基于红外图像与DETR的电力设备快速检测方法和系统与流程

基于红外图像与detr的电力设备快速检测方法和系统
技术领域
1.本发明属于电力设备检测技术领域，具体涉及一种基于红外图像与detr的电力设备快速检测方法和系统。


背景技术：

2.随着国家的发展和进步，电力系统逐渐成为能源系统中最重要的组成部分，智能化和数字化是现代电力系统建设的关键。据统计，电气设备中的许多电气设备故障都是由于连接松动、接触不良、漏电流、漏磁等引起的。为了及时发现变电站故障，有效消除潜在危险，必须定期或不定期对变电站设备进行巡视检查。目前，设备的主要检验方法有人工检验、机器人检验和无人机检验，检测技术主要包括可见光检测、红外检测、紫外检测等。其中，红外检测技术以其精度高、无电运行等优点被广泛应用于变电站设备的热故障诊断。
3.但由于不同设备类型、电压等级等因素的影响，造成红外检测技术获取的图像数量巨大，检测人员需要从这些图片中找到损坏或隐藏的安全设备，并迅速排除设备故障，确保变电站正常运行。但人工检测不仅费时费力、效率低，而且不准确、造成泄漏或误判。近年来，随着人工智能技术的发展，基于红外图像数据的变电站设备智能化分类与故障检测已成为可能。利用目标检测网络模型从视觉上提取红外图像的特征，智能识别和标记变电站电力设备类型及其故障。因此，有必要基于红外图像对变电站电力设备进行检测，辅助无人机、机器人等设备实现自动化筛选与处理，减轻检测人员的工作压力，降低人力物力资源消耗。
4.然而现有电力设备红外图像检测算法大多都需要结合先验框进行目标定位，导致检测模型计算量增大、检测实时性降低，无法适应电力设备红外图像快速检测的需求。


技术实现要素：

5.有鉴于此，本发明旨在解决现有电力设备红外图像检测算法由于计算量大、检测实时性低，无法适应电力设备红外图像需要快速检测的问题。
6.为了解决上述技术问题，本发明提供以下技术方案：
7.第一方面，本发明提供了一种基于红外图像与detr的电力设备快速检测方法，包括如下步骤：
8.构建电力设备红外图像数据集，同时将数据集中电力设备红外图像图像的平均温度进行记录，平均温度为每张图像最高温度和最低温度的平均值；
9.对数据集首先进行图像增强处理，以提升电力设备红外图像的局部特征；
10.对数据集再进行数据增强处理，以控制图像的缩放比；
11.构建改进detr目标检测模型，detr目标检测模型结合典型卷积神经网络和改进transformer架构，用以提取电力设备红外图像的特征信息，改进transformer架构采用基于平均温度改进的多头自注意力机制进行特征处理；
12.利用处理后的数据集训练改进detr目标检测模型，并用训练好的改进detr目标检
测模型检测红外图像中电力设备的类型及位置。
13.进一步的，改进detr目标检测模型的结构包括：主干网络、位置编码、编码器、解码器和预测头，其中，主干网络采用resnet50网络。
14.进一步的，在改进detr目标检测模型中，最重要特征处理采用改进的多头自注意力机制，计算公式如下：
[0015][0016][0017][0018]
式中，f为resnet50网络提取的特征向量，wq、wk和wv为权重矩阵，q、k和v分别表示查询向量、键向量和值向量，d为自注意力输出矩阵z的维度，te为电力设备红外图像中温度数据对应的温度参数，i是特征向量d中的索引位置，当te＝1时该公式为标准的softmax函数。
[0019]
进一步的，图像增强处理采用改进msrcr算法进行，改进msrcr算法对红外图像彩色rgb三个通道分别进行处理，然后叠加重新构成彩色图像，计算公式如下：
[0020][0021][0022][0023]
式中，r
msrcri
为msrcr算法计算过程，r
msri
为msr算法计算过程，ii(x,y)和ij(x,y)分别为第i和j个通道的输入图像，n为通道总数3，i'i(x,y)第i个通道输入图像占总通道图像的比例，f为颜色空间映射函数，ci表示通道的色彩恢复因子，用来调节3个通道颜色的比例，β为增益常数，α为受控制的非线性强度。
[0024]
进一步的，在改进msrcr算法中，通过下式进行色彩恢复因子ci的修正：
[0025][0026]
进一步的，数据增强处理采用ms-mosaic算法，ms-mosaic算法中采用多尺度缩放因子控制图像的缩放比，以减小图片中的灰色面积。
[0027]
进一步的，在对改进detr目标检测模型进行训练时，在设定训练轮次中按设定概率采用ms-mosaic算法对数据集进行数据增强处理，在其它训练轮次中不进行数据增强处
理。
[0028]
第二方面，本发明提供了一种基于红外图像与detr的电力设备快速检测系统，包括：
[0029]
图像采集单元，用于采集并构建电力设备红外图像数据集，同时将数据集中电力设备红外图像图像的平均温度进行记录，平均温度为每张图像最高温度和最低温度的平均值；
[0030]
第一预处理单元，用于对数据集首先进行图像增强处理，以提升电力设备红外图像的局部特征；
[0031]
第二预处理单元，用于对数据集再进行数据增强处理，以控制图像的缩放比；
[0032]
模型构建单元，用于构建改进detr目标检测模型，detr目标检测模型结合典型卷积神经网络和transformer架构，用以提取电力设备红外图像的特征信息，改进transformer架构采用基于平均温度改进的多头自注意力机制进行特征处理；
[0033]
目标检测单元，用于利用处理后的数据集训练改进detr目标检测模型，并用训练好的改进detr目标检测模型检测红外图像中电力设备的类型及位置。
[0034]
进一步的，在模型构建单元，改进detr目标检测模型的结构包括：主干网络、位置编码、编码器、解码器和预测头，其中，主干网络采用resnet50网络。
[0035]
进一步的，在改进detr目标检测模型中，最重要特征处理采用改进的多头自注意力机制，计算公式如下：
[0036][0037][0038][0039]
式中，f为resnet50网络提取的特征向量，wq、wk和wv为权重矩阵，q、k和v分别表示查询向量、键向量和值向量，d为自注意力输出矩阵z的维度，te为电力设备红外图像中温度数据对应的温度参数，i是特征向量d中的索引位置，当te＝1时该公式为标准的softmax函数。
[0040]
综上，本发明提供了一种基于红外图像与detr的电力设备快速检测方法和系统，包括构建电力设备红外图像数据集并记录平均温度；对数据集首先进行图像增强处理，以提升电力设备红外图像的局部特征；对数据集再进行数据增强处理，以控制图像的缩放比；构建改进detr目标检测模型，detr目标检测模型结合典型卷积神经网络和基于平均温度改进的transformer架构，用以提取电力设备红外图像的特征信息；利用处理后的数据集训练改进detr目标检测模型，并用训练好的改进detr目标检测模型检测红外图像中电力设备的类型及位置。本发明面向工程应用中实时检测的要求，本发明提出基于平均温度改进的transformer架构的detr目标检测模型，实现电力设备红外图像的快速检测，辅助检修人员对海量运维图像的筛选。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0042]
图1为本发明实施例提供的基于红外图像与detr的电力设备快速检测方法的整体流程图；
[0043]
图2为本发明实施例提供的ms-mosaic数据增强效果示意图；
[0044]
图3为本发明实施例提供的改进detr目标检测模型的结构示意图；
[0045]
图4为本发明实施例提供的改进detr目标检测模型的训练与测试流程图；
[0046]
图5为本发明实施例提供的改进detr目标检测模型的测试检测效果图。
具体实施方式
[0047]
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0048]
本实施例提供一种基于红外图像与detr的电力设备快速检测方法，包括如下步骤：
[0049]
s1：构建电力设备红外图像数据集，同时记录每张图像最高温度和最低温度的平均值。
[0050]
需要说明的是，通过巡检人员在不同时间、不同角度、不同距离拍摄收集的电力设备红外图像，筛选出其中包含各种类型电力设备的红外图像，构建电力设备红外图像数据集，供训练测试detr目标检测模型。然后，采用labelimg标签工具对电力设备红外图像中设备类型与位置进行标注。同时，将数据集中每张电力设备红外图像的最高温度与最低温度的平均值记录作为改进detr目标检测模型的温度数据。
[0051]
在一个可选的实施例中，所标注的电力设备类型包括绝缘子串(insulator strings，is)、电压互感器(voltage transformer，vt)、电流互感器(current transformer，ct)、避雷器(arrester，ar)、断路器(circuit breaker，cb)、变压器套管(transformer bushing，tb)和油枕(oil pillow，op)。
[0052]
s2：对电力设备红外图像进行图像增强预处理。
[0053]
在一个可选的实施例中，采用msrcr算法进行图像增强。msrcr在msr(行业基础算法，故不作过多叙述)的基础上，引入色彩恢复因子ci来调节红外图像局部区域的对比度。由于msrcr只是针对单通道(灰度图)的预处理算法，所以需对红外图像彩色rgb三个通道分别进行处理，然后叠加重新构成彩色图像，其具体计算原理如下：
[0054][0055]
[0056][0057]
式中，r
msrcri
为msrcr算法计算过程，r
msri
为msr算法计算过程，ii(x,y)和ij(x,y)分别为第i和j个通道的输入图像，n为通道总数3，i'i(x,y)第i个通道输入图像占总通道图像的比例，f为颜色空间映射函数，ci表示通道的色彩恢复因子，用来调节3个通道颜色的比例，β为增益常数，α为受控制的非线性强度。而msrcr处理得到的图像整体偏灰，故本实施例通过下式进行色彩恢复因子ci的修正：
[0058][0059]
改进msrcr算法利用修正彩色恢复因子ci调节电力设备红外图像三个颜色通道之间的比例关系，从而突出相对较暗区域的像素，提高处理后电力设备红外图像局部的对比度。
[0060]
s3：对电力设备红外图像进行数据增强预处理。
[0061]
需要说明的是，假设输入一张416
×
416的图像a，先计算图像a的缩放比，然后使用立方卷积插值(bicubic)算法得到图像b。将图像b粘贴到416
×
416灰度图像中，得到一张缩小尺度后的图像c1，该图像缩放方法在不失真的情况下降低了图像分辨率，但c1中填充的灰色像素面积过大时，即超过了填充灰色面积的一半，将造成模型冗余计算，增加了模型的推断时间。
[0062]
所以，在一个可选的实施例中，通过引入多尺度缩放因子(mutil-scale，ms)控制输入图像的缩放比，尽量避免灰色面积过大，其中多尺度缩放因子设置为[1,2]内任意数，效果如图2所示。即采用ms-mosaic数据增强算法同时对四张输入电力设备红外图像按照4种不同的尺度缩放因子进行处理，再将处理后的四张图像粘贴至同一张图像中，从而构建多尺度电力设备红外图像，从而实现数据增强处理。
[0063]
在模型训练阶段，将ms-mosaic数据增强的输入图像总量从四张增加至六张，即可同时将六张电力设备红外图像内置在同一幅图片中。虽然ms-mosaic数据增强能够增加多尺度目标红外图像，但是ms-mosaic处理后的图像与真实图像差异较大，故训练中设置前30轮(epoch)采用ms-mosaic数据增强处理，且使用概率为0.5，30轮训练过后则自动关闭。训练轮次和概率可以根据实际情况设定。
[0064]
s4：构建基于平均温度的改进drtr目标检测模型
[0065]
改进detr目标检测模型通过典型卷积神经网络(cnn)与基于温度参数改进的transformer架构相结合，直接端对端地预测最终检测结果，其结构如图3所示，主要包括主干网络(backbone)、编码器(encoder)、解码器(decoder)以及预测头(prediction heads)。其中，主干网络可以采用典型卷积神经网络(cnn)模型实现特征的提取，编码器主要是位置编码(positional encoding)特征与cnn提取特征的叠加处理，解码器包含n个对象查询(object queries)的并行解码，预测头则是通过ffn模块预测检测框及其类别。
[0066]
在一个可选的实施例中，采用resnet50作为主干cnn网络，用以提取电力设备红外
图像特征信息f。同时，利用位置编码为所有特征添加其对应的位置特征信息p，使网络能够区分不同区域电力设备的能力。
[0067]
将f与p叠加后输入至detr网络的改进transformer架构(编码-解码)中，其中最重要特征处理模块就是结合红外图像温度数据改进的多头自注意力机制(self-attention)，计算原理如下：
[0068][0069][0070][0071]
式中，f为resnet50网络提取的特征向量，wq、wk和wv为权重矩阵，在随机初始化训练中优化，q、k和v分别表示查询向量、键向量和值向量，d为自注意力输出矩阵z的维度，其中每个元素为对应关注程度。te为电力设备红外图像中温度数据对应的温度参数，i是特征向量d中的索引位置，当te＝1时该公式为标准的softmax函数，随着温度参数te的增大，softmax函数的输出的范围也会放大。温度参数的引入能够平衡模型的输出概率分布，减少过度自信的情况，使得改进detr模型更加合理和稳定。
[0072]
本发明在多头自注意力模块中设计了8个自注意力，每个注意力都对应一个可学习的权重矩阵z＝[wq,wk,wv]，最后将其拼接，即[z1,z2,...,z8]。通过利用decoder解码器和预测头对多头注意力提取的增强特征g进行解码预测，预测出电力设备总目标类别(本发明为7类)和边界框(电力设备位置)或者无边界框(无电力设备)。
[0073]
s5：训练并测试改进detr目标检测模型。
[0074]
将构建的改进detr目标检测模型按照图4所示流程进行模型训练与测试。具体步骤为：
[0075]
(1)将构建的电力设备红外图像数据集经过改进msrcr进行图像增强处理，提高图像样本的对比度，并按照8:2的比例划分为训练集和测试集；
[0076]
(2)将训练集电力设备红外图像输入至ms-mosaic数据增强模块中，构建多尺度电力设备红外图像，随后输入至改进detr目标检测模型中进行训练，然后将测试集中的红外图像输入至已训练的改进detr目标检测模型进行测试，获得其检测结果；
[0077]
(3)基于测试集检测结果，利用检测精度(mean average precision，map)与检测速度(即检测一秒内检测图像总数，fps)评估本发明方法基于红外图像对电力设备检测的准确性与实时性，其结果如表1所示；
[0078]
(4)将额外拍摄的电力设备红外图像输入至结合ms-mosaic与改进msrcr红外图像增强的改进detr目标检测模型中，检测出红外图像中电力设备的类型及位置，其结果如图5所示。
[0079]
表1测试集检测结果
[0080][0081]
本实施例提供了一种基于红外图像与detr的电力设备快速检测方法，该方法面向工程应用中实时检测的要求，提出温度参数改进transformer架构中的多头注意力机制，从而构建改进detr目标检测模型，实现电力设备红外图像的快速检测，辅助检修人员对海量运维图像的筛选。
[0082]
更进一步的，本发明的一个实施例还针对电力设备红外图像存在对比度低、模糊等问题，提出采用改进msrcr算法对原始红外图像进行增强处理，提高红外图像本身质量，从而简接提高改进detr目标检测模型的精度。本发明的另一个实施例还针对电力设备红外图像中电力设备多尺度导致detr目标检测模型精度与鲁棒性下降的问题，提出多尺度马赛克(mutil-scale mosaic，ms-mosaic)数据增强方法，构建多尺度电力设备红外图像，以提高模型鲁棒性与多尺度目标检测能力。
[0083]
由于实际应用中电力设备红外图像数量过多，且图像对比度低、模糊，电力设备目标形状不规则、大小尺寸多样，本发明提出先利用改进msrcr算法对原始红外图像进行增强处理，提高红外图像本身质量；然后，采用多尺度马赛克(mutil-scale mosaic，ms-mosaic)数据增强方法，构建多尺度电力设备红外图像，简接提高模型鲁棒性与多尺度目标检测能力；再结合基于温度参数改进transformer架构中的多头注意力机制，从而构建改进detr目标检测模型，实现电力设备红外图像的快速检测，满足工程应用中实时检测的要求。本发明各个步骤联合共同构成一种基于红外图像的电力设备快速检测方法，有助于辅助巡检人员对海量红外图像的处理与判别，减少人员工作压力，降低人力物力资源的浪费。
[0084]
以上是对本发明的一种基于红外图像与detr的电力设备快速检测方法的实施例进行的详细介绍，以下将对本发明的一种基于红外图像与detr的电力设备快速检测系统的实施例进行详细的介绍。
[0085]
本实施例提供了一种基于红外图像与detr的电力设备快速检测系统，包括：
[0086]
图像采集单元，用于采集并构建电力设备红外图像数据集，同时将数据集中电力设备红外图像图像的平均温度进行记录，平均温度为每张图像最高温度和最低温度的平均值；
[0087]
第一预处理单元，用于对数据集首先进行图像增强处理，以提升电力设备红外图像的局部特征；
[0088]
第二预处理单元，用于对数据集再进行数据增强处理，以控制图像的缩放比；
[0089]
模型构建单元，用于构建改进detr目标检测模型，detr目标检测模型结合典型卷积神经网络和transformer架构，用以提取电力设备红外图像的特征信息，改进transformer架构采用基于平均温度改进的多头自注意力机制进行特征处理；
[0090]
目标检测单元，用于利用处理后的数据集训练改进detr目标检测模型，并用训练
好的改进detr目标检测模型检测红外图像中电力设备的类型及位置。
[0091]
进一步的，在模型构建单元，改进detr目标检测模型的结构包括：主干网络、位置编码、编码器、解码器和预测头，其中，主干网络采用resnet50网络。
[0092]
进一步的，在改进detr目标检测模型中，最重要特征处理采用改进的多头自注意力机制，计算公式如下：
[0093][0094][0095][0096]
式中，f为resnet50网络提取的特征向量，wq、wk和wv为权重矩阵，q、k和v分别表示查询向量、键向量和值向量，d为自注意力输出矩阵z的维度，te为电力设备红外图像中温度数据对应的温度参数，i是特征向量d中的索引位置，当te＝1时该公式为标准的softmax函数。
[0097]
需要说明的是，本实施例提供的快速检测系统用于实现前述实施例提供的快速检测方法，各单元的具体设置均以完整实现该方法为准，在此不再赘述。
[0098]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.基于红外图像与detr的电力设备快速检测方法，其特征在于，包括如下步骤：构建电力设备红外图像数据集，同时将数据集中电力设备红外图像图像的平均温度进行记录，所述平均温度为每张图像最高温度和最低温度的平均值；对所述数据集首先进行图像增强处理，以提升电力设备红外图像的局部特征；对所述数据集再进行数据增强处理，以控制图像的缩放比；构建改进detr目标检测模型，所述detr目标检测模型结合典型卷积神经网络和改进transformer架构，用以提取电力设备红外图像的特征信息，所述改进transformer架构采用基于所述平均温度改进的多头自注意力机制进行特征处理；利用处理后的所述数据集训练所述改进detr目标检测模型，并用训练好的所述改进detr目标检测模型检测红外图像中电力设备的类型及位置。2.根据权利要求1所述的基于红外图像与detr的电力设备快速检测方法，其特征在于，所述改进detr目标检测模型的结构包括：主干网络、位置编码、编码器、解码器和预测头，其中，所述主干网络采用resnet50网络。3.根据权利要求2所述的基于红外图像与detr的电力设备快速检测方法，其特征在于，在所述改进detr目标检测模型中，最重要特征处理采用改进的多头自注意力机制，计算公式如下：式如下：式如下：式中，f为resnet50网络提取的特征向量，w
q
、w
k
和wv为权重矩阵，q、k和v分别表示查询向量、键向量和值向量，d为自注意力输出矩阵z的维度，t
e
为电力设备红外图像中温度数据对应的温度参数，i是特征向量d中的索引位置，当t
e
＝1时该公式为标准的softmax函数。4.根据权利要求1所述的基于红外图像与detr的电力设备快速检测方法，其特征在于，所述图像增强处理采用改进msrcr算法进行，所述改进msrcr算法对红外图像彩色rgb三个通道分别进行处理，然后叠加重新构成彩色图像，计算公式如下：通道分别进行处理，然后叠加重新构成彩色图像，计算公式如下：通道分别进行处理，然后叠加重新构成彩色图像，计算公式如下：式中，r
msrcri
为msrcr算法计算过程，r
msri
为msr算法计算过程，i
i
(x,y)和i
j
(x,y)分别为第i和j个通道的输入图像，n为通道总数3，i
i
'(x,y)第i个通道输入图像占总通道图像的比例，f为颜色空间映射函数，c
i
表示通道的色彩恢复因子，用来调节3个通道颜色的比例，β为
增益常数，α为受控制的非线性强度。5.根据权利要求4所述的基于红外图像与detr的电力设备快速检测方法，其特征在于，在所述改进msrcr算法中，通过下式进行色彩恢复因子c
i
的修正：6.根据权利要求1所述的基于红外图像与detr的电力设备快速检测方法，其特征在于，所述数据增强处理采用ms-mosaic算法，所述ms-mosaic算法中采用多尺度缩放因子控制图像的缩放比，以减小图片中的灰色面积。7.根据权利要求6所述的基于红外图像与detr的电力设备快速检测方法，其特征在于，在对所述改进detr目标检测模型进行训练时，在设定训练轮次中按设定概率采用所述ms-mosaic算法对所述数据集进行数据增强处理，在其它训练轮次中不进行数据增强处理。8.基于红外图像与detr的电力设备快速检测系统，其特征在于，包括：图像采集单元，用于采集并构建电力设备红外图像数据集，同时将数据集中电力设备红外图像图像的平均温度进行记录，所述平均温度为每张图像最高温度和最低温度的平均值；第一预处理单元，用于对所述数据集首先进行图像增强处理，以提升电力设备红外图像的局部特征；第二预处理单元，用于对所述数据集再进行数据增强处理，以控制图像的缩放比；模型构建单元，用于构建改进detr目标检测模型，所述detr目标检测模型结合典型卷积神经网络和transformer架构，用以提取电力设备红外图像的特征信息，所述改进transformer架构采用基于所述平均温度改进的多头自注意力机制进行特征处理；目标检测单元，用于利用处理后的所述数据集训练所述改进detr目标检测模型，并用训练好的所述改进detr目标检测模型检测红外图像中电力设备的类型及位置。9.根据权利要求8所述的基于红外图像与detr的电力设备快速检测系统，其特征在于，在所述模型构建单元，所述改进detr目标检测模型的结构包括：主干网络、位置编码、编码器、解码器和预测头，其中，所述主干网络采用resnet50网络。10.根据权利要求9所述的基于红外图像与detr的电力设备快速检测，其特征在于，在所述改进detr目标检测模型中，最重要特征处理采用改进的多头自注意力机制，计算公式如下：如下：
式中，f为resnet50网络提取的特征向量，w
q
、w
k
和wv为权重矩阵，q、k和v分别表示查询向量、键向量和值向量，d为自注意力输出矩阵z的维度，t
e
为电力设备红外图像中温度数据对应的温度参数，i是特征向量d中的索引位置，当t
e
＝1时该公式为标准的softmax函数。

技术总结
本发明提供了一种基于红外图像与DETR的电力设备快速检测方法和系统，包括构建电力设备红外图像数据集并记录温度数据；对数据集首先进行图像增强处理和数据增强处理，以控制图像的缩放比；构建改进DETR目标检测模型，该目标检测模型结合典型卷积神经网络和基于温度数据的改进transformer架构，用以提取电力设备红外图像的特征信息；利用处理后的数据集训练目标检测模型，并用该目标检测模型检测红外图像中电力设备的类型及位置。本发明面向工程应用中实时检测的要求，本发明提出基于改进Transformer架构的DETR目标检测模型，实现电力设备红外图像的快速检测，辅助检修人员对海量运维图像的筛选。量运维图像的筛选。量运维图像的筛选。


技术研发人员：吴悦园 林丽霞 陈浩 李华轩 李杏 康钱江 庄凤彩 陈晓儒 王斌 陈智豪 陈婷 吴瑜 陈江 冯文秋
受保护的技术使用者：广东电网有限责任公司湛江供电局
技术研发日：2023.05.18
技术公布日：2023/9/20