+

CN107067026A - 基于深度神经网络的电力设备故障检测方法 - Google Patents

基于深度神经网络的电力设备故障检测方法 Download PDF

Info

Publication number
CN107067026A
CN107067026A CN201710083292.3A CN201710083292A CN107067026A CN 107067026 A CN107067026 A CN 107067026A CN 201710083292 A CN201710083292 A CN 201710083292A CN 107067026 A CN107067026 A CN 107067026A
Authority
CN
China
Prior art keywords
neural network
deep neural
layer
infrared
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
Application number
CN201710083292.3A
Other languages
English (en)
Inventor
路永玲
胡成博
陶风波
徐家园
徐长福
马展
岳涛
刘浩杰
陈彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
Nanjing University
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical Nanjing University
Priority to CN201710083292.3A priority Critical patent/CN107067026A/zh
Publication of CN107067026A publication Critical patent/CN107067026A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度神经网络的电力设备故障检测方法，包括采集红外图谱，构建规范化的图谱数据库；建立多层深神经网络对测试用红外图谱进行分类；建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。此方法应用于电网设备检测后能极大减少人工设备识别分区等繁琐工作，提高了工作效率。

Description

基于深度神经网络的电力设备故障检测方法
技术领域
本发明涉及一种基于深度神经网络的电力设备故障检测方法，属于图像识别领域。
背景技术
随着特高压交直流混合大电网、新一代智能变电站、智能输电线路等工程的深入建设，全新的电网重大成套装备和智能装备不断涌现，对电网设备安全和智能运维提出新的挑战。需要借助物联网、大数据等新技术，提出智能化的设备运维技术，逐步构建具有信息化、可视化和智能化的设备运维管控体系，满足未来电网设备更高的安全运维要求。
视频图像检测与识别技术已经广泛应用于电力设备故障检测及通道监控，但就目前实际应用效果来看，一方面存在设备监测数据可用性差、误报警和漏报警、状态检修指导作用不强的问题；另一方面由于种种原因，采集的大量设备图谱数据没有得到充分利用，造成资源浪费。
近年来，人工神经网络发展到了深度学习(deep learning)阶段，即深度神经网络。深度学习试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法，其强大表达能力使得其在各个机器学习的任务上取到了最好的效果，在视频分类上的表现在目前也超过了其它方法。
深度学习使用了分层抽象的思想，高层的概念通过低层的概念学习得到。这一分层结构通常使用贪婪逐层训练算法构建而成，并从中选取有助于机器学习的有效特征，很多深度学习算法都是以无监督学习的形式出现的，因此这些算法能被应用于其他算法无法企及的无标签数据，这一类数据比有标签的数据更为丰富，也更容易获得，这一点成为深度学习的重要优势。典型的无监督学习任务包括：维度消减(dimensionality reduction)，将输入数据投影到一个低维度空间中，实现更有意义的距离表示或可视化效果，比如PCA(Principle Component Analysis)；聚类(clustering)，发现样本之间的相似性并将它们归到相应类别，比如k-means；密度估计(density estimation)，学习一个生成训练数据X的分布(distribution)，比如GMM(Gaussian Mixture Models)。
深度学习的另外一个好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征，它将传统学习方法的特征提取与分类合二为一，从而使得通过学习得到的特征对于分类具有最好的效果,参照故障图像数据库中的故障图谱，能给出安全分析结论并实现智能预警。
深度神经网络的上述优点，为基于智能图像识别的设备、通道状态的感知技术研究提供了新的途径，但是目前还没有的基于深度神经网络的电力设备故障检测方法。
发明内容
为了解决上述技术问题，本发明提供了一种基于深度神经网络的电力设备故障检测方法。
为了达到上述目的，本发明所采用的技术方案是：
基于深度神经网络的电力设备故障检测方法，包括
采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；
建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；
建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；
根据红外图谱缺陷分析准则，设置分区内温度预警规则；
根据温度预警规则，得到设备安全分析结论并实现预警。
构建规范化的图谱数据库的过程为：对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。
在多个不同视点采集的红外图谱，在构建规范化的图谱数据库之前，基于视觉和相关背景对采集的红外图谱进行过滤。
建立多层深神经网络的过程为，
将图谱数据库中建模用红外图谱分为训练集和测试集；
构建多层深神经网络系统，输入训练集，对每个训练样本x设置对应的输入激活ax ,l，进行数据的向前传播，计算每一层的层参数，具体公式如下：
zx,l＝wlax,l-1+bl
ax,l-1＝σ(zx,l-1)
其中，zx,l为l层神经网络单元的输出，zx,l-1为l-1层神经网络单元的输出、wl为l层神经网络单元的权重、ax,l-1为l层神经网络单元的输入、bl为l层神经网络单元的偏置、σ为sigmoid函数、l为神经网络的层数；
计算输出误差δx,l，通过反向传播算法，由梯度下降规则对于每个l根据和来更新权重和配置，使代价函数的值趋于0，其中，η、m分别为神经网络的学习率和训练集的样本总数；
在迭代过程中，观察loss值的变化判断收敛情况，调整学习率，生成包含各层参数的多层深神经网络模型。
设备分区的过程为，
搭建目标检测框架，通过RCNN目标检索的方法，将分类的测试用红外图谱图谱中主干设备的区域和位置进行提取；
通过Label parting的方法，对提取出的主干设备进行设备内部的分区。
根据红外图谱缺陷分析准则，提取分区内的像素点，根据像素点与温度件的转化规则，将提取的像素点转化为温度，根据温度设置分区内温度预警规则。
如果为单向设备，则计算分区内的平均温度，生成单项设备温度预警规则，如果是三项设备，则计算分区内的项间温差，生成三项设备温度预警规则。
本发明所达到的有益效果：本发明实现的方法以神经网络的方法对电网图像进行分类和分区，能大量减少人工对于电网拍摄图像的分类和分区的工作，减少繁琐的人工干预，能提高电网工作人员的工作效率。
附图说明
图1为本发明的流程图。
图2为分区后的第一红外图谱。
图3为分区后的第一红外图谱。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于深度神经网络的电力设备故障检测方法，包括以下步骤：
步骤1，采集红外图谱，包括测试用的红外图谱和建模用的红外图谱，构建规范化的图谱数据库。
具体过程如下：
11)研究非接触式的红外图谱采集，在多个不同视点(一般大于6个不同视点)采集的红外图谱，保证所采集红外图谱中设备角度的多样性，并基于视觉和相关背景对采集的红外图谱进行过滤，为构建规范化的图谱库打下基础；
12)对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。
步骤2，建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类。
建立多层深神经网络的过程为：
21)将图谱数据库中建模用红外图谱分为训练集和测试集；
22)构建多层深神经网络系统，输入训练集，对每个训练样本x设置对应的输入激活ax,l，进行数据的向前传播，计算每一层的层参数，具体公式如下：
zx,l＝wlax,l-1+bl
ax,l-1＝σ(zx,l-1)
其中，zx,l为l层神经网络单元的输出，zx,l-1为l-1层神经网络单元的输出、wl为l层神经网络单元的权重、ax,l-1为l层神经网络单元的输入、bl为l层神经网络单元的偏置、σ为sigmoid函数、l为神经网络的层数；
23)计算输出误差δx,l，通过反向传播算法，由梯度下降规则对于每个l根据和来更新权重和配置，使代价函数的值趋于0，其中，η、m分别为神经网络的学习率和训练集的样本总数；
24)在迭代过程中，观察loss值的变化判断收敛情况，调整学习率，生成包含各层参数的多层深神经网络模型。
上述多层深神经网络系统采用典型的AlexNet和CaffeNet对红外图谱进行训练和测试；其中，CaffeNet训练红外图谱的过程中训练参数的定义对网络最后的收敛和准确率有着很大的影响；对于momentum参数的定义是来自牛顿第一定律中的惯性，基本思路是当误差曲面中存在平坦区域的时候，梯度下降算法SGD可以用更快的速度学习，其权重变化为W为神经网络的权重，E为神经网络的代价函数；其过程就是一种基于梯度求导不断改变W达到全局最优的过程；对于lr_mult参数的定义为学习率，而对于设置bias的学习率是对weight学习率的两倍；对于dacay_mult参数的定义为权值衰减，为了深度学习模型常出现的over-fitting即过拟合的情况，需要对代价函数(cost function)加入规范项λ限制避免过拟合，公式则变为即在原有的SGD的过程中加入正则项,而对于代价函数，使用交叉熵代价函数代替二次代价函数，其中C为代价函数的值，用于在SGD过程中调整网络中的参数，a为训练样本x在由输入激活处理后实际的输入，求和是在所有的训练输入上进行的，y为对应的目标输出，解决了二次代价函数多次迭代后产生的学习缓慢的问题。
步骤3，建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区。
设备分区具体过程如下：
31)搭建目标检测框架，通过RCNN目标检索的方法，将分类的测试用红外图谱图谱中主干设备的区域和位置进行提取；
32)通过Label parting的方法，对提取出的主干设备进行设备内部的分区。
上述过程主要利用Fast RCNN和part labeling的方法建立了一个对于设备图像分区的方法，其中Fast RCNN主要用于对设备总的轮廓的矩形标定，而part labeling是对设备内部进行进一步分区。
Fast RCNN把红外图谱中的定位问题转化成为一个回归问题(regressionproblem)，最后采用了Recognition using region的策略。在每一次的测试过程中，都训练一个向量机(SVM)，根据输出的特征类判断，给每个分区定义一个得分(score)，通过接受或者拒绝一个分区，来处理这个过程。最后生成图谱变化检测模型，提取红外图谱中的主干设备分区，结合目标分割的方法，参照Hypercolumns for Object Segmentation and Fine-grained Localization中提到的方法part labeling，实现进一步的对设备内部的分区。如图2和3所示，RO1、RO2、RO3为分区。
步骤4，根据红外图谱缺陷分析准则，设置分区内温度预警规则。
根据红外图谱缺陷分析准则，提取分区内的像素点，根据像素点与温度件的转化规则，将提取的像素点转化为温度，根据温度设置分区内温度预警规则。
如果为单向设备，则计算分区内的平均温度，生成单项设备温度预警规则，如果是三项设备，则计算分区内的项间温差，生成三项设备温度预警规则。
步骤5，根据温度预警规则，得到设备安全分析结论并实现预警。
上述方法实现了图像智能感知在电力检测中的应用，通过图谱采集的非接触式技术，构建规范化的图像数据库，建立多层深神经网络，实现对典型电力设备红外图像的分类，再通过最新的目标检测框架RCNN实现了红外图谱的智能分区，参照红外缺陷分析准则，给出大型电力设备的安全分析结论并实现智能预警。本发明的实现通过神经网络的算法对电网红外图像进行分类和分区，极大减少了电网工作人员的手工操作量，能提高电网工作人员的效率，减少繁琐时间。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于深度神经网络的电力设备故障检测方法，其特征在于：包括
采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；
建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；
建立目标检测框架RCNN对分类的测试用红外图谱进行设备分区；
根据红外图谱缺陷分析准则，设置分区内温度预警规则；
根据温度预警规则，得到设备安全分析结论并实现预警。
2.根据权利要求1所述的基于深度神经网络的电力设备故障检测方法，其特征在于：构建规范化的图谱数据库的过程为：对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。
3.根据权利要求2所述的基于深度神经网络的电力设备故障检测方法，其特征在于：在多个不同视点采集的红外图谱，在构建规范化的图谱数据库之前，基于视觉和相关背景对采集的红外图谱进行过滤。
4.根据权利要求1所述的基于深度神经网络的电力设备故障检测方法，其特征在于：建立多层深神经网络的过程为，
将图谱数据库中建模用红外图谱分为训练集和测试集；
构建多层深神经网络系统，输入训练集，对每个训练样本x设置对应的输入激活ax,l，进行数据的向前传播，计算每一层的层参数，具体公式如下：
zx,l＝wlax,l-1+bl
ax,l-1＝σ(zx,l-1)
其中，zx,l为l层神经网络单元的输出，zx,l-1为l-1层神经网络单元的输出、wl为l层神经网络单元的权重、ax,l-1为l层神经网络单元的输入、bl为l层神经网络单元的偏置、σ为sigmoid函数、l为神经网络的层数；
计算输出误差δx,l，通过反向传播算法，由梯度下降规则对于每个l根据和来更新权重和配置，使代价函数的值趋于0，其中，η、m分别为神经网络的学习率和训练集的样本总数；
在迭代过程中，观察loss值的变化判断收敛情况，调整学习率，生成包含各层参数的多层深神经网络模型。
5.根据权利要求1所述的基于深度神经网络的电力设备故障检测方法，其特征在于：设备分区的过程为，
搭建目标检测框架，通过RCNN目标检索的方法，将分类的测试用红外图谱图谱中主干设备的区域和位置进行提取；
通过Label parting的方法，对提取出的主干设备进行设备内部的分区。
6.根据权利要求1所述的基于深度神经网络的电力设备故障检测方法，其特征在于：根据红外图谱缺陷分析准则，提取分区内的像素点，根据像素点与温度件的转化规则，将提取的像素点转化为温度，根据温度设置分区内温度预警规则。
7.根据权利要求6所述的基于深度神经网络的电力设备故障检测方法，其特征在于：如果为单向设备，则计算分区内的平均温度，生成单项设备温度预警规则，如果是三项设备，则计算分区内的项间温差，生成三项设备温度预警规则。
CN201710083292.3A 2017-02-16 2017-02-16 基于深度神经网络的电力设备故障检测方法 Pending CN107067026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710083292.3A CN107067026A (zh) 2017-02-16 2017-02-16 基于深度神经网络的电力设备故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710083292.3A CN107067026A (zh) 2017-02-16 2017-02-16 基于深度神经网络的电力设备故障检测方法

Publications (1)

Publication Number Publication Date
CN107067026A true CN107067026A (zh) 2017-08-18

Family

ID=59622635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710083292.3A Pending CN107067026A (zh) 2017-02-16 2017-02-16 基于深度神经网络的电力设备故障检测方法

Country Status (1)

Country Link
CN (1) CN107067026A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107666594A (zh) * 2017-09-18 2018-02-06 广东电网有限责任公司东莞供电局 一种视频监控实时监测违章作业的方法
CN108055529A (zh) * 2017-12-25 2018-05-18 国家电网公司 电力无人机和机器人图像数据规范化人工智能分析系统
CN108429748A (zh) * 2018-03-09 2018-08-21 海南大学 投入驱动的物联网资源安全保护方法
CN109357749A (zh) * 2018-09-04 2019-02-19 南京理工大学 一种基于dnn算法的电力设备音频信号分析方法
CN110703057A (zh) * 2019-11-04 2020-01-17 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备
CN111372704A (zh) * 2017-11-06 2020-07-03 株式会社东芝 模具温度异常预兆检测装置以及存储介质
CN111504675A (zh) * 2020-04-14 2020-08-07 河海大学 一种气体绝缘组合电器机械故障在线诊断方法
CN112116108A (zh) * 2020-09-22 2020-12-22 云南电网有限责任公司电力科学研究院 用于电力设备失效分析的专家系统及方法
CN112884018A (zh) * 2021-01-28 2021-06-01 广东电网有限责任公司 电网线路故障识别模型训练方法和电网线路巡检方法
CN113312499A (zh) * 2021-06-15 2021-08-27 合肥工业大学 一种基于知识图谱的电力安全预警方法及系统
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113674225A (zh) * 2021-07-30 2021-11-19 南京信息工程大学 一种基于卷积神经网络的电力设备故障检测方法
CN114022407A (zh) * 2021-09-18 2022-02-08 国营芜湖机械厂 一种基于红外热像和深度学习的电路板智能检测诊断方法
CN114419506A (zh) * 2022-01-18 2022-04-29 南京思飞赫能信息技术有限公司 基于无监督学习的配电房设备异常监测方法与系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881819A (zh) * 2015-05-22 2015-09-02 国家电网公司 基于电力热红外图谱的电力设备故障辅助诊断与智能分析系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881819A (zh) * 2015-05-22 2015-09-02 国家电网公司 基于电力热红外图谱的电力设备故障辅助诊断与智能分析系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张浩等: ""图像识别技术在电力设备监测中的应用"", 《电力系统保护与控制》 *
李文芳: ""基于红外图像的电力变压器故障的在线检测"", 《中国优秀硕士论文全文数据库 工程科技II辑》 *
王丹: ""神经网络算法在旋压工艺中的应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107666594A (zh) * 2017-09-18 2018-02-06 广东电网有限责任公司东莞供电局 一种视频监控实时监测违章作业的方法
CN111372704A (zh) * 2017-11-06 2020-07-03 株式会社东芝 模具温度异常预兆检测装置以及存储介质
US11501509B2 (en) 2017-11-06 2022-11-15 Kabushiki Kaisha Toshiba Mold temperature anomaly sign detection apparatus, mold temperature anomaly sign detection method and storage medium
CN108055529A (zh) * 2017-12-25 2018-05-18 国家电网公司 电力无人机和机器人图像数据规范化人工智能分析系统
CN108429748A (zh) * 2018-03-09 2018-08-21 海南大学 投入驱动的物联网资源安全保护方法
CN108429748B (zh) * 2018-03-09 2019-07-30 海南大学 投入驱动的物联网资源安全保护方法
CN109357749A (zh) * 2018-09-04 2019-02-19 南京理工大学 一种基于dnn算法的电力设备音频信号分析方法
CN110703057B (zh) * 2019-11-04 2022-02-25 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN110703057A (zh) * 2019-11-04 2020-01-17 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备
CN111504675A (zh) * 2020-04-14 2020-08-07 河海大学 一种气体绝缘组合电器机械故障在线诊断方法
CN112116108A (zh) * 2020-09-22 2020-12-22 云南电网有限责任公司电力科学研究院 用于电力设备失效分析的专家系统及方法
CN112884018A (zh) * 2021-01-28 2021-06-01 广东电网有限责任公司 电网线路故障识别模型训练方法和电网线路巡检方法
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113312499A (zh) * 2021-06-15 2021-08-27 合肥工业大学 一种基于知识图谱的电力安全预警方法及系统
CN113312499B (zh) * 2021-06-15 2022-10-04 合肥工业大学 一种基于知识图谱的电力安全预警方法及系统
CN113674225A (zh) * 2021-07-30 2021-11-19 南京信息工程大学 一种基于卷积神经网络的电力设备故障检测方法
CN114022407A (zh) * 2021-09-18 2022-02-08 国营芜湖机械厂 一种基于红外热像和深度学习的电路板智能检测诊断方法
CN114419506A (zh) * 2022-01-18 2022-04-29 南京思飞赫能信息技术有限公司 基于无监督学习的配电房设备异常监测方法与系统

Similar Documents

Publication Publication Date Title
CN107067026A (zh) 基于深度神经网络的电力设备故障检测方法
CN114462555B (zh) 基于树莓派的多尺度特征融合配电网设备识别方法
Miao et al. Insulator detection in aerial images for transmission line inspection using single shot multibox detector
Gyawali et al. Comparative analysis of multiple deep CNN models for waste classification
CN107133569A (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN108182445A (zh) 基于大数据智能核独立元分析的过程故障识别方法
CN108596203A (zh) 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN116824517B (zh) 基于可视化的变电站运维安全管控系统
CN116486240A (zh) 图像识别算法在输电线路无人机智能巡检方法上的应用
CN114219763A (zh) 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法
CN113869122A (zh) 一种配网工程强化管控方法
CN116129286A (zh) 基于知识图谱的图神经网络遥感图像分类方法
CN110969192A (zh) 一种电力巡检图像智能识别方法
CN116310647A (zh) 一种基于增量学习的劳保物品目标检测方法及系统
CN116032790B (zh) 调度自动化系统海量数据流异常辨识、诊断和预测方法、装置和系统
CN119046890A (zh) 一种基于云边端架构的开集目标检测方法、装置和设备
Feng et al. Gabor-YOLONet: A lightweight and efficient detection network for low-voltage power lines from unmanned aerial vehicle images
Yang et al. Abnormal object detection with an improved yolov8 in the transmission lines
Meng et al. A swin transformer based bird nest detection approach with unmanned aerial vehicle images for power distribution and pole towers
Guo et al. Detection of insulator defects based on YOLO V3
CN104200220A (zh) 一种基于静态纹理模型聚集的动态纹理识别方法
CN116205905B (zh) 基于移动端的配电网施工安全及质量图像检测方法及系统
CN116935151A (zh) 一种基于神经网络覆盖率的飞行器目标识别方法
CN117392568A (zh) 一种复杂场景下无人机巡检变电设备的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170818

RJ01 Rejection of invention patent application after publication
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载