CN112712547A - 一种隔离开关的状态检测方法及模型的建立方法 - Google Patents
一种隔离开关的状态检测方法及模型的建立方法 Download PDFInfo
- Publication number
- CN112712547A CN112712547A CN202011559530.1A CN202011559530A CN112712547A CN 112712547 A CN112712547 A CN 112712547A CN 202011559530 A CN202011559530 A CN 202011559530A CN 112712547 A CN112712547 A CN 112712547A
- Authority
- CN
- China
- Prior art keywords
- image
- state
- result
- isolating switch
- splicing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010586 diagram Methods 0.000 claims description 22
- 230000003068 static effect Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000002955 isolation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002195 synergetic effect 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种隔离开关的状态检测方法及模型的建立方法,其中,隔离开关的状态检测方法包括:获取隔离开关的实时运动视频,并按帧截取实时运动视频以得到第一图像和第二图像;将第一图像分别与预设合闸图像、预设分闸图像以及第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图;分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,得到第一结果,将运动状态拼接图输入至隔离开关状态检测模型,得到第二结果,根据第一结果和第二结果,得到隔离开关的状态。本发明公开的技术方案用于检测隔离开关的状态时,能以较高的精度识别出当前隔离开关的状况,并准确判断隔离开关是否故障。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种隔离开关的状态检测方法及模型的建立方法。
背景技术
隔离开关的状态识别,是变电站中巡检人员日常巡检过程中非常重要的一块,隔离开关的运行状态对于电力系统的稳定运行起到了非常重要的作用。
目前,基于人工巡检的隔离开关的状态检测方法,人工效率低,花费成本高,且无法准确判断隔离开关的状态,导致隔离开关发生问题后不能及时处理。
发明内容
鉴于上述问题,本发明提出一种隔离开关的状态检测方法及模型的建立方法。
第一方面,本发明的第一个实施方案提供一种隔离开关的状态检测方法,包括:
获取隔离开关的实时运动视频,并按帧截取实时运动视频以得到第一图像和第二图像,其中,第一图像为第二图像的前一帧图像;
将第一图像分别与预设合闸图像、预设分闸图像以及第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图;
分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像分别与预设合闸图像和预设分闸图像是否匹配来确定第一结果,其中,第一结果为合闸状态、分闸状态以及中间状态中的一种;
将运动状态拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像与第二图像是否匹配来确定第二结果,其中,第二结果为运动状态或静止状态;
根据第一结果和第二结果,确定隔离开关的状态。
进一步地,上述隔离开关的状态检测方法,还包括:
若第一图像与预设合闸图像匹配,确定第一结果为合闸状态;
若第一图像与预设分闸图像匹配,确定第一结果为分闸状态;
若第一图像与预设合闸图像和预设分闸图像均不匹配,确定第一结果为中间状态。
进一步地,上述隔离开关的状态检测方法,还包括:
若第一图像与第二图像不匹配,确定第二结果为运动状态;
若第一图像与第二图像匹配,确定第二结果为静止状态。
进一步地,上述隔离开关的状态检测方法,还包括:
若第一结果为合闸状态,第二结果为静止状态,确定隔离开关的状态为正常合闸;
若第一结果为分闸状态,第二结果为静止状态,确定隔离开关的状态为正常分闸;
若第一结果为中间状态,第二结果为运动状态,确定隔离开关的状态为正常运动;
若第一结果为中间状态,第二结果为静止状态,确定隔离开关的状态为异常。
进一步地,上述隔离开关的状态检测方法,还包括:
若连续确定隔离开关的状态为异常的次数达到预设阈值,确定隔离开关的状态为故障,并发送提示信息。
进一步的,上述隔离开关的状态检测方法中,隔离开关状态检测模型通过以下方法得到:
获取从不同角度拍摄的多张隔离开关图像;
将多张隔离开关图像两两拼接成样本图,并根据样本图中的两张隔离开关图像的运行状态是否相同进行标注,得到有差异样本和无差异样本;
利用有差异样本和无差异样本训练神经网络模型,得到隔离开关状态检测模型。
第二方面,本发明的第二个实施方案提供提出一种隔离开关的状态检测装置,包括:
