CN113781436B - 一种基于摄像机和角度测量的高压开关状态监测方法 - Google Patents

Abstract

本发明公开的一种基于摄像机和角度测量的高压开关状态检测方法，属于电力设备监控领域。本发明实现方法为：采用摄像机实现对高压开关及其工作环境的视频信息采集，通过背景建模的方法建立视频图像序列的背景模型，并在每个采样帧进行背景模型更新，获得准确的背景模型，生成运动的前景高压开关蒙版；对前景蒙版进行图像增强，并通过像素距离重校验的方法对前景蒙版进行伪影消除，进而提取感兴趣区域ROI；基于感兴趣区域的图像信息，进行直线段提取，并通过采样和聚类的方法实现线段的筛选和分配，基于直线段的倾角估计高压开关臂的夹角，分析开关的工作状态，实现对高压开关状态的自动化监测。本发明还具有鲁棒性强、自动化程度高等优点。

Description

一种基于摄像机和角度测量的高压开关状态监测方法

技术领域

本发明涉及一种高压开关状态的自动化监测方法，尤其涉及一种双臂高压开关状态的自动化监测方法，适用于自动化电器开关工作状态监控等场合，属于电力设备监控领域。

背景技术

高压开关作为高压电力系统中的一个关键部件，在电力中继站、变电站等场合有着广泛应用，对高压开关状态的监测也面临着越来越多的挑战。一方面，输电系统的塔体增高，线路布设距离增大，使得人工检测的时间成本越来越高；另一方面，由于高压开关长期工作于户外环境，一旦发生闭合不充分等问题，会产生危险的火花放电，设备的安全性将无法保证，如果不及时发现并处理安全隐患，可能会对电力的稳定传输产生消极影响。

对于高压开关的状态监测，可以根据其采用的方法不同，大致分为两类：带电监测(On-site monitoring)和在线监测(Online monitoring)。带电监测指的是对于正在工作电压下的设备，采用专用仪器，由人员参与进行的测量；在线监测是指在不影响设备运行的条件下，对设备状况连续或定时进行的监测，通常是自动进行的。

带电监测通常包括局部放电法、色谱分析法、电流测量法等。总体而言，带电监测的资金投入较小，但检测实时性较弱，诊断准确度受环境影响较大，抗干扰能力较弱。同时，户外复杂的工作环境也对这类精密仪器的稳定工作带来了一定的挑战。

高压开关的在线监测主要有电气寿命监测法、机械特性监测法和基于视觉的异常检测法。电气寿命监测主要针对开关触头的电磨损进行监测，通过监测开断电流、开断次数和燃弧时间等参数，由数学算法进行分析，预测触头的使用寿命。典型方法包括基于燃弧时间的i2t加权评估法和相对电寿命法等。机械特性监测法主要考虑高压开关的机械特性，包括分合闸线圈电流、触头行程和速度、机械振动等参量。上述两种方法对于可能发生的机械故障预警有较大意义，但难以准确识别是否已发生故障，因此也难以较为迅速地定位故障。

发明内容

本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法要解决的技术问题是：通过对采集的高压开关的视频图像处理，采用背景建模方法建立运动的前景开关臂的蒙版，通过重校验生成的前景蒙版实现伪影消除，进而实现对前景开关臂的分割；依据分割出的开关臂图像估计高压开关两臂的夹角，分析开关的工作状态，即实现对高压开关状态的自动化监测。本发明能够避免人员直接接触高压开关，提高监测安全性，且具有鲁棒性强、自动化程度高等优点。

本发明的目的是通过下述技术方案实现的。

本发明公开的一种基于摄像机和角度测量的高压开关状态检测方法，采用摄像机实现对高压开关及其工作环境的视频信息采集，通过背景建模的方法建立视频图像序列的背景模型，并在每个采样帧进行背景模型更新，获得准确的背景模型，生成运动的前景高压开关蒙版；对前景蒙版进行图像增强，并通过像素距离重校验的方法对前景蒙版进行伪影消除，进而提取感兴趣区域ROI；基于感兴趣区域的图像信息，进行直线段提取，并通过采样和聚类的方法实现线段的筛选和分配，基于直线段的倾角估计高压开关臂的夹角，分析开关的工作状态，实现对高压开关状态的自动化监测。

