CN112115807A - 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 - Google Patents
一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 Download PDFInfo
- Publication number
- CN112115807A CN112115807A CN202010885088.5A CN202010885088A CN112115807A CN 112115807 A CN112115807 A CN 112115807A CN 202010885088 A CN202010885088 A CN 202010885088A CN 112115807 A CN112115807 A CN 112115807A
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- picture
- model
- pictures
- function
- 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
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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统,所述方法包括:将获取的压板图片的颜色模型从RGB转化HSV模型;利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。本发明提供的方法能够高效准确地分割出压板及识别出压板的投退状态,大大减少候选区域的数量,同时具有较强的实用性,能够应用到实际生产中。
Description
技术领域
本发明涉及图像识别领域,特别是指一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统。
背景技术
压板状态识别的本质是目标检测,即通过拍照、抽取视频有效帧等方式获取到压板图像,然后利用目标检测算法分析出图像中的压板的位置和投退状态。
近年来,随着深度学习技术的不断发展,在许多目标检测场景下,采用深度学习训练的图像识别模型无论在准确率或识别率上都已经超过了非深度学习模型。目前,基于候选区域的深度学习算法在目标检测中有着不错的表现,这种算法能够有效地处理传统的目标检测方法存在的两个主要问题。1)针对传统的目标检测算法存在的滑动窗口冗余问题,候选区域能够利用图像的特征值,预先找出图中压板可能出现的位置,并且这些候选框的大小和宽高比都不是固定的,这使得候选区域的表达更加精确,可以在使用较少窗口的情况下保持较高的召回率,大大减少了后续操作的时间复杂度;2)针对传统目标检测方法的特征参数依赖人工设计问题,深度学习能够自动地从大量图像数据中提取有效的模型。传统目标检测方法由于依赖于人工设计模型,所以设计出有效的模型需要花费大量时间,并且模型涉及的参数数量比较少,在应对实际工作中的识别场景时鲁棒性较差。深度学习技术能够充分利用大数据的优势在图像数据中自动学习到大量有效的模型参数,并快速地生成识别模型。
现有的技术方案虽然有效解决了窗口冗余问题,但在涉及压板状态识别场景的具体过程中,候选区域数量仍然远远多于实际的压板数量,以R-CNN模型为例,R-CNN在每张图片中大约需要提取2000个左右的候选区域,然而在压板识别场景下,每张图片的压板数量只有几十个,其中针对大部分候选区域的计算都是无效的。
R-CNN系列目标检测方法是当前目标检测技术领域重要的一个分支,纵观该系列方法的优化过程,主要就是体现在对于候选区域的优化。R-CNN方法需要确定大约2000个候选框,然后对每个候选框分别进行特征提取和分类;Fast R-CNN先进行一部分特征提取,再确定大约2000个候选框,然后再对候选框进行特征提取和分类;Faster R-CNN则是先进行特征提取,然后将卷积特征输入到RPN(区域候选网络),得到候选框的特征信息,再将候选框的特征信息进行分类。虽然这一系列改进使得识别的精度和速度都显著提高,但将这些技术运用到识别压板这种形状规则、排列整齐且状态简单的物体时,候选框的冗余仍然十分明显。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统,能够高效准确地分割出压板及识别出压板的投退状态,大大减少候选区域的数量,同时所提出的方法和系统具有较强的实用性,能够应用到实际生产中。
本发明采用如下技术方案:
一种基于图像识别的变电站二次设备倒闸操作防误模拟方法,包括:
将获取的压板图片的颜色模型从RGB转化HSV模型;
利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;
根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;
通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。
具体地,所述VGG模型的训练方法,包括:
获取样本图片,采集不同角度、光线条件和状态的多个电力屏柜中的压板图片,将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片;将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片;
标注样本图片,将所有样本图片进行投退状态标注;
训练VGG模型,基于标注的样本图片,使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数,最终训练出使优化函数最小的VGG模型。
具体地,所述VGG模型的训练方法,还包括:
所述VGG模型采用3*3卷积核和2*2的池化核;
所述交叉熵损失函数表示如下:
其中,x表示输入图像的特征;p(x)表示训练数据真实压板状态二元分类概率,如果为投,则为1,非投,则为;q(x)表示输入图像网络预测投退状态二元分类概率,此概率SIGMOD函数得出概率;
所述正则化计算函数表示如下:
其中,i表示第i层神经网络隐藏层;a表示正则化系数,配置神经网络超参时预先设定;wi表示第i层权重参数;
所述优化函数表示如下:
J=H(p,q)+λR(w)
其中,λ表示正则化计算函数在优化函数中所占的比重。
本发明另一方面提供一种基于图像识别的变电站二次设备倒闸操作防误模拟系统,包括:
压板图片分割模块,用于将获取的压板图片的颜色模型从RGB转化HSV模型;
利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;
根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;
压板状态识别模块,用于通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。
具体地,所述VGG模型的训练方法,包括:
获取样本图片,采集不同角度、光线条件和状态的多个电力屏柜中的压板图片,将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片;将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片;
标注样本图片,将所有样本图片进行投退状态标注;
训练VGG模型,基于标注的样本图片,使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数,最终训练出使优化函数最小的VGG模型。
具体地,所述VGG模型的训练方法,还包括:
所述VGG模型采用3*3卷积核和2*2的池化核;
所述交叉熵损失函数表示如下:
其中,x表示输入图像的特征;p(x)表示训练数据真实压板状态二元分类概率,如果为投,则为1,非投,则为;q(x)表示输入图像网络预测投退状态二元分类概率,此概率SIGMOD函数得出概率;
所述正则化计算函数表示如下:
其中,i表示第i层神经网络隐藏层;a表示正则化系数,配置神经网络超参时预先设定;wi表示第i层权重参数;
所述优化函数表示如下:
J=H(p,q)+λR(w)
其中,λ表示正则化计算函数在优化函数中所占的比重。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
1、针对压板识别实际情况,选择传统OpenCV颜色识别算法分割压板边缘,替代候选区域方法,大大减少候选区域的数量,缩短识别时间,且能够提高识别准确率;
2、采用小型VGG模型,并加以大量压板图像进行训练,训练出的模型不仅复杂度大大降低,还能够更加快速、有效地完成不同角度、不同光照条件下的识别任务。
附图说明
图1为本发明实施例中整体方法流程图;
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1,是本发明实施例方法的整体流程图,一种基于图像识别的变电站二次设备倒闸操作防误模拟方法,具体包括包括:
将获取的压板图片的颜色模型从RGB转化HSV模型;
在阴影检测算法中经常需要将RGB格式的图像转化为HSV格式,对于阴影区域而言,它的色度和饱和度相对于原图像而言变化不大,主要是亮度信息变化较大,将RGB格式转化为HSV格式,就可以得到H、S、V分量,从而得到色度、饱和度、亮度得值,便于实现准确检测。
利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;
简单来说所谓开操作和闭操作就是把腐蚀和膨胀结合起来,先腐蚀后膨胀就是开,膨胀后腐蚀就是闭;开操作,一般会平滑物体轮廓,断开较窄的狭颈(细长的白色线条),所以叫开,并消除细小的突出物;闭操作,一般也会平滑物体轮廓,但与开操作相反,弥合较窄的间断和细长的沟壑,所以叫闭,消除小的空洞,填补轮廓线的中的断裂;通过对二值图像进行开操作和闭操作,能够获取每一行压板的矩形范围及矩形四个角在图像上的坐标;
根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;
通常每一行中会有多个压板,利用每一行压板的矩形范围和相应矩形四个角在图像上的坐标和预设的每一行压板个数,计算出每一个压板的范围和相应的坐标;
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;
cvSetImageROI法是基于给定的矩形设置图像的ROI(感兴趣区域,region ofinteresting)大多数OpenCV函数都支持ROI,并将它作为一个独立图像进行处理,所有像素坐标都是从ROI的左上角或者左下角(基于图像结构)开始计算的。
通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。
具体的,使用步骤102的方法将每张图片中的所有压板单独分割出来后,原来的目标检测问题就被简化为关于压板投、退状态的图像识别问题,原来的窗口冗余问题被彻底地解决了。对于图像识别,深度学习训练的图像识别模型比起传统的图像识别算法,不仅速度快,而且准确率高,尤其在面对不同角度、不同光线条件的场景下能够有更加理想的表现。在现有的深度学习图像识别模型中,VGG模型是基于AlexNet模型进行改进的,和AlexNet模型相比,VGG模型有更深的网络层数,这使得VGG模型具有更强的表达能力,更能完成复杂的任务。在本实施例之中,VGG模型采用了更小的3*3卷积核和2*2的池化核,因此在加深了网络层数的同时,参数量和计算量却更少,同时还拥有了更高的识别精度。
所述VGG模型的训练方法,包括:
获取样本图片,采集不同角度、光线条件和状态的多个电力屏柜中的压板图片,将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片;将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片;
标注样本图片,将所有样本图片进行投退状态标注;
训练VGG模型,基于标注的样本图片,使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数,最终训练出使优化函数最小的VGG模型。
具体地,所述VGG模型的训练方法,还包括:
所述VGG模型采用3*3卷积核和2*2的池化核;
交叉熵是非常经典的一种损失函数,被广泛用于图像识别模型中,交叉熵刻画的是实际输出(概率)与期望输出(概率)的距离,也就是交叉熵的值越小,两个概率分布就越接近,即模型的效果越理想。在本实施例之中,所述交叉熵损失函数表示如下:
其中,x表示输入图像的特征;p(x)表示训练数据真实压板状态二元分类概率,如果为投,则为1,非投,则为;q(x)表示输入图像网络预测投退状态二元分类概率,此概率SIGMOD函数得出概率;
在使用交叉熵作为损失函数后,为进一步避免过拟合问题,本发明实施例引入正则化思想,在上述损失函数中加入刻画模型复杂度的指标,正则化计算函数表示如下:
所述正则化计算函数表示如下:
其中,i表示第i层神经网络隐藏层;a表示正则化系数,配置神经网络超参时预先设定;wi表示第i层权重参数;
所述优化函数表示如下:
J=H(p,q)+λR(w)
其中,λ表示正则化计算函数在优化函数中所占的比重。
在采用VGG模型来识别被单独分割出来的压板的投、退状态之前,需要对VGG模型进行训练。具体的,通过到变电站大量地采集不同角度、光线条件和状态的压板图像,将压板图像进行切割分离处理,再将单独的压板图片通过拉伸、裁剪、调色等微调操作得到更多的相似图片,最后将这些图片进行投退状态标注,并剔除其中人工检验拍摄失败的图片,即可得到一个庞大且合理的训练数据集。
在面对大量的训练数据时,GPU(图像处理器)在处理矩阵计算的高效性可以得到有效的发挥。因此,在本实施例之中,将VGG模型部署到GPU上训练可以大大提高训练速度,减少训练时间。由于Caffe框架支持多GPU并行训练,所以选择使用Caffe框架实现VGG模型,再将其部署到装有多个GeForce GTX 1080Ti显卡的主机上进行训练,最后得到训练好的VGG模型。
综上所述,在获得压板图片后,使用OpenCV分割出图片中每个单独的压板,然后将单独的压板图片使用训练好的VGG模型进行投退状态识别,即可判断出图片中每个压板的状态,并返回识别结果。
本发明实施例另一方面还提供一种基于图像识别的变电站二次设备倒闸操作防误模拟系统,包括:
压板图片分割模块,用于将获取的压板图片的颜色模型从RGB转化HSV模型;
利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;
根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;
压板状态识别模块,用于通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。
具体地,所述VGG模型的训练方法,包括:
获取样本图片,采集不同角度、光线条件和状态的多个电力屏柜中的压板图片,将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片;将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片;
标注样本图片,将所有样本图片进行投退状态标注;
训练VGG模型,基于标注的样本图片,使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数,最终训练出使优化函数最小的VGG模型。
具体地,所述VGG模型的训练方法,还包括:
所述VGG模型采用3*3卷积核和2*2的池化核;
所述交叉熵损失函数表示如下:
其中,x表示输入图像的特征;p(x)表示训练数据真实压板状态二元分类概率,如果为投,则为1,非投,则为;q(x)表示输入图像网络预测投退状态二元分类概率,此概率SIGMOD函数得出概率;
所述正则化计算函数表示如下:
其中,i表示第i层神经网络隐藏层;a表示正则化系数,配置神经网络超参时预先设定;wi表示第i层权重参数;
所述优化函数表示如下:
J=H(p,q)+λR(w)
其中,λ表示正则化计算函数在优化函数中所占的比重。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (6)
1.一种基于图像识别的变电站二次设备倒闸操作防误模拟方法,其特征在于:包括:
将获取的压板图片的颜色模型从RGB转化HSV模型;
利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;
根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;
通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。
2.根据权利要求1所述的基于图像识别的变电站二次设备倒闸操作防误模拟方法,其特征在于:所述VGG模型的训练方法,包括:
获取样本图片,采集不同角度、光线条件和状态的多个电力屏柜中的压板图片,将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片;将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片;
标注样本图片,将所有样本图片进行投退状态标注;
训练VGG模型,基于标注的样本图片,使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数,最终训练出使优化函数最小的VGG模型。
3.根据权利要求2所述的基于图像识别的变电站二次设备倒闸操作防误模拟方法,其特征在于:所述VGG模型的训练方法,还包括:
所述VGG模型采用3*3卷积核和2*2的池化核;
所述交叉熵损失函数表示如下:
其中,x表示输入图像的特征;p(x)表示训练数据真实压板状态二元分类概率,如果为投,则为1,非投,则为;q(x)表示输入图像网络预测投退状态二元分类概率,此概率SIGMOD函数得出概率;
所述正则化计算函数表示如下:
其中,i表示第i层神经网络隐藏层;a表示正则化系数,配置神经网络超参时预先设定;wi表示第i层权重参数;
所述优化函数表示如下:
J=H(p,q)+λR(w)
其中,λ表示正则化计算函数在优化函数中所占的比重。
4.一种基于图像识别的变电站二次设备倒闸操作防误模拟系统,其特征在于,包括:
压板图片分割模块,用于将获取的压板图片的颜色模型从RGB转化HSV模型;
利用OpenCV颜色识别算法得到压板图片的二值图像,对所述二值图像进行开操作和闭操作,获取每一行压板的范围和相应的坐标;
根据预设的每一行压板个数,以及每一行压板的范围和相应的坐标,计算出每一个压板的范围和相应的坐标;
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片;
压板状态识别模块,用于通过训练好的VGG模型对每个单独的压板图片进行识别,识别出电力屏柜中每个单独压板为投状态或退状态。
5.根据权利要求4所述的基于图像识别的变电站二次设备倒闸操作防误模拟系统,其特征在于:所述VGG模型的训练方法,包括:
获取样本图片,采集不同角度、光线条件和状态的多个电力屏柜中的压板图片,将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片;将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片;
标注样本图片,将所有样本图片进行投退状态标注;
训练VGG模型,基于标注的样本图片,使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数,最终训练出使优化函数最小的VGG模型。
6.根据权利要求5所述的基于图像识别的变电站二次设备倒闸操作防误模拟系统,其特征在于:所述VGG模型的训练方法,还包括:
所述VGG模型采用3*3卷积核和2*2的池化核;
所述交叉熵损失函数表示如下:
其中,x表示输入图像的特征;p(x)表示训练数据真实压板状态二元分类概率,如果为投,则为1,非投,则为;q(x)表示输入图像网络预测投退状态二元分类概率,此概率SIGMOD函数得出概率;
所述正则化计算函数表示如下:
其中,i表示第i层神经网络隐藏层;a表示正则化系数,配置神经网络超参时预先设定;wi表示第i层权重参数;
所述优化函数表示如下:
J=H(p,q)+λR(w)
其中,λ表示正则化计算函数在优化函数中所占的比重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885088.5A CN112115807A (zh) | 2020-08-28 | 2020-08-28 | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885088.5A CN112115807A (zh) | 2020-08-28 | 2020-08-28 | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112115807A true CN112115807A (zh) | 2020-12-22 |
Family
ID=73805415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885088.5A Pending CN112115807A (zh) | 2020-08-28 | 2020-08-28 | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115807A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469192A (zh) * | 2021-06-16 | 2021-10-01 | 深圳供电局有限公司 | 一种刀闸位置状态识别方法及图像采集设备 |
CN113743355A (zh) * | 2021-09-15 | 2021-12-03 | 中国南方电网有限责任公司超高压输电公司大理局 | 开关装置状态校核方法、装置、系统和计算机设备 |
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 |
CN114998271A (zh) * | 2022-06-10 | 2022-09-02 | 海南浙江大学研究院 | 一种变电站高压开关柜二次仓面板图像识别系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040188455A1 (en) * | 2003-03-28 | 2004-09-30 | Sanden Corporation | Vending machine |
CN104111389A (zh) * | 2014-06-30 | 2014-10-22 | 国家电网公司 | 基于手持设备的电力二次保护设备压板状态管理系统 |
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 |
CN110648307A (zh) * | 2019-07-24 | 2020-01-03 | 国网浙江省电力有限公司湖州供电公司 | 一种利用图像比对技术核对变电站压板状态的方法 |
-
2020
- 2020-08-28 CN CN202010885088.5A patent/CN112115807A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040188455A1 (en) * | 2003-03-28 | 2004-09-30 | Sanden Corporation | Vending machine |
CN104111389A (zh) * | 2014-06-30 | 2014-10-22 | 国家电网公司 | 基于手持设备的电力二次保护设备压板状态管理系统 |
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 |
CN110648307A (zh) * | 2019-07-24 | 2020-01-03 | 国网浙江省电力有限公司湖州供电公司 | 一种利用图像比对技术核对变电站压板状态的方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469192A (zh) * | 2021-06-16 | 2021-10-01 | 深圳供电局有限公司 | 一种刀闸位置状态识别方法及图像采集设备 |
CN113469192B (zh) * | 2021-06-16 | 2024-02-13 | 深圳供电局有限公司 | 一种刀闸位置状态识别方法及图像采集设备 |
CN113743355A (zh) * | 2021-09-15 | 2021-12-03 | 中国南方电网有限责任公司超高压输电公司大理局 | 开关装置状态校核方法、装置、系统和计算机设备 |
CN113743355B (zh) * | 2021-09-15 | 2024-01-09 | 中国南方电网有限责任公司超高压输电公司大理局 | 开关装置状态校核方法、装置、系统和计算机设备 |
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 |
CN114998271A (zh) * | 2022-06-10 | 2022-09-02 | 海南浙江大学研究院 | 一种变电站高压开关柜二次仓面板图像识别系统 |
CN114998271B (zh) * | 2022-06-10 | 2023-06-13 | 海南浙江大学研究院 | 一种变电站高压开关柜二次仓面板图像识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112115807A (zh) | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 | |
CN109753929B (zh) | 一种高铁绝缘子巡检图像识别方法 | |
CN110807422A (zh) | 一种基于深度学习的自然场景文本检测方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN110765855A (zh) | 一种病理图像处理方法及系统 | |
CN113052170B (zh) | 一种无约束场景下的小目标车牌识别方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN111401380A (zh) | 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法 | |
CN110135248A (zh) | 一种基于深度学习的自然场景文本检测方法 | |
CN106909883A (zh) | 一种基于ros的模块化手部区域检测方法和装置 | |
CN112163508A (zh) | 一种基于真实场景的文字识别方法、系统及ocr终端 | |
CN111489330A (zh) | 基于多源信息融合的弱小目标检测方法 | |
CN114332942A (zh) | 基于改进YOLOv3的夜间红外行人检测方法及系统 | |
Tu et al. | Instance segmentation based on mask scoring R-CNN for group-housed pigs | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
Chen et al. | Transformer text recognition with deep learning algorithm | |
CN109840498B (zh) | 一种实时行人检测方法及神经网络、目标检测层 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN111597939A (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN111160372A (zh) | 一种基于高速卷积神经网络的大目标识别方法 | |
CN116612398A (zh) | 基于ctpn算法的无人机巡检照片杆塔号牌文字识别方法 | |
CN115393691A (zh) | 基于Mask_RCNN算法的继电保护压板投退状态的自动检测方法 | |
Patki et al. | A review: Cotton leaf disease detection | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 |
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 |