CN112528741A - 一种变电站压板的状态识别方法及装置 - Google Patents
一种变电站压板的状态识别方法及装置 Download PDFInfo
- Publication number
- CN112528741A CN112528741A CN202011228444.2A CN202011228444A CN112528741A CN 112528741 A CN112528741 A CN 112528741A CN 202011228444 A CN202011228444 A CN 202011228444A CN 112528741 A CN112528741 A CN 112528741A
- Authority
- CN
- China
- Prior art keywords
- straight line
- image
- line set
- pressure plate
- pressing plate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种变电站压板的状态识别方法及装置,通过对压板图像进行降噪及二值化处理,然后对二值化处理后的二值化图像进行直线检测,获得目标直线集,然后根据目标直线集包括的压板标识直线的位置坐标,对压板图像进行裁剪获得裁剪图,再进行颜色特征检测并进行裁剪,最后对裁剪后的图像再进行等比分割,获得压板图像中各个压板对应的子图像,对各个压板对应的子图像分别进行压板状态识别,从而不需要预设压板模板和大量样本图像数据进行建模训练,能够准确地识别不同类型的压板状态。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种变电站压板的状态识别方法及装置。
背景技术
在变电站巡检任务中,继电保护及自动装置压板状态一般采用人工核对的巡检方式,该巡检方式在压板数量大时存在易出差错和效率低下等问题。
现有技术也提出一些基于图像的压板状态智能识别方法,比如按照原先设置压板模板与图像进行校对寻找差异的模板匹配、通过压板形状的特征匹配、应用神经网络的深度学习识别压板等,但是上述的各种方法在实际使用过程中,需要预设压板模板,且压板型号多样导致需要预设的压板模板多。
如在中国申请的专利“一种压板识别方法与设备”(公开日2019.07.16,公开号CN110020643A)所公开的技术方案,就利用了保护屏中颜色标识,采用模板匹配技术,避免了不同种类的保护屏需要设计不同算法的缺陷,减少了使用难度。但是,该方法仍然需要大量的样本图像数据进行建模训练。
发明内容
本发明为克服上述现有技术所述的缺陷,提供一种变电站压板的状态识别方法及装置,不需要预设压板模板和大量样本图像数据进行建模训练,能够准确地识别不同类型的压板状态。
为解决上述技术问题,本发明的技术方案如下:
本发明第一方面公开一种变电站压板的状态识别方法,包括以下步骤:
S1:对压板图像进行降噪,去除压板图像中的干扰信息,同时保留压板图像的边缘特征,获得降噪后图像;
S2:对所述降噪后图像进行二值化处理,获得二值化图像;
S3:对所述二值化图像进行直线检测,获得目标直线集;
S4:根据所述目标直线集包括的压板标识直线的位置坐标,对所述压板图像进行裁剪,获得裁剪图;
S5:对所述裁剪图进行颜色特征检测后获得特征图像,并对所述特征图像进行裁剪获得目标压板图像;
S6:根据屏柜信息对所述目标压板图像进行等比分割,获得所述压板图像中各个压板对应的子图像;
S7:对所述压板图像中各个压板对应的子图像分别进行压板状态识别。
进一步地,步骤S2包括以下步骤:
S2.1:对所述降噪后图像中的各个像素点进行梯度计算,获得各个像素点的梯度幅值和梯度方向;
S2.2:按照所述各个像素点的梯度方向,对所述各个像素点的梯度幅值进行非极大值抑制,确定出候选边缘点;
S2.3:通过Sobel算子求出梯度幅值分别在水平和垂直方向的强度,然后求出高低两个阈值,将梯度幅值位于高阈值和低阈值之间的候选边缘点确定为边缘点,分别将所述边缘点和所述降噪后图像中除所述边缘点之外的非边缘点设置成不同的颜色,获得二值化图像。
进一步地,步骤S3包括以下步骤:
S3.1:基于Hough变换直线检测算法对所述二值化图像进行检测,获得第一直线集;以及,基于最小二乘法拟合直线检测算法对所述二值化图像进行检测,获得第二直线集;
S3.2:将所述第一直线集和所述第二直线集进行合并处理,获得合并直线集;
S3.3:对所述合并直线集中的直线进行M-D-M直线处理,获得目标直线集。
进一步地,步骤S3.1中,所述基于Hough变换直线检测算法对所述二值化图像进行检测获得第一直线集之后,还包括以下步骤:
根据检测到的所述第一直线集中的直线,设定共线点阈值和直线长度阈值;
当所述第一直线集中的任一直线的共线点的数量大于所述共线点阈值时,获取该直线的共线点;
对共线点的坐标进行排序,找到共线点的最大值和最小值视为该直线的两个端点,将两个端点的距离作为该直线的长度;
当该直线的长度大于所述直线长度阈值时,判定该直线为有效直线,获得包括有效直线的新的第一直线集;
以及,步骤S3.2包括:
将所述新的第一直线集和所述第二直线集进行合并处理,获得合并直线集。
进一步地,步骤S3.3包括以下步骤:
S3.3.1:判断所述合并直线集中各个直线的两个端点是否在另外一条直线上;
S3.3.2:若是,保留两条直线中较长的直线,删除较短的直线,以完成合并长短直线处理;
S3.3.3:对完成合并长短直线处理后的直线集做除一操作处理,以保留有相同并且斜率小于指定阈值的直线;
S3.3.4:对除一操作处理后的直线集中的直线两两计算距离,将任意两条距离小于预设距离的直线合并为一条直线,获得目标直线集。
本发明第二方面公开一种变电站压板的状态识别装置,包括:
降噪单元,用于对压板图像进行降噪,去除压板图像中的干扰信息,同时保留压板图像的边缘特征,获得降噪后图像;
预处理单元,用于对所述降噪后图像进行二值化处理,获得二值化图像;
直线检测单元,用于对所述二值化图像进行直线检测,获得目标直线集;
裁剪单元,用于根据所述目标直线集包括的压板标识直线的位置坐标,对所述压板图像进行裁剪,获得裁剪图;
特征单元,用于对所述裁剪图进行颜色特征检测后获得特征图像,并对所述特征图像进行裁剪获得目标压板图像;
分割单元,用于根据屏柜信息对所述目标压板图像进行等比分割,获得所述压板图像中各个压板对应的子图像;
识别单元,用于对所述压板图像中各个压板对应的子图像分别进行压板状态识别。
进一步地,所述预处理单元包括:
梯度计算模块,用于对所述降噪后图像中的各个像素点进行梯度计算,获得各个像素点的梯度幅值和梯度方向;
确定模块,用于按照所述各个像素点的梯度方向,对所述各个像素点的梯度幅值进行非极大值抑制,确定出候选边缘点;
预处理模块,用于通过Sobel算子求出梯度幅值分别在水平和垂直方向的强度,然后求出高低两个阈值,将梯度幅值位于高阈值和低阈值之间的候选边缘点确定为边缘点,分别将所述边缘点和所述降噪后图像中除所述边缘点之外的非边缘点设置成不同的颜色,获得二值化图像。
进一步地,所述直线检测单元包括:
第一检测模块,用于基于Hough变换直线检测算法对所述二值化图像进行检测,获得第一直线集;
第二检测模块,用于基于最小二乘法拟合直线检测算法对所述二值化图像进行检测,获得第二直线集;
合并模块,用于将所述第一直线集和所述第二直线集进行合并处理,获得合并直线集;
直线处理模块,用于对所述合并直线集中的直线进行M-D-M直线处理,获得目标直线集。
进一步地,所述直线检测单元还包括:
直线验证模块,用于在所述第一检测模块基于Hough变换直线检测算法对所述二值化图像进行检测获得第一直线集之后,根据检测到的所述第一直线集中的直线,设定共线点阈值和直线长度阈值;
共线点获取模块,用于在所述第一直线集中的任一直线的共线点的数量大于所述共线点阈值时,获取该直线的共线点;
长度获取模块,用于对共线点的坐标进行排序,找到共线点的最大值和最小值视为该直线的两个端点,将两个端点的距离作为该直线的长度;
判定模块,用于在该直线的长度大于所述直线长度阈值时,判定该直线为有效直线,获得包括有效直线的新的第一直线集;
以及,所述合并模块,具体用于将所述新的第一直线集和所述第二直线集进行合并处理,获得合并直线集。
进一步地,所述直线处理模块,具体用于:
判断所述合并直线集中各个直线的两个端点是否在另外一条直线上;若是,保留两条直线中较长的直线,删除较短的直线,以完成合并长短直线处理;以及,对完成合并长短直线处理后的直线集做除一操作处理,以保留有相同并且斜率小于指定阈值的直线;以及,对除一操作处理后的直线集中的直线两两计算距离,将任意两条距离小于预设距离的直线合并为一条直线,获得目标直线集。
与现有技术相比,本发明技术方案的有益效果是:本发明公开一种变电站压板的状态识别方法及装置,通过对压板图像进行降噪及二值化处理,然后对二值化处理后的二值化图像进行直线检测,获得目标直线集,然后根据目标直线集包括的压板标识直线的位置坐标,对压板图像进行裁剪获得裁剪图,再进行颜色特征检测并进行裁剪,最后对裁剪后的图像再进行等比分割,获得压板图像中各个压板对应的子图像,对各个压板对应的子图像分别进行压板状态识别,从而在完成对图像的压板定位与矫正之后,对进行图像裁剪处理,可以减少图像数据量,同时进一步提高压板状态的识别准确率,可见,不需要预设压板模板和大量样本图像数据进行建模训练,能够准确地识别不同类型的压板状态。
附图说明
图1为实施例1变电站压板的状态识别方法的流程图。
图2为实施例2变电站压板的状态识别装置的示意图。
图3为实施例1一种直线检测获得目标直线集的流程图。
图4为实施例1一种距离-角度方程坐标图。
图5为实施例1一种HSV颜色空间模型示意图。
图6为实施例1一种经过颜色特征检测后的特征图像。
其中:201、降噪单元;202、预处理单元;203、直线检测单元;204、裁剪单元;205、特征单元;206、分割单元和207、识别单元。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本实施例提供一种变电站压板的状态识别方法,包括如下步骤:
S1:对压板图像进行降噪,去除压板图像中的干扰信息,同时保留压板图像的边缘特征,获得降噪后图像。
可选地,可以采用双边滤波技术对压板图像进行降噪,获得降噪后图像。
其中,双边滤波技术所包括的滤波器主要包括以下两个函数:
其中,q(i,j)为模板窗口的其他系数的坐标;p(k,l)为模板窗口的中心坐标点;σd与σr为高斯函数的标准差;f(i,j)表示图像在点q(i,j)处的像素值;f(k,l)表示图像在点p(k,l)处的像素值。
其中,将空间域核函数与值域核函数相乘即得到双边滤波器的数据公式:
简单来说就是,在图像中像素值变化很小,对应值域权重Wr接近于1,此时空域权重Wd起主要作用,所以在该区域相当于进行高斯模糊;在图像中像素值变化很大,对应值域权重Wr接近于0,导致此处核函数下降,所以当前像素受到的影响就越小,从而可以消除压板图像上的噪声并且保留图像中边缘信息,有利于后续的边缘检测。
S2:对降噪后图像进行二值化处理,获得二值化图像;
可选地,可以采用自适应阈值Canny算法技术对降噪后图像进行二值化处理,具体可以包括以下步骤:
S2.1:对降噪后图像中的各个像素点进行梯度计算,获得各个像素点的梯度幅值和梯度方向。
具体地,可以用相邻像素的差分来计算获得降噪后图像中各个像素点的梯度幅值和梯度方向,分别记录于梯度幅值图和梯度方向图中。
S2.2:按照各个像素点的梯度方向,对各个像素点的梯度幅值进行非极大值抑制,确定出候选边缘点。
按照梯度方向图中记录的各个像素点的梯度方向,在梯度幅值图中,如果任一像素点与该像素点相邻的前后两个像素点的梯度幅值相比最大,则将该像素点确定为候选边缘点并进行保留,否则,对该像素点进行抑制。
S2.3:通过Sobel算子求出梯度幅值分别在水平和垂直方向的强度,然后求出高低两个阈值,将梯度幅值位于高阈值和低阈值之间的候选边缘点确定为边缘点,分别将边缘点和降噪后图像中除边缘点之外的非边缘点设置成不同的颜色,获得二值化图像。
其中,二值化图像中的像素点为黑白两色,可以是将边缘点设置为白色或黑色,不属于边缘的非边缘点则设置为另一种颜色。
S3:对二值化图像进行直线检测,获得目标直线集。
其中,目标直线集中的直线均为压板标识直线,压板标识直线具体可以是压板上下方的标识线。
可选地,二值化图像具体为对压板图像进行预处理后获得的预处理后图像,请一并参阅图3,如图3所示,通过对压板图像进行预处理,可获得预处理后图像,然后对预处理后图像进行基于Hough变换直线检测,检测后还进一步进行N-D双阈值检测直线,获得第一直线集,并且对预处理后图像还进行最小化乘法拟合直线,生成第二直线集,将对第一直线集和第二直线集进行合并后获得的直线集进行M-D-M直线处理,包括合并长短直线、除一操作和合并相近直线,最后生成包括压板标识直线的目标直线集。
进一步可选地,步骤S3可以包括以下步骤:
S3.1:基于Hough变换直线检测对二值化图像进行检测,获得第一直线集;以及,基于最小二乘法拟合直线对二值化图像进行检测,获得第二直线集。
其中,请参阅图4,图4是实施例1一种距离-角度方程坐标图,可以将每一个白色的像素点的坐标(xn,yn)转化成图4所示的距离-角度参数平面o-ρθ中的一条曲线,再根据多条曲线的交点找到直线方程式的参数ρ和参数θ,最后得到直线方程式,根据直线方程式确定出第一直线集;以及,可以对二值化图像进行最小二乘法拟合,得到直线的斜率和截距,再根据直线的斜率和截距确定出第二直线集中的直线,可以提高直线检测的精度。
S3.2:将第一直线集和第二直线集进行合并处理,获得合并直线集。
可选地,步骤S3.1中,在确定出第一直线集之后,还可以运用N-D双阈值检测直线的两个判断标准来评定第一直线集中的直线是否正确。具体地,首先根据检测到的第一直线集中的直线,设定共线点阈值NP,直线长度阈值DP,当第一直线集中的任一直线的共线点的数量大于共线点阈值NP时,获取该直线的共线点;然后对共线点的坐标进行排序,找到共线点的最大值(xm,ym)和最小值(xn,yn)视为该直线的两个端点,将两个端点的距离作为该直线的长度,当该直线的长度大于直线长度阈值DP时,判定该直线为有效直线,获得包括有效直线的第一直线集,从而可以过滤掉第一直线集中的短直线,进而提高直线检测的准确度。相应地,在步骤S3.2中,则是将新的第一直线集和第二直线集进行合并处理,获得合并直线集。
S3.3:对合并直线集中的直线进行M-D-M直线处理,获得目标直线集。
其中,将基于Hough变换直线检测和最小二乘法拟合直线检测到的直线集进行合并,此时的合并直线集仍是冗余的,即含有大量重复的直线,因此,可以进一步进行M-D-M直线处理,获得目标直线集。具体地包括:
判断合并直线集中各个直线的两个端点是否在另外一条直线上,若是,保留两条直线中较长的直线,删除较短的直线,以完成合并长短直线处理;然后对完成合并长短直线处理后的直线集做除一操作处理,即只保留有相同并且斜率小于指定阈值的直线;最后对除一操作处理后的直线集中的直线两两计算距离,将任意两条距离小于预设距离的直线合并为一条直线,获得目标直线集。其中,指定阈值可以是近似0的一个具体数值,预设距离也可以是近似0的一个具体数值,它们均可以是由开发人员根据实际情况而设定。
如此,通过判断直线的两个端点是否在另外一条直线上,可以合并长短直线,解決一条直线被重复地检测到的问题。另外,需要说明的是,压板上下方的直线斜率是一致的,并且压板区域的直线具有与地面平行的特点,换而言之,在合并直线集中存在唯一的斜率直线、不存在相近斜率的直线、斜率不近似0的直线都不是压板标识线,该操作能有效地消除单一斜率的直线和垂直的竖线,能移除大多数非压板标识线。以及,通过将任意两条距离相近的直线合并为一条直线,能够合并相近直线,防止较宽的直线被重复检测为两条直线,从而实现了消除多余或者重复直线的干扰,精准找到压板上下方的标识线。
S4:根据目标直线集包括的压板标识直线的位置坐标,对压板图像进行裁剪,获得裁剪图。
根据压板上下方的标识线的位置坐标,可以将压板图像中压板上下的空白区域裁掉,得到保留压板区域的裁剪图。
S5:对裁剪图进行颜色特征检测后获得特征图像,并对特征图像进行裁剪获得目标压板图像。
为了进一步提高裁剪图中所保留的压板区域的精准度,可以采用如图5所示的HSV颜色空间模型对裁剪图进行颜色特征检测获得特征图像,然后对特征图像进行裁剪获得目标压板图像。如图5所示,HSV颜色空间模型中三个维度分别为:S表示饱和度,H表示色调,V表示明度。
其中,特征图像也是二值化图像,如图6所示,图6为实施例1一种经过颜色特征检测后的特征图像,其中,黑色特征区域为背景区域,包含多个白色特征区域的为压板区域。可见,在压板区域上下还存在大部分的黑色特征区域,这些都是无用信息,因此,可以将这些黑色特征区域裁剪掉,留下只保留压板区域的目标压板图像。
S6:根据屏柜信息对目标压板图像进行等比分割,获得压板图像中各个压板对应的子图像;其中,该屏柜信息包括目标压板图像中压板的行数和列数。
例如,假设屏柜信息包括压板有四行九列,那么可以对高度按四等分、对宽度按九等分对目标压板图像进行分割,获得各个压板对应的子图像。
S7:对压板图像中各个压板对应的子图像分别进行压板状态识别。
上述的方法,可应用于多种类型的压板定位与矫正,通过将图像中的压板找出来,并且分割图像得到单个压板图像,也即,在完成对图像的压板定位与矫正之后,对进行图像裁剪处理,可以减少图像数据量,同时进一步提高压板状态的识别准确率。可应用不限于“长方形”压板、“刀型”压板及“三角形”压板等不同样式压板图像处理。
本实施例提供一种变电站压板的状态识别方法,通过对压板图像进行降噪及二值化处理,然后对二值化处理后的二值化图像进行直线检测,获得目标直线集,然后根据目标直线集包括的压板标识直线的位置坐标,对压板图像进行裁剪获得裁剪图,再进行颜色特征检测并进行裁剪,最后对裁剪后的图像再进行等比分割,获得压板图像中各个压板对应的子图像,对各个压板对应的子图像分别进行压板状态识别,从而在完成对图像的压板定位与矫正之后,对进行图像裁剪处理,可以减少图像数据量,同时进一步提高压板状态的识别准确率,可见,不需要预设压板模板和大量样本图像数据进行建模训练,能够准确地识别不同类型的压板状态。
实施例2
如图2所示,本实施例提供一种变电站压板的状态识别装置,包括降噪单元201、预处理单元202、直线检测单元203、裁剪单元204、特征单元205、分割单元206和识别单元207;其中:
降噪单元201,用于对压板图像进行降噪,去除压板图像中的干扰信息,同时保留压板图像的边缘特征,获得降噪后图像;
预处理单元202,用于对降噪后图像进行二值化处理,获得二值化图像;
直线检测单元203,用于对二值化图像进行直线检测,获得目标直线集;
裁剪单元204,用于根据目标直线集包括的压板标识直线的位置坐标,对压板图像进行裁剪获得裁剪图;
特征单元205,用于对裁剪图进行颜色特征检测后获得特征图像,并对特征图像进行裁剪获得目标压板图像;
分割单元206,用于根据屏柜信息对目标压板图像进行等比分割,获得压板图像中各个压板对应的子图像;
识别单元207,用于对压板图像中各个压板对应的子图像分别进行压板状态识别。
进一步地,预处理单元202包括:
梯度计算模块,用于对降噪后图像中的各个像素点进行梯度计算,获得各个像素点的梯度幅值和梯度方向;
确定模块,用于按照各个像素点的梯度方向,对各个像素点的梯度幅值进行非极大值抑制,确定出候选边缘点;
预处理模块,用于通过Sobel算子求出梯度幅值分别在水平和垂直方向的强度,然后求出高低两个阈值,将梯度幅值位于高阈值和低阈值之间的候选边缘点确定为边缘点,分别将边缘点和降噪后图像中除边缘点之外的非边缘点设置成不同的颜色,获得二值化图像。
进一步地,直线检测单元203包括:
第一检测模块,用于基于Hough变换直线检测算法对二值化图像进行检测,获得第一直线集;
第二检测模块,用于基于最小二乘法拟合直线检测算法对二值化图像进行检测,获得第二直线集;
合并模块,用于将第一直线集和第二直线集进行合并处理,获得合并直线集;
直线处理模块,用于对合并直线集中的直线进行M-D-M直线处理,获得目标直线集。
进一步地,直线检测单元203还包括:
直线验证模块,用于在第一检测模块基于Hough变换直线检测算法对二值化图像进行检测获得第一直线集之后,根据检测到的第一直线集中的直线,设定共线点阈值和直线长度阈值;
共线点获取模块,用于在第一直线集中的任一直线的共线点的数量大于共线点阈值时,获取该直线的共线点;
长度获取模块,用于对共线点的坐标进行排序,找到共线点的最大值和最小值视为该直线的两个端点,将两个端点的距离作为该直线的长度;
判定模块,用于在该直线的长度大于直线长度阈值时,判定该直线为有效直线,获得包括有效直线的新的第一直线集;
以及,上述的合并模块,具体用于将新的第一直线集和第二直线集进行合并处理,获得合并直线集。
进一步地,上述的直线处理模块具体可以用于:
判断合并直线集中各个直线的两个端点是否在另外一条直线上;若是,保留两条直线中较长的直线,删除较短的直线,以完成合并长短直线处理;以及,对完成合并长短直线处理后的直线集做除一操作处理,以保留有相同并且斜率小于指定阈值的直线;以及,对除一操作处理后的直线集中的直线两两计算距离,将任意两条距离小于预设距离的直线合并为一条直线,获得目标直线集。
本实施例提供一种变电站压板的状态识别装置,通过对压板图像进行降噪及二值化处理,然后对二值化处理后的二值化图像进行直线检测,获得目标直线集,然后根据目标直线集包括的压板标识直线的位置坐标,对压板图像进行裁剪获得裁剪图,再进行颜色特征检测并进行裁剪,最后对裁剪后的图像再进行等比分割,获得压板图像中各个压板对应的子图像,对各个压板对应的子图像分别进行压板状态识别,从而在完成对图像的压板定位与矫正之后,对进行图像裁剪处理,可以减少图像数据量,同时进一步提高压板状态的识别准确率,可见,不需要预设压板模板和大量样本图像数据进行建模训练,能够准确地识别不同类型的压板状态。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种变电站压板的状态识别方法,其特征在于,包括以下步骤:
S1:对压板图像进行降噪,去除压板图像中的干扰信息,同时保留压板图像的边缘特征,获得降噪后图像;
S2:对所述降噪后图像进行二值化处理,获得二值化图像;
S3:对所述二值化图像进行直线检测,获得目标直线集;
S4:根据所述目标直线集包括的压板标识直线的位置坐标,对所述压板图像进行裁剪,获得裁剪图;
S5:对所述裁剪图进行颜色特征检测后获得特征图像,并对所述特征图像进行裁剪获得目标压板图像;
S6:根据屏柜信息对所述目标压板图像进行等比分割,获得所述压板图像中各个压板对应的子图像;
S7:对所述压板图像中各个压板对应的子图像分别进行压板状态识别。
2.根据权利要求1所述的一种变电站压板的状态识别方法,其特征在于,步骤S2包括以下步骤:
S2.1:对所述降噪后图像中的各个像素点进行梯度计算,获得各个像素点的梯度幅值和梯度方向;
S2.2:按照所述各个像素点的梯度方向,对所述各个像素点的梯度幅值进行非极大值抑制,确定出候选边缘点;
S2.3:通过Sobel算子求出梯度幅值分别在水平和垂直方向的强度,然后求出高低两个阈值,将梯度幅值位于高阈值和低阈值之间的候选边缘点确定为边缘点,分别将所述边缘点和所述降噪后图像中除所述边缘点之外的非边缘点设置成不同的颜色,获得二值化图像。
3.根据权利要求1所述的一种变电站压板的状态识别方法,其特征在于,步骤S3包括以下步骤:
S3.1:基于Hough变换直线检测算法对所述二值化图像进行检测,获得第一直线集;以及,基于最小二乘法拟合直线检测算法对所述二值化图像进行检测,获得第二直线集;
S3.2:将所述第一直线集和所述第二直线集进行合并处理,获得合并直线集;
S3.3:对所述合并直线集中的直线进行M-D-M直线处理,获得目标直线集。
4.根据权利要求3所述的一种变电站压板的状态识别方法,其特征在于,步骤S3.1中,所述基于Hough变换直线检测算法对所述二值化图像进行检测获得第一直线集之后,还包括以下步骤:
根据检测到的所述第一直线集中的直线,设定共线点阈值和直线长度阈值;
当所述第一直线集中的任一直线的共线点的数量大于所述共线点阈值时,获取该直线的共线点;
对共线点的坐标进行排序,找到共线点的最大值和最小值视为该直线的两个端点,将两个端点的距离作为该直线的长度;
当该直线的长度大于所述直线长度阈值时,判定该直线为有效直线,获得包括有效直线的新的第一直线集;
以及,步骤S3.2包括:
将所述新的第一直线集和所述第二直线集进行合并处理,获得合并直线集。
5.根据权利要求3或4所述的一种变电站压板的状态识别方法,其特征在于,步骤S3.3包括以下步骤:
S3.3.1:判断所述合并直线集中各个直线的两个端点是否在另外一条直线上;
S3.3.2:若是,保留两条直线中较长的直线,删除较短的直线,完成合并长短直线处理;
S3.3.3:对完成合并长短直线处理后的直线集做除一操作处理,保留有相同并且斜率小于指定阈值的直线;
S3.3.4:对除一操作处理后的直线集中的直线两两计算距离,将任意两条距离小于预设距离的直线合并为一条直线,获得目标直线集。
6.一种变电站压板的状态识别装置,其特征在于,包括:
降噪单元,用于对压板图像进行降噪,去除压板图像中的干扰信息,同时保留压板图像的边缘特征,获得降噪后图像;
预处理单元,用于对所述降噪后图像进行二值化处理,获得二值化图像;
直线检测单元,用于对所述二值化图像进行直线检测,获得目标直线集;
裁剪单元,用于根据所述目标直线集包括的压板标识直线的位置坐标,对所述压板图像进行裁剪,获得裁剪图;
特征单元,用于对所述裁剪图进行颜色特征检测后获得特征图像,并对所述特征图像进行裁剪获得目标压板图像;
分割单元,用于根据屏柜信息对所述目标压板图像进行等比分割,获得所述压板图像中各个压板对应的子图像;
识别单元,用于对所述压板图像中各个压板对应的子图像分别进行压板状态识别。
7.根据权利要求6所述的一种变电站压板的状态识别装置,其特征在于,所述预处理单元包括:
梯度计算模块,用于对所述降噪后图像中的各个像素点进行梯度计算,获得各个像素点的梯度幅值和梯度方向;
确定模块,用于按照所述各个像素点的梯度方向,对所述各个像素点的梯度幅值进行非极大值抑制,确定出候选边缘点;
预处理模块,用于通过Sobel算子求出梯度幅值分别在水平和垂直方向的强度,然后求出高低两个阈值,将梯度幅值位于高阈值和低阈值之间的候选边缘点确定为边缘点,分别将所述边缘点和所述降噪后图像中除所述边缘点之外的非边缘点设置成不同的颜色,获得二值化图像。
8.根据权利要求6所述的一种变电站压板的状态识别装置,其特征在于,所述直线检测单元包括:
第一检测模块,用于基于Hough变换直线检测算法对所述二值化图像进行检测,获得第一直线集;
第二检测模块,用于基于最小二乘法拟合直线检测算法对所述二值化图像进行检测,获得第二直线集;
合并模块,用于将所述第一直线集和所述第二直线集进行合并处理,获得合并直线集;
直线处理模块,用于对所述合并直线集中的直线进行M-D-M直线处理,获得目标直线集。
9.根据权利要求8所述的一种变电站压板的状态识别装置,其特征在于,所述直线检测单元还包括:
直线验证模块,用于在所述第一检测模块基于Hough变换直线检测算法对所述二值化图像进行检测获得第一直线集之后,根据检测到的所述第一直线集中的直线,设定共线点阈值和直线长度阈值;
共线点获取模块,用于在所述第一直线集中的任一直线的共线点的数量大于所述共线点阈值时,获取该直线的共线点;
长度获取模块,用于对共线点的坐标进行排序,找到共线点的最大值和最小值视为该直线的两个端点,将两个端点的距离作为该直线的长度;
判定模块,用于在该直线的长度大于所述直线长度阈值时,判定该直线为有效直线,获得包括有效直线的新的第一直线集;
以及,所述合并模块,具体用于将所述新的第一直线集和所述第二直线集进行合并处理,获得合并直线集。
10.根据权利要求8或9所述的一种变电站压板的状态识别装置,其特征在于,所述直线处理模块,具体用于:
判断所述合并直线集中各个直线的两个端点是否在另外一条直线上;若是,保留两条直线中较长的直线,删除较短的直线,以完成合并长短直线处理;以及,对完成合并长短直线处理后的直线集做除一操作处理,以保留有相同并且斜率小于指定阈值的直线;以及,对除一操作处理后的直线集中的直线两两计算距离,将任意两条距离小于预设距离的直线合并为一条直线,获得目标直线集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228444.2A CN112528741B (zh) | 2020-11-06 | 2020-11-06 | 一种变电站压板的状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228444.2A CN112528741B (zh) | 2020-11-06 | 2020-11-06 | 一种变电站压板的状态识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528741A true CN112528741A (zh) | 2021-03-19 |
CN112528741B CN112528741B (zh) | 2022-01-21 |
Family
ID=74979759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011228444.2A Active CN112528741B (zh) | 2020-11-06 | 2020-11-06 | 一种变电站压板的状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528741B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488783A (zh) * | 2015-09-25 | 2016-04-13 | 许世昌 | 基于移动计算的电力二次压板状态检查系统及其使用方法 |
CN106295491A (zh) * | 2016-03-09 | 2017-01-04 | 北京智芯原动科技有限公司 | 车道直线检测方法及装置 |
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 |
CN108121996A (zh) * | 2017-11-21 | 2018-06-05 | 武汉中元华电软件有限公司 | 一种基于机器视觉的电力屏柜硬压板状态识别方法 |
CN109447285A (zh) * | 2018-10-24 | 2019-03-08 | 贵州电网有限责任公司 | 一种基于图形自我对比的保护压板状态识别方法 |
CN109753902A (zh) * | 2018-12-21 | 2019-05-14 | 广西电网有限责任公司来宾供电局 | 基于hough变换图像处理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 |
CN111723821A (zh) * | 2020-06-11 | 2020-09-29 | 上海电力大学 | 一种电厂仪表图像的检测识别方法及装置 |
-
2020
- 2020-11-06 CN CN202011228444.2A patent/CN112528741B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488783A (zh) * | 2015-09-25 | 2016-04-13 | 许世昌 | 基于移动计算的电力二次压板状态检查系统及其使用方法 |
CN106295491A (zh) * | 2016-03-09 | 2017-01-04 | 北京智芯原动科技有限公司 | 车道直线检测方法及装置 |
CN108121996A (zh) * | 2017-11-21 | 2018-06-05 | 武汉中元华电软件有限公司 | 一种基于机器视觉的电力屏柜硬压板状态识别方法 |
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 |
CN109447285A (zh) * | 2018-10-24 | 2019-03-08 | 贵州电网有限责任公司 | 一种基于图形自我对比的保护压板状态识别方法 |
CN109753902A (zh) * | 2018-12-21 | 2019-05-14 | 广西电网有限责任公司来宾供电局 | 基于hough变换图像处理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 |
CN111723821A (zh) * | 2020-06-11 | 2020-09-29 | 上海电力大学 | 一种电厂仪表图像的检测识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112528741B (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311542B (zh) | 一种产品质量检测方法及装置 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN110119741B (zh) | 一种有背景的卡证图像信息识别方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
US8009928B1 (en) | Method and system for detecting and recognizing text in images | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
KR101182173B1 (ko) | 차량 번호판 인식 방법 및 시스템 | |
Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN111582000B (zh) | 一种条形码定位方法、装置及相关设备 | |
CN112560538B (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
CN110674812A (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN110288619B (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
CN116052152A (zh) | 一种基于轮廓检测和深度神经网络的车牌识别系统 | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN108205678B (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN112926695A (zh) | 基于模板匹配的图像识别方法和系统 | |
CN112528741B (zh) | 一种变电站压板的状态识别方法及装置 | |
CN110008955B (zh) | 一种汽车刹车片表面字符压印质量检验方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN115063375B (zh) | 一种对排卵试纸检测结果进行自动分析的图像识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |