CN114862821A - 继电保护硬压板的自动化监测方法、系统、设备 - Google Patents

继电保护硬压板的自动化监测方法、系统、设备 Download PDF

Info

Publication number
CN114862821A
CN114862821A CN202210579484.4A CN202210579484A CN114862821A CN 114862821 A CN114862821 A CN 114862821A CN 202210579484 A CN202210579484 A CN 202210579484A CN 114862821 A CN114862821 A CN 114862821A
Authority
CN
China
Prior art keywords
coordinates
clustering
pressing plate
hard
coordinate
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
Application number
CN202210579484.4A
Other languages
English (en)
Inventor
何凡
秦文翔
付青琴
任洁
付英春
陈梦娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongguancun Xinhai Preferred Technology Co ltd
Institute of Automation of Chinese Academy of Science
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
Zhongguancun Xinhai Preferred Technology Co ltd
Institute of Automation of Chinese Academy of Science
Beijing Smartchip Microelectronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongguancun Xinhai Preferred Technology Co ltd, Institute of Automation of Chinese Academy of Science, Beijing Smartchip Microelectronics Technology Co Ltd filed Critical Zhongguancun Xinhai Preferred Technology Co ltd
Priority to CN202210579484.4A priority Critical patent/CN114862821A/zh
Publication of CN114862821A publication Critical patent/CN114862821A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/40—Display of information, e.g. of data or controls

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉与数字图像处理领域，具体涉及一种继电保护硬压板的自动化监测方法、系统、设备，旨在解决传统继电保护硬压板监测方案费时费力，现有自动化监测方案又无法实现完全自动化监测的问题。本方法包括：获取待监测硬压板的阵列图像；对图像进行硬压板识别检测；将硬压板的坐标转换到参数空间并滤波处理，获取局部峰值点；对各局部峰值点的纵坐标聚类并排序；对各组聚类结果内的坐标逐项做差并计算均值；获取坐标数为第一数量的聚类结果并计算纵坐标的平均值；计算其余各组聚类结果的纵坐标的平均值；组成各硬压板的新的检测结果，完成自动化监测。本发明解决了传统监测方式费时费力，现有自动化监测无法完全自动化监测的问题。