获取模块,用于获取隔离开关的实时运动视频,并按帧截取实时运动视频以得到第一图像和第二图像,其中,第一图像为第二图像的前一帧图像;
拼接模块,用于将第一图像分别与预设合闸图像、预设分闸图像以及第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图;
第一判断模块,用于分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像分别与预设合闸图像和预设分闸图像是否匹配来确定第一结果,第一结果为合闸状态、分闸状态以及中间状态中的一种;
第二判断模块,用于将运动状态拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像与第二图像是否匹配来确定第二结果,其中,第二结果为运动状态或静止状态;
状态确定模块,用于根据第一结果和第二结果,确定隔离开关的状态。
进一步,上述隔离开关的状态检测装置还包括模型获取装置,用于获取第一判断模块和第二判断模块中的隔离开关状态检测模型,上述模型获取装置包括:
样本获取子模块,用于获取从不同角度拍摄的多张隔离开关图像;
样本处理子模块,用于将多张所述隔离开关图像两两拼接成样本图,并根据样本图中的两张隔离开关的运行状态是否相同进行标注,得到有差异样本和无差异样本;
训练子模块,用于利用有差异样本和无差异样本训练神经网络模型,得到所述隔离开关状态检测模型。
第三方面,本发明的第三个实施方案提供一种计算机设备,计算机终端包括存储器和处理器,存储器用于存储计算机程序,处理器运行计算机程序以使计算机终端执行上述第一方面的方法。
第四方面,本发明的第四个实施方案提供一种可读存储介质,存储有计算机程序,计算机程序在存储器上运行时执行上述第一方面的方法。
上述隔离开关的状态检测方法,实时获取隔离开关的运动视频,并按帧截取运动视频以得到第一图像和第二图像,将第一图像分别与预设合闸图像、预设分闸图像拼接,得到第一拼接图和第二拼接图;将第一图像与第二图像拼接,得到运动状态拼接图;分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,得到第一结果;再将运动状态拼接图输入至隔离开关状态检测模型,得到第二结果;根据第一结果和第二结果的组合状况,得出隔离开关的当前状态。本技术方案利用神经网络模型判断隔离开关的当前图像与预设图像是否存在差异,再判断隔离开关的前后帧图像是否存在差异,由此,简单且高效地完成了隔离开关的状态检测,鲁棒性强且适用性广,相比于人工检测隔离开关的状态,降低了成本且检测精度得到明显提高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本发明隔离开关的状态检测方法的一种流程示意图;
图2示出了本发明隔离开关的状态检测装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所述领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
在本实施例中,参见图1,示出一种隔离开关的状态检测方法,包括:
S110,获取隔离开关的实时运动视频,并按帧截取实时运动视频以得到第一图像和第二图像。
具体的,第一图像为第二图像的前一帧图像,换言之,第一图像和第二图像为相连的前后帧图像。
可选的,上述隔离开关可以是110kv隔离开关、220kv隔离开关等开关器材。
S120,将第一图像分别与预设合闸图像、预设分闸图像以及第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图。
其中,第一图像、第二图像、预设合闸图像以及预设分闸图像都是基于相同的角度和摄像装置拍摄得到;拼接就是将两张图像并列放置在一起。
S130,分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像分别与预设合闸图像和预设分闸图像是否匹配来确定第一结果,第一结果为合闸状态、分闸状态以及中间状态中的一种。
具体的,隔离开关状态检测模型用于判断拼接的两张图像是否匹配,即判断第一拼接图和第二拼接中,左右两张图像中的隔离开关的状态是否匹配,并根据匹配结果得出第一结果。
示范性的,以220kv隔离开关为例,220kv隔离开关通过两只交叉的机械臂的上下移动,以完成隔离开关的合闸和分闸。在本申请中,实时检测当前隔离开关的机械臂的位置,相对于预设合闸图像或预设分闸图像中隔离开关的机械臂的位置是否存在差异,以判断隔离开关的状态是否匹配。
其中,第一结果为合闸状态、分闸状态以及中间状态中的任一种。
示范性的,上述S130还可以采用以下任一种方式进行:
若第一图像与预设合闸图像匹配,确定第一结果为合闸状态;
若第一图像与预设分闸图像匹配,确定第一结果为分闸状态;
若第一图像与预设合闸图像和预设分闸图像均不匹配,确定第一结果为中间状态。
具体的,将第一拼接图和第二拼接图分别输入至隔离开关状态检测模型后,隔离开关状态检测模型检测第一拼接图中拼接的第一图像和预设合闸图像是否匹配,若匹配,则得出第一结果为合闸状态;若不匹配,检测第二拼接图中拼接的第一图像和预设分闸图像是否匹配,若匹配,则得出第一结果为分闸状态,若第一图像既不与预设合闸图像匹配,也不与预设分闸图像匹配,则得出第一结果为中间状态。
S140,将运动状态拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像与第二图像是否匹配来确定第二结果,其中,第二结果为运动状态或静止状态。
具体的,将运动状态拼接图输入至隔离开关状态检测模型,隔离开关模型检测第一图像和第二图像中的隔离开关的位置是否匹配,并根据匹配结果输出第二结果。
示范性的,上述S140可以采用以下其中一种方式进行:
若第一图像与第二图像不匹配,确定第二结果为运动状态;
若第一图像与第二图像匹配,确定第二结果为静止状态。
具体的,将运动状态拼接图输入至隔离开关状态检测模型后,隔离开关状态检测模型检测第一图像和第二图像是否匹配。
示范性的,以220kv隔离开关为例,在本发明中,通过实时检测当前隔离开关的两只机械臂,在前后两帧图像,即第一图像和第二图像中,机械臂的位置是否发生改变以确定隔离开关是否发生变化,由此得出第一图像和第二图像是否匹配。
若不匹配,即隔离开关的前后两帧存在差异,可知隔离开关处于变化的状态,由此得到第二结果为运动状态;若第一图像和第二图像匹配,则隔离开关处于静止状况,由此得到第二结果为静止状态。
进一步的,S130和S140中的隔离开关状态检测模型,可以通过以下方方式获得:
首先,获取从不同角度拍摄的多张隔离开关图像。
具体的,通过多个摄像机从不同场景下,拍摄多张任意角度任意时刻的包含隔离开关的图像作为样本。
其次,将多张隔离开关图像两两拼接成样本图,并根据样本图中的两张隔离开关图像的运行状态是否相同进行标注,得到有差异样本和无差异样本。
将样本图像两两拼接,拼接的两张图像为同一角度、同一场景的样本图像,换言之,排除天气、灯光等光照因素,两张图像中仅隔离开关的状态可能存在差异;并根据两张样本图像中的隔离开关的状态是否相同进行拼接,如一张样本图像中的隔离开关的状态为合闸,另一张样本图像中的隔离开关的状态为分闸,二者拼接后被标注为有差异样本。由此,完成训练集的构建。
最后,利用有差异样本和无差异样本训练神经网络模型,得到隔离开关状态检测模型。
具体的,利用上述训练集中的有差异样本和无差异样本,训练神经网络模型,使得神经网络模型能判断任意角度任意场景下,两张隔离开关图像是否存在差异,其中,神经网络模型可以是yolov3、RCNN、Faster-RCNN等神经网络模型中的任一种。
基于上述隔离开关状态检测模型的获取方法,将标注好的样本图作为样本以训练神经网络模型,得到训练好的隔离开关状态检测模型。由此,使得隔离开关状态检测模型能判断任意角度任意时刻下,两张隔离开关图像是否存在差异。
S150,根据第一结果和第二结果,得到隔离开关的状态。
具体的,根据第一结果和第二结果的组合情况来判断隔离开关属于正常合闸、正常分闸、正常运动及异常中的何种状态。
示范性的,上述S150可以采用以下任一种方式进行:
若第一结果为合闸状态,第二结果为静止状态,确定隔离开关的状态为正常合闸;
若第一结果为分闸状态,第二结果为静止状态,确定隔离开关的状态为正常分闸;
若第一结果为中间状态,第二结果为运动状态,确定隔离开关的状态为正常运动;
若第一结果为中间状态,第二结果为静止状态,确定隔离开关的状态为异常。
由此,通过第一结果和第二结果的组合状况,简单高效的完成了隔离开关的状态检测。
进一步的,在上述S150中,若第一结果为中间状态,第二结果为静止状态,确定隔离开关的状态为异常的步骤之后,还包括:
若连续确定隔离开关的状态为异常的次数达到预设阈值,确定隔离开关的状态为故障,并发送提示信息。
具体的,在连续检测到隔离开关的状态为异常时,才得到隔离开关的状态为故障,避免了隔离开关的错误检测,提高了故障检测的准确性。并将故障的隔离开关的信息发送至运维人员,由此,使得运维人员能快速定位故障的隔离开关并完成检修,从而保证了隔离开关的精准维检修。
上述隔离开关的状态检测方法,实时获取隔离开关的运动视频,并按帧截取运动视频以得到第一图像和第二图像,将第一图像分别与预设合闸图像、预设分闸图像拼接,得到第一拼接图和第二拼接图;将第一图像与第二图像拼接,得到运动状态拼接图;分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,得到第一结果;再将运动状态拼接图输入至隔离开关状态检测模型,得到第二结果;根据第一结果和第二结果,得出隔离开关的当前状态。利用神经网络模型判断隔离开关的当前图像与预设图像是否存在差异,再判断隔离开关的前后帧图像是否存在差异,由此,简单且高效地完成了隔离开关的状态检测,适用性广,相比于人工检测隔离开关的状态,降低了成本且检测精度得到明显提高。
实施例2
在本实施例中,参见图2,示出一种隔离开关的状态检测装置200,包括获取模块210,拼接模块220,第一判断模块230,第二判断模块240,状态确定模块250,其中:
获取模块210,用于获取隔离开关的实时运动视频,并按帧截取实时运动视频以得到第一图像和第二图像;
拼接模块220,用于将第一图像分别与预设合闸图像、预设分闸图像以及第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图;
第一判断模块230,用于分别将第一拼接图和第二拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像分别与预设合闸图像和预设分闸图像是否匹配来确定第一结果,第一结果为合闸状态、分闸状态以及中间状态中的一种;
第二判断模块240,第二判断模块,用于将运动状态拼接图输入至隔离开关状态检测模型,隔离开关状态检测模型根据第一图像与第二图像是否匹配来确定第二结果,其中,第二结果为运动状态或静止状态;
状态确定模块250,用于根据第一结果和第二结果,确定隔离开关的状态。
进一步的,上述隔离开关的状态检测装置200,还包括模型获取模块,用于获取上述第一判断模块230和第二判断模块240中的隔离开关状态检测模型,模型获取模块包括:样本获取子模块,样本处理子模块,训练子模块,其中:
样本获取子模块,用于获取从不同角度拍摄的多张隔离开关图像;
样本处理子模块,用于将多张隔离开关图像两两拼接成样本图,并根据样本图中的两张隔离开关的运行状态是否相同来进行标注,得到有差异样本和无差异样本;
训练子模块,用于利用有差异样本和无差异样本训练神经网络模型,得到隔离开关状态检测模型。
应当理解,本实施例的技术方案通过上述各个功能模块的协同作用,用于执行上述实施例1的隔离开关的状态检测方法,实施例1所涉及的实施方案以及有益效果在本实施例中同样适用,在此不再赘述。
在本实施例中,还涉及一种计算机设备,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述终端设备能执行上述实施例1的方法。
在本实施例中,还涉及一种可读存储介质,存储有计算机程序,所述计算机程序在处理器上运行时执行上述实施例1的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种隔离开关的状态检测方法,其特征在于:
获取隔离开关的实时运动视频,并按帧截取所述实时运动视频以得到第一图像和第二图像,其中,所述第一图像为所述第二图像的前一帧图像;
将所述第一图像分别与预设合闸图像、预设分闸图像以及所述第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图;
分别将所述第一拼接图和所述第二拼接图输入至隔离开关状态检测模型,所述隔离开关状态检测模型根据所述第一图像分别与所述预设合闸图像和所述预设分闸图像是否匹配来确定第一结果,其中,所述第一结果为合闸状态、分闸状态以及中间状态中的一种;
将所述运动状态拼接图输入至所述隔离开关状态检测模型,所述隔离开关状态检测模型根据所述第一图像与所述第二图像是否匹配来确定第二结果,其中,所述第二结果为运动状态或静止状态;
根据所述第一结果和所述第二结果,确定所述隔离开关的状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一图像分别与所述预设合闸图像和所述预设分闸图像是否匹配来确定第一结果包括:
若所述第一图像与所述预设合闸图像匹配,确定所述第一结果为合闸状态;
若所述第一图像与所述预设分闸图像匹配,确定所述第一结果为分闸状态;
若所述第一图像与所述预设合闸图像和所述预设分闸图像均不匹配,确定所述第一结果为中间状态。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一图像与所述第二图像是否匹配来确定第二结果包括:
若所述第一图像与所述第二图像不匹配,确定所述第二结果为运动状态;
若所述第一图像与所述第二图像匹配,确定所述第二结果为静止状态。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一结果和所述第二结果,确定所述隔离开关的状态包括:
若所述第一结果为所述合闸状态,所述第二结果为所述静止状态,确定所述隔离开关的状态为正常合闸;
若所述第一结果为所述分闸状态,所述第二结果为所述静止状态,确定所述隔离开关的状态为正常分闸;
若所述第一结果为所述中间状态,所述第二结果为所述运动状态,确定所述隔离开关的状态为正常运动;
若所述第一结果为所述中间状态,所述第二结果为所述静止状态,确定所述隔离开关的状态为异常。
5.根据权利要求4所述的方法,其特征在于,还包括:
若连续确定所述隔离开关的状态为异常的次数达到预设阈值,确定所述隔离开关的状态为故障,并发送提示信息。
6.根据权利要求1所述的方法,其特征在于,所述隔离开关状态检测模型通过以下方法得到:
获取从不同角度拍摄的多张隔离开关图像;
将多张所述隔离开关图像两两拼接成样本图,并根据所述样本图中的两张隔离开关的运行状态是否相同进行标注,得到有差异样本和无差异样本;
利用所述有差异样本和所述无差异样本训练神经网络模型,得到所述隔离开关状态检测模型。
7.一种隔离开关的状态检测装置,其特征在于:
获取模块,用于获取隔离开关的实时运动视频,并按帧截取所述实时运动视频以得到第一图像和第二图像,其中,所述第一图像为所述第二图像的前一帧图像;
拼接模块,用于将所述第一图像分别与预设合闸图像、预设分闸图像以及所述第二图像拼接,得到第一拼接图、第二拼接图以及运动状态拼接图;
第一判断模块,用于,分别将所述第一拼接图和所述第二拼接图输入至隔离开关状态检测模型,所述隔离开关状态检测模型根据所述第一图像分别与所述预设合闸图像和所述预设分闸图像是否匹配来确定第一结果,所述第一结果为合闸状态、分闸状态以及中间状态中的一种;
第二判断模块,用于将所述运动状态拼接图输入至所述隔离开关状态检测模型,所述隔离开关状态检测模型根据所述第一图像与所述第二图像是否匹配来确定第二结果,其中,所述第二结果为运动状态或静止状态;
状态确定模块,用于根据所述第一结果和所述第二结果,确定所述隔离开关的状态。
8.根据权利要求7所述的装置,其特征在于,还包括模型获取模块,用于获取所述隔离开关状态检测模型,所述模型获取模块包括:
样本获取子模块,用于获取从不同角度拍摄的多张隔离开关图像;
样本处理子模块,用于将多张所述隔离开关图像两两拼接成样本图,并根据所述样本图中的两张隔离开关的运行状态是否相同进行标注,得到有差异样本和无差异样本;
训练子模块,用于利用所述有差异样本和所述无差异样本训练神经网络模型,得到所述隔离开关状态检测模型。
9.一种计算机设备,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1-6任一项所述的隔离开关的状态检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1-6任一项所述的隔离开关的状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559530.1A CN112712547B (zh) | 2020-12-25 | 一种隔离开关的状态检测方法及模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559530.1A CN112712547B (zh) | 2020-12-25 | 一种隔离开关的状态检测方法及模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712547A true CN112712547A (zh) | 2021-04-27 |
CN112712547B CN112712547B (zh) | 2024-06-04 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167279A (zh) * | 2022-02-14 | 2022-03-11 | 广东电网有限责任公司佛山供电局 | 一种变电站断路器和隔离开关变位判别方法与设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020041631A1 (en) * | 2000-05-30 | 2002-04-11 | Miki Arita | Motion vector detection apparatus |
JP2003006658A (ja) * | 2001-06-19 | 2003-01-10 | Sony Corp | 画像処理装置および方法、記録媒体、並びにプログラム |
US20160028954A1 (en) * | 2014-07-28 | 2016-01-28 | Canon Kabushiki Kaisha | Image processing apparatus that sets moving image area, image pickup apparatus, and method of controlling image processing apparatus |
CN108470161A (zh) * | 2018-03-12 | 2018-08-31 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于目标跟踪的高压隔离开关状态识别方法 |
CN109271872A (zh) * | 2018-08-22 | 2019-01-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
CN110008877A (zh) * | 2019-03-27 | 2019-07-12 | 国网内蒙古东部电力有限公司 | 一种基于Faster RCNN的变电站隔离开关检测识别方法 |
CN110096975A (zh) * | 2019-04-17 | 2019-08-06 | 北京筑梦园科技有限公司 | 一种车位状态识别方法、设备及系统 |
CN110247328A (zh) * | 2019-07-16 | 2019-09-17 | 上海南华兰陵电气有限公司 | 开关柜内基于图像识别的位置判断方法 |
CN110422586A (zh) * | 2019-07-30 | 2019-11-08 | 精英数智科技股份有限公司 | 一种皮带运输机工作状态监测方法、装置及设备 |
CN110494861A (zh) * | 2017-03-31 | 2019-11-22 | 横河电机株式会社 | 基于图像的异常检测方法和系统 |
CN112001332A (zh) * | 2020-08-26 | 2020-11-27 | 西安咏圣达电子科技有限公司 | 隔离开关工作状态监测方法、系统、介质、设备及应用 |
CN112084905A (zh) * | 2020-08-27 | 2020-12-15 | 深圳市森国科科技股份有限公司 | 交通灯状态识别方法、系统、设备及存储介质 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020041631A1 (en) * | 2000-05-30 | 2002-04-11 | Miki Arita | Motion vector detection apparatus |
JP2003006658A (ja) * | 2001-06-19 | 2003-01-10 | Sony Corp | 画像処理装置および方法、記録媒体、並びにプログラム |
US20160028954A1 (en) * | 2014-07-28 | 2016-01-28 | Canon Kabushiki Kaisha | Image processing apparatus that sets moving image area, image pickup apparatus, and method of controlling image processing apparatus |
