CN113838049B - 一种适用于便携设备的变电站硬压板智能校核方法 - Google Patents
一种适用于便携设备的变电站硬压板智能校核方法 Download PDFInfo
- Publication number
- CN113838049B CN113838049B CN202111190237.7A CN202111190237A CN113838049B CN 113838049 B CN113838049 B CN 113838049B CN 202111190237 A CN202111190237 A CN 202111190237A CN 113838049 B CN113838049 B CN 113838049B
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- hard
- representing
- image
- network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002265 prevention Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 13
- 125000003192 dTMP group Chemical group 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000005266 casting Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000013145 classification model Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于便携设备的变电站硬压板智能校核方法，包括拍摄压板图像，并获取压板图像中的硬压板区域；建立并训练固化网络参数加载目标检测模型；建立并训练固化网络参数加载压板二分类网络模型；采用训练好的固化网络参数加载目标检测模型，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类网络模型，预测单块压板投退情况，输出压板投退预测的结果；对压板投退预测的结果进行比对，并采用二次防误逻辑，进一步校核硬压板投退是否正确，从而完成变电站硬压板智能校核。本发明利用图像处理技术及神经网络模型技术，对变电站硬压板的投退情况自定校核；防止错投、漏投保护硬压板所造成继电保护误动、拒动。
Description
技术领域
本发明属于变电站检测领域，具体涉及一种适用于便携设备的变电站硬压板智能校核方法。
背景技术
随着智能变电站不断增多，为了规范二次设备的运行工作，保证电网安全温度运行，需要对变电站二次压板投退正确进行相应的要求，但传统工作模式落后、工作量大，工作质量难以保障。
现有变电站硬压板检测技术主要使用巡检机器人以及加装压板监测装置两种方式；巡检机器人主要通过设置压板预置位获取每块压板位置信息；压板监测装置通过检测电流脉冲、回路阻值等方法获取压板投退情况。
然而上述方案主要面对智慧变电站，且未针对投退情况分析校核，对于目前大批常规变电站而言，二次压板数量多，人工核对工作量大，运维人员技术水平参差不齐，同时又缺乏有效的监管手段。
发明内容
本发明的目的在于提供一种适用于便携设备的变电站硬压板智能校核方法，该方法能够自动对变电站硬压板的投退情况进行校核，节省人力物力。
本发明提供的这种适用于便携设备的变电站硬压板智能校核方法，包括如下步骤：
S1.拍摄压板图像，并获取压板图像中的硬压板区域；
S2.建立并训练固化网络参数加载目标检测模型；建立并训练固化网络参数加载压板二分类网络模型；
S3.采用训练好的固化网络参数加载目标检测模型，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类网络模型，预测单块压板投退情况，输出压板投退预测的结果；
S4.对压板投退预测的结果进行比对，并采用二次防误逻辑，进一步校核硬压板投退是否正确，从而完成变电站硬压板智能校核。
所述的步骤S1包括，设计若干个定位点；识别定位点坐标；并进行图像透视变换获取硬压板区域。
设计四个定位点，其中包括一个回字形二维码和三个回字形黑色方框定位点；回字形二维码包括屏柜所属变电站、屏柜号和屏柜名；
图像透视变换，包括如下步骤：
A1.对输入的压板图像进行高斯滤波；并将高斯滤波后的图像转化为HSV颜色空间并将其进行二值化处理；
A2.进行边缘检测提取轮廓，拟合所有封闭四边形；
A3.计算所有封闭四边形距离原点的欧式距离，并使用k值为4的k-means聚类算法将所有封闭四边形按距原点的欧式距离聚为四类，计算所有封闭四边形面积，每类中分别取最大的四个四边形为定位点，按横纵坐标特性分别分为左上、左下、右上、右下四个定位点；
A4.利用四个定位点坐标，计算透视矩阵，进行彩色透视变换，获得整片压板区域图像。
所述的步骤A1，高斯滤波包括：
其中，K(x,y)表示对图像像素点(x,y)进行高斯滤波后得到的图像像素点；(xc,yc)表示模板中心坐标；σ表示滤波核的标准差；
将RGB颜色空间转化为HSV颜色空间，包括：
V＝Cmax
其中，Δ＝Cmax-Cmin；Cmax＝max(R′,G′,B′)；Cmin＝min(R′,G′,B′)；R′＝R/255；G′＝G/255；B′＝B/255；R、G、B分别表示表示RGB颜色空间的三原色红、绿、蓝各个分量的数值大小，取值范围在0到255之间的整数；R′、G′、B′表示256级RGB色彩下的归一值；Cmax为三个分量的最大值，表示色彩明亮度；Cmin为三个分量的最小值；Δ是三个分量最大值与最小值的差值，反映了色彩的饱和度；
进行Otsu二值化处理，包括：设T为前景和背景的分割阈值，按阈值T分割后得到前景和背景；
求得Otsu二值化总灰度的平均值u为：u＝wf×uf+wb×ub，
其中，wf表示前景像素点占比；uf表示前景像素点的平均灰度；wb表示背景像素点赞比；ub表示背景像素点的平均灰度；
求得Otsu二值化类间方差为：σ2＝wf×(uf-u)2+wb×(ub-u)2，
其中，wf表示前景像素点占比；uf表示前景像素点的平均灰度；wb表示背景像素点赞比；ub表示背景像素点的平均灰度。
所述的步骤A2，边缘检测采用Canny边缘检测算法，包括如下步骤：
E1.提取步骤A1高斯滤波后的图像；
E2.采用sobel算子计算所有的梯度和方向：sobel算子存在两个方向即x轴方向和y轴方向，分别计算x轴的梯度为Gx，计算y轴的梯度为Gy，当前点的梯度大小t为：t＝sqrt(Gx 2+Gy 2)，同时，梯度方向为Θ＝arctan(Gx/Gy)；
E3.进行非极大值抑制，用于消除杂散效应：设g1的梯度幅值为M(g1)，g2的梯度幅值为M(g2)，其中，g1表示的是左上角一点的梯度值；g2表示当前点上面一点的梯度值；
则dtmp1的梯度幅值M(dtmp1)为M(dtmp1)＝w×M(g2)+(1-w)×M(g1)；
其中，dtmp1表示斜线与线段g1g2的交点；distans(·)表示两点的距离；
E4.采用双阈值获得真实边缘和潜在边缘，通过抑制弱边缘完成最终的边缘检测，包括：
下一步提取边缘轮廓，寻找凸包以及忽略弧长为10％的点，将凸包拟合为222多边形，如果凸包为四边形则记录，记录完所有为四边形的凸包。
所述的步骤A3包括：
计算所有四边形的左上角离原点的欧式距离ρ，
其中，ρ表示点(x1,y1)和点(x2,y2)之间的欧式距离；|X|表示点(x2,y2)与原点的欧式距离；
以所有的欧式距离作为样本xi，选择初始化k＝4个样本作为初始聚类中心a＝a1,a2,a3,a4，aj表示聚类中心类别；针对数据集中每个样本xi，计算它到k＝4个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；针对每个类别aj，重新计算聚类中心其中，ci表示第i个类簇，|ci|表示第i个类簇中数据样本的个数，x表示ci类簇中的样本；重复上述操作直到达到预设迭代次数，则四个样本类别聚类完成；
取四个类别中面积最大的四边形，将其作为四个定位点，分为左上、左下、右上、右下四个定位点，透视变换的仿射变换中一共有8个参数，将四个定位点的四个内侧坐标点输入仿射变换公式，求解得到彩色透视变换结果，完成有效压板区域图像获取，仿射变换公式如下：
其中，x′，y′，ω′表示变化后图片坐标；a11，a12，a21，a22表示线性变化参数；a31，a32表示平移参数；a13，a23表示透视变换参数；u，v表示原始图片坐标。
所述的步骤S2，构建并训练固化网络参数加载YOLOv3目标检测模型，包括：
B1.使用Labeling对步骤S1进行图像透视变换后的图像进行标注；
所述的步骤B1，包括：获取不同屏柜图像，经过步骤S1的图像透视变化；更改长宽像素，通过labelimg标注六种不同形态硬压板；最后转为VOC格式，组成训练集、验证集；
B2.搭建YOLOv3目标检测模型；
YOLOv3目标检测模型采用YOLOv3深度神经网络；YOLOv3深度神经网络包括输入层、由Darknet-53网络构成的基础网络层、两个不同尺度的YOLOv3网络分支层和输出层，通过得分排序与非极大抑制筛选预测结果；
B3.训练YOLOv3目标检测模型；
所述的步骤B3，包括建立并训练固化网络参数加载YOLOv3目标检测模型；计算固化网络参数包括，使用多尺度检测，大尺寸框与小尺寸框分别计算图像内是否含有开入、开出或备用硬压板：若有，则提取该像素区域，循环预设次数，检测完成后有序分割单块硬压板像素区域，保存损失值最好批次的模型参数；反之循环预设次数后退出循环；
构建固化网络参数加载YOLOv3目标检测模型包括构建FPN特征金字塔，并利用YOLO Head获取预测结果；构建FPN特征金字塔包括：在特征利用部分，YOLOv3提取多特征层进行目标检测，提取两种特征层，位于主干部分的Darknet53的不同位置，分别位于中下层与底层，两个特征层的shape分别为(52,52,256)、(26,26,512)；利用两个有效特征层进行FPN层构建，构建方式为：
26×26×512的特征层进行5次卷积处理，处理完后利用YOLO Head获取预测结果，一部分用于进行上采样UpSampling2d后与416×416×3特征层结合，结合特征层的shape为(52,52,384)；结合层再进行5次卷积处理，处理完后利用YOLO Head获得预测结果。
所述的步骤S2，获取固化网络参数加载压板二分类CNN网络模型包括：
C1.使用单块压板样本图片构建二分类压板数据集；
C2.搭建压板二分类CNN网络模型；
压板二分类CNN网络模型采用CNN模型，具体包括输入层、池化层、卷积层以及输出层，输出层由二维softmax回归组成，采用批量随机梯度下降法对网络参数迭代优化计算；
C3.训练压板二分类CNN网络模型，获得固化网络参数加载压板二分类CNN网络模型。
所述的步骤S3，包括采用训练好的固化网络参数加载YOLOv3目标检测模型，检测每块压板位置坐标，并漏判自检，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类CNN网络模型的参数与模型结构文件；按序输入分割的每块压板像素信息；利用训练好的固化网络参数加载压板二分类CNN网络模型进行压板开入开出判别，开出、备用状态为0，开入状态为1，循环直至所有单块硬压板检测完毕，按序输出所有单块硬压板判别结果；将单块硬压板判别结果添加至预测列表。
所述的步骤S4包括：
D1.检索相应的压板清册，并比对投退结果；
D2.通过二次防误逻辑判断监测和设备状态同步分析进一步校验硬压板投退正确性；
