CN104200219B - 一种变电站刀闸位开关位指示自动识别方法及装置 - Google Patents
一种变电站刀闸位开关位指示自动识别方法及装置 Download PDFInfo
- Publication number
- CN104200219B CN104200219B CN201410414532.XA CN201410414532A CN104200219B CN 104200219 B CN104200219 B CN 104200219B CN 201410414532 A CN201410414532 A CN 201410414532A CN 104200219 B CN104200219 B CN 104200219B
- Authority
- CN
- China
- Prior art keywords
- disconnecting link
- mrow
- bit switch
- switch position
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种变电站刀闸位开关位指示自动识别方法及装置，该方法包括：通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像；分析所述目标图像的HOG特征和/或HSV特征；根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值；比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态。本发明提供的变电站刀闸位开关位指示自动识别方法及装置针对刀闸位以及开关位指示的图像的特殊性，通过提取图像的不同特征，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
Description
技术领域
本发明涉及输变电设备状态识别领域，尤其涉及一种变电站刀闸位开关位指示自动识别方法及装置。
背景技术
随着社会进步经济发展，公众对用电质量的要求越来越高，这就要求电力提供方对供电网络和设备进行更好的监控，而室内变电站刀闸位开关位指示的识别就是其中的重要监控项目。
目前对于室内变电站刀闸位开关位指示的识别，主要是通过两种方式：人工巡检的方式和图像模板匹配检测。
人工巡检的方式即通过变电站工作人员前往现场进行识别，不言而喻，该方式效率低，不能实时掌握设备的运行状况，当设备运行出现异常时，不能及时采取有效措施，而且变电站工作人员在高磁场高电压下工作危险性高，对身体伤害较大。
图像模板匹配检测即通过视频得到设备的图像，对图像与模板图像进行图像匹配，判断匹配的结果。其缺点是由于所采集的图像在不同环境下会有一些差异，如光照、拍摄角度、拍摄距离等，都会对匹配的结果造成影响，导致检测结果不准确。
发明内容
为解决现有技术中室内变电站中刀闸位开关位指示识别准确率不高的问题，本发明提出一种可以准确识别室内变电站中刀闸位开关位指示的方法及装置，针对刀闸位以及开关位指示的图像的特殊性，通过提取图像的不同特征，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
本发明提供的变电站刀闸位开关位指示自动识别方法包括：
通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像；
分析所述目标图像的方向梯度直方图(HOG，Histogram of Oriented Gradient)特征和/或颜色(HSV/hsv，Hue,Saturation,Value)特征；
根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值；
比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态。
其中，所述通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像之前，还包括：
在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度；
将所述样本图像按比例分为训练样本和测试样本；将训练样本和测试样本从RGB空间转换为灰度空间；
提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征；其中，HOG检测窗口的大小与目标图像的大小一致；
按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征进行支持向量机(SVM，Support Vector Machine)训练，得到HOG特征的SVM分类器系数；
HOG特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，得出检测的准确率P1。
其中，所述通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像之前，还包括：
在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度；
将所述样本图像按比例分为训练样本和测试样本，并从所述训练样本中截取一部分作为目标训练样本；所述目标训练样本的大小与所述目标图像的大小一致；
将目标训练样本从RGB空间转换到HSV/hsv空间，转换的公式为：
v＝max(R,G,B)
if h<0,h＝h+360
按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HSV/hsv特征进行支持向量机(SVM，Support Vector Machine)训练，得到HSV特征的SVM分类器系数；
HSV特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，得出检测的准确率P2。
其中，所述通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像之前，还包括：
在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度；将所述样本图像按比例分为训练样本和测试样本；
将训练样本和测试样本从RGB空间转换为灰度空间；提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征；其中，HOG检测窗口的大小与目标图像的大小一致；按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征进行支持向量机(SVM，Support Vector Machine)训练，得到HOG特征的SVM分类器系数；通过对测试样本按照得到的HOG特征的SVM分类器进行检测，对检测的结果进行统计，得出检测的准确率P1；
将所述样本图像按比例分为训练样本和测试样本，并从所述训练样本中截取一部分作为目标训练样本；所述目标训练样本的大小与所述目标图像的大小一致；将目标训练样本从RGB空间转换到HSV/hsv空间，转换的公式为：
v＝max(R,G,B)
if h<0,h＝h+360
