CN113344047A - 基于改进K-means算法的压板状态识别方法 - Google Patents

Abstract

本发明公开一种基于改进K‑means算法的压板状态识别方法，包括以下步骤：获取待识别的压板图像，对压板图像进行预处理及区域划分，得到若干个单个压板图像区域；基于改进的K‑means算法从压板图像区域中分割出压板的二值图像；对压板的二值图像进行识别。通过本发明的方法，可以使分割后的压板区域更接近实际压板，极大第提高了识别率，识别率可以达到99.6％。

Description

基于改进K-means算法的压板状态识别方法

技术领域

本发明涉及变电站内二次设备的运行状态监控技术领域，特别涉及一种基于改进K-means算法的压板状态识别方法。

背景技术

随着电力系统结构日益复杂，智能变电站已经成为必然趋势，变电站中二次设备的运行与维护的水平直接关系到电力系统是否能安全、稳定、高效运行。而压板作为二次设备中的重要装置，其状态的巡检是电力运维的一项重要工作。然而由于巡检过程中压板数量较多，工作特点繁琐，尚未能实现压板巡检的全智能化。

目前，对压板巡检主要还是依赖于人工，但人工巡检不仅耗时耗力，当故障发生时还无法及时定位，效率极为低下。在此背景下，研究者提出来智能检测方法，主要是通过对设备的改造使之具有自动报警功能，但这种改造增加了设备的复杂性，并且更换设备所需的成本非常巨大。针对此，图像识别法被提出，主要是利用计算机对采集图像进行分析处理以判断压板状态信息的方法，该方法不仅减少了人工的干预，也不许需要对设备进行改造，因此成为当下智能巡检研究的热点。近年来，机器学习逐渐成为社会热门，通过机器学习对压板状态进行识别，大大提高了识别的准确性。现有技术文件中记载了，利用小压板的HOG特征，结合SVM分类器对压板状态进行分类；以及将压板图像校正并进行分割，对分割后的图像进行标记，得到训练样本集，利用样本集训练CNNs模型，最后通过CNNs模型识别开关状态。此类方法虽然识别率高，鲁棒性强，但当新的环境变化时，缺少相应的生成样本，识别率大幅度下降。

发明内容

本发明的目的是提供一种基于改进K-means算法的压板状态识别方法，可以解决现有技术中CNNs模型识别开关状态时，当环境变化导致的识别率幅度下降的问题。

本发明的目的是通过以下技术方案实现的：

基于改进K-means算法的压板状态识别方法，包括以下步骤：

获取待识别的压板图像，对压板图像进行预处理及区域划分，得到若干个单个压板图像区域；

基于改进的K-means算法从压板图像区域中分割出压板的二值图像；

对压板的二值图像进行识别。

进一步的，所述对压板图像进行预处理及区域划分包括：

采用同态滤波算法对压板图像进行光线补偿；

采用透视变换技术对压板图像进行畸变校正；

以单个压板为单元对校正后的压板图像进行区域划分。

进一步的，所述采用透视变换技术对压板图像进行畸变校正包括：通过轮廓检测定位算法找到压板图像中的标识点，将标识点按顺序连接起来形成压板区域；利用灰度重心法找到标识点在图像中的像素坐标，接着以标识点为校正基准点通过透视变换技术对变形的压板图像进行变换处理，得到校正后的压板图像；对压板区域的外围部分进行剪除。

进一步的，所述基于改进的K-means算法从压板图像区域中分割出压板的二值图像包括：

采用Lab颜色空间对单个压板图像区域进行分割；

采用改进的K-means算法对单个压板图像进行聚类；

采用K-means算法分割得到单个压板图像的二值图像，并去除二值图像中的伪目标区域。

进一步的，所述采用改进的K-means算法对单个压板图像进行聚类包括：

步骤S2021、提取每个像素点对应Lab空间中的a、b分量作为样本，计算a、b分量的最大值与最小值作为初始聚类中心Ci(i＝1，2)；

步骤S2022、将样本依据所选择聚类中心点进行聚类，对于样本X_j，若满足式(2)，则判定该样本为第一类，否则为第二类；

步骤S2023、根据式(3)计算各聚类的中值，以此作为新的聚类中心，更新聚类中心坐标C_i'(i＝1，2)；

重复步骤S2022和步骤S2023，使得将全部样本按欧氏距离之和最小的原则分类。

进一步的，所述对压板的二值图像进行识别包括：

对压板的二值图像进行膨胀，使之连成一个连通域，再利用外接矩形定位出压板区域，根据外接矩形的形状对压板的二值图像进行形态特征定义；

利用定义的形态特征对压板的二值图像进行识别。

进一步的，所述利用定义的形态特征对压板的二值图像进行识别包括：

计算外接矩形的宽X、高Y，并计算外接矩形的高与宽的比例B；

设定阈值t，当B>t时，判定压板状态为开；

当B＜t时，统计外接矩形内部连通域个数，若连通域个数为1，判定压板状态为闭合状态；若连通域个数为2或3，提取上下两连通域的重心坐标，并计算压板中心部分的像素坐标；判断该像素坐标处二值图像的灰度值，若灰度值为0，判定压板状态为开，反之则为闭合状态。

本发明通过光线补偿、透视校正、区域划分、对图像进行预处理并获取到每块小压板的区域；其次，通过改进后的K-means对压板图像进行分割，最后，采用形态特征分析判断小压板的状态信息，进而获得整块压板图像的状态信息。通过了实验测试与分析，通过本文实现的分割方法，可以使分割后的压板区域更接近实际压板，极大第提高了识别率，识别率可以达到99.6％。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于改进K-means算法的压板状态识别方法步骤图；

图2为畸变校正前的待识别的压板图像；

图3为畸变校正后的待识别的压板图像；

图4区域划分后的若干个单个压板图像区域；

图5为选取部分压板图像示例；

图6为包含较多无效干扰的压板图像的二值图像；

图7为去除无效干扰的压板图像的二值图像；

图8为用外接矩形定位出的压板区域的三种情形。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本发明的基于改进K-means算法的压板状态识别方法，包括以下步骤：

步骤S1、获取待识别的压板图像，对压板图像进行预处理及区域划分，得到若干个单个压板图像区域。

进一步的，在本申请的一种优选实施方式中，对压板图像进行预处理及区域划分包括：

步骤S101、采用同态滤波算法对压板图像进行光线补偿。

在采集压板图像的过程中，由于受到天气条件、环境光照等因素的影响，导致采集到的压板图像存在光照不均匀现象。因此，为了提高后期压板识别的准确率，需要对光照不均匀的图像进行光线补偿。本文利用同态滤波算法对图像进行增强，解决了光照不均匀的问题。

本申请对光照增强处理的具体过程不做限制。光线补偿结果如图2所示。可以看出，在图像进行同态滤波增强后，压板图像的光照均匀度增强，基本去除了阴影，颜色特征更为明显。

步骤S102、采用透视变换技术对压板图像进行畸变校正。

除光照影响外，面板图像往往存在一定程度上的畸变，这不但加大了压板的定位难度，也降低了识别的准确率。因此，需要对光线补偿后的压板图像进行畸变校正。首先，通过轮廓检测定位算法快速找到压板图像中的黑色标识点，将黑色标识点按顺序连接起来形成压板区域。然后，利用灰度重心法找到其在图像中的像素坐标，接着以其为校正基准点通过透视变换技术对变形的压板图像进行变换处理，得到校正后的压板图像。压板图像经过畸变校正后，对压板区域的外围部分进行剪除，剪除后的压板图像如图3所示。

步骤S103、以单个压板为单元对校正后的压板图像进行区域划分。

调用数据库的先验知识获取压板的行数和列数，以此对整块压板图像进行等距划分。将整体阵列的状态识别改为小区域内单个压板的状态识别，大大降低识别的难度，区域划分结果如图4所示。

步骤S2、基于改进的K-means算法从压板图像区域中分割出压板的二值图像。

进一步的，步骤S2包括：

步骤S201、采用Lab颜色空间对单个压板图像区域进行分割。

一般情况下，控制柜上压板的颜色有黄色、红色，驼色。为了提高压板状态的识别率，系统首先需要通过对压板区域进行精确的定位，即主要将压板与背景进行分离。常用颜色分割的空间有RGB颜色空间、基于Lab颜色空间及HSV空间。但RGB颜色空间中，由于RGB分量受光照影响较大，同一颜色在不同光照及不同拍摄角度下其RGB值差异较大，因此单纯通过阈值设定或者欧氏距离无法精准分割图像，所以导致分割结果的鲁棒性并不佳。部分压板的颜色与背景板面相近，因此使用HSV空间聚类效果并不理想。然而，Lab颜色空间对设备要求低，其在感知层面具有均匀性，在视觉上感觉相近的两种颜色对应在Lab空间中的欧式距离较小，反之，视觉上相差较大的颜色对应在Lab空间中距离较大。因此，本文选择Lab颜色空间对图像进行分割。

步骤S202、采用改进的K-means算法对单个压板图像进行聚类。

K-means算法是基于欧氏距离的聚类算法，将距离较近的对象归为一类，是一种最常用于全局划分的聚类方法。但传统的K-means算法中K值不易确定，随机初始聚类中心导致每次聚类的结果存在差异，此外，离群点与孤立点的存在会使均值远离类簇，影响聚类效果。因此，结合压板图像的特征，对每张图片，选择[mina,minb；maxa,maxb]作为初始聚类中心。其中，a，b代表Lab空间中a，b分量，具体如式(1)所示：

聚类点的欧式距离由Lab空间中的a，b分量值综合确定。此外，为降低噪声干扰，初次聚类后，选取各聚簇的中值作为新的聚类中心，根据欧氏距离进一步进行分类并更新聚类中心，重复整个过程，经过迭代，中值位置不断变换，当中值不再改变时，停止迭代。

进一步的，步骤S202包括：

步骤S2021、提取每个像素点对应Lab空间中的a、b分量作为样本，计算a、b分量的最大值与最小值[mina，minb；maxa，maxb]作为初始聚类中心Ci(i＝1，2)。

步骤S2022、将样本依据所选择聚类中心点进行聚类，对于样本X_j，若满足式(2)，则判定该样本为第一类，否则为第二类。

步骤S2023、调整中心点坐标值。计算各聚类的中值，如式(3)，以此作为新的聚类中心，更新聚类中心坐标C_i'(i＝1，2)。

重复步骤S2022和步骤S2023寻找最佳的聚类中心，使得将全部样本按欧氏距离之和最小的原则划分为K类。

步骤S203、采用K-means算法分割得到单个压板图像的二值图像，并去除二值图像中的伪目标区域。

选取部分压板图像为例，如图5所示。通过K-means算法分割得到目标的二值图像，但由于伪目标及噪声的存在，分割结果中包含着较多无效干扰连通域，如图6所示。为此，利用形态学滤波优化压板图像，再通过形态特征分析去除大面积的伪目标区域。

具体的，步骤S203包括：

步骤S2031、计算二值图像中的连通域尺寸，令X(i)、Y(i)分别为第i个连通域的边界长度和宽度，通过式(4)计算其长宽比b(i)。

步骤S2032、设定阈值T，当b(i)大于T时，将其归为背景，否则为目标区域，如式(5)。

步骤S2033、通过形态特征分析删除无效干扰连通域，最终分割出仅存在压板的二值图像。结果如图7所示。

步骤S3、对压板的二值图像进行识别。

进一步的，在本申请的一种优选实施方式中，对压板的二值图像进行识别包括：

步骤S301、对压板的二值图像进行膨胀，使之连成一个连通域，再利用外接矩形定位出压板区域，根据外接矩形的形状对压板的二值图像进行形态特征定义。

对压板图像进行准确分割之后，为准确识别压板区域，定义了压板外接矩形的形态特征指标，该方法利用矩形结构元素对分割后的压板二值图像进行膨胀，使之连成一个连通域，再利用外接矩形定位出压板区域，结果如图8所示。图8中，显示了压板垫片所拨放位置的三种情形，图8(a)中显示了压板处于正常关闭状态，图8(b)显示了压板垫片悬于正下方的开状态，图8(c)显示了垫片与竖直方向成一定夹脚的开状态。结合分割后压板的二值图像与外接矩形定义压板的形态特征，见表1。

表1

步骤S302、利用定义的形态特征对压板的二值图像进行识别。

由于拍摄角度不同，导致分割后的压板存在几种情况，分别针对不同情况进行识别。

具体的，利用定义的形态特征对压板的二值图像进行识别包括：

步骤S3021、计算外接矩形的宽X、高Y，并以此计算外接矩形的高与宽的比例B(B＝Y/X)。

步骤S3022、设定阈值t，当B>t时，判定压板状态为开；

当B＜t时，统计外接矩形内部连通域个数，若连通域个数为1，判定压板状态为闭合状态；若连通域个数为2或3，提取上下两连通域的重心坐标，即为压板上下两圆柱的重心坐标，并通过式(6)计算压板中心部分的像素坐标。

得到中心部分像素坐标后，判断该坐标处二值图像的灰度值，若为“0”，判定压板状态为开，反之则为闭合状态。

表3为采用不同的彩色图像分割方法对同一拍摄环境下的小压板图像进行颜色分割处理的处理时间对比结果。从表3处理时间对比结果来看，本文方法速度较RGB阈值分割提升了0.1741s，较传统K-means颜色聚类提升了0.2032s。

表3

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元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，本申请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全部或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(可以是个人计算机，服务器，或者网络设备等)执行本申请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-onlymemory)、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。

以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于改进K-means算法的压板状态识别方法，其特征在于，包括以下步骤：

获取待识别的压板图像，对压板图像进行预处理及区域划分，得到若干个单个压板图像区域；

基于改进的K-means算法从压板图像区域中分割出压板的二值图像；

对压板的二值图像进行识别。

2.根据权利要求1所述的基于改进K-means算法的压板状态识别方法，其特征在于，所述对压板图像进行预处理及区域划分包括：

采用同态滤波算法对压板图像进行光线补偿；

采用透视变换技术对压板图像进行畸变校正；

以单个压板为单元对校正后的压板图像进行区域划分。

3.根据权利要求2所述的基于改进K-means算法的压板状态识别方法，其特征在于，所述采用透视变换技术对压板图像进行畸变校正包括：通过轮廓检测定位算法找到压板图像中的标识点，将标识点按顺序连接起来形成压板区域；利用灰度重心法找到标识点在图像中的像素坐标，接着以标识点为校正基准点通过透视变换技术对变形的压板图像进行变换处理，得到校正后的压板图像；对压板区域的外围部分进行剪除。

4.根据权利要求1所述的基于改进K-means算法的压板状态识别方法，其特征在于，所述基于改进的K-means算法从压板图像区域中分割出压板的二值图像包括：

采用Lab颜色空间对单个压板图像区域进行分割；

采用改进的K-means算法对单个压板图像进行聚类；

采用K-means算法分割得到单个压板图像的二值图像，并去除二值图像中的伪目标区域。

5.根据权利要求4所述的基于改进K-means算法的压板状态识别方法，其特征在于，所述采用改进的K-means算法对单个压板图像进行聚类包括：

步骤S2021、提取每个像素点对应Lab空间中的a、b分量作为样本，计算a、b分量的最大值与最小值作为初始聚类中心Ci(i＝1，2)；

步骤S2022、将样本依据所选择聚类中心点进行聚类，对于样本X_j，若满足式(2)，则判定该样本为第一类，否则为第二类；

步骤S2023、根据式(3)计算各聚类的中值，以此作为新的聚类中心，更新聚类中心坐标C_i'(i＝1，2)；

重复步骤S2022和步骤S2023，使得将全部样本按欧氏距离之和最小的原则分类。

6.根据权利要求1所述的基于改进K-means算法的压板状态识别方法，其特征在于，所述对压板的二值图像进行识别包括：

对压板的二值图像进行膨胀，使之连成一个连通域，再利用外接矩形定位出压板区域，根据外接矩形的形状对压板的二值图像进行形态特征定义；

利用定义的形态特征对压板的二值图像进行识别。

7.根据权利要求6所述的基于改进K-means算法的压板状态识别方法，其特征在于，所述利用定义的形态特征对压板的二值图像进行识别包括：

计算外接矩形的宽X、高Y，并计算外接矩形的高与宽的比例B；

设定阈值t，当B>t时，判定压板状态为开；

当B＜t时，统计外接矩形内部连通域个数，若连通域个数为1，判定压板状态为闭合状态；若连通域个数为2或3，提取上下两连通域的重心坐标，并计算压板中心部分的像素坐标；判断该像素坐标处二值图像的灰度值，若灰度值为0，判定压板状态为开，反之则为闭合状态。

Images