CN105404867A - 一种基于视觉的变电站隔离开关状态识别方法 - Google Patents

Abstract

本发明公开了一种基于视觉的应用于220KV变电站的隔离开关状态识别方法，涉及计算机视觉技术。本发明将隔离开关的状态识别转换为隔离开关静触头的检测与状态分类相结合的识别方法，通过梯度方向直方图训练得到LDA目标检测器，实现隔离开关候选目标的生成，基于规范化梯度场特征训练高斯核SVM，完成隔离开关状态的识别。本发明方法实时性好，识别精度和召回率高，为电网监控平台提供自动化、智能化的监控手段，为变电站无人值班运行管理模式提供技术支撑。

Description

一种基于视觉的变电站隔离开关状态识别方法

技术领域

本发明涉及计算机视觉技术领域，特别是一种基于视觉的变电站隔离开关状态识别方法。

背景技术

在变电站中，当需要改变电力系统的运行方式或电气设备的状态时，就要进行电气设备的倒闸操作，因此需要对隔离开关的状态进行确认。对于常规变电站，虽然倒闸操作已经向远程自动化操作方向改进，但在倒闸操作过程中，为了杜绝由于隔离开关动作不到位引起的误操作事故，仍然需要人工现场确认隔离开关位置是否到位、操作是否准确完成，并将核对结果采用步话机的方式告诉变电站或监控中心的运行操作员，在收到隔离开关准确动作确认信息后，方可继续下一步操作。这种操作模式存在劳动强度大、操作时间长等缺点。此外，还对现场人员的主观判断依赖较大，受现场人员知识、经验等条件约束，容易出现误判，且现场人员存在安全风险，更为重要的是，影响变电站无人值班等集约化运行管理模式的推进。

基于视觉的隔离开关状态识别方法，采用计算机自动完成倒闸操作后对隔离开关状态的识别，往往要先提取目标的形式化描述特征，继而通过训练得到的分类器实现对目标的检测与状态的识别。隔离开关本体的图像特征提取的困难在于：变电站电气设备的金属颜色强，图像背景杂乱，背景中存在和隔离开关目标特征相似的物体。如何通过设计鲁棒高效的特征描述和相应的识别算法提高隔离开关状态识别方法的实时性、稳定性需要更深入的研究。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种基于视觉的变电站隔离开关状态识别方法，使得计算机能够自动完成倒闸操作后对隔离开关状态的识别。

(二)技术方案

为达到以上目的，本发明提供一种基于视觉的变电站的隔离开关状态识别方法，该方法是将隔离开关的状态识别转换为隔离开关静触头的检测定位与状态分类相结合的识别方法，包括步骤如下：

步骤S1：提取隔离开关静触头的梯度方向直方图特征；

步骤S2：根据提取的梯度方向直方图特征，利用Fisher判别分析生成一维特征子空间，训练LDA目标检测器；

步骤S3：分别提取隔离开关静触头开、闭状态的规范化梯度场特征，训练高斯核SVM生成状态分类器；

步骤S4：基于多尺度滑动窗技术，用阈值分类器检测隔离开关静触头，得到目标候选区域，然后利用状态分类器实现隔离开关的状态识别。

(三)有益效果

本发明方法实时性好，识别精度召回率高，为电网监控平台提供自动化、智能化的监控手段，能够促进真正实现变电站倒闸操作的“一键式”顺序控制，为变电站无人值班运行管理模式提供技术支撑。

附图说明

图1(a)、图1(b)为本发明中涉及的隔离开关本体。

图2是本发明中隔离开关状态识流程图，包括目标检测和状态识别两阶段的训练过程和识别过程。

图3中的(a)、和(e)是本发明中涉及的隔离开关静触头开、闭位状态。

图3中的(b)、和(f)是本发明中对隔离开关静触头计算得到的梯度图。

图3中的(c)、和(g)是本发明得到的一维梯度场分布曲线。

图3中的(d)、和(h)是本发明得到的规范化梯度场特征。

图4(a)、图4(b)是本发明方法对隔离开关开、闭位状态识别结果——精度召回率曲线。

图5(a)、图5(b)是本发明方法对隔离开关开、闭位状态识别结果——DET曲线。

图6是本发明方法对隔离开关检测与开、闭位状态识别结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明提供了一种基于视觉的应用于220KV变电站的隔离开关状态识别方法。图1(a)、(b)显示的是本发明针对的220KV变电站隔离开关，图2显示的是本发明方法的流程图，本发明能够在目标具有遮挡、背景干扰以及小范围形变的情况下准确的检测并识别定位目标，完成目标状态的识别，可用于图像和视频中隔离开关状态识别系统。

本发明主要有以下四个特征：一是将隔离开关的状态识别转换为隔离开关静触头的检测定位与状态分类相结合的识别；二是提取静触头整体的梯度方向直方图特征，根据提取的特征，利用Fisher线性判别分析生成一维特征子空间，生成LDA(线性判别分析)目标检测器；三是对静触头设计映射核函数提取规范化梯度场特征，采用高斯核SVM生成目标状态分类器；四是结合多尺度滑动窗技术进行目的检测定位和状态识别。

图2示出了本发明提出的基于视觉的变电站的隔离开关状态识别方法流程图。该方法是将隔离开关的状态识别转换为隔离开关静触头的检测定位与状态分类相结合的识别方法，如图2所示，该方法包括步骤如下：

步骤S1：提取训练样本集中每个图像的梯度方向直方图特征；其中，所述训练样本集中包括正样本图像和负样本图像，正样本图像指的是隔离开关静触头图像，负样本指的是非隔离开关静触头图像；

步骤S2：根据提取的梯度方向直方图特征，利用Fisher判别分析生成一维特征子空间，训练LDA目标检测器；

步骤S3：分别提取隔离开关静触头开、闭状态的规范化梯度场特征，训练高斯核SVM生成状态分类器；

步骤S4：基于多尺度滑动窗技术，用阈值分类器检测隔离开关静触头，得到目标候选区域，然后利用状态分类器实现隔离开关的状态识别。

本发明主要包括三个模块：一是梯度方向直方图特征的提取及LDA目标检测器的训练过程；二是规范化梯度场特征提取与状态分类器训练过程；三是目标检测定位与状态识别过程。

梯度方向直方图特征的提取及LDA目标检测器的训练，具体包括如下步骤：

步骤1：首先训练样本图像归一化至如64*64像素，采用方向梯度算子进行图像梯度的计算：水平梯度算子为 $\mathrm{\Δ}x=\left[\begin{array}{ccc}-\frac{1}{2}& 0& \frac{1}{2}\end{array}\right],$ 竖直梯度算子为 $\mathrm{\Δ}x={\left[\begin{array}{ccc}-\frac{1}{2}& 0& \frac{1}{2}\end{array}\right]}^T,$ 图像梯度的计算形式为：梯度幅值 $M(x,y)=\sqrt{I_x{(x,y)}^2+I_y{(x,y)}^2},$ 梯度方向Θ(x，y)＝arctan[I_y(x，y)/I_x(x，y)]，其中I_x和I_y分别为水平梯度图像和竖直梯度图像。图3(b)、图3(f)显示的是由图3(a)、图3(e)显示的隔离开关开、闭位状态计算得到的梯度图像。

步骤2：把训练样本图像分割为若干个像素的单元(cell)，例如每个像素单元大小为8*8像素。

步骤3：把梯度方向(0-180度)平均划分为9个区间(bin)，在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量。

步骤4：每相邻的4个单元构成一个块(block)，例如块的大小为16*16像素，把一个块内的所述特征向量联起来得到36维的特征向量，用块对样本图像进行扫描。具体地，用块对图像进行扫描指的是：以定义好尺寸的图像块大小基元，对图像从左到右，从上到下进行扫描，对每扫描到的一个图像块提取特征向量。

步骤5：图像块的扫描步长可设为8像素，最后将所有块的特征串联起来，得到梯度方向直方图特征。例如，对于64*64的区域，共计得到49个块，特征维数为36*49＝1764维。

步骤6：对所有训练样本图像提取完梯度方向直方图特征后，利用Fisher线性判别分析生成最优的一维特征子空间，确定最佳分类阈值，生成LDA目标检测器。

规范化梯度场特征提取与状态分类器训练，具体包括如下步骤：

步骤1，将梯度图像沿着竖直方向进行投影线积分操作，利用计算获得一维梯度场分布，其中g(x)为一维梯度场分布，(x，y)代表梯度图像中的坐标，M(x，y)代表梯度图像中的梯度值，H为图像的高，λ＞0为归一化常数，图3(c)、图3(g)显示的是由图3(a)、图3(e)显示的隔离开关开、闭位状态图像生成的一维梯度场分布图像。

步骤2，设计映射核函数 $K\left(x\right)=\{\begin{array}{c}-{\left(\frac{x}{h}\right)}^2+1,x\∈\[-h,h\]\\ 0,otherwise\end{array},$ h为一给定常数，表示的是映射核函数的带宽，x为属于区间[-h，h]之间的自变量。

步骤3，一维梯度场分布与映射核函数进行卷积获得规范化梯度场特征其中，τ为属于区间[-∞，+∞]之间的变量，NGF为规范化梯度场特征，η＞0为归一化常数，图3(d)、图3(h)显示的是由隔离开关开、闭位状态图像生成的规范化梯度场特征的图像。

步骤4，对所有训练样本提取完规范化梯度场特征后，训练高斯核SVM，获得隔离开关状态分类器。

目标检测定位与状态识别。目标检测定位与状态识别本质上是一个由粗到精的识别过程。首先，在目标的检测定位过程中，采用多尺度滑动窗口的方法，以梯度方向直方图为特征，结合LDA目标检测器实现隔离开关静触头的检测定位，生成候选目标集Ω。然后，在目标状态的识别过程中，以规范化梯度场为特征，结合高斯核SVM状态分类器最终识别隔离开关的状态。

识别方法的性能评价。本方法的性能评价是通过对待检测图片中目标的状态进行识别验证的。算法性能指标有四个，分别是精度、召回率、漏检率以及误检率。

精度(Precision)定义为在测试图像集合中，正样本数占序列总样本数的比例，即Precision＝TP/(TP+FP)。召回率(Recall)定义为正样本在所有实际正样本中所占的比例，即Recall＝TP/(TP+FP)。漏检率(MissRate)定义为没有检测出来的正样本数量与正样本总数的比值，即MissRate＝FN/(TP+FN)，误检率(FPPI)定义为虚警总数与所有测试图像的比值，即FPPI＝FP/(images)。

图4(a)和图4(b)是本发明方法对隔离开关的检测与状态识别结果——精度召回率曲线，图4(a)显示的是隔离开关开位状态的结果，图4(b)显示的是隔离开关闭位状态的结果，结果说明了本发明方法在隔离开关的状态识别上具有很高的精度和召回率。

图5(a)和图5(b)是本发明方法对隔离开关的检测与状态识别结果——DET曲线(MissRate-FPPI曲线)，图5(a)显示的是隔离开关开位状态的结果，图5(b)显示的是隔离开关闭位状态的结果，结果说明了本发明方法在隔离开关的状态识别上具有非常低的漏检率。

图6是本发明方法对隔离开关的检测与状态识别结果样例图。图6显示的是隔离开关被成功地检测定位出来，并且其开、闭位状态能够被本发明方法正确识别。

综上所述，本发明提出了一种基于视觉的应用于变电站的隔离开关检测与状态识别方法，该方法将隔离开关的状态识别转换为隔离开关静触头的检测定位与状态分类相结合的识别，采用梯度方向直方图特征训练LDA目标检测器，采用规范化梯度场特征训练高斯核SVM状态分类器，能够在具有具有遮挡、背景杂乱以及部分变形的情况下准确的检测定位隔离开关并识别出状态。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于视觉的应用于220KV变电站的隔离开关状态识别方法，其特征在于，该方法是将隔离开关的状态识别转换为隔离开关静触头的检测与状态分类相结合的识别算法，实现步骤如下：

步骤S1：提取隔离开关静触头的梯度方向直方图特征；

步骤S2：根据提取的梯度方向直方图特征，利用Fisher判别分析生成一维特征子空间，训练LDA目标检测器；

步骤S3：分别提取隔离开关静触头开、闭位状态的规范化梯度场特征，训练高斯核SVM生成状态分类器；

步骤S4：基于多尺度滑动窗口技术，用LDA目标检测器检测隔离开关静触头，得到目标候选集合，然后利用高斯核SVM状态分类器实现隔离开关的状态识别。

2.根据权利要求1所述的方法，其特征是，所述目标是隔离开关静触头整体为目标，包括静触头开、闭位的状态。

3.根据权利要求1所述的方法，其特征是，隔离开关静触头图像归一化至64*64像素，提取梯度方向直方图特征涉及的参数为：block块大小为16*16像素，cell块大小为8*8像素，像素增加步长为8*8像素。

4.根据权利要求1所述的方法，其特征是，所述规范化梯度场特征提取步骤如下：

步骤S2A：计算图像梯度；

步骤S2B：将图像进行投影线积分，并归一化得到一维梯度场分布；

步骤S2C：图像的一维梯度场分布函数与映射核函数进行卷积，并归一化得到规范化梯度场特征。

5.根据权利要求3所述的方法，其特征是，所述投影线积分是以竖直方向为投影方向，具体的表达形式如下：

$g\left(x\right)=\frac{1}{\mathrm{\λ}}\underset{y=1}{\overset{M}{\Σ}}M(x,y)$

其中，(x，y)代表梯度图像中的坐标，M(x，y)代表梯度图像中的梯度值，M为图像的λ＞0为归一化常数。

6.根据权利要求3所述的方法，其特征是，所述映射核函数的表达形式如下：

$K\left(x\right)=\left\{\begin{array}{c}-{\left(\frac{x}{h}\right)}^2+1,x\∈\[-h,h\]\\ 0,otherwise\end{array}\right.$

其中，h为一给定常数，表示的是映射核函数的带宽。

7.根据权利要求3所述的方法，其特征是，所述规范化梯度场特征的计算方式如下：

$NGF\left(x\right)=\frac{1}{\mathrm{\η}}{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}g\left(\mathrm{\τ}\right)K(x-\mathrm{\τ})d\mathrm{\τ}$

其中，η＞0为归一化常数。

8.根据权利要求1所述的方法，其特征是，所述步骤S4具体为：

步骤S4(a)：基于多尺度滑动窗口技术，用阈值分类器检测隔离开关静触头，得到候选目标集Ω；

步骤S4(b)：对候选目标集Ω用高斯核SVM进行状态分类，识别目标状态。