CN113776670A - 一种基于红外图像的电力设备监测***及方法 - Google Patents
一种基于红外图像的电力设备监测***及方法 Download PDFInfo
- Publication number
- CN113776670A CN113776670A CN202110908690.0A CN202110908690A CN113776670A CN 113776670 A CN113776670 A CN 113776670A CN 202110908690 A CN202110908690 A CN 202110908690A CN 113776670 A CN113776670 A CN 113776670A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- power equipment
- image data
- equipment
- temperature
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 238000010191 image analysis Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
Abstract
本发明提出的一种基于红外图像的电力设备监测***，包括：红外图像采集终端，用于自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台；图像分析平台，用于接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用了红外图像数据中的比色条及其温度范围，建立了图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果；报警单元，用于根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。本发明能够快速的实现电力设备的自动识别定位和故障诊断。
Description
技术领域
本发明涉及电力设备监测技术领域，更具体的说是涉及一种基于红外图像的电力设备监测***及方法。
背景技术
电力设备在运行中经受电的、热的、机械的负荷作用，以及自然环境(气温、气压、湿度以及污秽等)的影响，长期工作会引起老化、疲劳、磨损，以致性能逐渐下降，可靠性逐渐降低。设备的绝缘材料、导电材料在高电压、高温度的长期作用下，均会逐渐丧失原有工作性能。随着设备运行期增长，性能逐渐下降，可靠性逐渐下降，设备故障率逐渐增大，通常的表现形式为整体或局部表面异常发热等。因此，必须对这些设备的运行状态进行监测。
当前，电力设备的运行状态监测主要采用人工巡检和定期维修的方式，此种方式需要耗费大量的人力，而且需要借助各种测试仪表完成设备的检测和故障定位。另外，人工巡检还存在实时性较差，不容易及时发现设备隐患的缺陷。
因此，如何快速的实现电力设备的自动识别定位和故障诊断，是我们亟待解决的问题。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供及一种基于红外图像的电力设备监测***及方法，能够快速的实现电力设备的自动识别定位和故障诊断。
本发明为实现上述目的，通过以下技术方案实现：
一种基于红外图像的电力设备监测***，包括：
红外图像采集终端，用于自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台；
图像分析平台，用于接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用红外图像数据中的比色条及其温度范围，建立图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果；
报警单元，用于根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。
进一步，红外图像采集终端采用内置有红外摄像头的行走机器人；红外图像采集终端具体包括：
图像数据生成模块，用于通过红外摄像头采集红外图像，启动预设程序依次对红外图像进行校正处理、增强处理，并利用卷积神经网络提取红外图像中的高清可见光图像的轮廓信息，使用超像素分割神经网络对红外图像进行处理后，获得红外图像数据；
移动传输模块，用于将生成的红外图像数据通过移动网络进行传输。
进一步，图像分析平台包括：
数据存储单元，用于接收并存储移动网络传输的红外图像数据，并分配独立的存储空间存储红外图像数据集和设备诊断标准；
分类识别单元，用于利用预设基于深度学习的网络模型提取红外图像数据的目标特征，进行目标特征的分类识别，通过与红外图像数据集的比对确定红外图像数据的设备类型；
诊断单元，用于计算红外图像数据对应电力设备的最热点温度，根据确定的设备类型读取相应的设备诊断标准，通过对比最热点温度是否达到设备故障判定温度确定设备诊断结果。
进一步，分类识别单元包括：
特征提取模块，用于搭建Faster R-CNN卷积神经网络，通过共享卷积层对红外图像数据提取目标特征；
候选框生成模块，用于通过RPN网络利用非极大值抑制算法生成目标特征的候选框；
提取模块，用于根据候选框提取特征向量；
分类模块，用于使用SOFTMAX分类器和红外图像数据完成特征向量的分类，确定对应的设备类型。
进一步，诊断单元包括：
读取模块，用于读取红外图像数据的极值湿度和比色条；
第一计算模块，用于通过计算红外图像数据的灰度-温度拟合函数，确定对应的电力设备的灰度最大值；
第二计算模块，用于根据灰度最大值计算电力设备的最热点温度；
标准选取模块，用于根据设备类型选取设备诊断标准，确定相应的设备故障判断温度；
判定模块，用于判断最热点温度是否达到设备故障判断温度，若是，对应的电力设备判定为故障状态，否则判定为正常状态。
进一步，诊断单元还包括：
设备故障判断温度生成模块，用于在设备诊断标准中进行文本匹配，从而获取设备诊断标准中设备类型对应的温度阈值和当前环境温度下允许的最大温升，将所述温度阈值与最大温升相加，得出设备故障判断温度。
进一步，红外图像数据集包括预先存储的电力设备红外图片，电力设备红外图片上标注有设备类型，电力设备红外图片总数量的80％作为训练集，电力设备红外图片总数量的20％作为测试集。
相应的，本发明还公开了一种基于红外图像的电力设备监测方法，包括如下步骤：
S1：自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台；
S2：接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用红外图像数据中的比色条及其温度范围，建立图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果；
S3：根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。
对比现有技术，本发明有益效果在于：本发明提供了一种基于红外图像的电力设备监测***及方法，利用深度卷积神经网络在对电力设备的红外图像进行准确识别和分类，通过对采集的红外图像自动归类，并提取相应的温度信息，结合相应诊断规则给出结果进行判断，最终实现电力设备的自动识别定位和故障诊断。
本发明利用基于深度学习的网络模型，处理大规模的文本和图像等数据，通过提取并学习识别物体的特征来适应复杂的环境，减少了外界因素对物体识别的影响，提高了图像识别的准确性。
本发明使用光学字符识别技术从图像中获得最高温度及温度范围的具体数值，结合选取的缺陷判定温度给出诊断结果，实现了电力设备故障的精准判定。
另外，本发明具备安装方便灵活、测试方法简便等特点，具有较好的推广前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
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，还可以根据提供的附图获得其他的附图。
图1是本发明的***结构图。
图2是本发明的方法流程图。
图中，1为红外图像采集终端，2为图像分析平台，3为报警单元，11为图像数据生成模块，12为移动传输模块，21为数据存储单元，22为分类识别单元， 23为诊断单元，221为特征提取模块，222为候选框生成模块，223为提取模块， 224为分类模块，231为读取模块，232为第一计算模块，233为第二计算模块， 234为标准选取模块，235为设备故障判断温度生成模块，236为判定模块。
具体实施方式
下面结合附图对本发明的具体实施方式做出说明。
实施例一：
如图1所示，本实施例提供了一种基于红外图像的电力设备监测***，包括：红外图像采集终端1、图像分析平台2和报警单元3。
红外图像采集终端1，用于自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台2。
红外图像采集终端1采用内置有红外摄像头的行走机器人；红外图像采集终端1具体包括：
图像数据生成模块11，用于通过红外摄像头采集红外图像，启动预设程序依次对红外图像进行校正处理、增强处理，并利用卷积神经网络提取红外图像中的高清可见光图像的轮廓信息，使用超像素分割神经网络对红外图像进行处理后，获得红外图像数据。
移动传输模块12，用于将生成的红外图像数据通过移动网络进行传输。
图像分析平台2，用于接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用红外图像数据中的比色条及其温度范围，建立图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果。
具体包括：
数据存储单元21，用于接收并存储移动网络传输的红外图像数据，并分配独立的存储空间存储红外图像数据集和设备诊断标准。红外图像数据集包括预先存储的电力设备红外图片，电力设备红外图片上标注有设备类型，电力设备红外图片总数量的80％作为训练集，电力设备红外图片总数量的20％作为测试集。
分类识别单元22，用于利用预设基于深度学习的网络模型提取红外图像数据的目标特征，进行目标特征的分类识别，通过与红外图像数据集的比对确定红外图像数据的设备类型。
诊断单元23，用于计算红外图像数据对应电力设备的最热点温度，根据确定的设备类型读取相应的设备诊断标准，通过对比最热点温度是否达到设备故障判定温度确定设备诊断结果。
其中，分类识别单元22利用深度卷积神经网络在对电力设备的红外图像进行准确识别和分类，具体包括：
特征提取模块221，用于搭建Faster R-CNN卷积神经网络，通过共享卷积层对红外图像数据提取目标特征。
候选框生成模块222，用于通过RPN网络利用非极大值抑制算法生成目标特征的候选框。
提取模块223，用于根据候选框提取特征向量。
分类模块224，用于使用SOFTMAX分类器和红外图像数据完成特征向量的分类，确定对应的设备类型。
诊断单元23使用光学字符识别技术从图像中获得最高温度及温度范围的具体数值，结合选取的缺陷判定温度给出诊断结果，实现了电力设备故障的精准判定。具体包括：
读取模块231，用于读取红外图像数据的极值湿度和比色条；
第一计算模块232，用于通过计算红外图像数据的灰度-温度拟合函数，确定对应的电力设备的灰度最大值。。
第二计算模块233，用于根据灰度最大值计算电力设备的最热点温度。
标准选取模块234，用于根据设备类型选取设备诊断标准，确定相应的设备故障判断温度.
设备故障判断温度生成模块235，用于在设备诊断标准中进行文本匹配，从而获取设备诊断标准中设备类型对应的温度阈值和当前环境温度下允许的最大温升，将所述温度阈值与最大温升相加，得出设备故障判断温度。
判定模块236，用于判断最热点温度是否达到设备故障判断温度，若是，对应的电力设备判定为故障状态，否则判定为正常状态。
报警单元3，用于根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。
实施例二：
如图2所示，本实施例提供了一种基于红外图像的电力设备监测方法，包括如下步骤：
S1：自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台。
S2：接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用红外图像数据中的比色条及其温度范围，建立图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果。
S3：根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。
在本发明所提供的几个实施例中，应该理解到，所揭露的***、***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
同理，在本发明各个实施例中的各处理单元可以集成在一个功能模块中，也可以是各个处理单元物理存在，也可以两个或两个以上处理单元集成在一个功能模块中。
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
Claims (8)
1.一种基于红外图像的电力设备监测***，其特征在于，包括：
红外图像采集终端，用于自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台；
图像分析平台，用于接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用红外图像数据中的比色条及其温度范围，建立图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果；
报警单元，用于根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。
2.根据权利要求1所述的基于红外图像的电力设备监测***，其特征在于，所述红外图像采集终端采用内置有红外摄像头的行走机器人；红外图像采集终端具体包括：
图像数据生成模块，用于通过红外摄像头采集红外图像，启动预设程序依次对红外图像进行校正处理、增强处理，并利用卷积神经网络提取红外图像中的高清可见光图像的轮廓信息，使用超像素分割神经网络对红外图像进行处理后，获得红外图像数据；
移动传输模块，用于将生成的红外图像数据通过移动网络进行传输。
3.根据权利要求2所述的所述的基于红外图像的电力设备监测***，其特征在于，所述图像分析平台包括：
数据存储单元，用于接收并存储移动网络传输的红外图像数据，并分配独立的存储空间存储红外图像数据集和设备诊断标准；
分类识别单元，用于利用预设基于深度学习的网络模型提取红外图像数据的目标特征，进行目标特征的分类识别，通过与红外图像数据集的比对确定红外图像数据的设备类型；
诊断单元，用于计算红外图像数据对应电力设备的最热点温度，根据确定的设备类型读取相应的设备诊断标准，通过对比最热点温度是否达到设备故障判定温度确定设备诊断结果。
4.根据权利要求3所述的所述的基于红外图像的电力设备监测***，其特征在于，所述分类识别单元包括：
特征提取模块，用于搭建Faster R-CNN卷积神经网络，通过共享卷积层对红外图像数据提取目标特征；
候选框生成模块，用于通过RPN网络利用非极大值抑制算法生成目标特征的候选框；
提取模块，用于根据候选框提取特征向量；
分类模块，用于使用SOFTMAX分类器和红外图像数据完成特征向量的分类，确定对应的设备类型。
5.根据权利要求3所述的所述的基于红外图像的电力设备监测***，其特征在于，所述诊断单元包括：
读取模块，用于读取红外图像数据的极值湿度和比色条；
第一计算模块，用于通过计算红外图像数据的灰度-温度拟合函数，确定对应的电力设备的灰度最大值；
第二计算模块，用于根据灰度最大值计算电力设备的最热点温度；
标准选取模块，用于根据设备类型选取设备诊断标准，确定相应的设备故障判断温度；
判定模块，用于判断最热点温度是否达到设备故障判断温度，若是，对应的电力设备判定为故障状态，否则判定为正常状态。
6.根据权利要求5所述的所述的基于红外图像的电力设备监测***，其特征在于，所述诊断单元还包括：
设备故障判断温度生成模块，用于在设备诊断标准中进行文本匹配，从而获取设备诊断标准中设备类型对应的温度阈值和当前环境温度下允许的最大温升，将所述温度阈值与最大温升相加，得出设备故障判断温度。
7.根据权利要求3所述的基于红外图像的电力设备监测***，其特征在于，所述红外图像数据集包括预先存储的电力设备红外图片，电力设备红外图片上标注有设备类型，电力设备红外图片总数量的80％作为训练集，电力设备红外图片总数量的20％作为测试集。
8.一种基于红外图像的电力设备监测方法，其特征在于，包括如下步骤：
S1：自动采集电力设备的红外图像数据，并通过移动网络将红外图像数据发送至图像分析平台；
S2：接收移动网络传输的红外图像数据，通过红外图像数据进行电力设备识别，确定设备类型；利用红外图像数据中的比色条及其温度范围，建立图像灰度值和实际温度间的函数关系，将图像灰度值换算电力设备实际温度，根据设备类型选用预设故障温度判据，判断电力设备是否处于正常运行状态，并生成判断结果；
S3：根据判断结果确定电力设备是否存在故障，若存在，显示故障种类并进行报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110908690.0A CN113776670A (zh) | 2021-08-09 | 2021-08-09 | 一种基于红外图像的电力设备监测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110908690.0A CN113776670A (zh) | 2021-08-09 | 2021-08-09 | 一种基于红外图像的电力设备监测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113776670A true CN113776670A (zh) | 2021-12-10 |
Family
ID=78837034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110908690.0A Pending CN113776670A (zh) | 2021-08-09 | 2021-08-09 | 一种基于红外图像的电力设备监测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113776670A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116026890A (zh) * | 2023-03-29 | 2023-04-28 | 曲阜市虹飞电缆有限公司 | 一种基于热红外图像的电力电缆热故障检测方法 |
| WO2024082658A1 (zh) * | 2022-10-17 | 2024-04-25 | 青岛海尔空调器有限总公司 | 用于空调器温升检测的方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、***及电子设备 |
| CN110111272A (zh) * | 2019-04-24 | 2019-08-09 | 江西理工大学应用科学学院 | 一种人工智能红外图像处理仪、控制***及控制方法 |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
-
2021
- 2021-08-09 CN CN202110908690.0A patent/CN113776670A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、***及电子设备 |
| CN110111272A (zh) * | 2019-04-24 | 2019-08-09 | 江西理工大学应用科学学院 | 一种人工智能红外图像处理仪、控制***及控制方法 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
| CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024082658A1 (zh) * | 2022-10-17 | 2024-04-25 | 青岛海尔空调器有限总公司 | 用于空调器温升检测的方法及*** |
| CN116026890A (zh) * | 2023-03-29 | 2023-04-28 | 曲阜市虹飞电缆有限公司 | 一种基于热红外图像的电力电缆热故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及*** | |
| CN113776670A (zh) | 一种基于红外图像的电力设备监测***及方法 | |
| CN112734698B (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
| CN110221979A (zh) | 应用程序的性能测试方法、装置、设备及存储介质 | |
| CN107833211B (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
| CN114494185B (zh) | 一种基于rgb-t多尺度特征融合的电气设备故障检测方法 | |
| CN112669287B (zh) | 基于图像识别的电气设备温度监测方法 | |
| CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
| CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
| CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和*** | |
| CN116054417B (zh) | 一种变电站用的监控***及方法 | |
| CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
| CN114821852A (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制*** | |
| CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
| CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
| CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及*** | |
| CN107194923B (zh) | 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法 | |
| CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
| CN115700644A (zh) | 基于视觉的风电场站自动巡检方法及装置 | |
| CN115512189A (zh) | 图像识别模型评估方法、装置以及存储介质 | |
| CN113705442A (zh) | 一种户外大牌广告画面监控识别***及方法 | |
| CN117790353B (zh) | 一种el检测***及el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: 20211210 |