CN109308448A - 一种采用图像处理技术来防止变配电误操作的方法 - Google Patents
一种采用图像处理技术来防止变配电误操作的方法 Download PDFInfo
- Publication number
- CN109308448A CN109308448A CN201810851010.4A CN201810851010A CN109308448A CN 109308448 A CN109308448 A CN 109308448A CN 201810851010 A CN201810851010 A CN 201810851010A CN 109308448 A CN109308448 A CN 109308448A
- Authority
- CN
- China
- Prior art keywords
- image
- maloperation
- corresponding equipment
- processing techniques
- equipment
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种采用图像处理技术来防止变配电误操作的方法,属紧急保护领域。其按照仪表指针、报警灯、图标和开关旋钮进行分类,对各类图像分别进行视觉显著性描述识别,将对应图像的视觉显著性描述分别输出,实现设备运行状态的机器化自动识别;在人工进行设备操作之前,将操作票中待操作的内容与机器化自动识别的对应设备运行状态进行比较;若两者相符,则允许进行对应设备的停/送电操作;若两者不相符,则禁止进行对应的操作。其能实现针对误操作进行相关内容提示的功能,有助于防止操作人员发生“跑错仓位”、“误入带电间隔”等故障,对于提高停、送电操作作业的安全性、正确性,具有重要作用。可广泛用于各类变、配电站的运行管理领域。
Description
技术领域
本发明属于紧急保护领域,尤其涉及一种用来防止变配电误操作的方法。
背景技术
基于降低运行成本和节约占地面积等方面的考虑,随着无人值守变电站越来越多地被采用,各种视频监控系统被大量应用。
由于视频监控会产生大量的实况录像或照片图像,则图像的处理、解读或根据所示图片进行识别、判断,在电力系统的运行监控工作中已经成为必须。
“视觉理解”技术是一种智能系统,可以通过视觉系统(摄像机)对所处的环境进行自主观测和分析的智能化技术,是人工智能技术和机器视觉技术发展的一个重要方向,在变电站巡检、远程集中监控、视频图像大数据分析和挖掘等方面具有非常广阔的应用前景。
在电力行业,机器视觉技术已经有一些成功的案例。尤其在红外图像的分析方面已经取得了一些较为显著的进展。可以通过图像分析技术得出绝缘结构件的温度分布从而判断是否存在绝缘下降、过热等设备缺陷;在架空线路的巡线、仪表盘读取方面也有非常成功的应用。
四川电力公司采用计算机代替人的视觉功能,对变电站重要电气设备及场景的三维图像的进行感知、识别、分析,进而检测系统在特定环境中的运行状况,得出检测结果。其中主要实现了电力仪表视觉识别、可视断口开关刀闸的状态识别、变电站电气设备红外视觉在线检测及变电站环境视觉监控功能。
湖南大学设计了一种基于位置给定型视觉控制的除冰机器人抓线控制识别方法,提出了一种基于输电线缆的类圆柱体几何特征及摄像机成像模型的单目视觉立体定位识别方法,同时提出了一种避免复杂逆运动学求解的抓线控制策略,该策略主要思想是通过找到机械臂夹持器末端的工作曲面与输电线缆的轴线在空间中的交点来确定线缆抓取点及抓取线缆时机器人各个关节的位置。实现基于视觉分析和处理的运动控制。
一套先进的、智能的“视觉理解”系统能够降低实际人工作业过程中偶发的跑错仓位(在变配电站里,对应放置有高压设备的建筑间隔,简称为仓位)、误入带电间隔等错误带来的风险,对于提高作业安全性、正确性有着重要的作用。而目前已有的各种智能系统“视觉理解”能力非常弱,其中一些较为先进的智能系统具有一定的视觉分析能力,但仅可根据预先编制的软件分析设备状态、检测仪表读数,认识和理解能力较低。
随着“机器视觉”的应用日益广泛,已经开始出现采用“机器视觉”读取变配电设备的运行参数或状态,并将其数字化远传,用于远程集中控制或自动控制的案例。
具体的,在变配电站的现场环境中,将机器人安装在所需检测仪表、指示灯或开关上放的导轨上,通过将图像特征点检测方法应用现场安装的机器人上,让机器人视觉代替人的眼睛去做读取仪表数据、指示灯状态、开关状态等工作。
在这一整个环节中,要有代替人眼睛捕获图像机器眼睛,这里用摄像头代替;将捕获的图像进行分析的大脑,这里用计算机软硬件设备;最后就是汇报分析得到的结果,这里则需要用到计算机通讯技术。将整个环节整理成需要用到结果或信息,这个过程中需要用到的技术主要有:照明、摄像、捕获关键帧、图像分析、计算机软硬件、控制程序、硬件设备等。
从现在的技术发展趋势看,“视觉理解”技术在变电站巡检、远程集中监控、视频图像大数据分析和挖掘等方面具有非常广阔的应用前景。
发明内容
本发明所要解决的技术问题是提供一种采用图像处理技术来防止变配电误操作的方法。其将“视觉理解”技术中的远程集中监控、视频图像的大数据分析,与变配电站的设备操作相结合,能够自动从视觉图像中提取对应设备的运行状态,通过将操作票中待操作的内容与自动识别的设备运行状态进行比较,来防止操作人员发生“跑错仓位”、“误入带电间隔”等故障,能实现针对误操作进行相关内容提示的功能,对于提高停、送电操作作业的安全性、正确性,具有重要作用。
本发明的技术方案是:提供一种采用图像处理技术来防止变配电误操作的方法,包括采集电气模拟操作屏的正面图像,对图像按采集对象的种类进行分类,进行图像预处理;所述的图像预处理包括噪声处理、图像边缘检测和图像增强,其特征是:
1)按照仪表指针、报警灯、图标和开关旋钮进行分类,对各类图像分别进行视觉显著性描述识别;
2)将对应图像的视觉显著性描述分别输出,实现设备运行状态的机器化自动识别;
3)在人工进行设备操作之前,将操作票中待操作的内容与机器化自动识别的对应设备运行状态进行比较;
4)若待操作的内容与对应设备的运行状态相符,则允许进行对应设备的停/送电操作;
5)若待操作的内容与对应设备的运行状态不相符,则禁止进行对应设备的停/送电操作。
进一步的,本技术方案待人工设备操作完成之后,再次对对应设备的运行状态进行机器化自动识别;将自动识别的对应设备运行状态与操作票中的操作结果进行比较,判断人工停/送电操作是否成功。
本技术方案采用图像处理策略识别模拟操作屏的指示状态,并与通过图像处理技术获取的设备实际状态进行比对,在状态不一致时发出报警信息,防止误操作。
更进一步的,所述的方法在执行倒闸操作期间,根据操作票在模拟操作屏上对操作回路和钥匙进行提示,引导操作人员正确完成停/送电操作,防止误操作。
与现有技术比较,本发明的优点是:
1、本技术方案基于OpenCV函数库,对摄像头范围内的目标物体进行轮廓提取及识别携带信息,能根据符合要求的图像所包含的内容,分析设备的运行状态、检测仪表的读数,具有较好的认识和理解能力,并能根据预定的逻辑规则,及时返回判读结果;
2、本技术方案采用多种图元识别方法,能精准识别电气符号的颜色、轮廓、内容,较好地实现了从人工巡检向机器巡检的转变;
3、本技术方案不仅能用于对现场监控图像的智能分析,通过图像提取有用的数据和信息,识别电力设备停/送电操作是否允许或成功,以及系统的正常/异常状态;也可以用于移动作业平台,实现图像的自动采集、分析,替代人完成巡检作业和数据记录等操作;是一种实用的、可靠的、实时机器视觉理解系统方案。
具体实施方式
下面对本发明做进一步说明。
变电站设备上的典型仪表表盘包括气压表、油温表、温度表、避雷器表与电气设备所用的六氟化硫气体纯度分析相关的台式数显仪表、LED报警灯和TFT显示屏等。其中气压表、油温表、温度表、避雷器表为指针式仪表,通过指针指向的刻度反应读数。LED报警灯用来指示设备的报警信息,其位置可分布于气压表、油温表表表盘或LED显示区。TFT屏显示的内容纷繁复杂,包括设备状态信息、报警信息、多媒体信息等,信息显示的形式包含图标和文字。
本发明的技术方案提供了一种采用图像处理技术来防止变配电误操作的方法,包括采集电气模拟操作屏的正面图像,对图像按采集对象的种类进行分类,进行图像预处理;所述的图像预处理包括噪声处理、图像边缘检测和图像增强,其特征是:
1)按照仪表指针、报警灯、图标和开关旋钮进行分类,对各类图像分别进行视觉显著性描述识别;
2)将对应图像的视觉显著性描述分别输出,实现设备运行状态的机器化自动识别;
3)在人工进行设备操作之前,将操作票中待操作的内容与机器化自动识别的对应设备运行状态进行比较;
4)若待操作的内容与对应设备的运行状态相符,则允许进行对应设备的操作;
5)若待操作的内容与对应设备的运行状态不相符,则禁止进行对应设备的操作。
进一步的,本技术方案待人工设备操作完成之后,再次对对应设备的运行状态进行机器化自动识别;将自动识别的对应设备运行状态与操作票中的操作结果进行比较,判断人工操作是否成功。
本技术方案采用图像处理策略识别模拟操作屏的指示状态,并与通过图像处理技术获取的设备实际状态进行比对,在状态不一致时发出报警信息,防止误操作。
更进一步的,所述的方法在执行倒闸操作期间,根据操作票在模拟操作屏上对操作回路和钥匙进行提示,引导操作人员正确完成操作,防止误操作。
由于电力行业中对于停/送电操作已经形成了一套标准的固定模式,并有专门的操作规程,故对于停/送电操作、操作票、操作内容的预先检查和事后复查的具体内容和详细步骤,在此不再叙述。
下面针对不同的识别步骤、识别对象,叙述其具体的视觉显著性描述识别流程。
A、图像边缘检测:
边缘检测的基本原理是:首先将图像划分成3X3大小的小窗口,再采用检测识别方法,仅处理那些不包含有任何边缘信息的窗口。由于Canny算子对噪声的容忍度与准确度高,且对边缘判断较为精确,本技术方案的边缘检测采用Canny算子。
Canny算子具体识别方法步骤如下:
Step1:用高斯滤波器平滑图像;
Step2:通过一阶偏导有限差分计算梯度幅值和方向;
Step3:对梯度幅值进行非极大值一直;
Step4:用双阈值识别方法检测和连接边缘。
B、图像增强:
由于硬件设备或现场环境的抑制会导致图像失真丢失部分关键数据,从而影响分割和识别结果。本技术方案针对变电站仪器仪表图像的特点采用Gamma矫正与同态滤波器结合的方法对去噪后的图像进行增强。
在未经gamma校正的情况下,低灰度时有较大范围的灰度值被保存成同一个值,造成信息丢失;同时高灰度值时,很多比较接近的灰度值却被保存成不同的值,造成空间浪费。
经过gamma校正后,改善了存储的有效性和效率。Gamma矫正是对输入图像的所有通道灰度值进行非线性操作,利用指数变换的方式使得输出图像相较于输入而言,凸显其低分辨率处的细节信息。它的公式表达为:
同态滤波是一种在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强的方法。同态滤波器能够减少低频并且增加高频,从而能减少光照变化并锐化边缘细节。
图像的同态滤波技术的依据是图像获取过程中的照明反射成像原理,它属于频域处理,作用是对图像灰度范围进行调整,通过消除图像上照明不均的问题。非线性滤波器能够在很好地保护细节的同时,去除信号中的噪声,同态滤波器就是一种非线性滤波器,其处理是一种基于特征的对比度增强方法。它的基本思想是先对非线性混杂信号作对数运算转变为加性,然后用线性滤波方法处理,最后做反变换运算得到增强后的图像。
一幅图像f(x,y)可以表示为照射分量i(x,y)与发射分量r(x,y)的乘积,即其中0<i(x,y)<∞,0<r(x,y)<∞。进行同态滤波时首先需要对原图像f(x,y)进行对数操作,目的是使得图像模型中的乘法运算转化为简单的加法运算:
z(x,y)=ln f(x,y)=ln i(x,y)+ln r(x,y) (2)
再对对数函数做福利叶变换,将其转换至频域:
z(x,y)=F[ln i(x,y)]+F[ln r(x,y)] (3)
即:
Z=I+R (4)
选择适当的传递函数,压缩光照分量i(x,y)的变化范围,消弱I(u,v),增强反射分量r(x,y)的对比度,提升R(u,v),强高频分量,即确定一个合适的H(u,v)。
假设用一个同态滤波器函数H(u,v)来处理原图像f(x,y)的对数的傅里叶变换Z(u,v),得:
S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v) (5)
逆变换到空域得:
s(x,y)=F-1(S(u,v)) (6)
最后进行取指数操作得到最终的增强图像:
f'(x,y)=exp(s(x,y)) (7)
C、基于视觉显著性特征的图像分割识别方法:
面对视觉检测中日益庞大的数据量和复杂的任务,如何消除数据中包含的冗余信息并快速准确地完成各种图像分析任务成为机器视觉领域关注的一个焦点。
C1、基于颜色特征的视觉显著性描述
颜色特征是一种全局特征,反映像元和领域内亮度和颜色组成情况,是一种非结构化的全局特征,可描述图像或图像区域对象的表面属性。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,对外界环境光照变化敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。通常获取具有视觉上显著性的亮度信息和颜色信息,统计亮度图或颜色图中像元和邻域内的亮度或颜色信息,形成直方图,进而计算包括均值、标准方差、绝对方差、矩、墒、能量和最大差异在内的直方图参数。
C2、基于纹理特征的视觉显著性描述
纹理特征作为一种全局特征,特点是:局部不规则,而宏观上有规律的特征,由于纹理只是一种对象表面特性,并不能完全刻画对象的本质特征,所以仅仅利用单一的纹理特征是无法获得高层次图像内容的。
在本课题中利用统计方法描述纹理特征,统计方法的典型代表是基于灰度共生矩阵(Grey Level Co-occurrence Matrices,GLCM)的纹理特征分析方法。能量、熵和相关性是灰度共生矩中最普适的描述算子。
能量:是灰度共生矩阵各元素值的平方和,是对图像纹理的灰度变化稳定程度的度量,反应了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理。
熵:是图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时,熵最大;因此熵值表明了图像灰度分布的复杂程度,熵值越大,图像越复杂。
相关性:也称为同质性,用来度量图像的灰度级在行或列方向上的相似程度,因此值的大小反应了局部灰度相关性,值越大,相关性也越大。
C3、基于形状特征的视觉显著性描述
形状特征是对图像对象扩展程度的一个二值描述。心理学研究发现,人类视觉可以仅仅通过形状特征来检测和识别目标。形状特征描述形式一般要求具有平移、旋转和尺度不变性。通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域。
C4、基于显著性度量的特征选择与优化
显著性是人类对事物的某些质或量的度量和感知,是最能反映目标与其他目标之间差异的最具代表性的特征。这种感知显著性应该与特征的度量单位无关,是特征分量对于正确辨识的贡献大小的度量,因此我们定义了一种基于概率显著性度量准则。由于环境条件的限制,目标特征存在很大的不确定性,显著性度量不应以具有确定形式的函数为准则,而应该是一个经验统计量。最显著特征对应着最大的概率值,基于最大正确率的概率显著性的优点是准确率较高,因此本章采用最大正确概率来描述特征的显著性,依据概率显著性来进行特征优化。
评价一个特征对于目标辨识的重要性时,最简单的标准就是把该特征独立用于目标辨识,根据辨识的准确率确定其重要性。依据概率显著性,得到辨识准确率最大的特征对应于最显著的特征,同理,依次可以求得次显著的特征。设由特征选择识别方法得到的最优特征子序列fo=(fo1,fo2,···,fom),对某一特征foi∈fo,设利用特征foi进行辨识的总准确率为Pri,目标准确率为Ptri,采用算术平均的方法定义特征foi的贡献度值Di为:
因此,最优特征子序列fo中所有特征组成的贡献度矢量为D=(D1,D2,···,Dm)。特征贡献度矢量中每个值都在0-1之间,进一步考虑每个特征在特征空间中的相对贡献大小,对特征贡献度矢量进行归一化,得到下式的特征权值:
由于不同的特征对鉴别的贡献是不一样的,在训练阶段应用基于GA的特征选择识别方法得到最优特征子序列之后,如果能够进一步对最优特征子序列进行特征优化,则无疑会提高测试阶段的辨识性能。由于最优特征子序列中特征间相关性很小,可以看作是相互独立的,因此采用最大正确率来描述特征的显著性,依据概率显著性来进行特征优化。
对于由遗传识别方法搜索得到的最优特征子序列fo=(fo1,fo2,···,fom),对某一特征foi∈fo,用训练数据库通过鉴别器产生的总错误数为Toei,训练图像总数为To,漏报数为Miei,训练的真缺陷图像为Mi,则利用特征foi进行鉴别的总正确率为:
目标正确率为:
将式(6)与式(7)代入到式(15),求得特征foi的贡献度值Di,最后代入式(5)即可求得每个特征的权值。
F(fi)=-(nlg(L)+Toelg(To)+Mielg(Mi)) (15)
针对具体的仪表或操作开关,其具体的识别流程或步骤叙述如下:
1、仪表指针区域的读数识别方法:
依据指针特征检测与读数识别流程,可分为两部分:第一部分计算指针夹角,第二部分识别仪表读数。其首先利用指针在水平位置投影大的先验知识计算指针夹角;然后依据指针夹角识别仪表读数。
识别方法实现流程:灰度化——高斯滤波——灰度变换——中值滤波——Canny算子边缘检测——霍夫变换检测直线——计算直线角度。
(1)灰度化:
为了提高实时性,应该尽量减少计算量。这里的指针的颜色并非特殊特征,故在此对图像进行灰度化处理,减少颜色信息,提高计算速度。
灰度化就是将彩色图像转化成为灰度图像,主要的计算方法就是将彩色图像中的三分量亮度求平均得到一个灰度值。主要计算公式为:
f(i,j)=(R(i,j)+G(i,j)+B(i,j))/3
(2)高斯滤波:
高斯滤波通常用来减少图像噪声以及降低细节层次,具体操作为:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
若使用3×3模板,则计算公式如下:
g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16
其中,f(x,y)为图像中(x,y)点的灰度值,g(x,y)为该点经过高斯滤波后的值。
(3)中值滤波
滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为:
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为3*3,5*5区域,也可以是不同的的形状,如线状,圆形,十字形,圆环形等。
(4)Canny算子边缘检测:
图象的边缘是指图象局部区域亮度变化显著的部分,该区域的灰度剖面一般可以看作是一个阶跃,既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。
Canny算子是常用的边缘检测识别方法。Canny边缘检测的具体步骤为:
①滤波:在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的,同时大多数的传感器件具有低频滤波特性,这样会使得阶跃边缘变为斜坡性边缘,看起来其中的强度变化不是瞬间的,而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。
边缘检测的识别方法主要是基于图像强度的一阶和二阶导数,但导数通常对噪声很敏感,因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。Canny边缘检测中使用的是有高斯滤波。
②增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强识别方法可以将图像灰度点邻域强度值有显著变化的点突显出来。Canny检测中是通过计算梯度幅值来确定的。本技术方案使用Sobel算子来计算梯度:
③非极大值抑制:图像梯度幅值矩阵中的元素值越大,说明图像中该点的梯度值越大,但这不能说明该点就是边缘(这仅仅是属于图像增强的过程)。
在Canny识别方法中,非极大值抑制是进行边缘检测的重要步骤,通俗意义上是指寻找像素点局部最大值,将非极大值点所对应的灰度值置为0,这样可以剔除掉一大部分非边缘的点。
④检测:经过增强的图像,往往邻域中有很多点的梯度值比较大,而在特定的应用中,这些点并不是我们要找的边缘点,所以应该采用某种方法来对这些点进行取舍。
Canny识别方法中减少假边缘数量的方法是采用双阈值法。选择两个阈值(关于阈值的选取方法在扩展中进行讨论),根据高阈值得到一个边缘图像,这样一个图像含有很少的假边缘,但是由于阈值较高,产生的图像边缘可能不闭合,未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓,当到达轮廓的端点时,该识别方法会在断点的8邻域点中寻找满足低阈值的点,再根据此点收集新的边缘,直到整个图像边缘闭合。
(5)Hough变换检测直线:
Hough变换是图像处理中的一种特征提取技术,该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为Hough变换结果。Hough变换是基于点-线的对偶性思想。
在图像XY里,所有过点(x,y)的直线的方程为:
y=px+q
由此可知,在图像空间中共线的点对应在参数空间里面相交的线,反过来,在参数空间里面相交于同一个点的所有直线在图像空间里面都有共线的点与之对应,这就是点—线的对偶性。
Hough变换就是根据这样的关系把空间里面的检测问题转换到参数空间,通过参数空间里面进行简单的累计统计来完成直线的检测任务。
本技术方案中使用直线的极坐标方程来表示直线,其方程如下式:
λ=x cosθ+y sinθ
Hough变换的具体实现步骤如下:
(a)建立一个参数(λ,θ)空间的二维的数组,该数组相当于一个累加器。
(b)顺序搜索图像中所有目标(黑色)像素,对于每一个目标像素,在参数空间中找到对应位置,然后在累加器的对应位置加1。
(c)求出参数空间(累加器)中最大值,其位置为(λ',θ')。
(d)通过参数空间位置(λ',θ'),找到图像空间中相对应的直线参数。
(6)计算指针所在直线倾斜角:
找出的直线中只有少数几条是我们所需要的指针两侧的轮廓线,需要通过直线长度和倾斜角的筛选来找到目标直线,计算目标直线的倾斜角的平均值,即指针所在直线的倾斜角θ。
由于仪表的读数N直接依赖于指针的倾斜角θ和仪表的量程Α,且表盘中指针的倾斜角在0~90°之间,所以计算方法如下:
N=2Aθ/π
这样就可以得到最终的结果了。
进一步的,本技术方案在进行边缘检测时,使用二值化处理,弱化光照的影响,使轮廓清晰,便于检测出直线。
自适应阈值二值化:
在图像阈值化操作中,从二值化图像中分离目标区域和背景区域,仅仅通过设定固定阈值很难达到理想的分割效果。在实际应用中,目标及背景区域通常相互依存在图像块中,我们可以通过图像像素邻域块的分布特征自适应确定区域的二值化阈值。对于图像块中亮度变化明显地区域(明或暗),自适应阈值通常会设置为较大或较小,进而保证图像中各个像素的阈值会随着周围领域块的变化而变化。
2、报警灯亮灭、颜色和闪烁频率的识别:
由于控制值班室里存在许多的指示灯,用于指示相设备的运行情况,所以监管这些指示灯的不同状态有重要意义。高压变压器对于人来说具有一定的危险性,同时监管工作枯燥无味,而借助于机器人来实现辅助值班功能,可以很好的解决这一问题。
(1)在第一阶段,首先对报警灯的状态进行分类;
指示灯的常见状态,一般分为常亮、常灭、闪烁和颜色变化等,同时还要考虑报警灯的形状特征。
闪烁因为周期不同,可以分为快闪和慢闪两种状态,在这些变化当中,红绿状态的变化标志关键状态的变化,所示将指示灯状态分为亮、灭、快闪、慢闪、红、绿几大类。
(2)对于指示灯的红绿状态识别:在亮度计算时,将彩色图像转换到HSI颜色空间,可以设定阀值来判定指示灯的红绿状态;而对于指示灯的亮、灭以及快闪、慢闪几种状态,可以将亮、灭两种状态视为周期很长的闪烁,这样可以设定闪烁阀值来判定这些不同的状态。
识别方法实现流程:Hough圆检测—颜色空间转换(RGB->HSI)—色调及亮度判定。
HSI颜色空间:
RGB颜色模型利用颜色合成原理来表示特定的一种颜色,采用的是基色原理,而在HSI模型中,H表示色调,S表示饱和度,I表示亮度,该模型更加符合人眼判别颜色的方式。
RGB到HSI颜色模型的转化是由直角坐标系中单位立方体向圆柱极坐标中的双锥体的转换。在此过程中,RGB的亮度因素被分离,将色度分解为色调和饱和度,并用角向量表示色调。其转换公式为:
其中,
与RGB颜色模型相比,HSI色彩空间可方便运用于图像处理的大量识别方法,并且使得图像处理的工作有效地简化了。
进一步的措施、方法:
(1)通过对现场拍回的图片进行分类,将指示灯状态分为亮、灭、快闪、慢闪、红、绿几大类。
(2)报警灯形状特征采用特征比对的方法进行识别。
建立一个模板数据库,将模板存放到数据库中,并编写专门的模板数据管理工具管理这些模板。模板数据库中存放了模板的形状信息、位置信息、颜色信息和特征值信息。
(3)对变电站仪表进行机器视觉检测,报警灯颜色是否正确也是一个重要指标。
报警灯颜色识别通过颜色判断识别方法来实现,生成报警灯模板和报警灯识别部分都需要都报警灯颜色进行识别。报警灯的颜色识别根据报警灯内部区域像素点的RGB值计算进行判断。
(4)当变电站设备出现报警信息或状态指示信息时,某些报警灯会出现周期性闪烁,对闪烁频率的检测也是变电站仪表功能监测的一部分。
通过连续采集仪表图像,判断每幅图像上报警灯的亮灭情况,再除以采集时间,就能换算出报警灯闪烁的频率。报警灯频率识别的精确度与摄像机采集图像时帧率的稳定性息息相关,采集帧率不稳定会造成闪烁频率的计算出现误差。因此在摄像机选型时需要选用帧率稳定的摄像机。
3、图标的识别:
首先对图像进行预处理,包括去噪平滑等过程,将图像二值化便于线条检测,使用Canny算子进行边缘检测,勾勒出图像整体轮廓,截取目标区域进行识别。
识别的流程
3.1带线条式圆形电气符号:
3.1.1目标区域定位
识别方法实现流程:线性变换——灰度化——高斯滤波图像平滑——Hough圆变换——绘制圆形——保存圆内区域。
3.1.2目标区域处理
识别方法实现流程:线性变换——灰度化——Canny算子边缘检测——二值化——Hough变换检测直线——绘制直线——计算直线角度。
3.2规则图案指示灯的亮灭检测:
识别方法实现流程:颜色检测(红色)——二值化——线性变换——Canny算子边缘检测——Hough变换检测直线——绘制直线——计算直线角度。
3.3不规则图案指示灯的亮灭检测:
识别方法实现流程:颜色检测(红色)——二值化——像素点统计。
4.指示灯:
识别方法实现流程:Hough圆检测——颜色空间转换(RGB->HSI)——色调及亮度判定。
以上涉及到的识别方法中,高斯滤波、边缘检测、Hough变换等识别方法均与指针检测的方法一致,下面就线性变换和Hough变换圆检测进行详细介绍。
①线性变换
灰度线性变换是图像处理的基本运算,通常应用于调整图像画面质量,如图像对比度、亮度及反转等操作。对于输入图像f(x,y),输出图像g(x,y),其线性变换的表达式为:
g(x,y)=a*f(x,y)+b
其中a表示图像对比度变化,b表示图像亮度变化。当|a|>1时,图像对比度增加;反之,图像对比度减小。b大于0和小于0分别代表图像亮度的增加与减少操作。
②Hough变换圆形检测:
Hough变换检测圆形和检测直线的原理差别不大,只不过直线是在二维空间,因为y=kx+b,只有k和b两个自由度。而圆形的一般性方程表示为(x-a)2+(y-b)2=r2,那么就有三个自由度圆心坐标a,b,和半径r。
具体步骤如下:
1)对输入图像进行边缘检测,获取边界点,即前景点。
2)假如图像中存在圆形,那么其轮廓必定属于前景点(此时忽略边缘提取的准确性)。
3)同霍夫变换检测直线一样,将圆形的一般性方程换一种方式表示,进行坐标变换。由x-y坐标系转换到a-b坐标系。写成如下形式(x-a)2+(y-b)2=r2。那么x-y坐标系中圆形边界上的一点对应到a-b坐标系中即为一个圆。
4)那x-y坐标系中一个圆形边界上有很多个点,对应到a-b坐标系中就会有很多个圆。由于原图像中这些点都在同一个圆形上,那么转换后a,b必定也满足a-b坐标系下的所有圆形的方程式。直观表现为这许多点对应的圆都会相交于一个点,那么这个交点就可能是圆心(a,b)。
5).统计局部交点处圆的个数,取每一个局部最大值,就可以获得原图像中对应的圆形的圆心坐标(a,b)。一旦在某一个r下面检测到圆,那么r的值也就随之确定。
5、旋钮的识别:
先对旋钮表盘精确定位,再对单个分隔出的旋钮进行处理。通过读取旋钮的角度判断相应的信息。
5.1旋钮表盘检测与去除边框
识别方法实现流程:线性变换——灰度化——局部自适应阈值二值化——图像腐蚀——寻找符合条件的连通域——去边框
5.2方头旋钮角度检测
识别方法实现流程:线性变换——灰度化——大津法二值化——Canny算子边缘检测——Hough变换检测直线(找最长的一条)——计算直线角度。
5.3尖头旋钮角度检测:
识别方法实现流程:线性变换——灰度化——大津法二值化——形态学闭操作——连接旋钮内部的断裂层、细缝——寻找旋钮的最小倾斜外接矩形——计算对角线角度。
5.4圆形旋钮角度检测:
识别方法实现流程:线性变换——灰度化——Hough变换圆检测——提取旋钮区域,大津法二值化——计算旋钮上指示标记的倾斜角。
5.5组合旋钮角度检测:
识别方法实现流程:线性变换——灰度化——Hough变换圆检测——对旋钮按位置高低进行排序——依次提取每一个旋钮进行角度检测,检测方法同方头旋钮的检测方法。
上述识别方法中,大部分识别方法与之前几个模块相同,下面就大津法二值化和形态学闭操作进行简要介绍。
大津法二值化:
大津法(OTSU识别方法)也称最大类间差法,是当前效果最理想、应用最广泛的二值化识别方法,它通过图像的灰度特性将背景与前景分开,根据各类的类间方差和类内方差来确定阈值。
因为图像的灰度分布均匀性可以用方差来度量,而使类间方差最大的分割可以使错分概率降到最低。当类间方差越大时,构成图像两部分的差别越大,当背景与前景错分时,会导致两部分差别变小,大津法就能有效地避免这种错分的情况。
利用大津法计算图像的最佳阈值为:
t=Max[ω0(t)*(u0(t)-u)2+ω1(t)*(u1(t)-u)2]
其中,当分割的阈值为t时,ω0为背景比例,u0为背景均值,ω1为前景比例,u1为前景均值,u为整幅图像的均值,得到的t即为分割图像的最佳阈值。
形态学闭操作:
闭操作的目的是:平滑图像的轮廓,熔合窄的缺口和细长的弯口,去掉小洞,填补轮廓上的缝隙。此时,联通各个点的结构元素矩阵的选取对结果的影响十分大。
对图像做闭运算建立在膨胀与腐蚀的基础上,也就是,膨胀扩大图像,腐蚀收缩图像。膨胀与腐蚀是形态学中密不可分的两个运算,分别作用于图像的目标和背景。
膨胀与腐蚀的关系式为:
结构元素图像B对原始图像A做闭运算,得到结果记为A·B
由此可以看出,形态学闭运算的核心思想是:原始图像A被结构
元素B膨胀后的结果再被B腐蚀。
在实际识别过程中,由于图片拍摄时的光照等问题,导致背景和旋钮的像素值区别度不明显,降低了边缘检测的效果;另外由于旋钮指针突出的位置较短,使得直线检测的有效长度不够理想。
在检测直线时,由于调用的函数参数是人为设定的,所以当图片拍摄的效果不同时,实验的结果会出现检测不出直线或者旁边的字符也被当作直线的情况。
在本技术方案中,对于上述问题,进一步采取了如下的技术措施:
当连通域法未能找到满足条件的旋钮表盘时,用投影法进行补充,找出满足条件的表盘区域。
具体地:对于部分有粘连的图像,连通域法无法检测出满足条件的正方形区域,此时系统会判断为检测错误,此时需要用投影法作为补充。对图像上、下、左、右各1/4的位置开始向两边计算,取黑色像素投影最多的行和列分别作为上、下、左、右的边界,截取出旋钮表盘的大致位置。
在二值化的过程中,旋钮区域会因为亮度的影响出现断裂,未能检测出一个完整的旋钮,解决方法是:通过旋钮二值图像的特征,对横向、纵向的像素点进行遍历,将两段黑色像素点间的白色像素点变黑,从而融合两个区域。
本发明的技术方案,针对特定的变电站系统对机器人进行简单的标定和训练以后,机器人系统能够自动从视觉图像中提取设备的运行参数(各种数字或模拟仪表显示值)和运行状态。
其视觉分析处理功能拟通过移植开源的OpenCV开发包到硬件平台上实现。
为验证本技术方案的有效性,以单针模拟仪表为例,对从电力站采集的样本进行了指针识别实验。实验环境为Visual Studio 2013,OpenCV 2.4.13,酷睿i52.60GHzCPU,4G内存。
表1指针识别结果表
由表1可见,本技术方案对每一个样本都能较准确地读出指针示数,可靠性较高且识别较迅速,具有一定的准确性和实时性。
本发明技术方案所述的“视觉理解”技术不仅可用于对现场监控图像的智能分析,通过图像提取有用的数据和信息,识别电力设备和系统的正常/异常状态;也可以用于移动作业平台,实现图像的自动采集、分析,替代人完成巡检作业和数据记录等操作。
由于本发明的技术方案能根据符合要求的图像所包含的内容,分析设备的运行状态,具有较好的认识和理解能力,并能根据预定的逻辑规则,及时返回判读结果;其采用多种图元识别方法,能精准识别电气符号的颜色、轮廓、内容,较好地实现了从人工巡检向机器巡检的转变;该技术方案不仅可用于误操作内容的识别、对现场监控图像的智能分析,通过图像提取有用的数据和信息,识别电力设备和系统的正常/异常状态,也可以用于移动作业平台,实现图像的自动采集、分析,替代人完成巡检作业和数据记录等操作,是一种实用的、可靠的、实时机器视觉理解系统方案。
本发明可广泛用于各类变、配电站的运行管理领域。
Claims (4)
1.一种采用图像处理技术来防止变配电误操作的方法,包括采集电气模拟操作屏的正面图像,对图像按采集对象的种类进行分类,进行图像预处理;所述的图像预处理包括噪声处理、图像边缘检测和图像增强,其特征是:
1)按照仪表指针、报警灯、图标和开关旋钮进行分类,对各类图像分别进行视觉显著性描述识别;
2)将对应图像的视觉显著性描述分别输出,实现设备运行状态的机器化自动识别;
3)在人工进行设备操作之前,将操作票中待操作的内容与机器化自动识别的对应设备运行状态进行比较;
4)若待操作的内容与对应设备的运行状态相符,则允许进行对应设备的停/送电操作;
5)若待操作的内容与对应设备的运行状态不相符,则禁止进行对应设备的停/送电操作。
2.按照权利要求1所述的采用图像处理技术来防止变配电误操作的方法,其特征是待人工设备操作完成之后,再次对对应设备的运行状态进行机器化自动识别;将自动识别的对应设备运行状态与操作票中的操作结果进行比较,判断人工停/送电操作是否成功。
3.按照权利要求1所述的采用图像处理技术来防止变配电误操作的方法,其特征是所述的方法采用图像处理策略识别模拟操作屏的指示状态,并与通过图像处理技术获取的设备实际状态进行比对,在状态不一致时发出报警信息,防止误操作。
4.按照权利要求1所述的采用图像处理技术来防止变配电误操作的方法,其特征是所述的方法在执行倒闸操作期间,根据操作票在模拟操作屏上对操作回路和钥匙进行提示,引导操作人员正确完成对应的停/送电操作,防止误操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810851010.4A CN109308448A (zh) | 2018-07-29 | 2018-07-29 | 一种采用图像处理技术来防止变配电误操作的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810851010.4A CN109308448A (zh) | 2018-07-29 | 2018-07-29 | 一种采用图像处理技术来防止变配电误操作的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308448A true CN109308448A (zh) | 2019-02-05 |
Family
ID=65225929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810851010.4A Pending CN109308448A (zh) | 2018-07-29 | 2018-07-29 | 一种采用图像处理技术来防止变配电误操作的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308448A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619750A (zh) * | 2019-08-15 | 2019-12-27 | 重庆特斯联智慧科技股份有限公司 | 面向违停车辆的智能航拍识别方法及系统 |
CN110728741A (zh) * | 2019-10-11 | 2020-01-24 | 长春理工大学 | 基于多细节层次模型的面光源照射三维场景画面渲染方法 |
CN110826512A (zh) * | 2019-11-12 | 2020-02-21 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
CN110956077A (zh) * | 2019-10-08 | 2020-04-03 | 福建和盛高科技产业有限公司 | 基于配电站房防误操作及作业安全的方法 |
CN111805508A (zh) * | 2020-04-27 | 2020-10-23 | 国网上海市电力公司 | 一种基于视觉理解的现场安全性许可方法 |
CN112134310A (zh) * | 2020-09-18 | 2020-12-25 | 贵州电网有限责任公司 | 一种基于大数据的人工智能电网调控操作方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201311721Y (zh) * | 2008-11-26 | 2009-09-16 | 中国石油天然气管道局 | 管道变电所模拟操作安全预警操作按钮信号检测系统 |
CN103794109A (zh) * | 2012-11-01 | 2014-05-14 | 同济大学 | 具有仿真培训功能的电力控制系统及其仿真培训方法 |
CN203630608U (zh) * | 2013-12-25 | 2014-06-04 | 南阳川光电力科技有限公司 | 远程可视化变电站运行防误操作系统 |
CN104678963A (zh) * | 2015-02-03 | 2015-06-03 | 葛武 | 一种基于计算机视觉的采集仪表设备信息的系统及方法 |
CN105356619A (zh) * | 2015-12-10 | 2016-02-24 | 国网四川省电力公司天府新区供电公司 | 一种基于图像识别的变电站防误操作方法 |
CN106023710A (zh) * | 2016-07-28 | 2016-10-12 | 核动力运行研究所 | 一种核电厂防人因失误训练的综合管路和人因训练系统 |
CN106101618A (zh) * | 2016-06-16 | 2016-11-09 | 中国铝业股份有限公司 | 基于图像识别的现场设备视频监控方法 |
CN206194174U (zh) * | 2016-07-28 | 2017-05-24 | 核动力运行研究所 | 一种核电厂防人因失误训练的综合管路和人因训练系统 |
CN107331220A (zh) * | 2017-09-01 | 2017-11-07 | 国网辽宁省电力有限公司锦州供电公司 | 基于增强现实的变电设备运维仿真培训系统和方法 |
CN107800193A (zh) * | 2017-10-17 | 2018-03-13 | 国网河南省电力公司郑州供电公司 | 基于视觉的变电站设备运行状态与作业对象监控融合方法 |
CN108321930A (zh) * | 2018-01-30 | 2018-07-24 | 珠海华伟电气科技股份有限公司 | 一种顺序控制系统及方法 |
-
2018
- 2018-07-29 CN CN201810851010.4A patent/CN109308448A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201311721Y (zh) * | 2008-11-26 | 2009-09-16 | 中国石油天然气管道局 | 管道变电所模拟操作安全预警操作按钮信号检测系统 |
CN103794109A (zh) * | 2012-11-01 | 2014-05-14 | 同济大学 | 具有仿真培训功能的电力控制系统及其仿真培训方法 |
CN203630608U (zh) * | 2013-12-25 | 2014-06-04 | 南阳川光电力科技有限公司 | 远程可视化变电站运行防误操作系统 |
CN104678963A (zh) * | 2015-02-03 | 2015-06-03 | 葛武 | 一种基于计算机视觉的采集仪表设备信息的系统及方法 |
CN105356619A (zh) * | 2015-12-10 | 2016-02-24 | 国网四川省电力公司天府新区供电公司 | 一种基于图像识别的变电站防误操作方法 |
CN106101618A (zh) * | 2016-06-16 | 2016-11-09 | 中国铝业股份有限公司 | 基于图像识别的现场设备视频监控方法 |
CN106023710A (zh) * | 2016-07-28 | 2016-10-12 | 核动力运行研究所 | 一种核电厂防人因失误训练的综合管路和人因训练系统 |
CN206194174U (zh) * | 2016-07-28 | 2017-05-24 | 核动力运行研究所 | 一种核电厂防人因失误训练的综合管路和人因训练系统 |
CN107331220A (zh) * | 2017-09-01 | 2017-11-07 | 国网辽宁省电力有限公司锦州供电公司 | 基于增强现实的变电设备运维仿真培训系统和方法 |
CN107800193A (zh) * | 2017-10-17 | 2018-03-13 | 国网河南省电力公司郑州供电公司 | 基于视觉的变电站设备运行状态与作业对象监控融合方法 |
CN108321930A (zh) * | 2018-01-30 | 2018-07-24 | 珠海华伟电气科技股份有限公司 | 一种顺序控制系统及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619750A (zh) * | 2019-08-15 | 2019-12-27 | 重庆特斯联智慧科技股份有限公司 | 面向违停车辆的智能航拍识别方法及系统 |
CN110956077A (zh) * | 2019-10-08 | 2020-04-03 | 福建和盛高科技产业有限公司 | 基于配电站房防误操作及作业安全的方法 |
CN110728741A (zh) * | 2019-10-11 | 2020-01-24 | 长春理工大学 | 基于多细节层次模型的面光源照射三维场景画面渲染方法 |
CN110728741B (zh) * | 2019-10-11 | 2022-08-23 | 长春理工大学 | 基于多细节层次模型的面光源照射三维场景画面渲染方法 |
CN110826512A (zh) * | 2019-11-12 | 2020-02-21 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
WO2021093418A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
CN110826512B (zh) * | 2019-11-12 | 2022-03-08 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
CN111805508A (zh) * | 2020-04-27 | 2020-10-23 | 国网上海市电力公司 | 一种基于视觉理解的现场安全性许可方法 |
CN111805508B (zh) * | 2020-04-27 | 2022-09-23 | 国网上海市电力公司 | 一种基于视觉理解的现场安全性许可方法 |
CN112134310A (zh) * | 2020-09-18 | 2020-12-25 | 贵州电网有限责任公司 | 一种基于大数据的人工智能电网调控操作方法及系统 |
CN112134310B (zh) * | 2020-09-18 | 2022-04-22 | 贵州电网有限责任公司 | 一种基于大数据的人工智能电网调控操作方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
CN109308448A (zh) | 一种采用图像处理技术来防止变配电误操作的方法 | |
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
CN109271844B (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
CN107145851A (zh) | 建筑作业区危险源智能识别系统 | |
CN109615611A (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN109117764A (zh) | 在电力监控中采用颜色阈值法识别目标物体区域电气符号的方法 | |
CN109409395A (zh) | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 | |
CN113989711B (zh) | 一种配电施工安全工器具使用识别方法及系统 | |
CN109886242A (zh) | 一种行人重识别的方法及系统 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
Zhang et al. | Detection and condition assessment of icicle bridging for suspension glass insulator by image analysis | |
CN109063634A (zh) | 在电力监控中采用霍夫圆变换识别目标物体区域电气符号的方法 | |
CN108073873A (zh) | 基于高清智能摄像机的人脸检测与识别系统 | |
CN111951161B (zh) | 目标识别方法及系统、巡检机器人 | |
CN111428987A (zh) | 一种基于人工智能的继保装置图像识别方法和系统 | |
CN115601712A (zh) | 适用于现场安全措施的图像数据处理方法及系统 | |
Yang et al. | An intelligent identification algorithm for obtaining the state of power equipment in SIFT-based environments | |
CN115546666A (zh) | 基于无人机巡检的电力设备螺栓检测方法及系统 | |
CN115063921A (zh) | 一种工地智能闸机系统及搭建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |
|
RJ01 | Rejection of invention patent application after publication |