Figure BDA0002924958970000103
其中
Figure BDA0002924958970000104
分别为漏水、漏油、漏汽的标签，T为判定漏水漏油漏汽的阈值，可根据需要设置。分类模型可使用上述动态生成的标签训练。
在实际场景中，漏油、漏水和漏汽发生的频率较低，收集漏水漏油漏汽的正样本数据较难。如何针对只有少量正样本的数据，设计和训练一个检测模型是一个难点。基于此，利用已训练的特征提取网络和分割网络得到分类标签。具体地，提出一种二阶段的分类方法，使用分割网络生成候选区域，再对候选区域进行分类，平衡正负样本的数量，提高分类器的准确性。
S608，根据分类标签以及图像样本集中标注的样本的分割标签，对检测模型进行训练。
具体地，将分割结果和图像特征输入到空间注意力网络，得到注意力特征，将注意力特征输入分类网络，得到预测的异常分类结果，根据预测的分类结果与标注的分类结果的差异，调整检测模型，并迭代训练，直到满足训练结束条件，得到训练好的检测模型。
漏油、漏水在图像上呈现的变化常常较为细微和缓慢，且实际应用场景环境复杂，背景和地面材质不一，漏油漏水和漏汽的成像差异较大。针对不同的复杂场景，保证检测***的准确性和鲁棒性是一大难点。针对这一难点，结合空间注意力机制，使网络把焦点聚集在特定区域，降低复杂背景对检测算法的干扰，同时提高算法对鲁棒性和准确率。
具体地，空间注意力网络是一个针对特征像素级的操作。可以用公式
Figure BDA0002924958970000111
Figure BDA0002924958970000112
其中W＝[w，w，...，w]，且W∈Rc，w，h.⊙为像素点乘，
Figure BDA0002924958970000113
像素加法。
分类网络为多个卷积层、池化层和全连接层、输出层组成，用以输出漏水检测的得分结果s。s＝(s1，s2，s3)∈R3是一个维度为3的向量，每个维度的值分别表示漏水漏油漏汽的得分，值越高，说明对应状态的置信率越大。
具体地，分类网络可以使用如图9网络结构，其中conv3×3表示一个卷积核尺寸为3×3步长为1的卷积块，包含卷积操作和非线性单元rule激活函数。Global pooling表示使用全局池化操作将输入特征分辨率池化到特定尺寸，如7×7。MLP是一个多层感知机网络模型，其将池化后的特征展开成1维向量，然后输入到两层全连接层神经网络中。最后，通过softmax函数得到分类结果。
具体地，预测的分类结果与标注的分类结果的差异，反向传播，调整检测模型，并迭代训练，直到满足训练结束条件，得到训练好的检测模型。训练结束条件可以为迭代次数达到最大迭代次数，或是模型精度达到要求。其中，迭代是指将样本重新执行上述训练过程。训练过程中，可使用测试数据集进行测试，观测训练效果。
上述的电力生产异常监控方法，相比使用手工提取特征的传统方法，使用卷积神经网络的方法提取特征的能力更强，结合了分割模块和空间注意力模块的分类网络能聚焦于可能漏水漏油漏汽的区域，且能提高网络提取特征的能力，提高网络模型的鲁棒性。
在另一个实施例中，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测，包括：若异常类型为漏油和/或漏水，则将工作场景图像输入漏油漏水二次识别模型，漏油漏水二次识别模型采用残差网络结构，通过漏油漏水二次识别模型输出二次异常检测结果。
若检测模型检测的异常类型为漏油和/或漏水，则将将检测出漏油漏水的图像，输入到漏油漏水二次识别模型进行二次识别。
其中，采用ResNet50(50层的残差网络)作为漏油漏水二次识别模型的网络结构，并将最后的全连接层隐藏单元数设置为3分别对应分类为：漏油、漏水、正常三种情况的分类分数。其中，利用漏油漏水及正常三个类别的数据训练ResNet50，并采用随机梯度下降的方式进行训练，为了防止网络过拟合，采用dropout(随机丢弃神经元)的方式进行网络训练。
在另一个实施例中，若异常类型为漏汽，则获取工作场景图像对应台账对象的红外摄像头采集的红外图像；将红外图像输入红外图像识别模型，通过红外图像识别模型的特征提取模型，提取红外图像特征，将红外图像特征输入分类器，得到是否漏汽的二次异常检测结果。
具体地，根据检测出漏汽的图像的文件名对应的台账对象，匹配出监视该台账对象的红外摄像头，获取对应时间的红外图像数据；采用红外图像识别模块对获取到对应对的红外图像进行识别。
红外图像模块由特征提取模块和分类模块，其中特征提取模块是采用传统的方向梯度直方图(HOG特征)提取方法，而分类模块是支持向量机(SVM)分类器，其中本发明采用漏汽图像正样本(包含蒸汽泄漏的各种姿态形式的红外图像样本)和负样本(不含有蒸汽泄漏的任意红外图像样本)，通过提取HOG特征后送入SVM分类器，最终形成训练模型分类使用。分类器输出分类的结果即为漏汽二次识别的结果。
本申请的电力生产异常监控方法，具有以下效果：
1、提出了一种结合空间注意力机制的多任务学习网络，能够同时检测漏油、漏水和漏汽三种异常状态。
2、结合实际场景(电厂场景)提出了一种从轮询摄像头拍摄内容与监视对象的匹配方法，并且通过对监视对象设置需要识别的频率，摄像头就能自动匹配到处理频率。
3、提出了一种计算资源的估计公式，能够计算得到整个场景的算法配置所需要的计算资源，具有很强的实用性。
4、在一般的分类神经网络基础上，外加一条漏水漏油漏汽分割模块支路，用以输出漏水漏油漏汽的区域掩码，该支路输出空间注意力掩码结合到分类支路的特征上，提高分类的准确性。
5、在首次通过漏油、漏水和漏汽检测网络检测后，设置一个二次识别模块进行二次校验，降低检测的误报率，并且将漏油漏水二次识别和漏汽二次识别分开，其中漏水漏油的二次识别采用与前述的监测网络不同，采用其他的深度网络，比用相同网络结构识别具有更高的可靠性，而漏汽的二次识别通过图片的名称匹配到监测对象，再而匹配到对应的红外图像数据，并且设计了一个红图像识别方法进行识别，从而提高了蒸汽的检测准确性。
6、在识别到漏油、漏水和漏汽三种情况后，不单单只有报警提示，还会输出报警的摄像头名称及所监测的对象内容等。
应该理解的是，虽然上述各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种电力生产异常监控装置，包括：
图像获取模块1001，用于获取设置在电力生产现场的摄像头采集的工作场景图像。
检测模块1002，用于根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到检测模型，得到异常检测结果。
二次检测模块1003，用于在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测。
报警模块1004，用于若二次检测仍为异常，则发出异常报警。
上述电力生产异常监控装置，通过采集生产现场的摄像头采集的工作场景图像，利用预先训练的检测模型，检测到异常后，再调用异常类型对应的二次异常检测模型对工作现场进行二次检测，利用神经网络的模型提取特征更高，进一步通过二次检测识别，提高检测的准确性和降低了虚警率。另外，采用该方法进行异常检测，只需在电力生产现场布置摄像头即可，摄像头的采集范围广，无需进行复杂布置，能够降低管理成本。
在另一个实施例中，检测模块，包括：
检测频率确定模块，用于获取所述工作场景图像对应台账对象的检测频率；
预测模块，用于当达到所述检测频率对应的检测时间时，将所述工作场景图像输入到检测模型，通过所述检测模型对电力生产现场是否出现异常进行检测，输出分类结果和分类结果为异常时从所述工作场景图像分割出来的异常区域分割结果；所述分类结果包括：正常、漏油、漏汽和漏水。
在另一个实施例中，二次检测模块，用于若异常类型为漏油和/或漏水，则将所述工作场景图像输入漏油漏水二次识别模型，所述漏油漏水二次识别模型采用残差网络结构，通过所述漏油漏水二次识别模型输出二次异常检测结果。
在另一个实施例中，二次检测模块，用于若异常类型为漏汽，则获取工作场景图像对应台账对象的红外摄像头采集的红外图像；将所述红外图像输入红外图像识别模型，通过所述红外图像识别模型的特征提取网络，提取红外图像特征，将所述红外图像特征输入分类器，得到是否漏汽的二次异常检测结果。
在另一个实施例中，检测频率确定模块，用于获取所述工作场景图像的摄像头名称和预置位；根据所述摄像头名称和预置位匹配台账对象；若匹配到单个台账对象，则获取所述台账对象对应的检测频率；若匹配到多个台账对象，则获取多个所述台账对象中最小的检测频率。
在另一个实施例中，电力生产异常监控装置，还包括：
样本集处理模块，用于获取图像样本集，所述图像样本集包括样本，以及对样本各像素点标注的分割标签。
一次训练模块，用于根据所述图像样本集中标注的样本的分割标签，训练所述检测模型的特征提取网络和分割网络。
分类模块，用于根据训练的所述特征提取网络和分割网络，得到样本的分类标签。
二次训练模块，用于根据所述分类标签，对检测模型进行训练。
在另一个实施例中，分类模块，用于将样本输入到检测模型，通过所述检测模型中训练的特征提取网络，提取图像特征；将所述图像特征输入到训练的分割网络，输出异常区域的分割结果；根据所述分割结果，生成所述样本的分类标签。
关于电力生产异常监控装置的具体限定可以参见上文中对于电力生产异常监控方法的限定，在此不再赘述。上述电力生产异常监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是监控终端，其内部结构图可以如图11所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力生产异常监控方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力生产异常监控方法，所述方法包括：
获取设置在电力生产现场的摄像头采集的工作场景图像；
根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到预先训练的检测模型，得到异常检测结果；
在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；
若二次检测仍为异常，则发出异常报警。
2.根据权利要求1所述的方法，其特征在于，根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到预先训练的检测模型，得到异常检测结果，包括：
获取所述工作场景图像对应台账对象的检测频率；
当达到所述检测频率对应的检测时间时，将所述工作场景图像输入到检测模型，通过所述检测模型对电力生产现场是否出现异常进行检测，输出分类结果和分类结果为异常时从所述工作场景图像分割出来的异常区域分割结果；所述分类结果包括：正常、漏油、漏汽和漏水。
3.根据权利要求1所述的方法，其特征在于，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测，包括：
