CN114140731B - 一种牵引变电所异常检测方法 - Google Patents
一种牵引变电所异常检测方法 Download PDFInfo
- Publication number
- CN114140731B CN114140731B CN202111494822.6A CN202111494822A CN114140731B CN 114140731 B CN114140731 B CN 114140731B CN 202111494822 A CN202111494822 A CN 202111494822A CN 114140731 B CN114140731 B CN 114140731B
- Authority
- CN
- China
- Prior art keywords
- anomaly
- distance
- input image
- data set
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 230000005856 abnormality Effects 0.000 title claims description 44
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种牵引变电所异常检测方法,包括首先建立异常检测数据集,并计算该数据集的背景条件聚类,通过构建一个距离特征提取模型对输入图像进行深度特征内距离信息提取,然后构建一个异常检测模型,并使用距离特征对该检测模型进行训练,模型的输出为输入图像对应的异常得分图,最后对该得分图进行二值化和统计分析获得异常检测结果,包括是否出现异常和异常出现的位置,同时通过对检测模型进行在线更新,使其能够适应变电所环境变化。基于本发明的技术方案,能够有效满足牵引变电所异常检测的需要。
Description
技术领域
本发明涉及智能视觉与智能***技术领域,特别地涉及一种牵引变电所异常检测方法。
背景技术
牵引变电所作为高铁牵引供电***的关键供电设施,主要承担将电力***电能变换供给高铁动车组的任务,其运行安全问题变得日益突出。发生在牵引变电所内的异常具有偶然性和不确定性,如果不能及时发现这些异常并采取相应措施,将对变电所的运行安全造成很大的威胁,甚至引起很大的安全事故。而引起牵引变电所异常的原因可能是由于设备、环境和人为等因素导致,如果在这些变电所异常或者事件造成事故之前,能够及时得以发现,则可以在第一时间采取相应的处置措施,尽可能地避免事故的发生或在最大程度上减少事故造成的影响,而这些异常都可以通过基于视觉检测的方法进行直接、有效、及时地发现。然而目前牵引变电所辅助监控***仍不成熟,对牵引变电所异常检测的研究还处于探索阶段,还难以为牵引变电所综合自动化***和管理决策提供有效的支撑。根据牵引供电***的建设要求,牵引变电所需沿铁路线路设立,所处环境往往较为复杂,造成异常的因素和出现的异常类型多样,同时异常的发生存在很大的不确定性和未知性,这包括异常出现的时间、位置与范围和异常类型的不确定性和未知性,同时有些异常还需要持续性的分析才能确定是否出现异常或者出现何种异常。现有的异常检测方法大都需要事先确定异常类型及其大量标注的数据对模型进行训练才能发挥其检测能力,这与变电所的实际情况存在前提假设的矛盾,并且还难以处理变电所异常存在的复杂性。
鉴于此,本发明提出一种牵引变电所异常检测方法,它能够有效满足牵引变电所异常检测的需要。
发明内容
针对上述现有技术中的问题,本申请提出了一种牵引变电所异常检测方法,其特征在于,包括如下步骤:
步骤S1、构建异常检测数据集,对基础数据集进行背景条件聚类;
步骤S2、构建距离特征提取模型;
步骤S3、构建异常检测网络模型;
步骤S4、采用构建的数据集对异常检测网络模型进行训练;
步骤S5、采集视频图像作为图像输入,如果输入图像为空,则整个流程中止;
步骤S6、提取距离特征;
步骤S7、检测异常发生的位置;
步骤S8、每隔β帧输入图像对异常检测网络模型进行在线更新,跳转到步骤S5。
优选地,所述步骤S1还包括:提取来自牵引变电所视频监控***的视频图像数据,对这些图像数据进行数据增强操作,包括平移、旋转、缩放、改变亮度,然后对得到的图像数据进行清洗、筛选获得基础数据集;对基础数据集中包含异常的图像进行异常标注,即将异常部分对应位置的标注图像像素值标为1,正常部分标为0,进而得到标注数据集;基础数据集与标注数据集共同构成异常检测数据集。
优选地,所述步骤S1还包括:对基础数据集进行背景条件聚类,计算基础数据集中每个图像的亮度均值,然后基于该亮度均值采用K-means算法对基础数据集进行聚类计算,获得K个背景条件聚类中心。
优选地,所述步骤S2还包括:所述距离特征提取模型包含深度特征提取网络和距离矩阵输出层;
所述深度特征提取网络采用DenseNet网络,将所述DenseNet网络的Block4模块的输出作为所提取的深度特征;
