CN108573256A - 一种变电站压板设备状态识别方法及装置 - Google Patents
一种变电站压板设备状态识别方法及装置 Download PDFInfo
- Publication number
- CN108573256A CN108573256A CN201710149786.7A CN201710149786A CN108573256A CN 108573256 A CN108573256 A CN 108573256A CN 201710149786 A CN201710149786 A CN 201710149786A CN 108573256 A CN108573256 A CN 108573256A
- Authority
- CN
- China
- Prior art keywords
- image
- plate pressing
- images
- pressing equipment
- substation
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站压板设备状态识别方法及装置，通过获取变电站压板设备的初始采集图像；从初始采集图像中提取出单个压板设备对应的待识别图像区域；对待识别图像区域进行深度重建，生成相对深度信息；根据计算得到的相对深度信息进行图论分割，将待识别图像区域分割为前景以及背景；将分割后的待识别图像区域输入至预先训练好的神经网络分类器中，输出待识别图像区域内压板设备的工作状态信息。本申请采用以深度信息重建的方式来确定图论分割的前景和背景，利用图论分割来分割图像，并利用训练后的神经网络来进行分割后图像的识别，对于光照和图像的质量要求较低，对现场光线干扰表现出较好的鲁棒性，识别准确性较高。
Description
技术领域
本发明涉及变电站技术领域，特别是涉及一种变电站压板设备状态识别方法及装置。
背景技术
随着计算机技术和网络通信技术的快速发展，电力系统自动化建设发展越加完善，尤其是在变电站的安全防范方面，广泛采用了最新的计算机技术、通讯技术以及图像处理技术，实施了诸如视频监控系统、入侵报警系统、SF6气体检测系统以及消防系统等等，这些子系统有机组成了变电站的安防辅助系统。
继电保护屏上保护压板的投、退操作是变电站的倒闸操作中二次设备操作的主要项目。保护压板是保护装置联系外部接线的桥梁和纽带，关系到保护的功能和动作出口能否正常发挥作用。为避免人工操作的防误局限性，需对变电站室内控制柜中的压板设备的工作状态进行自动识别。
现有的压板开关状态识别方法为利用图像灰度信息进行二值分割后再进行轮廓检测来识别，或者利用RGB或HSV的信息来进行分割和识别。而由于光照和灯光的不均匀，很容易造成分割错误，导致识别准确性不高识别方法的鲁棒性受到较大限制。鉴于此，提供一种鲁棒性较高、识别准确性较高的变电站压板设备状态识别方案是非常有必要的。
发明内容
本发明的目的是提供一种变电站压板设备状态识别方法及装置，以解决现有识别方法鲁棒性较低、识别准确性较低的问题。
为解决上述技术问题，本发明提供一种变电站压板设备状态识别方法，包括：
获取变电站压板设备的初始采集图像；
从所述初始采集图像中提取出单个压板设备对应的待识别图像区域；
对所述待识别图像区域进行深度重建，生成相对深度信息；
根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息。
可选地，所述从所述初始采集图像中提取出单个压板设备对应的待识别图像区域包括：
预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将所述模板图像上的各个压板设备划分为独立的区域；
对所述初始采集图像以及所述模板图像进行配准；
根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作，直到所述初始采集图像中所有压板设备均识别完毕为止。
可选地，所述对所述初始采集图像以及所述模板图像进行配准包括：
对所述初始采集图像以及所述模板图像分别进行特征点匹配，并计算特征向量；
根据所述特征向量确定由所述初始采集图像到所述模板图像进行透视变换的单映射矩阵；
根据所述单映射矩阵对所述初始采集图像进行图像透视变换。
可选地，所述对所述待识别图像区域进行深度重建，生成相对深度信息包括：
计算所述待识别图像区域的灰度纹理特征；
计算所述待识别图像区域的图像雾度；
计算所述待识别图像区域的图像纹理梯度特征；
将所述灰度纹理特征、所述图像雾度、所述图像纹理梯度特征按照预设权重组合为一个特征向量，利用高斯背景建模方法，生成相对深度信息。
可选地，所述根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景包括：
根据所述相对深度信息，以靠近相机的部分作为前景，远离相机的部分作为背景，生成一个掩模，进行图论分割后将所述待识别图像区域分割为前景以及背景。
本发明还提供了一种变电站压板设备状态识别装置，包括：
初始图像获取模块，用于获取变电站压板设备的初始采集图像；
提取模块，用于从所述初始采集图像中提取出单个压板设备对应的待识别图像区域；
深度重建模块，用于对所述待识别图像区域进行深度重建，生成相对深度信息；
图论分割模块，用于根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
识别模块，用于将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息。
可选地，所述提取模块包括：
模板图像预建立单元，用于预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将所述模板图像上的各个压板设备划分为独立的区域；
配准单元，用于对所述初始采集图像以及所述模板图像进行配准；
提取单元，用于根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作，直到所述初始采集图像中所有压板设备均识别完毕为止。
可选地，所述配准单元包括：
特征向量计算子单元，用于对所述初始采集图像以及所述模板图像分别进行特征点匹配，并计算特征向量；
确定子单元，用于根据所述特征向量确定由所述初始采集图像到所述模板图像进行透视变换的单映射矩阵；
变换子单元，用于根据所述单映射矩阵对所述初始采集图像进行图像透视变换。
可选地，所述深度重建模块包括：
第一计算单元，用于计算所述待识别图像区域的灰度纹理特征；
第二计算单元，用于计算所述待识别图像区域的图像雾度；
第三计算单元，用于计算所述待识别图像区域的图像纹理梯度特征；
建立单元，用于将所述灰度纹理特征、所述图像雾度、所述图像纹理梯度特征按照预设权重组合为一个特征向量，利用高斯背景建模方法，生成相对深度信息。
可选地，所述图论分割模块具体用于：根据所述相对深度信息，以靠近相机的部分作为前景，远离相机的部分作为背景，生成一个掩模，进行图论分割后将所述待识别图像区域分割为前景以及背景。
本发明所提供的变电站压板设备状态识别方法及装置，通过获取变电站压板设备的初始采集图像；从初始采集图像中提取出单个压板设备对应的待识别图像区域；对待识别图像区域进行深度重建，生成相对深度信息；根据计算得到的相对深度信息进行图论分割，将待识别图像区域分割为前景以及背景；将分割后的待识别图像区域输入至预先训练好的神经网络分类器中，输出待识别图像区域内压板设备的工作状态信息。本申请采用以深度信息重建的方式来确定图论分割的前景和背景，利用图论分割来分割图像，并利用训练后的神经网络来进行分割后图像的识别，对于光照和图像的质量要求较低，对现场光线干扰表现出较好的鲁棒性，识别准确性较高。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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他的附图。
图1为本发明所提供的变电站压板设备状态识别方法的一种具体实施方式的流程图；
图2为本发明所提供的变电站压板设备状态识别方法中进行深度重建的流程图；
图3为本发明所提供的变电站压板设备状态识别方法的一种具体实施方式的流程图；
图4为后台传回的压板阵列初始采集图像示意图；
图5为通过本发明实施例的矩阵标定框划分压板阵列示意图；
图6为经透视变换和匹配后提取的ROI区域的一种具体实施方式示意图；
图7为对ROI图像进行相对深度重建的一种具体实施方式示意图；
图8为根据深度信息进行图论分割后得到的结果示意图；
图9为用神经网络分类器得到的识别结果示意图；
图10为本发明实施例提供的变电站压板设备状态识别装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
本发明所提供的变电站压板设备状态识别方法的一种具体实施方式的流程图如图1所示，该方法包括：
步骤S101：获取变电站压板设备的初始采集图像；
按照预设时间间隔实时获取变电站压板设备图像，在进行巡检时，将采集到的变电站压板设备的图像作为初始采集图像，进行后续的识别操作。
步骤S102：从所述初始采集图像中提取出单个压板设备对应的待识别图像区域；
采集到的检测图像会包含复数个压板，因此将每个压板当作一个小设备进行识别。在初始采集图像的一幅图像中一般包括多个压板设备，可以从整个图像中提取出包含单个压板设备的区域作为待识别图像区域，这样能够避免多个压板设备之间的干扰。
具体提取方法可以为：根据初始采集图像中各个压板设备之间的相对位置关系，将其划分为多个区域，并对待识别压板设备对应的区域进行提取分析。另一种提取方法也可以为：预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将模板图像上的各个压板设备划分为独立的区域。在采集到初始采集图像后，在模板数据库中找到相匹配的模板图像，进行配准后即可根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作。这是由于初始采集图像与模板图像中各个压板设备的相对位置保持不变，在进行配准后，采用矩形标定框即可提取出相同位置处的待识别图像区域。
步骤S103：对所述待识别图像区域进行深度重建，生成相对深度信息；
本发明实施例可以具体采用背景建模利用其它特征对比来进行相对背景的深度重建。参照图2进行深度重建的流程图，该过程可以具体包括：
步骤S1031：计算所述待识别图像区域的灰度纹理特征；
步骤S1032：计算所述待识别图像区域的图像雾度；
步骤S1033：计算所述待识别图像区域的图像纹理梯度特征；
步骤S1034：将所述灰度纹理特征、所述图像雾度、所述图像纹理梯度特征按照预设权重组合为一个特征向量，利用高斯背景建模方法，生成相对深度信息。
具体地，灰度纹理特征、图像雾度、图像纹理梯度特征这三种特征信息可以按照0.2、0.5、0.3的权重组合为一个特征信息。
步骤S104：根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
具体地，本发明实施例步骤中可以根据所述相对深度信息，以靠近相机的部分作为前景，远离相机的部分作为背景，生成一个掩模，进行图论分割后将所述待识别图像区域分割为前景以及背景。
步骤S105：将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息。
本发明实施例可以事先对压板设备的几种状态进行照片采集，做成样本，利用深度神经网络(DNN)进行训练，利用训练后的神经网络来进行分割后图像的识别。建立分类器后，利用样本数据训练完成得到训练后的分类器，就可以输入待识别的图像区域(压板设备)，输出识别的结果(压板状态)。
本发明通过采用DNN算法进行识别，能够使得识别结果更加精确。
现有的标定方法都是单个压板依次标定，相当耗时，而本发明实施例采用矩阵式标定框进行标定，能够一次性进行标定，快速，提高了识别的效率。
本发明所提供的变电站压板设备状态识别方法，通过获取变电站压板设备的初始采集图像；从初始采集图像中提取出单个压板设备对应的待识别图像区域；对待识别图像区域进行深度重建，生成相对深度信息；根据计算得到的相对深度信息进行图论分割，将待识别图像区域分割为前景以及背景；将分割后的待识别图像区域输入至预先训练好的神经网络分类器中，输出待识别图像区域内压板设备的工作状态信息。本申请采用以深度信息重建的方式来确定图论分割的前景和背景，利用图论分割来分割图像，并利用训练后的神经网络来进行分割后图像的识别，对于光照和图像的质量要求较低，对现场光线干扰表现出较好的鲁棒性，识别准确性较高。
下面对本发明所提供的变电站压板设备状态识别方法的另一种具体实施方式进行详细阐述，本实施例对初始采集图像中的所有压板设备进行识别。参照图3，该方法具体包括：
步骤S200：预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将所述模板图像上的各个压板设备划分为独立的区域；
在采集到巡检数据图像后，以矩阵来标定压板设备区域，由于压板区域都是整型矩阵排列，因此能够以矩阵式标定框进行标定。图4示出了后台传回的压板阵列初始采集图像示意图，图5示出了通过本发明实施例的矩阵标定框划分压板阵列示意图。
由于采集到的检测图像会包含复数个压板，因此将每个压板当作一个小设备进行标定和识别。在开始巡检之前，会采集一遍所有设备的图片作为模板，并进行标定。如果不进行标定，那么在图像中存在的压板数量和排列都会极大的影响识别正确性；并且一个重要原因是实际使用中压板是有其各自的功能和名称的，如果不事先进行标定，那么对后期压板状态的查看会耗费大量时间。
步骤S201：获取变电站压板设备的初始采集图像；
步骤S202：对所述初始采集图像以及所述模板图像进行配准；
配准的具体过程可以为：提取模板图像和巡检图像的特征点(fast角点)并计算为特征向量，根据特征向量来确定由巡检图像向模板图像进行透视变换的单映射矩阵，得出单映射矩阵的前提下便可以对巡检图像进行透视变换来消除图像中的设备偏移和畸变，完成配准工作。
本发明实施例以模板图片和巡检图像的配准结果来进行透视变换，能够消除图像的偏差和畸变的影响。
步骤S203：根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作；
根据配置的矩阵框进行依次提取巡检图像中的ROI(感兴趣区域)进行后续处理，并保存该区域在矩阵中的序号。图6示出了经透视变换和匹配后提取的ROI区域的一种具体实施方式示意图。
步骤S204：对所述待识别图像区域进行深度重建，生成相对深度信息；
利用前面标定的单个压板设备图像作为区域图像；提取灰度纹理特征、计算雾度、计算纹理梯度，这三种特征信息按照0.2、0.5、0.3的权重组合为一个特征信息，利用高斯背景建模方法(经典算法)来区分前后，生成相对深度图像。
图7示出了对ROI图像进行相对深度重建的一种具体实施方式示意图，由于采用单目相机，因此绝对深度很难精确计算，但可以根据背景建模利用其他特征对比来进行相对背景的深度重建。
步骤S205：根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
以计算得出的相对深度信息，作为图片的掩模，可以对应图论分割中的疑似前景和疑似背景，进行图论分割。图8示出了根据深度信息进行图论分割后得到的结果示意图。
步骤S206：将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息；
通过搜集变电站现场各种各类压板形态图片，建立数字识别训练样本集，训练神经网络分类器。使用训练好的分类器即可进行识别。图9示出了用神经网络分类器得到的识别结果示意图。
步骤S207：用当前ROI序号和标定时矩阵总数对比，未完成则返回步骤S203，已完成全部序号就结束本次识别流程，并返回压板阵列的识别结果。
本发明实施例在深度重建步骤中，需要提取三种特征信息，能够最大化的减少光照的影响，在分割最后阶段利用图割的方式能够减少图片质量对分割效果的影响。
本发明经过在变电站实地运行测试，对现场光线干扰表现出较好的鲁棒性，在巡检得到较为模糊的图像或光照不足的低亮度图像，依然可以取得很好的识别效果，并且可以适应变电站中各种大小或样式不同的压板。本发明显著提高了变电站巡检机器人对多情形下压板状态识别的正确率，有效减少了变电站现场工作人员的巡检强度。
下面对本发明实施例提供的变电站压板设备状态识别装置进行介绍，下文描述的变电站压板设备状态识别装置与上文描述的变电站压板设备状态识别方法可相互对应参照。
图10为本发明实施例提供的变电站压板设备状态识别装置的结构框图，参照图10变电站压板设备状态识别装置可以包括：
初始图像获取模块100，用于获取变电站压板设备的初始采集图像；
提取模块200，用于从所述初始采集图像中提取出单个压板设备对应的待识别图像区域；
深度重建模块300，用于对所述待识别图像区域进行深度重建，生成相对深度信息；
图论分割模块400，用于根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
识别模块500，用于将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息。
作为一种具体实施方式，本发明所提供的变电站压板设备状态识别装置中，所述提取模块200可以具体包括：
模板图像预建立单元，用于预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将所述模板图像上的各个压板设备划分为独立的区域；
配准单元，用于对所述初始采集图像以及所述模板图像进行配准；
提取单元，用于根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作，直到所述初始采集图像中所有压板设备均识别完毕为止。
其中，所述配准单元可以进一步具体包括：
特征向量计算子单元，用于对所述初始采集图像以及所述模板图像分别进行特征点匹配，并计算特征向量；
确定子单元，用于根据所述特征向量确定由所述初始采集图像到所述模板图像进行透视变换的单映射矩阵；
变换子单元，用于根据所述单映射矩阵对所述初始采集图像进行图像透视变换。
在上述任一实施例的基础上，本发明所提供的变电站压板设备状态识别装置中，所述深度重建模块可以具体包括：
第一计算单元，用于计算所述待识别图像区域的灰度纹理特征；
第二计算单元，用于计算所述待识别图像区域的图像雾度；
第三计算单元，用于计算所述待识别图像区域的图像纹理梯度特征；
建立单元，用于将所述灰度纹理特征、所述图像雾度、所述图像纹理梯度特征按照预设权重组合为一个特征向量，利用高斯背景建模方法，生成相对深度信息。
进一步地，所述图论分割模块可以具体用于：根据所述相对深度信息，以靠近相机的部分作为前景，远离相机的部分作为背景，生成一个掩模，进行图论分割后将所述待识别图像区域分割为前景以及背景。
本实施例的变电站压板设备状态识别装置用于实现前述的变电站压板设备状态识别方法，因此变电站压板设备状态识别装置中的具体实施方式可见前文中的变电站压板设备状态识别方法的实施例部分，例如，初始图像获取模块100，提取模块200，深度重建模块300，图论分割模块400，识别模块500，分别用于实现上述变电站压板设备状态识别方法中步骤S101，S102，S103，S104和S105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明所提供的变电站压板设备状态识别装置，通过获取变电站压板设备的初始采集图像；从初始采集图像中提取出单个压板设备对应的待识别图像区域；对待识别图像区域进行深度重建，生成相对深度信息；根据计算得到的相对深度信息进行图论分割，将待识别图像区域分割为前景以及背景；将分割后的待识别图像区域输入至预先训练好的神经网络分类器中，输出待识别图像区域内压板设备的工作状态信息。本申请采用以深度信息重建的方式来确定图论分割的前景和背景，利用图论分割来分割图像，并利用训练后的神经网络来进行分割后图像的识别，对于光照和图像的质量要求较低，对现场光线干扰表现出较好的鲁棒性，识别准确性较高。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的变电站压板设备状态识别方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种变电站压板设备状态识别方法，其特征在于，包括：
获取变电站压板设备的初始采集图像；
从所述初始采集图像中提取出单个压板设备对应的待识别图像区域；
对所述待识别图像区域进行深度重建，生成相对深度信息；
根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息。
2.如权利要求1所述的变电站压板设备状态识别方法，其特征在于，所述从所述初始采集图像中提取出单个压板设备对应的待识别图像区域包括：
预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将所述模板图像上的各个压板设备划分为独立的区域；
对所述初始采集图像以及所述模板图像进行配准；
根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作，直到所述初始采集图像中所有压板设备均识别完毕为止。
3.如权利要求2所述的变电站压板设备状态识别方法，其特征在于，所述对所述初始采集图像以及所述模板图像进行配准包括：
对所述初始采集图像以及所述模板图像分别进行特征点匹配，并计算特征向量；
根据所述特征向量确定由所述初始采集图像到所述模板图像进行透视变换的单映射矩阵；
根据所述单映射矩阵对所述初始采集图像进行图像透视变换。
4.如权利要求1至3任一项所述的变电站压板设备状态识别方法，其特征在于，所述对所述待识别图像区域进行深度重建，生成相对深度信息包括：
计算所述待识别图像区域的灰度纹理特征；
计算所述待识别图像区域的图像雾度；
计算所述待识别图像区域的图像纹理梯度特征；
将所述灰度纹理特征、所述图像雾度、所述图像纹理梯度特征按照预设权重组合为一个特征向量，利用高斯背景建模方法，生成相对深度信息。
5.如权利要求4所述的变电站压板设备状态识别方法，其特征在于，所述根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景包括：
根据所述相对深度信息，以靠近相机的部分作为前景，远离相机的部分作为背景，生成一个掩模，进行图论分割后将所述待识别图像区域分割为前景以及背景。
6.一种变电站压板设备状态识别装置，其特征在于，包括：
初始图像获取模块，用于获取变电站压板设备的初始采集图像；
提取模块，用于从所述初始采集图像中提取出单个压板设备对应的待识别图像区域；
深度重建模块，用于对所述待识别图像区域进行深度重建，生成相对深度信息；
图论分割模块，用于根据计算得到的所述相对深度信息进行图论分割，将所述待识别图像区域分割为前景以及背景；
识别模块，用于将分割后的所述待识别图像区域输入至预先训练好的神经网络分类器中，输出所述待识别图像区域内压板设备的工作状态信息。
7.如权利要求6所述的变电站压板设备状态识别装置，其特征在于，所述提取模块包括：
模板图像预建立单元，用于预先采集变电站压板设备的模板图像，以预设大小的矩形标定框将所述模板图像上的各个压板设备划分为独立的区域；
配准单元，用于对所述初始采集图像以及所述模板图像进行配准；
提取单元，用于根据配置的矩形标定框依次从所述初始采集图像中提取出单个压板设备对应的待识别图像区域执行后续识别的操作，直到所述初始采集图像中所有压板设备均识别完毕为止。
8.如权利要求7所述的变电站压板设备状态识别装置，其特征在于，所述配准单元包括：
特征向量计算子单元，用于对所述初始采集图像以及所述模板图像分别进行特征点匹配，并计算特征向量；
确定子单元，用于根据所述特征向量确定由所述初始采集图像到所述模板图像进行透视变换的单映射矩阵；
变换子单元，用于根据所述单映射矩阵对所述初始采集图像进行图像透视变换。
9.如权利要求6至8任一项所述的变电站压板设备状态识别装置，其特征在于，所述深度重建模块包括：
第一计算单元，用于计算所述待识别图像区域的灰度纹理特征；
第二计算单元，用于计算所述待识别图像区域的图像雾度；
第三计算单元，用于计算所述待识别图像区域的图像纹理梯度特征；
建立单元，用于将所述灰度纹理特征、所述图像雾度、所述图像纹理梯度特征按照预设权重组合为一个特征向量，利用高斯背景建模方法，生成相对深度信息。
10.如权利要求9所述的变电站压板设备状态识别装置，其特征在于，所述图论分割模块具体用于：根据所述相对深度信息，以靠近相机的部分作为前景，远离相机的部分作为背景，生成一个掩模，进行图论分割后将所述待识别图像区域分割为前景以及背景。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710149786.7A CN108573256A (zh) | 2017-03-14 | 2017-03-14 | 一种变电站压板设备状态识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710149786.7A CN108573256A (zh) | 2017-03-14 | 2017-03-14 | 一种变电站压板设备状态识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108573256A true CN108573256A (zh) | 2018-09-25 |
Family
ID=63578599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710149786.7A Pending CN108573256A (zh) | 2017-03-14 | 2017-03-14 | 一种变电站压板设备状态识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108573256A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165605A (zh) * | 2018-08-28 | 2019-01-08 | 北京秦圣机器人科技有限公司 | 数据中心巡检机器人对于控制柜压板设备状态识别的方法 |
| CN109446982A (zh) * | 2018-10-25 | 2019-03-08 | 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 |
| CN109740450A (zh) * | 2018-12-17 | 2019-05-10 | 浙江大华技术股份有限公司 | 一种电力开关柜开关状态的识别方法及装置 |
| CN109740696A (zh) * | 2019-01-30 | 2019-05-10 | 亮风台（上海）信息科技有限公司 | 一种用于压板识别的方法与设备 |
| CN109919038A (zh) * | 2019-02-12 | 2019-06-21 | 广西大学 | 基于机器视觉与深度学习的配电柜方形压板状态识别方法 |
| CN110277833A (zh) * | 2019-06-20 | 2019-09-24 | 国家电网有限公司 | 变电站压板状态识别的方法及终端设备 |
| CN110674808A (zh) * | 2019-08-28 | 2020-01-10 | 国网天津市电力公司电力科学研究院 | 一种变电站压板状态智能识别方法及装置 |
| CN110765322A (zh) * | 2019-10-31 | 2020-02-07 | 国网河北省电力有限公司电力科学研究院 | 一种电力系统二次设备信息和状态自动检查系统及方法 |
| CN111242939A (zh) * | 2020-01-17 | 2020-06-05 | 广东驰行电力设备有限公司 | 压板状态的识别方法 |
| CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及系统 |
| CN112085043A (zh) * | 2019-06-14 | 2020-12-15 | 中国科学院沈阳自动化研究所 | 一种变电站网络安全智能监控方法及系统 |
| CN112270649A (zh) * | 2020-09-30 | 2021-01-26 | 燕山大学 | 一种基于改进深度学习的板形识别方法 |
| CN112329870A (zh) * | 2020-11-11 | 2021-02-05 | 国网山东省电力公司威海供电公司 | 一种基于yolo3算法的变电站压板状态的识别方法 |
| CN112733957A (zh) * | 2021-01-21 | 2021-04-30 | 广东电网有限责任公司 | 变电站保护压板状态核查方法、装置、设备及存储介质 |
| CN113191356A (zh) * | 2021-05-19 | 2021-07-30 | 南方电网电力科技股份有限公司 | 一种开关柜压板设备的状态识别方法及相关装置 |
| CN113538568A (zh) * | 2021-08-04 | 2021-10-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种机器人倒闸操作图像处理方法及变电站机器人 |
| CN116740654A (zh) * | 2023-08-14 | 2023-09-12 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050226469A1 (en) * | 2004-04-07 | 2005-10-13 | Jong-Hwan Ho | Method for displaying finger images in wireless telecommunication terminal |
| CN102412627A (zh) * | 2011-11-29 | 2012-04-11 | 安徽继远电网技术有限责任公司 | 基于图像识别的智能变电站状态监控系统 |
| CN102609934A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于深度图像的多目标分割和跟踪方法 |
-
2017
- 2017-03-14 CN CN201710149786.7A patent/CN108573256A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050226469A1 (en) * | 2004-04-07 | 2005-10-13 | Jong-Hwan Ho | Method for displaying finger images in wireless telecommunication terminal |
