继保压板状态图像识别嵌入式方案设计与应用编程频道|福州电脑网

2024年6月15日发(作者：)

电气传动2023年第53卷第11期

ELECTRICDRIVE2023Vol.53No.11

继保压板状态图像识别嵌入式方案

设计与应用

李新海，范德和，孟晨旭，曾令诚，袁拓来

（广东电网有限责任公司中山供电局，广东中山528401）

摘要：继保压板状态识别受各种环境因素影响长期依赖人工巡检，而目前流行的压板图像识别方案也依

赖庞大后台计算架构，无法在操作现场即刻获取核对信息，严重影响工作效率。针对该问题，提出一种基于嵌

入式的手持终端的解决方案。所提出的移动智能终端采用微型智能高清相机，实现了对压板屏柜多角度拍

摄，有效地解决了由于玻璃门反光、异物阻挡、角度等妨碍拍摄的问题。所提出的基于嵌入式及YOLONano算

法的继保压板状态现场识别的方法，选用高性能计算核心和专用视觉识别模块作为硬件平台，避免了采用庞

大的后台计算架构，实现了操作现场的即时识别与核对。试验结果表明，该系统对继保压板状态识别的准确

率达100%，有效地解决了继保压板状态的操作现场识别问题，具备较强的实用性和推广性。

关键词：继电保护；继保压板状态现场识别；嵌入式图像识别系统；手持终端；YOLONano算法

中图分类号：TP183文献标识码：ADOI：10.19457/24418

RelayPlatenStatusImageRecognitionEmbeddedSolutionDesignandApplication

LIXinhai，FANDehe，MENGChenxu，ZENGLingcheng，YUANTuolai

（ZhongshanPowerSupplyBureauofGuangdongPowerGridCo.，Ltd.，Zhongshan528401，

Guangdong，China）

Abstract:Duetovariousenvironmentalfactors，therelayplatenstatusrecognitionneedsmanualinspectionfor

alongtime，andthecurrentpopularplatenimagerecognitionprogramrequiresahugebackgroundcomputing

architecture，whichcannotimmediatelyobtaintheverificationinformationintheoperationsite，andseriouslyaffect

essthisissue，asolutionbasedonembeddedhandheldterminalwas

posedmobileintelligentterminalusedaminiatureintelligentHDcameratoachievemulti-angle

shootingoftheplatenscreencabinet，andeffectivelysolvedtheproblemofhinderingshootingduetoreflectionof

glassdoors，posedrelayplatenstatusfieldrecognitionmethodbasedon

embeddedandyouonlylookonce（YOLO）Nanoalgorithmselectedhighperformancecomputingcoreandspecial

visionrecognitionmoduleashardwareplatform，whichavoidedhugebackgroundcomputingarchitectureand

tresultsshowthatthesystemhas100%

accuracyrateofrelayplatenstatusrecognition，whicheffectivelysolvestheoperationsiterecognitionproblemof

relayplatenstatusandhasstrongpracticalityandpopularization.

Keywords:relayprotection；relayplatenstatusfieldrecognition；embeddedimagerecognitionsystem；

handheldterminals；youonlylookonce（YOLO）Nanoalgorithm

变电站内继保室压板数量巨大，传统压板巡

检核对方法分为人工巡视核对和轨道机器人巡

检核对。由于压板数量巨大，操作现场人工逐一

核对工作效率低下；而指定轨道行驶的机器人巡

检则会受到玻璃门反光、异物阻挡、角度盲区等

影响，产生压板无法正确识别的困扰；此外，目前

基金项目：广东电网有限责任公司科技项目（GDKJXM20184171）

使用的压板图像识别方法需庞大的后台计算架

构，巡检人员无法在操作现场即刻获取核对信

息，极大影响了工作效率

[1-4]

。

针对上述问题，本文提出了一种基于嵌入式

的手持终端解决方案，该终端采用柯达PixPro

SL10微型智能高清相机，实现了对压板屏柜多角

作者简介：李新海（1971—），男，本科，高级工程师，Email：******************

李新海，等：继保压板状态图像识别嵌入式方案设计与应用

度拍摄，有效地解决了由于玻璃门反光、异物阻

挡、角度等妨碍拍摄的问题；此外，本文提出了一

种基于嵌入式及只需要浏览一次就可以识别出

图中物体的类别和位置的YOLONano算法的继

保压板状态现场识别方法，并选用六核Cortex-A

系列高性能计算核心和专用视觉识别模块

T860

度压板方式表进行压板核对，

作为硬件平台，通过读取预存在终端上的调

Mali-

避免了庞大的后台

架构，实现了操作现场对压板状态批量识别与核

对，解决了操作现场人工逐一核对工作效率低下

的问题

[5-11]

。

将本文所提方法用于某220kV变电站继保

室（300面屏柜，7088块压板）进行继保压板状态

现场核查，设备性能和算法效率均达100%，压板

识别准确率达到100%。所提方法摆脱了巡检机

器人受到玻璃门反光、异物阻挡、角度盲区等限

制而对压板无法正确识别的困扰，提高了工作效

率和压板状态的识别与核对的准确率，避免了人

为错误，易于推广使用。

1研究思路

为了实现继保压板操作现场的投退状态识

别与核对，本文提出了一种基于嵌入式的手持终

端解决方案，研制了基于先进的精简指令集微处

理

machine

器（advanced

适合本研究硬件平台的

，ARM）嵌入式硬件平台的手持终端、

reducedinstructionsetcomputer

YOLONano算法模型，

设计了

设计

开发了手持终端应用软件。该方案包括手持终端

硬件平台和固件程序软件两部分，如图1所示。

图1继保压板状态识别系统总体结构

Fig.1

嵌入式硬件平台核心为图像识别嵌入式单元，

Overallstructureoftherelayplatenstatusrecognitionsystem

由图像采集模块、

calintelligence

图形处理模块、人工智能（artifi⁃

本研究利用

，AI

YOLO

）计算模块和显示模块组成。

Nano网络的特点，设计了

基于YOLO的基础网络模型，通过与嵌入式设备

结合的方式对网络进行训练和调整，最终获得适

电气传动2023年第53卷第11期

合本研究提出的硬件平台运行的识别模型。并

根据变电站压板核对业务流程设计开发了基于

识别模型对拍摄的压板照片进行识别，

ARM嵌入式终端的软件，该软件利用YOLO

获得现场

Nano

屏柜压板开合状态。

操作现场压板识别核对流程如图2所示。

压板状态巡检识别流程如下：

采集压板图像；

1）使用图像采集模块对压板屏柜进行拍摄，

到手持终端进行存储；

2）图像采集模块通过Wi-Fi接口将图像传送

算法，

3）

利用图形处理模块及

基于计算机视觉和YOLO

AI计算模块硬件资源

Nano目标识别

对压板图像进行处理和识别；

将数据传输至服务器保存。

）

通过显示模块显示识别结果和核对报告；

通过Wi-Fi网络、通用串行总线USB接口

图2压板状态识别核对流程

2压板状态现场识别与核对手持终

Fig.2Platenstatusrecognitionverificationprocess

端结构

继保压板状态现场识别嵌入式手持终端核

心为图像识别嵌入式单元，由图像采集模块、图

形处理模块、

3所示。

AI计算模块和显示模块组成，如图

电气传动2023年第53卷第11期

图3继保压板状态识别手持终端硬件结构

Fig.3Relayplatenstatusrecognitionhandheld

2.1图像采集模块

terminalhardwarestructure

图像采集模块包含了可10倍变焦镜头，焦距涵

盖广角到远焦视角范围，焦距为28~280mm，相当

于35mm等焦距。模块最大优点如下：1）该模块可

与手持终端主机分拆；2）该模块为一款微型智能相

机；3）可实现高清拍照；4）可应用于多种便携式设

备；5）携带方便。该模块集成一个16.35MP1/2.3

英寸BSICMOS传感器，实现了高分辨率拍摄、增强

了低光性能和质量，达到ISO3200敏感度。

模块具备光学图像稳定性，可最大限度地减

少相机晃动，从而提供更清晰的照片。模块利用

内置

munication

Wi-Fi

其进行设置控制和拍摄，

，NFC

连接，

）对设备进行配对，

利用近场通信（near

通过Wi-Fi

核心主机可对

fieldcom⁃

将照片传输

至手持终端主机上。

2.2存储模块

由于拍摄照片为高清图片，照片文件比较

大，且需要快速读取。为了保证系统运行效率和

传输效率，存储模块采用高速嵌入式多媒体卡作

为存储介质，容量128GB以上。同时，支持微型

安全数字记忆卡

MicroSD

（microsecuredigitalmemorycard

ral

固态硬盘扩展。解决了系统存储空间不足的问

component

Card）扩展和外围互联部件扩展

interconnectexpress，PCIE

（

）

periphe

，

接口的

题，实现存储空间的灵活扩展。

2.3图形处理AI计算模块

Cortex-A72+

图形处理AI计算模块采用服务器级双核

合四核ARM

四核

Mali-T860

Cortex-A53

MP4GPU

的大小核构架，

实现对拍摄的

结

图像处理、卷积计算、目标识别和各模块数据交

互功能。由于Mali-T860采用了基于128bit向量

的Midgard架构，在应用于图像卷积计算时，效率

比六核的CPU快2~4倍。采用的六

核Cortex架构，具备更高的接口标准、更快的传输

李新海，等：继保压板状态图像识别嵌入式方案设计与应用

速度，为终端提供了更快的计算速度和更好的视

觉效果。

2.4显示模块

显示模块的核心为高清电容触控屏。显示

模块支持HDMI2.0，DP1.2，MIPI-DSI和eDP等高

性能显示接口，具备强大的显示扩展能力。

2.5通信模块

BT4.1

通信模块支持的接口有：Wi-

速率可达

，千兆以太网和

5Gbps。

USB3.0。通信接口的传输

Fi（2.3GHz/5GHz），

手持终端拍摄的继电保护压板图片、压板状

态识别结果和核对结果，可通过使用任意一种通

信接口上传至服务器主站，由服务器主站对上传

信息进行存储和归档。同时，服务器主站可把关

系数据信息及算法模型下发到手持终端。

3压板状态现场识别与核对嵌入式

软件设计

本文所提系统固件程序包括操作系统和压

板状态识别软件两部分。操作系统固件包括显

示驱动、Wi-Fi驱动、蓝牙驱动、USB驱动和操作系

统移植模块。压板状态识别软件包括压板台账

信息管理、压板图像采集、压板状态图像识别、压

板识别核对报告和异常信息模块。固件程序结

构如图4所示。

图4固件程序结构

3.1嵌入式

Fig.4

Linux

Firmware

操作系统固件

programstructure

嵌入式操作系统负责嵌入式系统软件和硬

件资源的分配、任务调度与控制、协调并发活动。

系统由底层驱动程序、系统内核、设备驱动程序、

通信协议等组成。嵌入式Linux操作系统的特点

是内核小、专用性强、系统指令简单、具备较高实

时性，是一个多任务的操作系统。

系统移植需要针对特定设备通过交叉编译

李新海，等：继保压板状态图像识别嵌入式方案设计与应用

的方式，才能移植到硬件主板上。系统移植方法

有三种，分别是uboot，bootloader和kernel方法，本

文所述的RK3399硬件平台系统移植采用uboot

方式，使用交叉编译方式编译嵌入式Linux系统，

并将系统进行镜像封装，通过uboot移植工具，将

系统镜像写入RK3399硬件平台。

显示驱动用于驱动高分辨率有电激光显示屏

（organiclightemittingdiode，OLED）显示和触摸功

能。Wi-Fi驱动和蓝牙驱动用于驱动Wi-Fi和蓝牙

设

USB

备，实现图像采集模块

3.2

驱动用于驱动与第三方平台的数据传输通信。

进行数据传输通信。

压板状态识别软件

压板状态识别软件实现了基于YOLONano

算法的嵌入式固化与相关信息的管理，提供友好

图像界面，方便用户操作使用，软件使用Java平

台搭建和开发。软件功能模块包括：压板图像

采集模块、压板台账信息管理模块、压板状态

图像识别模块、压板识别核对报告模块和异常信

息模块。

压板台账信息管理模块用于管理设置手持

终端上存储的主控室压板台账信息，可查看主控

室各屏柜台账信息和压板状态原始状态信息。

压板图像采集模块通过控制图像采集模块

对压板屏柜进行拍照，获取压板状态照片，并对

照片进行存储管理。

压板状态图像识别模块通过使用TensorRT

平台搭建YOLONano网络模型，并对模型进行训

练，移植至嵌入式平台，本模块通过调用算法对

存储在设备上的压板照片进行图像识别，得到各

压板开合状态信息。

压板识别核对报告模块对压板状态图像识

别结果进行整合，形成易于理解和直观的压板识

别核对报告。

异常信息模块显示压板图像识别后存在异

常的压板名称信息。

4继保压板状态现场识别

算法

YOLONano

由于嵌入式设备计算资源的局限性，为了最

大程度发挥图像识别算法的效能，要求部署在嵌

入式设备上的算法须具备准确率高、实时性好、

开发难度低、网络模型小、占用内存低等特点。

目前已有的目标检测网络，如单次检测器算法

（singleshotmultiboxdetector，SSD）、掩膜基于区

电气传动2023年第53卷第11期

域

tional

的卷积神经网络（

入式设备计算和内存的限制，

neuralnetworks，Mask

maskregion

R-

basedconvolu⁃

无法在嵌入式设备

CNN）由于受到嵌

上发挥其应用的性能

[12-14]

。

构作为原型，

YOLONano

将原型和机器驱动的设计探索策略

网络以单阶段目标检测网络架

相结合，创建一个简单紧凑的网络结构，其最大

的特点就是该网络针对嵌入式和边缘设备而设

计。该网络基于YOLO系列设计，继承了YOLO

算

YOLOv3

法优秀

分别提高了

小

的

8.3

目

3倍和

倍，

标检

运行速度比

测性能，网

3.8倍，支持在嵌入式图形处

SSD

络

和

模

Retina

型比Tiny

Net

理器（graphicsprocessingunit，GPU）上实现目标

检测

[15-17]

。

策略来设计一种深度卷积神经网络，

YOLONano通过利用一种人机协助的设计

该网络高度

紧凑。YOLONano网络属于一种针对嵌入式设

备高度定制化的网络，其创建过程包含两个步

骤：1）基于YOLO系列网络创建原型网络；2）根据

原型网络通过机器驱动探索策略获得最终网络。

基于原型网络创建，原型网络（记为

）由特

征表示模块堆栈组成，

YOLOv3一样。特征表示模块类似金字塔网络，

模块之间的快捷连接与

使得网络能在三个不同维度上表示特征。通过

在特征模块之后增加卷积层输出boundingbox的

三维张量，以及三个不同尺寸大小的分类预测，

实现了高效和多尺度的目标检测。

机器驱动探索阶段设计网络，以原型网络、

数据及嵌入式设备需求为指导，通过利用机器驱

动探索策略确定YOLONano的宏观架构和微观

架构，最终获得YOLONano网络结构。该阶段定

义网络生成器

，通过给定的种子集合

，生成函

数

的网络

}

，该网络满足了指标函数

其表达式如下式所示：

(∙)

的

定义和约束要求，

g=max

u[g(s)]

通过迭代优化算法求近似解

[g(s)]=1∀s∈S

（1）

，而

作为引导，在

，如

(∙)

的约束下逐步更新，

由

，

和

(∙)

获得

一个连续的

,…,g

,…)

，利用最终

的近似值

创建YOLONano网络。

网络结构如图5所示。它由残差投影-扩展-

投影（projection-expansion-projection，PEP）宏体系

结构的模块，

EP）宏体系结

以及扩展

构组成

。

投影

残

（

差

expansion

PEP宏架

-projection

构包

，

括：

电气传动2023年第53卷第11期

李新海，等：继保压板状态图像识别嵌入式方案设计与应用

1）第1层为1×1卷积构成的投影层，将输出通道

映射为一个维度较低的向量；2）第2层为1×1卷

积构成的拓展层，将通道数增大为较高的维度；

3）第3层为3×3的深度卷积层，对拓展层的每一

个输出通道用不同的滤波器进行空间卷积；4）第

为一个较低维度的输出向量。残差PEP结构极

大地降低了计算复杂度和模型复杂度，并且保留

了模型的预测能力。其中全连接注意力层（fully-

connectedattention，FCA）由两个全连接层构成，

学习各通道间动态的、非线性的相互依赖关系，

通过channel-wise相乘来产生各通道的权重。

4层为1×1卷积构成的投影层，将输出通道映射

图5YOLONano网络结构

5.1

5系统实现

Fig.5YOLONanonetworkstructure

系统硬件平台实现

根据本文所述方案，采用瑞芯微的RK3399

作为核心模块，搭载基于ARM的Linux操作系

统，设计和研制用于继保压板状态识别手持终

端。手持终端硬件核心板大小尺寸为124mm×

93mm，符合嵌入式手持终端便携的设计要求。

手持终端外壳设计为可手持和挂带相结合，

图6嵌入式手持终端的实现

Fig.6Implementationofembeddedhandheldterminal

手持终端在两个侧面分别设计了图像采集模块

安装卡扣，使得智能相机镜头通过自带的卡扣可

安装于手持终端主机上，实现使用的多样化，外

壳采用3D打印，实现效果图如图6所示。

5.2系统软件及算法实现

压板状态识别软件基于Java平台搭建和开

李新海，等：继保压板状态图像识别嵌入式方案设计与应用

发。在上位机通过使用TensorRT框架搭建适合

嵌入式设备的YOLONano网络，使用标注好的数

据集对网络进行训练，得到预测模型和参数，模

型和参数嵌入识别软件中。通过软件安装部署

到嵌入式手持终端中，在使用过程中调用算法模

型对压板图像进行识别，软件部分功能实现效果

如图7所示。

图7压板状态识别软件实现

Fig.7

试验结果分析

Platenstatusrecognitionsoftwareimplementation

本文对基于嵌入式及YOLONano算法的继

保压板状态现场识别系统进行了验证，使用测试

图像数据集进行网络模型的识别测试。继电保

电气传动2023年第53卷第11期

护压板状态识别效果如图8所示。

图8压板状态图像识别效果

在某

Fig.8

220

Image

kV变电站主控室，

recognitioneffectof

使用本文所提出

platenstatus

的系统在操作现场进行继保压板图像识别与核

对试验，试验结果如表1所示。

表1手持终端压板图像识别试验分析表

Tab.1Handheld

recognition

terminal

testanalysis

platen

table

image

实验序号图像压板个数识别正确个数识别正确率/%

200

400

200

3600

400

100

600

100

由试验结果分析可得，在嵌入式手持终端中

使用YOLONano算法对压板状态进行拍照识别，

压板识别准确率达到100%。

7结论

继保压板核查存在人为影响因素多、核对系

统推广困难和图像识别准确率不高的问题，本文

通过研制嵌入式手持终端，并将YOLONano网络

模型固化在手持终端中，实现了继保压板状态的

现场识别和核对。

压板状态方便性的问题。

1）研制了嵌入式手持终端，解决了现场核查

依赖后台服务器识别的问题，

2）解决了目前变电站图像识别应用中必须

现场核查人员通过

使用手持终端对压板屏柜进行拍摄，即可及时获

得压板识别和核对结果。

嵌入式装置，

3）创新性地使用具备神经网络加速功能的

实现YOLONano模型的固化，并应

电气传动2023年第53卷第11期

用于继保压板状态现场核对。

法对继保压板状态识别的准确率达

4）通过现场应用试验证明本文所提出的方

100%，可有

效解决人工核对压板状态效率低的问题，具备较

强的实用性和较高的推广价值。

参考文献

[1]江燕，

[J].

JIANG

电气传动，

江艾梓.

inthe

Yan，JIANG

2019

图像处理在机械手视觉定位控制中的应用

，49

Aizi.

（2）

Application

：40-44.

oftheimageprocessing

Drive，2019

visual

，49（

positioning

2）：40-44.

controlofmanipulator[J].Electric

[2]江燕，

电气传动，

王敬东

2015

.图像处理在平面零件分拣控制中的应用

，45（2）：76-80.

[J].

JIANG

tionofsorting

Yan，WANG

control

Jingdong.

ofplaneparts[J].

Imageprocessing

ElectricDrive

inthe

，2015

applica⁃

（2）：76-80.

，45

[3]邓应松，

态辨识方法

段秦刚，

[J].陕西电力，

宋小松.基于图像识别的保护压板投退状

2015，43（10）：49-53，67.

DENG

tification

Yingsong

ofrelaying

，DUAN

plate

Qingang

based

，den⁃

[4]

Shaanxi

付文龙，

Electric

的智能变电站保护压板状态识别

谭佳文，

Power

吴喜春，

，2015

等

，

基于图像处理与形态特征分析

（10）

：49-53

image

，67.

recognition[J].

[J].电力自动化设备，2019，

（7

status

Wenlong

）：203-207.

，TANJiawen，WUXichun，tionplaten

feature

recognition

analysisfor

based

smart

substation[J].

imageprocessing

Electric

and

Power

morphological

tionEquipment，2019，39（7）：203-207.

Automa⁃

[5]

大学，

李素芬

2008.

.嵌入式图像识别硬件平台研究[D].武汉：武汉理工

system[D].

Wuhan：Wuhan

onembedded

University

image

ofTechnology

processing

，2008.

hardware

[6]李腾，

统的设计与应用

闫菲，于志强，

[J].电气传动，

等.基于ARM

2020

的远程监控数据采集系

，50（7）：103-107.

tion

Teng，YANFei，YU

[7]

[J].

PEREIRA

Electric

ofremote

Drive

monitor

Zhiqiang，ignandapplica⁃

，2020

data

，

acquisitionsystembasedonARM

systemsfor

automatic

C，PEREIRA

50（7

recognition

）：

103-107.

Embeddedimageprocessing

IFAC

CHEN

-PapersOnLine，2015，48（10）：16-21.

ofcracksusingUAVs[J].

[8]

basedon

Junjin.

embedded

Target

system

recognition

andinternet

ofbasketball

ofthings[J].

sports

Micropro⁃

image

[9]

cessors

SHU

andMicrosystems，2021，82（2）：103918.

ofimage

Yufeng

recognition

，CHEN

technology

Yonggang，

based

XIONG

Changwei.

embedded

Application

technology

李新海，等：继保压板状态图像识别嵌入式方案设计与应用

Microsystems

environmental

，2020

pollution

，75（6）：103061.

detection[J].Microprocessorsand

[10]XIE

IoTand

Xintao.

embedded

Imagerecognition

devices[J].

ofsportstraining

Microprocessors

basedonopen

Microsystems，2021，82

wearable

（3）：103914.

and

[11]王磊，

模型压缩技术综述

赵英海，杨国顺，

[J].

等

北京交通大学学报，

.面向嵌入式应用的深度神经网络

2017，41（6）：34-

41.

WANG

system[J].

model

Lei

Journal

compression

，ZHAOYinghai

ofBeijing

ofdeep

，YANG

Jiaotong

neural

Guoshun

University

network

，et

，

for

al.

2017

embedded

Asurvey

34-41.

，41（6）：

[12]秦东辉，

的加速实现方法

周辉，赵雄波，

[J].航天控制，

等.基于卷积神经网络图像识别算法

2019，37（1）：21-26.

QIN

implementation

Donghui，ZHOUHui，ZHAOXiongbo，rated

convolutional

methodofimagerecognitionalgorithmbasedon

（1）：21-26.

neuralnetwork[J].AerospaceControl，2019，37

[13]段秉环，

缩方法研究

文鹏程，

[J].航空计算技术，

李鹏.面向嵌入式应用的深度神经网络压

2018，48（5）：50-53.

DUAN

methods

Binghuan

ofdeepneural

，WEN

network

Pengcheng

forembedded

，LIPeng.

systems[J].

Compression

nauticalComputingTechnique，2018，48（5）：50-53.

Aero⁃

[14]

[D].

张雨丰

金华：

.深度学习的轻量化及其在图像识别中的应用研究

ZHANG

itsapplication

Yufeng.

浙江师范大学，

Research

2019.

onlightweightofdeeplearningand

mal

广东电网有限责任公司中山供电局

University，2019.

inimagerecognition[D].Jinhua：ZhejiangNor⁃

[15]

的继保压板状态识别系统及方法：中国，

.基于

CN2.7

YOLONano算法

[P].

Zhongshan

2021-08-13.

system

YOLO

and

Nano

method

algorithm

ofrelay

：China

platen

，CN2.7[P].

statusrecognitionbased

2021-

[16]

08-13.

REDMON

stronger[C]//2017

Joseph，

IEEE

FARHADI

Conference

9000

onComputer

：better，faster，

[17]

Pattern

叶黎伟，

Recognition（CVPR），IEEE，2017.

Visionand

法[J].长江信息通信，

宋宗珀.Yolo

2021

-v5改进模型的课堂行为实时检测方

，34（7）：41-45.

improved

Liwei，

model

oombehaviorbasedonYolo-v5

formation&Communications

real-timedetection

，2021，34

method[J].

（7）：41-45.

ChangjiangIn⁃

收稿日期：2022-06-11

修改稿日期：2022-08-09

继保压板状态图像识别嵌入式方案设计与应用

发布评论取消回复

最近发表

相关推荐

标签列表

继保压板状态图像识别嵌入式方案设计与应用

发布评论 取消回复

最近发表

相关推荐

标签列表

发布评论取消回复