CN117036650B - 一种基于ar眼镜的电网维护导航方法、介质及*** - Google Patents
一种基于ar眼镜的电网维护导航方法、介质及*** Download PDFInfo
- Publication number
- CN117036650B CN117036650B CN202310979975.2A CN202310979975A CN117036650B CN 117036650 B CN117036650 B CN 117036650B CN 202310979975 A CN202310979975 A CN 202310979975A CN 117036650 B CN117036650 B CN 117036650B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- image
- glove
- glasses
- safety index
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 199
- 239000011521 glass Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003190 augmentative effect Effects 0.000 title claims description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 description 12
- 238000003709 image segmentation Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010014357 Electric shock Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/01—Head-up displays
- G02B27/017—Head mounted
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/01—Head-up displays
- G02B27/017—Head mounted
- G02B2027/0178—Eyeglass type
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Graphics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于AR眼镜的电网维护导航方法、介质及***,属于电网维护技术领域,该方法包括:获取运维人员佩戴的AR眼镜的采集到的场景图像以及位置信息;对场景图像进行预处理得到预处理图像;对预处理图像进行特征提取并识别得到场景图像内的多个设备的信息以及运维人员的手套和运维工具;根据设备信息,利用场景图像生成AR图像,AR图像上标记有运维步骤、绝对带电情况以及运维人员手套、运维工具的安全指数;将生成的AR图像发送给运维人员佩戴的AR眼镜并输出。该***包含AR眼镜、验电器,解决了当前基于AR眼镜进行电网维护过程中,缺乏对于电网设备是否带电的判断和手套、运维工具的安全指数的评估的技术问题。
Description
技术领域
本发明属于电网维护技术领域,具体而言,涉及一种基于AR眼镜的电网维护导航方法、介质及***。
背景技术
随着科技的迅速发展,电力行业作为国民经济的重要支柱行业,其设备的安全运行和维护工作显得尤为重要。传统的电网设备维护方式主要是依赖于维护人员的经验和技能,手动进行设备的检查、维修和更换等操作。然而,这种方式存在很多问题。首先,维护人员需要对电网设备的结构、性能、工作原理等有深入的了解,这对维护人员的技术水平和经验要求较高,对新入行的维护人员来说,学习和掌握这些知识需要较长的时间。其次,由于电网设备的种类和数量较多,维护人员往往需要在短时间内完成大量的维护任务,工作强度大,容易出错。最后,电网设备的运行环境往往较为恶劣,如高温、高压、高湿等,这对维护人员的身体条件和心理素质有较高的要求,也增加了工作的危险性。传统的电网设备维护方式主要依靠运维人员对设备的定期巡检和故障处理,这种方式在一定程度上能保证电网设备的正常运行,但由于人工巡检存在主观性强、效率低、易出错等问题,因此,急需一种能有效提高电网设备维护效率和准确性的新型维护方式。
近年来,随着人工智能和增强现实技术的飞速发展,其在电力行业中的应用也日益广泛。其中,增强现实(AR)技术通过将虚拟信息叠加到真实环境中,使用户可以在真实环境中接收到虚拟信息,从而提高用户的认知能力和操作效率。然而,当前AR技术在电力行业的应用主要集中在电力设备的故障诊断和维修辅助等方面,而对于电网设备的日常维护和巡检,但是缺乏对于电网设备是否带电的判断和手套、运维工具的安全指数的评估。
发明内容
有鉴于此,本发明提供一种基于AR眼镜的电网维护导航方法、介质及***,用于解决当前基于AR眼镜进行电网维护过程中,缺乏对于电网设备是否带电的判断和手套、运维工具的安全指数的评估的技术问题。
本发明是这样实现的:
本发明的第一方面提供一种基于AR眼镜的电网维护导航方法,其中,包含以下步骤:
S10、获取运维人员佩戴的AR眼镜的采集到的场景图像以及位置信息;
S20、对所述场景图像进行预处理得到预处理图像;
S30、对所述预处理图像进行特征提取并识别得到所述场景图像内的多个设备的信息以及运维人员的手套和运维工具,其中设备信息包括设备名称、设备位置、设备状态、设备结构;
S40、根据所述设备信息,利用所述场景图像生成AR图像,所述AR图像上标记有运维步骤、绝对带电情况以及运维人员手套、运维工具的安全指数;
S50、将生成的AR图像发送给运维人员佩戴的AR眼镜并输出。
对所述场景图像进行预处理的步骤包括图像降噪、图像过滤和图像增强。
在上述技术方案的基础上,本发明的一种基于AR眼镜的电网维护导航方法还可以做如下改进:
其中,所述对所述预处理图像进行特征提取并识别的步骤中,所述特征提取的算法为SIFT,所述识别的方法为卷积神经网络识别。
其中,所述根据所述设备信息,利用所述场景图像生成AR图像的步骤,具体包括:
S41、在所述场景图像上标记设备信息以及预先设置的场景运维步骤,以及根据运维人员的操作历史对所述场景运维步骤进行更新的步骤;
S42、获取运维人员手套的安全指数,并在所述场景图像的手套对应位置进行标记;
S43、获取运维工具的安全指数,并在所述场景图像的运维工具对应位置进行标记;
S44、对所述场景图像中的设备的是否带电情况进行判断,若带电,则在所述场景图像上进行绝对带电标记;
S45、对所述场景图像上的标记信息进行位置调整,避免对设备造成遮挡,其中,所述标记信息包括运维步骤、手套安全指数、运维工具安全指数、绝对带电情况;
S46、将所述标记好的场景图像调整亮度后生成AR图像。
进一步的,所述获取运维人员手套的安全指数的方法为采用预先训练好的手套安全指数模型对所述预处理图像中的手套进行计算得到,其中,所述手套安全指数模型的建立和训练步骤,具体包括:
建立第一训练样本,包括多个种类型号的手套图像,其中每个种类型号的手套为多件,每一件均存在不同程度的磨损、油渍,同时,每件手套还具有对应的安全指数,其中安全指数为根据安全运维规定人工标记获得;
利用卷积神经网络建立手套安全指数模型雏形;
使用第一训练样本对手套安全指数模型雏形进行训练得到手套安全指数模型,其中训练的输入为手套图像,训练的输出为手套图像对应的安全指数。
进一步的,所述获取运维工具的安全指数的方法为采用预先训练好的运维工具安全指数模型对所述预处理图像中的运维工具进行计算得到,其中,所述运维工具安全指数模型的建立和训练步骤,具体包括:
建立第二训练样本,包括多个种类型号的运维工具图像,其中每个种类型号的运维工具为多件,每一件均存在不同程度的磨损、损坏,同时,每件运维工具还具有对应的安全指数,其中安全指数为根据安全运维规定人工标记获得;
利用卷积神经网络建立运维工具安全指数模型雏形;
使用第二训练样本对运维工具安全指数模型雏形进行训练得到运维工具安全指数模型,其中训练的输入为运维工具图像,训练的输出为运维工具图像对应的安全指数。
进一步的,所述对所述场景图像中的设备的是否带电情况,若带电,则在所述场景图像上进行绝对带电标记进行判断的步骤,具体包括:
获取验电器在电网运维过程中采集的验电结果;
在所述验电结果中筛选带电的验电结果,并在所述场景图像中按照对应的设备进行标记。
进一步的,所述对所述场景图像上的标记信息进行位置调整的步骤,具体包括:
图像分割、将所述场景图像进行分割为多个区域;
目标检测、在所述分割后的场景图像中,进行目标检测,识别设备和标记信息;
遮挡判断和位置优化、判断标记信息是否遮挡了设备,若是,则对标记信息的位置进行调整。
进一步的,所述利用卷积神经网络建立手套安全指数模型雏形的步骤中,所述卷积神经网络采用的网络骨架是DenseNet121。
本发明的第二方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行上述的一种基于AR眼镜的电网维护导航方法。
本发明的第三方面提供一种基于AR眼镜的电网维护导航***,其中,包含AR眼镜、验电器、所述AR眼镜上设置有图像采集设备以及定位设备,其中所述验电器上设置有蓝牙装置,所述验电器通过蓝牙装置与所述AR眼镜通信连接,还包括上述的计算机可读存储介质。
与现有技术相比较,本发明提供的一种基于AR眼镜的电网维护导航方法、介质及***的有益效果是:
本发明一种基于AR眼镜的电网维护导航方法,能够有效地辅助电网运维人员进行电网设备的维护工作,可以实时监测运维人员的手套和运维工具的状态,避免因为设备或工具的问题导致的安全事故,提高电网运维的效率和安全性。下面将详细描述本发明的技术效果。
首先,本发明通过AR眼镜获取场景图像和位置信息,这种获取方式相较于传统的手持设备,可以让运维人员在操作过程中双手得以释放,可以更加方便地进行设备的维护操作。同时,AR眼镜的采集方式也更加符合人的视角,可以使运维人员更加直观地了解设备的实际状态。
其次,本发明对场景图像进行了预处理和特征提取,识别出场景图像中的设备信息以及运维人员的手套和运维工具。这样一来,可以让运维人员在进行设备维护时,对设备的状态有更加准确的了解,同时,也可以实时监测运维人员的手套和运维工具的状态,避免因为设备或工具的问题导致的安全事故。
再次,本发明根据设备信息,利用场景图像生成AR图像,标记有运维步骤、绝对带电情况以及运维人员手套、运维工具的安全指数。这样一来,运维人员在进行设备维护时,只需要通过AR眼镜就可以清楚地看到设备的运维步骤、是否有电以及手套和工具的安全指数,大大提高了运维的效率,并且降低了因为信息不明确导致的安全事故。
此外,本发明还对场景图像上的标记信息进行位置调整,避免对设备造成遮挡,这样一来,可以保证运维人员在观察设备状态时,不会因为AR眼镜上的标记信息而遮挡住设备,进一步提高了运维的效率。
最后,本发明将标记好的场景图像调整亮度后生成AR图像,并将AR图像发送给运维人员佩戴的AR眼镜进行输出。这样一来,运维人员在进行设备维护时,可以直观地看到设备的状态,提高了运维的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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他的附图。
图1为本发明提供的一种基于AR眼镜的电网维护导航方法的流程图;
图2为步骤S40的具体步骤流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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设备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”仅用于描述目的,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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1所示,是本发明第一方面提供一种基于AR眼镜的电网维护导航方法的一种实施例,在本实施例中,包含以下步骤:
S10、获取运维人员佩戴的AR眼镜的采集到的场景图像以及位置信息;
S20、对场景图像进行预处理得到预处理图像;
S30、对预处理图像进行特征提取并识别得到场景图像内的多个设备的信息以及运维人员的手套和运维工具,其中设备信息包括设备名称、设备位置、设备状态、设备结构;
S40、根据设备信息,利用场景图像生成AR图像,AR图像上标记有运维步骤、绝对带电情况以及运维人员手套、运维工具的安全指数;
S50、将生成的AR图像发送给运维人员佩戴的AR眼镜并输出。
具体来说,在步骤S20中,首先需要对场景图像进行预处理,包括噪声滤波、图像增强等操作,然后通过特征提取和模式识别技术,识别出场景图像中的设备并获取设备的位置、状态和结构信息。
首先,对场景图像进行预处理。在实际操作中,由于环境光照、设备摄像头性能等原因,采集到的场景图像可能存在噪声、模糊、对比度低等问题。因此,需要对场景图像进行噪声滤波和图像增强处理。噪声滤波可以采用中值滤波、均值滤波等方法,图像增强可以采用直方图均衡化、伽马校正等方法。
其中,在上述技术方案中,对预处理图像进行特征提取并识别的步骤中,特征提取的算法为SIFT,识别的方法为卷积神经网络识别。
具体来说,在步骤S30中,需要对预处理后的图像进行特征提取并识别出场景图像中的多个设备的信息以及运维人员的手套和运维工具。设备信息包括设备名称、设备位置、设备状态、设备结构。这一步骤包含两个主要的任务:特征提取和目标识别。
首先,进行特征提取。特征提取的目标是将输入的数据转化为一组特征,这些特征能够反映原始数据的主要特性。在的案例中,特征提取的目标是将预处理后的图像转化为一组特征,这些特征能够反映图像中的设备和运维人员的手套、运维工具的主要特性。
特征提取部分,可以采用一种常用的特征提取算法——SIFT(Scale-InvariantFeature Transform)。SIFT算法可以提取出图像的关键点并生成关键点的描述符,这些关键点和描述符对缩放、旋转、亮度变化等具有不变性,非常适合用于设备识别。
SIFT算法的主要步骤如下:
尺度空间极值检测:在不同的尺度空间中寻找图像的关键点;
关键点定位:对检测到的关键点进行精确定位,并去除不稳定的关键点;
方向分配:为每个关键点分配一个或多个方向;
描述符生成:根据关键点的方向,生成关键点的描述符。
使用深度学习中的卷积神经网络(CNN)进行特征提取。CNN是一种特殊的神经网络,它的特点是可以自动提取图像的特征。一般的CNN结构包括输入层、卷积层、池化层、全连接层和输出层。
卷积层的主要功能是进行特征提取。假设图像的尺寸为N×N,卷积核的尺寸为F×F,卷积步长为S,则卷积后的特征图的尺寸为(N-F)/S+1×(N-F)/S+1。卷积操作可以表示为:
其中,表示第l层的特征图的第i,j个元素,/>表示第l层的卷积核的第m,n个元素,b(l)表示第l层的偏置项,σ()表示激活函数,例如ReLU函数。
池化层的主要功能是进行下采样,减少特征图的尺寸,降低模型的计算复杂度。常用的池化操作包括最大池化和平均池化。例如,最大池化可以表示为:
其中,表示第l层的池化后的特征图的第i,j个元素,/>表示第l层的特征图的第i×S+m,j×S+n个元素。
然后,进行目标识别。目标识别的目标是根据提取的特征识别出图像中的设备和运维人员的手套、运维工具。使用深度学习中的YOLO(You Only Look Once)算法进行目标识别。
YOLO算法的主要思想是将目标检测问题转化为回归问题,直接预测目标的类别和位置。例如,将多个待识别的图像输入到模型内,通过人工的鉴别是否准确,每个手套/工具是否属于各个安全等级的图像等。如手套上的阴影面积、裸漏面积可能存在触电风险,工具的开胶、脱漆位置等。
其中,在上述技术方案中,根据设备信息,利用场景图像生成AR图像的步骤,具体包括:
S41、在场景图像上标记设备信息以及预先设置的场景运维步骤,以及根据运维人员的操作历史对所述场景运维步骤进行更新的步骤;
S42、获取运维人员手套的安全指数,并在场景图像的手套对应位置进行标记;实施例中提到的这些安全指数,可以是数字,如1~10的安全等级,从致命危险、重伤、残疾、轻伤、设备损害、故障、安全等进行分级。
S43、获取运维工具的安全指数,并在场景图像的运维工具对应位置进行标记;
S44、对场景图像中的设备的是否带电情况进行判断,若带电,则在场景图像上进行绝对带电标记;在现场中可以采用验电器进行验电。
S45、对场景图像上的标记信息进行位置调整,避免对设备造成遮挡,其中,标记信息包括运维步骤、手套安全指数、运维工具安全指数、绝对带电情况;
S46、将标记好的场景图像调整亮度后生成AR图像。
其中,S41中根据运维人员的操作历史对所述场景运维步骤进行更新的步骤,具体是:
步骤1:获取运维人员标准操作录像,所述标准操作为根据运维规定对同一场景的经验运维人员的操作;
步骤2:将所述运维人员标准操作录像的每一帧进行Openpose提取运维姿态得到运维Pose序列,尤其是手部姿态,所述手部姿态精确到每个手指;
步骤3:对运维Pose序列进行关键Pose提取,得到关键Pose序列;
步骤4:对当前的运维人员的操作历史与得到的关键Pose序列进行匹配,得到最匹配的关键Pose;
步骤5:获取所述关键Pose序列中最匹配的关键Pose之后的序列,作为更新的运维步骤;在这里,运维步骤不限于文字描述、位置指示以及动作指示;
其中,对运维Pose序列进行关键Pose提取,得到关键Pose序列的步骤包括:
步骤3.1、获取运维Pose序列中每个运维Pose的手部中心;
步骤3.2、利用每个运维Pose的手部中心利用紧邻聚类算法进行聚类,得到M个聚类中心,其中M∈[5,20],优选M=10;
步骤3.3、将计算得到的M个聚类中心作为M个关键Pose,并组成关键Pose序列;
其中,对运维人员的操作历史与得到的关键Pose序列进行匹配,得到最匹配的关键Pose的步骤包括:
步骤4.1、将运维人员的操作历史进行Openpose提取,得到操作历史Pose序列;
步骤4.2、获取操作历史Pose序列中每个操作历史Pose的手部中心;
步骤4.3、将操作历史Pose序列中每个操作历史Pose的手部中心形成曲线,记为第一曲线;
步骤4.4、将关键Pose序列中的每个运维Pose的手部中心形成曲线,记为第二曲线;
步骤4.5、在第二曲线上,寻找第一曲线最匹配的段落,通过坐标点,将最匹配段落的末端点最接近的运维Pose的手部中心对应的运维Pose作为标记Pose,以标记Pose左侧的关键Pose作为最匹配的关键Pose;
通过以上步骤,可以动态的区分出用户是否缺少了某个动作,并在AR眼镜的图像上标出。
其中,运维人员的操作历史为运维人员的操作记录,所述操作记录可以为空,表示运维人员还没有开始运维操作。
其中,手套的安全指数计算是一个涉及到图像处理和机器学习的复杂过程。首先,需要从场景图像中分离出手套的图像,然后根据手套的颜色、纹理、形状等特征,以及手套的磨损程度、污染程度等因素,计算出手套的安全指数。
手套图像的分离:可以使用图像分割算法,如GrabCut、Watershed等,将手套的图像从场景图像中分离出来。具体来说,需要设置一个初始的手套区域,然后利用颜色、纹理等信息,将手套的图像逐步从背景中分离出来。图像分割的目标是使得分离出的手套图像与原始手套图像尽可能一致,即分割误差尽可能小。
手套特征的提取:可以使用特征提取算法,如SIFT、SURF、HOG等,提取出手套的颜色、纹理、形状等特征。具体来说,需要计算手套图像的颜色直方图、纹理直方图、形状描述子等,以描述手套的颜色、纹理、形状信息。此外,还需要计算手套图像的磨损特征和污染特征,如磨损区域的面积比例、污染区域的面积比例等。
手套安全指数的计算:可以使用机器学习算法,如支持向量机、随机森林、神经网络等,根据手套的特征,计算出手套的安全指数。具体来说,需要建立一个手套安全指数的预测模型,该模型的输入是手套的特征,输出是手套的安全指数。需要利用已知的手套特征和安全指数数据,训练该预测模型,使得模型的预测误差尽可能小。可通过历史的事故,给予手套或工具、设备等相应的安全标记,作为历史的训练数据,通过图像中手套等对比的相似度的形式,计算手套的安全指数。
进一步的,在上述技术方案中,获取运维人员手套的安全指数的方法为采用预先训练好的手套安全指数模型对预处理图像中的手套进行计算得到,其中,手套安全指数模型的建立和训练步骤,具体包括:
建立第一训练样本,包括多个种类型号的手套图像,其中每个种类型号的手套为多件,每一件均存在不同程度的磨损、油渍,同时,每件手套还具有对应的安全指数,其中安全指数为根据安全运维规定人工标记获得;
利用卷积神经网络建立手套安全指数模型雏形;
使用第一训练样本对手套安全指数模型雏形进行训练得到手套安全指数模型,其中训练的输入为手套图像,训练的输出为手套图像对应的安全指数。
进一步的,在上述技术方案中,获取运维工具的安全指数的方法为采用预先训练好的运维工具安全指数模型对预处理图像中的运维工具进行计算得到,其中,运维工具安全指数模型的建立和训练步骤,具体包括:
建立第二训练样本,包括多个种类型号的运维工具图像,其中每个种类型号的运维工具为多件,每一件均存在不同程度的磨损、损坏,同时,每件运维工具还具有对应的安全指数,其中安全指数为根据安全运维规定人工标记获得;
利用卷积神经网络建立运维工具安全指数模型雏形;
使用第二训练样本对运维工具安全指数模型雏形进行训练得到运维工具安全指数模型,其中训练的输入为运维工具图像,训练的输出为运维工具图像对应的安全指数。
进一步的,在上述技术方案中,对场景图像中的设备的是否带电情况,若带电,则在场景图像上进行绝对带电标记进行判断的步骤,具体包括:
获取验电器在电网运维过程中采集的验电结果;
在验电结果中筛选带电的验电结果,并在场景图像中按照对应的设备进行标记。
进一步的,在上述技术方案中,对场景图像上的标记信息进行位置调整的步骤,具体包括:
图像分割、将场景图像进行分割为多个区域;
目标检测、在分割后的场景图像中,进行目标检测,识别设备和标记信息;
遮挡判断和位置优化、判断标记信息是否遮挡了设备,若是,则对标记信息的位置进行调整。
在步骤S45中,需要对场景图像上的标记信息进行位置调整,以避免对设备造成遮挡。标记信息包括运维步骤、手套安全指数、运维工具安全指数和绝对带电情况。首先,需要定义一些变量和参数。令I表示场景图像,M表示标记信息,P表示设备在图像中的位置,O表示标记信息在图像中的原始位置,N表示标记信息在图像中的新位置。
设备也可以衡量出安全指数,如现场突发的放电声,此时设备的安全指数,调节到最高危险级,用户看到AR眼镜上危险指数,可以迅速撤离。
设备的位置P可以通过步骤S30中的特征提取和识别得到。原始标记信息的位置O可以通过步骤S40和S41中的AR图像生成和设备信息标记得到,目标是找到一个新的位置N,使得标记信息M不会遮挡设备。
为了实现这一目标,可以利用图像分割和目标检测的技术。图像分割可以将图像I划分为多个区域,每个区域表示一个物体或一个背景。目标检测可以在图像中识别和定位特定的物体。在本步骤中,可以使用图像分割来划分场景图像I,并使用目标检测来识别设备和标记信息。
首先,使用图像分割算法将场景图像I划分为多个区域。这可以通过一些经典的图像分割算法如Watershed算法、K-means聚类、GrabCut算法等实现。然后,使用目标检测算法在场景图像I中识别设备和标记信息。这可以通过一些经典的目标检测算法如Faster R-CNN、YOLO、SSD等实现。
通过图像分割和目标检测,可以获取设备和标记信息在场景图像I中的位置。然后,需要判断标记信息M是否遮挡了设备。这可以通过计算设备和标记信息的交并比(Intersection over Union,IoU)来实现。IoU是一种衡量两个区域重叠程度的指标,定义为两个区域的交集面积与并集面积的比值。如果设备和标记信息的IoU大于一个预设的阈值,则认为标记信息M遮挡了设备。
设IM和IP分别表示标记信息M和设备P在场景图像I中的区域,A(IM)和A(IP)表示它们的面积,A(IM∩IP)表示它们的交集面积,A(IM∪IP)表示它们的并集面积。那么,设备和标记信息的IoU可以定义为:
如果IoU>θ,其中θ是预设的阈值,则认为标记信息M遮挡了设备。在这种情况下,需要将标记信息M的位置从O移动到N,使得IoU小于θ。这可以通过一些优化算法如梯度下降法、模拟退火算法、遗传算法等实现。
设f(N)=IoU,的目标是找到一个新的位置N,使得f(N)<θ。这是一个约束优化问题,可以通过拉格朗日乘子法将约束条件引入目标函数,构造拉格朗日函数L(N,λ)=f(N)+λ(θ-f(N)),其中λ是拉格朗日乘子。然后,通过求解L(N,λ)的极小值点,可以得到新的位置N。
总的来说,步骤S45的实施方式包括以下几个步骤:图像分割、目标检测、遮挡判断和位置优化。通过这些步骤,可以有效地避免标记信息遮挡设备,提高AR眼镜的使用体验和运维人员的工作效率。
进一步的,在上述技术方案中,利用卷积神经网络建立手套安全指数模型雏形的步骤中,卷积神经网络采用的网络骨架是DenseNet121。
DenseNet121是DenseNet(Densely Connected Convolutional Networks)的一个变体,其中121表示网络的深度,即有121层。DenseNet是一种卷积神经网络(CNN)架构,它的主要特点是网络层之间的密集连接。在DenseNet中,每个层都直接与其之前的所有层连接,这使得网络可以更好地利用前面层的特征。
DenseNet121的主要优点包括:
参数效率:由于每一层都可以直接访问所有先前层的特征,因此每一层都需要更少的参数。
提高了梯度的流动:由于每一层都可以直接访问其先前层的激活,因此梯度可以直接传递到其先前所有层,这有助于减少梯度消失问题。
提高了特征复用:由于每一层都可以直接访问其先前层的激活,因此每一层都可以在需要时重用先前层的特征。
更有效的特征融合:由于每一层都可以直接访问其先前层的激活,因此特征可以在网络的所有层之间更有效地融合。
DenseNet121在许多图像分类任务中都表现出了很好的性能,例如ImageNet大规模视觉识别挑战赛(ILSVRC)等,因此适合作为手套、运维工具的识别分析。
优选的,标记可以随着用户的动作和图像的识别而调整,例如随时用户的工作时间变动,如中间外出返回现场,周围环境中设备的不同,用户返回的前后,每个设备的运行状态不同,如温度升高、电压波动、电器设备的放电变化等,导致每个设备在用户移动的前后时间时刻,出现的状态变化也不相同,从而出现了标记的变化。
预先设置的场景的运维步骤,人员对设备的操作,从手套、操作工具、设备状态(温度、电压、放电变化等)等标记,都处于理想状态下的最小值,以确保人员的安全。
由于用户的移动,如工作过程中,临时外出后返回,错误的穿戴、拿取了他人的装备、以及期间设备的状态变化,导致了标记的不同。
此时,若继续采用用户移动前的标记继续完成后续的运维操作,则可能导致出现安全事故。因此每隔一个周期,或设备状态出现了温升超过阈值、电压的上升超过阈值、传感器检测到放电,则触发重新生成标记,以核验手套、操作工具是否符合当前设备变化状态后的情况,并将当前的场景图像的标记,与预先设置的运维的体现安全的多个标记进行对比,可以采用加权求和的方式比较,用最终的求和数值对比判断,从而确定变化后用户进行操作,是否具有安全隐患,如果求和数值大于历史运维步骤的加权求和数值,则表明存在安全隐患。
例如,用户外出吃饭前后,由于中午电网设备负荷高,对变压器相同的检修操作,在10点前,和13点操作,标记会不同,危险等级会上升,对于用户的手套,或工具设备,以避免用户出现安全事故。
本发明的第二方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行上述的一种基于AR眼镜的电网维护导航方法。
本发明的第三方面提供一种基于AR眼镜的电网维护导航***,其中,包含AR眼镜、验电器、所述AR眼镜上设置有图像采集设备以及定位设备,其中所述验电器上设置有蓝牙装置,所述验电器通过蓝牙装置与所述AR眼镜通信连接,还包括上述的计算机可读存储介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于AR眼镜的电网维护导航方法,其特征在于,包含以下步骤:
S10、获取运维人员佩戴的AR眼镜的采集到的场景图像以及位置信息;
S20、对所述场景图像进行预处理得到预处理图像;
S30、对所述预处理图像进行特征提取,并识别得到所述场景图像内的多个设备的信息以及运维人员的手套和运维工具,其中设备的信息包括设备名称、设备位置、设备状态、和/或设备结构;
S40、根据所述设备信息,利用所述场景图像生成AR图像,所述AR图像上标记有运维步骤、绝对带电情况以及运维人员手套的安全指数、运维工具的安全指数;
S50、将生成的AR图像发送给运维人员佩戴的AR眼镜并输出;
所述对所述预处理图像进行特征提取并识别的步骤中,所述特征提取的算法为SIFT,所述识别的方法为卷积神经网络识别;
所述根据所述设备信息,利用所述场景图像生成AR图像的步骤,具体包括:
S41、在所述场景图像上标记设备信息以及预先设置的场景运维步骤,以及根据运维人员的操作历史对所述场景运维步骤进行更新的步骤;
S42、获取运维人员手套的安全指数,并在所述场景图像的手套所在位置进行标记;
S43、获取运维工具的安全指数,并在所述场景图像的运维工具所在位置进行标记;
S44、对所述场景图像中的设备的是否带电情况进行判断,若带电,则在所述场景图像上进行绝对带电标记;
S45、对所述场景图像上的标记的位置进行位置调整,调整到不遮挡被标记目标的位置,其中,所述标记具有以下信息,包括:运维步骤、手套安全指数、运维工具安全指数和绝对带电情况;
S46、将所述标记后的场景图像调整亮度后生成所述AR图像。
2.根据权利要求1所述的一种基于AR眼镜的电网维护导航方法,其特征在于,所述获取运维人员手套的安全指数的步骤,为采用预先训练好的手套安全指数模型对所述预处理图像中的手套进行计算得到,其中,所述手套安全指数模型的建立和训练步骤,具体包括:
建立第一训练样本,包括多个种类型号的手套图像,其中每个种类型号的手套为多件,每一件均存在不同程度的磨损、油渍,同时,每件手套还具有对应的安全指数,其中安全指数为根据安全运维规定人工标记获得;
利用卷积神经网络建立手套安全指数模型雏形;
使用第一训练样本对手套安全指数模型雏形进行训练得到手套安全指数模型,其中训练的输入为手套图像,训练的输出为手套图像对应的安全指数。
3.根据权利要求1所述的一种基于AR眼镜的电网维护导航方法,其特征在于,所述获取运维工具的安全指数的步骤,为采用预先训练好的运维工具安全指数模型对所述预处理图像中的运维工具进行计算得到,其中,所述运维工具安全指数模型的建立和训练步骤,具体包括:
建立第二训练样本,包括多个种类型号的运维工具图像,其中每个种类型号的运维工具为多件,每一件均存在不同程度的磨损、损坏,同时,每件运维工具还具有对应的安全指数,其中安全指数为根据安全运维规定人工标记获得;
利用卷积神经网络建立运维工具安全指数模型雏形;
使用第二训练样本对运维工具安全指数模型雏形进行训练,得到运维工具安全指数模型,其中训练的输入为运维工具图像,训练的输出为运维工具图像对应的安全指数。
4.根据权利要求1所述的一种基于AR眼镜的电网维护导航方法,其特征在于,所述对所述场景图像中的设备的是否带电情况,若带电,则在所述场景图像上进行绝对带电标记进行判断的步骤,具体包括:
获取验电器在电网运维过程中采集的验电结果;
在所述验电结果中筛选带电的验电结果,并在所述场景图像中按照对应的设备进行标记。
5.根据权利要求1所述的一种基于AR眼镜的电网维护导航方法,其特征在于,所述对所述场景图像上的标记进行位置调整的步骤,具体包括:
将所述场景图像进行分割为多个区域;
在所述分割后的每个区域内的场景图像中,进行被标记的目标检测,识别所述设备和所述标记及其信息;
判断所述标记及其信息是否遮挡了所述手套、所述运维工具、所述设备,若是,则对所述标记及其信息的位置进行调整。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行权利要求1-5任一项所述的一种基于AR眼镜的电网维护导航方法。
7.一种基于AR眼镜的电网维护导航***,其特征在于,包含AR眼镜、验电器、所述AR眼镜上设置有图像采集设备以及定位设备,其中所述验电器上设置有蓝牙装置,所述验电器通过蓝牙装置与所述AR眼镜通信连接,还包括权利要求6所述的计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979975.2A CN117036650B (zh) | 2023-08-04 | 2023-08-04 | 一种基于ar眼镜的电网维护导航方法、介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979975.2A CN117036650B (zh) | 2023-08-04 | 2023-08-04 | 一种基于ar眼镜的电网维护导航方法、介质及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036650A CN117036650A (zh) | 2023-11-10 |
CN117036650B true CN117036650B (zh) | 2024-03-12 |
Family
ID=88638474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979975.2A Active CN117036650B (zh) | 2023-08-04 | 2023-08-04 | 一种基于ar眼镜的电网维护导航方法、介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036650B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952529A (zh) * | 2017-05-25 | 2017-07-14 | 广东电网有限责任公司教育培训评价中心 | 变电站吊车作业安全演练方法、装置以及*** |
CN107333111A (zh) * | 2017-08-07 | 2017-11-07 | 国家电网公司 | 一种变电站设备巡检的方法、装置及*** |
CN107610269A (zh) * | 2017-09-12 | 2018-01-19 | 国网上海市电力公司 | 一种基于ar的电网大数据智能巡检***及其智能巡检方法 |
CN109858636A (zh) * | 2018-12-28 | 2019-06-07 | 中国电力科学研究院有限公司 | 基于混合现实的电力线路带电作业方法及设备 |
CN110413122A (zh) * | 2019-07-30 | 2019-11-05 | 厦门大学嘉庚学院 | 一种具有工作场景识别的ar眼镜应用方法及*** |
CN110502119A (zh) * | 2019-08-28 | 2019-11-26 | 国网上海市电力公司 | 基于虚拟现实的变压器故障案例可视化交互方法与*** |
CN110728670A (zh) * | 2019-10-14 | 2020-01-24 | 贵州电网有限责任公司 | 一种基于ar技术的低压设备运维方法 |
CN111722714A (zh) * | 2020-06-17 | 2020-09-29 | 贵州电网有限责任公司 | 一种基于ar技术的数字化变电站计量运检辅助方法 |
CN112018892A (zh) * | 2020-09-04 | 2020-12-01 | 南京太司德智能电气有限公司 | 一种电力运维远程指导*** |
CN114220117A (zh) * | 2021-11-01 | 2022-03-22 | 浙江大华技术股份有限公司 | 一种穿戴合规性检测方法、装置和计算机可读存储介质 |
WO2023097016A2 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
-
2023
- 2023-08-04 CN CN202310979975.2A patent/CN117036650B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952529A (zh) * | 2017-05-25 | 2017-07-14 | 广东电网有限责任公司教育培训评价中心 | 变电站吊车作业安全演练方法、装置以及*** |
CN107333111A (zh) * | 2017-08-07 | 2017-11-07 | 国家电网公司 | 一种变电站设备巡检的方法、装置及*** |
CN107610269A (zh) * | 2017-09-12 | 2018-01-19 | 国网上海市电力公司 | 一种基于ar的电网大数据智能巡检***及其智能巡检方法 |
CN109858636A (zh) * | 2018-12-28 | 2019-06-07 | 中国电力科学研究院有限公司 | 基于混合现实的电力线路带电作业方法及设备 |
CN110413122A (zh) * | 2019-07-30 | 2019-11-05 | 厦门大学嘉庚学院 | 一种具有工作场景识别的ar眼镜应用方法及*** |
CN110502119A (zh) * | 2019-08-28 | 2019-11-26 | 国网上海市电力公司 | 基于虚拟现实的变压器故障案例可视化交互方法与*** |
CN110728670A (zh) * | 2019-10-14 | 2020-01-24 | 贵州电网有限责任公司 | 一种基于ar技术的低压设备运维方法 |
CN111722714A (zh) * | 2020-06-17 | 2020-09-29 | 贵州电网有限责任公司 | 一种基于ar技术的数字化变电站计量运检辅助方法 |
CN112018892A (zh) * | 2020-09-04 | 2020-12-01 | 南京太司德智能电气有限公司 | 一种电力运维远程指导*** |
CN114220117A (zh) * | 2021-11-01 | 2022-03-22 | 浙江大华技术股份有限公司 | 一种穿戴合规性检测方法、装置和计算机可读存储介质 |
WO2023097016A2 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
Non-Patent Citations (6)
Title |
---|
AR增强现实技术在变电站二次设备运检中的应用;简学之;刘子俊;文明浩;张惠仙;;电力***保护与控制;第48卷(第15期);第170-176页 * |
AR技术在用电信息采集***运维中的应用;张秋雁;张俊玮;丁超;钱威;黎世华;;自动化与仪表;第35卷(第04期);第30-33页 * |
Efficiency and Satety Improvement of Power Equipment Smart Inspection and Operation vir Augmented Reality Glasses based on AI Technology;Xiaoxiong Lu et al.;《2022 the 4th World Symposium on Artificial Intelligence》;第18-23页 * |
基于增强现实技术(AR)的变电站动态运维关键技术研究;彭博;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》;全文 * |
智能眼镜在变电站电力设备智能巡检中的应用分析;王永明;黄春红;李鹏;李宽宏;林力辉;;科技视界(第18期);第42-43页 * |
面向电网调度故障处理的知识图谱框架与关键技术初探;乔骥;王新迎;闵睿;白淑华;姚冬;蒲天骄;;中国电机工程学报;第40卷(第18期);第5837-5849页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036650A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
KR101549645B1 (ko) | 표정 동작사전을 이용한 표정인식 방법 및 장치 | |
CN103390164B (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN112149514B (zh) | 一种施工作业人员的安全着装检测方法及*** | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
Yoo et al. | Development of a crack recognition algorithm from non-routed pavement images using artificial neural network and binary logistic regression | |
CN106709518A (zh) | 基于Android平台的盲道识别*** | |
CN112446870B (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
CN116108397B (zh) | 融合多模态数据分析的电力现场作业违章行为识别方法 | |
Han et al. | Recognition and location of steel structure surface corrosion based on unmanned aerial vehicle images | |
CN112966618A (zh) | 着装识别方法、装置、设备及计算机可读介质 | |
Vasseur et al. | Perceptual organization approach based on Dempster–Shafer theory | |
Ngxande et al. | Detecting inter-sectional accuracy differences in driver drowsiness detection algorithms | |
Ali et al. | Substation Danger Sign Detection and Recognition using Convolutional Neural Networks | |
CN116872961B (zh) | 用于智能驾驶车辆的控制*** | |
CN117036650B (zh) | 一种基于ar眼镜的电网维护导航方法、介质及*** | |
Guili et al. | A man-made object detection algorithm based on contour complexity evaluation | |
Zhou et al. | Road detection based on edge feature with GAC model in aerial image | |
CN116862952B (zh) | 一种用于相似背景条件下的变电站作业人员视频追踪方法 | |
CN116503406B (zh) | 基于大数据的水利工程信息管理*** | |
Yang et al. | A Deep Learning-based Framework for Vehicle License Plate Detection. | |
CN114004963B (zh) | 目标类别识别方法、装置及可读存储介质 | |
Ebenezer et al. | Identification of civil infrastructure damage using ensemble transfer learning model | |
Gowtham et al. | Text Detection and Language Identification on Natural Scene Images using Faster R-CNN | |
CN117058627B (zh) | 一种公共场所人群安全距离监测方法、介质及*** |
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 |