按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HSV/hsv特征进行SVM，Support Vector Machine分类训练，得到HSV特征的SVM分类器系数；通过对测试样本按照得到的HSV特征的SVM分类器进行检测，对检测的结果进行统计，得出检测的准确率P2；
将P1和P2进行归一化处理，得到归一化后的系数w1和w2，作为HOG特征和HSV特征的权重系数，其中
其中，根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值，包括：
根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；
将刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2与所述HOG特征的SVM分类器的准确率P1结合，得到校准概率值A1和A2，其中，A1＝P1×Ps1；A2＝P1×Ps2；
所述比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态，包括：
比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。
其中，根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值，包括：
根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；
将刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2与所述HSV特征的SVM分类器的准确率P2结合，得到校准概率值A1和A2，其中，A1＝P2×Pc1；A2＝P2×Pc2；
所述比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态，包括：
比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。
其中，根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值，包括：
根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；
将Ps1、Ps2、Pc1、Pc2与HOG特征和HSV特征的权重系数w1、w2结合，得到校准概率值A1和A2；其中，A1＝w1×Ps1+w2×Pc1；A2＝w1×Ps2+w2×Pc2；
所述比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态，包括：
比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。
相应的，本发明还提供一种变电站刀闸位开关位指示自动识别装置，该装置包括：
图像获取模块，用于通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像；
特征分析模块，用于分析所述图像获取模块所获取的目标图像的方向梯度直方图(HOG，Histogram of Oriented Gradient)特征和/或颜色(HSV/hsv，Hue,Saturation,Value)特征；
概率计算模块，用于根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值；
状态判断模块，用于比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态。
其中，所述装置还包括：SVM训练模块，用于通过图像获取模块在不同的条件下采集刀闸位开关指示位的样本图像；将所述样本图像按比例分为训练样本和测试样本；提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征和/或HSV特征；按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征和/或HSV特征进行SVM训练，得到HOG特征和/或HSV特征的SVM分类器系数；HOG特征和/或HSV特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，HOG特征的SVM分类器的准确率P1，HSV特征的SVM分类器的准确率P2。
其中，所述概率计算模块包括：HOG计算单元，或者HSV计算单元，或者综合计算单元；
HOG计算单元，用于根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；将刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2与所述HOG特征的SVM分类器的准确率P1结合，得到校准概率值A1和A2，其中，A1＝P1×Ps1；A2＝P1×Ps2；
HSV计算单元，用于根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；将刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2与所述HSV特征的SVM分类器的准确率P2结合，得到校准概率值A1和A2，其中，A1＝P2×Pc1；A2＝P2×Pc2；
综合计算单元，用于根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；将Ps1、Ps2、Pc1、Pc2与HOG特征和HSV特征的权重系数w1、w2结合，得到校准概率值A1和A2；其中，A1＝w1×Ps1+w2×Pc1；A2＝w1×Ps2+w2×Pc2；
所述状态判断模块包括：状态判断单元和阈值预置单元；
状态判断单元，用于比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于阈值预置单元中的阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于阈值预置单元中的阈值，则确定刀闸位开关位处于闭合状态；
阈值预置单元，用于预置判定刀闸位开关位处于断开状态还是处于闭合状态的阈值。
本发明提出一种可以准确识别室内变电站中刀闸位开关位指示的方法及装置，针对刀闸位以及开关位指示的图像的特殊性，通过提取图像的不同特征，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
附图说明
图1是本发明提供的变电站刀闸位开关位指示自动识别方法第一实施例流程示意图；
图2是本发明提供的变电站刀闸位开关位指示自动识别方法第二实施例流程示意图；
图3是本发明提供的变电站刀闸位开关位指示自动识别方法中HOG检测窗口参数的设计示意图；
图4是本发明提供的变电站刀闸位开关位指示自动识别方法中另一HOG检测窗口参数的设计示意图；
图5是本发明提供的变电站刀闸位开关位指示自动识别方法第三实施例流程示意图；
图6是本发明提供的变电站刀闸位开关位指示自动识别方法第四实施例流程示意图；
图7是本发明提供的变电站刀闸位开关位指示自动识别装置第一实施例结构示意图；
图8是本发明提供的变电站刀闸位开关位指示自动识别装置第二实施例结构示意图。
具体实施方式
