CN113610091A - 一种空气开关状态的智能识别方法、识别装置及存储介质 - Google Patents
一种空气开关状态的智能识别方法、识别装置及存储介质 Download PDFInfo
- Publication number
- CN113610091A CN113610091A CN202110873849.XA CN202110873849A CN113610091A CN 113610091 A CN113610091 A CN 113610091A CN 202110873849 A CN202110873849 A CN 202110873849A CN 113610091 A CN113610091 A CN 113610091A
- Authority
- CN
- China
- Prior art keywords
- image
- air switch
- region
- area
- state according
- 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 43
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 239000003086 colorant Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 210000003296 saliva Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明公开了一种空气开关状态的智能识别方法、识别装置及存储介质，属于图像处理和机器视觉的领域。该方法包括：S1：获取空气开关图像，截取关键区域的图像信息，作为待识别的空气开关图像；S2：对待识别的空气开关图像进行校正；S3：获取空气开关图像的颜色空间分量；S4：进行图像预处理；S5：进行图像二值化和形态学操作；S6：将空气开关图像分成上下两个区域，并计算上下两个区域面积比例；S7：判断上下两个区域面积比例是否大于1，如果大于1，则判定状态为连接；如果不大于1，则判定状态为断开。本发明可以识别多种形态、颜色和拍摄条件下的空气开关的状态。
Description
技术领域
本发明属于图像处理和机器视觉的领域，具体涉及一种用于变电站的空气开关状态的智能识别方法、识别装置及存储介质。
背景技术
在变电站等电力系统中，设备的安全运行是最重要的安全保障之一，而各种空气开关是确保系统安全运行的重要保障。变电站中空气开关状态的判断和监控，在整体系统的状态控制中显得尤为重要。空气开关状态的智能识别系统，协助监视各种空气开关的状态，对保障设备系统安全运行，起到了重要的作用。现有某些智能监控系统中，加入了空气开关状态的检测，利用摄像机获取空气开关的实时图像或视频，用算法自动识别空气开关的状态。
目前，空气开关状态智能识别的关键核心技术主要包括图像信息的获取、图像特征的提取和图像类别的判断。图像特征的提取一般包括简单特征比如颜色、形状和纹理特征的提取，较复杂特征比如人工设计的局部描述子特征等。图像类别的判断，一般是将提取出的不同类别图像的特征，在特征向量空间中通过分类策略，进行划分。
现有空气开关状态的智能识别方法中，主要方法为通过图像预处理和图像特征的提取，之后通过特征区分来进行分类。该方法需要图像有较高的成像质量，且需要人工进行复杂的特征设计和提取过程，整体流程较为复杂，而且需要前期获取大量对应场景下的样本数据，算法的适用范围和鲁棒性都有一定的限制。
有鉴于此，特提出本发明。
发明内容
本发明的目的是提供一种空气开关状态的智能识别方法、识别装置及存储介质，其可以识别多种形态、颜色和拍摄条件下的空气开关的状态。
为了实现上述目的，本发明提供的一种空气开关状态的智能识别方法，包括以下步骤：
S1：获取空气开关图像，截取关键区域的图像信息，作为待识别的空气开关图像；
S2：对待识别的空气开关图像进行校正；
S3：获取空气开关图像的颜色空间分量；
S4：进行图像预处理；
S5：进行图像二值化和形态学操作；
S6：将空气开关图像分成上下两个区域，并计算上下两个区域面积比例；
S7：判断上下两个区域面积比例是否大于1，如果大于1，则判定状态为连接；如果不大于1，则判定状态为断开。
进一步地，步骤S1之前包括：获取空气开关的模板图像，在空气开关的模板图像中标记空气开关的关键区域；
步骤S1还包括：将获取的空气开关图像与空气开关的模板图像进行对比，在空气开关图像中截取相同的关键区域的图像信息，作为待识别的空气开关图像。
进一步地，步骤S3包括：将步骤S2中获取的空气开关图像的RGB空间图像转换为HSV空间图像；提取图像的HSV颜色空间分量。
进一步地，步骤S4中，图像预处理包括滤波平滑或直方图均衡化。
进一步地，步骤S5中，图像二值化的方法包括固定阈值二值化、自适应阈值二值化和OTSU大津二值化；形态学操作包括开运算和闭运算操作。
进一步地，步骤S6包括以下步骤：
S601：将步骤S5中获取的图像等比例划分成上下两个区域；
S602：计算步骤S601中获取的上下两个区域的面积比例，即上下两个区域中像素和的比值。
进一步地，上下两个区域的面积比例的计算方法如下：
其中，P为上下两个区域的面积比例，M为图像水平方向像素数，N为图像垂直方向像素数，s为上区域像素点的横坐标，t为上区域像素点的纵坐标，g(s，t)为上区域像素点(s，t)的二值化图像像素值；x为下区域像素点的横坐标，y为下区域像素点的纵坐标，f(x，y)为下区域像素点(x，y)的二值化图像像素值。
进一步地，空气开关图像的左上角顶点为起始点坐标(1，1)。
本发明还提供了一种空气开关状态的智能识别装置，包括摄像机、图像处理模块和微处理器、以及供电模块；
所述摄像机用于获取空气开关图像，并发送给所述图像处理模块；
图像处理模块和微处理器用于根据上述的空气开关状态的智能识别方法来判断空气开关状态；
所述供电模块用于为所述摄像机和所述图像处理模块和微处理器供电。
本发明还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现根据上述的空气开关状态的智能识别方法的步骤。
本发明提供的一种空气开关状态的智能识别方法、识别装置及存储介质，具有如下有益效果：本发明可以识别多种形态和拍摄条件下的空气开关状态，且不需要提前获取大量样本数据，大大提高了算法的易用性和通用性。
附图说明
图1为本发明的空气开关状态的智能识别方法的流程图。
图2为根据本发明的空气开关状态的智能识别方法的步骤S4进行图像预处理后的空气开关图像的示例；
图3为根据本发明的空气开关状态的智能识别方法的步骤S5进行图像二值化处理后的空气开关图像的示例；
图4为根据本发明的空气开关状态的智能识别方法的步骤S5中进行形态学操作后的空气开关图像的示例。
图5是本发明的空气开关状态的智能识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施方式对本发明作进一步的详细说明。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1所示，一种空气开关状态的智能识别方法，其能够解决现有空气开关状态的智能识别方法的通用性和鲁棒性较差的问题，具体包括以下步骤：
S1：获取空气开关图像，截取关键区域的图像信息，作为待识别的空气开关图像。
本步骤之前还包括：获取空气开关的模板图像，人为地标注图像中空气开关的关键区域，其中，该关键区域要将整个开关实体包含在内，包括活动部件在不同状态下可能出现的位置
具体的，本步骤将获取的空气开关图像与空气开关的模板图像进行对比，在空气开关图像中截取相同关键区域的图像信息，作为待识别的空气开关图像。
S2：对待识别的空气开关图像进行校正。
由于图像拍摄角度等原因，在步骤S1中获取的空气开关图像，其在图像中存在倾斜和变形，需要将其进行校正为与图像边缘平行的矩形状态，以增强其后续识别的准确性。具体步骤为：
S201：标定待识别的空气开关图像中开关的四个顶点坐标，包括左上顶点(x0，y0)、右上顶点(x1，y1)、左下顶点(x2，y2)和右下顶点(x3，y3)，计算校正后的矩形宽度wrt和高度hrt，计算公式如下：
其中，t为矩形大小调整比例，t一般取值0.5-1.5，优选取t＝1.0，也可取其他值；当t＝1.0时，表示变换后的图像像素与原来基本一致，当图像像素值过大时，取t小于1.0时可以减小图像像素值，从而在实现后面步骤时减少计算量；当图像像素值过小时，取t大于1.0可以增大图像像素值，使后续处理结果更精确。
S202：计算投影变换矩阵Mrt，该投影变换矩阵是将步骤S201中的四个顶点坐标依次投影变换到左上顶点(x0，y0)、右上顶点(x0+wrt-1，y0)、左下顶点(x0，y0+hrt-1)和右下顶点(x0+wrt-1，y0+hrt-1)。
该投影变换矩阵的计算方法按照通用的4个二维点对之间的透射变换矩阵计算方法进行计算即可，比如开源计算机视觉库OpenCV中即有的对应的计算函数getPerspectiveTransform。若变换前的图像表示为(xo，yo)，变换后的图像表示为(xn，yn)，具体计算公式为：
其中，(xn，yn)是未进行缩放的投影变换后的图像坐标；
kn表示缩放因子，缩放因子可以根据实际的情况进行计算。
S3：获取颜色空间分量。
具体地，将步骤S2中获取的空气开关图像的RGB空间图像转换为HSV空间图像，该转换为根据图像处理领域通用的RGB空间到HSV空间的转换公式，逐像素点用原图的R、G、B三通道分量值，计算出H、S、V分量值；之后提取图像的HSV颜色空间分量，该分量包括但不限于色度H、饱和度S和亮度V。不同种类的空气开关选取不同的颜色空间分量。
S4：进行图像预处理，用于图像去噪和图像增强。
该预处理的目的是进行图像去噪和图像增强，以利于后续获取更准确的二值化图像。预处理的具体操作包括但不限于滤波平滑、直方图均衡化等。
图2中示出了通过步骤S4进行图像预处理后的空气开关图像的示例。
S5：进行图像二值化和形态学操作。
图像二值化的方法包括但不限于固定阈值二值化、自适应阈值二值化、OTSU大津二值化等。图像二值化即将像素值由0-255范围变为0-1，目的是使能判断开关状态的活动部件区域像素值为1，而背景像素值为0。
图3中示出了通过步骤S5进行图像二值化处理后的空气开关图像的示例，与图2相比，突出显示了背景区域和活动部件区域之间的轮廓。
形态学操作包括开运算和闭运算等操作。形态学操作的目的是使像素值为1的活动部件区域变得更加精准，比如开运算可以消除小的噪声块(属于背景区域但像素值为1的区域)，闭运算可以消除活动部件区域内的小黑洞(属于活动部件区域但像素值为0的区域)，进行该操作后，后续的计算结果将更为精准。
图4中示出了通过步骤S5进行形态学操作后的空气开关图像的示例，与图3相比，消除了背景区域中的小的噪声块以及活动部件区域内的小黑洞。
S6：将图像分成上下两个区域，并计算上下两个区域面积比例P。
该步骤的具体操作如下：
S601：将步骤S5中获取的图像等比例划分成上下两个区域，上区域为R1，下区域为R2。
S602：计算步骤S601中获取的上下两个区域的面积比例P，即上下两个区域中像素和的比值P，其计算公式如下：
其中，M为图像水平方向像素数，N为图像垂直方向像素数，s为上区域像素点的横坐标，t为上区域像素点的纵坐标，g(s，t)为上区域像素点(s，t)的二值化图像像素值；x为下区域像素点的横坐标，y为下区域像素点的纵坐标，f(x，y)为下区域像素点(x，y)的二值化图像像素值。
并且，所涉及坐标以图像左上角顶点为起始点坐标(1，1)。
S7：判断上下两个区域面积比例是否大于1，如果大于1，则判定状态为连接；如果不大于1，则判定状态为断开。
具体地，判断步骤S6获取的上半区域相对于下半区域的非零像素的面积比例P是否满足以下条件：
P＞1
如果上述不等式成立，则判定状态为连接(ON)；如果不成立，则判定状态为断开(OFF)。
S8：获取步骤S7的结果，确定为最终的识别结果。
本发明的步骤S2到步骤S7，通过利用图像校正等处理，结合空气开关区域非零像素值比例关系，判定空气开关的状态，具有良好的检测效果。
基于同样的发明构思，如图5所示，一实施方式中还提供了空气开关状态的智能识别装置，其包括：摄像机、图像处理模块和微处理器2、以及供电模块3。
摄像机1用于获取空气开关图像，并发送给所述图像处理模块2用于识别空气开关状态。
图像处理模块和微处理器2包括图像处理模块201和微处理器202。
图像处理模块201用于对空气开关图像进行处理，具体地，图像处理模块201采用上述空气开关状态的智能识别方法中的步骤S2-S6来进行处理。
微处理器202用于根据处理后的图片来识别空气开关状态；其中，微处理器202采用上述空气开关状态的智能识别方法中的步骤S7来判断开关分合指示牌状态。
供电模块3用于为摄像机1和图像处理模块和微处理器2供电。
基于同样的发明构思，一实施方式中还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述一实施方式所述的空气开关状态的智能识别方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。
Claims (10)
1.一种空气开关状态的智能识别方法，其特征在于，包括以下步骤：
S1：获取空气开关图像，截取关键区域的图像信息，作为待识别的空气开关图像；
S2：对待识别的空气开关图像进行校正；
S3：获取空气开关图像的颜色空间分量；
S4：进行图像预处理；
S5：进行图像二值化和形态学操作；
S6：将空气开关图像分成上下两个区域，并计算上下两个区域面积比例；
S7：判断上下两个区域面积比例是否大于1，如果大于1，则判定状态为连接；如果不大于1，则判定状态为断开。
2.根据权利要求1所述的空气开关状态的智能识别方法，其特征在于，步骤S1之前包括：获取空气开关的模板图像，在空气开关的模板图像中标记空气开关的关键区域；
步骤S1还包括：将获取的空气开关图像与空气开关的模板图像进行对比，在空气开关图像中截取相同的关键区域的图像信息，作为待识别的空气开关图像。
3.根据权利要求1所述的空气开关状态的智能识别方法，其特征在于，步骤S3包括：将步骤S2中获取的空气开关图像的RGB空间图像转换为HSV空间图像；提取图像的HSV颜色空间分量。
4.根据权利要求1所述的空气开关状态的智能识别方法，其特征在于，步骤S4中，图像预处理包括滤波平滑或直方图均衡化。
5.根据权利要求1所述的空气开关状态的智能识别方法，其特征在于，步骤S5中，图像二值化的方法包括固定阈值二值化、自适应阈值二值化和OTSU大津二值化；形态学操作包括开运算和闭运算操作。
6.根据权利要求1所述的空气开关状态的智能识别方法，其特征在于，步骤S6包括以下步骤：
S601：将步骤S5中获取的图像等比例划分成上下两个区域；
S602：计算步骤S601中获取的上下两个区域的面积比例，即上下两个区域中像素和的比值。
7.根据权利要求6所述的空气开关状态的智能识别方法，其特征在于，上下两个区域的面积比例的计算方法如下：
其中，P为上下两个区域的面积比例，M为图像水平方向像素数，N为图像垂直方向像素数，s为上区域像素点的横坐标，t为上区域像素点的纵坐标，g(s,t)为上区域像素点(s,t)的二值化图像像素值；x为下区域像素点的横坐标，y为下区域像素点的纵坐标，f(x,y)为下区域像素点(x,y)的二值化图像像素值。
8.根据权利要求7所述的空气开关状态的智能识别方法，其特征在于，空气开关图像的左上角顶点为起始点坐标(1，1)。
9.一种空气开关状态的智能识别装置，其特征在于，包括摄像机、图像处理模块和微处理器、以及供电模块；
所述摄像机用于获取空气开关图像，并发送给所述图像处理模块；
图像处理模块和微处理器用于根据权利要求1-8中任一项所述的空气开关状态的智能识别方法来判断空气开关状态；
所述供电模块用于为所述摄像机和所述图像处理模块和微处理器供电。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现根据权利要求1-8中任一项所述的空气开关状态的智能识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873849.XA CN113610091A (zh) | 2021-07-30 | 2021-07-30 | 一种空气开关状态的智能识别方法、识别装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873849.XA CN113610091A (zh) | 2021-07-30 | 2021-07-30 | 一种空气开关状态的智能识别方法、识别装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610091A true CN113610091A (zh) | 2021-11-05 |
Family
ID=78338820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110873849.XA Pending CN113610091A (zh) | 2021-07-30 | 2021-07-30 | 一种空气开关状态的智能识别方法、识别装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610091A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578630A (zh) * | 2022-11-09 | 2023-01-06 | 广东科凯达智能机器人有限公司 | 一种判断空气开关工作档位的方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563396A (zh) * | 2017-08-10 | 2018-01-09 | 南京大学 | 一种电力巡检中保护屏智能识别系统的构建方法 |
| CN111222507A (zh) * | 2020-01-10 | 2020-06-02 | 随锐科技集团股份有限公司 | 数字式仪表读数的自动识别方法、计算机可读存储介质 |
| CN111738142A (zh) * | 2020-06-19 | 2020-10-02 | 福建省海峡智汇科技有限公司 | 一种用于判断空气开关状态的方法和系统 |
| CN112001328A (zh) * | 2020-08-26 | 2020-11-27 | 上海申瑞继保电气有限公司 | 高压双柱式隔离开关开合状态图像识别方法 |
| CN112906576A (zh) * | 2021-02-23 | 2021-06-04 | 南方电网电力科技股份有限公司 | 隔离开关设备的状态识别方法、装置、设备及其测温方法 |
| CN113052894A (zh) * | 2021-04-21 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于图像语义分割的门开关状态检测方法及系统 |
| CN113096120A (zh) * | 2021-04-30 | 2021-07-09 | 随锐科技集团股份有限公司 | 识别保护压板投退状态的方法及系统 |
-
2021
- 2021-07-30 CN CN202110873849.XA patent/CN113610091A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563396A (zh) * | 2017-08-10 | 2018-01-09 | 南京大学 | 一种电力巡检中保护屏智能识别系统的构建方法 |
| CN111222507A (zh) * | 2020-01-10 | 2020-06-02 | 随锐科技集团股份有限公司 | 数字式仪表读数的自动识别方法、计算机可读存储介质 |
| CN111738142A (zh) * | 2020-06-19 | 2020-10-02 | 福建省海峡智汇科技有限公司 | 一种用于判断空气开关状态的方法和系统 |
| CN112001328A (zh) * | 2020-08-26 | 2020-11-27 | 上海申瑞继保电气有限公司 | 高压双柱式隔离开关开合状态图像识别方法 |
| CN112906576A (zh) * | 2021-02-23 | 2021-06-04 | 南方电网电力科技股份有限公司 | 隔离开关设备的状态识别方法、装置、设备及其测温方法 |
| CN113052894A (zh) * | 2021-04-21 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于图像语义分割的门开关状态检测方法及系统 |
| CN113096120A (zh) * | 2021-04-30 | 2021-07-09 | 随锐科技集团股份有限公司 | 识别保护压板投退状态的方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578630A (zh) * | 2022-11-09 | 2023-01-06 | 广东科凯达智能机器人有限公司 | 一种判断空气开关工作档位的方法及系统 |
| CN115578630B (zh) * | 2022-11-09 | 2023-03-21 | 广东科凯达智能机器人有限公司 | 一种判断空气开关工作档位的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3477931A1 (en) | Image processing method and device, readable storage medium and electronic device | |
| CA2867365C (en) | Method, system and computer storage medium for face detection | |
| US7639878B2 (en) | Shadow detection in images | |
| Morgand et al. | Generic and real-time detection of specular reflections in images | |
| CN110930321A (zh) | 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法 | |
| CN110188640B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
| CN110766636B (zh) | 一种用于ai芯片的智能图像处理方法 | |
| CN112348018A (zh) | 基于巡检机器人的数显式仪表读数识别方法 | |
| CN104392425A (zh) | 一种基于人脸的自动调整对比度的图像增强方法 | |
| CN113569859B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| Lin et al. | License plate recognition based on mathematical morphology and template matching | |
| CN113610091A (zh) | 一种空气开关状态的智能识别方法、识别装置及存储介质 | |
| JP3659426B2 (ja) | エツジ検出方法及びエツジ検出装置 | |
| CN107909579B (zh) | 视觉检测中的产品轮廓自动提取方法 | |
| CN111414877B (zh) | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 | |
| CN111738934B (zh) | 基于mtcnn的红眼自动修复方法 | |
| KR101881795B1 (ko) | 퍼지 이론에 기초한 컬러 이미지의 에지 검출 방법 | |
| CN111242121B (zh) | 一种基于svm的对联智能分拣方法及存储介质 | |
| CN114693573A (zh) | 一种基于高低频的实时祛斑祛痘方法、装置、设备、介质 | |
| CN109272540B (zh) | 一种图卡图像的sfr自动提取与分析方法 | |
| JP2013156676A (ja) | 画像処理装置、方法、及びプログラム | |
| CN112699760A (zh) | 一种脸部目标区域检测方法、装置和设备 | |
| CN112070081A (zh) | 一种基于高清视频的智能化车牌识别方法 | |
| Kamboj et al. | Color Edge Detection in RGB Color Space Using Automatic Threshold Detection | |
| CN113902817B (zh) | 一种基于灰度值的细胞图片拼接方法 |
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 |