CN112069902A - 一种变电站屏柜压板识别方法及系统 - Google Patents
一种变电站屏柜压板识别方法及系统 Download PDFInfo
- Publication number
- CN112069902A CN112069902A CN202010785740.6A CN202010785740A CN112069902A CN 112069902 A CN112069902 A CN 112069902A CN 202010785740 A CN202010785740 A CN 202010785740A CN 112069902 A CN112069902 A CN 112069902A
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- image
- screen cabinet
- inspection image
- transformer 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007689 inspection Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站屏柜压板识别方法及系统,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,其中方法包括以下步骤:依据采集到的巡检图像进行图像预处理、样本标注及扩充;利用巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型;进行变电站屏柜压板状态识别处理。通过对巡检图像进行处理,并将处理后的图像进行深度学习模型训练,提高了电网巡检图像智能化识别水平,提高了巡检图像的处理效率,提升了变电站压板投退状态核对的效率,提升了变电站安全运行的稳定性。
Description
技术领域
本发明涉及变电站控制技术领域,特别涉及一种变电站屏柜压板识别方法及系统。
背景技术
目前电网运行维护主要存在电网规模增长与运检人员配置不足、影响电网安全的风险因素将长期存在、传统运维模式难以适应电网快速发展要求等问题。传统运维模式以大量人力投入为主,通过人工方式获取设备相关信息,难以有效提升运维作业效率。此外,通过巡检机器人、无人机、高清摄像头等先进巡检手段获取的数据利用率并不高,亟需融合人工智能技术实现电网巡检图像智能化识别。
变电站压板投退状态反映着二次设备的运行状态,关系到整个电力系统的安全稳定,目前常用的压板投退状态核对方法仍为现场人工方式。基于图像识别的压板投退状态识别的研究,多集中在传统图像处理技术的运用,如基于颜色模板匹配、基于聚类分析、基于图像HSV模型、图像形态学操作等,算法针对性强,无法进行迁移推广。
发明内容
本发明实施例的目的是提供一种变电站屏柜压板识别方法及系统,通过对巡检图像进行处理,并将处理后的图像进行深度学习模型训练,提高了电网巡检图像智能化识别水平,提高了巡检图像的处理效率,提升了变电站压板投退状态核对的效率,提升了变电站安全运行的稳定性。
为解决上述技术问题,本发明实施例的第一方面提供了一种变电站屏柜压板识别方法,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,包括以下步骤:
依据采集到的巡检图像进行图像预处理、样本标注及扩充;
利用所述巡检图像的样本集进行深度学习模型训练,得到所述变电站屏柜压板状态目标检测模型;
进行所述变电站屏柜压板状态识别处理。
进一步地,所述依据采集到的巡检图像进行图像预处理、样本标注及扩充,包括:
获取包含有屏柜压板的历史变电站巡检图像,并对所述巡检图像进行预处理,其中,所述图像预处理包括:gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换;
对所述历史变电站巡检图像中的压板进行样本标注;
通过图像旋转翻转裁剪缩放进行样本扩充。
进一步地,所述利用所述巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型,包括:
利用标注过压板的历史变电站巡检图像,对构造的深度学习卷积神经网络进行训练,得到所述变电站屏柜压板状态模板目标检测模型。
进一步地,所述进行变电站屏柜压板状态识别处理,包括:
获取所述变电站屏柜压板巡检图像,并获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息;
根据所述二维码定位点信息对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间先验的几何位置关系,提取所述巡检图像中所述屏柜压板所在的区域;
根据所述二维码识别获取的所述屏柜压板信息,对所述屏柜压板区域进行图像分割获得单个所述屏柜压板图像,输入预先训练好的深度神经网络,完成单个所述屏柜压板状态识别,输出所述屏柜压板状态矩阵。
进一步地,所述获取变电站屏柜压板巡检图像,同时获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息,包括:
在待识别所述屏柜压板粘贴若干个二维码;
所述二维码所在平面与所述屏柜压板水平面保持平行;
所述二维码存储有相对应的所述屏柜压板信息,包括点位信息、压板行列数、压板名称。
进一步地,所述根据所述二维码定位点信息对屏柜压板图像进行倾斜校正,利用所述二维码与屏柜压板之间先验的几何位置关系,提取所述巡检图像中所述屏柜压板所在的区域,包括:
利用二维码识别算法获取所述二维码4个角点坐标,根据所述二维码的外接矩形对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间的相对位置关系,对校正后的所述巡检图像进行裁剪,获取所述巡检图像中所述屏柜压板所在的区域。
相应地,本发明实施例的第二方面提供了一种变电站屏柜压板识别系统,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,包括:
图像处理模块,其用于依据采集到的巡检图像进行图像预处理、样本标注及扩充;
模型训练模块,其用于利用所述巡检图像的样本集进行深度学习模型训练,得到所述变电站屏柜压板状态目标检测模型;
识别处理模块,其用于进行所述变电站屏柜压板状态识别处理。
进一步地,所述图像预处理模块包括:
预处理单元,其用于获取包含有屏柜压板的历史变电站巡检图像,并对所述巡检图像进行预处理,其中,所述图像预处理包括:gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换;
样本标注单元,其用于对所述历史变电站巡检图像中的压板进行样本标注;
样本扩充单元,其用于通过图像旋转翻转裁剪缩放进行样本扩充。
进一步地,所述模块训练模块利用标注过压板的历史变电站巡检图像,对构造的深度学习卷积神经网络进行训练,得到所述变电站屏柜压板状态模板目标检测模型。
进一步地,所述识别处理模块包括:
二维码获取单元,其用于获取所述变电站屏柜压板巡检图像,并获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息;
区域提取单元,其用于根据所述二维码定位点信息对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间先验的几何位置关系,提取所述巡检图像中所述屏柜压板所在的区域;
图像处理单元,其用于根据所述二维码识别获取的所述屏柜压板信息,对所述屏柜压板区域进行图像分割获得单个所述屏柜压板图像,输入预先训练好的深度神经网络,完成单个所述屏柜压板状态识别,输出所述屏柜压板状态矩阵。
进一步地,所述二维码粘贴在待识别所述屏柜压板,且所述二维码所在平面与所述屏柜压板水平面保持平行;
所述二维码存储有相对应的所述屏柜压板信息,包括点位信息、压板行列数、压板名称。
进一步地,所述区域提取单元利用二维码识别算法获取所述二维码4个角点坐标,根据所述二维码的外接矩形对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间的相对位置关系,对校正后的所述巡检图像进行裁剪,获取所述巡检图像中所述屏柜压板所在的区域。
本发明实施例的上述技术方案具有如下有益的技术效果:
通过对巡检图像进行处理,并将处理后的图像进行深度学习模型训练,提高了电网巡检图像智能化识别水平,提高了巡检图像的处理效率,提升了变电站压板投退状态核对的效率,提升了变电站安全运行的稳定性。
附图说明
图1是本发明实施例提供的变电站屏柜压板识别方法流程图;
图2是本发明实施例提供的变电站屏柜压板识别方法逻辑示意图;
图3是本发明实施例提供的变电站屏柜压板识别系统的模块图;
图4是本发明实施例提供的图像处理模块框图;
图5是本发明实施例提供的识别处理模块框图。
附图标记:
1、图像处理模块,11、预处理单元,12、样本标注单元,13、样本扩充单元,2、模型训练模块,3、识别处理模块,31、二维码获取单元,32、区域提取单元,33、图像处理单元。
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了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
图1是本发明实施例提供的变电站屏柜压板识别方法流程图。
图2是本发明实施例提供的变电站屏柜压板识别方法逻辑示意图。
请参照图1和图2,本发明实施例的第一方面提供了一种变电站屏柜压板识别方法,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,包括以下步骤:
S100,依据采集到的巡检图像进行图像预处理、样本标注及扩充。
S200,利用巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型。
S300,进行变电站屏柜压板状态识别处理。
具体的,步骤S100中依据采集到的巡检图像进行图像预处理、样本标注及扩充,包括:
S110,获取包含有屏柜压板的历史变电站巡检图像,并对巡检图像进行预处理,其中,图像预处理包括:gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换;
S120,对历史变电站巡检图像中的压板进行样本标注;
S130,通过巡检图像旋转翻转裁剪缩放进行样本扩充。
具体的,步骤S200中利用巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型,包括:
利用标注过压板的历史变电站巡检图像,对构造的深度学习卷积神经网络进行训练,得到变电站屏柜压板状态模板目标检测模型。
具体的,步骤S300中进行变电站屏柜压板状态识别处理,包括:
S310,获取变电站屏柜压板巡检图像,并获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息。
S320,根据二维码定位点信息对巡检图像进行倾斜校正,利用二维码与屏柜压板之间先验的几何位置关系,提取巡检图像中屏柜压板所在的区域。
S330,根据二维码识别获取的屏柜压板信息,对屏柜压板区域进行图像分割获得单个屏柜压板图像,输入预先训练好的深度神经网络,完成单个屏柜压板状态识别,输出屏柜压板状态矩阵。
进一步地,步骤S310中获取变电站屏柜压板巡检图像且获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息,包括:
S311,在待识别屏柜压板粘贴若干个二维码。
S312,二维码所在平面与屏柜压板水平面保持平行。
S313,二维码存储有相对应的屏柜压板信息,包括点位信息、压板行列数、压板名称。
步骤S330中,根据二维码定位点信息对屏柜压板图像进行倾斜校正,利用二维码与屏柜压板之间先验的几何位置关系,提取巡检图像中屏柜压板所在的区域,具体包括:
利用二维码识别算法获取二维码4个角点坐标,根据二维码的外接矩形对巡检图像进行倾斜校正,利用二维码与屏柜压板之间的相对位置关系,对校正后的巡检图像进行裁剪,获取巡检图像中屏柜压板所在的区域。
图3是本发明实施例提供的变电站屏柜压板识别系统的模块图。
相应地,请参照图3,本发明实施例的第二方面提供了一种变电站屏柜压板识别系统,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,包括:图像处理模块、模型训练模块和识别处理模块。其中,图像处理模块用于依据采集到的巡检图像进行图像预处理、样本标注及扩充;模型训练模块用于利用巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型;识别处理模块用于进行变电站屏柜压板状态识别处理。
图4是本发明实施例提供的图像处理模块框图。
具体的,请参照图4,图像处理模块包括:预处理单元、样本标注单元和样本扩充单元。其中,预处理单元用于获取包含有屏柜压板的历史变电站巡检图像,并对巡检图像进行预处理,图像预处理包括:gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换;样本标注单元用于对历史变电站巡检图像中的压板进行样本标注;样本扩充单元用于通过图像旋转翻转裁剪缩放进行样本扩充。
进一步地,模块训练模块利用标注过压板的历史变电站巡检图像,对构造的深度学习卷积神经网络进行训练,得到变电站屏柜压板状态模板目标检测模型。
图5是本发明实施例提供的识别处理模块框图。
具体的,请参照图5,识别处理模块包括:二维码获取单元、区域提取单元和图像处理单元。二维码获取单元用于获取变电站屏柜压板巡检图像,并获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息;区域提取单元用于根据二维码定位点信息对巡检图像进行倾斜校正,利用二维码与屏柜压板之间先验的几何位置关系,提取巡检图像中屏柜压板所在的区域;图像处理单元用于根据二维码识别获取的屏柜压板信息,对屏柜压板区域进行图像分割获得单个屏柜压板图像,输入预先训练好的深度神经网络,完成单个屏柜压板状态识别,输出屏柜压板状态矩阵。
具体的,二维码粘贴在待识别屏柜压板,且二维码所在平面与屏柜压板水平面保持平行;二维码存储有相对应的屏柜压板信息,包括点位信息、压板行列数、压板名称。
进一步地,区域提取单元利用二维码识别算法获取二维码4个角点坐标,根据二维码的外接矩形对巡检图像进行倾斜校正,利用二维码与屏柜压板之间的相对位置关系,对校正后的巡检图像进行裁剪,获取巡检图像中屏柜压板所在的区域。
本发明实施例旨在保护一种变电站屏柜压板识别方法及系统,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,其中方法包括以下步骤:依据采集到的巡检图像进行图像预处理、样本标注及扩充;利用巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型;进行变电站屏柜压板状态识别处理。上述技术方案具备如下效果:
通过对巡检图像进行处理,并将处理后的图像进行深度学习模型训练,提高了电网巡检图像智能化识别水平,提高了巡检图像的处理效率,提升了变电站压板投退状态核对的效率,提升了变电站安全运行的稳定性。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (12)
1.一种变电站屏柜压板识别方法,其特征在于,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,包括以下步骤:
依据采集到的巡检图像进行图像预处理、样本标注及扩充;
利用所述巡检图像的样本集进行深度学习模型训练,得到所述变电站屏柜压板状态目标检测模型;
进行所述变电站屏柜压板状态识别处理。
2.根据权利要求1所述的变电站屏柜压板识别方法,其特征在于,所述依据采集到的巡检图像进行图像预处理、样本标注及扩充,包括:
获取包含有屏柜压板的历史变电站巡检图像,并对所述巡检图像进行预处理,其中,所述图像预处理包括:gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换;
对所述历史变电站巡检图像中的压板进行样本标注;
通过图像旋转翻转裁剪缩放进行样本扩充。
3.根据权利要求1所述的变电站屏柜压板识别方法,其特征在于,所述利用所述巡检图像的样本集进行深度学习模型训练,得到变电站屏柜压板状态目标检测模型,包括:
利用标注过压板的历史变电站巡检图像,对构造的深度学习卷积神经网络进行训练,得到所述变电站屏柜压板状态模板目标检测模型。
4.根据权利要求1所述的变电站屏柜压板识别方法,其特征在于,所述进行变电站屏柜压板状态识别处理,包括:
获取所述变电站屏柜压板巡检图像,并获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息;
根据所述二维码定位点信息对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间先验的几何位置关系,提取所述巡检图像中所述屏柜压板所在的区域;
根据所述二维码识别获取的所述屏柜压板信息,对所述屏柜压板区域进行图像分割获得单个所述屏柜压板图像,输入预先训练好的深度神经网络,完成单个所述屏柜压板状态识别,输出所述屏柜压板状态矩阵。
5.根据权利要求4所述的变电站屏柜压板识别方法,其特征在于,所述获取变电站屏柜压板巡检图像,同时获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息,包括:
在待识别所述屏柜压板粘贴若干个二维码;
所述二维码所在平面与所述屏柜压板水平面保持平行;
所述二维码存储有相对应的所述屏柜压板信息,包括点位信息、压板行列数、压板名称。
6.根据权利要求4所述的变电站屏柜压板识别方法,其特征在于,所述根据所述二维码定位点信息对屏柜压板图像进行倾斜校正,利用所述二维码与屏柜压板之间先验的几何位置关系,提取所述巡检图像中所述屏柜压板所在的区域,包括:
利用二维码识别算法获取所述二维码4个角点坐标,根据所述二维码的外接矩形对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间的相对位置关系,对校正后的所述巡检图像进行裁剪,获取所述巡检图像中所述屏柜压板所在的区域。
7.一种变电站屏柜压板识别系统,其特征在于,通过深度学习模型训练实现变电站屏柜压板状态的智能识别,包括:
图像处理模块,其用于依据采集到的巡检图像进行图像预处理、样本标注及扩充;
模型训练模块,其用于利用所述巡检图像的样本集进行深度学习模型训练,得到所述变电站屏柜压板状态目标检测模型;
识别处理模块,其用于进行所述变电站屏柜压板状态识别处理。
8.根据权利要求7所述的变电站屏柜压板识别系统,其特征在于,所述图像处理模块包括:
预处理单元,其用于获取包含有屏柜压板的历史变电站巡检图像,并对所述巡检图像进行预处理,其中,所述图像预处理包括:gauss滤波器去除噪声、彩色图像直方图均衡化和对数变换;
样本标注单元,其用于对所述历史变电站巡检图像中的压板进行样本标注;
样本扩充单元,其用于通过图像旋转翻转裁剪缩放进行样本扩充。
9.根据权利要求7所述的变电站屏柜压板识别系统,其特征在于,
所述模块训练模块利用标注过压板的历史变电站巡检图像,对构造的深度学习卷积神经网络进行训练,得到所述变电站屏柜压板状态模板目标检测模型。
10.根据权利要求7所述的变电站屏柜压板识别系统,其特征在于,所述识别处理模块包括:
二维码获取单元,其用于获取所述变电站屏柜压板巡检图像,并获取二维码定位点信息以及二维码相连接的数据库中存储的屏柜压板信息;
区域提取单元,其用于根据所述二维码定位点信息对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间先验的几何位置关系,提取所述巡检图像中所述屏柜压板所在的区域;
图像处理单元,其用于根据所述二维码识别获取的所述屏柜压板信息,对所述屏柜压板区域进行图像分割获得单个所述屏柜压板图像,输入预先训练好的深度神经网络,完成单个所述屏柜压板状态识别,输出所述屏柜压板状态矩阵。
11.根据权利要求10所述的变电站屏柜压板识别系统,其特征在于,
所述二维码粘贴在待识别所述屏柜压板,且所述二维码所在平面与所述屏柜压板水平面保持平行;
所述二维码存储有相对应的所述屏柜压板信息,包括点位信息、压板行列数、压板名称。
12.根据权利要求10所述的变电站屏柜压板识别系统,其特征在于,
所述区域提取单元利用二维码识别算法获取所述二维码4个角点坐标,根据所述二维码的外接矩形对所述巡检图像进行倾斜校正,利用所述二维码与所述屏柜压板之间的相对位置关系,对校正后的所述巡检图像进行裁剪,获取所述巡检图像中所述屏柜压板所在的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785740.6A CN112069902A (zh) | 2020-08-06 | 2020-08-06 | 一种变电站屏柜压板识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785740.6A CN112069902A (zh) | 2020-08-06 | 2020-08-06 | 一种变电站屏柜压板识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069902A true CN112069902A (zh) | 2020-12-11 |
Family
ID=73660820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010785740.6A Pending CN112069902A (zh) | 2020-08-06 | 2020-08-06 | 一种变电站屏柜压板识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069902A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564291A (zh) * | 2020-12-14 | 2021-03-26 | 国网陕西省电力公司汉中供电公司 | 一种电力设备压板状态监测系统及监测方法 |
CN112975975A (zh) * | 2021-03-02 | 2021-06-18 | 路邦康建有限公司 | 一种机器人的控制界面校正方法及其医院临床辅助机器人 |
CN113159097A (zh) * | 2021-02-05 | 2021-07-23 | 广东驰行电力设备有限公司 | 一种无网络条件下压板开关状态自动识别系统的实现方法 |
CN113221687A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种压板状态识别模型的训练方法及压板状态识别方法 |
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 |
CN113794277A (zh) * | 2021-08-25 | 2021-12-14 | 国网福建省电力有限公司 | 一种压板状态图像识别方法和系统 |
CN113838049A (zh) * | 2021-10-13 | 2021-12-24 | 国网湖南省电力有限公司 | 一种适用于便携设备的变电站硬压板智能校核方法 |
CN113888402A (zh) * | 2021-11-02 | 2022-01-04 | 国网辽宁省电力有限公司抚顺供电公司 | 用于继电保护屏柜图像压板目标检测结果的行列转换方法 |
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 |
CN114422689A (zh) * | 2021-12-03 | 2022-04-29 | 国网山西省电力公司超高压变电分公司 | 一种基于边缘智能的硬压板状态识别装置和方法 |
CN115082768A (zh) * | 2022-06-09 | 2022-09-20 | 齐丰科技股份有限公司 | 一种基于相机的变电站压板状态识别的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107808162A (zh) * | 2017-09-27 | 2018-03-16 | 广东电网有限责任公司江门供电局 | 一种变电站保护压板状态比对方法及装置 |
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 |
CN108960236A (zh) * | 2018-06-27 | 2018-12-07 | 浙江理工大学 | 基于二维码匹配与图像识别的指针式仪表识别方法 |
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 |
CN110020643A (zh) * | 2018-01-10 | 2019-07-16 | 亮风台(上海)信息科技有限公司 | 一种压板识别方法与设备 |
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 |
-
2020
- 2020-08-06 CN CN202010785740.6A patent/CN112069902A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107808162A (zh) * | 2017-09-27 | 2018-03-16 | 广东电网有限责任公司江门供电局 | 一种变电站保护压板状态比对方法及装置 |
CN110020643A (zh) * | 2018-01-10 | 2019-07-16 | 亮风台(上海)信息科技有限公司 | 一种压板识别方法与设备 |
CN108960236A (zh) * | 2018-06-27 | 2018-12-07 | 浙江理工大学 | 基于二维码匹配与图像识别的指针式仪表识别方法 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
杨慧媛: "基于二维码匹配的指针式仪表读数识别方法", 《计算机系统应用》 * |
藤田一弥: "《当代地质科学走向》" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564291A (zh) * | 2020-12-14 | 2021-03-26 | 国网陕西省电力公司汉中供电公司 | 一种电力设备压板状态监测系统及监测方法 |
CN113159097A (zh) * | 2021-02-05 | 2021-07-23 | 广东驰行电力设备有限公司 | 一种无网络条件下压板开关状态自动识别系统的实现方法 |
CN112975975A (zh) * | 2021-03-02 | 2021-06-18 | 路邦康建有限公司 | 一种机器人的控制界面校正方法及其医院临床辅助机器人 |
CN113221687A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种压板状态识别模型的训练方法及压板状态识别方法 |
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 |
CN113794277A (zh) * | 2021-08-25 | 2021-12-14 | 国网福建省电力有限公司 | 一种压板状态图像识别方法和系统 |
CN113838049A (zh) * | 2021-10-13 | 2021-12-24 | 国网湖南省电力有限公司 | 一种适用于便携设备的变电站硬压板智能校核方法 |
CN113838049B (zh) * | 2021-10-13 | 2023-10-31 | 国网湖南省电力有限公司 | 一种适用于便携设备的变电站硬压板智能校核方法 |
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 |
CN113888402A (zh) * | 2021-11-02 | 2022-01-04 | 国网辽宁省电力有限公司抚顺供电公司 | 用于继电保护屏柜图像压板目标检测结果的行列转换方法 |
CN114422689A (zh) * | 2021-12-03 | 2022-04-29 | 国网山西省电力公司超高压变电分公司 | 一种基于边缘智能的硬压板状态识别装置和方法 |
CN115082768A (zh) * | 2022-06-09 | 2022-09-20 | 齐丰科技股份有限公司 | 一种基于相机的变电站压板状态识别的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069902A (zh) | 一种变电站屏柜压板识别方法及系统 | |
CN110070033B (zh) | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN109214280B (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN105262991B (zh) | 一种基于二维码的变电站设备对象识别方法 | |
CN111242938B (zh) | 压板状态自动核对方法 | |
CN103093201B (zh) | 车标定位识别方法及系统 | |
CN109344820B (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN107330397A (zh) | 一种基于大间隔相对距离度量学习的行人重识别方法 | |
CN102842034A (zh) | 一种激光扫描与自动识别雕刻字符的装置及识别方法 | |
CN112183313A (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN111260788A (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN112149513A (zh) | 基于深度学习的工业制造现场安全帽佩戴识别系统和方法 | |
CN110852315A (zh) | 环形文字快速识别方法及装置 | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及系统 | |
CN110288623A (zh) | 无人机海上网箱养殖巡检图像的数据压缩方法 | |
CN110569848A (zh) | 一种电力设备铭牌的特征提取方法及系统 | |
WO2022121021A1 (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN107832696B (zh) | 一种电力作业现场物体安全特征识别系统 | |
CN101571953A (zh) | 一种目标检测方法、系统及立体视觉系统 | |
CN103824058A (zh) | 基于局部分布式线性嵌套算法的人脸识别系统及方法 | |
CN104794445A (zh) | 一种基于arm平台的动态人脸虹膜采集方法 | |
CN111507287B (zh) | 一种航空影像中道路斑马线角点提取方法及系统 |
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: 20201211 |
|
RJ01 | Rejection of invention patent application after publication |