若异常类型为漏油和/或漏水，则将所述工作场景图像输入漏油漏水二次识别模型，所述漏油漏水二次识别模型采用残差网络结构，通过所述漏油漏水二次识别模型输出二次异常检测结果。
4.根据权利要求1所述的方法，其特征在于，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测，包括：
若异常类型为漏汽，则获取工作场景图像对应台账对象的红外摄像头采集的红外图像；
将所述红外图像输入红外图像识别模型，通过所述红外图像识别模型的特征提取网络，提取红外图像特征，将所述红外图像特征输入分类器，得到是否漏汽的二次异常检测结果。
5.根据权利要求2所述的方法，其特征在于，获取所述工作场景图像对应台账对象的检测频率，包括：
获取所述工作场景图像的摄像头名称和预置位；
根据所述摄像头名称和预置位匹配台账对象；
若匹配到单个台账对象，则获取所述台账对象对应的检测频率；
若匹配到多个台账对象，则获取多个所述台账对象中最小的检测频率。
6.根据权利要求1所述的方法，其特征在于，训练检测模型的方式，包括：
获取图像样本集，所述图像样本集包括样本，以及对样本各像素点标注的分割标签；
根据所述图像样本集中标注的样本的分割标签，训练所述检测模型的特征提取网络和分割网络；
根据训练的所述特征提取网络和分割网络，得到样本的分类标签；
根据所述分类标签，对检测模型进行训练。
7.根据权利要求6所述的方法，其特征在于，根据训练的所述特征提取网络和分割网络，得到样本的分类标签，包括：
将样本输入到检测模型，通过所述检测模型中训练的特征提取网络，提取图像特征；
将所述图像特征输入到训练的分割网络，输出异常区域的分割结果；
根据所述分割结果，生成所述样本的分类标签。
8.一种电力生产异常监控装置，其特征在于，所述装置包括：
图像获取模块，用于获取设置在电力生产现场的摄像头采集的工作场景图像；
检测模块，用于根据所述工作场景图像对应台账对象的检测频率，将所述工作场景图像输入到检测模型，得到异常检测结果；
二次检测模块，用于在根据所述检测模型得到电力生产现场异常的检测结果时，根据异常类型调用对应的二次异常检测模型对工作现场进行二次检测；
报警模块，用于若二次检测仍为异常，则发出异常报警。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110130443.2A 2021-01-29 2021-01-29 电力生产异常监控方法、装置、计算机设备和存储介质 Active CN112669316B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110130443.2A CN112669316B (zh) 2021-01-29 2021-01-29 电力生产异常监控方法、装置、计算机设备和存储介质
LU502731A LU502731B1 (en) 2021-01-29 2021-03-05 Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor
PCT/CN2021/079282 WO2022160413A1 (zh) 2021-01-29 2021-03-05 电力生产异常监控方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110130443.2A CN112669316B (zh) 2021-01-29 2021-01-29 电力生产异常监控方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112669316A true CN112669316A (zh) 2021-04-16
CN112669316B CN112669316B (zh) 2023-05-30

Family

ID=75414987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110130443.2A Active CN112669316B (zh) 2021-01-29 2021-01-29 电力生产异常监控方法、装置、计算机设备和存储介质

Country Status (3)

Country Link
CN (1) CN112669316B (zh)
LU (1) LU502731B1 (zh)
WO (1) WO2022160413A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907138A (zh) * 2021-03-26 2021-06-04 国网陕西省电力公司电力科学研究院 一种从局部到整体感知的电网场景预警分类方法及***
CN114463683A (zh) * 2022-02-12 2022-05-10 河南城建学院 基于人工智能和大数据的变电设备智能监控***和方法
CN114596308A (zh) * 2022-04-02 2022-06-07 卡奥斯工业智能研究院(青岛)有限公司 基于5g网络的信息处理方法、装置、设备及介质
CN117612095A (zh) * 2023-11-27 2024-02-27 中国南方电网有限责任公司 一种电力安全控制方法及装置
CN118154391A (zh) * 2024-05-10 2024-06-07 国网山东省电力公司五莲县供电公司 一种动火作业场景智能备案方法及***
CN118175428A (zh) * 2024-05-11 2024-06-11 江西政高技术服务有限公司 输电全景监控方法、***及设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115420761B (zh) * 2022-11-07 2023-02-24 安徽启新明智科技有限公司 汽油与水区分网络的训练方法、汽油与水区分方法
CN115905807B (zh) * 2022-11-18 2023-10-20 中国市政工程西南设计研究总院有限公司 一种基于深度学习的粗格栅优化运行方法
CN116596934B (zh) * 2023-07-18 2023-09-26 华东交通大学 接地网腐蚀检测方法、***、存储介质及移动终端
CN117478843B (zh) * 2023-11-15 2024-07-19 廊坊博联科技发展有限公司 一种智慧巡控***及方法
CN117312929B (zh) * 2023-11-29 2024-02-13 国网浙江省电力有限公司杭州供电公司 站房改造类型的辨识方法、装置、终端设备及存储介质

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053596A (zh) * 2010-09-26 2011-05-11 陕西宇宏国际建机有限公司 风力电厂和风电机舱的智能分析监控装置和方法
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
CN107945458A (zh) * 2017-12-11 2018-04-20 北京奇虎科技有限公司 摄像头场景下的跌倒检测方法、装置及计算设备
CN108921013A (zh) * 2018-05-16 2018-11-30 浙江零跑科技有限公司 一种基于深度神经网络的视觉场景识别***及方法
CN109029731A (zh) * 2018-05-24 2018-12-18 河海大学常州校区 一种基于多目视觉的电力设备异常监测***及方法
CN109101906A (zh) * 2018-07-27 2018-12-28 中国南方电网有限责任公司超高压输电公司贵阳局 一种变电站电力设备红外图像异常实时检测方法及装置
CN109543607A (zh) * 2018-11-22 2019-03-29 广州小狗机器人技术有限公司 目标物异常状态检测方法、***、监护***及存储介质
CN109743879A (zh) * 2016-12-30 2019-05-10 同济大学 一种基于动态红外热像图处理的地下管廊渗漏检测方法
CN109993082A (zh) * 2019-03-20 2019-07-09 上海理工大学 卷积神经网络道路场景分类与道路分割方法
CN110006435A (zh) * 2019-04-23 2019-07-12 西南科技大学 一种基于残差网络的变电站巡检机器人视觉辅助导航方法
CN110163099A (zh) * 2019-04-17 2019-08-23 中国电子科技网络信息安全有限公司 一种基于电磁泄漏信号的异常行为识别装置与方法
CN110334661A (zh) * 2019-07-09 2019-10-15 国网江苏省电力有限公司扬州供电分公司 基于深度学习的红外输变电异常发热点目标检测方法
CN110414313A (zh) * 2019-06-06 2019-11-05 平安科技（深圳）有限公司 异常行为告警方法、装置、服务器及存储介质
CN110443969A (zh) * 2018-05-03 2019-11-12 中移(苏州)软件技术有限公司 一种火点检测方法、装置、电子设备及存储介质
CN110889377A (zh) * 2019-11-28 2020-03-17 深圳市丰巢科技有限公司 广告物异常识别方法、装置、服务器设备及存储介质
CN110909630A (zh) * 2019-11-06 2020-03-24 腾讯科技（深圳）有限公司 一种异常游戏视频检测方法和装置
CN111125405A (zh) * 2019-12-19 2020-05-08 国网冀北电力有限公司信息通信分公司 电力监控图像异常检测方法和装置、电子设备及存储介质
CN111126292A (zh) * 2019-12-25 2020-05-08 上海民办打一外国语小学 一种安全监控方法、装置及***
CN111209980A (zh) * 2019-12-25 2020-05-29 深圳供电局有限公司 环境检测方法和装置、电子设备、计算机可读存储介质
CN111340843A (zh) * 2020-02-19 2020-06-26 山东大学 基于环境自适应和小样本学习的电力场景视频检测方法
CN111429304A (zh) * 2020-02-28 2020-07-17 鄂尔多斯市斯创网络科技有限责任公司 一种食品***平台
KR102143231B1 (ko) * 2020-03-26 2020-08-10 주식회사 동진에스앤디 얼굴 감시 및 열화상 감시를 이용한 건강 이상 감지방법, 건강 이상 감지장치 및 컴퓨터 프로그램

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101686235B (zh) * 2008-09-26 2013-04-24 北京神州绿盟信息安全科技股份有限公司 网络异常流量分析设备和方法
CN205899784U (zh) * 2016-07-01 2017-01-18 深圳华盛创力科技有限公司 火力发电厂无线监测***
CN106226050B (zh) * 2016-07-15 2019-02-01 北京航空航天大学 一种基于卷积神经网络的tfds故障图像自动识别方法
CN111523659A (zh) * 2020-04-14 2020-08-11 北京华控智加科技有限公司 一种基于三级神经网络建模的机器故障预测诊断方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053596A (zh) * 2010-09-26 2011-05-11 陕西宇宏国际建机有限公司 风力电厂和风电机舱的智能分析监控装置和方法
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
CN109743879A (zh) * 2016-12-30 2019-05-10 同济大学 一种基于动态红外热像图处理的地下管廊渗漏检测方法
CN107945458A (zh) * 2017-12-11 2018-04-20 北京奇虎科技有限公司 摄像头场景下的跌倒检测方法、装置及计算设备
CN110443969A (zh) * 2018-05-03 2019-11-12 中移(苏州)软件技术有限公司 一种火点检测方法、装置、电子设备及存储介质
CN108921013A (zh) * 2018-05-16 2018-11-30 浙江零跑科技有限公司 一种基于深度神经网络的视觉场景识别***及方法
CN109029731A (zh) * 2018-05-24 2018-12-18 河海大学常州校区 一种基于多目视觉的电力设备异常监测***及方法
CN109101906A (zh) * 2018-07-27 2018-12-28 中国南方电网有限责任公司超高压输电公司贵阳局 一种变电站电力设备红外图像异常实时检测方法及装置
CN109543607A (zh) * 2018-11-22 2019-03-29 广州小狗机器人技术有限公司 目标物异常状态检测方法、***、监护***及存储介质
CN109993082A (zh) * 2019-03-20 2019-07-09 上海理工大学 卷积神经网络道路场景分类与道路分割方法
CN110163099A (zh) * 2019-04-17 2019-08-23 中国电子科技网络信息安全有限公司 一种基于电磁泄漏信号的异常行为识别装置与方法
CN110006435A (zh) * 2019-04-23 2019-07-12 西南科技大学 一种基于残差网络的变电站巡检机器人视觉辅助导航方法
CN110414313A (zh) * 2019-06-06 2019-11-05 平安科技（深圳）有限公司 异常行为告警方法、装置、服务器及存储介质
CN110334661A (zh) * 2019-07-09 2019-10-15 国网江苏省电力有限公司扬州供电分公司 基于深度学习的红外输变电异常发热点目标检测方法
CN110909630A (zh) * 2019-11-06 2020-03-24 腾讯科技（深圳）有限公司 一种异常游戏视频检测方法和装置
CN110889377A (zh) * 2019-11-28 2020-03-17 深圳市丰巢科技有限公司 广告物异常识别方法、装置、服务器设备及存储介质
CN111125405A (zh) * 2019-12-19 2020-05-08 国网冀北电力有限公司信息通信分公司 电力监控图像异常检测方法和装置、电子设备及存储介质
CN111126292A (zh) * 2019-12-25 2020-05-08 上海民办打一外国语小学 一种安全监控方法、装置及***
CN111209980A (zh) * 2019-12-25 2020-05-29 深圳供电局有限公司 环境检测方法和装置、电子设备、计算机可读存储介质
CN111340843A (zh) * 2020-02-19 2020-06-26 山东大学 基于环境自适应和小样本学习的电力场景视频检测方法
CN111429304A (zh) * 2020-02-28 2020-07-17 鄂尔多斯市斯创网络科技有限责任公司 一种食品***平台
KR102143231B1 (ko) * 2020-03-26 2020-08-10 주식회사 동진에스앤디 얼굴 감시 및 열화상 감시를 이용한 건강 이상 감지방법, 건강 이상 감지장치 및 컴퓨터 프로그램

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周封等: "智能视频技术在电力***领域的应用", 《哈尔滨理工大学学报》 *
段鸿杰等: "基于监控视频的油田施工场景状态识别", 《自动化技术与应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907138A (zh) * 2021-03-26 2021-06-04 国网陕西省电力公司电力科学研究院 一种从局部到整体感知的电网场景预警分类方法及***
CN112907138B (zh) * 2021-03-26 2023-08-01 国网陕西省电力公司电力科学研究院 一种从局部到整体感知的电网场景预警分类方法及***
CN114463683A (zh) * 2022-02-12 2022-05-10 河南城建学院 基于人工智能和大数据的变电设备智能监控***和方法
CN114596308A (zh) * 2022-04-02 2022-06-07 卡奥斯工业智能研究院(青岛)有限公司 基于5g网络的信息处理方法、装置、设备及介质
CN117612095A (zh) * 2023-11-27 2024-02-27 中国南方电网有限责任公司 一种电力安全控制方法及装置
CN118154391A (zh) * 2024-05-10 2024-06-07 国网山东省电力公司五莲县供电公司 一种动火作业场景智能备案方法及***
CN118175428A (zh) * 2024-05-11 2024-06-11 江西政高技术服务有限公司 输电全景监控方法、***及设备

Also Published As

Publication number Publication date
WO2022160413A1 (zh) 2022-08-04
LU502731B1 (en) 2022-10-31
CN112669316B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN112669316B (zh) 电力生产异常监控方法、装置、计算机设备和存储介质
Wang et al. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis
CN111210024B (zh) 模型训练方法、装置、计算机设备和存储介质
Amrutha et al. Deep learning approach for suspicious activity detection from surveillance video
CN108022235B (zh) 高压输电铁塔关键部件缺陷识别方法
CN111222423B (zh) 基于作业区域的目标识别方法、装置、计算机设备
US9911055B2 (en) Method and system for detection and classification of license plates
WO2020073201A1 (en) Method and system for circuit breaker condition monitoring
CN110458794B (zh) 用于轨道列车的配件质量检测方法及装置
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN113569736A (zh) 刀闸状态识别方法、装置、计算机设备和存储介质
CN116453056A (zh) 目标检测模型构建方法和变电站异物入侵检测方法
CN114708537A (zh) 一种基于多视角的复杂场所异常行为分析***及分析方法
CN113723184A (zh) 基于智能网关的场景识别***、方法、装置和智能网关
Liu et al. Infrared image combined with cnn based fault diagnosis for rotating machinery
Oh et al. Robust sewer defect detection with text analysis based on deep learning
Rayhana et al. Automated defect-detection system for water pipelines based on CCTV inspection videos of autonomous robotic platforms
JP6954242B2 (ja) 定置式ガス検知装置の設置箇所の調査方法
Varghese et al. Video anomaly detection in confined areas
Bilecen et al. Video anomaly detection with autoregressive modeling of covariance features
Kim et al. CECvT: Initial Diagnosis of Anomalies in Thermal Images
Lim et al. Heat-vision based drone surveillance augmented by deep learning for critical industrial monitoring
CN117274181A (zh) 设备故障检测方法、装置、设备、介质及红外诊断仪
US11682213B2 (en) Method and device for training image analysis neural network model and intelligent image capturing apparatus employing the same
Jaleel et al. Towards Proactive Surveillance through CCTV Cameras under Edge‐Computing and Deep Learning

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