CN113888483A - 绝缘子损坏检测方法、***及介质 - Google Patents
绝缘子损坏检测方法、***及介质 Download PDFInfo
- Publication number
- CN113888483A CN113888483A CN202111097446.7A CN202111097446A CN113888483A CN 113888483 A CN113888483 A CN 113888483A CN 202111097446 A CN202111097446 A CN 202111097446A CN 113888483 A CN113888483 A CN 113888483A
- Authority
- CN
- China
- Prior art keywords
- insulator
- data
- detection
- damage
- model
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 186
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例公开了绝缘子损坏检测方法、***及介质,方法包括以下步骤:获取绝缘子实时的图像或视频数据以及对应的位置信息;基于小样本绝缘子多尺度扩充级联检测模型对图像或视频数据进行检测分析,在图片上定位出绝缘子,并对其损坏状态进行评估;输出包含所述位置信息的绝缘子损坏状态评估结果。本发明实施例能够提高输电线路绝缘子损坏情况检测效率,保证用电安全。
Description
技术领域
本发明涉及绝缘子监控***,特别涉及一种绝缘子损坏检测方法、***及介质。
背景技术
绝缘子是输电线路中不可或缺的电气绝缘与支撑控件,当绝缘子发生故障,失去支撑与保护的电线很容易与其他电线和电塔之间发生接触,导致输电线短路,引发大范围停电等事故,严重危害用电安全。
输电线设备分布广、数量多、里程长、环境复杂,绝缘子也是输电线路中较易出现故障的元器件之一,现阶段电路绝缘子检测维护仍主要由线路维护部门人工定期实地巡检、反馈维护,这种方式检测精度与维护效率较低,导致了大量人力与资源的浪费,且无法保证巡检人员的安全,亟需一种准确高效的监控处理***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种绝缘子损坏检测方法,能够解决输电线路现有绝缘子监测方式效率低,人工成本高的问题。
本发明还提出一种使用上述绝缘子损坏检测方法的绝缘子损坏检测***。
本发明还提出一种实施上述绝缘子损坏检测方法的计算机可读存储介质。
根据本发明的第一方面实施例的绝缘子损坏检测方法,包括以下步骤:获取绝缘子实时的图像或视频数据以及对应的位置信息;基于小样本绝缘子多尺度扩充级联检测模型对图像或视频数据进行检测分析,在图片上定位出绝缘子,并对其损坏状态进行评估;输出包含所述位置信息的绝缘子损坏状态评估结果。
根据本发明实施例的绝缘子损坏检测方法,至少具有如下有益效果:本发明实施例的绝缘子损坏检测方法通过获取实时的绝缘子图像/视频数据,经过小样本绝缘子多尺度扩充级联检测模型检测分析,能够在减少人工定期实地巡检的需求,提高检测精度和维护效率,避免大量人力与资源的浪费。
根据本发明的一些实施例,所述方法还包括:通过绝缘子缺陷数据对绝缘子多尺度扩充级联模型进行训练,得到所述小样本绝缘子多尺度扩充级联检测模型,具体步骤如下:获取绝缘子缺陷数据,根据绝缘子缺陷检测算法的标注需求,构建符合需求的绝缘子标注数据;其中,绝缘子标注分为两级:绝缘子串标注和绝缘子缺陷标注;构建绝缘子多尺度扩充级联模型,所述模型为在Fast-RCNN模型的基础上加入带FPN的多尺度扩展增强分支,所述分支使用多尺度正样本扩充来丰富训练网络中的对象尺度;使用其他域数据对所述绝缘子多尺度扩充级联模型进行预训练,得到预训练模型;其中,所述其他域数据包括coco和/或voc;对所述绝缘子标注数据进行数据增强,得到增强后的绝缘子标注数据;使用增强后的不同级别的绝缘子标注数据分别对所述预训练模型进行微调,得到绝缘子串检测模型和绝缘子缺陷检测模型;将所述绝缘子串检测模型和所述绝缘子缺陷检测模型进行级联,得到所述小样本绝缘子多尺度扩充级联检测模型。
根据本发明的一些实施例,所述对所述绝缘子标注数据进行数据增强至少包括以下步骤其中之一:旋转、翻转、颜色变换、亮度变换、对比度变换。
根据本发明的一些实施例,小样本绝缘子多尺度扩充级联检测模型包括绝缘子串检测模型和绝缘子缺陷检测模型;所述基于小样本绝缘子多尺度扩充级联检测模型对解析处理后的数据进行检测分析包括:检测时,输入待检测图片,基于所述绝缘子串检测模型对所述待检测图片中的绝缘子串进行检测,得到检测到的绝缘子串局部图片;基于所述绝缘子缺陷检测模型对所述绝缘子串局部图片中的绝缘子片进行检测,得到绝缘子串中绝缘子片的状态,并输出缺陷位置;将所述缺陷位置换算到所述待检测图片中,输出检测结果。