Description

继电保护硬压板的自动化监测方法、系统、设备
技术领域
本发明属于计算机视觉与数字图像处理领域，具体涉及一种继电保护硬压板的自动化监测方法、系统、设备。
背景技术
随着社会的发展，传统的机械作业方式已经基本被电气设备作业代替，电力被应用于社会生产生活的方方面面。电力系统日趋庞大，系统网络更显复杂。同时，随着社会对电力系统的依赖度不断提升，电力系统的安全稳定显得愈加重要。一旦电力系统出现故障，将造成大面积的生产生活系统瘫痪，导致严重的后果。继电保护是确保电力系统安全可靠运行的重要装置。为了电力系统的安全稳定运行，很多研究者投入到了继电保护的研究中。如针对继电保护中协调问题的研究、针对微电网领域的研究、针对电磁干扰的研究以及一系列硬件的设计。
然而，电力系统继电保护系统在电力系统安全稳定中起到重要作用的同时，在不断发展中也变得日趋庞大，各个环节的安全运行要求极高，往往一个故障或控制失误便有可能给电力系统留下巨大的隐患。如何保证继电保护系统安全稳定运行的研究相继展开。
为了工作人员的有效管理，继电保护系统设计了很多控制装置，这些控制装置的自动化智能监测非常重要。其中，硬压板作为确保继电保护系统安全运行的重要保障手段，是一个肉眼可视的断开点，为工作人员对整个电力系统的管理、检修、运行提供了极大的方便，但也在继电保护系统中留下了一个无法完全闭环的断开点。硬压板的正确投退与否有着极大的影响，漏投或误投硬压板都可能引起保护拒动、误动，带来严重后果。而一般硬压板作为保护跳合闸使用，并没有辅助监视回路，这使得继电保护系统存在很大的隐患，各级管理部门虽然制定了多项管理制度、业务指导书、作业指导书来管控，虽然有一定效果，但收效甚微。传统的依靠工作人员的人工监测方式无法达到高度的可靠性，有着以下缺点：(1)完全依赖于工作人员的责任心与专业技能，出错率高；(2)需要人工反复核对，费时费力，造成了人力成本的浪费；(3)无法远方监测，难于及时发现故障。
为了实现硬压板的自动化智能监测，部分研究者试图改造硬压板相关装置。如利用双位置继电器代替电动操作机构，设计新的装置；如创造一种同时具备继电保护二次回路和自动化遥信监视回路的新型继电保护硬压板，辅助实现自动化智能监测；如在硬压板装置中引入了位置感应传感器，实现了智能感应的自动化监测。
但是改造原有装置一方面使得回路复杂性提升，另一方面也给原本趋于稳定的装置引入了不确定性。为了避免以上不足，部分研究者试图在通过计算机视觉来实现监测。如基于摄像机获取的图片，利用Adaboost方法实现了压板监测；如利用手持式嵌入式终端采集压板图片，并基于YOLO Nano实现了压板监测；如基于Faster R-CNN实现压板检测。
然而，虽然以上方法有效避免了给继电保护系统引入不确定性，但是当画面中有多个对象时，却无法自动化地将对象状态与真实对象对应起来，这导致了目标监测时仍旧需要人工比对确认。究其原因在于其中监测结果无序。
基于以上的分析，本发明提出了一种继电保护硬压板的自动化监测方法。
发明内容
为了解决现有技术中的上述问题，即为了解决传统继电保护硬压板监测方案费时费力，现有自动化监测方案又无法实现完全自动化监测的问题，本发明第一方面，提出了一种继电保护硬压板的自动化监测方法，该方法包括：
S100，获取待监测硬压板的阵列图像，作为输入图像；
S200，对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
S300，利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
S400，通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
S500，按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure BDA0003661784280000031
的均值
Figure BDA0003661784280000032
分别将各组聚类结果内的差值与均值进行比较，若
Figure BDA0003661784280000033
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
S600，获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure BDA0003661784280000034
所述第一数量为输入图像中硬压板阵列列数；
S700，分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure BDA0003661784280000035
获取
Figure BDA0003661784280000036
属于设定的平均值差值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
S800，根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与S200中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
在一些优选的实施方式中，对所述输入图像进行硬压板识别检测，其方法为：通过图像检测神经网络对所述输入图像进行硬压板识别检测；所述图像检测神经网络基于深度神经网络构建。
在一些优选的实施方式中，利用霍夫直线变换方法将硬压板的坐标转换到参数空间，其方法为：
ρ＝ucosθ+vsinθ
其中，u、v表示硬压板在输入图像中的坐标，(ρ，θ)表示参数空间中直线方程的参数。
在一些优选的实施方式中，所述设定峰值阈值为0.8min(m，n)，其中，m、n分别为输入图像中硬压板阵列的行数和列数。
在一些优选的实施方式中，所述设定的平均值差值区间为(0.45π，0.55π)。
在一些优选的实施方式中，根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标，其方法为：
Figure BDA0003661784280000041
Figure BDA0003661784280000042
其中，(up，q，vp，q)表示第一坐标，ρp、θp分别表示第p条行直线的方程参数，即第二聚类结果，ρq、θq分别表示第q条列直线的方程参数，即第一聚类结果。
本发明的第二方面，提出了一种继电保护硬压板的自动化监测系统，包括：图像获取模块、图像识别模块、直线变换模块、聚类处理模块、做差计算模块、平均值计算模块、聚类筛选模块、自动化监测模块；
所述数据获取模块，配置为获取待监测硬压板的阵列图像，作为输入图像；
所述图像识别模块，配置为对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
所述直线变换模块，配置为利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
所述聚类处理模块，配置为通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
所述做差计算模块，配置为按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure BDA0003661784280000051
的均值
Figure BDA0003661784280000052
分别将各组聚类结果内的差值与均值进行比较，若
Figure BDA0003661784280000053
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
所述平均值计算模块，配置为获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure BDA0003661784280000054
所述第一数量为输入图像中硬压板阵列列数；
所述聚类筛选模块，配置为分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure BDA0003661784280000061
获取
Figure BDA0003661784280000062
属于设定阈值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
所述自动化监测模块，配置为根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与图像识别模块中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
本发明的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的继电保护硬压板的自动化监测方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的继电保护硬压板的自动化监测方法。
本发明的有益效果：
本发明解决了传统监测方式费时费力，现有自动化监测无法完全自动化监测的问题，并提升了监测的鲁棒性。
本发明将图像中的硬压板阵列的坐标转换到参数空间后进行高斯滤波处理，获取局部峰值点坐标。然后，通过对局部峰值点的聚类，计算各组聚类内的差值以及平均值，对聚类结果中的坐标进行筛选，最终完成检测状态与对象的自动化对应，有效实现完全自动化。解决了传统监测方案费时费力，现有自动化监测方案无法完全自动化的问题。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的继电保护硬压板的自动化监测方法的流程示意图；
图2是本发明一种实施例的继电保护硬压板的自动化监测系统的框架示意图；
图3是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
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，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的继电保护硬压板的自动化监测方法，如图1所示，包括以下步骤：
S100，获取待监测硬压板的阵列图像，作为输入图像；
S200，对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
S300，利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
S400，通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
S500，按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure BDA0003661784280000081
的均值
Figure BDA0003661784280000082
分别将各组聚类结果内的差值与均值进行比较，若
Figure BDA0003661784280000083
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
S600，获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure BDA0003661784280000084
所述第一数量为输入图像中硬压板阵列列数；
S700，分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure BDA0003661784280000085
获取
Figure BDA0003661784280000086
属于设定的平均值差值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
S800，根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与S200中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
为了更清晰地对本发明继电保护硬压板的自动化监测系统进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
S100，获取待监测硬压板的阵列图像，作为输入图像；
在本实施例中，先获取硬压板的阵列图像，一般硬压板会根据实际情况设定阵列参数m，n，h，其中，m表示硬压板阵列的行数，n表示硬压板阵列的列数，本发明中假设m＜n，h＝m×n，表示总硬压板数量。
S200，对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
在本实施例中，对输入图像进行硬压板识别检测(本发明中优选通过图像检测神经网络对输入图像进行硬压板识别检测；图像检测神经网络基于深度神经网络构建)，得到硬压板在输入图像中的坐标以及状态；第i个硬压板检测结果表示为：(li，si)，i∈[1，h，其中，li＝(ui，vi)表示第i个硬压板检测结果的位置坐标，si表示第i个硬压板检测结果的状态数据(例如开、闭)。整体检测结果表示为每个硬压板检测结果的集合{(l1，s1)，(l2，s2)，…，(lh，sh)}。
S300，利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
在本实施例中，利用霍夫直线变换方法将硬压板的坐标(ui，vi)转换到参数空间，参数空间中的参数为直线方程参数(ρ，θ)，直线方程形式如式(1)所示：
ρ＝ucosθ+vsinθ (1)
其中，u、v表示硬压板在输入图像中的坐标。
对参数空间图像执行高斯滤波，然后找出参数空间中每个值大于0.8min(m，n)的局部峰值点坐标(ρj，θj)，j∈[1，g]，其中j为坐标索引，为符合要求的点坐标数量，所有坐标组成集合{(ρ1，θ1)，(ρ2，θ2)，…，(ρg，θg)}。
S400，通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
在本实施例中，基于(ρj，θj)中θj的取值利用聚类算法将相近的坐标聚为一类，获得c组聚类。每个坐标表示为
Figure BDA0003661784280000101
Figure BDA0003661784280000102
表示坐标
Figure BDA0003661784280000103
在第k组聚类结果中，jk为坐标在第k组聚类结果中的类内索引，gk为第k组聚类结果中的坐标数量，c为聚类组数。每组聚类结果表示为
Figure BDA0003661784280000104
所有聚类结果的集合：
Figure BDA0003661784280000105
对每组聚类结果中的坐标，基于ρ的取值从大到小排序，并重新按照顺序，给每个组内坐标重新赋予类内索引，作为第一索引。
S500，按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure BDA0003661784280000106
的均值
Figure BDA0003661784280000107
分别将各组聚类结果内的差值与均值进行比较，若
Figure BDA0003661784280000108
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
在本实施例中，对每组聚类结果中的坐标，按照第一索引的顺序逐项做差，获得差值
Figure BDA0003661784280000109
计算所有差值的均值
Figure BDA00036617842800001010
将每个
Figure BDA00036617842800001011
与
Figure BDA00036617842800001012
比较(即分别将每组内的差值均值
Figure BDA00036617842800001013
与本组内的差值进行比较)，若
Figure BDA00036617842800001014
在聚类结果中删除坐标
Figure BDA00036617842800001015
然后给每个组内坐标重新赋予类内索引，作为第二索引。
S600，获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure BDA0003661784280000111
所述第一数量为输入图像中硬压板阵列列数；
在本实施例中，从各组聚类结果中找出包含坐标数为n的聚类，将其重新表示为{(ρ1，θ1)col，(ρ2，θ2)col，…，(ρn，θn)col}col，并计算类内坐标θ的平均值
Figure BDA0003661784280000112
S700，分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure BDA0003661784280000113
获取
Figure BDA0003661784280000114
属于设定的平均值差值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
在本实施例中，计算除所述第一聚类结果外其余各组聚类结果的类内坐标θ平均值
Figure BDA0003661784280000115
找出满足
Figure BDA0003661784280000116
且类内坐标数为m的聚类，将其重新表示为{(ρ1，θ1)row，(ρ2，θ2)row，…，(ρm，θm)row}row。
S800，根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与S200中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
在本实施例中，依次计算新检测结果(lp，q，sp，q)，p∈[1，m]，q[1，n]，其中坐标lp，q＝(up，q，vp，q)，即第一坐标，并在原整体检测结果集合(此处为S200获取的检测结果)中找出坐标距离最近的检测结果
Figure BDA0003661784280000117
使
Figure BDA0003661784280000118
完成检测状态与对象的自动化对应。
坐标lp，q，其计算方法为：
Figure BDA0003661784280000121
Figure BDA0003661784280000122
其中，ρp、θp分别表示第p条行直线的方程参数，即第二聚类结果，ρq、θq分别表示第q条列直线的方程参数，即第一聚类结果。
从前文可知硬压板为阵列状排布，因此可以利用第几行第几列这样的坐标来对应。通过神经网络的检测，能够得到若干目标检测结果，结果包括图像位置、状态，但缺少阵列位置。通过上述描述的方法能够得到若干更新过后的结果，更新后结果包括图像位置、阵列位置，可以完成自动化对应，但缺少状态。在原检测结果中搜索最近结果，可以补足缺少的状态，进而实现自动化监测。
本发明第二实施例的一种继电保护硬压板的自动化监测系统，如图2所示，包括：图像获取模块100、图像识别模块200、直线变换模块300、聚类处理模块400、做差计算模块500、平均值计算模块600、聚类筛选模块700、自动化监测模块800；
所述数据获取模块100，配置为获取待监测硬压板的阵列图像，作为输入图像；
所述图像识别模块200，配置为对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
所述直线变换模块300，配置为利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
所述聚类处理模块400，配置为通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
所述做差计算模块500，配置为按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure BDA0003661784280000131
的均值
Figure BDA0003661784280000132
分别将各组聚类结果内的差值与均值进行比较，若
Figure BDA0003661784280000133
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
所述平均值计算模块600，配置为获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure BDA0003661784280000134
所述第一数量为输入图像中硬压板阵列列数；
所述聚类筛选模块700，配置为分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure BDA0003661784280000135
获取
Figure BDA0003661784280000136
属于设定阈值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
所述自动化监测模块800，配置为根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与图像识别模块200中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
需要说明的是，上述实施例提供的继电保护硬压板的自动化监测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的继电保护硬压板的自动化监测方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的继电保护硬压板的自动化监测方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图3，其示出了适于用来实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。图3示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)301，其可以根据存储在只读存储器(ROM，Read Only Memory)302中的程序或者从存储部分308加载到随机访问存储器(RAM，Random Access Memory)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有系统操作所需的各种程序和数据。CPU301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O，Input/Output)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分309。通讯部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU301执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种继电保护硬压板的自动化监测方法，其特征在于，该方法包括以下步骤：
S100，获取待监测硬压板的阵列图像，作为输入图像；
S200，对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
S300，利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
S400，通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
S500，按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure FDA0003661784270000011
的均值
Figure FDA0003661784270000012
分别将各组聚类结果内的差值与均值进行比较，若
Figure FDA0003661784270000013
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
S600，获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure FDA0003661784270000014
所述第一数量为输入图像中硬压板阵列列数；
S700，分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure FDA0003661784270000015
获取
Figure FDA0003661784270000016
属于设定的平均值差值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
S800，根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与S200中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
2.根据权利要求1所述的继电保护硬压板的自动化监测方法，其特征在于，对所述输入图像进行硬压板识别检测，其方法为：通过图像检测神经网络对所述输入图像进行硬压板识别检测；所述图像检测神经网络基于深度神经网络构建。
3.根据权利要求2所述的继电保护硬压板的自动化监测方法，其特征在于，利用霍夫直线变换方法将硬压板的坐标转换到参数空间，其方法为：
ρ＝ucosθ+vsinθ
其中，u、v表示硬压板在输入图像中的坐标，(ρ，θ)表示参数空间中直线方程的参数。
4.根据权利要求2所述的继电保护硬压板的自动化监测方法，其特征在于，所述设定峰值阈值为0.8min(m，n)，其中，m、n分别为输入图像中硬压板阵列的行数和列数。
5.根据权利要求4所述的继电保护硬压板的自动化监测方法，其特征在于，所述设定的平均值差值区间为(0.45π，0.55π)。
6.根据权利要求4所述的继电保护硬压板的自动化监测方法，其特征在于，根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标，其方法为：
Figure FDA0003661784270000031
Figure FDA0003661784270000032
其中，(up，q，vp，q)表示第一坐标，ρp、θp分别表示第p条行直线的方程参数，即第二聚类结果，ρq、θq分别表示第q条列直线的方程参数，即第一聚类结果。
7.一种继电保护硬压板的自动化监测系统，其特征在于，该系统包括：图像获取模块、图像识别模块、直线变换模块、聚类处理模块、做差计算模块、平均值计算模块、聚类筛选模块、自动化监测模块；
所述数据获取模块，配置为获取待监测硬压板的阵列图像，作为输入图像；
所述图像识别模块，配置为对所述输入图像进行硬压板识别检测，得到硬压板在所述输入图像中的坐标以及状态；
所述直线变换模块，配置为利用霍夫直线变换方法将硬压板的坐标转换到参数空间，进而得到参数空间图像；对所述参数空间图像进行高斯滤波处理，处理后，获取参数空间中值大于设定峰值阈值的局部峰值点；
所述聚类处理模块，配置为通过聚类算法对各局部峰值点的纵坐标进行聚类，并对聚类后各组聚类结果中的坐标，按照横坐标的大小进行降序排序；排序后，对各组聚类结果中的坐标重新赋予类内索引，作为第一索引；
所述做差计算模块，配置为按照所述第一索引的顺序依次对各组聚类结果内的坐标进行逐项做差，并计算所有差值
Figure FDA0003661784270000033
的均值
Figure FDA0003661784270000034
分别将各组聚类结果内的差值与均值进行比较，若
Figure FDA0003661784270000035
则在各组聚类结果内删除下标为rk的坐标，并对每组聚类结果内的坐标重新赋予类内索引，作为第二索引；
所述平均值计算模块，配置为获取组内坐标数为第一数量的聚类结果，作为第一聚类结果；重新对所述第一聚类结果内坐标赋予类内索引，作为第三索引，并计算所述第一聚类结果内纵坐标的平均值
Figure FDA0003661784270000041
所述第一数量为输入图像中硬压板阵列列数；
所述聚类筛选模块，配置为分别计算除所述第一聚类结果外其余各组聚类结果的纵坐标的平均值
Figure FDA0003661784270000042
获取
Figure FDA0003661784270000043
属于设定阈值区间且组内坐标数为第二数量的聚类结果，作为第二聚类结果，重新对第二聚类结果内坐标赋予类内索引，作为第四索引；所述第二数量为输入图像中硬压板阵列列数的行数；
所述自动化监测模块，配置为根据所述第一聚类结果、所述第二聚类结果，重新计算硬压板在所述输入图像中的坐标，作为第一坐标；分别计算各第一坐标与图像识别模块中获取的坐标的距离，并将距离最小的坐标对应的状态赋予第一坐标，作为第一状态；基于所述第一坐标及其对应的第一状态，组成各硬压板的新的检测结果，完成自动化监测。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；
其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的继电保护硬压板的自动化监测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-6任一项所述的继电保护硬压板的自动化监测方法。
CN202210579484.4A 2022-05-25 2022-05-25 继电保护硬压板的自动化监测方法、系统、设备 Pending CN114862821A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210579484.4A CN114862821A (zh) 2022-05-25 2022-05-25 继电保护硬压板的自动化监测方法、系统、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210579484.4A CN114862821A (zh) 2022-05-25 2022-05-25 继电保护硬压板的自动化监测方法、系统、设备

Publications (1)

Publication Number Publication Date
CN114862821A true CN114862821A (zh) 2022-08-05

Family

ID=82638978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210579484.4A Pending CN114862821A (zh) 2022-05-25 2022-05-25 继电保护硬压板的自动化监测方法、系统、设备

Country Status (1)

Country Link
CN (1) CN114862821A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047813A (zh) * 2022-08-17 2022-09-13 山东颐德电气设备工程有限公司 一种电气设备运行数据监控管理系统及方法
CN115620042A (zh) * 2022-12-20 2023-01-17 菲特（天津）检测技术有限公司 一种基于目标检测和聚类的齿轮型号判定方法及判定系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047813A (zh) * 2022-08-17 2022-09-13 山东颐德电气设备工程有限公司 一种电气设备运行数据监控管理系统及方法
CN115620042A (zh) * 2022-12-20 2023-01-17 菲特（天津）检测技术有限公司 一种基于目标检测和聚类的齿轮型号判定方法及判定系统
CN115620042B (zh) * 2022-12-20 2023-03-10 菲特（天津）检测技术有限公司 一种基于目标检测和聚类的齿轮型号判定方法及判定系统

Similar Documents

Publication Publication Date Title
CN111259892B (zh) 一种指示灯状态的巡检方法、装置、设备和介质
CN114862821A (zh) 继电保护硬压板的自动化监测方法、系统、设备
CN109242439B (zh) 基于变电站设备相关联数据的特征提取识别方法
CN109409272B (zh) 基于机器视觉的电缆验收系统和方法
CN110674861B (zh) 一种输变电巡检图像智能分析方法及装置
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN111444169A (zh) 一种变电站电气设备状态监测与诊断系统及方法
CN110728300A (zh) 基于道岔动作电流曲线识别故障类型的方法及系统
CN113591393A (zh) 智能变电站的故障诊断方法、装置、设备和存储介质
CN116932523B (zh) 一种整合和监管第三方环境检测机构的平台
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN111553176A (zh) 一种适用于变电站屏柜接线的无线传输检查方法及系统
CN111382710A (zh) 一种基于图像识别的图纸比对方法
CN110045691A (zh) 一种多源异构大数据的多任务处理故障监测方法
CN115984885A (zh) 一种用于营销现场作业的工单管理方法及系统
CN115223157A (zh) 一种基于循环神经网络的电网设备铭牌光学字符识别方法
CN115392663A (zh) 一种基于大数据的数据采集处理方法
CN114154911A (zh) 一种智能电网故障定位方法及装置
CN113435494A (zh) 低压居民用户异常用电识别方法及仿真模拟系统
CN112445948A (zh) 一种配网线变关系数据诊断分析软件系统
CN116564423B (zh) 一种微生物宏基因组数据库构建方法及系统
CN110070272A (zh) 基于自学习技术的电能量采集数据质量管控多维评价方法
CN113419140B (zh) 一种考虑人机物协同的配网线路故障诊断方法及装置
CN115001941B (zh) 一种通信网管故障的确定方法及装置
CN117726959B (zh) 基于智能图像识别的无人机电力线路安全巡检系统及方法

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