CN114998581A - 基于多阈值和k均值聚类的保护压板有效压板区域提取方法 - Google Patents
基于多阈值和k均值聚类的保护压板有效压板区域提取方法 Download PDFInfo
- Publication number
- CN114998581A CN114998581A CN202210467476.0A CN202210467476A CN114998581A CN 114998581 A CN114998581 A CN 114998581A CN 202210467476 A CN202210467476 A CN 202210467476A CN 114998581 A CN114998581 A CN 114998581A
- Authority
- CN
- China
- Prior art keywords
- pressing plate
- color space
- image
- threshold
- effective
- 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
- 238000003064 k means clustering Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 230000001681 protective effect Effects 0.000 claims abstract 5
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282836 Camelus dromedarius Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
基于多阈值和K均值聚类的保护压板有效压板区域提取方法,包括以下步骤:将校正后压板图像分别转换到HSV颜色空间和Lab颜色空间;对HSV颜色空间压板图像进行多阈值分割,对Lab颜色空间压板图像进行K均值聚类分割;首先对两种分割方式处理结果图进行中值滤波,然后进行区域融合,得到完整的有效压板区域;通过对有效压板区域进行形态学处理,去除噪声和小连通区域。通过本发明能够准确而快速地辨识各种复杂背景干扰下的压板投退状态,有效提高变电站运维工作的效率,有助于减少安全隐患。
Description
技术领域
本发明涉及电力设备状态识别技术领域,具体涉及一种基于多阈值和K均值聚类的保护压板有效压板区域提取方法。
背景技术
随着经济的快速发展,社会对电能的需求越来越大,对变电站的运行和维护也提出了更高的要求。为保证变电站安全稳定运行,定期巡检变电站二次设备的工作状态是重点工作。保护压板作为二次设备巡检的重要内容,依靠传统的人工检测已难以满足智能化的要求。而且人工巡检常因视觉疲劳、记忆错误等原因出现错检、漏检的现象,导致存在安全隐患。为此,发展基于新技术的变电站保护压板投退状态辨识方法,构建变电站智能运维系统部署方案已是当务之急。目前,基于图像处理的智能变电站保护压板状态辨识已有一定的研究,但当前研究常忽略对压板图像的分割,尤其是对背景干扰较大的压板图像,难以保证较高的辨识准确率。因此,研究可靠的变电站功能型保护压板图像的分割与辨识方法,具有重要的理论与实际意义。
发明内容
为解决因拍照角度而出现图像畸变,以及因屏幕背景复杂、受光照影响产生阴影等导致的辨识率较低的问题,本发明提供一种变电站功能型保护压板投退状态辨识方法,能够准确而快速地辨识各种复杂背景干扰下的压板投退状态,有效提高了变电站运维工作效率,有助于减少安全隐患。
本发明采取的技术方案为:
变电站功能型保护压板投退状态辨识方法,包括以下步骤:
S1:通过移动端设备采集包含所有压板的屏柜彩色图像;
S2:对采集的彩色图像进行预处理,截取并校正图像中的压板区域;
S3:基于多阈值和K均值聚类的多策略分割融合方法,提取有效压板区域,并进行形态学处理;
S4:计算有效压板区域的方向角和宽长比形态特征,分别辨识两种特征对应的压板状态,融合两种压板状态结果确定压板最终投退状态。
S2包括以下步骤:
s21:对采集的彩色图像进行预处理,标记包含所有压板区域的四边形四个顶点;
s22:截取包含所有压板的四边形区域,去除屏柜无效区域;
s23:采用透视变换对压板区域进行校正。
S3包括以下步骤:
s31:将校正后压板图像分别转换到HSV颜色空间和Lab颜色空间;
s32:对HSV颜色空间压板图像进行多阈值分割,对Lab颜色空间压板图像进行K均值聚类分割;
s33:首先对两种分割方式处理结果图进行中值滤波,然后进行区域融合,得到完整的有效压板区域;
s34:通过对有效压板区域进行形态学处理,去除噪声和小连通区域。
s31包括以下步骤:
s311:将RGB颜色空间压板图像转换到HSV颜色空间,按照公式(1)计算HSV颜色空间压板图像H分量值,公式(1)如下:
式中:R、G、B分别为红、绿、蓝色通道值,max为R、G、B中最大值,min为R、G、B中最小值;
s312:将RGB颜色空间压板图像转换到Lab颜色空间。
s32包括以下步骤:
s321:使用多阈值方法分割HSV颜色空间压板图像,其中:H分量极小值为0.01,极大值为0.1,得到红色特征压板区域;
s322:使用K均值聚类方法分割Lab颜色空间压板图像,得到黄色和绿色特征压板区域。
步骤s33包括以下步骤:
s331:首先对多阈值和K均值聚类两种分割方法处理后的图像添加椒盐噪声,然后利用中值滤波的处理方式进行去噪;
s332:融合滤波处理后的有效颜色特征压板区域,获得完整的有效压板区域。
s34包括以下步骤:
s341:采用长度为5,角度为90°的直线结构元素进行开运算,去除线型干扰区域;
s342:以半径为3的圆形结构元素进行闭运算,去除毛刺和孤立点;
s343:以半径为2的圆形结构元素进行膨胀处理,并对目标区域进行孔洞填充,抑制深度噪声,填充深度缺失空洞,改善目标区域的质量。
S4包括以下步骤:
s41:提取图像中有效压板区域的方向角和宽长比形态特征,并由此辨识两种形态特征分别对应的压板投退状态;
s42:融合两种状态结果,确定压板最终投退状态。
s41包括以下步骤:
s411:将获取的方向角形态特征代入公式(2)进行计算,辨识压板投退状态,投入状态记为1,退出状态记为0,公式(2)如下:
式中:Vs为压板状态,Vo为压板方向角;
s412:将获取的宽长比形态特征代入公式(3)进行计算,辨识压板投退状态,投入状态记为1,退出状态记为0,公式(3)如下:
式中:Vs为压板状态,Va为压板区域宽长比。
s42包括以下步骤:
s421:融合压板方向角和宽长比形态特征辨识结果,利用公式(4)确定压板最终投退状态,投入状态记为1,退出状态记为0,公式(4)如下:
式中:Vs为压板状态,Vs1为方向角形态特征辨识结果,Vs2为宽长比形态特征辨识结果;
s422:验证辨识的压板投退状态结果,输出压板状态辨识编码。
本发明一种变电站功能型保护压板投退状态辨识方法,有益效果是:
1)本发明提供的一种变电站功能型保护压板投退状态辨识方法,有效解决了因拍摄角度而造成的畸变影响,能够准确辨识各种复杂背景干扰下的压板投退状态,对变电站保护压板智能巡检有重要理论与实际意义。
2)此外,本发明提出的多策略分割融合处理方法,不仅适用于压板图像分割,对其他类型的图像分割也有重要参考价值。
3)在辨识压板状态上,本发明采用多特征辨识融合,相比于单一特征辨识压板状态的方法,有效提高了辨识可靠性。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的分割方法流程图。
图3为本发明的状态辨识方法流程图。
图4为变电站屏柜保护压板图。
图5为包含所有压板区域的四边形顶点标记图。
图6为包含所有压板的四边形区域。
图7为校正处理结果图。
图8为HSV颜色空间压板图像。
图9为Lab颜色空间压板图像。
图10为多阈值分割处理结果图。
图11为K均值聚类分割处理结果图。
图12为完整的有效压板区域结果图。
图13为形态学处理结果图。
具体实施方式
为便于本领域技术人员的理解,下面结合本发明附图和具体实施例对本发明作进一步详细说明:
本发明实施例提供一种变电站功能型保护压板投退状态辨识方法,如图1、图2、图3所示,该方法包括如下步骤:
S1:通过移动端设备拍摄包含所有压板的屏柜彩色图像;
移动端设备采用移动巡检机器人、或者手持式巡检仪。
S2:对所得图像进行预处理,提取并校正图像压板区域,解决因拍照角度而造成的畸变问题;
S3:基于多阈值和K均值聚类的多策略分割融合方法,提取有效压板区域,并进行形态学处理;
S4:计算有效压板区域的方向角和宽长比形态特征,进而分别辨识两种特征对应的压板状态,融合两种状态结果确定压板最终投退状态。
步骤S2具体步骤如下:
s21:对所得图像图4进行压板区域标记,标记包含所有压板区域的四边形四个顶点,如图5所示;
s22:截取包含所有压板的四边形区域,如图6所示,四边形框内包含所有压板,包括红色、绿色和黄色有效压板和其他颜色无效压板及背景;四边形框外如压板标签、屏柜边界、地面等为无效区域;
s23:采集屏柜压板图像时,由于拍摄视角原因,导致采集到的图像常存在一定的偏移,通过透视变换可实现压板图像校正。由前述得到的压板区域四边形四个顶点,求取透视变换矩阵进一步通过公式实现透视变换,完成对压板区域图像的旋转、缩放校正。在图5中选取包含所有压板区域的四边形四个顶点作为输入源坐标,求得透视变换矩阵并进行透视变换,得到校正后的结果如图7所示。
步骤S3具体步骤如下:
s31:将校正后压板图像分别转换到HSV颜色空间和Lab颜色空间;HSV颜色空间是依据颜色直观特性构成的一种彩色空间,由于其各分量保持相对独立性,使得HSV颜色空间能够很好的突出颜色特征,在指定颜色分割时效果较好;Lab颜色空间是一种设备无关的颜色系统,用于指定颜色分割时对背景部分有较好的掩盖效果,能最大程度降低噪声干扰;
s32:对HSV颜色空间压板图像进行多阈值分割,对Lab颜色空间压板图像进行K均值聚类分割;
s33:首先对两种分割方式处理结果图进行中值滤波,然后进行区域融合,得到完整的有效压板区域;
s34:通过对有效压板区域进行形态学处理,去除噪声和小连通区域。
步骤s31具体步骤如下:
s311:调用matlab中rgb2hsv函数将RGB颜色空间压板图像转换到HSV颜色空间,转换后图像如图8所,按照公式(1)计算HSV颜色空间压板图像H分量值,公式(1)如下:
式中:R、G、B分别为红、绿、蓝色通道值,max为R、G、B中最大值,min为R、G、B中最小值;
s312:调用matlab中rgb2lab函数将RGB颜色空间压板图像转换到Lab颜色空间,转换后图像如图9所示。
步骤s32具体步骤如下:
s321:使用多阈值方法得到红色特征压板区域,即屏柜图像中的红色压板,因其颜色与背景边框颜色较为相近,常规方法很难得到理想的分割效果;考虑到Lab颜色空间各分量相关性弱,故使用多阈值分割对HSV颜色空间压板图像进行分割,其中H分量极小值为0.01,极大值为0.1,分割出红色特征压板区域并进行二值化,所得结果如图10所示;
s322:使用K均值聚类方法分割黄色和绿色特征压板区域,即屏柜图像中的黄色和绿色压板,因其容易与驼色背景混淆,导致分割后噪声区域较多;考虑到Lab颜色空间对背景部分有较好的掩盖效果,故使用K均值聚类分割方法对Lab颜色空间压板图像进行分割,得到黄色和绿色特征压板区域并进行二值化,所得结果如图11所示。
步骤s33具体步骤如下:
s331:获得多阈值和K均值聚类两种分割方法处理的二值结果图后,为防止区域融合时扩大噪声区域,首先对所得图像进行去噪处理;通过对步骤s321和步骤s322所得图像添加椒盐噪声,然后利用中值滤波的处理方式进行去噪;
s332:融合滤波处理后的有效颜色特征压板区域,使得红色、绿色、黄色有效压板区域融合在同一张图像上,即得到完整的有效压板区域,如图12所示。
步骤s34具体步骤如下:
s341:通过步骤s33获得完整的有效压板区域后,仍然还有噪声区域和线型干扰区域,首先采用特定的直线结构元素进行开运算,去除线型干扰区域;设置的直线结构长度为5,角度为90°,即长度为5的竖向线段区域;
s342:考虑到开运算操作不能去除孤立点噪声,通过圆形结构元素进行闭运算,去除毛刺和孤立点;设置的圆形结构半径为3,即半径为3的平面圆盘形区域;
s343:为防止存在遗漏孤立点,最后以半径为2的圆形结构元素进行膨胀处理,并对目标区域进行孔洞填充,抑制深度图像噪声,填充深度缺失空洞,改善目标区域的质量;经过形态学处理获得的最终有效压板区域如图13所示。
步骤S4具体步骤如下:
s41:提取图像中有效压板区域的方向角和宽长比形态特征,并由此辨识两种形态特征分别对应的压板投退状态;
s42:融合两种状态结果,确定压板最终投退状态。
步骤s41具体步骤如下:
s411:将获取的方向角形态特征代入公式(2)进行计算,辨识压板投退状态,投入状态记为1,退出状态记为0,公式(2)如下:
式中:Vs为压板状态,Vo为压板区域方向角;
s412:将获取的宽长比形态特征代入公式(3)进行计算,辨识压板投退状态,投入状态记为1,退出状态记为0,公式(3)如下:
式中:Vs为压板状态,Va为压板区域宽长比。
步骤s42具体步骤如下:
s421:融合压板方向角和宽长比形态特征辨识结果,利用公式(4)确定压板最终投退状态,投入状态记为1,退出状态记为0,公式(4)如下:
式中:Vs为压板状态,Vs1为方向角特征判别结果,Vs2为宽长比特征判别结果;
s422:验证辨识的压板投退状态结果,输出压板状态辨识编码。
实施例:
本实施例中采集到的屏柜压板图像如图4所示,分辨率为1920×1080像素,水平和垂直分辨率为96dpi,大小为832KB。该屏柜共有6排压板,每排有9个,整块屏幕中有效的压板个数为46个。观察可知,屏柜压板图像中有较多无效区域,压板区域只占中间部分,且也存在小角度畸变。首先截取图像中包含所有压板的四边形区域,并采用透视变换进行校正,处理结果如图7所示。然后分别使用多阈值方法和K均值聚类方法进行分割,对两种方法得到的分割结果图像进行融合,获得完整的分割结果如图12所示。进而利用形态学处理手段去除噪声干扰,并进行膨胀处理,处理结果如图13所示。
接下来对有效压板投退状态进行辨识,首先提取有效压板连通区域的方向角和宽长比形态特征,并依据公式(2)和(3)辨识这两种形态特征对应的压板投退状态Vs1和Vs2,然后依据公式(4)确定压板最终投退状态Vs。相关数据如表1所示。总共辨识出46个有效压板,其中投入状态有18个,退出状态压板有28个,辨识结果与对应区域压板真实投退状态完全一致。
表1多特征辨识结果表
Claims (5)
1.基于多阈值和K均值聚类的保护压板有效压板区域提取方法,其特征在于包括以下步骤:
step1:将校正后压板图像分别转换到HSV颜色空间和Lab颜色空间;
step2:对HSV颜色空间压板图像进行多阈值分割,对Lab颜色空间压板图像进行K均值聚类分割;
step3:首先对两种分割方式处理结果图进行中值滤波,然后进行区域融合,得到完整的有效压板区域;
step4:通过对有效压板区域进行形态学处理,去除噪声和小连通区域。
3.根据权利要求1所述基于多阈值和K均值聚类的保护压板有效压板区域提取方法,其特征在于:
step2包括以下步骤:
step2.1:使用多阈值方法分割HSV颜色空间压板图像,其中:H分量极小值为0.01,极大值为0.1,得到红色特征压板区域;
step2.2:使用K均值聚类方法分割Lab颜色空间压板图像,得到黄色和绿色特征压板区域。
4.根据权利要求1所述基于多阈值和K均值聚类的保护压板有效压板区域提取方法,其特征在于:
step3包括以下步骤:
step3.1:首先对多阈值和K均值聚类两种分割方法处理后的图像添加椒盐噪声,然后利用中值滤波的处理方式进行去噪;
step3.2:融合滤波处理后的有效颜色特征压板区域,获得完整的有效压板区域。
5.根据权利要求1所述基于多阈值和K均值聚类的保护压板有效压板区域提取方法,其特征在于:
step4包括以下步骤:
step4.1:采用长度为5,角度为90°的直线结构元素进行开运算,去除线型干扰区域;
step4.2:以半径为3的圆形结构元素进行闭运算,去除毛刺和孤立点;
step4.3:以半径为2的圆形结构元素进行膨胀处理,并对目标区域进行孔洞填充,抑制深度噪声,填充深度缺失空洞,改善目标区域的质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467476.0A CN114998581A (zh) | 2020-12-22 | 2020-12-22 | 基于多阈值和k均值聚类的保护压板有效压板区域提取方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467476.0A CN114998581A (zh) | 2020-12-22 | 2020-12-22 | 基于多阈值和k均值聚类的保护压板有效压板区域提取方法 |
CN202011533308.4A CN112508940B (zh) | 2020-12-22 | 2020-12-22 | 变电站功能型保护压板投退状态辨识方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533308.4A Division CN112508940B (zh) | 2020-12-22 | 2020-12-22 | 变电站功能型保护压板投退状态辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998581A true CN114998581A (zh) | 2022-09-02 |
Family
ID=74923117
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210467476.0A Pending CN114998581A (zh) | 2020-12-22 | 2020-12-22 | 基于多阈值和k均值聚类的保护压板有效压板区域提取方法 |
CN202011533308.4A Active CN112508940B (zh) | 2020-12-22 | 2020-12-22 | 变电站功能型保护压板投退状态辨识方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533308.4A Active CN112508940B (zh) | 2020-12-22 | 2020-12-22 | 变电站功能型保护压板投退状态辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114998581A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437589A (zh) * | 2023-10-30 | 2024-01-23 | 国网四川省电力公司绵阳供电公司 | 变电站继电保护设备防误检测方法、系统、设备及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004000503A (ja) * | 2002-03-15 | 2004-01-08 | Terumo Corp | 液体分離装置及び液体分離方法 |
JP4777024B2 (ja) * | 2005-09-06 | 2011-09-21 | キヤノン株式会社 | 画像処理装置および画像処理装置の制御方法 |
CN107563396B (zh) * | 2017-08-10 | 2019-08-30 | 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 |
CN109509169A (zh) * | 2018-09-05 | 2019-03-22 | 广东电网有限责任公司 | 基于近邻分类的距离度量学习的压板状态检测装置与方法 |
CN111242939B (zh) * | 2020-01-17 | 2023-09-19 | 广东驰行电力设备有限公司 | 压板状态的识别方法 |
CN114926392A (zh) * | 2020-07-03 | 2022-08-19 | 三峡大学 | 基于图像融合的高光区域去除方法 |
CN113344047A (zh) * | 2021-05-24 | 2021-09-03 | 广西电网有限责任公司电力科学研究院 | 基于改进K-means算法的压板状态识别方法 |
-
2020
- 2020-12-22 CN CN202210467476.0A patent/CN114998581A/zh active Pending
- 2020-12-22 CN CN202011533308.4A patent/CN112508940B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112508940B (zh) | 2022-06-03 |
CN112508940A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886974B (zh) | 一种印章去除方法 | |
CN105260693A (zh) | 一种激光二维码定位方法 | |
CA2867365C (en) | Method, system and computer storage medium for face detection | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN110619623B (zh) | 一种变电设备接头发热的自动识别方法 | |
CN111915509B (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
CN108133216A (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN112508940B (zh) | 变电站功能型保护压板投退状态辨识方法 | |
CN105426825A (zh) | 一种基于航拍图像识别的电网地理接线图绘制方法 | |
CN106558044B (zh) | 影像模组的解像力测量方法 | |
Changhui et al. | Overlapped fruit recognition for citrus harvesting robot in natural scenes | |
CN111046782B (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
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 | |
CN103207989B (zh) | 一种基于主成分分析的轻度虫害叶片的叶脉识别方法 | |
CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN106815580A (zh) | 一种车牌定位方法 | |
CN110363784B (zh) | 一种重叠果实的识别方法 | |
CN112036410B (zh) | 基于深度学习和图像梯度的电力设备红外图像分割方法 | |
CN114913370A (zh) | 基于深度学习与形态学融合的状态自动检测方法与装置 | |
CN115019306A (zh) | 一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统 |
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 |