CN114495086A - 一种电气化铁路牵引变电所避雷监测器的识别方法及系统 - Google Patents

Abstract

本发明公开了一种电气化铁路牵引变电所避雷监测器的识别方法及系统，将一张避雷监测器图像分为毫安表图像和动作次数表图像；对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；利用数据模型，将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。将避雷监测器图片分割成单独的毫安表和动作次数表进行分别识别，并对同一张图片中分割出的毫安表和动作次数表进行命名关联，可以有效的减少因识别区域定位不准确造成的识别区域重叠的问题，而且可以提高动作次数表这种小目标识别区的识别成功率。

Description

一种电气化铁路牵引变电所避雷监测器的识别方法及系统

技术领域

本发明涉及电气化铁路牵引变电所设备的图像识别领域，主要涉及一种电气化铁路牵引变电所避雷监测器的识别方法及系统。

背景技术

牵引变电所避雷器是牵引变电所防止雷击事故的重要保护装置，避雷器自身的好坏直接影响变电所的运行安全。避雷监测器是一种能够监测避雷器泄漏电流和动作次数的仪器，是避雷器运行状态监测采取的主要技术手段。传统避雷监测器采用人工现场抄报方式，随着牵引变电所规模的不断扩大，人工抄报方式的不足日益突出。首先，现场避雷监测器数量随着设备数量的增加而不断增多，人工抄表方式极大增加维护工作人员的工作量；其次，人工抄报中记录的数据只是孤立的表计读数，缺乏对照物，追溯性差，表盘读数也可能受人员主观因素影响而出现误读、漏读、误记等问题；再次，避雷器故障发生初期，监测表计泄漏电流变化幅度不明显，到故障较为严重时，泄漏电流读数会在较短时间内明显增加，必须在最短时间内将性能变劣的避雷器退出运行以避免事故发生，人工抄报的巡视间隔周期相对较长，往往无法及时有效地发现避雷器故障。随着技术的发展，可以利用图像识别服务对避雷监测器进行自动识别，以及发现避雷器故障，提高变电所的运行效率。

而现有技术对避雷监测器的图像识别是对一张图片中的毫安表和动作次数表同时进行识别,同时识别容易出现以下问题：

1、避雷监测器具有毫安表和动作次数表双表计，而且动作次数表的区域相对于毫安表的区域比较小，造成两个关键识别区重叠，不能正确读出毫安表和动作次数的读数，这样在对避雷监测器的毫安表和动作次数表的识别区定位时会不准确。

2、由于动作次数表相对于毫安表要小很多，常用的SSD识别方法对小目标的检测效果不好，会出现检测不到动作次数表的情况，造成识别的结果中只有毫安表读数没有动作次数表的读数，或毫安表的读数与其它监测器动作次数表的读数匹配，造成读数乱序。

3、避雷监测器与避雷器串接在一起，安装位置比较低,拍摄的图像容易受光照、角度等影响，给图像识别带了一些挑战。

有鉴于此，特提出本申请。

发明内容

本发明所要解决的技术问题是如何提高识别出避雷器检测器图片中信息的准确度，目的在于提供一种电气化铁路牵引变电所避雷监测器的识别方法及系统，将避雷监测器图片分割成单独的毫安表和动作次数表进行分别识别，并对同一张图片中分割出的毫安表和动作次数表进行命名关联，最后将识别的结果存储于map结构的数据结构中。不仅可以有效的减少因识别区域定位不准确造成的识别区域重叠的问题，而且可以提高动作次数表这种小目标识别区的识别成功率。

本发明通过下述技术方案实现：

一方面，本发明提供一种电气化铁路牵引变电所避雷监测器的识别方法，包括以下步骤：

定时采集避雷监测器图像，并输入到训练好的图像分割模型中，将一张避雷监测器图像分为毫安表图像和动作次数表图像；

对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；

将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；

利用数据模型，将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。

在电气化铁路牵引变电所中，避雷器监测器包含了两种类型的数据，一种是表盘数据一种是数字数据，如果直接使用现有的图像识别模型对一张图片中的两种数据进行识别，由于动作次数表即数字表所在的区域较小，且与表盘的形状、颜色、位置等均有差异，如果直接对一张图片进行识别，会出现识别不到动作次数表的情况，最后的识别结果不准确，另外从一张图片中识别出的两种数据统一存储时，可能会出现图像识别结果中两种数据不匹配的情况，造成读数乱序。因此，本发明通过先将采集到的避雷监测器图像进行分割，分割为毫安表图像和动作次数表图像，然后对两种图像分别采用对应的图像识别模型进行识别，得到各自的识别结果，将图像进行分开识别，能避免识别不到动作次数表的情况；进而提高最后识别结果的准确度，并且在存储时，将分割后的图像进行命名并相互关联，对应识别出的结果也按相同的关系进行命名和存储，这样在读取时就能一一对应，避免读数乱序。

进一步地，将一张避雷监测器图像分为毫安表图像和动作次数表图像的具体过程为：

利用Radon变换计算采集到的避雷监测器图像的倾斜角度，根据倾斜角度调整图像方向，得到待分割图像；

采用基于灰度的阈值分割算法对待分割图像进行分割，得到动作次数表图像并对其打标签；

根据待分割图像中毫安表和动作次数表的相对位置，在待分割图像中框选出毫安表所在区域，得到毫安表图像并对其打标签，毫安表图像的标签与动作次数表的标签相互关联。

进一步地，分割得到动作次数表图像的过程为：

采用基于灰度的阈值分割算法，通过断开算子将待分割图像中位置不相连的区域进行分割，得到多个分割区域；

将多个分割区域进行处理，得到多个分割区域的灰度阈值直方图；

计算每个分割区域的灰度阈值直方图的面积和中心点的坐标；

根据面积以及中心点的坐标与分割区域的相对关系，筛选出动作次数表所在区域并分割出动作次数表图像。

进一步地，得到多个分割图像的具体过程包括：

将待分割图像做灰度化处理；对灰度化处理后的图像进行预分割，得到多个标记框；

设置灰度阈值，对灰度化处理后的图像进行分割，得到对应灰度阈值下的候选框；

计算对应灰度阈值下的候选框与标记框的相交面积与相并面积的比值，得到两个边界框的交并比；

判断交并比是否为最佳交并比，若是则将最佳交并比对应的候选框作为分割区域，

重复上述步骤，得到多个分割区域。

进一步地，图像识别模型包括表盘识别模型和数字识别模型，将毫安表图像输入到表盘识别模型中，得到表盘识别结果，将动作次数表图像输入到数字识别模型中，得到数字识别结果；

对表盘识别结果按照其对应的毫安表图像的标签名进行存储，对数字识别结果按照其对应的动作次数表图像的标签名进行存储。

进一步地，表盘识别模型的识别过程为：

将毫安表图像进行预处理，得到待识别图像；

利用Hough椭圆检测法检测待识别图像中的表盘形状，并与利用最小二乘法拟合的表盘形状进行对比矫正，筛选出待识别图像中的表盘形状；

利用添加圆心约束的霍夫变换算法从表盘形状中提取指针形状；

将得到的表盘形状与指针形状进行合并，得到毫安表图像识别结果。

进一步地，提取指针形状的过程为：

对待识别图像中的表盘形状对应的每个有效像素点的直线标记范围进行约束，得到刻度线；

沿刻度线进行描线来拟合圆心；

利用圆心和刻度线计算出角度进行约束，分离出指针刻度直线和指针直线；

通过标记RGB值标记指针直线的颜色，并进行RGB到HSV变换，得到指针；

对指针的有效像素点进行极坐标空间累加，得到指针形状。

进一步地，数字识别模型的识别过程为：

对动作次数表图像进行图像旋转，得到多个目标样本；

对多个目标样本依次进行降噪、二值化、图像增强的处理；将处理后的多个目标样本进行融合，得到待识别的数字图像；

利用四点框选法选中待识别的数字图像中的数字，通过OCR文字识别方法，识别数字，得到数字识别结果。

进一步地，数据模型采用Map数据结构进行存储；将采集的避雷监测器图像打标签，Map数据结构的key值为避雷监测器图像的标签名，Map数据结构的value值用于分别存储表盘识别结果和数字识别结果。

另一方面，本发明提供一种电气化铁路牵引变电所避雷监测器的识别系统，包括：

图像分割模块，用于根据定时采集的避雷监测器图像，利用训练好的图像分割模型，将一张避雷监测器图像分为毫安表图像和动作次数表图像；

数据关联模块，用于对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；

图像识别模块，用于将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；

数据存储模块，用于将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明提供一种电气化铁路牵引变电所避雷监测器的识别方法及系统，根据避雷器监测器需要识别的毫安表和动作次数表两个目标识别区的位置和大小特点，首先通过“断开算子”将位置不相连的区域分割，然后利用灰度阈值直方图按照面积和位置因素进行筛选，可以避免识别区定位不准确造成的重叠问题，可以提高识别的准确度；分割后的动作次数表图像较小，针对小目标检测目标，采用旋转的方式，丰富小目标的检测样本，提高小目标的识别率；将同一张图片分割出的毫安表和动作次数表进行命名关联，并将识别出的结果通过Map的数据结构进行存储，可以减少误检和识别乱序的问题。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，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范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：

图1为本发明实施例提供的避雷监测器识别方法流程图；

图2为本发明实施例提供的得到分割区域的方法流程示意图；

图3为本发明提供的一种实施案例中图像分割后的结果示意图。

图4为本发明实施例提供的区域基于“断开算子”分割示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

本发明中的电气化铁路是指由电力机车或动车组这两种铁路列车(即通称的火车)为主，所行走的铁路。牵引变电所能够把区域电力系统送来的电能，根据电力牵引对电流和电压的不同要求，转变为适用于电力牵引的电能，然后分别送到沿铁路线上空架设的接触网，为电力机车供电，或者送到地下铁道等城市交通所需的供电系统，为地铁电动车辆或电车供电。避雷器监测器，又称避雷器泄漏电流及动作记录器，是铁路牵引变电所中与氧化锌避雷器配套使用的仪器，该仪器串接在避雷器接地回路中,由毫安表和动作次数表组成，毫安表用于监测运行电压下通过避雷器的泄漏电流(峰值)，可以判断避雷器内部是否受潮，元件是否异常等情况。动作次数表用于记录避雷器动作次数。

实施例1

如图1所示，本实施例公开了一种电气化铁路牵引变电所避雷监测器的识别方法，包括以下步骤：

S1、定时采集避雷监测器图像，并输入到训练好的图像分割模型中，将一张避雷监测器图像分为毫安表图像和动作次数表图像；对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；

避雷器监测器的图像可以借用铁路综合智能辅助监控系统进行拍摄采集，并且将采集到的图片放到文件夹中，文件夹中的图片利用数据进行命名，命名名称唯一；

具体地，步骤S1中将一张避雷监测器图像分为毫安表图像和动作次数表图像并打标签的具体过程为：

步骤S11、利用Radon变换计算采集到的避雷监测器图像的倾斜角度，根据倾斜角度调整图像方向，得到待分割图像；由于采集到的图像因为安装、拍摄等因素会出现不同程度的倾斜。但是避雷器监测器中毫安表和动作次数表的相对位置是固定的，因此先对采集到的图片利用Radon变换计算出倾斜角度，调整图像方向；可以极大的提高毫安表和动作次数表的定位精确度，Radon变换是一种积分变换，它将定义在二维平面上的一个函数f(x,y)沿平面上的任意一条直线做线积分，计算公式如下，公式中θ指投影角度：

其中，(x,y)为原坐标，(x′,y′)为旋转角度后的坐标。

步骤S12、采用基于灰度的阈值分割算法对待分割图像进行分割，得到动作次数表图像并对其打标签；标签名的前缀名称与采集的避雷监测器图像名称命名相同；对同一张避雷器监测器图像要分割出的是毫安表和动作次数表，如图3所示，提供了一种具体实施方式中的命名关系和分割后的结果。由于动作次数表与背景对比度较强，采用基于灰度的阈值分割算法可以将动作次数表从原始图像分割出来，而毫安表与背景对比度弱，采用基于灰度的阈值分割算法进行分割效果不好。所以采用传统单一的阈值分割算法进行分割并不能同时将毫安表和动作次数表都能准确分割出来。本实施例采用基于“断开算子”的灰度阈值分割法，“断开算子”与“连接算子”相对，功能是可以指将不相连的区域断开。

则具体地，分割得到动作次数表图像的过程为：

S121、采用基于灰度的阈值分割算法，通过断开算子将待分割图像中位置不相连的区域进行分割，得到多个分割区域，如图2所示，具体过程包括：

步骤1、将待分割图像做灰度化处理；对灰度化处理后的图像进行预分割，得到多个标记框；将待分割图像转换为灰度图像，灰度图像中的灰度分为255个等级，0表示纯黑，255表示纯白，灰度值随着数值的变化递增或递减。

步骤2、设置灰度阈值，对灰度化处理后的图像进行分割，得到对应灰度阈值下的候选框；一张灰度图像中设定的某个灰度值被称为灰度阈值，如灰度值大于50的区域，此时50就是设置的阈值。在同一阈值内，所有的区域是同时被选中的。阈值分割的重点是选择最佳的阈值，不同的阈值对分割效果影响很大。交并比可以用来评价不同阈值的分割效果。交并比指两个边界框相交面积与相并面积的比值。交并比的值越大，表明和目标标记图像匹配度越高，分割效果越好。

步骤3、计算对应灰度阈值下的候选框与标记框的相交面积与相并面积的比值，得到两个边界框的交并比IOU(x,y)：

其中，Area(x)表示候选框，Area(y)表示标记框；

针对避雷器监测器，不同灰度阈值下的交并比如下表(部分对应关系)。

灰度阈值	交并比
		50	0.901
30	0.81
		100	0.617

步骤4、判断交并比是否为最佳交并比，若是则将最佳交并比对应的候选框作为分割区域，具体地，可将最佳交并比的比值设置为0.9；若步骤3中计算的交并比大于0.9，则此交并比为最佳交并比，若小于0.9，则需要返回步骤2，重新设置灰度阈值，灰度阈值在0-254之间设置，然后进行递归，直至输出的交并比大于0.9。

步骤5、重复上述步骤1-步骤4，得到多个分割区域。

S122、将多个分割区域进行处理，得到多个分割区域的灰度阈值直方图；

S123、计算每个分割区域的灰度阈值直方图的面积和中心点的坐标；

S124、根据面积以及中心点的坐标与分割区域的相对关系，筛选出动作次数表所在区域并分割出动作次数表图像。可以针对避雷器监测器和毫安表和动作次数表面积和位置的特点，可以通过面积和中心点的坐标筛选出避雷器监测器和毫安表和动作次数表。

步骤S13、根据待分割图像中毫安表和动作次数表的相对位置，在待分割图像中框选出毫安表所在区域，得到毫安表图像并对其打标签，毫安表图像的标签与动作次数表的标签相互关联。同一张避雷器监测器图像分割出的毫安表图像和动作次数表图像标签名称前缀一致且与原避雷器监测器图片的命名相同，后缀分别标号，例如可以采用_1、_2标注。如图4所示，提供了具体实例的分割结果。

S2、将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；

图像识别模型包括表盘识别模型和数字识别模型，将毫安表图像输入到表盘识别模型中，得到表盘识别结果，将动作次数表图像输入到数字识别模型中，得到数字识别结果；对表盘识别结果按照其对应的毫安表图像的标签名进行存储，对数字识别结果按照其对应的动作次数表图像的标签名进行存储。

具体地，按照步骤S1中的标签，从中筛选出毫安表图像输入到表盘识别模型中，识别过程为：

S211、将毫安表图像进行预处理，得到待识别图像；

S212、利用Hough椭圆检测法检测待识别图像中的表盘形状，并与利用最小二乘法拟合的表盘形状进行对比矫正，筛选出待识别图像中的表盘形状；由于避雷器监测器毫安表是扇形形状，最小二乘法拟合时采用描线法，描线法是指在圆弧内侧，沿表盘刻度线进行画线。

S213、利用添加圆心约束的霍夫变换算法从表盘形状中提取指针形状；

提取指针形状的原理为：沿表盘刻度线进行描线拟合圆心，根据仪表指针通过圆心这一特征，对每个有效像素点的直线标记范围进行约束，在对有效像素点进行极坐标空间累加之前，利用圆心和表盘刻度线计算出角度进行约束，可排除不经过圆心的直线。毫安表上的直线包含刻度直线和一条指针直线，根据刻度线小于指针直线的特征，可以过滤出刻度直线，经过过滤后剩余的直线为指针直线。

则具体过程为：

(1)对待识别图像中的表盘形状对应的每个有效像素点的直线标记范围进行约束，得到刻度线；

(2)沿刻度线进行描线来拟合圆心；

(3)利用圆心和刻度线计算出角度进行约束，分离出指针刻度直线和指针直线；

(4)通过标记RGB值标记指针直线的颜色，并进行RGB到HSV(Hue,Saturation,Value)变换，得到指针；对指针的有效像素点进行极坐标空间累加，得到指针形状。HSV计算过程为：

R’＝R/255；

G’＝G/255；

B’＝B/255；

Cmax＝max(R’,G’,B’)；

Hue计算：

Saturation计算:

Value计算：

V＝C_max

S214、将上述得到的表盘形状与指针形状进行合并，得到毫安表图像识别结果。

具体地，按照步骤S1中的标签，从中筛选出动作次数表图像输入到数字识别模型中，识别过程为：

S221、对动作次数表图像进行图像旋转，得到多个目标样本；

由于被分割出的图片会被调整出相同的像素大小，而动作次数表比毫安表小很大，调整为和毫安表具有相同像素点时，分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，也就是在提取特征的过程中，能提取到的特征非常少，会使得其检测较为困难。为此，针对小目标信息量较少的问题，采用旋转的方法丰富小目标样本，小目标通常有如下两种定义方式：

1、绝对尺度：一般尺寸小于32×32的物体可以视为小物体。

2、相对尺度：物体宽高是原图宽高的1/10以下，可以视为小物体。则会影响检测准确度。旋转过程中，例如假设原图片大小为W，H，旋转后所包含图片的最小矩形大小为W，H，在图像坐标系以左上角为原点的坐标系。假设图像坐标系中有点(x₀,y₀)顺时针旋转w角度到(x,y)处转换后大小为W’，H’转换公式为：

S222、对多个目标样本依次进行降噪、二值化、图像增强的处理；将处理后的多个目标样本进行融合，得到待识别的数字图像；利用中值滤波法对图像进行降噪处理，牵引变电所内避雷器监测器的拍摄多为自然背景，且与避雷器进行串接，安装位置相对低，拍摄的图像容易受外部干扰而产生噪点，需要进行降噪处理。

S223、利用四点框选法选中待识别的数字图像中的数字，具体地，利用四点框选法在左上，右上，右下，左下依次选中四个点框选动作次数表中的数字，通过OCR文字识别方法，识别数字，得到数字识别结果。

S3、利用数据模型，将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。数据模型采用Map数据结构进行存储；Map数据结构以键值对的形式存储数据，它是键值对的集合。其中键用key表示，值用value表示。本申请中将采集的避雷监测器图像打标签，Map数据结构的key值为避雷监测器图像的标签名，Map数据结构的value值用于分别存储表盘识别结果和数字识别结果。其中Map的数据结构可以表示如下：

Map<key,value>＝<pic_name,[mAData,actTimes]>；

其中，pic_name表示避雷监测器图像的标签名，mAData表示表盘识别结果，actTimes表示数字识别结果。这样就可以通过遍历数据模型中的key值，同时得到key值对应的毫安表和动作次数表读数。

实施例2

本实施例提供一种电气化铁路牵引变电所避雷监测器的识别系统，包括：

图像分割模块，用于根据定时采集的避雷监测器图像，利用训练好的图像分割模型，将一张避雷监测器图像分为毫安表图像和动作次数表图像；

图像分割模型采用基于灰度的阈值分割算法对待分割图像进行分割，具体分割过程如实施例1中S11-S12的过程一致；

数据关联模块，用于对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；

图像识别模块，用于将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；

图像识别模型包括表盘识别模型和数字识别模型，将毫安表图像输入到表盘识别模型中，得到表盘识别结果，将动作次数表图像输入到数字识别模型中，得到数字识别结果；对表盘识别结果按照其对应的毫安表图像的标签名进行存储，对数字识别结果按照其对应的动作次数表图像的标签名进行存储。两个模型的识别过程与实施例1中步骤S211-S214、步骤S221-S223一致

数据存储模块，用于将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。数据模型采用Map数据结构进行存储；Map数据结构以键值对的形式存储数据，它是键值对的集合。其中键用key表示，值用value表示。本申请中将采集的避雷监测器图像打标签，Map数据结构的key值为避雷监测器图像的标签名，Map数据结构的value值用于分别存储表盘识别结果和数字识别结果。其中Map的数据结构可以表示如下：

Map<key,value>＝<pic_name,[mAData,actTimes]>；

其中，pic_name表示避雷监测器图像的标签名，mAData表示表盘识别结果，actTimes表示数字识别结果。这样就可以通过遍历数据模型中的key值，同时得到key值对应的毫安表和动作次数表读数。

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、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。

本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下步骤：此时引出相应的方法步骤，所述的存储介质可以是ROM/RAM、磁碟、光盘等等。

以上所述的具体实施方式，对本发明的目的、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方式而已，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 (10)

1.一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，包括以下步骤：

定时采集避雷监测器图像，并输入到训练好的图像分割模型中，将一张避雷监测器图像分为毫安表图像和动作次数表图像；

对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；

将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；

利用数据模型，将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。

2.根据权利要求1所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，将一张避雷监测器图像分为毫安表图像和动作次数表图像的具体过程为：

利用Radon变换计算采集到的避雷监测器图像的倾斜角度，根据倾斜角度调整图像方向，得到待分割图像；

采用基于灰度的阈值分割算法对待分割图像进行分割，得到动作次数表图像并对其打标签；

根据待分割图像中毫安表和动作次数表的相对位置，在待分割图像中框选出毫安表所在区域，得到毫安表图像并对其打标签，毫安表图像的标签与动作次数表的标签相互关联。

3.根据权利要求2所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，分割得到动作次数表图像的过程为：

采用基于灰度的阈值分割算法，通过断开算子将待分割图像中位置不相连的区域进行分割，得到多个分割区域；

将多个分割区域进行处理，得到多个分割区域的灰度阈值直方图；

计算每个分割区域的灰度阈值直方图的面积和中心点的坐标；

根据面积以及中心点的坐标与分割区域的相对关系，筛选出动作次数表所在区域并分割出动作次数表图像。

4.根据权利要求3所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，得到多个分割图像的具体过程包括：

将待分割图像做灰度化处理；对灰度化处理后的图像进行预分割，得到多个标记框；

设置灰度阈值，对灰度化处理后的图像进行分割，得到对应灰度阈值下的候选框；

计算对应灰度阈值下的候选框与标记框的相交面积与相并面积的比值，得到两个边界框的交并比；

判断交并比是否为最佳交并比，若是则将最佳交并比对应的候选框作为分割区域，

重复上述步骤，得到多个分割区域。

5.根据权利要求1所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，图像识别模型包括表盘识别模型和数字识别模型，将毫安表图像输入到表盘识别模型中，得到表盘识别结果，将动作次数表图像输入到数字识别模型中，得到数字识别结果；

对表盘识别结果按照其对应的毫安表图像的标签名进行存储，对数字识别结果按照其对应的动作次数表图像的标签名进行存储。

6.根据权利要求5所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，表盘识别模型的识别过程为：

将毫安表图像进行预处理，得到待识别图像；

利用Hough椭圆检测法检测待识别图像中的表盘形状，并与利用最小二乘法拟合的表盘形状进行对比矫正，筛选出待识别图像中的表盘形状；

利用添加圆心约束的霍夫变换算法从表盘形状中提取指针形状；

将得到的表盘形状与指针形状进行合并，得到毫安表图像识别结果。

7.根据权利要求6所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，提取指针形状的过程为：

对待识别图像中的表盘形状对应的每个有效像素点的直线标记范围进行约束，得到刻度线；

沿刻度线进行描线来拟合圆心；

利用圆心和刻度线计算出角度进行约束，分离出指针刻度直线和指针直线；

通过标记RGB值标记指针直线的颜色，并进行RGB到HSV变换，得到指针；

对指针的有效像素点进行极坐标空间累加，得到指针形状。

8.根据权利要求5所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，数字识别模型的识别过程为：

对动作次数表图像进行图像旋转，得到多个目标样本；

对多个目标样本依次进行降噪、二值化、图像增强的处理；将处理后的多个目标样本进行融合，得到待识别的数字图像；

利用四点框选法选中待识别的数字图像中的数字，通过OCR文字识别方法，识别数字，得到数字识别结果。

9.根据权利要求5所述的一种电气化铁路牵引变电所避雷监测器的识别方法，其特征在于，数据模型采用Map数据结构进行存储；将采集的避雷监测器图像打标签，Map数据结构的key值为避雷监测器图像的标签名，Map数据结构的value值用于分别存储表盘识别结果和数字识别结果。

10.一种电气化铁路牵引变电所避雷监测器的识别系统，其特征在于，包括：

图像分割模块，用于根据定时采集的避雷监测器图像，利用训练好的图像分割模型，将一张避雷监测器图像分为毫安表图像和动作次数表图像；

数据关联模块，用于对一张避雷监测器图像分为的两张图像进行分类打标签并将标签关联；

图像识别模块，用于将毫安表图像和动作次数表图像分别输入到训练好的对应的图像识别模型中，分别输出识别结果；

数据存储模块，用于将两个图像识别模型输出的结果按两张图像的标签关联关系进行存储。

Images