网站大量收购闲置独家精品文档,联系QQ:2885784924

《基于无人机巡查数据的电网基建设备缺陷归档方法技术规范》征求意见稿.pdf

《基于无人机巡查数据的电网基建设备缺陷归档方法技术规范》征求意见稿.pdf

  1. 1、本文档共6页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

T/EJCCCSEXXX-XXXX

基于无人机巡查数据的电网基建设备缺陷归档方法技术规范

1范围

本文件规定了基于无人机巡查数据的电网基建设备缺陷归档方法技术规范的术语和定义、技术要求、

归档方法流程、数据管理与记录、质量控制、报告与输出、培训与人员要求、安全要求。

本文件适用于采用无人机巡查对电网基建设备进行缺陷归档的相关工作。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中,注日期的引用文件,

仅该日期对应的版本适用于本文件;不注日期的引用文件,其最新版本(包括所有的修改单)适用于本

文件。

GB26859电力安全工作规程电力线路部分

DL/T1578架空输电线路无人直升机巡检系统

3术语和定义

下列术语和定义适用于本文件。

3.1

无人机巡检droneinspection

以无人机为平台,搭载可见光、红外、紫外等任务传感器对线路本体、附属设施以及线路通道进行

巡视和检测。

3.2

实时动态定位(RTK)real-timedynamicpositioning(RTK)

基于载波相位观测值的实时动态定位技术。可实时提供无人机在指定坐标系中的三维定位结果,到

厘米级精度。

3.3

正常巡检normalinspection

根据线路设备和通道环境特点,利用无人机搭载可见光相机针对易覆冰区、山火易发区、树竹速生

区、地址灾害区、污秽区等进行的线路巡视。

3.4

故障巡检faultinspection

线路发生非计划性停运(包括重合闸成功)后,采用无人机搭载可见光相机参与故障调查的巡视形

式。

3.5

特殊巡检specialinspection

在特殊情况下(气候剧烈变化、自然灾害、外力影响、异常运行和对电网安全稳定运行有特殊要求

时进行)或根据特殊需要,利用无人机搭载不同功能荷载所进行的线路巡视。

1

T/EJCCCSEXXX-XXXX

3.6

手动巡检manualinspection

由操作人员通过遥控器直接控制姿态执行模块从而调整无人机飞行,实现对设备本体、附属设施及

线路通道进行巡视的巡视形式。

3.7

自主巡检autonomousinspection

在无人机的起飞、作业飞行和降落整个巡检作业过程中,无需人工手动操作无人机,根据预先设计

的巡检航线和作业方案,无人机巡检系统以全自主飞行模式完成巡检作业。

3.8

自主精细巡检autonomousfineinspection

采用RTK技术精确控制无人机机体位置、姿态,可预设航线、作业点、拍摄角度,可自主对输电

线路本体设备进行巡检,可复现巡检作业点、拍摄角度。

3.9

样本图像库sampleimagelibrary

基于无人机巡查数据构建的,包含设备缺陷样本图像和设备正常样本图像的集合,且分属于不同应

用场景。

3.10

应用场景applicationscenario

包括导地线及附件场景、杆塔工程场景、塔基础及接地工程场景等。

4技术要求

4.1无人机巡查数据采集

应确保采集的巡查数据准确、完整,涵盖电网基建项目的各个区域,无人机巡检作业应符合DL/T

1482的要求。

4.2样本图像库构建

4.2.1基于无人机巡查数据构建多个分属于不同应用场景的样本图像库,如:

a)导地线及附件场景;

b)杆塔工程场景;

c)塔基础及接地工程场景等。

4.2.2样本图像库应包含设备缺陷样本图像、设备正常样本图像。

4.3细节重建模块

细节重建模块由两个细节信息处理块组成,每个细节信息处理块包括三个膨胀卷积单元和一个通道

注意力单元。将图像依次通过各单元进行处理,以增强图像效果,提高图像的细节表现力和清晰度。

4.4改进U-Net模型

采用自校准卷积层代替原U-Net模型中的卷积层,并引入空间注意力模块。对增强后的图像进行

逐层特征提取,降低特征图维度,捕捉重点特征并对无关特征进行降噪,输出最终特征图。

文档评论(0)

std360 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档