距离矩阵输出层对所述深度特征内的距离信息进行计算,将所述深度特征进行Flatting平坦化操作变为特征向量X={xn},0≤n<N,N为Xn包含的元素个数,基于X计算其每两两元素之间差值的绝对值,基于这些差值构成距离矩阵M={mi,j},0≤i,j<N,即该矩阵元素mi,j的值为对应特征向量X中xi与xj两个元素差值的绝对值,mi,j=|xi-xj|,然后对M进行归一化处理,即计算归一化的mi,j:
其中,Max(M)表示M中的最大值;M为距离特征提取模型的输出。
优选地,所述步骤S3还包括:异常检测网络模型由编解码网络和输出层构成;
所述编解码网络基于U-Net网络构建,包含依次连接的5个编码模块和5个解码模块,每个编码模块包含卷积层、ReLU激活层和最大池化层,每个解码模块包含卷积层、ReLU激活层和个上采样层;
异常检测网络模型的输出层为编解码网络的最后一层经过1×1的卷积计算得到,所述输出层的特征尺度与距离特征提取模型的输入尺度一致;异常检测网络模型的输出为对应输入图像的异常得分图,所述异常得分图中每个元素的值对应输入图像在相同位置处的像素属于异常的分数。
优选地,所述步骤S4还包括:首先将数据集中的图像输入的距离特征提取模型进行正向推理,得到该输入图像对应的距离特征,然后将所述距离特征输入异常检测网络模型进行模型训练,训练过程中的损失函数Lad计算为:
其中,yh,w表示对应输入图像的异常检测网络模型的输出,表示对应相同输入图像的数据集中对应标注的结果,H和W分别表示图像的高和宽,这里H=512,W=512;网络模型的训练方法采用Adam优化方法;训练完成后,所述异常检测网络模型具备对图像异常进行检测的检测能力。
优选地,所述步骤S5还包括:在实时处理情况下,提取通过视频监控摄像头采集并保存在存储区的视频图像,作为要进行异常检测的输入图像;在离线处理情况下,将已采集的视频文件分解为多个帧组成的图像序列,按照时间顺序,逐个提取帧图像作为输入图像。
优选地,所述步骤S6还包括:计算输入图像的亮度均值及其与所述步骤S1中得到的所有背景条件聚类中心的距离,将其中的最小距离对应的背景条件聚类中心作为输入图像的聚类中心,计算输入图像的每个像素与该聚类中心之间的差值,得到标准化后的输入图像;将所述标准化后的输入图像输入所述步骤S2中的距离特征提取模型进行正向推理,得到输入图像的距离特征。
优选地,所述步骤S7还包括:将步骤S6得到的距离特征输入异常检测网络模型进行正向推理,得到输入图像的异常得分图,对该异常得分图进行二值化处理,即对异常得分图中值大于0.5的像素,将其值置为1,否则,置为0,统计二值化处理后的异常得分图中值为1的像素数量,如果该数量大于阈值σ,则认为输入图像出现异常,否则,输入图像未出现异常;将二值化处理后的异常得分图中值为1的所有像素的坐标均值作为异常发生的位置,实现异常定位。
优选地,所述步骤S8还包括:将当前输入图像与其对应的异常得分图作为一组数据,并对输入图像进行平移、旋转、缩放、改变亮度等数据增强操作,获得在线训练数据集,将所述在线训练数据集中的图像输入距离特征提取模型进行正向推理,得到输入图像对应的距离特征,然后将该距离特征输入异常检测网络模型进行模型在线训练,训练时损失函数的计算和训练方法与步骤S4相同。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代,只要能够达到本发明的目的。
本发明提供的一种牵引变电所异常检测方法,与现有技术相比,至少具备有以下有益效果:该方法构建了一个距离特征提取模型与一个异常检测网络模型,通过距离特征提取模型对输入图像深度特征内的距离信息进行提取,然后将该距离特征输入异常检测网络模型进行训练并输出输入图像对应的异常得分图,该异常得分图表明了对应输入图像中各个位置出现异常的可能性,通过对该异常得分图进行统计分析则得到异常检测结果,包括判断是否出现异常和获得异常出现的精确位置。该方法充分发掘输入数据的距离特征信息,且不需要大量的数据标注工作,符合牵引变电所实际异常检测情况,由于增加了对数据的背景聚类操作,以及支持对异常检测模型进行在线更新,使得该方法对变电所环境变化更加鲁棒,该方法实现原理简单、有效,能够有效满足牵引变电所异常检测的需要。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1显示了本发明的牵引变电所异常检测方法流程图;
具体实施方式
下面将结合附图对本发明作进一步说明。
本发明提供了一种牵引变电所异常检测方法,技术流程图如图1所示。该方法首先建立异常检测数据集,并计算该数据集的背景条件聚类,通过构建一个距离特征提取模型对输入图像进行深度特征内距离信息提取,然后构建一个异常检测模型,并使用距离特征对该检测模型进行训练,模型的输出为输入图像对应的异常得分图,最后对该得分图进行二值化和统计分析获得异常检测结果,包括是否出现异常和异常出现的位置,同时通过对检测模型进行在线更新,使其能够适应变电所环境变化。
以某牵引变电所视频监控***为例,采用本发明的牵引变电所异常检测方法可以实现对变电所的异常检测应用,具体为,首先提取来自该牵引变电所视频监控***的视频图像数据,对这些图像数据进行数据增强操作,包括平移、旋转、缩放、改变亮度等,然后对得到的图像数据进行清洗、筛选获得基础数据集。对基础数据集中包含异常的图像进行异常标注,即将异常部分对应位置的标注图像像素值标为1,正常部分标为0,进而得到标注数据集。基础数据集与标注数据集共同构成异常检测数据集。此外,对基础数据集进行背景条件聚类,具体为,计算基础数据集中每个图像的亮度均值,然后基于该亮度均值采用K-means算法对基础数据集进行聚类计算,获得10个背景条件聚类中心。然后构建一个距离特征提取模型,它包含一个基于DenseNet的深度特征提取网络和一个距离矩阵输出层,距离矩阵输出层对深度特征内的距离信息进行计算,具体为,将深度特征进行Flatting平坦化操作变为特征向量,基于该向量计算其每两两元素之间差值的绝对值,基于这些差值构成距离矩阵,之后对距离举证进行归一化处理,作为距离特征提取模型的输出。接着构建一个基于U-Net的异常检测网络模型,其输出层为其编解码网络的最后一层经过1×1的卷积计算得到,其特征尺度与距离特征提取模型的输入尺度一致。异常检测网络模型的输出为对应输入图像的异常得分图,该异常得分图中每个元素的值对应输入图像在相同位置处该像素属于异常的分数。采用构建的数据集对异常检测网络模型进行训练,具体为,将数据集中的图像输入距离特征提取模型进行正向推理,得到该输入图像对应的距离特征,然后将该距离特征输入异常检测网络模型进行模型训练,网络模型的训练方法采用目前已被广泛使用的深度神经网络训练方法,即Adam优化方法,训练完成后,该异常检测网络模型则具备对图像中异常的检测能力。进行牵引变电所异常检测时,将来自变电所视频监控***的视频图像数据输入距离特征提取模型获得距离特征,将该结果再输入异常检测模型获得输入图像对应的异常得分图,对该异常得分图进行二值化处理,即对异常得分图中值大于0.5的像素,将其值置为1,否则,置为0,统计二值化处理后的异常得分图中值为1的像素数量,如果该数量大于阈值10,则认为输入图像出现异常,否则,输入图像未出现异常,将二值化处理后的异常得分图中值为1的所有像素的坐标均值作为异常发生的位置,实现异常定位。同时为了使异常检测模型能够适应变电所环境变化,每隔30帧输入图像对异常检测网络模型进行在线更新,具体为,将当前输入图像与其对应的异常得分图作为一组数据,并对输入图像进行平移、旋转、缩放、改变亮度等数据增强操作,获得在线训练数据集,将该数据集中的图像输入距离特征提取模型进行正向推理,得到输入图像对应的距离特征,然后将该距离特征输入异常检测网络模型进行模型在线训练。
本发明的方法还可用于需要进行图像异常检测的其它应用场合,如交通视频监控,弓网状态监测,电力线路状态检测,以及医学图像分析等。
本发明方法可通过任何计算机程序设计语言(如C语言)编程实现,基于本方法的异常检测***软件可在任何PC或者嵌入式***中实现实时异常检测应用。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (6)
1.一种牵引变电所异常检测方法,其特征在于,包括如下步骤:
步骤S1、构建异常检测数据集,对基础数据集进行背景条件聚类;
步骤S2、构建距离特征提取模型;
步骤S3、构建异常检测网络模型;
步骤S4、采用构建的数据集对异常检测网络模型进行训练;
步骤S5、采集视频图像作为图像输入,如果输入图像为空,则整个流程中止;
步骤S6、提取距离特征;
步骤S7、检测异常发生的位置;
步骤S8、每隔β帧输入图像对异常检测网络模型进行在线更新,跳转到步骤S5;
所述步骤S1还包括:提取来自牵引变电所视频监控***的视频图像数据,对这些图像数据进行数据增强操作,包括平移、旋转、缩放、改变亮度,然后对得到的图像数据进行清洗、筛选获得基础数据集;对基础数据集中包含异常的图像进行异常标注,即将异常部分对应位置的标注图像像素值标为1,正常部分标为0,进而得到标注数据集;基础数据集与标注数据集共同构成异常检测数据集;
所述步骤S1还包括:对基础数据集进行背景条件聚类,具体过程为计算基础数据集中每个图像的亮度均值,然后基于所述亮度均值采用K-means算法对基础数据集进行聚类计算,获得K个背景条件聚类中心;
所述步骤S2还包括:所述距离特征提取模型包含深度特征提取网络和距离矩阵输出层;
所述深度特征提取网络采用DenseNet网络,将所述DenseNet网络的Block4模块的输出作为所提取的深度特征;
距离矩阵输出层对所述深度特征内的距离信息进行计算,将所述深度特征进行Flatting平坦化操作变为特征向量,N为包含的元素个数,基于计算其每两两元素之间差值的绝对值,基于这些差值构成距离矩阵,即所述距离矩阵的元素的值为对应特征向量中与两个元素差值的绝对值,,然后对进行归一化处理,即计算归一化的:
,
其中,表示M中的最大值;M为距离特征提取模型的输出;
所述步骤S3还包括:异常检测网络模型由编解码网络和输出层构成;
所述编解码网络基于U-Net网络构建,包含依次连接的5个编码模块和5个解码模块,每个编码模块包含卷积层、ReLU激活层和最大池化层,每个解码模块包含卷积层、ReLU激活层和个上采样层;
异常检测网络模型的输出层为编解码网络的最后一层经过的卷积计算得到,所述输出层的特征尺度与距离特征提取模型的输入尺度一致;异常检测网络模型的输出为对应输入图像的异常得分图,所述异常得分图中每个元素的值对应输入图像在相同位置处的像素属于异常的分数。
2.根据权利要求1所述的牵引变电所异常检测方法,其特征在于,所述步骤S4还包括:首先将数据集中的图像输入到距离特征提取模型进行正向推理,得到与输入图像对应的距离特征,然后将所述距离特征输入异常检测网络模型进行模型训练,训练过程中的损失函数计算为:
,
其中,表示对应输入图像的异常检测网络模型的输出,表示对应相同输入图像的数据集中对应标注的结果,H和W分别表示图像的高和宽,这里H = 512, W = 512;网络模型的训练方法采用Adam 优化方法;训练完成后,所述异常检测网络模型具备对图像异常进行检测的检测能力。
3.根据权利要求1所述的牵引变电所异常检测方法,其特征在于,所述步骤S5还包括:在实时处理情况下,提取通过视频监控摄像头采集并保存在存储区的视频图像,作为要进行异常检测的输入图像;在离线处理情况下,将已采集的视频文件分解为多个帧组成的图像序列,按照时间顺序,逐个提取帧图像作为输入图像。
4.根据权利要求1所述的牵引变电所异常检测方法,其特征在于,所述步骤S6还包括:计算输入图像的亮度均值及其与所述步骤S1中得到的所有背景条件聚类中心的距离,将其中的最小距离对应的背景条件聚类中心作为输入图像的聚类中心,计算输入图像的每个像素与所述聚类中心之间的差值,得到标准化后的输入图像;将所述标准化后的输入图像输入所述步骤S2中的距离特征提取模型进行正向推理,得到输入图像的距离特征。
5.根据权利要求1所述的牵引变电所异常检测方法,其特征在于,所述步骤S7还包括:将步骤S6得到的距离特征输入异常检测网络模型进行正向推理,得到输入图像的异常得分图,对所述异常得分图进行二值化处理,即对异常得分图中值大于0.5的像素,将其值置为1,否则,置为0,统计二值化处理后的异常得分图中值为1的像素数量,如果所述值为1的像素数量大于阈值σ,则认为输入图像出现异常,否则,输入图像未出现异常;将二值化处理后的异常得分图中值为1的所有像素的坐标均值作为异常发生的位置,实现异常定位。
6.根据权利要求1所述的牵引变电所异常检测方法,其特征在于,所述步骤S8还包括:将当前输入图像与其对应的异常得分图作为一组数据,并对输入图像进行平移、旋转、缩放、改变亮度的数据增强操作,获得在线训练数据集,将所述在线训练数据集中的图像输入距离特征提取模型进行正向推理,得到输入图像对应的距离特征,然后将所述距离特征输入异常检测网络模型进行模型在线训练,训练时损失函数的计算和训练方法与步骤S4相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494822.6A CN114140731B (zh) | 2021-12-08 | 2021-12-08 | 一种牵引变电所异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494822.6A CN114140731B (zh) | 2021-12-08 | 2021-12-08 | 一种牵引变电所异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140731A CN114140731A (zh) | 2022-03-04 |
CN114140731B true CN114140731B (zh) | 2023-04-25 |
Family
ID=80385369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111494822.6A Active CN114140731B (zh) | 2021-12-08 | 2021-12-08 | 一种牵引变电所异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140731B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054824A (zh) * | 2023-10-12 | 2023-11-14 | 南方电网科学研究院有限责任公司 | 基于功率相似度的配电网故障定位方法、装置及相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399916A (zh) * | 2019-07-24 | 2019-11-01 | 淮阴工学院 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
CN112819705A (zh) * | 2021-01-13 | 2021-05-18 | 西安交通大学 | 一种基于网状结构与长距离相关性的真实图像去噪方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650806B (zh) * | 2016-12-16 | 2019-07-26 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
CN109785303B (zh) * | 2018-12-28 | 2020-12-11 | 上海联影智能医疗科技有限公司 | 肋骨标记方法、装置、设备以及图像分割模型的训练方法 |
EP3726469A1 (en) * | 2019-04-17 | 2020-10-21 | Siemens Healthcare GmbH | Automatic motion detection in medical image-series |
US11393088B2 (en) * | 2019-06-27 | 2022-07-19 | Nutech Ventures | Animal detection based on detection and association of parts |
CN111507975B (zh) * | 2020-04-23 | 2022-02-08 | 西南交通大学 | 一种牵引变电所户外绝缘子异常检测方法 |
CN111738342B (zh) * | 2020-06-24 | 2022-06-28 | 西南交通大学 | 一种受电弓异物检测方法、存储介质及计算机设备 |
CN112150428B (zh) * | 2020-09-18 | 2022-12-02 | 青岛大学 | 一种基于深度学习的医学图像分割方法 |
CN112766195B (zh) * | 2021-01-26 | 2022-03-29 | 西南交通大学 | 一种电气化铁路弓网燃弧视觉检测方法 |
-
2021
- 2021-12-08 CN CN202111494822.6A patent/CN114140731B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399916A (zh) * | 2019-07-24 | 2019-11-01 | 淮阴工学院 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
CN112819705A (zh) * | 2021-01-13 | 2021-05-18 | 西安交通大学 | 一种基于网状结构与长距离相关性的真实图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114140731A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别*** | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN112183313B (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN109117774B (zh) | 一种基于稀疏编码的多视角视频异常检测方法 | |
CN114332008B (zh) | 一种基于多层次特征重构的无监督缺陷检测与定位方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN113762265B (zh) | 肺炎的分类分割方法及*** | |
CN115346083A (zh) | 一种温度异常检测模型训练方法、装置、设备及介质 | |
CN114140731B (zh) | 一种牵引变电所异常检测方法 | |
CN112967252A (zh) | 一种轨道车辆机感吊架组装螺栓丢失检测方法 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾***及方法 | |
CN113343998A (zh) | 电力机械表计读数监测***、方法、计算机设备及应用 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和*** | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN116824352A (zh) | 一种基于语义分割与图像异常检测的水面漂浮物识别方法 | |
CN114689351B (zh) | 一种设备故障预测性诊断***及方法 | |
CN115761647A (zh) | 基于计算机视觉的变电站内物体运动轨迹检测方法及*** | |
CN111626102A (zh) | 基于视频弱标记的双模态迭代去噪异常检测方法及终端 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |