一种基于HSV空间的输变电设备红外故障图像分割方法

    公开(公告)号:CN104217443A

    公开(公告)日:2014-12-17

    申请号:CN201410406594.6

    申请日:2014-08-15

    IPC分类号: G06T7/40

    摘要: 本发明公开了一种基于HSV空间的输变电设备红外故障图像分割方法,结合故障区域的颜色特征,利用HSV颜色空间进行故障自动分割提取。首先对红外图像进行高斯平滑预处理,然后通过观察得到的颜色特征通过HSV和RGB空间的转换提取感兴趣区域,并进一步的对检测出的多个区域进行验证,得到可靠性最高的故障区域,最后通过对整幅图像和分割区域的颜色分布情况,得到故障区域的温度和范围信息。本发明的算法摆脱了红外实验过程中人工调整、检查大量红外故障图像的缺陷,可以自动地将故障区域呈现,具有抗干扰性强、灵活性较强的特点。

    一种基于深度学习的危险源识别方法与系统

    公开(公告)号:CN108665484A

    公开(公告)日:2018-10-16

    申请号:CN201810494968.2

    申请日:2018-05-22

    IPC分类号: G06T7/246 G06T7/73 G06K9/62

    摘要: 本发明提供一种基于深度学习的危险源识别方法与系统,所述方法包括:S1、将摄像机采集到的图像以固定速率传输至后台服务器;S2、后台服务器将采集到的图像利用深度学习算法求得特征,以该特征作为运动图像的检测条件;S3、将所述特征输入系数字典,根据最优化稀疏表示求解得到运动目标;S4、利用双目视觉对由稀疏表示求得的运动特征进行定位,实现危险源识别。本发明解决了现有技术下输变电线路的危险源识别难度大的问题,有效降低了人工提取危险源特征的劳动复杂度,其对特征的表达较其他方法更加完整有效,最终实现对危险源运动特征的定位,保护输变电线路安全。

    一种基于深度学习的电力图像分类方法

    公开(公告)号:CN104680192B

    公开(公告)日:2017-12-12

    申请号:CN201510061576.3

    申请日:2015-02-05

    IPC分类号: G06K9/66 G06K9/62

    摘要: 本发明公开了一种基于深度学习的电力图像分类方法,步骤:采用乱序发射机制实现输入电力图像的逐类发射:在乱序发射机制中采用第一缓存区和第二缓存区,第一缓存区用于存储若干张待处理的图象,从第一缓存区中选取若干张图象存储到第二缓存区中,第二缓存区的图象排队等候发射;对电力图像进行区域提取;对区域提取后的图象进行增强处理;对增强处理后的图像的进行大小调整,并将该图象格式化使其满足分类器的输入;将数据输入到分类器中,选择不同的训练集大小和训练速度进行多次实验,并将分类准确率和效率进行对比分析,选出最优的训练参数,以获得最佳训练效果。本发明比传统技术有着明显的优势,训练的收敛速度较快并有较高的准确率。

    基于时间序列分析的输变电设备的状态监测数据清洗方法

    公开(公告)号:CN104537034B

    公开(公告)日:2017-11-10

    申请号:CN201410806481.5

    申请日:2014-12-22

    IPC分类号: G06F17/30 G06Q50/06

    CPC分类号: G06F17/30

    摘要: 本发明公开了基于时间序列分析的输变电设备的状态监测数据清洗方法,步骤如下:建立输变电设备状态数据的初始时间序列模型,通过初始时间序列模型估计初始拟合的残差序列和残差方差;利用初始时间序列模型,计算每个观测点的检验统计量;判断检验统计量的绝对值的最大值是否大于设定阈值;通过修正后的时间序列模型的模型残差计算每个观测点的检验统计量,根据检验统计量的绝对值的最大值是否大于设定阈值来判断是否存在新的噪声点,直到所有的噪声点都被识别出。本发明具有清洗效率高、保持了数据的完整性、避免数据有用信息丢失的优点。