【技术实现步骤摘要】
本专利技术涉及电力，具体是指一种基于深度学习的红外电力部件发热检测系统。
技术介绍
1、随着国家电网提出“数字新基建”的部署，人工智能应用在电力设备运维的相关技术得到了快速发展，对输电路上的部件缺陷进行检测成为亟待解决的关键问题之一。早期基于图像处理以及人工特征的机器学习方法虽然在输电路的缺陷检测上有一定的效果，但由于输电路的背景复杂，这些方法要求图像的质量较高，很难应用到现实复杂的输电路工作环境中。
2、随着深度学习的发展，基于深度学习的检测模型可以有效地将检测部件从复杂的输电路背景的航拍图像中提取出来，再经过对提出的部件经过红外温度检测程序，判断其温度范围，能够有效地检测输电路部件是否存在过热的现象。
3、一种基于深度学习的红外电力部件发热检测系统，以计算机视觉作为算法技术基础，输电路上航拍的部件作为待检测对象，识别图像中关键电力部件，并且通过红外测温识别温度范围作为目标，其中，输电路的关键部件包括：耐张均压环、绝缘子、绝缘子连接金具、地线金具、耐张塔线夹和陶瓷绝缘子连接点。
技术...
【技术保护点】
1.一种基于深度学习的红外电力部件发热检测系统，其特征在于，包括依次连接的数据采集层、深度模型层以及用户层；所述数据采集层主要工作为数据收集、数据标注以及数据存储；所述深度模型层主要工作为数据的预处理、模型训练以及模型部署；所述用户层用于向深度模型层输入图像，并接收从深度模型层反馈的预测结果。
2.根据权利要求1所述的一种基于深度学习的红外电力部件发热检测系统，其特征在于，所述数据采集层包括数据收集模块和数据标注模块；
3.根据权利要求2所述的一种基于深度学习的红外电力部件发热检测系统，其特征在于，所述数据采集层还包括数据存储模块，所述数据存储...
【技术特征摘要】
1.一种基于深度学习的红外电力部件发热检测系统，其特征在于，包括依次连接的数据采集层、深度模型层以及用户层；所述数据采集层主要工作为数据收集、数据标注以及数据存储；所述深度模型层主要工作为数据的预处理、模型训练以及模型部署；所述用户层用于向深度模型层输入图像，并接收从深度模型层反馈的预测结果。
2.根据权利要求1所述的一种基于深度学习的红外电力部件发热检测系统，其特征在于，所述数据采集层包括数据收集模块和数据标注模块；
3.根据权利要求2所述的一种基于深度学习的红外电力部件发热检测系统，其特征在于，所述数据采集层还包括数据存储模块，所述数据存储模块是将标签文件与原始图片数据存储在服务可访问的路径下。
4.根据权利要求3所述的一种基于深度学习的红外电力部件发热检测系统，其特征在于，所述深度模型包括数据预处理模块；
【专利技术属性】
技术研发人员：王宁，陈欢，文星，朱金惟，黄宇，赵刘琦，李学武，黄振林，申晓杰，王朝硕，袁华璐，盛康，曾嘉伟，冯子焰，张鑫，阮彦俊，张宇恒，李少森，乔柱桥，刘洋，崔堂山，郑文坚，李宏昌，张任驰，丁骞，张博，高雪飞，武霁阳，邵俊人，邱天乙，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。