CN109740696A - 一种用于压板识别的方法与设备 - Google Patents
一种用于压板识别的方法与设备 Download PDFInfo
- Publication number
- CN109740696A CN109740696A CN201910093940.2A CN201910093940A CN109740696A CN 109740696 A CN109740696 A CN 109740696A CN 201910093940 A CN201910093940 A CN 201910093940A CN 109740696 A CN109740696 A CN 109740696A
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- information
- identified
- detection model
- switch
- 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.)
- Granted
Links
- 238000003825 pressing Methods 0.000 title claims abstract description 894
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 130
- 230000015654 memory Effects 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000010485 coping Effects 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000013523 data management Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 42
- 230000005856 abnormality Effects 0.000 description 16
- 238000003062 neural network model Methods 0.000 description 13
- 238000012706 support-vector machine Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004040 coloring Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请的目的是提供一种用于压板识别的方法,包括:建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;获取关于待识别压板的待识别图像信息;将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。本申请可以有效减少检测耗时情况、降低出错率,避免人员巡检带来的误操作,能够保证操作的安全性,避免电力安全事故,通用性强,适用于大部分压板型号,可以降低维护成本,提高数据管理效率。
Description
技术领域
本申请涉及通信领域,尤其涉及一种用于压板识别的技术。
背景技术
变电站压板是电站中的一个重要设备,对于日常电力调度、维护起着重要作用。日常工作中,为了保证电网安全有效的运行,电力巡护人员的一项重要工作是记录压板中开关的状态,以确保压板开关处在正常的状态,从而避免电力事故,例如,国家电网的工作人员需要对变电站压板中的开关状态进行定期记录。然而,即使是一个普通规模大小的电站也存在大量的变电站压板。若是仅依靠人员巡检存在着诸如:检测耗时、出错率高、数据管理困难等缺点。现有技术中也存在一种基于RFID进行压板投退监测的技术,该技术需要对变电站压板的物理结构进行改造:在变电站压板上添加RFID标签,同时需要配备专门的RFID读取和识别设备。上述对每一个变电站压板添加RFID标签存在如下几个缺点:一是,改变压板的物理结构,由于压板是一个电力控制开关,在上面做RFID改造会存在较大的风险;二是,对数量较大的压板均添加RFID标签的物理操作具有庞大的工作量;三是,当压板开关的状态改变时,对应的RFID标签需要进行重新设置,这需要大量维护成本。因此,基于RFID的压板识别技术方案存在改造风险、使用工作量大和维护成本高的缺点。
发明内容
本申请的一个目的是提供一种用于压板识别的方法。
根据本申请的一个方面,提供了一种用于压板识别的方法,该方法包括:
建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;
获取关于待识别压板的待识别图像信息;
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;
根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。
根据本申请的另一个方面,提供了一种用于压板识别的方法,该方法包括:
建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关区域的训练图像信息;
获取关于待识别压板的待识别图像信息;
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的一个或多个压板开关区域;
对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
根据本申请的又一个方面,提供了一种用于压板识别的方法,该方法包括:
建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关状态的训练图像信息;
获取关于待识别压板的待识别图像信息;
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板的压板开关状态信息。
根据本申请的一个方面,提供了一种用于压板识别的设备,该设备包括:
一一模块,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;
一二模块,用于获取关于待识别压板的待识别图像信息;
一三模块,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;
一四模块,用于根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。
根据本申请另一个方面,提供了一种用于压板识别的设备,该设备包括:
二一模块,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关区域的训练图像信息;
二二模块,用于获取关于待识别压板的待识别图像信息;
二三模块,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的一个或多个压板开关区域;
二四模块,用于对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
根据本申请又一个方面,提供了一种用于压板识别的设备,该设备包括:
三一模块,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关状态的训练图像信息;
三二模块,用于获取关于待识别压板的待识别图像信息;
三三模块,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板的压板开关状态信息。
根据本申请的一个方面,提供了一种用于压板识别的设备,该设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如上所述的任一方法对应的设备。
根据本申请的一个方面,提供了一种存储指令的计算机可读介质,所述指令在被执行时使得系统进行如上所述的任一方法对应的设备。
与现有技术相比,本申请通过建立或更新压板检测模型,通过该压板检测模型,处理待识别压板的待识别图像信息,并得到该待识别压板的压板开关状态信息。本申请的自动识别压板开关状态信息的方法可以有效减少检测耗时情况、降低出错率,避免人员巡检带来的误操作,能够保证操作的安全性,避免电力安全事故;并且,由于本申请中压板的开关状态的采集采用非接触式的方式,不用物理接触和改造设备,避免干扰电力设备的风险;同时,本申请技术方案具有通用性,适用于大部分压板型号;进一步,应用本申请可以降低维护成本,提高数据管理效率,在压板状态切换和升级后,本技术方案不需要做技术修正。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出根据本申请一个实施例的一种用于压板识别的典型场景的示例图;
图2示出根据本申请一个实施例的一种用于压板识别的方法流程图;
图3示出根据本申请另一个实施例的一种用于压板识别的方法流程图;
图4示出根据本申请又一个实施例的一种用于压板识别的方法流程图;
图5示出根据本申请一个实施例的一种用于压板识别的设备的功能模块;
图6示出根据本申请另一个实施例的一种用于压板识别的设备的功能模块;
图7示出根据本申请又一个实施例的一种用于压板识别的设备的功能模块;
图8示出可被用于实施本申请中所述的各个实施例的示例性系统。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(例如,中央处理器(Central Processing Unit,CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RandomAccess Memory,RAM)和/或非易失性内存等形式,如只读存储器(Read Only Memory,ROM)或闪存(Flash Memory)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(Phase-Change Memory,PCM)、可编程随机存取存储器(Programmable Random Access Memory,PRAM)、静态随机存取存储器(Static Random-Access Memory,SRAM)、动态随机存取存储器(Dynamic Random AccessMemory,DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、数字多功能光盘(Digital Versatile Disc,DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品,例如智能手机、平板电脑等,所述移动电子产品可以采用任意操作系统,如Android操作系统、iOS操作系统、windows操作系统等。其中,所述网络设备包括一种能够按照事先设定或存储的指令,自动进行数值计算和信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑器件(Programmable Logic Device,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、数字信号处理器(Digital SignalProcessor,DSP)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云;在此,云由基于云计算(CloudComputing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地,所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然,本领域技术人员应能理解上述设备仅为举例,其他现有的或今后可能出现的设备如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在本申请的描述中,“多个”的含义是两个或者更多,除非另有明确具体的限定。
图1示出了本申请一个典型场景的示例图,其中,示出的图像为某摄像装置拍摄的待识别压板的当前图像,将该图像信息作为待识别图像信息输入压板检测模型,获取对应的压板开关状态信息。其中,该过程可以是在一般的用户设备端进行,也可以是在网络设备端进行,还可以是在一些局域网中通过集成式服务器运行等;用户设备包括但不限于任何一种可与用户进行人机交互的电子产品,例如智能手机、平板电脑、智能眼镜、定制的压板巡检设备等计算设备;网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此,对于能够实现本方案的各种设备或者各种设备的组合统称为识别设备,该识别设备包括但不限于用户设备、网络设备、集成式服务器或者三者的任意组合等。
参考图1所给的示例图,下面我们结合图2对实施本申请的各实施例进行距离介绍。
图2示出根据本申请的一个方面的一种用于压板识别的方法,其中,该方法包括步骤S101、步骤S102、步骤S103以及步骤S104。在步骤S101中,识别设备建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;在步骤S102中,识别设备获取关于待识别压板的待识别图像信息;在步骤S103中,识别设备将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;在步骤S104中,识别设备根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。
具体而言,在步骤S101中,识别设备建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息。例如,识别设备事先采集一个或多个压板对应的压板图像信息,如关于每个压板的压板边界信息的图像信息,其中,对应的标签包括但不限于压板的边界线的位置和/或边界上的四个角点的位置等,可选地,这些边界线可以是直线型的突起、凹槽或者不同颜色标记等,角点可以是突起、凹槽或者通过颜色标记等点等。识别设备将这些压板图像信息作为训练图像信息,输入机器学习模型(如深度学习模型等)进行模型参数的训练,得到对应的压板检测模型。当然,建立该压板检测模型后,识别设备还可以新增其他压板的训练图像信息,通过训练更新该压板检测模型;或者识别设备还可以根据新获取的关于已有压板的训练图像信息,重新训练该压板对应的模型参数,从而更新该压板检测模型。
在步骤S102中,识别设备获取关于待识别压板的待识别图像信息。例如,识别设备可以包括摄像装置(如摄像头、跟踪摄像机、外接摄像头等),用于拍摄关于待识别压板,获得待识别压板的待识别图像信息;还如,识别设备接收其他设备(如专门用于监控待识别压板的摄像装置或者其他图像采集设备等)传输的关于待识别压板的待识别图像信息。当然,此处所指的待识别图像信息可以是关于待识别压板的一个图像信息,也可以是关于待识别压板的一系列图像信息,甚至是关于待识别压板的视频信息的一些列图像帧等;若处理的图像信息较多时,识别设备可以对图像信息进行预处理,如利用计算机视觉算法,基于图像信息从中选择与训练图像较为接近的一个或多个图像进行处理。
在步骤S103中,识别设备将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息。例如,识别设备将待识别图像信息输入前述建立或更新的压板检测模型,通过压板检测模型检测该待识别压板的压板边界信息,如确定该压板的边界线位置,或者边界四各角点的位置等。
在步骤S104中,识别设备根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。例如,待识别的布局参考信息包括但不限于压板边界的位置、压板包含的开关数量、压板开关的几何排列关系以及每个压板开关所在的位置等;在此,识别设备端存储有各压板的压板边界信息及布局参考信息的对应关系,通过该关系,识别设备通过压板边界信息,可以结合对应的布局参考信息,得到待识别压板的各开关的位置,从而对各压板开关进行信息识别,进一步识别各个压板开关的开关状态信息等,或者,布局参考信息通过其它方式获取(例如,用户手动输入或其它设备传输),识别设备获取压板边界信息后,得到待识别压板的各开关的位置,从而对各压板开关进行信息识别,进一步识别各个压板开关的开关状态信息等。如在一些实施方式中,步骤S104包括子步骤S1041(未示出)和子步骤S1042(未示出)。在步骤S1041中,识别设备根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的一个或多个压板开关区域;在步骤S1042中,识别设备对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。例如,识别设备通过确定待识别压板的压板边界信息,可以与识别设备存储的布局参考信息比对,确定与待识别压板匹配的布局参考信息,还可以是通过用户的操作或者其他设备导入的方式,获取该待识别压板的布局参考信息。然后,根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的一个或多个压板开关区域,例如,若是所述通过图像形式直接表现,则基于所述边界信息的大小信息对照所述布局参考信息,确定对应的一个或多个压板开关区域,其中,布局参考信息包括但不限于压板边界的位置,压板开关的几何排列关系,每个压板开关所在的位置等;其中,一个压板开关区域可以包含一个压板开关,也可以对应多个压板开关。在此,所述信息识别可以包括:识别出所述压板开关区域对应的图像中、代表相应压板开关状态信息所匹配的预设状态分类信息。在此,所述状态信息可以包括但不限于所述压板开关的类型信息,例如是闸刀型或旋钮型,是直线型或非直线型,以及压板开关的状态信息,例如开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等;若是所述压板开关是所述待检测图像中呈现的直线型结构,则所述状态信息还可以是直线的位置信息、直线的颜色信息、直线的灰度信息等。在一种实现方式中,归属于同一个所述预设状态分类信息的压板开关状态信息具有状态的共性、或是一致性、或是其他关联性。在一种实现方式中,所述预设状态分类信息与压板开关状态信息相匹配;所述压板开关状态信息可以包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。在此,可以设置不同的预设状态分类信息与不同压板开关状态信息相匹配。可选地,识别设备可以通过直线检测的方式提取待识别图像中的直线,基于各压板开关区域、压板开关区域中包含的压板开关位置以及各压板开关对应直线的状态(如与竖直方向的偏移方向、偏移角度等),判断直线所指代的压板开关的开关状态。
在一些实施方式中,在步骤S1042中,识别设备基于预先训练好的压板开关状态识别模型,对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。例如,所述压板开关状态识别模型是基于深度学习算法建立的,例如,卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)等。以所述卷积神经网络模型(CNN)为例,可以预先采集一定数量的压板图片作为模型的训练集,充分训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板开关区域对应的图像输入到所述卷积神经网络模型,输出相应的分类结果,例如压板开关的状态,又例如所述预设状态分类信息,进而基于所述预设状态分类信息与压板开关状态信息的匹配关系,确定所述结果对应的压板开关状态信息。在一种实现方式中,所述压板开关状态信息可以包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。在一种实现方式中,所述训练集可以选择对压板中单独一个开关所在的区域采集的图片,或是选择对压板中多个开关所在区域采集的图片,也可以选择对压板整体采集的图片。可选地,后续进行识别的所述压板开关区域对应的图像可以与所述训练集采集的图片的图像范围相匹配,以提高信息识别的准确性。例如,所述训练集可以选择对压板中单独一个开关所在的区域采集的图片,相应地,后续从所述待检测图像中提取的每张所述压板开关区域对应的图像也包含一个压板开关区域,每个压板开关区域包含一个压板开关。在一种实现方式中,所述压板开关状态识别模型也可以是机器学习分类模型,如特征描述子加分类器的形式,常见的特征描述子可以包括但不限于SIFT(Scale-Invariant Feature Transform,尺度不变特征转换)、HOG(Histogram of Oriented Gradient,方向梯度直方图)、LBP((Local Binary Pattern,局部二值模式)等,分类器可以包括但不限于SVM(支持向量机)、随机森林、adaboost等。
在一些实施方式中,所述方法还包括步骤S105(未示出)。在步骤S105中,识别设备呈现所述压板开关状态信息。例如,识别设备还包括显示装置(如显示屏幕或者投影屏幕、外接显示屏幕等),用于呈现待识别压板对应的压板开关状态信息,如,在显示屏幕中压板开关的对应位置叠加显示开关状态信息,或者在原始图片上增强现实压板上不同压板开关区域的图像信息,例如增加颜色效果(不同颜色代表不同状态)、轮廓线(不同轮廓线代表不同状态)效果等;又如,在压板上不同压板开关区域对应位置增加图文内容,用来表示同一类压板开关状态信息,如,处于开状态的开关在对应位置标记数字1,对于处于关状态的开关在对应位置标记数字0等。在此,可以通过不同的呈现形式实现对压板开关状态信息的提示,或是实现对某类压板开关状态信息的区别提示。在一种实现方式中,所述压板开关状态信息可以输出为新的图文形式。例如将不同状态的压板开关状态信息分类输出为表格形式。在此,本领域技术人员应当能够理解,上述呈现所述压板开关状态信息的方式仅为举例,现有或今后出现的其他呈现所述压板开关状态信息的方式如果能够适用于本申请,也应该包含在本申请的保护范围内,并以引用的形式包含于此。
在一些实施方式中,所述方法还包括步骤S106(未示出)。在步骤S106中,识别设备基于所述压板开关状态信息,结合预设的安全状态信息,进行压板安全校验。在此,所述安全状态信息可以包括每个压板开关在不同开关状态下对应的不同安全信息,例如安全或异常,识别设备根据各压板开关的开关状态或者各压板开关状态信息的组合,结合预设的安全状态信息从而判断当前压板开关状态信息是否正常。进一步,在一些实施方式中,所述方法还包括步骤S107(未示出),在步骤S107中,若基于所述压板安全校验的结果确定所述压板开关状态信息异常,可以执行以下至少任一项操作:提示出现异常的压板开关的相关信息,所述相关信息可以包括异常压板开关的位置信息、或异常状态内容,在此,所述提示操作可以通过图文、声音、动画、3D模型、视频等方式实现;提供异常应对机制,例如提醒管理人员可以执行的具体应对策略;执行异常应对操作,例如自动执行紧急应对操作;提示异常提醒信息,例如将该压板开关状态异常的提醒信息发送至其他设备(如监控设备或者监控人员的用户设备等)。
在一些实施方式中,所述压板检测模型还包括所述一个或多个压板对应的标签,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板标识信息;其中,在步骤S103中,识别设备将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板标识信息及压板边界信息;其中,在步骤S105中,识别设备呈现所述压板标识信息及所述压板开关状态信息。在此,压板标识信息包括但不限于用于区别不同类型压板的名称、类型、编号或者设备号等,识别设备在建立压板检测模型时,通过将各压板对应的压板标识信息、压板边界信息与训练图像信息对应起来,从而通过压板检测模型,识别设备可以基于待识别图像信息确定,该待识别压板的压板标识信息及压板边界信息,如确定N型M号压板及该压板对应的压板边界信息,当然,后续识别设备在呈现压板开关状态信息的同时,还可以呈现该压板的压板标识信息,如在屏幕中对应位置呈现N型M号压板。通过将压板标识信息添加至压板检测模型,可以方便对不同类型压板进行管理。
在一些实施方式中,该方法还包括步骤S108(未示出)。在步骤S108中,识别设备存储所述压板开关状态信息。例如,识别设备可以设置,当确定了所述压板开关状态信息后自动/手动保存或更新所述压板开关状态信息。在另一种实现方式中,还可以对确定的所述压板开关状态信息进行检验操作,例如进行压板安全校验,或是其他内容的检验。所述检验操作可以包括自动检验、或人工检验。进而,当所述检验操作通过,将所述压板开关状态信息自动/手动保存或更新。所述压板开关状态信息的存储可以便于信息的维护和管理,同时避免了手动记录存储的耗时操作、降低错误率。
在一些实时方式中,该方法还包括步骤S109(未示出)。在步骤S109中,识别设备根据所述待识别压板的压板边界信息确定所述待识别压板的布局参考信息。例如,识别设备端存储有各压板的压板边界信息及布局参考信息的对应关系,通过该关系,识别设备通过压板边界信息,可以结合对应的布局参考信息,得到待识别压板的各开关的位置,从而对各压板开关进行信息识别,进一步识别各个压板开关的开关状态信息等。
图3示出根据本申请另一方面的一种用于压板识别的方法,其中,该方法包括步骤S201、步骤S202、步骤S203及步骤S204。在步骤S201中,识别设备建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关区域的训练图像信息;在步骤S202中,识别设备获取关于待识别压板的待识别图像信息;在步骤S203中,识别设备将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的一个或多个压板开关区域;在步骤S204中,识别设备对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。例如,所述压板检测模型是基于深度学习算法建立的,例如,卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)、RCNN(Regions withCNN features)、YOLO(You only look once)、SSD(Single Shot MultiBox Detector)等深度学习模型等。以所述卷积神经网络模型(CNN)为例,可以预先采集一定数量的关于压板开关区域的压板图片作为模型的训练集,充分训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板对应的待识别图像输入到所述卷积神经网络模型,输出相应的检测结果,例如所述压板开关区域。在一种实现方式中,所述训练集可以选择对压板中单独一个开关所在的区域采集的图片,所述训练集可以选择对各个压板多个开关所在区域采集的图片,也可以选择对各个压板整体采集的图片。在一种实现方式中,所述压板开关区域检测模型也可以是机器学习检测模型,如特征描述子加分类器的形式,常见的特征描述子可以包括但不限于Haar特征、HOG(Histogram of Oriented Gradient,方向梯度直方图)等,分类器可以包括但不限于SVM(支持向量机)、adaboost等。在此,识别设备可以包括摄像装置(如摄像头、跟踪摄像机、外接摄像头等),用于拍摄关于待识别压板,获得待识别压板的待识别图像信息;还如,识别设备接收其他设备(如专门用于监控待识别压板的摄像装置或者其他图像采集设备等)传输的关于待识别压板的待识别图像信息。随后,识别设备将待识别图像信息输入前述建立或更新的压板检测模型,通过压板检测模型识别该待识别压板的压板开关区域,并基于该压板开关区域对获取压板开关状态信息,其中,各个压板开关的状态信息包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。其中,一个压板开关区域可以包含一个压板开关,也可以对应多个压板开关。在此,所述信息识别可以包括:识别出所述压板开关区域对应的图像中、代表相应压板开关状态信息所匹配的预设状态分类信息。在此,所述状态信息可以包括但不限于所述压板开关的类型信息,例如是闸刀型或旋钮型,是直线型或非直线型,以及压板的开关状态信息,例如开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等;若是所述压板开关是所述待检测图像中呈现的直线型结构,则所述状态信息还可以是直线的位置信息、直线的颜色信息、直线的灰度信息等。在一种实现方式中,归属于同一个所述预设状态分类信息的压板开关状态信息具有状态的共性、或是一致性、或是其他关联性。在一种实现方式中,所述预设状态分类信息与压板开关状态信息相匹配;所述压板开关状态信息可以包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。在此,可以设置不同的预设状态分类信息与不同压板开关状态信息相匹配。识别设备可以通过直线检测的方式提取待识别图像中的直线,基于各压板开关区域、压板开关区域中包含的压板开关位置以及各压板开关对应直线的状态(如与竖直方向的偏移方向、偏移角度等),判断直线所指代的压板开关的开关状态。
图4示出根据本申请又一个方面的一种用于压板识别的方法,其中,该方法包括步骤S301、步骤S302以及步骤S303。在步骤S301中,识别设备建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关状态的训练图像信息;在步骤S302中,识别设备获取关于待识别压板的待识别图像信息;在步骤S303中,识别设备将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板的压板开关状态信息。在一些实施方式中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的一个或多个压板开关区域。在另一些实施方式中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板边界信息及对应压板的布局参考信息。
例如,所述压板检测模型是基于深度学习算法建立的,例如,卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)、RCNN(Regions with CNNfeatures)、YOLO(You only look once)、SSD(Single Shot MultiBox Detector)等深度学习模型等。以所述卷积神经网络模型(CNN)为例,可以预先采集一定数量的关于压板开关状态的压板图片作为模型的训练集,充分训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板对应的待识别图像输入到所述卷积神经网络模型,输出相应的识别结果,例如所述压板开关状态。
例如,该模型的训练集是压板图像,包括压板的开关区域,标签是各压板各开关区域的边界信息(如边界线或者四个角点等在图像中的位置)以及开关的状态,又如,该模型的训练集是压板图像,标签包括压板中压板开关的行列数,相关边界信息(如压板边界线或者四个角点等在图像中的位置)以及每个开关的状态等,其中,各个压板开关的状态信息包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。利用以上述训练集和标签训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板对应的待识别图像输入到所述卷积神经网络模型,输出相应的识别结果,包括待识别压板图像中,各开关的开关状态。在一种实现方式中,所述训练集可以选择对压板中单独一个开关状态采集的图片,所述训练集可以选择对各个压板多个开关所在区域采集开关状态的图片,也可以选择对各个压板整体采集的图片。在一种实现方式中,所述压板开关状态检测模型也可以是机器学习检测模型,如特征描述子加分类器的形式,常见的特征描述子可以包括但不限于Haar特征、HOG(Histogram of Oriented Gradient,方向梯度直方图)等,分类器可以包括但不限于SVM(支持向量机)、adaboost等。在此,识别设备可以包括摄像装置(如摄像头、跟踪摄像机、外接摄像头等),用于拍摄关于待识别压板,获得待识别压板的待识别图像信息;还如,识别设备接收其他设备(如专门用于监控待识别压板的摄像装置或者其他图像采集设备等)传输的关于待识别压板的待识别图像信息。随后,识别设备将待识别图像信息输入前述建立或更新的压板检测模型,通过压板检测模型识别该待识别压板的压板开关状态,其中,一个压板开关区域可以包含一个压板开关,也可以对应多个压板开关。
图5示出根据本申请的一个方面的一种用于压板识别的设备,其中,该设备包括一一模块101、一二模块102、一三模块103以及一四模块104。一一模块101,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;一二模块102,用于获取关于待识别压板的待识别图像信息;一三模块103,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;一四模块104,用于根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。
具体而言,一一模块101,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息。例如,识别设备事先采集一个或多个压板对应的压板图像信息,如关于每个压板的压板边界信息的图像信息,其中,对应的标签包括但不限于压板的边界线的位置和/或边界上的四个角点的位置等,可选地,这些边界线可以是直线型的突起、凹槽或者不同颜色标记等,角点可以是突起、凹槽或者通过颜色标记等点等。识别设备将这些压板图像信息作为训练图像信息,输入机器学习模型(如深度学习模型等)进行模型参数的训练,得到对应的压板检测模型。当然,建立该压板检测模型后,识别设备还可以新增其他压板的训练图像信息,通过训练更新该压板检测模型;或者识别设备还可以根据新获取的关于已有压板的训练图像信息,重新训练该压板对应的模型参数,从而更新该压板检测模型。
一二模块102,用于获取关于待识别压板的待识别图像信息。例如,识别设备可以包括摄像装置(如摄像头、跟踪摄像机、外接摄像头等),用于拍摄关于待识别压板,获得待识别压板的待识别图像信息;还如,识别设备接收其他设备(如专门用于监控待识别压板的摄像装置或者其他图像采集设备等)传输的关于待识别压板的待识别图像信息。当然,此处所指的待识别图像信息可以是关于待识别压板的一个图像信息,也可以是关于待识别压板的一系列图像信息,甚至是关于待识别压板的视频信息的一些列图像帧等;若处理的图像信息较多时,识别设备可以对图像信息进行预处理,如利用计算机视觉算法,基于图像信息从中选择与训练图像较为接近的一个或多个图像进行处理。
一三模块103,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息。例如,识别设备将待识别图像信息输入前述建立或更新的压板检测模型,通过压板检测模型检测该待识别压板的压板边界信息,如确定该压板的边界线位置,或者边界四各角点的位置等。
一四模块104,用于根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。例如,待识别的布局参考信息包括但不限于压板边界的位置、压板包含的开关数量、压板开关的几何排列关系以及每个压板开关所在的位置等;在此,识别设备端存储有各压板的压板边界信息及布局参考信息的对应关系,通过该关系,识别设备通过压板边界信息,可以结合对应的布局参考信息,得到待识别压板的各开关的位置,从而对各压板开关进行信息识别,进一步识别各个压板开关的开关状态信息等,或者,布局参考信息通过其它方式获取(例如,用户手动输入或其它设备传输),识别设备获取压板边界信息后,得到待识别压板的各开关的位置,从而对各压板开关进行信息识别,进一步识别各个压板开关的开关状态信息等。如在一些实施方式中,一四模块104包括一四一单元1041(未示出)和一四二单元1042(未示出)。一四一单元1041,用于根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的一个或多个压板开关区域;一四二单元1042,用于对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。例如,识别设备通过确定待识别压板的压板边界信息,可以与识别设备存储的布局参考信息比对,确定与待识别压板匹配的布局参考信息,还可以是通过用户的操作或者其他设备导入的方式,获取该待识别压板的布局参考信息。然后,根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的一个或多个压板开关区域,例如,若是所述通过图像形式直接表现,则基于所述边界信息的大小信息对照所述布局参考信息,确定对应的一个或多个压板开关区域,其中,布局参考信息包括但不限于压板边界的位置,压板开关的几何排列关系,每个压板开关所在的位置等;其中,一个压板开关区域可以包含一个压板开关,也可以对应多个压板开关。在此,所述信息识别可以包括:识别出所述压板开关区域对应的图像中、代表相应压板开关状态信息所匹配的预设状态分类信息。在此,所述状态信息可以包括但不限于所述压板开关的类型信息,例如是闸刀型或旋钮型,是直线型或非直线型,以及压板开关的状态信息,例如开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等;若是所述压板开关是所述待检测图像中呈现的直线型结构,则所述状态信息还可以是直线的位置信息、直线的颜色信息、直线的灰度信息等。在一种实现方式中,归属于同一个所述预设状态分类信息的压板开关状态信息具有状态的共性、或是一致性、或是其他关联性。在一种实现方式中,所述预设状态分类信息与压板开关状态信息相匹配;所述压板开关状态信息可以包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。在此,可以设置不同的预设状态分类信息与不同压板开关状态信息相匹配。可选地,识别设备可以通过直线检测的方式提取待识别图像中的直线,基于各压板开关区域、压板开关区域中包含的压板开关位置以及各压板开关对应直线的状态(如与竖直方向的偏移方向、偏移角度等),判断直线所指代的压板开关的开关状态。
在一些实施方式中,一四二单元1042,用于基于预先训练好的压板开关状态识别模型,对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。例如,所述压板开关状态识别模型是基于深度学习算法建立的,例如,卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)等。以所述卷积神经网络模型(CNN)为例,可以预先采集一定数量的压板图片作为模型的训练集,充分训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板开关区域对应的图像输入到所述卷积神经网络模型,输出相应的分类结果,例如压板开关的状态,又例如所述预设状态分类信息,进而基于所述预设状态分类信息与压板开关状态信息的匹配关系,确定所述结果对应的压板开关状态信息。在一种实现方式中,所述压板开关状态信息可以包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。在一种实现方式中,所述训练集可以选择对压板中单独一个开关所在的区域采集的图片,或是选择对压板中多个开关所在区域采集的图片,也可以选择对压板整体采集的图片。可选地,后续进行识别的所述压板开关区域对应的图像可以与所述训练集采集的图片的图像范围相匹配,以提高信息识别的准确性。例如,所述训练集可以选择对压板中单独一个开关所在的区域采集的图片,相应地,后续从所述待检测图像中提取的每张所述压板开关区域对应的图像也包含一个压板开关区域,每个压板开关区域包含一个压板开关。在一种实现方式中,所述压板开关状态识别模型也可以是机器学习分类模型,如特征描述子加分类器的形式,常见的特征描述子可以包括但不限于SIFT(Scale-Invariant Feature Transform,尺度不变特征转换)、HOG(Histogram of Oriented Gradient,方向梯度直方图)、LBP((Local Binary Pattern,局部二值模式)等,分类器可以包括但不限于SVM(支持向量机)、随机森林、adboost等。
在一些实施方式中,所述设备还包括一五模块105(未示出)。一五模块105,用于呈现所述压板开关状态信息。例如,识别设备还包括显示装置(如显示屏幕或者投影屏幕、外接显示屏幕等),用于呈现待识别压板对应的压板开关状态信息,如,在显示屏幕中压板开关的对应位置叠加显示开关状态信息,或者在原始图片上增强现实压板上不同压板开关区域的图像信息,例如增加颜色效果(不同颜色代表不同状态)、轮廓线(不同轮廓线代表不同状态)效果等;又如,在压板上不同压板开关区域对应位置增加图文内容,用来表示同一类压板开关状态信息,如,处于开状态的开关在对应位置标记数字1,对于处于关状态的开关在对应位置标记数字0等。在此,可以通过不同的呈现形式实现对压板开关状态信息的提示,或是实现对某类压板开关状态信息的区别提示。在一种实现方式中,所述压板开关状态信息可以输出为新的图文形式。例如将不同状态的压板开关状态信息分类输出为表格形式。在此,本领域技术人员应当能够理解,上述呈现所述压板开关状态信息的方式仅为举例,现有或今后出现的其他呈现所述压板开关状态信息的方式如果能够适用于本申请,也应该包含在本申请的保护范围内,并以引用的形式包含于此。
在一些实施方式中,所述设备还包括一六模块106(未示出)。一六模块106,用于基于所述压板开关状态信息,结合预设的安全状态信息,进行压板安全校验。在此,所述安全状态信息可以包括每个压板开关在不同开关状态下对应的不同安全信息,例如安全或异常,识别设备根据各压板开关的开关状态或者各压板开关状态信息的组合,结合预设的安全状态信息从而判断当前压板开关状态信息是否正常。进一步,在一些实施方式中,所述设备还包括一七模块107(未示出),一七模块107,若基于所述压板安全校验的结果确定所述压板开关状态信息异常,可以执行以下至少任一项操作:提示出现异常的压板开关的相关信息,所述相关信息可以包括异常压板开关的位置信息、或异常状态内容,在此,所述提示操作可以通过图文、声音、动画、3D模型、视频等方式实现;提供异常应对机制,例如提醒管理人员可以执行的具体应对策略;执行异常应对操作,例如自动执行紧急应对操作;提示异常提醒信息,例如将该压板开关状态异常的提醒信息发送至其他设备(如监控设备或者监控人员的用户设备等)。
在一些实施方式中,所述压板检测模型还包括所述一个或多个压板对应的标签,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板标识信息;其中,一三模块103用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板标识信息及压板边界信息;其中,一五模块105用于呈现所述压板标识信息及所述压板开关状态信息。在此,压板标识信息包括但不限于用于区别不同类型压板的名称、类型、编号或者设备号等,识别设备在建立压板检测模型时,通过将各压板对应的压板标识信息、压板边界信息与训练图像信息对应起来,从而通过压板检测模型,识别设备可以基于待识别图像信息确定,该待识别压板的压板标识信息及压板标识信息,如确定N型M号压板及该压板对应的压板边界信息,当然,后续识别设备在呈现压板开关状态信息的同时,还可以呈现该压板的压板标识信息,如在屏幕中对应位置呈现N型M号压板。通过将压板标识信息添加至压板检测模型,可以方便对不同类型压板进行管理。
在一些实施方式中,该设备还包括一八模块108(未示出)。一八模块108,用于存储所述压板开关状态信息。例如,识别设备可以设置,当确定了所述压板开关状态信息后自动/手动保存或更新所述压板开关状态信息。在另一种实现方式中,还可以对确定的所述压板开关状态信息进行检验操作,例如进行压板安全校验,或是其他内容的检验。所述检验操作可以包括自动检验、或人工检验。进而,当所述检验操作通过,将所述压板开关状态信息自动/手动保存或更新。所述压板开关状态信息的存储可以便于信息的维护和管理,同时避免了手动记录存储的耗时操作、降低错误率。
在一些实时方式中,该设备还包括一九模块109(未示出)。一九模块109,用于根据所述待识别压板的压板边界信息确定所述待识别压板的布局参考信息。例如,识别设备端存储有各压板的压板边界信息及布局参考信息的对应关系,通过该关系,识别设备通过压板边界信息,可以结合对应的布局参考信息,得到待识别压板的各开关的位置,从而对各压板开关进行信息识别,进一步识别各个压板开关的开关状态信息等。
图6示出根据本申请另一方面的一种用于压板识别的设备,其中,该设备包括二一模块201、二二模块202、二三模块203及二四模块204。二一模块201,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关区域的训练图像信息;二二模块202,用于获取关于待识别压板的待识别图像信息;二三模块203,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的一个或多个压板开关区域;二四模块204,用于对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
例如,所述压板检测模型是基于深度学习算法建立的,例如,卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)、RCNN(Regions with CNNfeatures)、YOLO(You only look once)、SSD(Single Shot MultiBox Detector)等深度学习模型等。以所述卷积神经网络模型(CNN)为例,可以预先采集一定数量的关于压板开关区域的压板图片作为模型的训练集,充分训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板对应的待识别图像输入到所述卷积神经网络模型,输出相应的检测结果,例如所述压板开关区域。在一种实现方式中,所述训练集可以选择对压板中单独一个开关所在的区域采集的图片,所述训练集可以选择对各个压板多个开关所在区域采集的图片,也可以选择对各个压板整体采集的图片。在一种实现方式中,所述压板开关区域检测模型也可以是机器学习检测模型,如特征描述子加分类器的形式,常见的特征描述子可以包括但不限于Haar特征、HOG(Histogram of Oriented Gradient,方向梯度直方图)等,分类器可以包括但不限于SVM(支持向量机)、adaboost等。在此,识别设备可以包括摄像装置(如摄像头、跟踪摄像机、外接摄像头等),用于拍摄关于待识别压板,获得待识别压板的待识别图像信息;还如,识别设备接收其他设备(如专门用于监控待识别压板的摄像装置或者其他图像采集设备等)传输的关于待识别压板的待识别图像信息。随后,识别设备将待识别图像信息输入前述建立或更新的压板检测模型,通过压板检测模型识别该待识别压板的压板开关区域,并基于该压板开关区域对获取压板开关状态信息,如各个压板开关的状态信息等,包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。其中,一个压板开关区域可以包含一个压板开关,也可以对应多个压板开关。在此,所述信息识别可以包括:识别出所述压板开关区域对应的图像中、代表相应压板开关状态信息所匹配的预设状态分类信息。在此,所述状态信息可以包括但不限于所述压板开关的类型信息,例如是闸刀型或旋钮型,是直线型或非直线型,以及压板的开关状态信息,例如开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等;若是所述压板开关是所述待检测图像中呈现的直线型结构,则所述状态信息还可以是直线的位置信息、直线的颜色信息、直线的灰度信息等。在一种实现方式中,归属于同一个所述预设状态分类信息的压板开关状态信息具有状态的共性、或是一致性、或是其他关联性。在一种实现方式中,所述预设状态分类信息与压板开关状态信息相匹配;所述压板开关状态信息可以包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。在此,可以设置不同的预设状态分类信息与不同压板开关状态信息相匹配。识别设备可以通过直线检测的方式提取待识别图像中的直线,基于各压板开关区域、压板开关区域中包含的压板开关位置以及各压板开关对应直线的状态(如与竖直方向的偏移方向、偏移角度等),判断直线所指代的压板开关的开关状态。
图7示出根据本申请又一个方面的一种用于压板识别的方法,其中,该方法包括三一模块301、三二模块302以及三三模块303。三一模块301,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关状态的训练图像信息;三二模块302,用于获取关于待识别压板的待识别图像信息;三三模块303,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板的压板开关状态信息。在一些实施方式中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的一个或多个压板开关区域。在另一些实施方式中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板边界信息及对应压板的布局参考信息。
例如,所述压板检测模型是基于深度学习算法建立的,例如,卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)、RCNN(Regions with CNNfeatures)、YOLO(You only look once)、SSD(Single Shot MultiBox Detector)等深度学习模型等。以所述卷积神经网络模型(CNN)为例,可以预先采集一定数量的关于压板开关状态的压板图片作为模型的训练集,充分训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板对应的待识别图像输入到所述卷积神经网络模型,输出相应的识别结果,例如所述压板开关状态。例如,该模型的训练集是压板图像,包括压板的开关区域,标签是各压板各开关区域的边界信息(如边界线或者四个角点等在图像中的位置)以及开关的状态,又如,该模型的训练集是压板图像,标签包括压板中压板开关的行列数,相关边界信息(如压板边界线或者四个角点等在图像中的位置)以及每个开关的状态等,其中,各个压板开关的状态信息包括开状态、关状态、或是其他任意自定义状态,如等待状态、异常状态等。利用以上述训练集和标签训练卷积神经网络模型的参数,得到对应的卷积神经网络模型。接着,将所述压板对应的待识别图像输入到所述卷积神经网络模型,输出相应的识别结果,包括待识别压板图像中,各开关的开关状态。在一种实现方式中,所述训练集可以选择对压板中单独一个开关状态采集的图片,所述训练集可以选择对各个压板多个开关所在区域采集开关状态的图片,也可以选择对各个压板整体采集的图片。在一种实现方式中,所述压板开关状态检测模型也可以是机器学习检测模型,如特征描述子加分类器的形式,常见的特征描述子可以包括但不限于Haar特征、HOG(Histogram of OrientedGradient,方向梯度直方图)等,分类器可以包括但不限于SVM(支持向量机)、adaboost等。在此,识别设备可以包括摄像装置(如摄像头、跟踪摄像机、外接摄像头等),用于拍摄关于待识别压板,获得待识别压板的待识别图像信息;还如,识别设备接收其他设备(如专门用于监控待识别压板的摄像装置或者其他图像采集设备等)传输的关于待识别压板的待识别图像信息。随后,识别设备将待识别图像信息输入前述建立或更新的压板检测模型,通过压板检测模型识别该待识别压板的压板开关状态,其中,一个压板开关区域可以包含一个压板开关,也可以对应多个压板开关。
除上述各实施例介绍的方法和设备外,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机代码,当所述计算机代码被执行时,如前任一项所述的方法被执行。
本申请还提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时,如前任一项所述的方法被执行。
本申请还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如前任一项所述的方法。
图8示出了可被用于实施本申请中所述的各个实施例的示例性系统;
如图8所示在一些实施例中,系统300能够作为各所述实施例中的任意一个上述设备。在一些实施例中,系统300可包括具有指令的一个或多个计算机可读介质(例如,系统存储器或NVM/存储设备320)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如,(一个或多个)处理器305)。
对于一个实施例,系统控制模块310可包括任意适当的接口控制器,以向(一个或多个)处理器305中的至少一个和/或与系统控制模块310通信的任意适当的设备或组件提供任意适当的接口。
系统控制模块310可包括存储器控制器模块330,以向系统存储器315提供接口。存储器控制器模块330可以是硬件模块、软件模块和/或固件模块。
系统存储器315可被用于例如为系统300加载和存储数据和/或指令。对于一个实施例,系统存储器315可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,系统存储器315可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,系统控制模块310可包括一个或多个输入/输出(I/O)控制器,以向NVM/存储设备320及(一个或多个)通信接口325提供接口。
例如,NVM/存储设备320可被用于存储数据和/或指令。NVM/存储设备320可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备320可包括在物理上作为系统300被安装在其上的设备的一部分的存储资源,或者其可被该设备访问而不必作为该设备的一部分。例如,NVM/存储设备320可通过网络经由(一个或多个)通信接口325进行访问。
(一个或多个)通信接口325可为系统300提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
对于一个实施例,(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器(例如,存储器控制器模块330)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,系统300可以但不限于是:服务器、工作站、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中,系统300可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,系统300包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解,计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等,相应地,计算机程序指令被计算机执行的方式包括但不限于:该计算机直接执行该指令,或者该计算机编译该指令后再执行对应的编译后程序,或者该计算机读取并执行该指令,或者该计算机读取并安装该指令后再执行对应的安装后程序。在此,计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如,光纤、同轴等))和能传播能量波的无线(未有导的传输)介质,诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
作为示例而非限制,计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如,计算机可读存储介质包括,但不限于,易失性存储器,诸如随机存储器(RAM,DRAM,SRAM);以及非易失性存储器,诸如闪存、各种只读存储器(ROM,PROM,EPROM,EEPROM)、磁性和铁磁/铁电存储器(MRAM,FeRAM);以及磁性和光学存储设备(硬盘、磁带、CD、DVD);或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。
在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (28)
1.一种用于压板识别的方法,其中,该方法包括:
建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;
获取关于待识别压板的待识别图像信息;
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;
根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
呈现所述压板开关状态信息。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
基于所述压板开关状态信息,结合预设的安全状态信息,进行压板安全校验。
4.根据权利要求3所述的方法,其中,所述方法还包括:
若所述压板安全校验的结果包括所述压板开关状态信息异常,执行以下至少任一项操作:
提示出现异常的压板开关的相关信息;
提示异常应对机制;
执行异常应对操作;
提示异常提醒信息。
5.根据权利要求2所述的方法,其中,所述压板检测模型还包括所述一个或多个压板对应的标签,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板标识信息;
其中,所述将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息,包括:
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板标识信息及压板边界信息;
其中,所述呈现所述压板开关状态信息,包括:
呈现所述压板标识信息及所述压板开关状态信息。
6.根据权利要求1所述的方法,其中,所述方法还包括:
存储所述压板开关状态信息。
7.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述待识别压板的压板边界信息确定所述待识别压板的布局参考信息。
8.根据权利要求1或7所述的方法,其中,所述根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息,包括:
根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的一个或多个压板开关区域;
对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
9.根据权利要求8所述的方法,其中,所述对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息,包括:
基于预先训练好的压板开关状态识别模型,对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
10.一种用于压板识别的方法,其中,该方法包括:
建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关区域的训练图像信息;
获取关于待识别压板的待识别图像信息;
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的一个或多个压板开关区域;
对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
11.一种用于压板识别的方法,其中,该方法包括:
建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关状态的训练图像信息;
获取关于待识别压板的待识别图像信息;
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板的压板开关状态信息。
12.根据权利要求11所述的方法,其中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的一个或多个压板开关区域。
13.根据权利要求11所述的方法,其中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板边界信息及对应压板的布局参考信息。
14.一种用于压板识别的设备,其中,该设备包括:
一一模块,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板边界信息的训练图像信息;
一二模块,用于获取关于待识别压板的待识别图像信息;
一三模块,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板边界信息;
一四模块,用于根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的压板开关状态信息。
15.根据权利要求14所述的设备,其中,所述设备还包括:
一五模块,用于呈现所述压板开关状态信息。
16.根据权利要求15所述的设备,其中,所述设备还包括:
一六模块,用于基于所述压板开关状态信息,结合预设的安全状态信息,进行压板安全校验。
17.根据权利要求16所述的设备,其中,所述设备还包括:
一七模块,若所述压板安全校验的结果包括所述压板开关状态信息异常,用于执行以下至少任一项操作:
提示出现异常的压板开关的相关信息;
提示异常应对机制;
执行异常应对操作;
提示异常提醒信息。
18.根据权利要求15所述的设备,其中,所述压板检测模型还包括所述一个或多个压板对应的标签,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板标识信息;
其中,所述一三模块用于:
将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的压板标识信息及压板边界信息;
其中,所述一五模块用于:
呈现所述压板标识信息及所述压板开关状态信息。
19.根据权利要求14所述的设备,其中,所述设备还包括:
一八模块,用于存储所述压板开关状态信息。
20.根据权利要求14所述的设备,其中,所述设备还包括:
一九模块,用于根据所述待识别压板的压板边界信息确定所述待识别压板的布局参考信息。
21.根据权利要求14或20所述的设备,其中,所述一四模块包括:
一四一单元,用于根据所述压板边界信息,结合所述待识别压板的布局参考信息,确定所述待识别压板的一个或多个压板开关区域;
一四二单元,用于对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
22.根据权利要求20所述的设备,其中,所述一四二单元用于:
基于预先训练好的压板开关状态识别模型,对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
23.一种用于压板识别的设备,其中,该设备包括:
二一模块,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关区域的训练图像信息;
二二模块,用于获取关于待识别压板的待识别图像信息;
二三模块,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板对应的一个或多个压板开关区域;
二四模块,用于对所述一个或多个压板开关区域进行信息识别,确定所述待识别压板的压板开关状态信息。
24.一种用于压板识别的设备,其中,该设备包括:
三一模块,用于建立或更新关于一个或多个压板的压板检测模型,其中,所述压板检测模型由所述一个或多个压板对应的训练集经训练得到,每个训练集包括对应压板的压板开关状态的训练图像信息;
三二模块,用于获取关于待识别压板的待识别图像信息;
三三模块,用于将所述待识别图像信息输入所述压板检测模型,确定所述待识别压板的压板开关状态信息。
25.根据权利要求24所述的设备,其中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的一个或多个压板开关区域。
26.根据权利要求24所述的设备,其中,所述压板检测模型还包括所述一个或多个压板对应的标签,其中,所述压板检测模型由所述训练集和所述标签训练得到,其中,每个标签包括对应压板的压板边界信息及对应压板的布局参考信息。
27.一种用于压板识别的设备,其中,该设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1至13中任一项所述方法的操作。
28.一种存储指令的计算机可读介质,所述指令在被执行时使得系统进行如权利要求1至13中任一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093940.2A CN109740696B (zh) | 2019-01-30 | 2019-01-30 | 一种用于压板识别的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093940.2A CN109740696B (zh) | 2019-01-30 | 2019-01-30 | 一种用于压板识别的方法与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740696A true CN109740696A (zh) | 2019-05-10 |
CN109740696B CN109740696B (zh) | 2021-09-24 |
Family
ID=66366865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910093940.2A Active CN109740696B (zh) | 2019-01-30 | 2019-01-30 | 一种用于压板识别的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740696B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
CN110854806A (zh) * | 2019-10-11 | 2020-02-28 | 中国神华能源股份有限公司国华电力分公司 | 一种保护压板监测方法、装置、电子设备及存储介质 |
CN111191721A (zh) * | 2019-12-30 | 2020-05-22 | 国网浙江省电力有限公司宁波供电公司 | 基于ai技术的保护压板状态识别方法 |
CN111259843A (zh) * | 2020-01-21 | 2020-06-09 | 敬科(深圳)机器人科技有限公司 | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 |
CN111754496A (zh) * | 2020-06-29 | 2020-10-09 | 国网陕西省电力公司延安供电公司 | 一种继电保护回路保护压板状态监测系统及监测方法 |
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 |
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 |
CN113255827A (zh) * | 2021-06-17 | 2021-08-13 | 广东电网有限责任公司中山供电局 | 基于YOLO Nano算法的继保压板状态识别系统及方法 |
CN113989490A (zh) * | 2021-10-26 | 2022-01-28 | 南京国电南思科技发展股份有限公司 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102255392A (zh) * | 2011-07-30 | 2011-11-23 | 山东电力研究院 | 一种基于移动机器人的全自动变电站倒闸操作顺序控制方法 |
US8229185B2 (en) * | 2004-06-01 | 2012-07-24 | Lumidigm, Inc. | Hygienic biometric sensors |
CN103280173A (zh) * | 2012-09-28 | 2013-09-04 | 武汉天马微电子有限公司 | 液晶显示面板的检测装置及其检测方法 |
CN105226816A (zh) * | 2015-09-23 | 2016-01-06 | 国家电网公司 | 压板状态监视及防误管理系统 |
US20170034386A1 (en) * | 2015-07-30 | 2017-02-02 | Riso Kagaku Corporation | Image scanning apparatus |
CN107563396A (zh) * | 2017-08-10 | 2018-01-09 | 南京大学 | 一种电力巡检中保护屏智能识别系统的构建方法 |
CN107729839A (zh) * | 2017-10-12 | 2018-02-23 | 广东电网有限责任公司电力科学研究院 | 一种保护压板的拔插式开关的投退状态的识别方法及装置 |
CN108010026A (zh) * | 2017-12-26 | 2018-05-08 | 深圳供电局有限公司 | 一种保护压板状态识别方法和装置 |
CN108549020A (zh) * | 2018-06-07 | 2018-09-18 | 安徽炬视科技有限公司 | 一种压板开关状态智能检测识别装置系统及调控方法 |
CN108573256A (zh) * | 2017-03-14 | 2018-09-25 | 山东鲁能智能技术有限公司 | 一种变电站压板设备状态识别方法及装置 |
CN108960015A (zh) * | 2017-05-24 | 2018-12-07 | 优信拍(北京)信息科技有限公司 | 一种基于深度学习的车系自动识别方法及装置 |
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 |
CN109191419A (zh) * | 2018-06-25 | 2019-01-11 | 国网山东省电力公司检修公司 | 基于机器学习的实时压板检测及状态识别系统及方法 |
-
2019
- 2019-01-30 CN CN201910093940.2A patent/CN109740696B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8229185B2 (en) * | 2004-06-01 | 2012-07-24 | Lumidigm, Inc. | Hygienic biometric sensors |
CN102255392A (zh) * | 2011-07-30 | 2011-11-23 | 山东电力研究院 | 一种基于移动机器人的全自动变电站倒闸操作顺序控制方法 |
CN103280173A (zh) * | 2012-09-28 | 2013-09-04 | 武汉天马微电子有限公司 | 液晶显示面板的检测装置及其检测方法 |
US20170034386A1 (en) * | 2015-07-30 | 2017-02-02 | Riso Kagaku Corporation | Image scanning apparatus |
CN105226816A (zh) * | 2015-09-23 | 2016-01-06 | 国家电网公司 | 压板状态监视及防误管理系统 |
CN108573256A (zh) * | 2017-03-14 | 2018-09-25 | 山东鲁能智能技术有限公司 | 一种变电站压板设备状态识别方法及装置 |
CN108960015A (zh) * | 2017-05-24 | 2018-12-07 | 优信拍(北京)信息科技有限公司 | 一种基于深度学习的车系自动识别方法及装置 |
CN107563396A (zh) * | 2017-08-10 | 2018-01-09 | 南京大学 | 一种电力巡检中保护屏智能识别系统的构建方法 |
CN107729839A (zh) * | 2017-10-12 | 2018-02-23 | 广东电网有限责任公司电力科学研究院 | 一种保护压板的拔插式开关的投退状态的识别方法及装置 |
CN108010026A (zh) * | 2017-12-26 | 2018-05-08 | 深圳供电局有限公司 | 一种保护压板状态识别方法和装置 |
CN108549020A (zh) * | 2018-06-07 | 2018-09-18 | 安徽炬视科技有限公司 | 一种压板开关状态智能检测识别装置系统及调控方法 |
CN109191419A (zh) * | 2018-06-25 | 2019-01-11 | 国网山东省电力公司检修公司 | 基于机器学习的实时压板检测及状态识别系统及方法 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110705395A (zh) * | 2019-09-18 | 2020-01-17 | 北京邮电大学 | 一种基于树莓派的检测系统 |
CN110854806A (zh) * | 2019-10-11 | 2020-02-28 | 中国神华能源股份有限公司国华电力分公司 | 一种保护压板监测方法、装置、电子设备及存储介质 |
CN111191721A (zh) * | 2019-12-30 | 2020-05-22 | 国网浙江省电力有限公司宁波供电公司 | 基于ai技术的保护压板状态识别方法 |
CN111259843A (zh) * | 2020-01-21 | 2020-06-09 | 敬科(深圳)机器人科技有限公司 | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 |
CN111754496A (zh) * | 2020-06-29 | 2020-10-09 | 国网陕西省电力公司延安供电公司 | 一种继电保护回路保护压板状态监测系统及监测方法 |
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 |
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 |
CN113255827A (zh) * | 2021-06-17 | 2021-08-13 | 广东电网有限责任公司中山供电局 | 基于YOLO Nano算法的继保压板状态识别系统及方法 |
CN113989490A (zh) * | 2021-10-26 | 2022-01-28 | 南京国电南思科技发展股份有限公司 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109740696B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740696A (zh) | 一种用于压板识别的方法与设备 | |
US11631203B2 (en) | Augmented reality system with color-based fiducial marker utilizing local adaptive technology | |
CN108304075B (zh) | 一种在增强现实设备进行人机交互的方法与设备 | |
CN107909065A (zh) | 用于检测人脸遮挡的方法及装置 | |
WO2021213067A1 (zh) | 物品显示方法、装置、设备及存储介质 | |
CN109800153A (zh) | 移动应用测试方法与装置、电子设备、存储介质 | |
CN206162736U (zh) | 一种基于人脸识别的门禁系统 | |
CN108229367A (zh) | 一种人脸识别方法及装置 | |
CN109977718A (zh) | 一种用于识别二维码的方法与设备 | |
CN108460324A (zh) | 一种用于识别幼儿情绪的方法 | |
CN107679457A (zh) | 用户身份校验方法及装置 | |
CN113689574A (zh) | 数字孪生处理方法、装置和机器可读介质 | |
CN109656363A (zh) | 一种用于设置增强交互内容的方法与设备 | |
CN109376628A (zh) | 一种图像质量检测方法、装置和存储介质 | |
CN110264523A (zh) | 一种确定测试图像中的目标图像的位置信息的方法与设备 | |
CN109582147A (zh) | 一种用于呈现增强交互内容的方法以及用户设备 | |
CN104715170B (zh) | 一种操作权限的确定方法和用户终端 | |
CN110020643A (zh) | 一种压板识别方法与设备 | |
CN109726481B (zh) | 一种机器人搭建的辅助方法、装置及终端设备 | |
CN107643948A (zh) | 应用程序管控方法、装置、介质及电子设备 | |
CN110533643A (zh) | 证件鉴定方法及装置 | |
CN108984234A (zh) | 一种移动终端与摄像装置的调用提示方法 | |
CN111340848A (zh) | 对目标区域的对象跟踪方法、系统、设备及介质 | |
CN109656364A (zh) | 一种用于在用户设备上呈现增强现实内容的方法与设备 | |
CN109145812A (zh) | 违建监测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 201210 7th Floor, No. 1, Lane 5005, Shenjiang Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: HISCENE INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room 501 / 503-505, 570 shengxia Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 201203 Patentee before: HISCENE INFORMATION TECHNOLOGY Co.,Ltd. |
|
CP02 | Change in the address of a patent holder | ||
OL01 | Intention to license declared |