CN112308814A - 一种电力系统刀闸分合位状态自动识别方法和系统 - Google Patents
一种电力系统刀闸分合位状态自动识别方法和系统 Download PDFInfo
- Publication number
- CN112308814A CN112308814A CN201910683026.3A CN201910683026A CN112308814A CN 112308814 A CN112308814 A CN 112308814A CN 201910683026 A CN201910683026 A CN 201910683026A CN 112308814 A CN112308814 A CN 112308814A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- position area
- disconnecting link
- target template
- 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 42
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种电力系统刀闸分合位状态自动识别方法和系统,所述方法包括:采集模板图像并生成刀闸位置区域配置文件;获取待测图像并判断图像类别;获取目标模板图像;计算待测图像与各目标模板图像的偏移量;截取各目标模板图像中的刀闸位置区域,矫正待测图像中的刀闸位置区域;生成各目标模板图像中的刀闸位置区域以及待测图像中矫正后的刀闸位置区域的指纹矩阵;基于指纹矩阵计算获得各目标模板图像与待测图像的相似度;筛选与待测图像相似度最高的目标模板图像,相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。本申请实现了电力系统中刀闸分合状态的自动识别,对于摄像头抖动具有鲁棒性。
Description
技术领域
本发明属于刀闸状态识别技术领域,涉及一种基于图像采集的刀闸状态防抖动识别方法和系统,尤其涉及一种适用于电力系统的防抖动刀闸分合位状态自动识别方法和系统。
背景技术
随着图像技术在电力系统中的广泛应用,利用图像技术识别电力设备状态,可以实时监测设备状态,及时发现设备的异常现象,对电力系统的安全稳定运行具有十分重要的意义。
现有技术对刀闸的分析有如下两种方法:
(1)采用深度学习的方法,该方法需要大量的训练样本训练出深度学习参数模型。由于电力系统中刀闸的种类很多,很难获得较全面的大量训练样本,这限制了深度学习方法的实际应用;
(2)采用传统图像识别技术,该方法可应用于刀闸区域定位,但需要在模板图上进行两处标定,这给实际电力系统刀闸施工造成了不便。
发明内容
为解决现有技术中的不足,本申请提供一种电力系统刀闸分合位状态自动识别方法和系统,实现了电力系统中刀闸分合状态的自动识别,对于摄像头抖动具有鲁棒性。
为了实现上述目标,本申请的第一件发明采用如下技术方案:
一种电力系统刀闸分合位状态自动识别方法,包括以下步骤:
步骤1:采集模板图像并基于模板图像生成刀闸位置区域配置文件;所述模板图像包括可见光图像和红外图像,所述模板图像中均包含刀闸;
步骤2:获取待测图像并判断待测图像的图像类别,所述图像类别包括可见光图像和红外图像;
步骤3:从刀闸区域模板配置文件中获取与待测图像类别相同的模板图像,称之为目标模板图像;
步骤4:分别计算待测图像与各目标模板图像的偏移量;
步骤5:截取各目标模板图像中的刀闸位置区域,同时基于所述偏移量矫正待测图像中的刀闸位置区域;
步骤6:生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵;
步骤7:基于各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,计算获得各目标模板图像与待测图像的相似度;
步骤8:筛选与待测图像相似度最高的目标模板图像,筛选出的目标模板图像与待测图像的相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。
本发明进一步包括以下优选方案:
优选地,步骤2所述判断待测图像的图像类别,具体为:
计算待测图像的平均灰度值;根据平均灰度值阈值判断图像为可见光图像还是红外图像。
优选地,步骤2所述判断待测图像的图像类别,包括以下步骤:
步骤201:将待测图像转化为灰度图像;
步骤202:计算待测图像平均灰度值,若待测图像平均灰度值大于平均灰度值阈值,则待测图像为可见光图像,否则为红外图像;
所述平均灰度值阈值根据图像数据库中的可见光图像和红外图像的平均灰度值选定。
优选地,步骤4所述待测图像与各目标模板图像的偏移量,通过相位相关法计算得到。
优选地,步骤4所述分别计算待测图像与各目标模板图像的偏移量,包括以下步骤:
步骤401:创建与待测图像、各目标模板图像相同尺寸的汉宁窗系数,用于去除图像的边界效应;
步骤402:计算待测图像和各目标模板图像傅里叶变换;
步骤403:计算待测图像和各目标模板图像频域内的相位偏移,进而计算出待测图像和各目标模板图像时域内的位置偏移。
优选地,步骤6所述各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,通过哈希感知算法生成。
优选地,步骤6所述生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,包括以下步骤:
步骤601:将各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域使用INTER_LANCZOS4插值算法Resize成20*20的窗口;
步骤602:将步骤601获得的窗口图像转换成灰度图像;
步骤603:计算各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域的平均灰度值;
步骤604:将各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域中,大于平均灰度值的元素置为1,小于平均灰度值得元素置为0,进而得到了各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵。
优选地,步骤7所述各目标模板图像与待测图像的相似度,通过计算各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离获得。
优选地,各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间对应位置元素不同的位置个数即为各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离。
优选地,步骤8所述最小置信度设置范围为75%-90%。
本申请还公开了另一件发明,即一种电力系统刀闸分合位状态自动识别系统,包括模板图像采集单元、待测图像获取单元、模板图像获取单元、偏移量计算单元、刀闸位置区域确定单元、指纹矩阵生成单元、相似度计算单元和筛选单元;
所述模板图像采集单元,用于采集模板图像并基于模板图像生成刀闸位置区域配置文件;所述模板图像包括可见光图像和红外图像,所述模板图像中均包含刀闸;
所述待测图像获取单元,用于获取待测图像并判断待测图像的图像类别,所述图像类别包括可见光图像和红外图像;
所述模板图像获取单元,用于从刀闸区域模板配置文件中获取与待测图像类别相同的模板图像,称之为目标模板图像;
所述偏移量计算单元,用于分别计算待测图像与各目标模板图像的偏移量;
所述刀闸位置区域确定单元,用于截取各目标模板图像中的刀闸位置区域,同时基于所述偏移量矫正待测图像中的刀闸位置区域;
所述指纹矩阵生成单元,用于生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵;
所述相似度计算单元,用于基于各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,计算获得各目标模板图像与待测图像的相似度;
所述筛选单元,用于筛选与待测图像相似度最高的目标模板图像,筛选出的目标模板图像与待测图像的相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。
优选地,所述待测图像获取单元中,待测图像的图像类别基于待测图像的平均灰度值进行判断。
优选地,所述偏移量计算单元中,待测图像与各目标模板图像的偏移量,通过相位相关法计算得到。
优选地,所述指纹矩阵生成单元中,各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,通过哈希感知算法生成。
优选地,所述相似度计算单元中,各目标模板图像与待测图像的相似度,通过计算各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离获得。
优选地,所述各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离为各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间对应位置元素不同的位置个数。
优选地,所述筛选单元中,最小置信度设置范围为75%-90%。
本申请所达到的有益效果:
1.本申请简化了实际施工步骤,可有效防止镜头抖动带来的识别结果的干扰;
2.本申请不需要大量的训练样本,即可实现对刀闸分合状态的准确识别。
附图说明
图1是本申请的一种电力系统刀闸分合位状态自动识别方法的流程框图;
图2是刀闸位置区域矫正前后的待测图像对比图;
图3是待测图像及模板图像对应指纹矩阵图;
图4是本申请的一种电力系统刀闸分合位状态自动识别系统的系统框图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种电力系统刀闸分合位状态自动识别方法,包括以下步骤:
步骤1:采集模板图像并基于模板图像生成刀闸位置区域配置文件;所述模板图像包括可见光图像和红外图像,所述模板图像中均包含刀闸;
实施例中,此步骤不需要标定模板图像定位区域,但需要分别准备可见光图像和红外图像模板;
步骤2:获取待测图像并判断待测图像的图像类别,所述图像类别包括可见光图像和红外图像;
实施例中,所述判断待测图像的图像类别,具体为:
计算待测图像的平均灰度值,根据平均灰度值阈值判断图像为可见光图像还是红外图像;
包括以下步骤:
步骤201:将彩色待测图像转化为灰度图像;
步骤202:计算待测图像平均灰度值,若待测图像平均灰度值大于平均灰度值阈值,则待测图像为可见光图像,否则为红外图像;
所述平均灰度值阈值根据图像数据库中的可见光图像和红外图像的平均灰度值选定。
步骤3:从刀闸区域模板配置文件中获取与待测图像类别相同的模板图像,称之为目标模板图像;
步骤4:分别计算待测图像与各目标模板图像的偏移量;
实施例中,所述待测图像与各目标模板图像的偏移量,通过相位相关法计算得到,包括以下步骤:
步骤401:创建与待测图像、各目标模板图像相同尺寸的汉宁窗系数,用于去除图像的边界效应;
步骤402:计算待测图像和各目标模板图像傅里叶变换;
步骤403:计算待测图像和各目标模板图像频域内的相位偏移,进而计算出待测图像和各目标模板图像时域内的位置偏移。
步骤5:截取各目标模板图像中的刀闸位置区域,同时基于所述偏移量矫正待测图像中的刀闸位置区域;刀闸位置区域矫正前后的待测图像如图2所示。
步骤6:生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵;
实施例中,所述各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,通过哈希感知算法生成,包括以下步骤:
步骤601:将各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域使用INTER_LANCZOS4插值算法Resize成20*20的窗口;
步骤602:将步骤601获得的窗口图像转换成灰度图像;
步骤603:计算各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域的平均灰度值;
步骤604:将各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域中,大于平均灰度值的元素置为1,小于平均灰度值得元素置为0,进而得到了各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,如图3所示;
步骤7:基于各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,计算获得各目标模板图像与待测图像的相似度;
实施例中,所述各目标模板图像与待测图像的相似度,通过计算各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离获得;
各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间对应位置元素不同的位置个数即为各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离。
步骤8:筛选与待测图像相似度最高的目标模板图像,筛选出的目标模板图像与待测图像的相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。
实施例中,所述最小置信度设置范围为75%-90%。
实施例中,所述最小置信度设置为80%。
如图4所示,本申请的一种电力系统刀闸分合位状态自动识别系统,包括模板图像采集单元、待测图像获取单元、模板图像获取单元、偏移量计算单元、刀闸位置区域确定单元、指纹矩阵生成单元、相似度计算单元和筛选单元;
所述模板图像采集单元,用于采集模板图像并基于模板图像生成刀闸位置区域配置文件;所述模板图像包括可见光图像和红外图像,所述模板图像中均包含刀闸;
所述待测图像获取单元,用于获取待测图像并判断待测图像的图像类别,所述图像类别包括可见光图像和红外图像;
实施例中,待测图像的图像类别基于待测图像的平均灰度值进行判断。
所述模板图像获取单元,用于从刀闸区域模板配置文件中获取与待测图像类别相同的模板图像,称之为目标模板图像;
所述偏移量计算单元,用于分别计算待测图像与各目标模板图像的偏移量;
实施例中,待测图像与各目标模板图像的偏移量,通过相位相关法计算得到。
所述刀闸位置区域确定单元,用于截取各目标模板图像中的刀闸位置区域,同时基于所述偏移量矫正待测图像中的刀闸位置区域;
所述指纹矩阵生成单元,用于生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵;
实施例中,各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,通过哈希感知算法生成。
所述相似度计算单元,用于基于各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,计算获得各目标模板图像与待测图像的相似度;
实施例中,各目标模板图像与待测图像的相似度,通过计算各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离获得。
所述各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离为各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间对应位置元素不同的位置个数。
所述筛选单元,用于筛选与待测图像相似度最高的目标模板图像,筛选出的目标模板图像与待测图像的相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。
实施例中,所述最小置信度设置范围为75%-90%。
实施例中,所述最小置信度设置为80%。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (17)
1.一种电力系统刀闸分合位状态自动识别方法,其特征在于:
所述刀闸分合位状态自动识别方法包括以下步骤:
步骤1:采集模板图像并基于模板图像生成刀闸位置区域配置文件;所述模板图像包括可见光图像和红外图像,所述模板图像中均包含刀闸;
步骤2:获取待测图像并判断待测图像的图像类别,所述图像类别包括可见光图像和红外图像;
步骤3:从刀闸区域模板配置文件中获取与待测图像类别相同的模板图像,称之为目标模板图像;
步骤4:分别计算待测图像与各目标模板图像的偏移量;
步骤5:截取各目标模板图像中的刀闸位置区域,同时基于所述偏移量矫正待测图像中的刀闸位置区域;
步骤6:生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵;
步骤7:基于各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,计算获得各目标模板图像与待测图像的相似度;
步骤8:筛选与待测图像相似度最高的目标模板图像,筛选出的目标模板图像与待测图像的相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。
2.根据权利要求1所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤2所述判断待测图像的图像类别,具体为:
计算待测图像的平均灰度值,根据平均灰度值阈值判断图像为可见光图像还是红外图像。
3.根据权利要求2所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤2所述判断待测图像的图像类别,包括以下步骤:
步骤201:将待测图像转化为灰度图像;
步骤202:计算待测图像平均灰度值,若待测图像平均灰度值大于平均灰度值阈值,则待测图像为可见光图像,否则为红外图像;
所述平均灰度值阈值根据图像数据库中的可见光图像和红外图像的平均灰度值选定。
4.根据权利要求1所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤4所述待测图像与各目标模板图像的偏移量,通过相位相关法计算得到。
5.根据权利要求4所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤4所述分别计算待测图像与各目标模板图像的偏移量,包括以下步骤:
步骤401:创建与待测图像、各目标模板图像相同尺寸的汉宁窗系数,用于去除图像的边界效应;
步骤402:计算待测图像和各目标模板图像傅里叶变换;
步骤403:计算待测图像和各目标模板图像频域内的相位偏移,进而计算出待测图像和各目标模板图像时域内的位置偏移。
6.根据权利要求1所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤6所述各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,通过哈希感知算法生成。
7.根据权利要求6所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤6所述生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,包括以下步骤:
步骤601:将各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域使用INTER_LANCZOS4插值算法Resize成20*20的窗口;
步骤602:将步骤601获得的窗口图像转换成灰度图像;
步骤603:计算各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域的平均灰度值;
步骤604:将各目标模板图像中的刀闸位置区域和待测图像中矫正后的刀闸位置区域中,大于平均灰度值的元素置为1,小于平均灰度值得元素置为0,进而得到了各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵。
8.根据权利要求1所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤7所述各目标模板图像与待测图像的相似度,通过计算各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离获得。
9.根据权利要求8所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间对应位置元素不同的位置个数即为各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离。
10.根据权利要求1所述的一种电力系统刀闸分合位状态自动识别方法,其特征在于:
步骤8所述最小置信度设置范围为75%-90%。
11.一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述刀闸分合位状态自动识别系统包括模板图像采集单元、待测图像获取单元、模板图像获取单元、偏移量计算单元、刀闸位置区域确定单元、指纹矩阵生成单元、相似度计算单元和筛选单元;
所述模板图像采集单元,用于采集模板图像并基于模板图像生成刀闸位置区域配置文件;所述模板图像包括可见光图像和红外图像,所述模板图像中均包含刀闸;
所述待测图像获取单元,用于获取待测图像并判断待测图像的图像类别,所述图像类别包括可见光图像和红外图像;
所述模板图像获取单元,用于从刀闸区域模板配置文件中获取与待测图像类别相同的模板图像,称之为目标模板图像;
所述偏移量计算单元,用于分别计算待测图像与各目标模板图像的偏移量;
所述刀闸位置区域确定单元,用于截取各目标模板图像中的刀闸位置区域,同时基于所述偏移量矫正待测图像中的刀闸位置区域;
所述指纹矩阵生成单元,用于生成各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵;
所述相似度计算单元,用于基于各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,计算获得各目标模板图像与待测图像的相似度;
所述筛选单元,用于筛选与待测图像相似度最高的目标模板图像,筛选出的目标模板图像与待测图像的相似度大于最小置信度时,待测图像和筛选出的目标模板图像中的刀闸状态一致。
12.根据权利要求11所述的一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述待测图像获取单元中,待测图像的图像类别基于待测图像的平均灰度值进行判断。
13.根据权利要求11所述的一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述偏移量计算单元中,待测图像与各目标模板图像的偏移量,通过相位相关法计算得到。
14.根据权利要求11所述的一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述指纹矩阵生成单元中,各目标模板图像中的刀闸位置区域的指纹矩阵以及待测图像中矫正后的刀闸位置区域的指纹矩阵,通过哈希感知算法生成。
15.根据权利要求11所述的一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述相似度计算单元中,各目标模板图像与待测图像的相似度,通过计算各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离获得。
16.根据权利要求15所述的一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间的汉明距离为各目标模板图像中的刀闸位置区域的指纹矩阵与待测图像中矫正后的刀闸位置区域的指纹矩阵之间对应位置元素不同的位置个数。
17.根据权利要求11所述的一种电力系统刀闸分合位状态自动识别系统,其特征在于:
所述筛选单元中,最小置信度设置范围为75%-90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910683026.3A CN112308814A (zh) | 2019-07-26 | 2019-07-26 | 一种电力系统刀闸分合位状态自动识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910683026.3A CN112308814A (zh) | 2019-07-26 | 2019-07-26 | 一种电力系统刀闸分合位状态自动识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308814A true CN112308814A (zh) | 2021-02-02 |
Family
ID=74329760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910683026.3A Pending CN112308814A (zh) | 2019-07-26 | 2019-07-26 | 一种电力系统刀闸分合位状态自动识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998665A (zh) * | 2022-08-04 | 2022-09-02 | 创新奇智(广州)科技有限公司 | 一种图像类别识别方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509100A (zh) * | 2011-10-26 | 2012-06-20 | 山东电力研究院 | 一种基于图像模式识别的刀闸分合可靠性识别方法 |
CN102609730A (zh) * | 2012-02-24 | 2012-07-25 | 山东鲁能智能技术有限公司 | 基于动静触头接触比例的刀闸状态合位可靠性判别方法 |
CN102622614A (zh) * | 2012-02-24 | 2012-08-01 | 山东鲁能智能技术有限公司 | 基于刀闸臂特征点与固定端距离的刀闸合位可靠性判别法 |
CN102622615A (zh) * | 2012-02-24 | 2012-08-01 | 山东鲁能智能技术有限公司 | 基于刀闸臂特征点间距离的刀闸状态合位可靠性判别方法 |
CN103632150A (zh) * | 2013-12-18 | 2014-03-12 | 深圳市博铭维系统工程有限公司 | 一种刀闸状态识别方法及装置 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和系统 |
CN108009551A (zh) * | 2017-11-21 | 2018-05-08 | 武汉中元华电软件有限公司 | 适用于电力作业机器人的电力刀闸分合位状态识别方法 |
CN109087294A (zh) * | 2018-07-31 | 2018-12-25 | 深圳辰视智能科技有限公司 | 一种产品缺陷检测方法、系统及计算机可读存储介质 |
-
2019
- 2019-07-26 CN CN201910683026.3A patent/CN112308814A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509100A (zh) * | 2011-10-26 | 2012-06-20 | 山东电力研究院 | 一种基于图像模式识别的刀闸分合可靠性识别方法 |
CN102609730A (zh) * | 2012-02-24 | 2012-07-25 | 山东鲁能智能技术有限公司 | 基于动静触头接触比例的刀闸状态合位可靠性判别方法 |
CN102622614A (zh) * | 2012-02-24 | 2012-08-01 | 山东鲁能智能技术有限公司 | 基于刀闸臂特征点与固定端距离的刀闸合位可靠性判别法 |
CN102622615A (zh) * | 2012-02-24 | 2012-08-01 | 山东鲁能智能技术有限公司 | 基于刀闸臂特征点间距离的刀闸状态合位可靠性判别方法 |
CN103632150A (zh) * | 2013-12-18 | 2014-03-12 | 深圳市博铭维系统工程有限公司 | 一种刀闸状态识别方法及装置 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和系统 |
CN107203990A (zh) * | 2017-04-02 | 2017-09-26 | 南京汇川图像视觉技术有限公司 | 一种基于模板匹配与图像质量评估的标贴破损检测方法 |
CN108009551A (zh) * | 2017-11-21 | 2018-05-08 | 武汉中元华电软件有限公司 | 适用于电力作业机器人的电力刀闸分合位状态识别方法 |
CN109087294A (zh) * | 2018-07-31 | 2018-12-25 | 深圳辰视智能科技有限公司 | 一种产品缺陷检测方法、系统及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998665A (zh) * | 2022-08-04 | 2022-09-02 | 创新奇智(广州)科技有限公司 | 一种图像类别识别方法、装置、电子设备及存储介质 |
CN114998665B (zh) * | 2022-08-04 | 2022-11-01 | 创新奇智(广州)科技有限公司 | 一种图像类别识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930353B (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
CN117093879A (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
KR100957716B1 (ko) | 가변 피부색 모델을 이용한 피부색 영역 검출 방법 | |
CN109754019B (zh) | 一种连续监测锅炉燃烧状况的方法 | |
CN104168478A (zh) | 基于Lab空间及相关性函数的视频图像偏色检测方法 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN108037142B (zh) | 基于图像灰度值的掩膜版光学缺陷检测方法 | |
CN114445661B (zh) | 一种基于边缘计算的嵌入式图像识别方法 | |
CN102469302A (zh) | 应用于影像监控的可适应光线变化的背景模型学习系统 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN115908407B (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
CN113033322A (zh) | 基于深度学习的变电站充油设备渗漏油隐患识别方法 | |
CN112308814A (zh) | 一种电力系统刀闸分合位状态自动识别方法和系统 | |
CN115049530A (zh) | 用于调试图像信号处理器的方法、装置和系统 | |
JP2015092643A (ja) | 画像処理装置及びその画像処理方法、並びにコンピュータ・プログラム、および画像処理システム | |
CN112634179B (zh) | 一种防摄像头抖动的变电设备图像变化检测方法和系统 | |
CN116612438B (zh) | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 | |
CN110532993B (zh) | 一种人脸防伪方法、装置、电子设备及介质 | |
CN116668859A (zh) | 一种gis设备机房环境监控装置 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN115292722A (zh) | 基于不同色彩空间的模型安全检测方法和装置 | |
CN114863330A (zh) | 一种目标对象检测方法、系统及计算机存储介质 | |
CN114529803A (zh) | 一种指针仪表识别增强检测方法 | |
CN112801002A (zh) | 基于复杂场景下的人脸表情识别方法、装置及电子设备 |
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 |