根据本发明的一些实施例,所述输出包含所述位置信息的绝缘子损坏状态评估结果包括:对绝缘子损坏状态评估完成后,结合所述位置信息将绝缘子检测结果记录至日志,并将异常信息发送至异常处理平台。
根据本发明的一些实施例,所述输出包含所述位置信息的绝缘子损坏状态评估结果还包括:将所述异常信息可视化,在终端上显示异常绝缘子的位置与损坏情况。
根据本发明的第二方面实施例的绝缘子损坏检测***,使用本发明的第一方面实施例中任一项所述的绝缘子损坏检测方法,包括:图像/视频获取单元,用于获取绝缘子实时的图像或视频数据以及对应的位置信息;云端数据处理平台,用于基于小样本绝缘子多尺度扩充级联检测模型对所述图像或视频数据进行检测分析,在图片上定位出绝缘子,并对其损坏状态进行评估,将评估结果记录进日志中;异常处理平台,用于接收所述云端数据处理平台发送的所述日志,并将其可视化。
根据本发明实施例的绝缘子损坏检测***,至少具有如下有益效果:本发明实施例的绝缘子损坏检测***通过获取实时的绝缘子图像/视频数据,经过小样本绝缘子多尺度扩充级联检测模型检测分析,能够在减少人工定期实地巡检的需求,提高检测精度和维护效率,避免大量人力与资源的浪费。
根据本发明的一些实施例,所述图像/视频获取单元包括塔基数据获取模块和/或无人机数据获取模块,所述塔基数据获取模块包括摄像头、塔基和塔基通信模块;所述无人机数据获取模块包括摄像头、无人机、GPS/雷达模块和通信模块。
根据本发明的一些实施例,所述异常处理平台包括搭载警报控制***的终端机器,包括PC机和/移动终端;所述异常处理平台用于显示当前各区域的绝缘子健康情况,并对损坏绝缘子机器所在位置进行警示,可视化损坏情况。
根据本发明的第三方面实施例的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本发明的第一方面实施例中任一项的方法。
由于本发明实施例的计算机可读存储介质上存储有用于执行如本发明第一方面中任一项所述的绝缘子损坏检测方法的计算机可执行指令,因此具有本发明第一方面的所有有益效果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的方法的流程示意图。
图2为本发明一实施例的绝缘子检查方法的流程示意图。
图3为本发明实施例的小样本绝缘子多尺度扩充级联检测模型的训练流程示意图。
图4为本发明实施例的基于绝缘子小样本多尺度扩充模型检测绝缘子损坏状态流程示意图。
图5为本发明实施例的绝缘子损坏检测***的模块示意框图。
图6为本发明实施例的图像/视频获取单元的模块示意框图。
图7为本发明实施例的异常处理平台的模块示意框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个及两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1,本发明实施例提供了一种绝缘子损坏检测方法,包括以下步骤:获取绝缘子实时的图像或视频数据以及对应的位置信息;基于小样本绝缘子多尺度扩充级联检测模型对图像或视频数据进行检测分析,在图片上定位出绝缘子,并对其损坏状态进行评估;输出包含位置信息的绝缘子损坏状态评估结果。
参照图2,本实施例中的获取绝缘子实时的图像或视频数据以及对应的位置信息可以通过塔基固定摄像头模块获取或使用无人机摄像模块巡检线路获取,无需人工实地观察采集,提升了观测效率的同时也大幅缩减了人力成本。基于小样本绝缘子多尺度扩充级联检测模型对图像或视频数据进行检测分析需要将获取的图像/视频数据通过通信模块实时上传到云端数据处理平台,云端数据处理平台对接受到的图像/视频数据、位置信息进行解析处理,以保证模型输入的有效性;云端数据处理平台使用小样本绝缘子多尺度扩充级联检测模型对处理后的数据进行检测分析,迅速在图片中定位绝缘子,并对其损坏状态进行评估。云端处理平台强大的算力保证了数据的即时性与有效性。使用云平台搭载检测模型取代人工判定,有效提升了监控反馈***的准确率与检测效率。本实施例中的输出包含位置信息的绝缘子损坏状态评估结果可以由异常处理平台可视化,在终端上显示异常绝缘子的位置与损坏情况,维护人员可根据终端检测的结果及时进行定点的维修,极大的缩短了响应时间,提升了维修效率。
在一些实施例中,对绝缘子损坏状态评估完成后,结合位置信息将绝缘子检测结果记录至日志,并将异常信息发送至异常处理平台。
在一些实施例中,将异常信息可视化,在终端上显示异常绝缘子的位置与损坏情况。
参照图3,在一些实施例中,本发明实施例的小样本绝缘子多尺度扩充级联检测模型的训练过程包括以下步骤:
(1)使用图像/视频获取单元获取绝缘子缺陷数据,根据算法标注需求,构建符合要求的绝缘子小样本标注数据,绝缘子标注分为两级:绝缘子串标注,绝缘子缺陷标注。
(2)构建绝缘子多尺度扩充级联模型,该模型在Fast-RCNN模型的基础上加入了带FPN的多尺度扩展增强分支,该分支使用多尺度正样本扩充来丰富训练网络中的对象尺度,解决小样本学习中样本空间尺度分布稀疏的问题。该分支生成多尺度的正样本作为目标金字塔,并通过与主分支共用的Fpn网络在各种尺度上完善多尺度特征预测。
(3)使用其他域数据(如coco、voc等)对(2)中模型进行预训练,获得预训练模型A。
(4)对(1)中获得的绝缘子标注数据进行数据增强,其中,数据增强可以包括旋转、翻转、颜色变换、亮度变换、对比度变换等,迅速扩充数据集,保证训练后的模型对不同光线、不同场景具有较好的泛化性。分别使用增强过后的不同阶段的绝缘子数据(绝缘子串、绝缘子)分别对预训练模型A进行微调,使其获得在新的垂直领域上的检测能力,得到新检测模型B、检测模型C。
(5)将(4)中获得的检测模型B、C进行级联,则获得了完整的绝缘子小样本多尺度扩充模型。
参照图4,本发明实施例的基于绝缘子小样本多尺度扩充模型检测绝缘子损坏状态包括以下步骤:检测时,输入整张待检测图片a,使用绝缘子串检测模型B对图a中的绝缘子串进行检测,获得检测到的绝缘子串局部图片b,并输出图片b;使用绝缘子缺陷检测模型C对图b中的绝缘子片进行检测,获得绝缘子串中绝缘子片的状态,并输出缺陷位置c;将缺陷位置c换算到原图a中,最后输出最终的检测结果。
参照图5,本发明实施例的绝缘子损坏检测***包括图像/视频获取单元、云端数据处理平台单元与异常处理平台单元。图像/视频获取单元主要负责图像与视频数据的获取与上传;云端数据处理平台主要通过绝缘子缺陷检测算法对上传数据进行处理,判断绝缘子状态、记录日志并上报缺陷信息;异常处理平台则可以接收云端的异常缺陷信息,进行异常信息查看与维修人员调度。
参照图6,图像/视频获取单元的模块主要由摄像头和摄像头搭载平台组成。如,塔基数据获取模块即由摄像头、塔基、塔基通信模块组成;无人机数据获取模块由摄像头、无人机、gps/雷达模块、通信模块组成。该单元将摄像头可探测范围内的视频信息经通信模块上传至云端数据处理平台进行处理,无需人工实地观察采集,提升了观测效率的同时也大幅缩减了人力成本。
云端数据处理平台主要搭载了数据解析模块与自研的小样本多尺度扩充检测级联模型,该模型可以在少量样本的情况下获得较高精度的监测结果。云平台拥有大量算力,可以在短时间内准确的处理海量的监控上传数据,并将结果记录进日志中,并通过互联网传送至异常处理平台的终端上。使用云平台搭载检测模型取代人工判定,有效提升了监控反馈***的准确率与检测效率。
参照图7,异常处理平台主要是搭载了警报控制***的各种终端机器,主要由pc机与移动终端组成。异常处理平台终端可以将云平台的异常记录日志可视化,显示当前各区域的绝缘子健康情况,并对损坏绝缘子及其所在位置进行警示,且可进一步可视化损坏情况。
尽管本文描述了具体实施方案,但是本领域中的普通技术人员将认识到,许多其它修改或另选的实施方案同样处于本公开的范围内。例如,结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外,虽然已根据本公开的实施方案描述了各种例示性具体实施和架构,但是本领域中的普通技术人员将认识到,对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
应当认识到,本发明实施例中的方法步骤可以由计算机硬件、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。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微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微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。上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种绝缘子损坏检测方法,其特征在于,包括以下步骤:
获取绝缘子实时的图像或视频数据以及对应的位置信息;
基于小样本绝缘子多尺度扩充级联检测模型对图像或视频数据进行检测分析,在图片上定位出绝缘子,并对其损坏状态进行评估;
输出包含所述位置信息的绝缘子损坏状态评估结果。
2.根据权利要求1所述的绝缘子损坏检测方法,其特征在于,所述方法还包括:通过绝缘子缺陷数据对绝缘子多尺度扩充级联模型进行训练,得到所述小样本绝缘子多尺度扩充级联检测模型,具体步骤如下:
获取绝缘子缺陷数据,根据绝缘子缺陷检测算法的标注需求,构建符合需求的绝缘子标注数据;其中,绝缘子标注分为两级:绝缘子串标注和绝缘子缺陷标注;
