CN114565581A - 一种配电线路低值绝缘子的检测方法、记录媒体及*** - Google Patents
一种配电线路低值绝缘子的检测方法、记录媒体及*** Download PDFInfo
- Publication number
- CN114565581A CN114565581A CN202210197938.1A CN202210197938A CN114565581A CN 114565581 A CN114565581 A CN 114565581A CN 202210197938 A CN202210197938 A CN 202210197938A CN 114565581 A CN114565581 A CN 114565581A
- Authority
- CN
- China
- Prior art keywords
- insulator
- infrared image
- value
- low
- insulators
- 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 96
- 238000009826 distribution Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000001052 transient effect Effects 0.000 abstract description 3
- 239000011810 insulating material Substances 0.000 abstract description 2
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 229910052573 porcelain Inorganic materials 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process 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
- G06F18/24—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于绝缘材料性能测试技术领域，特别涉及一种配电线路低值绝缘子的检测方法，包括以下步骤：建立绝缘子红外图像模板库，将库中图像依据对应的绝缘子电阻值分类并利用神经网络建立模型，将现场拍摄的待检测绝缘子的红外图像与模板库中的图像比对，找出最接近的图像代入模型，确定该绝缘子的检测状态。该方法解决了输配电线路上需要检测的绝缘子型号、数量繁多，仅靠人工根据红外照片来确定绝缘子的服役状态已难以满足大量、实时、准确的检测要求的问题。本发明还提供了一种存储有该方法程序的非暂态可读记录媒体及包含该媒体的***，通过处理电路可以调用该程序，以执行上述方法。
Description
技术领域
本发明属于绝缘材料性能测试技术领域，公开了一种配电线路低值绝缘子的检测方法、存储有能执行该方法程序的记录媒体及***。
背景技术
瓷绝缘子广泛应用于输配电线路，起着机械支撑与电气绝缘的重要作用。瓷绝缘子主要由瓷质伞裙、连接金具及填充料组成，在批量生产制造过程中难免出现一些工艺缺陷，在内部形成微裂纹和小气隙。当投入带电运行后，瓷绝缘子需要耐受强电磁环境、强机械负荷与复杂气候环境的考验，容易发生劣化而产生低值和零值绝缘子，严重威胁输配电线路的安全稳定运行。
为了防止低值和零值绝缘子诱发输配电线路故障，相关电力规程要求对运行绝缘子进行定期检测，及时发现早期损伤和缺陷并加以评估，安排必要的维护和修复，从而确保供电可靠性。目前，电网运维人员主要通过人工登塔，采用火花叉法和电压分布法对绝缘子进行逐片测试，以判断是否存在低值绝缘子，这种方法可直观检测绝缘子性能，但存在工作量大、安全性差、检测效率低等缺点，亟需研究有效的绝缘子带电测零技术。针对低值和零值绝缘子的带电检测，国内外研究者们提出了电场测量法、红外热像法、紫外成像法、机器人检测法等多种检测方法。不同检测方法各有其优缺点，其中，红外热像法根据劣化绝缘子的温升特征与相邻正常绝缘子的差异来判别低值和零值绝缘子，因其存在非接触式、安全高效的优点，是现有技术中相对可行的带电检测方法。由于配电线路电压等级相对输电线路较低，杆塔高度有限，因此在地面上可通过同一拍摄角度拍摄大量的红外图像，红外热像法更适用于配电线路低值绝缘子检测。但是，由于输配电线路上需要检测的绝缘子型号、数量繁多，仅靠人工根据红外照片来确定绝缘子的服役状态已难以满足大量、实时、准确的检测要求。
发明内容
针对以上问题，本发明提供一种配电线路低值绝缘子的检测方法，具体方案包括如下步骤：
S1.收集配电线路绝缘子的红外图像，建立绝缘子红外图像模板库；
S2.将所述红外图像分别按所对应的多种规格绝缘子电阻值标准分类，建立绝缘子红外图像数据集；
S3：迁移LeNet-5卷积神经网络建立学习模型，将最后一个全连接层的神经元个数调整为1×2，并将输出层修改为分类输出层，利用所述绝缘子红外图像数据集对模型进行训练优化，获得绝缘子红外图像分类模型；
S4：采用序贯相似性检测算法在所述绝缘子红外图像模板库中提取与待检测图像最匹配的所述红外图像；
S5：将S4步骤中所述红外图像输入到所述绝缘子红外图像分类模型中，通过输出值判断绝缘子状态，检测出低值绝缘子。
这种检测方法通过神经网络对红外图像分类模型进行优化，实时更新红外图像分类模型，能够较准确的处理大量待检测绝缘子红外图像数据，高效地检测出低值绝缘子。
优选的，S1步骤中采用BM3D算法对所述红外图像滤波去噪，对典型角度拍摄的所述红外图像进行裁剪，利用自适应直方图均衡化进一步增强所述红外图像。
这样能够去除图像中的噪点，提取更明晰的绝缘子红外图像作为比对基准。
优选的，S1步骤中还包括采用水平翻转和上下平移的方式对所述红外图像进行增广，并统一图像大小的步骤。
由于相同状态的绝缘子安装位置可能存在差异，故采用上述增广方法来扩充同一电阻值的图像序列，统一图像大小这种标准化的操作有利于后期计算机的比对，减少计算量。
进一步的，S1中所述典型角度对于针式绝缘子为侧下方30°与侧下方45°，对于悬式绝缘子为正下方与侧下方30°。
这种典型角度针对不同外观的绝缘子拍摄的红外图像更能体现其内部各部位的温升特征。
本发明的另一方案在于提供一种非暂态可读记录媒体，用以存储包含多个指令的一个或多个程序，当执行指令时，将致使处理电路执行上述的配电线路低值绝缘子的检测方法。
本发明的又一方案在于提供一种配电线路低值绝缘子的检测***，包括处理电路及与其电性耦接的存储器，所述存储器配置储存至少一程序，所述程序包含多个指令，所述处理电路运行所述程序，能执行上述配电线路低值绝缘子的检测方法。
附图说明
图1为本发明实施例中低值绝缘子智能检测流程图；
图2为本发明实施例中***结构示意图；
图3为本发明实施例中利用卷积神经网络获得红外图像分类模型示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创新劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-3所示，本发明提供的一种配电线路低值绝缘子的检测方法包括以下步骤：
步骤1：通过现场拍摄分别收集包含P-10、P-15、PS-15、SL-15/30、XP-70型号的五种配电线路瓷绝缘子红外图像，共计900张，构建绝缘子红外图像数据集。采用BM3D算法对数据集进行滤波去噪处理，并对典型拍照角度下获得的红外图像进行绝缘子区域裁剪，再采用自适应直方图均衡化进一步增强绝缘子图像，建立绝缘子的红外图像模板库。
步骤2：在高压实验室搭建配电线路低值绝缘子带电运行模拟试验平台，如图2所示，对绝缘子加载额定电压并在典型拍摄角度下获取红外温升图像100张。要求拍摄角度为典型拍摄角度:针式绝缘子为侧下方30°与侧下方45°，对于悬式绝缘子为正下方与侧下方30°。红外温升图像中P-10和P-15型号25张，PS-15型号25张，XP-10型号25张，SL-15/30型号25张,裁剪出绝缘子区域并统一图像大小为32×32dpi，按照正常绝缘子和低值绝缘子进行分类处理，采用水平翻转和上下平移对现场拍摄、历史数据、模拟实验所获得的红外图像进行增广，建立红外图像数据库。对预处理后的绝缘子红外图像样本分为2组，一组是正常绝缘子的红外图像，另一组是低值绝缘子的红外图像，并以正常绝缘子和低值绝缘子作为标签，按照9：1的比例随机划分为训练集和测试集，训练集包含3600个样本，测试集包含400个样本。
步骤3：迁移LeNet-5深度卷积神经网络建立学习模型，将全连接层(F6)的神经元个数调整为1×2，输出OutputSize调整为2，并将输出层修改为分类输出层(Classification layer)，得到输出结果为正常绝缘子或低值绝缘子，如图3所示，利用绝缘子红外图像数据集对模型进行训练优化选。采用动量随机梯度下降算法进行网络模型的学习优化，设定动量值为0.9，学习率为0.0001，迭代轮数为20轮，每一轮迭代训练450次，最小批量数为8，训练在Matlab的仿真环境下采集全局微调的方式，获得低值绝缘子红外图像分类模型。
步骤4：采用序贯相似性检测算法(SSDA)，将模板库中图像与待检测图像进行多尺度模糊匹配，对模板图像分别进行1.1、0.9、0.8、0.6倍像素的重采样，确保模板图像与待检测图像像素统一为32×32dpi。设定动态阈值，利用动态阈值的自适应性提高匹配效率，选取最佳匹配区域为绝缘子区域并进行提取。
步骤5：将提取的32×32dpi像素图像输入到卷积神经网络分类模型中进行分类，实现配电低值绝缘子智能检测。
本实施例中，利用所有类别检测结果的平均精度的均值Accuracy评估测试集的检测结果，400个测试样本目标分类结果的Accuracy可达86.60％。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机、可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
将上述方法步骤汇编成程序再存储于硬盘或其他非暂态存储介质就构成了本发明的“一种非暂态可读记录媒体”技术方案；而将该存储介质与计算机处理器电连接，通过数据处理能完成低值绝缘子的检测，则构成本发明的“一种配电线路低值绝缘子的检测***”技术方案。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种配电线路低值绝缘子的检测方法，其特征在于包括以下步骤：
S1.收集配电线路绝缘子的红外图像，建立绝缘子红外图像模板库；
S2.将所述红外图像分别按所对应的多种规格绝缘子电阻值标准分类，建立绝缘子红外图像数据集；
S3：迁移LeNet-5卷积神经网络建立学习模型，将最后一个全连接层的神经元个数调整为1×2，并将输出层修改为分类输出层，利用所述绝缘子红外图像数据集对模型进行训练优化，获得绝缘子红外图像分类模型；
S4：采用序贯相似性检测算法在所述绝缘子红外图像模板库中提取与待检测图像最匹配的所述红外图像；
S5：将S4步骤中所述红外图像输入到所述绝缘子红外图像分类模型中，通过输出值判断绝缘子状态，检测出低值绝缘子。
2.根据权利要求1所述的一种配电线路低值绝缘子的检测方法，其特征在于，S1步骤中采用BM3D算法对所述红外图像滤波去噪，对典型角度拍摄的所述红外图像进行裁剪，利用自适应直方图均衡化进一步增强所述红外图像。
3.根据权利要求2所述的一种配电线路低值绝缘子的检测方法，其特征在于，S1步骤中还包括采用水平翻转和上下平移的方式对所述红外图像进行增广，并统一图像大小的步骤。
4.如权利要求3所述的一种配电线路低值绝缘子的检测方法，其特征在于：S1中所述典型角度对于针式绝缘子为侧下方30°与侧下方45°，对于悬式绝缘子为正下方与侧下方30°。
5.一种非暂态可读记录媒体，用以存储包含多个指令的一个或多个程序，其特征在于，当执行指令时，将致使处理电路执行权利要求1-3中任一项所述的一种配电线路低值绝缘子的检测方法。
6.一种配电线路低值绝缘子的检测***，包括处理电路及与其电性耦接的存储器，其特征在于，所述存储器配置储存至少一程序，所述程序包含多个指令，所述处理电路运行所述程序，能执行权利要求5中所述的一种配电线路低值绝缘子的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210197938.1A CN114565581A (zh) | 2022-03-02 | 2022-03-02 | 一种配电线路低值绝缘子的检测方法、记录媒体及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210197938.1A CN114565581A (zh) | 2022-03-02 | 2022-03-02 | 一种配电线路低值绝缘子的检测方法、记录媒体及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565581A true CN114565581A (zh) | 2022-05-31 |
Family
ID=81716379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210197938.1A Pending CN114565581A (zh) | 2022-03-02 | 2022-03-02 | 一种配电线路低值绝缘子的检测方法、记录媒体及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565581A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724042A (zh) * | 2022-06-09 | 2022-07-08 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路中零值绝缘子自动检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117845A1 (en) * | 2014-10-27 | 2016-04-28 | King Fahd University Petroleum and Minerals | Contamination level estimation method for high voltage insulators |
| CN107833211A (zh) * | 2017-11-01 | 2018-03-23 | 国家电网公司 | 基于红外图像的零值绝缘子自动检测方法及装置 |
| CN110136131A (zh) * | 2019-05-24 | 2019-08-16 | 贵州电网有限责任公司 | 一种基于深度学习的零值绝缘子检测方法 |
-
2022
- 2022-03-02 CN CN202210197938.1A patent/CN114565581A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160117845A1 (en) * | 2014-10-27 | 2016-04-28 | King Fahd University Petroleum and Minerals | Contamination level estimation method for high voltage insulators |
| CN107833211A (zh) * | 2017-11-01 | 2018-03-23 | 国家电网公司 | 基于红外图像的零值绝缘子自动检测方法及装置 |
| CN110136131A (zh) * | 2019-05-24 | 2019-08-16 | 贵州电网有限责任公司 | 一种基于深度学习的零值绝缘子检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张倩 等: "基于反馈机制的卷积神经网络绝缘子状态检测方法", 电工技术学报, vol. 34, no. 16, 31 August 2019 (2019-08-31), pages 3311 - 3321 * |
| 杨红梅;刘志刚;韩烨;韩志伟;: "基于快速鲁棒性特征匹配的电气化铁路绝缘子不良状态检测", 电网技术, vol. 37, no. 8, 31 August 2013 (2013-08-31), pages 2297 - 2302 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724042A (zh) * | 2022-06-09 | 2022-07-08 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路中零值绝缘子自动检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555474B (zh) | 一种基于半监督学习的光伏面板故障检测方法 | |
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
| CN105118044B (zh) | 一种轮形铸造产品缺陷自动检测方法 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及*** | |
| CN107749058B (zh) | 一种锅炉管道表面缺陷的机器视觉检测方法及*** | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN107843818B (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
| CN108108736A (zh) | 一种太阳能光伏板光斑识别方法 | |
| CN110995153B (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
| CN112036464A (zh) | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN111199213A (zh) | 一种变电站用设备缺陷检测方法及装置 | |
| CN111507975A (zh) | 一种牵引变电所户外绝缘子异常检测方法 | |
| CN114565581A (zh) | 一种配电线路低值绝缘子的检测方法、记录媒体及*** | |
| CN113837994A (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN108537792B (zh) | 一种基于卷积神经网络的电力缺陷图像识别方法 | |
| CN114037694A (zh) | 基于U-net分割的复合绝缘子缺陷诊断方法 | |
| CN116577345A (zh) | 一种锂电池极耳数量检测方法及*** | |
| CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
| CN111144420B (zh) | 基于小样本的电塔缺陷监测方法及*** | |
| CN114419356A (zh) | 一种稠密排列电力设备检测方法、***、设备及存储介质 | |
| Wang et al. | Substation Equipment Defect Detection based on Temporal-spatial Similarity Calculation | |
| CN111402552A (zh) | 一种电力设备监测报警***及方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221010 Address after: 434007 Taiyue Road, Shashi District, Jingzhou City, Hubei Province Applicant after: Hubei Electric Power Company Jingzhou Power Supply Company Applicant after: State Grid Hubei Electric Power Co., Ltd. Songzi power supply Co. Applicant after: Wuhan Nari Limited Liability Company of State Grid Electric Power Research Institute Address before: 434200 Songzi power supply company, No. 134, Lexiang Avenue, Xinjiangkou Town, Songzi City, Jingzhou City, Hubei Province Applicant before: State Grid Hubei Electric Power Co., Ltd. Songzi power supply Co. Applicant before: Wuhan Nari Limited Liability Company of State Grid Electric Power Research Institute |
|
| TA01 | Transfer of patent application right |