CN112508019A - 基于图像识别的gis隔离/接地开关状态检测方法及系统 - Google Patents
基于图像识别的gis隔离/接地开关状态检测方法及系统 Download PDFInfo
- Publication number
- CN112508019A CN112508019A CN202011482862.4A CN202011482862A CN112508019A CN 112508019 A CN112508019 A CN 112508019A CN 202011482862 A CN202011482862 A CN 202011482862A CN 112508019 A CN112508019 A CN 112508019A
- Authority
- CN
- China
- Prior art keywords
- image
- switch
- gis
- grounding switch
- moving contact
- 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
- 238000002955 isolation Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Abstract
本发明涉及图像识别技术领域，特别涉及一种基于图像识别的GIS隔离/接地开关状态检测方法及系统，该方法包括：获取图像帧序列进行处理；基于深度学习算法，确定图像中开关动触头判定区域；基于图像识别算法，提取图像中开关区域边缘轮廓，提取图像中开关区域水平和垂直线；根据水平和垂直线在相应方向的投影判断此刻分合闸状态。本发明实现了暗光环境下对GIS隔离/接地开关分合闸过程中开关状态的检测。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种基于图像识别的GIS隔离/接地开关状态检测方法及系统。
背景技术
GIS设备因其占地面积少、性能稳定等优点，在电力系统内被大量运用。由于GIS设备是密封型设备，与传统的敞开式设备相比，直观性不强，无法直接用观察触头接触情况，判断GIS隔离/接地开关触头分合闸是否到位，一旦发生触头分合闸不到位，则会引起设备事故，造成经济损失，甚至危害人身安全。且GIS设备发生事故时，处理难度较大，恢复供电慢，事故处理费用高，为GIS设备使用带来隐患。近期多起500千伏变电站内GIS由于传动部件问题发生多起放电故障。某变电站GIS隔离开关在分闸操作时传动拉杆脱落，导致隔离开关实际在合闸位置，后台指示在分闸位置，隔离开关与接地开关之间失去电气闭锁，在合接地开关时主回路接地故障，造成停电事故。因此，在操作过程中准确判断GIS隔离/接地开关实际是否到位是十分重要的。
由于GIS隔离/接地开关的分闸与合闸、以及有故障和无故障时的机械状态不同，对应的开关位置不一样，所以可以通过观察其开关位置来判别它的分合闸状态。图像识别技术是依据其机械状态变化所带来的视觉效果的变化，将开关在不同状态下的图像进行收集分析处理，最后得到开关实际机械状态信息。
发明内容
本发明的目的在于提供一种基于图像识别的GIS隔离/接地开关状态检测方法及系统，实现了对GIS隔离/接地开关分合闸过程中开关状态的检测。
本发明采用的技术方案如下：
根据本公开的一方面，提出一种基于图像识别的GIS隔离/接地开关状态检测方法，包括：
获取GIS隔离/接地开关分合闸视频图像；
对视频图像进行预处理；
将预处理后的图像输入预先构建的识别模型，提取开关动触头判定区域；
提取所述开关动触头判定区域的水平和垂直边缘；
提取所述开关动触头判定区域的水平和垂直线；
根据水平和垂直线在水平方向的投影判断GIS隔离/接地开关的分合闸状态。
进一步的，所述获取GIS隔离/接地开关分合闸视频图像，包括：
采集暗光情况下GIS隔离/接地开关分合闸视频图像，并提取图像帧序列；
将图像帧序列进行标准化格式转换和压缩。
进一步的，所述对视频图像进行预处理，包括：
对视频图像依次进行灰度化，直方图均衡化，中值滤波，以及消除噪声并消除连通区域处理。
进一步的，预先构建识别模型，包括：
采集不同光亮情况下正常GIS隔离/接地开关分合闸过程视频图像；
对视频图像进行预处理构成训练集；
采用深度学习算法提取训练集图像中的开关区域特征值，建立卷积神经网络，对训练集进行训练，构建识别模型，用于识别开关动触头所在区域。
进一步的，所述提取所述开关动触头判定区域的水平和垂直边缘，包括：
对开关动触头判定区域采用Canny滤波进行边缘提取；
通过OpenCV寻找并绘制开关动触头判定区域边缘轮廓。
进一步的，所述提取所述开关动触头判定区域的水平和垂直线，包括：
定义结构元素核，采用腐蚀和膨胀操作提取出水平和垂直线。
进一步的，所述根据水平和垂直线在水平方向的投影判断GIS隔离/接地开关的分合闸状态，包括：
将水平线向水平方向进行投影，获得开关动触头此刻位置；
将垂直线向水平方向进行投影，得到开关区域边缘位置；
比对开关动触头位置与开关区域边缘位置之间的距离，判定此刻开关状态。
进一步的，所述比对开关动触头位置与开关区域边缘位置之间的距离，判定此刻开关状态，包括：
将图片坐标系与真实坐标系建立联系，统一将图片区域内的左上角作为两坐标系的原点，建立如下坐标转换关系：
K′＝C·K
其中，K表示真实坐标系，K′表示转换后的坐标系，C为转换矩阵，通过确定图片中两点坐标与真实坐标系中两点的坐标代入上式，解得转换矩阵C；
当得到真实坐标系中开关动触头位置与开关合闸相对位置为0时，即判定开关合闸到位。
根据本公开的另一方面，提出一种基于图像识别的GIS隔离/接地开关状态检测系统，包括：
图像采集模块，用于采集GIS隔离/接地开关分合闸视频图像；
图像处理模块，用于对GIS隔离/接地开关分合闸视频图像进行处理，识别开关分合闸状态；
以及，
数据库模块，用于存储GIS隔离/接地开关分合闸视频图像，以及开关分合闸状态。
进一步的，
所述图像采集模块包括：
视频传感器模块，用于采集暗光情况下GIS隔离/接地开关分合闸视频图像；
视频处理模块，用于提取图像帧序列，并进行标准化格式转换和压缩；
以及，
数据发送模块，用于将压缩后的图像数据以Wifi方式传输至图像处理模块；
所述图像处理模块包括：
数据接收模块，用于接收数据发送模块发送的图像数据，并保存至数据库模块；
图像预处理模块，用于对接收到的图像进行预处理；
深度学习模块，用于构建开关状态图像特征值卷积神经网络，训练识别模型；
以及，
图像形态处理模块，用于提取图像中开关动触头判定区域，提取所述开关动触头判定区域的水平和垂直线；以及根据水平和垂直线在水平方向的投影判断GIS隔离/接地开关的分合闸状态。
本发明的有益效果为：
本发明提供一种基于图像识别的GIS隔离/接地开关状态检测方法及系统，实现了在暗光环境下对GIS隔离/接地开关分合闸过程中开关状态的检测，解决了GIS内部无光源黑暗密闭空间，图像采集设备难以捕捉清晰触头画面，进而难以判断开关状态的问题。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其他目标，特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法流程图。
图2是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法中步骤S2的流程图。
图3是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法中步骤S3的流程图。
图4是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法中步骤S4的流程图。
图5是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法中步骤S5的流程图。
图6是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法中步骤S6的流程图。
图7是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测系统图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述里，提供许多具体细节从而给对本公开的实施例的充分理解。然而，本本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其他的方法、组元、装置、步骤等。在其他情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或者不同网络和/或处理器装置和/或微处理器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语图像处理、图像采集等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。如本文中所使用的。术语“及/或”包括相关的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测方法流程图。如图1所示，本实施例提供一种基于图像识别的GIS隔离/接地开关状态检测方法，包括以下步骤：
S1：获取图像帧序列，包括：
采集暗光情况下GIS隔离/接地开关分合闸视频图像，并提取图像帧序列；
将图像帧序列进行标准化格式转换和压缩。
S2：对图像预处理。
如图2所示，具体包括以下步骤：
S21：将图像灰度化；
灰度是一种图像亮度的表示方法，采用下式计算：
其中，Y表示灰度化后图像的灰度值，R表示RGB图像中R通道分量，G表示GRB图像中G通道分量，B表示RGB图像中B通道分量。
S22：获取图像直方图，并进行直方图均衡化；
直方图均衡化是将原图像的直方图通过变换函数变为均匀的直方图，然后按均匀直方图修改原图像，从而获得一幅灰度分布均匀的新图像，均衡化操作由以下公式定义：
其中，Z′为均衡化后的像素值，S是总像素数，Zmax是像素点的最大取值，h(i)表示取值为i的累积分布函数。
S23：对图像进行中值滤波，实现对图像的平滑处理；
中值滤波是指将图像中某像素点周围的卷积核内像素点按顺序排成一列，取中位数代替区域内中心像素点的值。
S24：消除内部噪声并消除连通区域。
通过以上步骤，实现对图片中背景干扰的消除，方便后续使用深度学习算法确定开关区域特征值，其特征值主要用来描述开关区域尺寸大小与所处图片中的位置，建立特征训练网络，并使用训练网络实现对新图像中开关动触头判定区域的确定。
S3：基于深度学习算法，确定图像中开关动触头判定区域。
如图3所示，具体包括以下步骤：
S31：采集不同光亮情况下正常开关分合闸过程的图像。
S32：图像预处理；
采用S2的方式对采集到的不同光亮情况下正常开关分合闸过程的图像进行预处理，构成训练集。
S33：采用深度学习算法提取训练集图像中的开关区域特征值，建立卷积神经网络，对训练集进行训练，构建识别模型，用于识别开关动触头所在区域。
卷积神经网络中负责特征提取的层为卷积层，选择卷积核大小为1，步长为1时，通道数为1时，构建全连接网络如下：
其中，b为偏差量，Zl和Zl+1表示第l+1层的卷积输入和输出，Ll+1为Zl+1的尺寸，Z(i,j)表示特征图的像素。
S34：将此次开关分合闸过程中预处理后的图像输入训练好的识别模型。
S35：确定图像中开关动触头判定区域。
通过以上步骤，可以实现系统接收到的新图像中开关动触头判定区域的确定。
S4：提取开关动触头判定区域边缘轮廓。
如图4所示，具体包括以下步骤：
S41：对开关动触头判定区域使用Canny滤波进行边缘提取；
边缘提取首先使用sobel滤波，提取垂直和水平方向的边缘，在此基础上，求出边缘的强度和梯度，随后使用非极大值抑制方式，对梯度幅值处理，使边缘变得更细，然后采用滞后阈值方式，将梯度幅值二值化，得到提取的边缘。
S42：通过OpenCV寻找开关动触头判定区域边缘轮廓。
S43：通过OpenCV绘制出开关动触头判定区域边缘轮廓。
通过以上步骤，基本提取到开关动触头判定区域的水平和垂直边缘。
S5：提取开关动触头判定区域水平和垂直线。
如图5所示，具体包括以下步骤：
S51：定义结构元素核，实现对开关动触头判定区域的水平和垂直线敏感。
S52：采用腐蚀和膨胀等开操作提取出水平和垂直线；
通过以上步骤，可以绘制出开关动触头的水平或垂直线，所得水平与垂直线可以构造开关动触头的最小外接矩形框，用以描述此时开关动触头的位置与尺寸大小。
S6：根据水平和垂直线在水平方向的投影判断此刻分合闸状态。
如图6所示，具体包括以下步骤：
S61：将水平线向水平方向进行投影，获得开关动触头此刻位置。
S62：将垂直线向水平方向进行投影，得到开关区域边缘位置。
S63：比对开关动触头位置与开关区域边缘位置之间的距离，判定此刻开关状态。
将图片坐标系与真实坐标系建立联系，统一将图片区域内的左上角作为两坐标系的原点，建立如下坐标转换关系：
K′＝C·K
其中，K表示真实坐标系，K′表示转换后的坐标系，C为转换矩阵，通过确定图片中两点坐标与真实坐标系中两点的坐标代入上式，解得转换矩阵C。
当得到真实坐标系中开关动触头位置与开关合闸相对位置为0时，即可判定开关合闸到位。
需要指出的是，投影在水平方向的各点灰度值可以作为判断动触头和开关区域边缘位置的依据。
在本实施例中，开关动触头为水平运动，本领域技术人员可以理解，如果开关动触头非水平运动，则将首先对图像进行旋转变换，使开关动触头处于水平位置。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开系统实施例，可以用于执行本公开方法实施例。对于本公开系统实施例中未披露的细节，请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种基于图像识别的GIS隔离/接地开关状态检测系统。如图7所示，本系统包括：图像采集模块，用于采集GIS隔离/接地开关分合闸视频图像；图像处理模块，用于对获取到的图像进行处理，识别当前分合闸的开关状态；数据库模块，用于储存图像数据和图像处理结果。
如图7所示，在本实施例中，图像采集模块包括视频传感器模块，用于采集暗光情况下GIS隔离/接地开关分合闸视频图像；视频处理模块，用于将图像提取图像帧序列，并进行标准化格式转换和压缩；数据发送模块，用于将图像数据通过Wifi模块传输至图像处理模块。
如图7所示，图像处理模块包括数据接收模块，用于将图像采集模块采集的图片通过Wifi模块接收，等待下一步处理；图像预处理模块，用于将接收到的图像进行预处理；深度学习模块，用于构建开关状态图像特征值卷积神经网络；图像形态处理模块，用于提取开关动触头位置，判断开关分合闸状态。
如图7所示，数据库模块存储系统的各种数据，结构化的数据可保存到MySql等关系数据库中。
基于在方法实施例中已经对各模块的实现方法及原理进行公开，因此不再赘述。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (9)
1.基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，包括：
获取GIS隔离/接地开关分合闸视频图像；
对视频图像进行预处理；
将预处理后的图像输入预先构建的卷积神经网络，提取开关动触头判定区域；
提取所述开关动触头判定区域的水平和垂直边缘；
提取所述开关动触头判定区域的水平和垂直线；
根据水平和垂直线在水平方向的投影判断GIS隔离/接地开关的分合闸状态。
2.根据权利要求1所述的基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，所述获取GIS隔离/接地开关分合闸视频图像，包括：
采集暗光情况下GIS隔离/接地开关分合闸视频图像，并提取图像帧序列；
将图像帧序列进行标准化格式转换和压缩。
3.根据权利要求1所述的基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，所述对视频图像进行预处理，包括：
对视频图像依次进行灰度化，直方图均衡化，中值滤波，以及消除噪声并消除连通区域处理。
4.根据权利要求1所述的基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，预先构建卷积神经网络，包括：
采集不同光亮情况下正常GIS隔离/接地开关分合闸过程视频图像构成训练集；
对训练集进行预处理；
确定训练集中开关区域特征值，并输入训练网络；
使用训练网络对开关区域特征值进行判定。
5.根据权利要求1所述的基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，所述提取所述开关动触头判定区域的水平和垂直边缘，包括：
对开关动触头判定区域采用Canny滤波进行边缘提取；
通过OpenCV寻找并绘制开关动触头判定区域边缘轮廓。
6.根据权利要求1所述的基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，所述提取所述开关动触头判定区域的水平和垂直线，包括：
定义结构元素核，采用腐蚀和膨胀操作提取出水平和垂直线。
7.根据权利要求1所述的基于图像识别的GIS隔离/接地开关状态检测方法，其特征在于，所述根据水平和垂直线在水平方向的投影判断GIS隔离/接地开关的分合闸状态，包括：
将水平线向水平方向进行投影，获得开关动触头此刻位置；
将垂直线向水平方向进行投影，得到开关区域边缘位置；
比对开关动触头位置与开关区域边缘位置之间的距离，判定此刻开关状态。
8.基于图像识别的GIS隔离/接地开关状态检测系统，其特征在于，包括：
图像采集模块，用于采集GIS隔离/接地开关分合闸视频图像；
图像处理模块，用于对GIS隔离/接地开关分合闸视频图像进行处理，识别开关分合闸状态；
以及，
数据库模块，用于存储GIS隔离/接地开关分合闸视频图像，以及开关分合闸状态。
9.根据权利要求8所述的基于图像识别的GIS隔离/接地开关状态检测系统，其特征在于，
所述图像采集模块包括：
视频传感器模块，用于采集暗光情况下GIS隔离/接地开关分合闸视频图像；
视频处理模块，用于提取图像帧序列，并进行标准化格式转换和压缩；
以及，
数据发送模块，用于将压缩后的图像数据以Wifi方式传输至图像处理模块；
所述图像处理模块包括：
数据接收模块，用于接收数据发送模块发送的图像数据，并保存至数据库模块；
图像预处理模块，用于对接收到的图像进行预处理；
深度学习模块，用于构建开关状态图像特征值卷积神经网络，训练识别模型；
以及，
图像形态处理模块，用于提取图像中开关动触头判定区域，提取所述开关动触头判定区域的水平和垂直线；以及根据水平和垂直线在水平方向的投影判断GIS隔离/接地开关的分合闸状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011482862.4A CN112508019B (zh) | 2020-12-16 | 2020-12-16 | 基于图像识别的gis隔离/接地开关状态检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011482862.4A CN112508019B (zh) | 2020-12-16 | 2020-12-16 | 基于图像识别的gis隔离/接地开关状态检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508019A true CN112508019A (zh) | 2021-03-16 |
| CN112508019B CN112508019B (zh) | 2024-02-27 |
Family
ID=74972327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011482862.4A Active CN112508019B (zh) | 2020-12-16 | 2020-12-16 | 基于图像识别的gis隔离/接地开关状态检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508019B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673367A (zh) * | 2021-07-29 | 2021-11-19 | 浙江大华技术股份有限公司 | 分合闸状态的识别方法、装置、电子装置和存储介质 |
| CN114114001A (zh) * | 2021-11-24 | 2022-03-01 | 国网安徽省电力有限公司电力科学研究院 | 一种gis设备隔离开关机械状态监测方法及系统 |
| CN116228750A (zh) * | 2023-05-05 | 2023-06-06 | 英迪格(天津)电气有限公司 | 一种接地开关的可视化系统 |
| CN116935079A (zh) * | 2023-09-07 | 2023-10-24 | 深圳金三立视频科技股份有限公司 | 一种基于视觉的线状开关状态监测方法及终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
| CN109063764A (zh) * | 2018-07-26 | 2018-12-21 | 福建和盛高科技产业有限公司 | 一种基于机器视觉的隔离开关合闸操作到位的判断方法 |
| CN111126253A (zh) * | 2019-12-23 | 2020-05-08 | 国网福建省电力有限公司 | 基于图像识别的刀闸状态检测方法 |
| CN111597868A (zh) * | 2020-01-08 | 2020-08-28 | 浙江大学 | 一种基于ssd的变电站隔离开关状态分析方法 |
-
2020
- 2020-12-16 CN CN202011482862.4A patent/CN112508019B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107577982A (zh) * | 2017-06-29 | 2018-01-12 | 天津大学 | 采用深度学习的电网隔离开关状态识别方法 |
| CN109063764A (zh) * | 2018-07-26 | 2018-12-21 | 福建和盛高科技产业有限公司 | 一种基于机器视觉的隔离开关合闸操作到位的判断方法 |
| CN111126253A (zh) * | 2019-12-23 | 2020-05-08 | 国网福建省电力有限公司 | 基于图像识别的刀闸状态检测方法 |
| CN111597868A (zh) * | 2020-01-08 | 2020-08-28 | 浙江大学 | 一种基于ssd的变电站隔离开关状态分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| S.BAO ET AL.: "Development of a comprehensive detection device for the status of disconnectors in GIS equipment", 《2020 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATION(ICHVE)》, pages 1 - 4 * |
| 刘子英等: "基于BP 神经网络的高压隔离开关分合闸监测识别", 《电力系统保护与控制》, vol. 48, no. 5, pages 134 - 140 * |
| 方盛等: "基于机器视觉的变电站隔离开关开合状态识别方法", 《湖南工业大学学报》, vol. 31, no. 06, pages 32 - 36 * |
| 钱春龙;黎兴源;陈大春;: "可视化接地装置接地状态自动识别方法研究", 电气化铁道, no. 04, pages 1 - 4 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673367A (zh) * | 2021-07-29 | 2021-11-19 | 浙江大华技术股份有限公司 | 分合闸状态的识别方法、装置、电子装置和存储介质 |
| CN114114001A (zh) * | 2021-11-24 | 2022-03-01 | 国网安徽省电力有限公司电力科学研究院 | 一种gis设备隔离开关机械状态监测方法及系统 |
| CN114114001B (zh) * | 2021-11-24 | 2023-10-31 | 国网安徽省电力有限公司电力科学研究院 | 一种gis设备隔离开关机械状态监测方法及系统 |
| CN116228750A (zh) * | 2023-05-05 | 2023-06-06 | 英迪格(天津)电气有限公司 | 一种接地开关的可视化系统 |
| CN116935079A (zh) * | 2023-09-07 | 2023-10-24 | 深圳金三立视频科技股份有限公司 | 一种基于视觉的线状开关状态监测方法及终端 |
| CN116935079B (zh) * | 2023-09-07 | 2024-02-20 | 深圳金三立视频科技股份有限公司 | 一种基于视觉的线状开关状态监测方法及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508019B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508019B (zh) | 基于图像识别的gis隔离/接地开关状态检测方法及系统 | |
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| CN106875408B (zh) | 用于截图的方法、装置及终端设备 | |
| CN112287875B (zh) | 异常车牌识别方法、装置、设备及可读存储介质 | |
| CN113344475B (zh) | 基于序列模态分解的变压器套管缺陷识别方法及系统 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
| AG | Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi | |
| CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
| Nassu et al. | A computer vision system for monitoring disconnect switches in distribution substations | |
| CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
| CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| CN114220009A (zh) | 一种基于红外图像的导线风偏识别方法与系统 | |
| CN113487559A (zh) | 一种变电站隔离开关开合状态实时检测方法 | |
| CN109919936B (zh) | 一种复合绝缘子运行状态的分析方法、装置及设备 | |
| CN107274382A (zh) | 一种硬压板的状态辨识方法、装置及电子设备 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN105163076A (zh) | 采用横向扫描映射的变电站断路器状态视频智能分析算法 | |
| CN113191336B (zh) | 基于图像识别的电力隐患识别方法及系统 | |
| CN112528983B (zh) | 一种暗光条件下gis隔离/接地开关视频图像采集系统 | |
| CN114387670A (zh) | 基于时空特征融合的步态识别方法、装置及存储介质 | |
| CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
| CN114187245A (zh) | 视频污损检测方法、装置、电子设备及存储介质 | |
| CN113449617A (zh) | 轨道安全检测方法、系统、装置和存储介质 |
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 |