CN114220084A - 一种基于红外图像的配电设备缺陷识别方法 - Google Patents
一种基于红外图像的配电设备缺陷识别方法 Download PDFInfo
- Publication number
- CN114220084A CN114220084A CN202111332639.6A CN202111332639A CN114220084A CN 114220084 A CN114220084 A CN 114220084A CN 202111332639 A CN202111332639 A CN 202111332639A CN 114220084 A CN114220084 A CN 114220084A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- infrared image
- similarity
- distribution equipment
- 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 74
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外图像的配电设备缺陷识别方法,包括:实时采集配电设备的红外图像,预处理所述红外图像;利用深度神经网络对预处理后的红外图像进行特征提取,根据提取的特征得到所述配电设备的种类及位置;利用最大灰度梯度获得疑似缺陷设备;根据配电设备的种类和位置选取同类正常设备,计算所述疑似缺陷设备与所述同类正常设备之间的时空相似度,判断所述配电设备是否存在缺陷。本发明相比于同类模型,同时考虑了时间、空间上的多因素相似度,大大提高了识别准确率和可靠性。
Description
技术领域
本发明涉及配电设备的技术领域,尤其涉及一种基于红外图像的配电设备缺陷识别方法。
背景技术
随着国家经济发展,居民和企业用电需求快速增长,部分地区电力供应出现紧张,给电力***带来了新的挑战。作为电网重要组成部分,变电站高压电气设备的正常运行与供电可靠性息息相关,因此,实时监测、定期巡检、及时排除故障以保证电力设备安全稳定运行变得即为关键,目前,不少变电站安装了远程监控***,以实现监控现场设备、控制摄像机运动及录像等功能。除此以外,无人机、巡检机器人等自动巡检设备也被广泛投入使用,然而,在上述过程中获取的大量图片很难通过人工查看的方式满足实时性要求,且人为因素会极大影响监测效果,当肉眼无法快速识别设备异常时,往往会出现误报、漏报等情况,因此,如何实现变电站设备缺陷检测自动化成为了当前的研究重点。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术中,获取的大量图片很难通过人工查看的方式满足实时性要求,且人为因素会极大影响监测效果,当肉眼无法快速识别设备异常时,往往会出现误报、漏报等情况。
为解决上述技术问题,本发明提供如下技术方案:实时采集配电设备的红外图像,预处理所述红外图像;利用深度神经网络对预处理后的红外图像进行特征提取,根据提取的特征得到所述配电设备的种类及位置;利用最大灰度梯度获得疑似缺陷设备;根据配电设备的种类和位置选取同类正常设备,计算所述疑似缺陷设备与所述同类正常设备之间的时空相似度,判断所述配电设备是否存在缺陷。
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:所述深度神经网络包括基础网络、区域候选网络、分类分支以及掩膜分支。
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:利用所述最大灰度梯度获得疑似缺陷设备包括,单通道红外图像和灰度图像的转化方程如下:
其中,g(m,n),Q(m,n)分别表示像素点位置(m,n)处的灰度值和红外图像像素值,Qmax表示整幅红外图像中的最大像素值;
根据灰度计算出图像的灰度梯度值:
M(m,n)=|gx(m,n)|+|gy(m,n)|
gx(m,n)=g(m+1,n)-g(m,n)
gy(m,n)=g(m,n+1)-g(m,n)
其中,M(m,n),gx(m,n),gy(m,n)分别表示像素点位置(m,n)处的整体、x方向、y方向的灰度梯度值;
根据整幅图中最大M(m,n)是否超过阈值可以判断是否存在可能的缺陷点。
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:当所采集的图像为多张红外图像时,获取所述疑似缺陷设备过程包括,定义拍摄N张图片I1,I2,…,IN,根据拍摄时间以及环境温度对N张图片进行分类,分为C1,C2,…,CP;利用图像分割算法获得初步分割结果,计算每张照片中疑似缺陷区域和正常区域的相似度,判断是否存在缺陷,其中正常区域包含同一照片中的周围区域以及同类照片中的相同区域,即:
其中,sl表示第l张图片中疑似缺陷区域与正常区域的相似度,包含两部分,权重系数γ用于平衡两种相似度,s表示两个区域间的相似度计算公式,表示第l张图片中疑似缺陷区域,表示第l张图片中的其余区域,表示第l张图片中疑似缺陷区域的周围区域集合,表示该集合的大小,表示第j张图片中的同一区域,Cp\L表示第l张图片所属类别中正常设备图片集合,|Cp\L|表示该集合的大小。
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:所述和的确定方式包括,对于第l张图片,存在疑似缺陷区域,所述区域属于某个设备,所述设备所在像素位置由目标辨识网络给出,则为所述设备内部的其余所有区域;对于与第l张图片同属类别的第j张图片,利用目标辨识网络找到同一设备,然后在设备内部寻找与相似度最高的区域,即为
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:所述时空相似度计算过程包括,颜色相似度的计算:采用直方图统计向量计算,设区域通道数为c,每个通道直方图组数则颜色相似度sc计算公式可表示为:
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:还包括,大小相似度的计算公式:
其中,size(im)表示整幅图片的像素数。
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:还包括,形状相似度的计算:
作为本发明所述的基于红外图像的配电设备缺陷识别方法的一种优选方案,其中:所述相似度计算包括,
s(Ri,Rj)=α1sc+α2st+α3ss+α4sf
其中,α=(α1,α2,α3,α4)为权重向量。
本发明的有益效果:本发明相比于同类模型,同时考虑了时间、空间上的多因素相似度,大大提高了识别准确率和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于红外图像的配电设备缺陷识别方法的设备缺陷辨识模型示意图;
图2为本发明一个实施例提供的一种基于红外图像的配电设备缺陷识别方法的变电站设备红外图像数据集示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
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它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于红外图像的配电设备缺陷识别方法,包括:
S1:实时采集配电设备的红外图像,预处理红外图像。
需要说明的是,预处理红外图像为对图像进行灰度化处理。
S2:利用深度神经网络对预处理后的红外图像进行特征提取,根据提取的特征得到配电设备的种类及位置。
需要说明的是,深度神经网络包括基础网络、区域候选网络、分类分支以及掩膜分支。
具体的,基础网络用于从原始图像中提取特征,往往采用ResNet网络。为了减少这部分网络对数据的依赖性,通常在大型数据集上进行预训练,对于预训练好的网络模型,固定前几层网络权重,在目标数据集上对最后几层网络进行训练即可。区域候选网络用于生成一系列候选区域并提取区域特征,该网络基于基础网络提取出的特征预测候选区域,池化层根据候选区域位置提取相应特征,作为后续对目标物体分类和精细定位的基础。
之后利用分类分支和掩模分支对目标物体进行分类、精细定位以及像素点位置确定,两个分支独立运行,对不同目标物体进行并行处理。其中分类分支根据目标区域特征判断目标类别,并进一步调整边界框;掩膜分支则根据目标区域特征判断物体所在像素点位置,即掩膜。
S3:利用最大灰度梯度获得疑似缺陷设备。
需要说明的是,对于红外图像,灰度与设备温度相对应,如果某一部件出现缺陷,该区域温度异常,与周围区域存在较大温差,即灰度梯度急剧增大,因此通过计算设备所在像素点区域的灰度梯度,可以寻找出可能的温度异常区域。
具体的,单通道红外图像和灰度图像的转化方程如下:
其中,g(m,n),Q(m,n)分别表示像素点位置(m,n)处的灰度值和红外图像像素值,Qmax表示整幅红外图像中的最大像素值;
根据灰度计算出图像的灰度梯度值:
M(m,n)=|gx(m,n)|+|gy(m,n)|
gx(m,n)=g(m+1,n)-g(m,n)
gy(m,n)=g(m,n+1)-g(m,n)
其中,M(m,n),gx(m,n),gy(m,n)分别表示像素点位置(m,n)处的整体、x方向、y方向的灰度梯度值;
根据整幅图中最大M(m,n)是否超过阈值可以判断是否存在可能的缺陷点。
进一步的,对于同一巡检设备往往在一段时间内会多次巡检,假设共计拍摄N张图片,对于每张图片计算灰度梯度,发现其中L张图片可能存在缺陷,下面介绍如何利用N张图片判断L张图片中设备是否存在缺陷。
其中,设备的发热情况和工况、环境温度均存在相关性,工况往往和运行时刻有关,因此,首先根据拍摄时间以及环境温度对N张图片进行分类,分类标准为同类别图片中设备整体温度相近,不同类别图片中设备整体温度相差较大,设备整体温度可根据目标辨识结果确定设备所在像素点位置,从而计算平均温度获得。
如图1所示为设备缺陷辨识模型示意图,假设对于已拍摄的N张图片I1,I2,…,IN,利用上述标准划分为P类C1,C2,…,CP,对于L张可能存在缺陷的图片,首先利用基于图的图像分割算法获得初步分割结果,再计算每张照片中疑似缺陷区域和正常区域的相似度,判断是否存在缺陷,其中正常区域包含同一照片中的周围区域以及同类照片中的相同区域,即:
其中,sl表示第l张图片中疑似缺陷区域与正常区域的相似度,包含两部分,权重系数γ用于平衡两种相似度,s表示两个区域间的相似度计算公式,表示第l张图片中疑似缺陷区域,表示第l张图片中的其余区域,表示第l张图片中疑似缺陷区域的周围区域集合,表示该集合的大小,表示第j张图片中的同一区域,Cp\L表示第l张图片所属类别中正常设备图片集合,|Cp\L|表示该集合的大小。
S4:根据配电设备的种类和位置选取同类正常设备,计算疑似缺陷设备与同类正常设备之间的时空相似度,判断配电设备是否存在缺陷。
需要说明的是,时空相似度计算过程包括:
(3)大小相似度的计算公式:
其中,size(im)表示整幅图片的像素数。
(4)形状相似度的计算:
最终,相似度计算表示为:
s(Ri,Rj)=α1sc+α2st+α3ss+α4sf
其中,α=(α1,α2,α3,α4)为权重向量。
实施例2
参照图2为本发明另一个实施例,该实施例不同于第一个实施例的是,提供了一种基于红外图像的配电设备缺陷识别方法的验证测试,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
本实施例采用的数据集包含384张现场拍摄的变电站设备红外图像,其中76张包含设备缺陷,电力设备种类包含变压器、开关设备、套管、互感器、避雷器,数据集中的典型场景如图2所示,采用本方法模型和另外两种单阶段目标辨识模型——YOLO网络和SSD网络进行对比测试,其对比结果如下表所示。
表1:不同目标辨识模型对应平均准确率。
模型 | mAP | AP<sub>50</sub> | AP<sub>75</sub> |
Mask RCNN | 0.822 | 0.851 | 0.814 |
YOLO | 0.758 | 0.805 | 0.748 |
SSD | 0.770 | 0.827 | 0.761 |
表2:不同缺陷识别模型对应准确率。
模型 | 正常设备 | 缺陷设备 | 综合 |
STSC | 0.952 | 0.912 | 0.924 |
Watershed | 0.864 | 0.784 | 0.808 |
DBSCAN | 0.901 | 0.830 | 0.851 |
从表1可以看出,本发明方法的准确率明显高于其余两种网络,表2给出了不同缺陷识别模型对应的平均准确率,可以看到,基于时空相似度计算的缺陷辨识方法对应的准确率明显高于其余两种方法,因此,本发明具有更好的鲁棒性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于红外图像的配电设备缺陷识别方法,其特征在于,包括:
实时采集配电设备的红外图像,预处理所述红外图像;
利用深度神经网络对预处理后的红外图像进行特征提取,根据提取的特征得到所述配电设备的种类及位置;
利用最大灰度梯度获得疑似缺陷设备;
根据配电设备的种类和位置选取同类正常设备,计算所述疑似缺陷设备与所述同类正常设备之间的时空相似度,判断所述配电设备是否存在缺陷。
2.如权利要求1所述的基于红外图像的配电设备缺陷识别方法,其特征在于:所述深度神经网络包括基础网络、区域候选网络、分类分支以及掩膜分支。
3.如权利要求1所述的基于红外图像的配电设备缺陷识别方法,其特征在于:利用所述最大灰度梯度获得疑似缺陷设备包括,
单通道红外图像和灰度图像的转化方程如下:
其中,g(m,n),Q(m,n)分别表示像素点位置(m,n)处的灰度值和红外图像像素值,Qmax表示整幅红外图像中的最大像素值;
根据灰度计算出图像的灰度梯度值:
M(m,n)=|gx(m,n)|+|gy(m,n)|
gx(m,n)=g(m+1,n)-g(m,n)
gy(m,n)=g(m,n+1)-g(m,n)
其中,M(m,n),gx(m,n),gy(m,n)分别表示像素点位置(m,n)处的整体、x方向、y方向的灰度梯度值;
根据整幅图中最大M(m,n)是否超过阈值可以判断是否存在可能的缺陷点。
4.如权利要求1或3所述的基于红外图像的配电设备缺陷识别方法,其特征在于:当所采集的图像为多张红外图像时,获取所述疑似缺陷设备过程包括,
定义拍摄N张图片I1,I2,…,IN,根据拍摄时间以及环境温度对N张图片进行分类,分为C1,C2,…,CP;
利用图像分割算法获得初步分割结果,计算每张照片中疑似缺陷区域和正常区域的相似度,判断是否存在缺陷,其中正常区域包含同一照片中的周围区域以及同类照片中的相同区域,即:
10.如权利要求6~9所述的基于红外图像的配电设备缺陷识别方法,其特征在于:所述相似度计算包括,
s(Ri,Rj)=α1sc+α2st+α3ss+α4sf
其中,α=(α1,α2,α3,α4)为权重向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332639.6A CN114220084A (zh) | 2021-11-11 | 2021-11-11 | 一种基于红外图像的配电设备缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332639.6A CN114220084A (zh) | 2021-11-11 | 2021-11-11 | 一种基于红外图像的配电设备缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114220084A true CN114220084A (zh) | 2022-03-22 |
Family
ID=80696978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111332639.6A Pending CN114220084A (zh) | 2021-11-11 | 2021-11-11 | 一种基于红外图像的配电设备缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114220084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471503A (zh) * | 2022-11-03 | 2022-12-13 | 江西捷锐机电设备有限公司 | 用于数控剖锭机的设备异常检测方法 |
-
2021
- 2021-11-11 CN CN202111332639.6A patent/CN114220084A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471503A (zh) * | 2022-11-03 | 2022-12-13 | 江西捷锐机电设备有限公司 | 用于数控剖锭机的设备异常检测方法 |
CN115471503B (zh) * | 2022-11-03 | 2023-04-07 | 江西捷锐机电设备有限公司 | 用于数控剖锭机的设备异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检***及方法 | |
CN112435221B (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN111949809B (zh) | 一种输电线路红外巡检数据智能处理方法 | |
CN111814704B (zh) | 基于级联注意力与点监督机制的全卷积考场目标检测方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN109872317A (zh) | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN112183438B (zh) | 基于小样本学习神经网络的违规行为的图像识别方法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
Lin et al. | An intelligent infrared image fault diagnosis for electrical equipment | |
CN109684905A (zh) | 基于图像辨识的架空导线的覆冰质量检测的方法 | |
CN112115770A (zh) | 一种用于架空线路无人机自主巡检缺陷识别的方法及*** | |
CN108664886A (zh) | 一种适应变电站进出监控需求的人脸快速识别方法 | |
CN108596196A (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN114220084A (zh) | 一种基于红外图像的配电设备缺陷识别方法 | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
CN114387558A (zh) | 一种基于多维视频的变电站监控方法及*** | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 |
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 |