构建绝缘子多尺度扩充级联模型,所述模型为在Fast-RCNN模型的基础上加入带FPN的多尺度扩展增强分支,所述分支使用多尺度正样本扩充来丰富训练网络中的对象尺度;
使用其他域数据对所述绝缘子多尺度扩充级联模型进行预训练,得到预训练模型;其中,所述其他域数据包括coco和/或voc;
对所述绝缘子标注数据进行数据增强,得到增强后的绝缘子标注数据;
使用增强后的不同级别的绝缘子标注数据分别对所述预训练模型进行微调,得到绝缘子串检测模型和绝缘子缺陷检测模型;
将所述绝缘子串检测模型和所述绝缘子缺陷检测模型进行级联,得到所述小样本绝缘子多尺度扩充级联检测模型。
3.根据权利要求2所述的绝缘子损坏检测方法,其特征在于,所述对所述绝缘子标注数据进行数据增强至少包括以下步骤其中之一:旋转、翻转、颜色变换、亮度变换、对比度变换。
4.根据权利要求1所述的绝缘子损坏检测方法,其特征在于,小样本绝缘子多尺度扩充级联检测模型包括绝缘子串检测模型和绝缘子缺陷检测模型;所述基于小样本绝缘子多尺度扩充级联检测模型对图像或视频数据进行检测分析包括:
检测时,输入待检测图片,基于所述绝缘子串检测模型对所述待检测图片中的绝缘子串进行检测,得到检测到的绝缘子串局部图片;
基于所述绝缘子缺陷检测模型对所述绝缘子串局部图片中的绝缘子片进行检测,得到绝缘子串中绝缘子片的状态,并输出缺陷位置;
将所述缺陷位置换算到所述待检测图片中,输出检测结果。
5.根据权利要求1所述的绝缘子损坏检测方法,其特征在于,所述输出包含所述位置信息的绝缘子损坏状态评估结果包括:对绝缘子损坏状态评估完成后,结合所述位置信息将绝缘子检测结果记录至日志,并将异常信息发送至异常处理平台。
6.根据权利要求5所述的绝缘子损坏检测方法,其特征在于,所述输出包含所述位置信息的绝缘子损坏状态评估结果还包括:将所述异常信息可视化,在终端上显示异常绝缘子的位置与损坏情况。
7.一种绝缘子损坏检测***,使用权利要求1至6中任一项所述的绝缘子损坏检测方法,其特征在于,包括:
图像/视频获取单元,用于获取绝缘子实时的图像或视频数据以及对应的位置信息;
云端数据处理平台,用于基于小样本绝缘子多尺度扩充级联检测模型对所述图像或视频数据进行检测分析,在图片上定位出绝缘子,并对其损坏状态进行评估,将评估结果记录进日志中;
异常处理平台,用于接收所述云端数据处理平台发送的所述日志,并将其可视化。
8.根据权利要求7所述的绝缘子损坏检测***,其特征在于,所述图像/视频获取单元包括塔基数据获取模块和/或无人机数据获取模块,
所述塔基数据获取模块包括摄像头、塔基和塔基通信模块;
所述无人机数据获取模块包括摄像头、无人机、GPS/雷达模块和通信模块。
9.根据权利要求7所述的绝缘子损坏检测***,其特征在于,所述异常处理平台包括搭载警报控制***的终端机器,包括PC机和/移动终端;
所述异常处理平台用于显示当前各区域的绝缘子健康情况,并对损坏绝缘子机器所在位置进行警示,可视化损坏情况。
10.一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权利要求1至6中任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111097446.7A CN113888483A (zh) | 2021-09-18 | 2021-09-18 | 绝缘子损坏检测方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111097446.7A CN113888483A (zh) | 2021-09-18 | 2021-09-18 | 绝缘子损坏检测方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888483A true CN113888483A (zh) | 2022-01-04 |
Family
ID=79009929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111097446.7A Pending CN113888483A (zh) | 2021-09-18 | 2021-09-18 | 绝缘子损坏检测方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888483A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311597A (zh) * | 2020-03-27 | 2020-06-19 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与*** |
CN112183667A (zh) * | 2020-10-31 | 2021-01-05 | 哈尔滨理工大学 | 一种协同深度学习的绝缘子故障检测方法 |
CN112668696A (zh) * | 2020-12-25 | 2021-04-16 | 杭州中科先进技术研究院有限公司 | 一种基于嵌入式深度学习的无人机电网巡检方法和*** |
-
2021
- 2021-09-18 CN CN202111097446.7A patent/CN113888483A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311597A (zh) * | 2020-03-27 | 2020-06-19 | 国网福建省电力有限公司龙岩供电公司 | 一种缺陷绝缘子的无人机巡检方法与*** |
CN112183667A (zh) * | 2020-10-31 | 2021-01-05 | 哈尔滨理工大学 | 一种协同深度学习的绝缘子故障检测方法 |
CN112668696A (zh) * | 2020-12-25 | 2021-04-16 | 杭州中科先进技术研究院有限公司 | 一种基于嵌入式深度学习的无人机电网巡检方法和*** |
Non-Patent Citations (1)
Title |
---|
XUEFENG LI ET AL.: "Insulator Defect Recognition Based on Global Detection and Local Segmentation", 《IEEE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108365557B (zh) | 一种无人机精细化巡检输电线路的方法及*** | |
CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及*** | |
CN107014827B (zh) | 基于影像处理的输电线路缺陷分析方法、装置和*** | |
US11361423B2 (en) | Artificial intelligence-based process and system for visual inspection of infrastructure | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及*** | |
CN112883921A (zh) | 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法 | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN113792578A (zh) | 用于变电站异常的检测方法、设备及*** | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN113450471A (zh) | 一种生产园区智能巡检*** | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN115082813A (zh) | 检测方法、无人机、检测***及介质 | |
CN117498225B (zh) | 一种无人机智能电力线路巡检*** | |
CN114332713A (zh) | 一种基于物联网的施工区域运行监测方法、装置及*** | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
CN114442512A (zh) | 一种化学品安全监控*** | |
CN113592864B (zh) | 基于卷积神经网络的变压器监控方法、装置、***及介质 | |
CN113888483A (zh) | 绝缘子损坏检测方法、***及介质 | |
CN115494871A (zh) | 一种输电线路异常的无人机巡检方法、装置以及*** | |
CN114202738A (zh) | 基于边缘计算和人工智能的电网监拍方法、装置及设备 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
CN113508503A (zh) | 用于监测开关设备的装置 | |
CN111967419A (zh) | 一种坝岸险情预测方法、装置、计算机设备及存储介质 | |
CN115984756B (zh) | 一种基于数据分析的农业电网线路巡查管理方法 |
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 |
Application publication date: 20220104 |
|
RJ01 | Rejection of invention patent application after publication |