本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，包括如下步骤：

步骤一：选择稳定平台安装用于采集高压开关视频图像信息的摄像机，摄像机的主光轴应对准被监测的高压开关，并调节摄像机与开关间的距离或摄像机镜头焦距。通过摄像机实时获取高压开关的视频图像信息。

作为优选，步骤一中，采集高压开关视频图像画面中高压开关的面积占据总画面的一半以上。

步骤二：对步骤一获取高压开关的视频图像，采用背景建模方法建立视频图像序列的背景模型，依据距离阈值，基于所述背景模型生成运动的前景开关臂的蒙版；对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新；根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割。

步骤2.1：对步骤一获取的高压开关的视频图像，随机选择种子点，采用背景建模方法，根据种子点初始化背景模型，并初始化用于判断像素属于背景或前景的距离阈值R。

对步骤一获取高压开关的视频图像，设定种子点数量N，随机取观测到的N个像素初始化背景模型如公式(1)所示：

B(x_i)＝{B₁(x_i),B₂(x_i),...,B_N(x_i)} (1)

其中：x_i代表像素，B(x_i)特指被用于初始化的背景模型，下角标代表了背景模型中的像素编号。

初始化用于判断像素属于背景或前景的距离阈值R。

步骤2.2：对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离dist；依据距离阈值R，基于步骤2.1初始化背景模型生成运动的前景开关臂的蒙版。

步骤2.2.1：使用观测窗口遍历整张图像，对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离dist。

选择观测窗口，使用观测窗口遍历整张图像，对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离。I(x_i ^u)是包含有当前像素灰度值I^v(x_i ^u)和梯度幅值I^m(x_i ^u)的二元组。像素间距离的计算方式为：

其中：α是权重系数，是当前观测窗口内的平均梯度幅值，/>是背景模型中像素的梯度幅值，/>是背景模型中像素的灰度值。

步骤2.2.2：将距离dist与距离阈值R比较，若小于距离阈值，判断像素属于背景的得票数加一；若属于背景的得票数低于投票阈值#_min，则判定当前像素属于前景。根据投票结果判断像素类别，生成运动的前景开关臂的蒙版。

对背景模型中的每个像素B_k(x_i)，计算当前像素与其的距离dist，并与距离阈值R比较，若小于距离阈值，判断像素属于背景的得票数加一；若属于背景的得票数低于投票阈值#_min，则判定当前像素属于前景，如公式(3)所示：

其中：F＝1表示当前像素属于前景，反之为背景；#{·}代表数量统计。

步骤2.3：根据距离dist建立用于参数更新的最小距离矩阵。

最小距离矩阵表示为D(x_i)＝{D₁(x_i),D₂(x_i),...,D_N(x_i)}，其中D(x_i)＝min(dist(I(x_i ^u),B_j(x_i))。计算距离均值作为背景动态复杂度的度量。

步骤2.4：对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新。

根据前景-背景像素距离均值计算背景模型的更新概率p。对每一个背景模型参数，其更新概率定义为p＝1/T(x_i)。T的计算方式如公式(4)所示：

通过将B_k(x_i)替换为当前像素I(x_i ^u)实现第k个背景模型元素的更新，即实现更新前景蒙版。

并根据公式(5)更新距离阈值R：

其中R_i/d和R_s是预先定义的两个常量，作为控制R(x_i)的参数。

步骤2.5：根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割。

对观测窗口内的每个前景像素x_i ^f，遍历窗口内的所有背景像素x_N ^b，根据公式(2)计算前景-背景像素距离。伪影(ghost)、前景(foreground)和背景(background)像素的判断基于公式(6)确定：

其中：s_r(x_i ^f)是置信度分数，ε_d是宽容度系数。置信度分数的计算方式如下：

其中N_bg是当前观测窗口中所有的背景像素数目，⊙是异或运算，PF(x_i,x_n)代表按公式(2)计算得到的像素距离。

根据公式(6)校核前景蒙版的像素点与背景模型的差异，对步骤2.4更新后的蒙版进行伪影消除，并将计算得到的伪影像素全部划分为背景像素，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割。

步骤三：对步骤二确定的前景高压开关的分割蒙版进行图像增强，消除由于噪声产生的孔洞，填充分割蒙版中存在的裂隙，并提取分割蒙版中用于精确定位高压开关臂的感兴趣区域ROI。

步骤四：根据步骤三增强后的分割蒙版进行开关作动停止检测。

按采样率r_s从视频图像序列中进行抽帧，并根据公式(8)计算当前帧中前景像素数占所有像素的比例Gre：

其中P_t是第t个采样帧的前景像素数占比。如果Gre大于一定的阈值σ_e，则判定当前帧为高压开关作动停止帧。阈值σ_e的计算方式如公式(9)所示：

其中：N_T代表用于评估作动停止的前N_T帧数目。通过比对相邻采样帧间前景像素占比的变化梯度，实现高压开关的作动停止检测。

步骤五：根据步骤三得到的感兴趣区域ROI获取高压开关的图像信息，进行直线段提取，并计算直线段中点坐标和斜率，初步筛选直线段样本。

对步骤三得到的感兴趣区域ROI蒙版图像，采用渐进概率霍夫变换算法进行直线段提取。获得提取到的所有线段的起止端点坐标p₁(x₁ ^p,y₁ ^p),p₂(x₂ ^p,y₂ ^p)，并计算其中点坐标p_c((x₁ ^p+x₂ ^p)/2,(y₁ ^p+y₂ ^p)/2)。

对0-180°范围内的角度进行分块，计算所有直线段的倾角，如公式(10)所示：

统计所有直线段的倾角落入的区间，并保留样本数最多的M组角度区间内的线段，删除其余组角度区间内的线段，实现对直线段样本的初步筛选。

步骤六：对经过筛选后的线段进行聚类，将步骤五筛选的所有线段按照其从属关系分配到开关的左右两臂上。

作为优选，步骤六中对经过筛选后的线段进行聚类采用K-means算法，此时，步骤六实现方法如下：

随机设定两个聚类中心{C₁,C₂}，计算每个样本到聚类中心的欧氏距离dis：

其中X代表样本，C是聚类中心，t代表样本属性，即线段的中点坐标p_c，m为样本属性总数。

将当前样本归类到距离较小的那个聚类中心，并更新聚类中心的位置，使其始终为当前聚类下所有样本中心的均值：

其中S_j是第j个聚类中心的位置，|·|代表聚类中心包含的样本数量。

重复计算每个样本到聚类中心的距离，并更新样本所属类别，直到所有直线段样本均被归类为某一类，且没有样本被更新为新的类别，实现对所有直线段的无监督聚类，通过聚类结果表征线段之于高压开关两臂的从属关系。

步骤七：对步骤六分配到开关左右两臂上的直线段进行采样，在高压开关两臂上各采样一条直线段样本，并分别计算两条样本线段的斜率，计算两直线段的夹角，即估计开关两臂的夹角。

根据每一类线段的中点横坐标在x轴上的分布，确定最接近每类线段中点横坐标分布中心的线段，共采样得到两条线段，分别来自高压开关的左右两臂。

按照公式(10)的方式计算两条线段的斜率，开关两臂的夹角δ_θ12根据公式(13)估计得到：

δ_θ12＝|θ_l1-θ_l2| (13)

步骤八：在步骤四判断的高压开关的作动停止状态下，根据步骤七估计的开关两臂的夹角值δ_θ12进行开关的工作状态预测，若夹角小于阈值，则判定高压开关闭合完全，工作正常，若夹角大于阈值，则判定高压开关闭合不完全。

在步骤四判断的高压开关的作动停止状态下，根据夹角值δ_θ12进行开关的工作状态预测，作动停止状态下，若夹角小于阈值，则判定高压开关闭合完全，工作正常，若夹角大于阈值，则判定高压开关闭合不完全。

步骤九：根据步骤八判定的高压开关闭合状态，实现高压开关的自动化状态监测。

还包括步骤十：根据步骤一至步骤九实现的高压开关的自动化状态监测结果，避免人员直接接触高压开关，提高监测安全性。

有益效果：

1、本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，通过对采集的高压开关的视频图像处理，采用背景建模方法建立运动的前景开关臂的蒙版，通过重校验生成的前景蒙版实现伪影消除，进而实现对前景开关臂的分割；依据分割出的开关臂图像估计高压开关两臂的夹角，分析开关的工作状态，即实现对高压开关状态的自动化监测。

2、本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，对获取高压开关的视频图像，采用背景建模方法建立视频图像序列的背景模型，依据距离阈值，基于所述背景模型生成运动的前景开关臂的蒙版；对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新；根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割，依据分割蒙版得到的开关臂图像的鲁棒性强，进而能够提高前景高压开关臂监测的鲁棒性。

3、本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，对确定的前景高压开关的分割蒙版进行图像增强，并提取分割蒙版中用于精确定位高压开关臂的感兴趣区域ROI，能够进一步提高高压开关状态监测精度。

4、本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，通过比对采样帧的前景像素比例的变化梯度来进行开关的作动停止检测，不依赖外部控制指令信息，与开关伺服机构解耦，能够提升高压开关状态监测本身的稳定性。

5、本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，通过无监督聚类的方法进行直线段分配，能够摆脱对大量训练数据的依赖，降低高压开关状态监测的数据成本。

6、本发明公开的一种基于摄像机和角度测量的高压开关状态监测方法，能够实现的高压开关的自动化状态监测，因此，能够避免人员直接接触高压开关，提高监测安全性，还能够应用于无人值守变电站的自动巡检等场合。

附图说明

图1是本发明的一种基于摄像机和角度测量的高压开关状态监测方法流程图；

图2是本发明实例中摄像机拍摄的图像示例；

图3是本发明实例中伪影消除前的前景蒙版图；

图4是本发明实例中伪影消除后的前景蒙版图；

图5是本发明实例中图像增强前的前景蒙版图及感兴趣区域示意图；

图6是本发明实例中图像增强后的前景蒙版图及感兴趣区域示意图；

图7是本发明实例中提取到的直线段可视化结果。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例1：为验证方法的可行性，选择两段式单臂高压开关作为监测对象。如图1所示，本实施例公开的一种基于摄像机和角度测量的高压开关状态监测方法，包括如下步骤：

步骤一：选择稳定平台安装用于采集高压开关视频图像信息的摄像机，摄像机的主光轴应对准被监测的高压开关，并调节摄像机与开关间的距离或摄像机镜头焦距。通过摄像机实时获取高压开关的视频图像信息。

步骤一中，采集高压开关视频图像画面中高压开关的面积占据总画面的一半以上，如图2所示。

步骤二：对步骤一获取高压开关的视频图像，采用背景建模方法建立视频图像序列的背景模型，依据距离阈值，基于所述背景模型生成运动的前景开关臂的蒙版；对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新；根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割。

步骤2.1：对步骤一获取的高压开关的视频图像，随机选择种子点，采用背景建模方法，根据种子点初始化背景模型，并初始化用于判断像素属于背景或前景的距离阈值R。

对步骤一获取高压开关的视频图像，设定种子点数量N，随机取观测到的N个像素初始化背景模型如公式(1)所示

B(x_i)＝{B₁(x_i),B₂(x_i),...,B_N(x_i)} (1)

其中：x_i代表像素，B(x_i)特指被用于初始化的背景模型，下角标代表了背景模型中的像素编号。

初始化用于判断像素属于背景或前景的距离阈值R。

步骤2.2：对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离dist；依据距离阈值R，基于步骤2.1初始化背景模型生成运动的前景开关臂的蒙版。

步骤2.2.1：使用观测窗口遍历整张图像，对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离dist。

选择观测窗口，使用观测窗口遍历整张图像，对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离。I(x_i ^u)是包含有当前像素灰度值I^v(x_i ^u)和梯度幅值I^m(x_i ^u)的二元组。像素间距离的计算方式为：

其中：α是权重系数，是当前观测窗口内的平均梯度幅值，/>是背景模型中像素的梯度幅值，/>是背景模型中像素的灰度值。

步骤2.2.2：将距离dist与距离阈值R比较，若小于距离阈值，判断像素属于背景的得票数加一；若属于背景的得票数低于投票阈值#_min，则判定当前像素属于前景。根据投票结果判断像素类别，生成运动的前景开关臂的蒙版。

对背景模型中的每个像素B_k(x_i)，计算当前像素与其的距离dist，并与距离阈值R比较，若小于距离阈值，判断像素属于背景的得票数加一；若属于背景的得票数低于投票阈值#_min，则判定当前像素属于前景，如公式(3)所示：

其中：F＝1表示当前像素属于前景，反之为背景；#{·}代表数量统计。

步骤2.3：根据距离dist建立用于参数更新的最小距离矩阵。

最小距离矩阵表示为D(x_i)＝{D₁(x_i),D₂(x_i),...,D_N(x_i)}，其中D(x_i)＝min(dist(I(x_i ^u),B_j(x_i))。计算距离均值作为背景动态复杂度的度量。

步骤2.4：对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新。

根据前景-背景像素距离均值计算背景模型的更新概率p。对每一个背景模型参数，其更新概率定义为p＝1/T(x_i)。T的计算方式如公式(4)所示：

通过将B_k(x_i)替换为当前像素I(x_i ^u)实现第k个背景模型元素的更新，即实现更新前景蒙版，如图3所示。

并根据公式(5)更新距离阈值R：

其中R_i/d和R_s是预先定义的两个常量，作为控制R(x_i)的参数。

步骤2.5：根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割。

对观测窗口内的每个前景像素x_i ^f，遍历窗口内的所有背景像素x_N ^b，根据公式(2)计算前景-背景像素距离。伪影(ghost)、前景(foreground)和背景(background)像素的判断基于公式(6)确定：

其中：s_r(x_i ^f)是置信度分数，ε_d是宽容度系数。置信度分数的计算方式如下：

其中N_bg是当前观测窗口中所有的背景像素数目，⊙是异或运算，PF(x_i,x_n)代表按公式(2)计算得到的像素距离。

根据公式(6)校核前景蒙版的像素点与背景模型的差异，对步骤2.4更新后的蒙版进行伪影消除，并将计算得到的伪影像素全部划分为背景像素，确定前景高压开关的分割蒙版，如图4所示，基于分割蒙版实现对前景开关臂的分割。

步骤三：对步骤二确定的前景高压开关的分割蒙版进行图像增强，消除由于噪声产生的孔洞，填充分割蒙版中存在的裂隙，并提取分割蒙版中用于精确定位高压开关臂的感兴趣区域ROI。

步骤3.1：基于漫水填充算法，对生成的二值蒙版图(如图5所示)进行孔洞去除。

在图像边界外填充2个像素宽度的零值像素。以图像左上角像素为坐标原点，x轴水平向右，y轴竖直向下建立平面直角坐标系，种子像素点取(0,0)，执行漫水填充算法，构建外围区域蒙版；将得到的蒙版反相，与前景提取阶段生成的蒙版进行逻辑或运算，完成孔洞去除。

步骤3.2：对生成的蒙版图像进行形态学闭运算，从而填补蒙版中存在的缝隙。对运算后的蒙版进行轮廓提取，并生成感兴趣区域(ROI)。

对生成的蒙版图像进行形态学闭运算，从而填补蒙版中存在的缝隙，并消除小的噪声前景，如图6所示。

运算后的蒙版进行轮廓提取，并生成感兴趣区域(ROI)。首先计算蒙版每个点的梯度幅值。对于坐标为(x,y)的像素点灰度值P(x,y)，其水平方向和竖直方向上的灰度梯度可表示为：

定义该点处的梯度幅值为：

若当前像素点的梯度幅值大于某一阈值，则认为当前像素点位于某一轮廓上。遍历前景蒙版，找到所有位于轮廓线上的像素，并在8邻域的范围内将其连接。遍历所有闭合轮廓，根据面积大小对所有轮廓进行排序，选择面积最大的轮廓作为高压开关的轮廓，并生成其最小外包矩形，该矩形内的图像作为感兴趣区域。

步骤四：根据步骤三增强后的分割蒙版进行开关作动停止检测。

按采样率r_s从视频图像序列中进行抽帧，并根据公式(10)计算当前帧中前景像素数占所有像素的比例Gre：

其中P_t是第t个采样帧的前景像素数占比。如果Gre大于一定的阈值σ_e，则判定当前帧为高压开关作动停止帧。阈值σ_e的计算方式如公式(11)所示：

其中：N_T代表用于评估作动停止的前N_T帧数目。通过比对相邻采样帧间前景像素占比的变化梯度，实现高压开关的作动停止检测。

步骤五：根据步骤三得到的感兴趣区域ROI获取高压开关的图像信息，进行直线段提取，并计算直线段中点坐标和斜率，初步筛选直线段样本。

对步骤三得到的感兴趣区域ROI蒙版图像，采用渐进概率霍夫变换算法进行直线段提取。获得提取到的所有线段的起止端点坐标p₁(x₁ ^p,y₁ ^p),p₂(x₂ ^p,y₂ ^p)，并计算其中点坐标p_c((x₁ ^p+x₂ ^p)/2,(y₁ ^p+y₂ ^p)/2)。

对0-180°范围内的角度按10°区间分为18块，计算所有直线段的倾角，如公式(12)所示：

统计所有直线段的倾角落入的区间，并保留样本数最多的9组角度区间内的线段，删除其余组角度区间内的线段，实现对直线段样本的初步筛选。

步骤六：对经过筛选后的线段进行聚类，将步骤五筛选的所有线段按照其从属关系分配到开关的左右两臂上。

步骤六中对经过筛选后的线段进行聚类采用K-means算法，此时，步骤六实现方法如下：

随机设定两个聚类中心{C₁,C₂}，计算每个样本到聚类中心的欧氏距离dis：

其中X代表样本，C是聚类中心，t代表样本属性，即线段的中点坐标p_c，m为样本属性总数。

将当前样本归类到距离较小的那个聚类中心，并更新聚类中心的位置，使其始终为当前聚类下所有样本中心的均值：

其中S_j是第j个聚类中心的位置，|·|代表聚类中心包含的样本数量。

重复计算每个样本到聚类中心的距离，并更新样本所属类别，直到所有直线段样本均被归类为某一类，且没有样本被更新为新的类别，实现对所有直线段的无监督聚类，通过聚类结果表征线段之于高压开关两臂的从属关系。

步骤七：对步骤六分配到开关左右两臂上的直线段进行采样，在高压开关两臂上各采样一条直线段样本，并分别计算两条样本线段的斜率，计算两直线段的夹角，即估计开关两臂的夹角。

根据每一类线段的中点横坐标在x轴上的分布，确定最接近每类线段中点横坐标分布中心的线段，共采样得到两条线段，分别来自高压开关的左右两臂，如图7所示。

按照公式(10)的方式计算两条线段的斜率，开关两臂的夹角δ_θ12根据公式(15)估计得到：

δ_θ12＝|θ_l1-θ_l2| (15)

步骤八：在步骤四判断的高压开关的作动停止状态下，根据步骤七估计的开关两臂的夹角值δ_θ12进行开关的工作状态预测，若夹角小于阈值，则判定高压开关闭合完全，工作正常，若夹角大于阈值，则判定高压开关闭合不完全。

在步骤四判断的高压开关的作动停止状态下，根据夹角值δ_θ12进行开关的工作状态预测，作动停止状态下，若夹角小于阈值，则判定高压开关闭合完全，工作正常，若夹角大于阈值，则判定高压开关闭合不完全。

步骤九：根据步骤八判定的高压开关闭合状态，实现高压开关的自动化状态监测。

还包括步骤十：根据步骤一至步骤九实现的高压开关的自动化状态监测结果，避免人员直接接触高压开关，提高监测安全性。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：包括如下步骤，

步骤一：选择稳定平台安装用于采集高压开关视频图像信息的摄像机，摄像机的主光轴应对准被监测的高压开关，并调节摄像机与开关间的距离或摄像机镜头焦距；通过摄像机实时获取高压开关的视频图像信息；

步骤二：对步骤一获取的高压开关的视频图像，采用背景建模方法建立视频图像序列的背景模型，依据距离阈值，基于所述背景模型生成运动的前景开关臂的蒙版；对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新；根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割；

步骤三：对步骤二确定的前景高压开关的分割蒙版进行图像增强，消除由于噪声产生的孔洞，填充分割蒙版中存在的裂隙，并提取分割蒙版中用于精确定位高压开关臂的感兴趣区域ROI；

步骤3.1：基于漫水填充算法，对生成的二值蒙版图进行孔洞去除；

在图像边界外填充2个像素宽度的零值像素，以图像左上角像素为坐标原点，x轴水平向右，y轴竖直向下建立平面直角坐标系，种子像素点取(0,0)，执行漫水填充算法，构建外围区域蒙版；将得到的蒙版反相，与前景提取阶段生成的蒙版进行逻辑或运算，完成孔洞去除；

步骤3.2：对生成的蒙版图像进行形态学闭运算，从而填补蒙版中存在的缝隙；对运算后的蒙版进行轮廓提取，并生成感兴趣区域ROI；

对生成的蒙版图像进行形态学闭运算，从而填补蒙版中存在的缝隙，并消除小的噪声前景；

运算后的蒙版进行轮廓提取，并生成感兴趣区域ROI；首先计算蒙版每个点的梯度幅值；对于坐标为(x,y)的像素点灰度值P(x,y)，其水平方向和竖直方向上的灰度梯度表示为：

定义该点处的梯度幅值为：

若当前像素点的梯度幅值大于某一阈值，则认为当前像素点位于某一轮廓上；遍历前景蒙版，找到所有位于轮廓线上的像素，并在8邻域的范围内将其连接；遍历所有闭合轮廓，根据面积大小对所有轮廓进行排序，选择面积最大的轮廓作为高压开关的轮廓，并生成其最小外包矩形，该矩形内的图像作为感兴趣区域；

步骤四：根据步骤三增强后的分割蒙版进行开关作动停止检测；

步骤五：根据步骤三得到的感兴趣区域ROI获取高压开关的图像信息，进行直线段提取，并计算直线段中点坐标和斜率，初步筛选直线段样本；

步骤六：对经过筛选后的线段进行聚类，将步骤五筛选的所有线段按照其从属关系分配到开关的左右两臂上；

步骤七：对步骤六分配到开关左右两臂上的直线段进行采样，在高压开关两臂上各采样一条直线段样本，并分别计算两条样本线段的斜率，计算两直线段的夹角，即估计开关两臂的夹角；

步骤八：在步骤四判断的高压开关的作动停止状态下，根据步骤七估计的开关两臂的夹角值δ_θ12进行开关的工作状态预测，若夹角小于阈值，则判定高压开关闭合完全，工作正常，若夹角大于阈值，则判定高压开关闭合不完全；

步骤九：根据步骤八判定的高压开关闭合状态，实现高压开关的自动化状态监测。

2.如权利要求1所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：还包括步骤十，根据步骤一至步骤九实现的高压开关的自动化状态监测结果，避免人员直接接触高压开关，提高监测安全性。

3.如权利要求1或2所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤二实现方法为，

步骤2.1：对步骤一获取的高压开关的视频图像，随机选择种子点，采用背景建模方法，根据种子点初始化背景模型，并初始化用于判断像素属于背景或前景的距离阈值R；

对步骤一获取高压开关的视频图像，设定种子点数量N，随机取观测到的N个像素初始化背景模型如公式(1)所示：

B(x_i)＝{B₁(x_i),B₂(x_i),...,B_N(x_i)} (1)

其中：x_i代表像素，B(x_i)特指被用于初始化的背景模型，下角标代表了背景模型中的像素编号；

初始化用于判断像素属于背景或前景的距离阈值R；

步骤2.2：对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离dist；依据距离阈值R，基于步骤2.1初始化背景模型生成运动的前景开关臂的蒙版；

步骤2.2.1：使用观测窗口遍历整张图像，对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离dist；

选择观测窗口，使用观测窗口遍历整张图像，对窗口内图像中的未归类像素x_i ^u的值I(x_i ^u)，计算其与背景点的距离；I(x_i ^u)是包含有当前像素灰度值I^v(x_i ^u)和梯度幅值I^m(x_i ^u)的二元组；像素间距离的计算方式为：

其中：α是权重系数，是当前观测窗口内的平均梯度幅值，/>是背景模型中像素的梯度幅值，/>是背景模型中像素的灰度值；

步骤2.2.2：将距离dist与距离阈值R比较，若小于距离阈值，判断像素属于背景的得票数加一；若属于背景的得票数低于投票阈值#_min，则判定当前像素属于前景；根据投票结果判断像素类别，生成运动的前景开关臂的蒙版；

对背景模型中的每个像素B_k(x_i)，计算当前像素与其的距离dist，并与距离阈值R比较，若小于距离阈值，判断像素属于背景的得票数加一；若属于背景的得票数低于投票阈值#_min，则判定当前像素属于前景，如公式(3)所示：

其中：F＝1表示当前像素属于前景，反之为背景；#{·}代表数量统计；

步骤2.3：根据距离dist建立用于参数更新的最小距离矩阵；

最小距离矩阵表示为D(x_i)＝{D₁(x_i),D₂(x_i),...,D_N(x_i)}，其中D(x_i)＝min(dist(I(x_i ^u),B_k(x_i))；计算距离均值作为背景动态复杂度的度量；

步骤2.4：对每一视频采样帧，更新距离阈值，并根据前景-背景像素距离均值计算背景模型的更新概率，根据更新概率对背景模型和前景蒙版进行更新；

根据前景-背景像素距离均值计算背景模型的更新概率p；对每一个背景模型参数，其更新概率定义为p＝1/T(x_i)；T的计算方式如公式(4)所示：

通过将B_k(x_i)替换为当前像素I(x_i ^u)实现第k个背景模型元素的更新，即实现更新前景蒙版；

并根据公式(5)更新距离阈值R：

其中R_i/d和R_s是预先定义的两个常量，作为控制R(x_i)的参数；

步骤2.5：根据前景-背景像素距离，通过重校验生成的前景蒙版实现伪影消除，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割；

对观测窗口内的每个前景像素x_i ^f，遍历窗口内的所有背景像素x_N ^b，根据公式(2)计算前景-背景像素距离；伪影ghost、前景foreground和背景background像素的判断基于公式(6)确定：

其中：s_r(x_i ^f)是置信度分数，ε_d是宽容度系数；置信度分数的计算方式如下：

其中N_bg是当前观测窗口中所有的背景像素数目，⊙是异或运算，PF(x_i,x_n)代表按公式(2)计算得到的像素距离；

根据公式(6)校核前景蒙版的像素点与背景模型的差异，对步骤2.4更新后的蒙版进行伪影消除，并将计算得到的伪影像素全部划分为背景像素，确定前景高压开关的分割蒙版，基于分割蒙版实现对前景开关臂的分割。

4.如权利要求3所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤四实现方法为，

按采样率r_s从视频图像序列中进行抽帧，并根据公式(8)计算当前帧中前景像素数占所有像素的比例Gre：

其中P_t是第t个采样帧的前景像素数占比；如果Gre大于一定的阈值σ_e，则判定当前帧为高压开关作动停止帧；阈值σ_e的计算方式如公式(9)所示：

其中：N_T代表用于评估作动停止的前N_T帧数目；通过比对相邻采样帧间前景像素占比的变化梯度，实现高压开关的作动停止检测。

5.如权利要求4所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤五实现方法为，

对步骤三得到的感兴趣区域ROI蒙版图像，采用渐进概率霍夫变换算法进行直线段提取；获得提取到的所有线段的起止端点坐标p₁(x₁ ^p,y₁ ^p),p₂(x₂ ^p,y₂ ^p)，并计算其中点坐标p_c((x₁ ^p+x₂ ^p)/2,(y₁ ^p+y₂ ^p)/2)；

对0-180°范围内的角度进行分块，计算所有直线段的倾角，如公式(10)所示：

统计所有直线段的倾角落入的区间，并保留样本数最多的M组角度区间内的线段，删除其余组角度区间内的线段，实现对直线段样本的初步筛选。

6.如权利要求5所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤六中对经过筛选后的线段进行聚类采用K-means算法，此时，步骤六实现方法如下，

随机设定两个聚类中心{C₁,C₂}，计算每个样本到聚类中心的欧氏距离dis：

其中X代表样本，C是聚类中心，t代表样本属性，即线段的中点坐标p_c，m为样本属性总数；

将当前样本归类到距离较小的那个聚类中心，并更新聚类中心的位置，使其始终为当前聚类下所有样本中心的均值：

其中S_j是第j个聚类中心的位置，|·|代表聚类中心包含的样本数量；

重复计算每个样本到聚类中心的距离，并更新样本所属类别，直到所有直线段样本均被归类为某一类，且没有样本被更新为新的类别，实现对所有直线段的无监督聚类，通过聚类结果表征线段之于高压开关两臂的从属关系。

7.如权利要求6所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤七实现方法为，

根据每一类线段的中点横坐标在x轴上的分布，确定最接近每类线段中点横坐标分布中心的线段，共采样得到两条线段，分别来自高压开关的左右两臂；

按照公式(10)的方式计算两条线段的斜率，开关两臂的夹角δ_θ12根据公式(13)估计得到：

δ_θ12＝|θ_l1-θ_l2| (13)。

8.如权利要求7所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤八实现方法为，

在步骤四判断的高压开关的作动停止状态下，根据夹角值δ_θ12进行开关的工作状态预测，作动停止状态下，若夹角小于阈值，则判定高压开关闭合完全，工作正常，若夹角大于阈值，则判定高压开关闭合不完全。

9.如权利要求1、2、4、5、6、7或8所述的一种基于摄像机和角度测量的高压开关状态监测方法，其特征在于：步骤一中，采集高压开关视频图像画面中高压开关的面积占据总画面的一半以上。