CN110494861A (zh) * | 2017-03-31 | 2019-11-22 | 横河电机株式会社 | 基于图像的异常检测方法和系统 |
CN108470161A (zh) * | 2018-03-12 | 2018-08-31 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于目标跟踪的高压隔离开关状态识别方法 |
CN109271872A (zh) * | 2018-08-22 | 2019-01-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
CN110008877A (zh) * | 2019-03-27 | 2019-07-12 | 国网内蒙古东部电力有限公司 | 一种基于Faster RCNN的变电站隔离开关检测识别方法 |
CN110096975A (zh) * | 2019-04-17 | 2019-08-06 | 北京筑梦园科技有限公司 | 一种车位状态识别方法、设备及系统 |
CN110247328A (zh) * | 2019-07-16 | 2019-09-17 | 上海南华兰陵电气有限公司 | 开关柜内基于图像识别的位置判断方法 |
CN110422586A (zh) * | 2019-07-30 | 2019-11-08 | 精英数智科技股份有限公司 | 一种皮带运输机工作状态监测方法、装置及设备 |
CN112001332A (zh) * | 2020-08-26 | 2020-11-27 | 西安咏圣达电子科技有限公司 | 隔离开关工作状态监测方法、系统、介质、设备及应用 |
CN112084905A (zh) * | 2020-08-27 | 2020-12-15 | 深圳市森国科科技股份有限公司 | 交通灯状态识别方法、系统、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167279A (zh) * | 2022-02-14 | 2022-03-11 | 广东电网有限责任公司佛山供电局 | 一种变电站断路器和隔离开关变位判别方法与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110769246B (zh) | 一种检测监控设备故障的方法、装置 | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN104168478B (zh) | 基于Lab空间及相关性函数的视频图像偏色检测方法 | |
CN108111843B (zh) | 一种移动式滤光片摄像模组的测试方法及测试系统 | |
CN112396999B (zh) | 异常显示块检测方法、显示屏故障检测方法及其设备 | |
CN111797725A (zh) | 一种设备状态检测方法、装置及系统 | |
CN113038084B (zh) | 状态识别方法、装置及系统 | |
CN111862239A (zh) | 一种面阵相机图像重叠区域标定方法、装置、设备及存储介质 | |
CN115760912A (zh) | 运动目标跟踪方法、装置、设备及计算机可读存储介质 | |
CN108876824B (zh) | 目标跟踪方法、装置、系统及球机 | |
CN113591580B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN112712547A (zh) | 一种隔离开关的状态检测方法及模型的建立方法 | |
CN112233196B (zh) | 直播间绿屏检测方法、装置、设备及存储介质 | |
CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 | |
CN112712547B (zh) | 一种隔离开关的状态检测方法及模型的建立方法 | |
US9082049B2 (en) | Detecting broken lamps in a public lighting system via analyzation of satellite images | |
CN112699754A (zh) | 信号灯识别方法、装置、设备以及存储介质 | |
CN113014876A (zh) | 视频监控方法、装置、电子设备及可读存储介质 | |
CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
CN110958448B (zh) | 一种视频质量评价方法、装置、介质及终端 | |
CN114550129A (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
CN111402610B (zh) | 一种识别红绿灯亮灯状态的方法、装置、设备及存储介质 | |
CN112907540A (zh) | 一种拼接异常检测方法、装置、设备及介质 | |
CN112988475B (zh) | 容灾测试方法、装置、测试服务器及介质 | |
CN111814734A (zh) | 识别刀闸状态的方法 |
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 |