本发明提供的变电站刀闸位开关位指示自动识别方法和装置可以准确识别室内变电站中刀闸位开关位指示。该方法和装置针对刀闸位以及开关位指示的图像的特殊性，通过提取图像的不同特征，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
参见图1，为本发明提供的变电站刀闸位开关位指示自动识别方法第一实施例流程示意图，如图1所示，该方法包括：
步骤S101，通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像。
步骤S102，分析所述目标图像的方向梯度直方图(HOG，Histogram of OrientedGradient)特征和/或颜色(HSV/hsv，Hue,Saturation,Value)特征。
步骤S103，根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值。
步骤S104，比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态。
本发明提供的变电站刀闸位开关位指示自动识别方法可以准确识别室内变电站中刀闸位开关位指示。该方法针对刀闸位以及开关位指示的图像的特殊性，通过提取图像的不同特征，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
本领域技术人员可以理解的是，在上一实施例中，在计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据有三种，HOG特征、HSV特征、HOG特征与HSV特征的结合。在实际应用中，可以根据不同的现场条件选择不同的特征作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。
更为具体的，(1)若待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的字体不同(如闭合状态为“合”字，断开状态为“分”字)时，可以选择HSV特征作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。(2)若待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色不同(如闭合状态为红色，断开状态为绿色)时，可以选择HOG特征作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。(3)若待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色和字体均不同(如闭合状态为红底“合”字，断开状态为绿底“分”字)时，可以选择HOG特征与HSV特征的结合作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。
以下的实施例二、三、四将分别描述在上述(1)(2)(3)三种情况下，本发明提供的变电站刀闸位开关位指示自动识别方法的实施步骤。
参见图2，为本发明提供的变电站刀闸位开关位指示自动识别方法第二实施例。在本实施例中，将以待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的字符不同的情况下，描述如何实施本专利提供的方法。该方法如图2所示，包括：
步骤S201，在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度。
更为具体的，本步骤通过摄像头采集刀闸位开关指示位的图像，对不同条件下的图像进行采集(假设采集的图像大小为640*480像素)。其中感兴趣的字符区域位于图像的中间部分，即目标图像所在区域，所以在程序中只分析图像中间的部分(假设“中间部分”即目标图像所在区域大小为400*400像素)，以减少算法分析的计算量。并同时将“中间部分”区域的图像的大小重置(例如将其重置为48*48像素)，方便后续的HOG特征提取分析，这样可以在保证算法检测质量的同时，提高算法的检测速度，将这些采集到的图像根据其字符的状态分为“闭合”与“断开”两类训练样本。
进一步的，HOG检测窗口的大小设置为与目标图像的大小一致，保证算法的运行速度。例如在在上述目标图像区域大小为400*400像素，且重置为48*48像素的情况下，HOG检测窗口参数的设计如图3图4所示，块大小为16*16像素，胞元大小为8*8像素。
步骤S202，将所述样本图像按比例分为训练样本和测试样本；将训练样本和测试样本从RGB空间转换为灰度空间。更为具体的，从RGB空间转换为灰度空间的转换公式可以为Y＝0.3*R+0.59*G+0.11*B。
步骤S203，提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征。与其他的特征描述方法相比，HOG有很多优点，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。在提取HOG特征时会采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)，本方法gamma校正的公式为Iin为输入图像的像素值，Iout为校正后的图像的像素值；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。
步骤S204，按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征进行支持向量机(SVM，Support Vector Machine)训练，得到HOG特征的SVM分类器系数。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归等问题。
步骤S205，HOG特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，得出检测的准确率P1。
本领域技术人员可以理解的是，上述步骤S201～S205为预置步骤，第一次实施本方法时需要执行，其后并非每次实施本方法均需要执行。
步骤S206，通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像。
步骤S207，分析所述目标图像的HOG特征。
步骤S208，根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；
步骤S209，将刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2与所述HOG特征的SVM分类器的准确率P1结合，得到校准概率值A1和A2，其中，A1＝P1×Ps1；A2＝P1×Ps2；
步骤S210，比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。该阈值可以通过人工方式进行设定，也可以根据检测结果的准确性进行调整，若检测结果准确度偏低，则可以将该阈值调高。
本发明提供的变电站刀闸位开关位指示自动识别方法可以准确识别室内变电站中刀闸位开关位指示。该方法针对刀闸位以及开关位指示的图像的特殊性，通过提取图像的不同特征，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
参见图5，为本发明提供的变电站刀闸位开关位指示自动识别方法第三实施例。在本实施例中，将以待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色不同的情况下，描述如何实施本专利提供的方法。该方法如图5所示，包括：
步骤S301，在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度。
步骤S302，将所述样本图像按比例分为训练样本和测试样本，并从所述训练样本中截取一部分作为目标训练样本；所述目标训练样本的大小与所述目标图像的大小一致。
步骤S303，将目标训练样本从RGB空间转换到HSV/hsv空间。由于各个变电站中刀闸位以及开关位指示字符的背景颜色，都具有规律的分布，刀闸位在闭合状态的背景颜色为红色，在断开状态的背景颜色为绿色。本步骤中将图像转换到HSV空间，是因为HSV空间可以更好的表达图像的颜色特征，利用HSV的数值表示图像的颜色特征，进行分类判断。最终综合这两个图像特征进行分类判断，得到更加准确的识别结果。更为具体的，将目标训练样本从RGB空间转换到HSV/hsv空间的公式为：
v＝max(R,G,B)
if h<0,h＝h+360
步骤S304，按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HSV特征进行SVM训练，得到HSV特征的SVM分类器系数。
步骤S305，HSV特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，得出检测的准确率P2。
本领域技术人员可以理解的是，上述步骤S301～S305为预置步骤，第一次实施本方法时需要执行，其后并非每次实施本方法均需要执行。
步骤S306，通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像。
步骤S307，分析所述目标图像的HSV特征。
步骤S308，根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2。
步骤S309，将刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2与所述HSV特征的SVM分类器的准确率P2结合，得到校准概率值A1和A2，其中，A1＝P2×Pc1；A2＝P2×Pc2。
步骤S310，比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。该阈值可以通过人工方式进行设定，也可以根据检测结果的准确性进行调整，若检测结果准确度偏低，则可以将该阈值调高。
本发明提供的变电站刀闸位开关位指示自动识别方法可以准确识别室内变电站中刀闸位开关位指示。该方法针对刀闸位以及开关位指示的图像的特殊性，通过提取待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的背景颜色，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
参见图6，为本发明提供的变电站刀闸位开关位指示自动识别方法第四实施例。在本实施例中，将以待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色和字符都不同的情况下，描述如何实施本专利提供的方法。该方法如图6所示，包括：
步骤S401，在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度；将所述样本图像按比例分为训练样本和测试样本。
步骤S402，将训练样本和测试样本从RGB空间转换为灰度空间；提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征；其中，HOG检测窗口的大小与目标图像的大小一致；按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征进行SVM训练，得到HOG特征的SVM分类器系数；通过对测试样本按照得到的HOG特征的SVM分类器进行检测，对检测的结果进行统计，得出检测的准确率P1。
步骤S403，将所述样本图像按比例分为训练样本和测试样本，并从所述训练样本中截取一部分作为目标训练样本；所述目标训练样本的大小与所述目标图像的大小一致；将目标训练样本从RGB空间转换到HSV/hsv空间，转换的公式为：
v＝max(R,G,B)
if h<0,h＝h+360
按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HSV特征进行SVM，Support Vector Machine分类训练，得到HSV特征的SVM分类器系数；通过对测试样本按照得到的HSV特征的SVM分类器进行检测，对检测的结果进行统计，得出检测的准确率P2。
本领域技术人员可以理解的是，步骤S402和步骤S403在执行时并无特定的先后顺序，即可以先执行步骤S402，后执行步骤403；也可以先执行步骤S403，后执行步骤402；还可以步骤S402与步骤403同时执行。
步骤S404，将P1和P2进行归一化处理，得到归一化后的系数w1和w2，作为HOG特征和HSV特征的权重系数，其中
本领域技术人员可以理解的是，上述步骤S401～S404为预置步骤，第一次实施本方法时需要执行，其后并非每次实施本方法均需要执行。
步骤S405，通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像。
步骤S406，分析所述目标图像的HOG特征和HSV特征。
步骤S407，根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2。
步骤S408，将Ps1、Ps2、Pc1、Pc2与HOG特征和HSV特征的权重系数w1、w2结合，得到校准概率值A1和A2；其中，A1＝w1×Ps1+w2×Pc1；A2＝w1×Ps2+w2×Pc2。
步骤S409，比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。该阈值可以通过人工方式进行设定，也可以根据检测结果的准确性进行调整，若检测结果准确度偏低，则可以将该阈值调高。
本领域技术人员可以理解的是，本实施例提供的方法实际是将第二实施例和第三实施例中的两种方式进行结合产生的，所以在具体实施中，可以采用第二实施例和第三实施例中的具体实施方式。同时，对于本实施例中待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色和字符都不同的情况下，也可以采用第二实施例提供的方法，仅依据字符特征进行判断，或者采用第三实施例提供的方法，仅依据颜色特征进行判断，当然，本实施例中综合考虑字符特征和颜色特征的方式准确率会更高。
本发明提供的变电站刀闸位开关位指示自动识别方法可以准确识别室内变电站中刀闸位开关位指示。该方法针对刀闸位以及开关位指示的图像的特殊性，通过提取待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的背景颜色，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
对应的，本发明还提供一种变电站刀闸位开关位指示自动识别装置，该装置可以上述前述方法实施例中的方法流程。
参见图7，为本发明提供的变电站刀闸位开关位指示自动识别装置第一实施例结构示意图，如图所示，该变电站刀闸位开关位指示自动识别装置包括：
图像获取模块2，用于通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像。
特征分析模块3，用于分析所述图像获取模块所获取的目标图像的HOG特征和/或HSV特征。
概率计算模块4，用于根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值。
状态判断模块5，用于比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态。
本发明提供的变电站刀闸位开关位指示自动识别装置可以准确识别室内变电站中刀闸位开关位指示。该方法针对刀闸位以及开关位指示的图像的特殊性，通过提取待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的背景颜色，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
本领域技术人员可以理解的是，在上一实施例中，概率计算模块4计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据有三种，HOG特征、HSV特征、HOG特征与HSV特征的结合。在实际应用中，可以根据不同的现场条件选择不同的特征作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。
更为具体的，(1)若待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的字体不同(如闭合状态为“合”字，断开状态为“分”字)时，该变电站刀闸位开关位指示自动识别装置可以选择HSV特征作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。(2)若待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色不同(如闭合状态为红色，断开状态为绿色)时，该变电站刀闸位开关位指示自动识别装置可以选择HOG特征作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。(3)若待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的颜色和字体均不同(如闭合状态为红底“合”字，断开状态为绿底“分”字)时，该变电站刀闸位开关位指示自动识别装置可以选择HOG特征与HSV特征的结合作为计算待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值的依据。
下一实施例也将根据上述(1)(2)(3)三种情况，提供变电站刀闸位开关位指示自动识别装置的三种具体结构。
如图8所示，为本发明提供的变电站刀闸位开关位指示自动识别装置第二实施例结构示意图。该变电站刀闸位开关位指示自动识别装置包括：SVM训练模块1，图像获取模块2，特征分析模块3，概率计算模块4，状态判断模块5。
SVM训练模块1，用于通过图像获取模块在不同的条件下采集刀闸位开关指示位的样本图像；将所述样本图像按比例分为训练样本和测试样本；提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征和/或HSV特征；按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征和/或HSV特征进行SVM训练，得到HOG特征和/或HSV特征的SVM分类器系数；HOG特征和/或HSV特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，HOG特征的SVM分类器的准确率P1，HSV特征的SVM分类器的准确率P2。
进一步的，在待识别的刀闸位开关位属于(1)的情况下，SVM训练模块1仅对HOG特征进行提取、训练和检测；不对HSV特征进行提取、训练和检测，甚至可以不具备对HSV特征进行提取、训练和检测的功能。同理，在待识别的刀闸位开关位属于(2)的情况下，SVM训练模块1仅对HSV特征进行提取、训练和检测；不对HOG特征进行提取、训练和检测，甚至可以不具备对HOG特征进行提取、训练和检测的功能。在待识别的刀闸位开关位属于(3)的情况下，SVM训练模块1可以同时对HOG特征和HSV特征进行提取、训练和检测。SVM训练模块1在上述(1)(2)(3)三种情况下的具体工作方式与方法实施例中的相应预置步骤对应，此处不再赘述。
图像获取模块2，用于通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像。更为具体的，图像获取模块2通过摄像头采集刀闸位开关指示位的图像。在(1)的情况下，其中感兴趣的字符区域位于图像的中间部分，即目标图像所在区域，所以在程序中只分析图像中间的部分(假设“中间部分”即目标图像所在区域大小为400*400像素)，以减少算法分析的计算量。图像获取模块2同时将“中间部分”区域的图像的大小重置(例如将其重置为48*48像素)，方便后续的HOG特征提取分析，这样可以在保证算法检测质量的同时，提高算法的检测速度。
特征分析模块3，用于分析所述图像获取模块所获取的目标图像的HOG特征和/或HSV特征。本领域技术人员可以理解的是，若待识别的刀闸位开关位属于前述(1)的情况，则特征分析模块3仅对HOG特征进行分析，不对HSV特征进行分析，甚至可以不具备分析HSV特征的功能。若待识别的刀闸位开关位属于前述(2)的情况，则特征分析模块3仅对HSV特征进行分析，不对HOG特征进行分析，甚至可以不具备分析HOG特征的功能。若待识别的刀闸位开关位属于前述(3)的情况，则特征分析模块3可以同时对HOG特征和HSV特征进行分析。特征分析模块3对HOG特征和HSV特征的分析方法与上述方法实施例中的分析方法一致，此处不再赘述。
概率计算模块4，用于根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值。更为具体的，该概率计算模块4包括：HOG计算单元41，或者HSV计算单元42，或者综合计算单元43。
HOG计算单元41，用于根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；将刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2与所述HOG特征的SVM分类器的准确率P1结合，得到校准概率值A1和A2，其中，A1＝P1×Ps1；A2＝P1×Ps2；
HSV计算单元42，用于根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；将刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2与所述HSV特征的SVM分类器的准确率P2结合，得到校准概率值A1和A2，其中，A1＝P2×Pc1；A2＝P2×Pc2；
综合计算单元43，用于根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；将Ps1、Ps2、Pc1、Pc2与HOG特征和HSV特征的权重系数w1、w2结合，得到校准概率值A1和A2；其中，A1＝w1×Ps1+w2×Pc1；A2＝w1×Ps2+w2×Pc2；
本领域技术人员可以理解的是，若待识别的刀闸位开关位属于前述(1)的情况，则该概率计算模块4中可以仅包括HOG计算单元41。若待识别的刀闸位开关位属于前述(2)的情况，则该概率计算模块4中可以仅包括HSV计算单元42。若待识别的刀闸位开关位属于前述(3)的情况，则该概率计算模块4中可以仅包括综合计算单元43。当然，在(1)(2)(3)中任意一种情况下，概率计算模块4均可以包括除必要计算单元之外的单元，例如，在待识别的刀闸位开关位属于前述(1)的情况下，概率计算模块4中必须包括HOG计算单元41，同时也可以包括HSV计算单元42和/或综合计算单元43。
状态判断模块5，用于比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态。更为具体的，状态判断模块5包括：状态判断单元51和阈值预置单元52。
状态判断单元51，用于比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于阈值预置单元中的阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于阈值预置单元中的阈值，则确定刀闸位开关位处于闭合状态；
阈值预置单元52，用于预置判定刀闸位开关位处于断开状态还是处于闭合状态的阈值。该阈值可以通过人工方式进行设定，也可以根据检测结果的准确性进行调整，若检测结果准确度偏低，则可以将该阈值调高。
本发明提供的变电站刀闸位开关位指示自动识别方法可以准确识别室内变电站中刀闸位开关位指示。该方法针对刀闸位以及开关位指示的图像的特殊性，通过提取待识别的刀闸位开关位处于闭合状态和处于断开状态时开关位指示的背景颜色，综合分析判断，提高检测的准确性，防止误检的情况，实现准确检测的目的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AcessMemory，RAM)等。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (2)
1.一种变电站刀闸位开关位指示自动识别方法，其特征在于，包括：
通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像；
分析所述目标图像的方向梯度直方图HOG特征和/或颜色HSV特征；
根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值；
比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态；
其中，所述通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像之前，还包括：
在不同的条件下通过摄像装置采集刀闸位开关指示位的样本图像；所述不同的条件包括：不同的拍摄距离，不同的光线，不同的拍摄角度；将所述样本图像按比例分为训练样本和测试样本；
将训练样本和测试样本从RGB空间转换为灰度空间；提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征；其中，HOG检测窗口的大小与目标图像的大小一致；按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征进行支持向量机SVM训练，得到HOG特征的SVM分类器系数；通过对测试样本按照得到的HOG特征的SVM分类器进行检测，对检测的结果进行统计，得出检测的准确率P1；
将所述样本图像按比例分为训练样本和测试样本，并从所述训练样本中截取一部分作为目标训练样本；所述目标训练样本的大小与所述目标图像的大小一致；将目标训练样本从RGB空间转换到HSV空间，转换的公式为：
v＝max(R,G,B)
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<mi>v</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>v</mi>
</mfrac>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>60</mn>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mo>-</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>-</mo>
<mi>min</mi>
<mo>(</mo>
<mrow>
<mi>R</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>R</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>120</mn>
<mo>+</mo>
<mn>60</mn>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>-</mo>
<mi>R</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>-</mo>
<mi>min</mi>
<mo>(</mo>
<mrow>
<mi>R</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>G</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>240</mn>
<mo>+</mo>
<mn>60</mn>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>-</mo>
<mi>G</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>-</mo>
<mi>min</mi>
<mo>(</mo>
<mrow>
<mi>R</mi>
<mo>,</mo>
<mi>G</mi>
<mo>,</mo>
<mi>B</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mi>B</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
if h＜0,h＝h+360
按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HSV特征进行SVM分类训练，得到HSV特征的SVM分类器系数；通过对测试样本按照得到的HSV特征的SVM分类器进行检测，对检测的结果进行统计，得出检测的准确率P2；
将P1和P2进行归一化处理，得到归一化后的系数w1和w2，作为HOG特征和HSV特征的权重系数，其中
其中，根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值，包括：
根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；
将Ps1、Ps2、Pc1、Pc2与HOG特征和HSV特征的权重系数w1、w2结合，得到校准概率值A1和A2；其中，A1＝w1×Ps1+w2×Pc1；A2＝w1×Ps2+w2×Pc2；
所述比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态，包括：
比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于预置的判定阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于预置的判定阈值，则确定刀闸位开关位处于闭合状态。
2.一种变电站刀闸位开关位指示自动识别装置，其特征在于，包括：
图像获取模块，用于通过摄像装置采集待识别的刀闸位开关位的原始图像，并从所述原始图像中截取一部分作为目标图像；
特征分析模块，用于分析所述图像获取模块所获取的目标图像的方向梯度直方图HOG特征和/或颜色HSV特征；
概率计算模块，用于根据所述HOG特征和/或HSV特征，计算所述待识别的刀闸位开关位处于闭合状态的概率值和处于断开状态的概率值；
状态判断模块，用于比较所述闭合状态的概率值和断开状态的概率值，确定所述待识别的刀闸位开关位处于闭合状态或是断开状态；
其中，所述装置还包括：
SVM训练模块，用于通过图像获取模块在不同的条件下采集刀闸位开关指示位的样本图像；将所述样本图像按比例分为训练样本和测试样本；提取所述测试样本中所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征和/或HSV特征；按照所述待识别的刀闸位开关位处于闭合状态和断开状态的HOG特征和/或HSV特征进行SVM训练，得到HOG特征和/或HSV特征的SVM分类器系数；HOG特征和/或HSV特征的SVM分类器对测试样本进行检测，并对检测的结果进行统计，HOG特征的SVM分类器的准确率P1，HSV特征的SVM分类器的准确率P2；
其中，所述概率计算模块包括：综合计算单元，用于根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；将Ps1、Ps2、Pc1、Pc2与HOG特征和HSV特征的权重系数w1、w2结合，得到校准概率值A1和A2；其中，A1＝w1×Ps1+w2×Pc1；A2＝w1×Ps2+w2×Pc2；
其中，所述概率计算模块包括：HOG计算单元，或者HSV计算单元；
HOG计算单元，用于根据所述HOG特征，通过所述HOG特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2；将刀闸位开关位处于断开状态的初始概率值Ps1和处于闭合状态的初始概率值Ps2与所述HOG特征的SVM分类器的准确率P1结合，得到校准概率值A1和A2，其中，A1＝P1×Ps1；A2＝P1×Ps2；
HSV计算单元，用于根据所述HSV特征，通过所述HSV特征的SVM分类器计算所述待识别的刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2；将刀闸位开关位处于断开状态的初始概率值Pc1和处于闭合状态的初始概率值Pc2与所述HSV特征的SVM分类器的准确率P2结合，得到校准概率值A1和A2，其中，A1＝P2×Pc1；A2＝P2×Pc2；
所述状态判断模块包括：状态判断单元和阈值预置单元；
状态判断单元，用于比较所述校准概率值A1和A2，确定刀闸位开关位处于断开状态还是处于闭合状态；若校准概率值A1>A2，且A1大于阈值预置单元中的阈值，则确定刀闸位开关位处于断开状态；若校准概率值A2>A1，且A2大于阈值预置单元中的阈值，则确定刀闸位开关位处于闭合状态；
阈值预置单元，用于预置判定刀闸位开关位处于断开状态还是处于闭合状态的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410414532.XA CN104200219B (zh) | 2014-08-20 | 2014-08-20 | 一种变电站刀闸位开关位指示自动识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410414532.XA CN104200219B (zh) | 2014-08-20 | 2014-08-20 | 一种变电站刀闸位开关位指示自动识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104200219A CN104200219A (zh) | 2014-12-10 |
| CN104200219B true CN104200219B (zh) | 2017-12-08 |
Family
ID=52085509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410414532.XA Active CN104200219B (zh) | 2014-08-20 | 2014-08-20 | 一种变电站刀闸位开关位指示自动识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104200219B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104697768B (zh) * | 2014-12-23 | 2017-10-03 | 华北电力大学（保定） | 一种高压断路器动触头运动特性测试方法 |
| CN106339722A (zh) * | 2016-08-25 | 2017-01-18 | 国网浙江省电力公司杭州供电公司 | 一种线路刀闸状态监测方法及装置 |
| CN106599865A (zh) * | 2016-12-21 | 2017-04-26 | 四川华雁信息产业股份有限公司 | 刀闸状态识别装置与方法 |
| WO2018119661A1 (zh) * | 2016-12-27 | 2018-07-05 | 国网江苏省电力公司南通供电公司 | 变电站压板开关状态识别方法 |
| CN108564024A (zh) * | 2018-04-10 | 2018-09-21 | 四川超影科技有限公司 | 应用于电厂环境的开关识别方法 |
| CN108629349B (zh) * | 2018-05-11 | 2020-10-23 | 北京环境特性研究所 | 一种基于图像处理的踏板检测方法及系统 |
| CN109446982B (zh) * | 2018-10-25 | 2020-09-01 | 国网福建省电力有限公司厦门供电公司 | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 |
| CN109711257A (zh) * | 2018-11-27 | 2019-05-03 | 成都宜泊信息科技有限公司 | 一种基于图像识别的道闸状态检测方法及系统 |
| CN109784396A (zh) * | 2019-01-08 | 2019-05-21 | 北京全路通信信号研究设计院集团有限公司 | 一种分合闸状态识别方法 |
| CN110570392A (zh) * | 2019-07-26 | 2019-12-13 | 深圳供电局有限公司 | 变电站设备开关状态检测方法、装置、系统、设备及介质 |
| CN111898425A (zh) * | 2020-06-19 | 2020-11-06 | 济南信通达电气科技有限公司 | 一种变电站分合闸指示器的状态判断方法及设备 |
| CN112004012A (zh) * | 2020-08-26 | 2020-11-27 | 西安咏圣达电子科技有限公司 | 一种开关柜运行状态管理检测系统、方法、计算机设备 |
| CN112634352B (zh) * | 2020-10-30 | 2023-02-17 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
| CN112580437A (zh) * | 2020-11-26 | 2021-03-30 | 复旦大学附属中山医院 | 一种测量目标大小的方法、装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833673A (zh) * | 2010-05-18 | 2010-09-15 | 华中科技大学 | 电力开关柜开关状态图像识别系统 |
| CN102262734A (zh) * | 2011-01-07 | 2011-11-30 | 浙江省电力公司 | 判别刀闸开合与否的方法及其系统 |
| CN102289676A (zh) * | 2011-07-30 | 2011-12-21 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599122B (zh) * | 2009-07-02 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种图像识别方法及装置 |
| JP5417368B2 (ja) * | 2011-03-25 | 2014-02-12 | 株式会社東芝 | 画像識別装置及び画像識別方法 |
-
2014
- 2014-08-20 CN CN201410414532.XA patent/CN104200219B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833673A (zh) * | 2010-05-18 | 2010-09-15 | 华中科技大学 | 电力开关柜开关状态图像识别系统 |
| CN102262734A (zh) * | 2011-01-07 | 2011-11-30 | 浙江省电力公司 | 判别刀闸开合与否的方法及其系统 |
| CN102289676A (zh) * | 2011-07-30 | 2011-12-21 | 山东鲁能智能技术有限公司 | 基于红外检测的变电站刀闸模式识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 视频中基于LW-PGD和SVM的头肩部检测;钦爽;《计算机应用研究》;20140331;第31卷(第3期);第950-951页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104200219A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104200219B (zh) | 一种变电站刀闸位开关位指示自动识别方法及装置 | |
| CN107871119A (zh) | 一种基于目标空间知识和两阶段预测学习的目标检测方法 | |
| CN110689531A (zh) | 一种基于yolo的输电线路机巡图像缺陷自动识别方法 | |
| CN103646250B (zh) | 基于距离图像头肩特征的行人监测方法及装置 | |
| EP3300024A1 (en) | Color identification system, color identification method, and display device | |
| WO2014030380A1 (ja) | 画像処理装置、プログラム、画像処理方法及びコンピュータ読み取り媒体並びに画像処理システム | |
| CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
| CN106022345B (zh) | 一种基于霍夫森林的高压隔离开关状态识别方法 | |
| CN106447646A (zh) | 一种用于无人机图像的质量盲评价方法 | |
| CN102663752B (zh) | 一种sam加权kest高光谱异常检测算法 | |
| CN101144860A (zh) | 基于选择性核主成份分析的高光谱图像异常点的检测方法 | |
| CN103617414B (zh) | 一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法 | |
| CN102297822A (zh) | 一种通过图像分析预测煤粒灰分的方法 | |
| CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
| CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
| US20220343642A1 (en) | High-precision identification method and system for substations | |
| CN103489187A (zh) | 基于质量检测的宫颈lct图像中细胞核的分割方法 | |
| CN103310201A (zh) | 目标混合颜色识别方法 | |
| CN104217440A (zh) | 一种从遥感图像中提取建成区的方法 | |
| CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
| CN102509414B (zh) | 一种基于计算机视觉的烟雾检测方法 | |
| Huynh et al. | Multi-class support vector machines for paint condition assessment on the Sydney Harbour Bridge using hyperspectral imaging | |
| US9858662B2 (en) | Image processing device, computer storage medium, and method for detecting and displaying nucleated target cells | |
| WO2013022688A1 (en) | Automated detection of diagnostically relevant regions in pathology images | |
| CN104657714A (zh) | 光照对称性与全局光照强度融合的无参考人脸光照评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |