CN117575165B - 一种数字化配电网的智能巡检管理方法及*** - Google Patents
一种数字化配电网的智能巡检管理方法及*** Download PDFInfo
- Publication number
- CN117575165B CN117575165B CN202311651704.0A CN202311651704A CN117575165B CN 117575165 B CN117575165 B CN 117575165B CN 202311651704 A CN202311651704 A CN 202311651704A CN 117575165 B CN117575165 B CN 117575165B
- Authority
- CN
- China
- Prior art keywords
- inspection
- target
- images
- sets
- management
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 132
- 238000007689 inspection Methods 0.000 claims abstract description 200
- 239000013598 vector Substances 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000013507 mapping Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种数字化配电网的智能巡检管理方法及***,涉及图像处理技术领域,采集巡检节点红外图像并预处理,结合正常图像输入构建的巡检识别通道,对多个判断结果进行筛选与灰度化,计算多个窗口的局部向量,进而计算目标相似度以进行节点异常等级决策和管理方案决策,解决了现有技术中对于配电网巡检无法做到无接触式巡检,且巡检时会影响电网运行,部分自动化巡检手段准确性较低,无法满足配电网的运维需求的技术问题,针对巡检节点采集红外图像并基于孪生网络进行建模相似度分析以确定存异图像;结合决策树构建独立处理通道,进行异常等级与管理方案的决策,实现配电网运行的无接触式巡检与精准化决策管理,保障运维的及时有效性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种数字化配电网的智能巡检管理方法及***。
背景技术
电力供应是生活、生产的必须保障,对于配电网故障问题的及时发现与有效处理为维系整体安全稳定运行的基础,如今配电网的建设方面还存在一定的技术局限。现有技术中,对于配电网巡检无法做到无接触式巡检,并且巡检时会影响电网运行,部分自动化巡检手段准确性较低,无法满足配电网的运维需求。
发明内容
本申请提供了一种数字化配电网的智能巡检管理方法及***,用于针对解决现有技术中存在的对于配电网巡检无法做到无接触式巡检,并且巡检时会影响电网运行,部分自动化巡检手段准确性较低,无法满足配电网的运维需求的技术问题。
鉴于上述问题,本申请提供了一种数字化配电网的智能巡检管理方法及***。
第一方面,本申请提供了一种数字化配电网的智能巡检管理方法,所述方法包括:
在进行巡检的配电网内,采集多个巡检节点的多个红外图像;
构建巡检识别通道,所述巡检识别通道内包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;
将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,每个判断结果内包括预处理的红外图像是否与正常图像一致的判断结果;
对于判断结果为否的多个目标红外图像和多个目标正常图像,进行灰度化处理,并计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合;
根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度;
根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案,对多个目标巡检节点进行巡检管理。
第二方面,本申请提供了一种数字化配电网的智能巡检管理***,所述***包括:
图像采集模块,所述图像采集模块用于在进行巡检的配电网内,采集多个巡检节点的多个红外图像;
通道构建模块,所述通道构建模块用于构建巡检识别通道,所述巡检识别通道内包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;
图像判断模块,所述图像判断模块用于将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,每个判断结果内包括预处理的红外图像是否与正常图像一致的判断结果;
局部向量获取模块,所述局部向量获取模块用于对于判断结果为否的多个目标红外图像和多个目标正常图像,进行灰度化处理,并计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合;
相似度计算模块,所述相似度计算模块用于根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度;
决策管理模块,所述决策管理模块用于根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案,对多个目标巡检节点进行巡检管理。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种数字化配电网的智能巡检管理方法,在进行巡检的配电网内,采集多个巡检节点的多个红外图像;构建巡检识别通道,包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,筛选判断结果为否的多个目标红外图像和多个目标正常图像进行灰度化处理,计算多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合,并计算获取多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案进行所述多个目标巡检节点的巡检管理。
本申请解决了现有技术中存在的对于配电网巡检无法做到无接触式巡检,并且巡检时会影响电网运行,部分自动化巡检手段准确性较低,无法满足配电网的运维需求的技术问题,引入红外图像以及相似度分析,针对巡检节点采集红外图像并基于孪生网络进行建模相似度分析以确定存异图像,结合决策树构建独立处理通道,进行异常等级与管理方案的决策,实现配电网运行的无接触式巡检与精准化决策管理,保障运维的及时有效性。
附图说明
图1为本申请提供了一种数字化配电网的智能巡检管理方法流程示意图;
图2为本申请提供了一种数字化配电网的智能巡检管理方法中巡检识别通道构建流程示意图;
图3为本申请提供了一种数字化配电网的智能巡检管理方法中多个目标节点异常度和多个目标节点管理方案获取流程示意图;
图4为本申请提供了一种数字化配电网的智能巡检管理***结构示意图。
附图标记说明:图像采集模块11,通道构建模块12,图像判断模块13,局部向量获取模块14,相似度计算模块15,决策管理模块16。
具体实施方式
本申请通过提供一种数字化配电网的智能巡检管理方法及***,采集多个巡检节点的红外图像并进行预处理,结合正常图像输入构建的巡检识别通道,对多个判断结果进行筛选与灰度化处理,计算多个窗口的局部向量,进而计算目标相似度以进行节点异常等级决策和管理方案决策,用于解决现有技术中存在的对于配电网巡检无法做到无接触式巡检,并且巡检时会影响电网运行,部分自动化巡检手段准确性较低,无法满足配电网的运维需求的技术问题。
实施例一
如图1所示,本申请提供了一种数字化配电网的智能巡检管理方法,所述方法包括:
步骤S100:在进行巡检的配电网内,采集多个巡检节点的多个红外图像;
具体而言,目前,生活质量的提高伴随着对于电力市场需求的提高,对于配电网故障问题的及时发现与有效处理为维系整体安全稳定运行的基础,如今配电网的建设方面还存在一定的技术局限。本申请提供的一种数字化配电网的智能巡检管理方法,针对巡检节点采集红外图像并基于孪生网络进行建模相似度分析以确定存异图像;结合决策树构建独立处理通道,进行异常等级与管理方案的决策,实现配电网运行的无接触式巡检与精准化决策管理,保障运维的及时有效性。
具体的,针对待进行巡检的配电网内设定多个巡检节点,所述多个巡检节点基于巡检需求进行自定义布设,例如针对配电网的网络分布进行均匀布设等。进而对所述多个巡检节点进行远程红外图像采集,示例性的,引入无人机终端设备,在该设备上安装红外采集设备,其中,红外采集设备优选具有高精度的云台,例如红外热像仪,基于安装的红外采集设备,进行配电网运行现场的红外图像采集,基于所述多个巡检节点,对采集的图像进行匹配与整合标识,生成所述多个红外图像,所述多个红外图像为进行配电网运行异常判定的采集源数据。
步骤S200:构建巡检识别通道,所述巡检识别通道内包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;
进一步而言,如图2所示,构建巡检识别通道,本申请步骤S200还包括:
步骤S210:对所述多个巡检节点的历史巡检红外图像数据进行采集,获取所述多个正常图像和多个历史红外图像集合;
步骤S220:基于孪生网络,构建所述多个巡检识别路径,其中,每个巡检识别路径内包括两个网络结构相同的图像卷积处理分支,一个图像卷积处理分支的输入数据为正常图像,另一个图像卷积处理分支的输入数据为红外图像;
步骤S230:采用所述多个正常图像和多个历史红外图像集合,对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,获得所述巡检识别通道。
进一步而言,采用所述多个正常图像和多个历史红外图像集合,对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,本申请步骤S230还包括:
步骤S231:基于卷积神经网络,构建所述多个巡检识别路径内的两个图像卷积处理分支;
步骤S232:分别根据所述多个正常图像和多个历史红外图像集合,判断历史红外图像是否与对应的正常图像一致,获得多个历史判断结果集合;
步骤S233:采用所述多个正常图像、多个历史红外图像集合和多个历史判断结果集合,分别对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,直到符合预设收敛条件;
步骤S234:对所述多个巡检识别路径进行验证和测试,在模型损失小于损失阈值时,获得构建完成的所述多个巡检识别路径。
具体的,分别以所述多个巡检节点作为检索目标,获取预定时间区间内的配电网巡检记录并进行节点信息检索,获取各巡检节点对应的历史红外图像集合;同时,调用所述多个巡检节点的正常图像,可基于配电网运维标准进行提取确定,获取所述多个正常图像与所述多个历史红外图像集合。进一步基于孪生网络进行巡检识别路径的构建,所述巡检识别路径包括两个网络结构相同的图像卷积处理分支,分别用于进行正常图像与红外图像的处理分析,进行两通道的并行布设,生成一个巡检识别路径,针对所述多个巡检节点,分别进行巡检识别路径的构建。
具体的,基于卷积神经网络,构建所述多个巡检识别路径内的两个图像卷积处理分支,具体的网络结构相同,可包括卷积层,多级池化层与全连接层。进一步对所述多个正常图像与所述多个历史红外图像集合进行映射对应,并进行图像一致性判定,例如可通过人工进行图像特征的提取与校对判定,生成所述多个历史判断结果集合。基于所述多个巡检节点,逐巡检节点进行所述多个正常图像、所述多个红外历史图像集合与所述多个历史判断结果集合的映射关联,获取多组训练数据。
进一步的提取一组训练数据,基于所述多个巡检识别路径确定训练目标,将该组训练数据中的正常图像与红外历史图像集合作为待训练的巡检识别路径中两个图像卷积处理分支的输入数据,将对应的所述历史判断结果集合作为输出数据,进行两个图像卷积处理分支的同步监督训练,生成该巡检节点对应的巡检识别路径。进而将该组训练数据再次输入该巡检识别路径中进行检验,对输出结果与对应的所述历史判断结果进行校对,判断是否符合所述预设收敛条件,例如训练精度满足所述损失阈值,若校对结果不满足,提取该组训练数据中不满足所述损失阈值的数据,重新进行监督训练与检验,直至满足所述预设收敛条件,获取构建完成的巡检识别路径。
进一步的,针对所述多个巡检节点,分别匹配调用所述多个正常图像、所述多个历史红外图像集合与所述多个历史判断结果集合中的对应数据,进行巡检识别路径的构建与验证测试,其中,各巡检节点对应的巡检识别路径的构建方法相同,具体构建数据不同,且皆满足所述损失阈值。集成构建完成的多个巡检识别路径并进行巡检节点标识,生成构建完成的所述多个巡检识别路径,作为所述巡检识别通道。所述多个巡检识别路径用于进行图像分析处理,具有分析针对性且满足处理精度需求。
步骤S300:将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,每个判断结果内包括预处理的红外图像是否与正常图像一致的判断结果;
具体而言,由于红外图像采集过程处于移动状态,导致采集的红外图像存在噪声等因素,以影响分析结果的精准度。示例性的,对不稳定红外图像进行专项去噪处理,例如以造成的噪声的存在性为标准对采集的红外图像进行图像分割处理,筛选存在噪声的区域进行图像降噪处理,具体降噪方式不做具体限制,例如基于小波降噪法进行降噪处理,获取预处理后的所述多个红外图像,并结合所述多个巡检节点处于正常运行状态下的所述多个正常图像,多个正常图像即为多个巡检节点处于正常运行状态下的正常红外图像,进行所述多个巡检识别路径的匹配与输入,以进行通道间图像提取的卷积特征的一致性映射与校对,以判定预处理后的红外图像是否与对应的正常图像一致,获取所述多个判断结果,优选的,基于不同的标识方式进行判断结果的标识,以便后续进行识别分析,例如一致性判断为是标识为正,一致性判断为否标识为负。
步骤S400:对于判断结果为否的多个目标红外图像和多个目标正常图像,进行灰度化处理,并计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合;
进一步而言,计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,本申请步骤S400还包括:
步骤S410:对灰度化处理后的所述多个目标红外图像和多个目标正常图像进行划分,获得所述多个第一窗口集合和多个第二窗口集合,每个窗口内包括九个灰度值;
步骤S420:在所述多个第一窗口集合和多个第二窗口集合内的每个窗口中,计算边缘点的灰度值与中间点的灰度值的差值,并判别获得所述多个第一局部向量集合和多个第二局部向量集合。
具体而言,对所述多个判断结果进行识别,提取判断结果为否的所述多个目标红外图像与所述多个目标正常图像,即可能存在运行异常的图像组。由于进行局部特征分析时,识别的局部特征算子具有灰度不变性,需以灰度图像为基底进行分析。对提取图像进行灰度化处理,例如,配置灰度化参量,辅助操作软件进行处理,如matlab等,获取灰度处理后的所述多个目标红外图像与所述多个目标正常图像。
进一步的,以中心像素与邻域八个像素为标准,对灰度化处理后的所述多个目标红外图像与所述多个目标正常图像分别进行划分,确定所述多个第一窗口集合与所述多个第二窗口集合,每个窗口内包含各像素对应的九个灰度值。通过引入局部特征来分析当前的红外图像与正常运行状态下的正常图像的差异,以判断配电网内的元件是否正常。
进一步的,遍历所述多个第一窗口集合与所述多个第二窗口集合,逐窗口进行灰度值的差值计算,即以中心像素的灰度值为基准,分别计算八个邻域像素的灰度值与中心像素灰度值的差值,若差值为正数则记为1;若差值为负数则记为-1;若差值为0则记为0,针对同窗口的灰度差值计算结果进行顺序性排布,生成八位二进制数值,将其作为局部向量,以确保局部向量的精细化,确保后续的异常判定精准度。逐窗口进行局部向量的计算,进行集成规整生成所述多个第一局部向量集合与所述多个第二局部向量集合。
步骤S500:根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度;
进一步而言,根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度,本申请步骤S500还包括:
步骤S510:根据所述多个第一局部向量集合和多个第二局部向量集合,按照对应的第一窗口和第二窗口进行划分匹配,获得多个局部向量组合;
步骤S520:计算所述多个局部向量组合内第一局部向量和第二局部向量的差值,获得多个差值集合,对所述多个差值集合内的差值的绝对值进行加和,获得所述多个目标相似度。
具体而言,所述多个第一局部向量集合与所述多个第二局部向量集合为进行图像差异化判定的特征向量。基于所述第一局部向量与第二局部向量的对应性,局部向量与窗口的对应性和第一窗口与第二窗口的对应性,对所述多个第一局部向量集合与所述多个第二局部特征向量集合进行映射规整,生成所述多个局部向量组合,其中,一组局部向量为一组图像内对应第一窗口与第二窗口内的局部向量映射集成。
进一步的,遍历所述多个局部向量组合,对各局部向量组合内映射对应的所述第一局部向量与所述第二局部向量进行差值计算,例如差值可为2、1、0、-1、-2,获取所述多个差值集合,确定一组图像内的差值集合并进行差值绝对值的加和计算,将计算结果作为该组图像中目标红外图像与目标正常图像的相似度,图像越相似,则相似度越小,以提高图像细节方面的处理,保障获取图像相似度的准确度。其中,一个目标红外图像和一个目标正常图像,对应一个差值集合,一个差值集合内包括对应的多个第一窗口和第二窗口内局部向量的差值。针对所述多个差值集合分别进行计算,获取所述多个目标相似度。基于所述多个目标相似度进行巡检节点的异常判定。本申请实施例通过基于LBP算子,进行窗口划分和局部向量构建,能够消除光照等对红外图像的影响,提升与正常图像相似度计算的准确性。
步骤S600:根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案,对多个目标巡检节点进行巡检管理。
进一步而言,如图3所示,根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,本申请步骤S600还包括:
步骤S610:对配电网的历史巡检数据进行采集和处理,获取多个样本目标相似度,并获取多个样本节点异常等级和多个样本管理方案;
步骤S620:基于所述多个样本目标相似度、多个样本节点异常等级和多个样本管理方案,构建巡检分析分支和管理决策分支,并集成获得巡检管理通道;
步骤S630:将所述多个目标相似度输入所述巡检管理通道,获得所述多个目标节点异常度和多个目标节点管理方案。
进一步而言,基于所述多个样本目标相似度、多个样本节点异常等级和多个样本管理方案,构建巡检分析分支和管理决策分支,本申请步骤S620还包括:
步骤S621:以目标相似度为决策特征,基于所述多个样本目标相似度,根据决策树,构建多层巡检决策节点和多层管理决策节点;
步骤S622:采用所述多个样本节点异常等级和多个样本管理方案,作为所述多层巡检决策节点和多层管理决策节点的决策结果,获得所述巡检分析分支和管理决策分支;
步骤S623:对所述巡检分析分支和管理决策分支内的决策节点进行合并,获得所述巡检管理通道。
具体的,对配电网预设时间段内的历史巡检数据进行采集,所述预设时间段为接壤于当前时刻点的历史时间区间。对所述历史巡检数据进行异常数据识别,获取异常图像并进行相似度分析获取所述多个样本目标相似度,具体相似度处理方式与本申请实施例前期的处理方式相同,所述多个样本节点异常等级与所述多个样本管理方案可直接识别提取。示例性地,样本目标相似度越小,则样本节点异常等级越大,样本管理方案越紧急,例如关闭配电进行检修等。
进一步的,对所述多个样本目标相似度、多个样本节点异常等级和多个样本管理方案进行映射关联,确定样本构建数据。基于所述样本构建数据进行所述巡检管理通道的构建。具体的,以所述目标相似度作为决策特征,基于所述多个样本目标相似度,随机提取一项分别作为一层巡检决策节点与一层管理决策节点,并进行所述多个样本目标相似度的二分类;进一步再次基于所述多个样本目标相似度随机提取一项,分别作为二层巡检决策节点与二层管理决策节点,针对二分类结果再次进行划分;重复多次进行决策节点的构建直至满足收敛条件,例如达到最大构建层数,获取N层巡检决策节点与N层管理决策节点,对所述一层巡检决策节点、所述二层巡检决策节点直至所述N层巡检决策节点的层级连接,生成所述多层巡检决策节点;对所述一层管理决策节点、所述二层管理决策节点直至所述N层管理决策节点进行层级连接,生成所述多层管理决策节点。
进一步的,遍历所述多层巡检决策节点,对所述多个样本节点异常等级进行匹配,作为层级决策结果并进行标识,生成所述巡检分析分支;遍历所述多层多层管理决策节点,对所述多个样本管理方案进行匹配,作为层级决策结果并进行标识,生成所述管理决策分支,以进行针对性独立决策处理。进一步对所述巡检分析分支与所述管理决策分支进行合并,将具有相同样本目标相似度的巡检决策节点和管理决策节点进行合并,作为所述巡检管理通道。基于所述巡检管理通道,基于输入的目标相似度,精准高效进行巡检节点的异常决策与管理决策。
进一步的,将所述多个目标相似度输入所述巡检管理通道的所述巡检分析分支与所述管理决策分支中,分别进行层级匹配决策,识别匹配结果对应的标识数据,作为所述多个目标节点异常度与所述多个目标节点管理方案进行通道输出,所述多个目标节点异常度与所述多个目标节点管理方案一一对应,用于进行对应巡检节点的故障管控。
本申请实施例提供的一种数字化配电网的智能巡检管理方法,具有如下技术效果:
1、进行远程红外图像采集实现无接触式巡检,基于孪生网络构建对应于各巡检节点的多个巡检识别路径,以红外图像与正常图像为输入进行图像的一致性分析判定,巡检识别路径的针对性构建,以保障与对应巡检节点的契合度,提高处理准确度,进行异常红外图像的高效精准筛选。
2、以中心像素与邻域八个像素为图像窗口划分标准,以灰度值为衡量数据,进行中心与邻域的灰度值差值计算,以生成局部向量并进行相似度计算,构建巡检管理通道进行异常等级与管理方案的针对性独立决策分析,针对异常红外图像进行精细化分析处理,在确保分析完备性的基础上进行针对性管理决策,保障运维的及时有效性,
实施例二
基于与前述实施例中一种数字化配电网的智能巡检管理方法相同的发明构思,如图4所示,本申请提供了一种数字化配电网的智能巡检管理***,所述***包括:
图像采集模块11,所述图像采集模块11用于在进行巡检的配电网内,采集多个巡检节点的多个红外图像;
通道构建模块12,所述通道构建模块12用于构建巡检识别通道,所述巡检识别通道内包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;
图像判断模块13,所述图像判断模块13用于将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,每个判断结果内包括预处理的红外图像是否与正常图像一致的判断结果;
局部向量获取模块14,所述局部向量获取模块14用于对于判断结果为否的多个目标红外图像和多个目标正常图像,进行灰度化处理,并计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合;
相似度计算模块15,所述相似度计算模块15用于根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度;
决策管理模块16,所述决策管理模块16用于根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案,对多个目标巡检节点进行巡检管理。
进一步而言,所述通道构建模块12还包括:
红外图像采集模块,所述红外图像采集模块用于对所述多个巡检节点的历史巡检红外图像数据进行采集,获取所述多个正常图像和多个历史红外图像集合;
巡检识别路径构建模块,所述巡检识别路径构建模块用于基于孪生网络,构建所述多个巡检识别路径,其中,每个巡检识别路径内包括两个网络结构相同的图像卷积处理分支,一个图像卷积处理分支的输入数据为正常图像,另一个图像卷积处理分支的输入数据为红外图像;
通道训练模块,所述通道训练模块用于采用所述多个正常图像和多个历史红外图像集合,对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,获得所述巡检识别通道。
进一步而言,所述通道训练模块还包括:
图像卷积处理分支构建模块,所述图像卷积处理分支构建模块用于基于卷积神经网络,构建所述多个巡检识别路径内的两个图像卷积处理分支;
一致性判断模块,所述一致性判断模块用于分别根据所述多个正常图像和多个历史红外图像集合,判断历史红外图像是否与对应的正常图像一致,获得多个历史判断结果集合;
监督训练模块,所述监督训练模块用于采用所述多个正常图像、多个历史红外图像集合和多个历史判断结果集合,分别对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,直到符合预设收敛条件;
验证测试模块,所述验证测试模块用于对所述多个巡检识别路径进行验证和测试,在模型损失小于损失阈值时,获得构建完成的所述多个巡检识别路径。
进一步而言,所述局部向量获取模块14还包括:
图像窗口划分模块,所述图像窗口划分模块用于对灰度化处理后的所述多个目标红外图像和多个目标正常图像进行划分,获得所述多个第一窗口集合和多个第二窗口集合,每个窗口内包括九个灰度值;
局部向量判定模块,所述局部向量判定模块用于在所述多个第一窗口集合和多个第二窗口集合内的每个窗口中,计算边缘点的灰度值与中间点的灰度值的差值,并判别获得所述多个第一局部向量集合和多个第二局部向量集合。
进一步而言,所述相似度计算模块15还包括:
局部向量组合获取模块,所述局部向量组合获取模块用于根据所述多个第一局部向量集合和多个第二局部向量集合,按照对应的第一窗口和第二窗口进行划分匹配,获得多个局部向量组合;
目标相似度获取模块,所述目标相似度获取模块用于计算所述多个局部向量组合内第一局部向量和第二局部向量的差值,获得多个差值集合,对所述多个差值集合内的差值的绝对值进行加和,获得所述多个目标相似度。
进一步而言,所述决策管理模块16还包括:
样本获取模块,所述样本获取模块用于对配电网的历史巡检数据进行采集和处理,获取多个样本目标相似度,并获取多个样本节点异常等级和多个样本管理方案;
巡检管理通道获取模块,所述巡检管理通道获取模块用于基于所述多个样本目标相似度、多个样本节点异常等级和多个样本管理方案,构建巡检分析分支和管理决策分支,并集成获得巡检管理通道;
管理信息获取模块,所述管理信息获取模块用于将所述多个目标相似度输入所述巡检管理通道,获得所述多个目标节点异常度和多个目标节点管理方案。
进一步而言,所述巡检管理通道获取模块还包括:
决策节点构建模块,所述决策节点构建模块用于以目标相似度为决策特征,基于所述多个样本目标相似度,根据决策树,构建多层巡检决策节点和多层管理决策节点;
分支获取模块,所述分支获取模块用于采用所述多个样本节点异常等级和多个样本管理方案,作为所述多层巡检决策节点和多层管理决策节点的决策结果,获得所述巡检分析分支和管理决策分支;
决策节点合并模块,所述决策节点合并模块用于对所述巡检分析分支和管理决策分支内的决策节点进行合并,获得所述巡检管理通道。
本说明书通过前述对一种数字化配电网的智能巡检管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种数字化配电网的智能巡检管理方法及***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种数字化配电网的智能巡检管理方法,其特征在于,所述方法包括:
在进行巡检的配电网内,采集多个巡检节点的多个红外图像;
构建巡检识别通道,所述巡检识别通道内包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;
将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,每个判断结果内包括预处理的红外图像是否与正常图像一致的判断结果;
对于判断结果为否的多个目标红外图像和多个目标正常图像,进行灰度化处理,并计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合;
根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度;
根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案,对多个目标巡检节点进行巡检管理;
其中,构建巡检识别通道,包括:
对所述多个巡检节点的历史巡检红外图像数据进行采集,获取所述多个正常图像和多个历史红外图像集合;
基于孪生网络,构建所述多个巡检识别路径,其中,每个巡检识别路径内包括两个网络结构相同的图像卷积处理分支,一个图像卷积处理分支的输入数据为正常图像,另一个图像卷积处理分支的输入数据为红外图像;
采用所述多个正常图像和多个历史红外图像集合,对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,获得所述巡检识别通道;
其中,采用所述多个正常图像和多个历史红外图像集合,对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,包括:
基于卷积神经网络,构建所述多个巡检识别路径内的两个图像卷积处理分支;
分别根据所述多个正常图像和多个历史红外图像集合,判断历史红外图像是否与对应的正常图像一致,获得多个历史判断结果集合;
采用所述多个正常图像、多个历史红外图像集合和多个历史判断结果集合,分别对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,直到符合预设收敛条件;
对所述多个巡检识别路径进行验证和测试,在模型损失小于损失阈值时,获得构建完成的所述多个巡检识别路径。
2.根据权利要求1所述的方法,其特征在于,计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,包括:
对灰度化处理后的所述多个目标红外图像和多个目标正常图像进行划分,获得多个第一窗口集合和多个第二窗口集合,每个窗口内包括九个灰度值;
在所述多个第一窗口集合和多个第二窗口集合内的每个窗口中,计算边缘点的灰度值与中间点的灰度值的差值,并判别获得所述多个第一局部向量集合和多个第二局部向量集合。
3.根据权利要求2所述的方法,其特征在于,根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度,包括:
根据所述多个第一局部向量集合和多个第二局部向量集合,按照对应的第一窗口和第二窗口进行划分匹配,获得多个局部向量组合;
计算所述多个局部向量组合内第一局部向量和第二局部向量的差值,获得多个差值集合,对所述多个差值集合内的差值的绝对值进行加和,获得所述多个目标相似度。
4.根据权利要求1所述的方法,其特征在于,根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,包括:
对配电网的历史巡检数据进行采集和处理,获取多个样本目标相似度,并获取多个样本节点异常等级和多个样本管理方案;
基于所述多个样本目标相似度、多个样本节点异常等级和多个样本管理方案,构建巡检分析分支和管理决策分支,并集成获得巡检管理通道;
将所述多个目标相似度输入所述巡检管理通道,获得所述多个目标节点异常度和多个目标节点管理方案。
5.根据权利要求4所述的方法,其特征在于,基于所述多个样本目标相似度、多个样本节点异常等级和多个样本管理方案,构建巡检分析分支和管理决策分支,包括:
以目标相似度为决策特征,基于所述多个样本目标相似度,根据决策树,构建多层巡检决策节点和多层管理决策节点;
采用所述多个样本节点异常等级和多个样本管理方案,作为所述多层巡检决策节点和多层管理决策节点的决策结果,获得所述巡检分析分支和管理决策分支;
对所述巡检分析分支和管理决策分支内的决策节点进行合并,获得所述巡检管理通道。
6.一种数字化配电网的智能巡检管理***,其特征在于,所述***包括:
图像采集模块,所述图像采集模块用于在进行巡检的配电网内,采集多个巡检节点的多个红外图像;
通道构建模块,所述通道构建模块用于构建巡检识别通道,所述巡检识别通道内包括与所述多个巡检节点对应的多个巡检识别路径,所述多个巡检识别路径基于孪生网络构建;
图像判断模块,所述图像判断模块用于将所述多个红外图像进行预处理,结合所述多个巡检节点处于正常运行状态下的多个正常图像,分别输入所述多个巡检识别路径内,获得多个判断结果,每个判断结果内包括预处理的红外图像是否与正常图像一致的判断结果;
局部向量获取模块,所述局部向量获取模块用于对于判断结果为否的多个目标红外图像和多个目标正常图像,进行灰度化处理,并计算所述多个目标红外图像和多个目标正常图像内多个窗口的局部向量,获得多个第一局部向量集合和多个第二局部向量集合;
相似度计算模块,所述相似度计算模块用于根据所述多个第一局部向量集合和多个第二局部向量集合,计算所述多个目标红外图像和所述多个目标正常图像的相似度,获得多个目标相似度;
决策管理模块,所述决策管理模块用于根据所述多个目标相似度,进行节点异常等级决策和管理方案决策,获得多个目标节点异常度和多个目标节点管理方案,对多个目标巡检节点进行巡检管理;
其中,所述通道构建模块还包括:
红外图像采集模块,所述红外图像采集模块用于对所述多个巡检节点的历史巡检红外图像数据进行采集,获取所述多个正常图像和多个历史红外图像集合;
巡检识别路径构建模块,所述巡检识别路径构建模块用于基于孪生网络,构建所述多个巡检识别路径,其中,每个巡检识别路径内包括两个网络结构相同的图像卷积处理分支,一个图像卷积处理分支的输入数据为正常图像,另一个图像卷积处理分支的输入数据为红外图像;
通道训练模块,所述通道训练模块用于采用所述多个正常图像和多个历史红外图像集合,对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,获得所述巡检识别通道;
其中,所述通道训练模块还包括:
图像卷积处理分支构建模块,所述图像卷积处理分支构建模块用于基于卷积神经网络,构建所述多个巡检识别路径内的两个图像卷积处理分支;
一致性判断模块,所述一致性判断模块用于分别根据所述多个正常图像和多个历史红外图像集合,判断历史红外图像是否与对应的正常图像一致,获得多个历史判断结果集合;
监督训练模块,所述监督训练模块用于采用所述多个正常图像、多个历史红外图像集合和多个历史判断结果集合,分别对所述多个巡检识别路径内的两个图像卷积处理分支进行同步监督训练,直到符合预设收敛条件;
验证测试模块,所述验证测试模块用于对所述多个巡检识别路径进行验证和测试,在模型损失小于损失阈值时,获得构建完成的所述多个巡检识别路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311651704.0A CN117575165B (zh) | 2023-12-05 | 2023-12-05 | 一种数字化配电网的智能巡检管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311651704.0A CN117575165B (zh) | 2023-12-05 | 2023-12-05 | 一种数字化配电网的智能巡检管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575165A CN117575165A (zh) | 2024-02-20 |
CN117575165B true CN117575165B (zh) | 2024-05-07 |
Family
ID=89895403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311651704.0A Active CN117575165B (zh) | 2023-12-05 | 2023-12-05 | 一种数字化配电网的智能巡检管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575165B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118229272B (zh) * | 2024-05-24 | 2024-07-23 | 杭州宇泛智能科技股份有限公司 | 基于事件检测的智能化巡检决策方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114694050A (zh) * | 2022-03-09 | 2022-07-01 | 重庆邮电大学 | 一种基于红外图像的电力设备运行状态探测方法 |
CN116203970A (zh) * | 2023-04-27 | 2023-06-02 | 泰坦(天津)能源技术有限公司 | 一种巡检机器人的智能避障方法及*** |
CN116345685A (zh) * | 2023-03-02 | 2023-06-27 | 国网浙江省电力有限公司杭州供电公司 | 一种基于3d虚拟现实技术的配电网数字化巡检方法 |
CN116797977A (zh) * | 2023-06-28 | 2023-09-22 | 南京天创电子技术有限公司 | 巡检机器人动态目标识别与测温方法、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219374B (zh) * | 2022-02-21 | 2022-05-06 | 济南法诺商贸有限公司 | 一种基于区块链的大数据分析决策***与方法 |
-
2023
- 2023-12-05 CN CN202311651704.0A patent/CN117575165B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114694050A (zh) * | 2022-03-09 | 2022-07-01 | 重庆邮电大学 | 一种基于红外图像的电力设备运行状态探测方法 |
CN116345685A (zh) * | 2023-03-02 | 2023-06-27 | 国网浙江省电力有限公司杭州供电公司 | 一种基于3d虚拟现实技术的配电网数字化巡检方法 |
CN116203970A (zh) * | 2023-04-27 | 2023-06-02 | 泰坦(天津)能源技术有限公司 | 一种巡检机器人的智能避障方法及*** |
CN116797977A (zh) * | 2023-06-28 | 2023-09-22 | 南京天创电子技术有限公司 | 巡检机器人动态目标识别与测温方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117575165A (zh) | 2024-02-20 |
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 | |
Eisenbach et al. | How to get pavement distress detection ready for deep learning? A systematic approach | |
CN117575165B (zh) | 一种数字化配电网的智能巡检管理方法及*** | |
CN113205176B (zh) | 训练缺陷分级检测模型的方法、装置、设备及存储介质 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN112036464A (zh) | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 | |
CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别*** | |
CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及*** | |
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*** | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
CN115619592A (zh) | 一种光伏组串损失电量计算方法及*** | |
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 | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN116596411B (zh) | 一种结合两票检测的生产安全评价方法及*** | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
Shin et al. | Visualization for explanation of deep learning-based defect detection model using class activation map | |
CN117851778B (zh) | 一种基于桥梁暴露度的表观识别方法及*** | |
CN114863543B (zh) | 一种特征更新的人脸识别方法及*** | |
CN117649559B (zh) | 一种基于深度学习的智能停车场车位检测*** | |
CN117152149B (zh) | 用于晶圆切割的边缘平滑度检测方法及*** | |
CN113469995B (zh) | 一种变电站设备热故障诊断方法及*** | |
CN118038230A (zh) | 基于多算法融合的配电网缺陷识别***及方法 | |
CN116150668B (zh) | 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法 |
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 |