所述的二次防误逻辑判断从pms系统查取该屏最后一次相关操作票记录，获取该屏相关设备的设备态，通过二次防误逻辑规则库判别当前硬压板投退结果的正确性；
D3.设备状态同步分析进一步检测压板投退正确性，并通过前端展示检测结果；
所述的设备状态同步分析法通过采集的该屏相关一次设备开光状态量，确定当前间隔设备态，通过设备状态同步逻辑规则库进一步判别当前硬压板投退结果的正确性；
设备状态同步分析法包括：对断路器而言，断路器在分闸位置，隔离开关在合闸位置，断路器小车在工作位置，此时处热备用态，相应的断路器保护硬压板正常投入；断路器及两侧隔离开关在分闸位置，断路器小车已拉至试验位置，此时处冷备用状态，相应断路器保护相关失灵、母差回路的硬压板和远跳、远切、联跳、联切启动压板，合闸出口压板均应退出，母线保护跳该断路器的出口压板也应退出；断路器及两侧隔离开关在分闸位置，两侧接地刀闸合上或装设接地线，此时为检修态，相应断路器保护相关失灵、母差回路的硬压板和远跳、远切、联跳、联切启动压板，合闸出口压板，相应线路保护装置出口压板均应退出，母线保护跳该断路器的出口压板也应退出；
对线路而言，线路断路器在分闸位置，各侧隔离开关在合上位置，此时为热备用态，相应线路保护硬压板应投入；线路断路器及隔离开关或母线侧隔离开关在分闸位置，断路器小车拉至试验位置，此时处冷备用态，相应硬压板投退根据断路器状态进行；线路隔离开关或母线侧隔离开关在分闸位置，断路器小车拉至试验位置，合上线路侧接地刀闸，此时处热备用态，相应硬压板投退根据断路器状态进行投退。
本发明提供的这种适用于便携设备的变电站硬压板智能校核方法，利用图像处理技术及神经网络模型技术，对变电站硬压板的投退情况自定校核；防止错投、漏投保护硬压板所造成继电保护误动、拒动。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实施例的定位点布置示意图。
图3为本发明方法的典型硬压板的三种状态示意图。图3a为本发明方法的典型硬压板的投入状态示意图。图3b为本发明方法的典型硬压板的退出状态示意图。图3c为本发明方法的典型硬压板的备用状态示意图。
图4为本发明方法的实施例的流程示意图。
图5为本发明实施例的YOLOv3目标检测模型结构示意图。
图6为本发明实施例的压板二分类CNN网络模型示意图。
图7为本发明实施例的硬压板检测试验示意图。
具体实施方式
如图1为本发明方法的流程示意图：本发明提供的这种适用于便携设备的变电站硬压板智能校核方法，包括如下步骤：
S1.拍摄压板图像，并获取压板图像中的硬压板区域；
S2.建立并训练固化网络参数加载YOLOv3目标检测模型；建立并训练固化网络参数加载压板二分类CNN网络模型；
S3.采用训练好的固化网络参数加载YOLOv3目标检测模型，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类CNN网络模型，预测单块压板投退情况，输出压板投退预测的结果；
S4.对压板投退预测的结果进行比对，并采用二次防误逻辑，进一步校核硬压板投退是否正确，从而完成变电站硬压板智能校核。
所述的步骤S1，包括设计若干个定位点；识别定位点坐标；并进行图像透视变换获取硬压板区域。
设计四个定位点，其中包括一个回字形二维码和三个回字形黑色方框定位点；回字形二维码包括屏柜所属变电站、屏柜号、屏柜名等基础信息。
图像透视变换，包括如下步骤：
A1.对输入的压板图像进行高斯滤波；并将高斯滤波后的图像转化为HSV颜色空间并将其进行二值化处理；
高斯滤波包括如下公式：
其中，K(x,y)表示对图像像素点(x,y)进行高斯滤波后得到的图像像素点；(xc,yc)表示模板中心坐标，即坐标系原点，σ表示滤波核的标准差；
将RGB颜色空间转化为HSV颜色空间包括：
V＝Cmax
其中，Δ＝Cmax-Cmin；Cmax＝max(R′,G′,B′)；Cmin＝min(R′,G′,B′)；R′＝R/255；G′＝G/255；B′＝B/255；R、G、B表示RGB颜色空间的颜色参数；R、G、B分别表示表示RGB颜色空间的三原色红(Red)、绿(Green)、蓝(Blue)各个分量的数值大小，取值范围在0到255之间的整数；R′、G′、B′表示256级RGB色彩下的归一值；Cmax为三个分量的最大值，表示色彩明亮度；Cmin为三个分量的最小值；Δ是三个分量最大值与最小值的差值，反映了色彩的饱和度；
进行Otsu二值化处理，包括：设T为前景和背景的分割阈值，按阈值T分割后得到前景和背景；
求得Otsu二值化总灰度的平均值u为：u＝wf×uf+wb×ub
其中，wf表示前景像素点占比；uf表示前景像素点的平均灰度；wb表示背景像素点赞比；ub表示背景像素点的平均灰度；
求得Otsu二值化类间方差为：σ2＝wf×(uf-u)2+wb×(ub-u)2
其中，wf表示前景像素点占比；uf表示前景像素点的平均灰度；wb表示背景像素点赞比；ub表示背景像素点的平均灰度。
A2.进行边缘检测提取轮廓，拟合所有封闭四边形；
边缘检测采用Canny边缘检测算法，包括如下步骤：
E1.提取步骤A1高斯滤波后的图像；
E2.采用sobel算子计算所有的梯度和方向：sobel算子存在两个方向，即x轴方向和y轴方向，分别计算x轴的梯度为Gx，计算y轴的梯度为Gy，当前点的梯度大小t为：t＝sqrt(Gx 2+Gy 2)，同时，梯度方向为Θ＝arctan(Gx/Gy)；
E3.进行非极大值抑制，用于消除杂散效应：设g1的梯度幅值为M(g1)，g2的梯度幅值为M(g2)，其中，g1表示的是左上角一点的梯度值；g2表示当前点上面一点的梯度值；
则dtmp1的梯度幅值M(dtmp1)为M(dtmp1)＝w×M(g2)+(1-w)×M(g1)；
其中，dtmp1表示斜线与线段g1g2的交点；distans(·)表示两点的距离；
E4.采用双阈值获得真实边缘和潜在边缘，通过抑制弱边缘完成最终的边缘检测，包括：
下一步提取边缘轮廓，寻找凸包以及忽略弧长为10％的点，将凸包拟合为多边形，如果凸包为四边形则记录，记录完所有为四边形的凸包。
如图2为本发明实施例的定位点布置示意图。A3.计算所有封闭四边形距离原点的欧式距离，并使用k值为4的k-means聚类算法将所有封闭四边形按距原点的欧式距离聚为四类，计算所有封闭四边形面积，每类中分别取最大的四个四边形为定位点，按横纵坐标特性分别分为左上、左下、右上、右下四个定位点；
所述的步骤A3，包括：计算所有四边形的左上角离原点的欧式距离ρ，
其中，ρ表示点(x1,y1)和点(x2,y2)之间的欧式距离；|X|表示点(x2,y2)与原点的欧式距离；
以所有的欧式距离作为样本xi，选择初始化k＝4个样本作为初始聚类中心a＝a1,a2,a3,a4，aj表示聚类中心类别；针对数据集中每个样本xi，计算它到k＝4个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；针对每个类别aj，重新计算它的聚类中心其中，ci表示第i个类簇，|ci|表示第i个类簇中数据样本的个数，x表示ci类簇中的样本；重复上述操作直到达到200次迭代次数，则四个样本类别聚类完成；
取四个类别中面积最大的四边形，将其作为四个定位点，按它们横纵坐标特点，将它们分为左上、左下、右上、右下四个定位点，透视变换的仿射变换中一共有8个参数，所以需要将四个定位点的四个内侧坐标点输入公式，求解得到彩色透视变换结果，完成有效压板区域图像获取，仿射变换公式如下：
其中，x′，y′，ω′表示变化后图片坐标；a11，a12，a21，a22表示线性变化参数；a31，a32表示平移参数；a13，a23表示透视变换参数；u，v表示原始图片坐标。
A4.利用四个定位点坐标，计算透视矩阵，进行彩色透视变换，获得整片压板区域图像，并且消除拍摄角度的影响。
如图3为本发明方法的典型硬压板的三种状态示意图，包括备用状态、开出状态和开入状态。所述的步骤S2，获取固化网络参数加载YOLOv3目标检测模型包括：
B1.使用Labeling对步骤S1透视变换后的图像进行标注，包括：获取大量不同屏柜图像，经过步骤S1的图像透视变化；更改长宽像素，通过labelimg标注六种不同形态硬压板；最后转为VOC格式，组成训练集、验证集；
B2.搭建YOLOv3目标检测模型；
在本实施例中，搭建的YOLOv3目标检测模型采用YOLOv3深度神经网络；YOLOv3深度神经网络包括输入层、由Darknet-53网络构成的基础网络层、两个不同尺度的YOLOv3网络分支层和输出层，在本实施例中的样本批次中，输出维度为(52,52,12)，有两种尺寸的先验框，有6种不同颜色状态，所以预测结果的通道数为3×6，预测结果需通过得分排序与非极大抑制筛选。
B3.训练YOLOv3目标检测模型，包括，建立并训练固化网络参数加载YOLOv3目标检测模型；具体为，使用多尺度检测，大尺寸框与小尺寸框分别计算图像内是否含有开入、开出或备用硬压板：如有则提取该像素区域，循环至多100轮，检测完成后有序分割单块硬压板像素区域，保存损失值最好批次的模型参数；反之循环预设次数后退出循环；
获取固化网络参数加载压板二分类CNN网络模型包括：
C1.使用单块压板样本图片构建二分类压板数据集；
C2.搭建压板二分类CNN网络模型；
压板二分类CNN网络模型采用CNN模型，具体包括输入层、池化层、卷积层以及输出层，输出层由二维softmax回归组成，采用批量随机梯度下降法对网络参数迭代优化计算。
C3.训练压板二分类CNN网络模型，固化网络参数，获得固化网络参数加载压板二分类CNN网络模型。
训练的硬压板二分类模型参数由经步骤S1预处理后，再经labelimg标注后的压板坐标分割为大量地单块压板图像，将这些单块压板图像分为两类构成训练集与验证集，即投入状态1，退出状态0，采用批量随机梯度下降法迭代若干次获得最佳模型参数并保存。在训练集中加入若干变形、旋转、阴影等不利因素的干扰样本，提高硬压板二分类模型的鲁棒性。
所述的步骤S3，包括采用训练好的固化网络参数加载YOLOv3目标检测模型，检测每块压板位置坐标，并漏判自检，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类CNN网络模型的参数与模型结构文件；按序输入分割的每块压板像素信息；利用训练好的固化网络参数加载压板二分类CNN网络模型进行压板开入开出判别，开出、备用状态为0，开入状态为1，循环直至所有单块硬压板检测完毕，按序输出所有单块硬压板判别结果；将单块硬压板判别结果添加至预测列表。
所述的步骤S4，包括：
D1.检索相应的压板清册，并比对投退结果；
D2.通过二次防误逻辑判断监测和设备状态同步分析进一步校验硬压板投退正确性。
所述的二次防误逻辑判断从pms系统查取该屏最后一次相关操作票记录，获取该屏相关设备的设备态，通过二次防误逻辑规则库判别当前硬压板投退结果的正确性。
D3.设备状态同步分析进一步检测压板投退正确性，并通过前端展示检测结果。
所述的设备状态同步分析法通过采集的该屏相关一次设备开光状态量，确定当前间隔设备态，通过设备状态同步逻辑规则库进一步判别当前硬压板投退结果的正确性。
对断路器而言，断路器在分闸位置，两侧(一侧)隔离开关在合闸位置，断路器小车在工作位置，此时处热备用态，相应的断路器保护硬压板正常投入；断路器及两侧隔离开关在分闸位置，断路器小车已拉至试验位置，此时处冷备用状态，相应断路器保护相关失灵、母差回路的硬压板和远跳、远切、联跳、联切启动压板，合闸出口压板均应退出，母线保护跳该断路器的出口压板也应退出；断路器及两侧隔离开关在分闸位置，两侧接地刀闸合上或装设接地线，此时为检修态，相应断路器保护相关失灵、母差回路的硬压板和远跳、远切、联跳、联切启动压板，合闸出口压板，相应线路保护装置出口压板均应退出，母线保护跳该断路器的出口压板也应退出。
对线路而言，线路断路器在分闸位置，各侧隔离开关在合上位置，此时为热备用态，相应线路保护硬压板应投入；线路断路器及隔离开关(包括出线隔离开关合旁母隔离开关)或母线侧隔离开关(当出线隔离开关拉不开时)在分闸位置，断路器小车拉至试验位置，此时处冷备用态，相应硬压板投退根据断路器状态进行；线路隔离开关(包括出线隔离开关和旁母隔离开关)或母线侧隔离开关在分闸位置，断路器小车拉至试验位置，合上线路侧接地刀闸，此时处热备用态，相应硬压板投退根据断路器状态进行投退。
设备状态同步逻辑规则库中主变压器、母线、无功补偿装置、站用变、主变中性点隔直装置均设置对应逻辑规则判断相应硬压板是否应投入。
如图4为本发明方法的实施例的流程示意图。如图5为本发明实施例的YOLOv3目标检测模型结构示意图。它从特征获取预测结果的过程可分为构建FPN特征金字塔进行加强特征提取以及利用YOLO Head对两个有效特征层进行预测。
构建FPN特征金字塔在特征利用部分，YOLOv3提取多特征层进行目标检测，一共提取两种特征层，位于主干部分的Darknet53的不同位置，分别位于中下层与底层，在本实施例中，两个特征层的shape分别为(52,52,256)、(26,26,512)，这样构建的原因为压板状态大小一般为两种，即大方块、小方块。利用这两个有效特征层进行FPN层构建，构建方式为：
26×26×512的特征层进行5次卷积处理，处理完后利用YOLO Head获取预测结果，一部分用于进行上采样UpSampling2d后与416×416×3特征层结合，结合特征层的shape为(52,52,384)；结合层再进行5次卷积处理，处理完后利用YOLO Head获得预测结果。
YOLO Head本质上是一次3×3卷积加一次1×1卷积，3×3卷积作用为特征整合，1×1卷积的作用为调整通道数，对应每个图分位26×26与52×52两个先验框迭代计算，将图中所有单块压板位置预测判定直至循环结束。
训练此YOLOv3模型时，使用的数据集为大量不同屏柜的压板照片，且经过一系列预处理完成透视变换获得有效压板区域后的样本图片，在此基础上进行数据集标注而训练而成的固定模型参数。
如图6为本发明实施例的压板二分类CNN网络模型示意图，具体为LeNet卷积神经网络结构图，训练的图片为单块压板样本图片，分位投入与未投入两种类别。如图7为本发明实施例的硬压板检测试验示意图，可将便携式设备拍摄的样本图片快速检测每块压板投入实际状态，并按比对法、二次防误逻辑法、设备同步分析法校核投入情况是否正确。
Claims (8)
1.一种适用于便携设备的变电站硬压板智能校核方法，其特征在于包括如下步骤：
S1.拍摄压板图像，并获取压板图像中的硬压板区域；包括，设计若干个定位点；识别定位点坐标；并进行图像透视变换获取硬压板区域；
具体实施时，包括如下步骤：
A1.对输入的压板图像进行高斯滤波；并将高斯滤波后的图像转化为HSV颜色空间并将其进行二值化处理；
A2.进行边缘检测提取轮廓，拟合所有封闭四边形；
A3.计算所有封闭四边形距离原点的欧式距离，并使用k值为4的k-means聚类算法将所有封闭四边形按距原点的欧式距离聚为四类，计算所有封闭四边形面积，每类中分别取最大的四个四边形为定位点，按横纵坐标特性分别分为左上、左下、右上、右下四个定位点；
A4.利用四个定位点坐标，计算透视矩阵，进行彩色透视变换，获得整片压板区域图像；
S2.建立并训练固化网络参数加载目标检测模型；建立并训练固化网络参数加载压板二分类网络模型；
S3.采用训练好的固化网络参数加载目标检测模型，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类网络模型，预测单块压板投退情况，输出压板投退预测的结果；
S4.对压板投退预测的结果进行比对，并采用二次防误逻辑，进一步校核硬压板投退是否正确，从而完成变电站硬压板智能校核。
2.根据权利要求1所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于设计四个定位点，其中包括一个回字形二维码和三个回字形黑色方框定位点；回字形二维码包括屏柜所属变电站、屏柜号和屏柜名；
所述的步骤A1，高斯滤波包括：
其中，K(x,y)表示对图像像素点(x,y)进行高斯滤波后得到的图像像素点；(xc,yc)表示模板中心坐标；σ表示滤波核的标准差；
将RGB颜色空间转化为HSV颜色空间，包括：
V＝Cmax
其中，Δ＝Cmax-Cmin；Cmax＝max(R′,G′,B′)；Cmin＝min(R′,G′,B′)；R′＝R/255；G′＝G/255；B′＝B/255；R、G、B表示RGB颜色空间的颜色参数；R、G、B分别表示表示RGB颜色空间的三原色红、绿、蓝各个分量的数值大小，取值范围在0到255之间的整数；R′、G′、B′表示256级RGB色彩下的归一值；Cmax为三个分量的最大值，表示色彩明亮度；Cmin为三个分量的最小值；Δ是三个分量最大值与最小值的差值，反映了色彩的饱和度；
进行Otsu二值化处理，包括：设T为前景和背景的分割阈值，按阈值T分割后得到前景和背景；
求得Otsu二值化总灰度的平均值u为：u＝wf×uf+wb×ub，
其中，wf表示前景像素点占比；uf表示前景像素点的平均灰度；wb表示背景像素点占比；ub表示背景像素点的平均灰度；
求得Otsu二值化类间方差为：σ2＝wf×(uf-u)2+wb×(ub-u)2，
其中，wf表示前景像素点占比；uf表示前景像素点的平均灰度；wb表示背景像素点占比；ub表示背景像素点的平均灰度。
3.根据权利要求2所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于所述的步骤A2，边缘检测采用Canny边缘检测算法，包括如下步骤：
E1.提取步骤A1高斯滤波后的图像；
E2.采用sobel算子计算所有的梯度和方向sobel算子存在两个方向即x轴方向和y轴方向，分别计算x轴的梯度为Gx，计算y轴的梯度为Gy，当前点的梯度大小t为：t＝sqrt(Gx 2+Gy 2)，同时，梯度方向为Θ＝arctan(Gx/Gy)；
E3.进行非极大值抑制，用于消除杂散效应：设g1的梯度幅值为M(g1)，g2的梯度幅值为M(g2)，其中，g1表示的是左上角一点的梯度值；g2表示当前点上面一点的梯度值；
则dtmp1的梯度幅值M(dtmp1)为M(dtmp1)＝w×M(g2)+(1-w)×M(g1)；
其中，dtmp1表示斜线与线段g1g2的交点；distans(·)表示两点的距离；
E4.采用双阈值获得真实边缘和潜在边缘，通过抑制弱边缘完成最终的边缘检测，包括：
下一步提取边缘轮廓，寻找凸包以及忽略弧长为10％的点，将凸包拟合为多边形，如果凸包为四边形则记录，记录完所有为四边形的凸包。
4.根据权利要求3所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于所述的步骤A3包括：
计算所有四边形的左上角离原点的欧式距离ρ，
其中，ρ表示点(x1,y1)和点(x2,y2)之间的欧式距离；|X|表示点(x2,y2)与原点的欧式距离；
以所有的欧式距离作为样本xi，选择初始化k＝4个样本作为初始聚类中心a＝a1,a2,a3,a4，aj表示聚类中心类别；针对数据集中每个样本xi，计算它到k＝4个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；针对每个类别aj，重新计算聚类中心其中，ci表示第i个类簇，|ci|表示第i个类簇中数据样本的个数，x表示ci类簇中的样本；重复上述操作直到达到预设迭代次数，则四个样本类别聚类完成；
取四个类别中面积最大的四边形，将其作为四个定位点，分为左上、左下、右上、右下四个定位点，透视变换的仿射变换中一共有8个参数，将四个定位点的四个内侧坐标点输入仿射变换公式，求解得到彩色透视变换结果，完成有效压板区域图像获取，仿射变换公式如下：
其中x′，y′，ω′表示变化后图片坐标；a11，a12，a21，a22表示线性变化参数；a31，a32表示平移参数；a13，a23表示透视变换参数；u，v表示原始图片坐标。
5.根据权利要求1-4之一所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于所述的步骤S2，构建并训练固化网络参数加载YOLOv3目标检测模型，包括：
B1.使用Labeling对步骤S1进行图像透视变换后的图像进行标注；
所述的步骤B1，包括：获取不同屏柜图像，经过步骤S1的图像透视变化；更改长宽像素，通过labelimg标注六种不同形态硬压板；最后转为VOC格式，组成训练集、验证集；
B2.搭建YOLOv3目标检测模型；
YOLOv3目标检测模型采用YOLOv3深度神经网络；YOLOv3深度神经网络包括输入层、由Darknet-53网络构成的基础网络层、两个不同尺度的YOLOv3网络分支层和输出层，通过得分排序与非极大抑制筛选预测结果；
B3.训练YOLOv3目标检测模型；
所述的步骤B3，包括建立并训练固化网络参数加载YOLOv3目标检测模型；计算固化网络参数包括，使用多尺度检测，大尺寸框与小尺寸框分别计算图像内是否含有开入、开出或备用硬压板：若有，则提取该像素区域，循环预设次数，检测完成后有序分割单块硬压板像素区域，保存损失值最好批次的模型参数；反之循环预设次数后退出循环；
构建固化网络参数加载YOLOv3目标检测模型包括构建FPN特征金字塔，并利用YOLOHead获取预测结果；构建FPN特征金字塔包括：在特征利用部分，YOLOv3提取多特征层进行目标检测，提取两种特征层，位于主干部分的Darknet53的不同位置，分别位于中下层与底层，两个特征层的shape分别为(52,52,256)、(26,26,512)；利用两个有效特征层进行FPN层构建，构建方式为：
26×26×512的特征层进行5次卷积处理，处理完后利用YOLO Head获取预测结果，一部分用于进行上采样UpSampling2d后与416×416×3特征层结合，结合特征层的shape为(52,52,384)；结合层再进行5次卷积处理，处理完后利用YOLO Head获得预测结果。
6.根据权利要求5所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于所述的步骤S2，获取固化网络参数加载压板二分类CNN网络模型包括：
C1.使用单块压板样本图片构建二分类压板数据集；
C2.搭建压板二分类CNN网络模型；
压板二分类CNN网络模型采用CNN模型，具体包括输入层、池化层、卷积层以及输出层，输出层由二维softmax回归组成，采用批量随机梯度下降法对网络参数迭代优化计算；
C3.训练压板二分类CNN网络模型，获得固化网络参数加载压板二分类CNN网络模型。
7.根据权利要求6所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于所述的步骤S3，包括采用训练好的固化网络参数加载YOLOv3目标检测模型，检测每块压板位置坐标，并漏判自检，分割每块压板像素信息；之后采用训练好的固化网络参数加载压板二分类CNN网络模型的参数与模型结构文件；按序输入分割的每块压板像素信息；利用训练好的固化网络参数加载压板二分类CNN网络模型进行压板开入开出判别，开出、备用状态为0，开入状态为1，循环直至所有单块硬压板检测完毕，按序输出所有单块硬压板判别结果；将单块硬压板判别结果添加至预测列表。
8.根据权利要求7所述的适用于便携设备的变电站硬压板智能校核方法，其特征在于所述的步骤S4包括：
D1.检索相应的压板清册，并比对投退结果；
D2.通过二次防误逻辑判断监测和设备状态同步分析进一步校验硬压板投退正确性；
所述的二次防误逻辑判断从pms系统查取该屏最后一次相关操作票记录，获取该屏相关设备的设备态，通过二次防误逻辑规则库判别当前硬压板投退结果的正确性；
D3.设备状态同步分析进一步检测压板投退正确性，并通过前端展示检测结果；
所述的设备状态同步分析法通过采集的该屏相关一次设备开关状态量，确定当前间隔设备态，通过设备状态同步逻辑规则库进一步判别当前硬压板投退结果的正确性；
设备状态同步分析法包括：对断路器而言，断路器在分闸位置，隔离开关在合闸位置，断路器小车在工作位置，此时处热备用态，相应的断路器保护硬压板正常投入；断路器及两侧隔离开关在分闸位置，断路器小车已拉至试验位置，此时处冷备用状态，相应断路器保护相关失灵、母差回路的硬压板和远跳、远切、联跳、联切启动压板，合闸出口压板均应退出，母线保护跳该断路器的出口压板也应退出；断路器及两侧隔离开关在分闸位置，两侧接地刀闸合上或装设接地线，此时为检修态，相应断路器保护相关失灵、母差回路的硬压板和远跳、远切、联跳、联切启动压板，合闸出口压板，相应线路保护装置出口压板均应退出，母线保护跳该断路器的出口压板也应退出；
对线路而言，线路断路器在分闸位置，各侧隔离开关在合上位置，此时为热备用态，相应线路保护硬压板应投入；线路断路器及隔离开关或母线侧隔离开关在分闸位置，断路器小车拉至试验位置，此时处冷备用态，相应硬压板投退根据断路器状态进行；线路隔离开关或母线侧隔离开关在分闸位置，断路器小车拉至试验位置，合上线路侧接地刀闸，此时处热备用态，相应硬压板投退根据断路器状态进行投退。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111190237.7A CN113838049B (zh) | 2021-10-13 | 2021-10-13 | 一种适用于便携设备的变电站硬压板智能校核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111190237.7A CN113838049B (zh) | 2021-10-13 | 2021-10-13 | 一种适用于便携设备的变电站硬压板智能校核方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113838049A CN113838049A (zh) | 2021-12-24 |
| CN113838049B true CN113838049B (zh) | 2023-10-31 |
Family
ID=78968600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111190237.7A Active CN113838049B (zh) | 2021-10-13 | 2021-10-13 | 一种适用于便携设备的变电站硬压板智能校核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838049B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108471107A (zh) * | 2018-04-17 | 2018-08-31 | 国网河南省电力公司电力科学研究院 | 一种基于双母分段接线方式母线间隔二次防误方法和装置 |
| CN109446982A (zh) * | 2018-10-25 | 2019-03-08 | 国网福建省电力有限公司厦门供电公司 | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 |
| CN110020643A (zh) * | 2018-01-10 | 2019-07-16 | 亮风台（上海）信息科技有限公司 | 一种压板识别方法与设备 |
| CN110648307A (zh) * | 2019-07-24 | 2020-01-03 | 国网浙江省电力有限公司湖州供电公司 | 一种利用图像比对技术核对变电站压板状态的方法 |
| CN111416438A (zh) * | 2020-03-18 | 2020-07-14 | 国网湖南省电力有限公司 | 一种变电站端硬压板状态监测与智能校核方法及系统 |
| CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及系统 |
| CN112115807A (zh) * | 2020-08-28 | 2020-12-22 | 国网福建省电力有限公司厦门供电公司 | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 |
| WO2021072949A1 (zh) * | 2019-10-14 | 2021-04-22 | 广西电网有限责任公司贺州供电局 | 一种压板自动校验的方法及装置 |
| CN113408630A (zh) * | 2021-06-22 | 2021-09-17 | 齐丰科技股份有限公司 | 一种变电站指示灯状态识别方法 |
-
2021
- 2021-10-13 CN CN202111190237.7A patent/CN113838049B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020643A (zh) * | 2018-01-10 | 2019-07-16 | 亮风台（上海）信息科技有限公司 | 一种压板识别方法与设备 |
| CN108471107A (zh) * | 2018-04-17 | 2018-08-31 | 国网河南省电力公司电力科学研究院 | 一种基于双母分段接线方式母线间隔二次防误方法和装置 |
| CN109446982A (zh) * | 2018-10-25 | 2019-03-08 | 国网福建省电力有限公司厦门供电公司 | 一种基于ar眼镜的电力屏柜压板状态识别方法及系统 |
| CN110648307A (zh) * | 2019-07-24 | 2020-01-03 | 国网浙江省电力有限公司湖州供电公司 | 一种利用图像比对技术核对变电站压板状态的方法 |
| WO2021072949A1 (zh) * | 2019-10-14 | 2021-04-22 | 广西电网有限责任公司贺州供电局 | 一种压板自动校验的方法及装置 |
| CN111416438A (zh) * | 2020-03-18 | 2020-07-14 | 国网湖南省电力有限公司 | 一种变电站端硬压板状态监测与智能校核方法及系统 |
| CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及系统 |
| CN112115807A (zh) * | 2020-08-28 | 2020-12-22 | 国网福建省电力有限公司厦门供电公司 | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 |
| CN113408630A (zh) * | 2021-06-22 | 2021-09-17 | 齐丰科技股份有限公司 | 一种变电站指示灯状态识别方法 |
Non-Patent Citations (5)
| Title |
|---|
| Privacy enhancing techniques in the Internet of things using data anonymisation;Ren W等;《Information Systems Frontiers》;1-12 * |
| 一种变电站二次防误系统的设计与研究;李功新等;《计算技术与自动化》(地2期);98-102 * |
| 保护压板投退全过程防误措施的研究与实现;黄东方等;《福建电力与电工》;第28卷(第4期);54-56 * |
| 基于SSD目标检测的硬压板图像识别;卢志钢等;《电气开关》;第59卷(第4期);37-39+42 * |
| 运行变电站改扩建工程中监控系统的隔离调试;王晓卉;《电网建设》(第12期);10-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113838049A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805038B (zh) | 一种变电站保护压板状态识别方法 | |
| CN105205489B (zh) | 基于颜色纹理分析器与机器学习的车牌检测方法 | |
| CN102521565B (zh) | 低分辨率视频的服装识别方法及系统 | |
| CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
| CN106971182A (zh) | 嵌入式电力继电压板投退状态智能识别装置及实现方法 | |
| CN107563396A (zh) | 一种电力巡检中保护屏智能识别系统的构建方法 | |
| CN109685075A (zh) | 一种基于图像的电力设备识别方法、装置及系统 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
| CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
| CN110619623B (zh) | 一种变电设备接头发热的自动识别方法 | |
| CN108268832A (zh) | 电力作业监测方法、装置、存储介质和计算机设备 | |
| CN102184404B (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
| CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
| DK2447884T3 (en) | A method for the detection and recognition of an object in an image and an apparatus and a computer program therefor | |
| CN110135248A (zh) | 一种基于深度学习的自然场景文本检测方法 | |
| CN111199250A (zh) | 一种基于机器学习的变电站空气开关状态校核方法及装置 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| CN106295627A (zh) | 用于识别文字牛皮癣图片的方法及装置 | |
| CN116740654A (zh) | 基于图像识别技术的变电站作业防控方法 | |
| CN105989600A (zh) | 基于特征点分布统计的配电网设备外观检测方法及系统 | |
| CN110827333B (zh) | 一种继电保护的压板拼接识别方法、系统及介质 | |
| Imran et al. | Image-based automatic energy meter reading using deep learning | |
| CN117351499B (zh) | 一种分合指示状态识别方法、系统、计算机设备和介质 | |
| CN113838049B (zh) | 一种适用于便携设备的变电站硬压板智能校核方法 |
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 |