| CN102412627A (zh) * | 2011-11-29 | 2012-04-11 | 安徽继远电网技术有限责任公司 | 基于图像识别的智能变电站状态监控系统 |
| CN102609934A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于深度图像的多目标分割和跟踪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 元晓彤等: "基于图像处理的非规则形状检测方法", 《光电工程》 * |
| 牛连丁等: "基于支持向量机的图像深度提取方法", 《哈尔滨商业大学学报（自然科学版）》 * |
| 王增超等: "图像识别技术在继电保护定检作业中的应用", 《电子技术与软件工程》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165605A (zh) * | 2018-08-28 | 2019-01-08 | 北京秦圣机器人科技有限公司 | 数据中心巡检机器人对于控制柜压板设备状态识别的方法 |
| 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 |
| CN109446982A (zh) * | 2018-10-25 | 2019-03-08 | 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 |
| CN109740450A (zh) * | 2018-12-17 | 2019-05-10 | 浙江大华技术股份有限公司 | 一种电力开关柜开关状态的识别方法及装置 |
| CN109740450B (zh) * | 2018-12-17 | 2021-02-02 | 浙江大华技术股份有限公司 | 一种电力开关柜开关状态的识别方法及装置 |
| CN109740696A (zh) * | 2019-01-30 | 2019-05-10 | 亮风台（上海）信息科技有限公司 | 一种用于压板识别的方法与设备 |
| CN109919038A (zh) * | 2019-02-12 | 2019-06-21 | 广西大学 | 基于机器视觉与深度学习的配电柜方形压板状态识别方法 |
| CN112085043A (zh) * | 2019-06-14 | 2020-12-15 | 中国科学院沈阳自动化研究所 | 一种变电站网络安全智能监控方法及系统 |
| CN112085043B (zh) * | 2019-06-14 | 2023-07-25 | 中国科学院沈阳自动化研究所 | 一种变电站网络安全智能监控方法及系统 |
| CN110277833A (zh) * | 2019-06-20 | 2019-09-24 | 国家电网有限公司 | 变电站压板状态识别的方法及终端设备 |
| CN110277833B (zh) * | 2019-06-20 | 2021-07-23 | 国家电网有限公司 | 变电站压板状态识别的方法及终端设备 |
| CN110674808A (zh) * | 2019-08-28 | 2020-01-10 | 国网天津市电力公司电力科学研究院 | 一种变电站压板状态智能识别方法及装置 |
| CN110765322A (zh) * | 2019-10-31 | 2020-02-07 | 国网河北省电力有限公司电力科学研究院 | 一种电力系统二次设备信息和状态自动检查系统及方法 |
| CN111242939A (zh) * | 2020-01-17 | 2020-06-05 | 广东驰行电力设备有限公司 | 压板状态的识别方法 |
| CN111242939B (zh) * | 2020-01-17 | 2023-09-19 | 广东驰行电力设备有限公司 | 压板状态的识别方法 |
| CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及系统 |
| CN112270649A (zh) * | 2020-09-30 | 2021-01-26 | 燕山大学 | 一种基于改进深度学习的板形识别方法 |
| CN112329870A (zh) * | 2020-11-11 | 2021-02-05 | 国网山东省电力公司威海供电公司 | 一种基于yolo3算法的变电站压板状态的识别方法 |
| CN112733957A (zh) * | 2021-01-21 | 2021-04-30 | 广东电网有限责任公司 | 变电站保护压板状态核查方法、装置、设备及存储介质 |
| CN113191356A (zh) * | 2021-05-19 | 2021-07-30 | 南方电网电力科技股份有限公司 | 一种开关柜压板设备的状态识别方法及相关装置 |
| CN113538568A (zh) * | 2021-08-04 | 2021-10-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种机器人倒闸操作图像处理方法及变电站机器人 |
| CN113538568B (zh) * | 2021-08-04 | 2024-01-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种机器人倒闸操作图像处理方法及变电站机器人 |
| CN116740654A (zh) * | 2023-08-14 | 2023-09-12 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
| CN116740654B (zh) * | 2023-08-14 | 2023-11-07 | 安徽博诺思信息科技有限公司 | 基于图像识别技术的变电站作业防控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573256A (zh) | 一种变电站压板设备状态识别方法及装置 | |
| KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
| CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
| CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN108701217A (zh) | 一种人脸肤色识别方法、装置和智能终端 | |
| KR20200052932A (ko) | 골수 세포 표지 방법 및 시스템 | |
| CN109446982B (zh) | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 | |
| JP2023044669A (ja) | グラフモデルに基づく脳機能レジストレーション方法 | |
| CN108463823A (zh) | 一种用户头发模型的重建方法、装置及终端 | |
| CN106355607B (zh) | 一种宽基线彩色图像模板匹配方法 | |
| CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN110070867A (zh) | 语音指令识别方法、计算机装置及计算机可读存储介质 | |
| CN108961250A (zh) | 一种目标物统计方法、装置、终端以及存储介质 | |
| CN109447064B (zh) | 一种基于cnn的双行车牌分割方法及系统 | |
| CN109785386A (zh) | 物体识别定位方法和装置 | |
| Liu et al. | Image segmentation using local spectral histograms | |
| CN116543437A (zh) | 一种基于遮挡-特征映射关系的遮挡人脸识别方法 | |
| CN111339899A (zh) | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 | |
| CN103123689B (zh) | 一种基于人腿检测的奔跑检测方法和装置 | |
| CN109271974A (zh) | 一种轻量化人脸联合检测与识别方法及其系统 | |
| Zhang et al. | Physiological curves extraction of human ear based on improved YOLACT | |
| CN110751034B (zh) | 行人行为识别方法及终端设备 | |
| CN111325209B (zh) | 一种车牌识别方法和系统 | |
| Zhuge et al. | An improved deep multiscale crowd counting network with perspective awareness |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 250000 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Applicant after: National Network Intelligent Technology Co., Ltd. Address before: Xinluo Avenue high tech Zone of Ji'nan City, Shandong province 250101 silver bearing No. 2008 building Applicant before: Shandong Luneng Intelligent Technology Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |