CN115439855A - 一种用于变电站的表计的检测方法及系统 - Google Patents
一种用于变电站的表计的检测方法及系统 Download PDFInfo
- Publication number
- CN115439855A CN115439855A CN202211127066.8A CN202211127066A CN115439855A CN 115439855 A CN115439855 A CN 115439855A CN 202211127066 A CN202211127066 A CN 202211127066A CN 115439855 A CN115439855 A CN 115439855A
- Authority
- CN
- China
- Prior art keywords
- pointer
- meter
- current frame
- image
- meter image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
- G06V30/1452—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields based on positionally close symbols, e.g. amount sign or URL-specific characters
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Abstract
本发明提供一种用于变电站的表计的检测方法及系统,包括,采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值;根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。本发明通过预先训练的模型自动对图像进行处理和判断,实现自动化智能化的表计检测,减少人力成本,可以进行实时检测,利用率高,效能高,无需增加额外的成本。
Description
技术领域
本发明涉及目标检测技术领域,特别是涉及一种用于变电站的表计的检测方法及系统。
背景技术
基于“设备状况一目了然、风险管控一线贯穿、生产操作一键可达、决策指挥一体作战”的生产管理体系,而在变电站运维巡视领域,绝大部分变电站的传统视频及环境监控系统与智能产品前沿水平相比,呈现技术上的滞后与局限性,已部署的摄像头利用率不高,存在效能低下等弊端。表现为:
传统视频系统与视频行业AI前沿产品相比,技术参数滞后,无法支撑变电站智能巡视、智能安全、智能操作等业务场景实现;传统视频系统功能应用单一,多为事故事件追溯使用,日常利用效率低下;由于缺乏智能算法支撑,传统视频系统无法自检,发现缺陷依赖人工巡视在线率实现,故性能衰减无法及时被运维人员发现及维护,导致累计缺陷率较高;传统视频监控系统整体投资大,采用直接技改为智能视频系统的方式易造成资产浪费。
发明内容
本发明的目的在于,提出一种用于变电站的表计的检测方法及系统,解决现有变电站运维巡视方法呈现技术上的滞后与局限性,利用率不高,存在效能低下等弊端的技术问题。
一方面,提供一种用于变电站的表计的检测方法,包括:
采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;
通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值;
根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;
将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。
优选地,所述预先训练的识别模型通过以下过程进行训练:
采集表计的历史视频数据,并从所述历史视频数据中截取一帧图像作为训练图像;
从所述训练图像中圈定表盘对象,得到模板图像;其中,所述模板图像为黑白二值图,白色区域表示图像中表盘对象,黑色区域为其他背景区域;
计算表盘对象的梯度角度描述符;
在所述训练图像上按照预设的标准标出各大刻度点,并根据预设的坐标序列标准标记大刻度点的坐标序列,确定对应的刻度值数组;
经过多轮训练周期,将所述表盘对象的多个梯度角度描述符及对应的多个刻度值数组,得到识别模型。
优选地,所述计算表盘对象的梯度角度描述符,具体包括:
通过预设的训练算法计算表盘对象区域的梯度值和对应角度值;
按预设的像素分块区域确定该区域的最大梯度值,并根据对应的角度特征进行归一化处理,获得表盘对象的梯度角度描述符。
优选地,所述确定每个像素点在不同旋转角度下的哈尔响应值,具体包括:
以基础角度值为一个旋转角度对当前帧的表计图像进行旋转处理;
对每个旋转角度的图像进行一次遍历,计算其对应的哈尔响应值;
依次取每个像素点在不同旋转角度下哈尔响应值的最大值作为该点像素最终的哈尔响应值;
其中,所述哈尔响应值为表计图像中黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值。
优选地,所述根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,具体包括:
根据预设的局部区域范围遍历所有局部区域对应的极大值像素点,并多次任选所述局部区域中两个极大值像素点进行直线拟合,获得初始直线;
判断剩余像素点与所述初始直线的距离是否小于预设的阈值,若该像素点与所述初始直线的距离小于预设的阈值,则将该像素点拟合修正到所述初始直线,得到候选直线;
遍历结束后,计算所述候选直线像素点的哈尔响应值之和,作为该候选直线的置信度;
将置信度最高的候选直线作为当前帧的表计图像中指针线。
优选地,所述根据所述指针线确定当前帧的表计图像中的指针指向,具体包括:
获取当前帧的表计图像中表盘中心两侧指针线的长度和宽度信息;
将该指针线中一端指针长度大于另一端指针长度的指针指向或一端指针宽度小于另一端指针宽度的指针指向作为该指针线最终的指针指向。
优选地,所述根据比较结果判断变电站的表计是否正常,具体包括:
若当前帧的表计图像中的指针指向处于预设的指针标准范围内,则判定该标记正常;
若当前帧的表计图像中的指针指向未处于预设的指针标准范围内,则判定该标记异常。
另一方面,还提供一种用于变电站的表计的检测系统,用以实现所述的用于变电站的表计的检测方法,包括,
图像采集模块,用以采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;
响应值计算模块,用以通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值;
指针指向模块,用以根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;
检测模块,用以将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。
优选地,所述响应值计算模块,具体用于以基础角度值为一个旋转角度对当前帧的表计图像进行旋转处理;
对每个旋转角度的图像进行一次遍历,计算其对应的哈尔响应值;
依次取每个像素点在不同旋转角度下哈尔响应值的最大值作为该点像素最终的哈尔响应值;
其中,所述哈尔响应值为表计图像中黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值。
优选地,所述指针指向模块,具体用于根据预设的局部区域范围遍历所有局部区域对应的极大值像素点,并多次任选所述局部区域中两个极大值像素点进行直线拟合,获得初始直线;
判断剩余像素点与所述初始直线的距离是否小于预设的阈值,若该像素点与所述初始直线的距离小于预设的阈值,则将该像素点拟合修正到所述初始直线,得到候选直线;
遍历结束后,计算所述候选直线像素点的哈尔响应值之和,作为该候选直线的置信度;
将置信度最高的候选直线作为当前帧的表计图像中指针线;
以及,获取当前帧的表计图像中表盘中心两侧指针线的长度和宽度信息;
将该指针线中一端指针长度大于另一端指针长度的指针指向或一端指针宽度小于另一端指针宽度的指针指向作为该指针线最终的指针指向。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的一种用于变电站的表计的检测方法及系统,通过预先训练的模型自动对图像进行处理和判断,实现自动化智能化的表计检测,准确度高,减少人力成本,实现变电站运维巡视的不存在局限性,即可通过该方法对多种设备进行训练,通过训练后的模型或数据就可以进行实时检测,利用率高,效能高。同时,在传统视频监控系统硬件的基础上,无需增加额外的成本,只需要监控采集的视频数据就可以进行表计的检测处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种用于变电站的表计的检测方法的主流程示意图。
图2为本发明实施例中一种积分图示意图。
图3为本发明实施例中一种哈尔模板示意图。
图4为本发明实施例中一种用于变电站的表计的检测系统的示意图。
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作进一步地详细描述。
如图1所示,为本发明提供的一种用于变电站的表计的检测方法的一个实施例的示意图。在该实施例中,所述方法包括以下步骤:
采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;也就是,通过相机获取当前油位表图像,利用刚体匹配算法定位当前帧图像中的表盘对象,并将其从图像中扣取出来。其中,刚体匹配属于模板匹配算法的一种,以梯度角度特征为匹配基础,适用于对旋转不变形的目标对象的匹配处理。
进一步的,通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值。
本实施例中,所述预先训练的识别模型通过以下过程进行训练:采集表计的历史视频数据,并从所述历史视频数据中截取一帧图像作为训练图像;从所述训练图像中圈定表盘对象,得到模板图像;其中,所述模板图像为黑白二值图,白色区域表示图像中表盘对象,黑色区域为其他背景区域;计算表盘对象的梯度角度描述符;在所述训练图像上按照预设的标准标出各大刻度点,并根据预设的坐标序列标准标记大刻度点的坐标序列,确定对应的刻度值数组;经过多轮训练周期,将所述表盘对象的多个梯度角度描述符及对应的多个刻度值数组,得到识别模型。其中,述计算表盘对象的梯度角度描述符,具体包括:通过预设的训练算法计算表盘对象区域的梯度值和对应角度值;按预设的像素分块区域确定该区域的最大梯度值,并根据对应的角度特征进行归一化处理,获得表盘对象的梯度角度描述符。
也就是,实际变电站现场的油位表指针可能指向任意角度,为了能够让指针线与哈尔模板匹配,我们以10°为步长对输入的油位表图像进行旋转处理,并对每个旋转角度的图像进行一次遍历,计算其响应值,最后依次取每个像素点在不同旋转角度下响应最大值作为该点像素最终的哈尔响应值。
本实施例中,确定每个像素点在不同旋转角度下的哈尔响应值时,以基础角度值为一个旋转角度对当前帧的表计图像进行旋转处理;对每个旋转角度的图像进行一次遍历,计算其对应的哈尔响应值;依次取每个像素点在不同旋转角度下哈尔响应值的最大值作为该点像素最终的哈尔响应值;其中,所述哈尔响应值为表计图像中黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值。
积分图的数学表示如下:
直观的,图像中位置坐标为A(x,y)的像素点积分值是其左上角的所有像素之和,如图2中的阴影部分。哈尔特征(haar):由模板黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值来表示:sum(黑)-sum(白)或sum(白)-sum(黑)。油位表中指针线几何表现形式为线特征,因此,本发明选用线特征哈尔模板来计算哈尔特征,如图3所示。
进一步的,根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;也就是,对仪表对象图像进行指针识别处理,获取指针线的直线方程表达式;最后,计算当前指针所对应的读数。
本实施例中,直线拟合过程为,根据预设的局部区域范围遍历所有局部区域对应的极大值像素点,并多次任选所述局部区域中两个极大值像素点进行直线拟合,获得初始直线;
判断剩余像素点与所述初始直线的距离是否小于预设的阈值,若该像素点与所述初始直线的距离小于预设的阈值,则将该像素点拟合修正到所述初始直线,得到候选直线;
遍历结束后,计算所述候选直线像素点的哈尔响应值之和,作为该候选直线的置信度;
将置信度最高的候选直线作为当前帧的表计图像中指针线。
也就是,通过RANSAC寻找直线过程:遍历所有局部极大值点,每次任选其中两个极大值点进行直线拟合,获得初始直线,然后判断剩余点是否“在该直线上”(满足点到直线距离小于给定阈值的点),再利用所有在直线上的点进行直线拟合修正,获得一条候选直线。遍历结束后,获得一组直线方程,依次计算每条直线上像素点的响应值之和,作为该直线的置信度。最后,返回置信度最高的那条直线方程作为当前仪表图像中指针线。
具体地,确定当前帧的表计图像中的指针指向为,获取当前帧的表计图像中表盘中心两侧指针线的长度和宽度信息;将该指针线中一端指针长度大于另一端指针长度的指针指向或一端指针宽度小于另一端指针宽度的指针指向作为该指针线最终的指针指向。也就是,分析油位表图像几何特征可以知道,表盘中的指针具有一定的指向性,在哈尔响应图中分析表盘中心两侧指针线的长度和宽度信息来判断指针指向,一般的,指针指向终点一端部分的指针长度比另一侧要长,宽度比另一侧要窄。
进一步的,将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。也就是,若当前帧的表计图像中的指针指向处于预设的指针标准范围内,则判定该标记正常;若当前帧的表计图像中的指针指向未处于预设的指针标准范围内,则判定该标记异常。
本发明具体实施中,拟融合多种区域提取技术以提升识别效果,大幅提升低像素(720P及以下)摄像机视角范围内现场算法识别准确性。其中MCG与Selective Search算法从图像的底层分割出发,以向上合并的方式给出了图像中可能存在物体的候选区域.Bing算法从物体轮廓的HOG特征给出了与目标类别相似的候选区域.Edgebox算法从图像边缘检测出发,将不同的边进行聚类合并,从而获得目标类别候选区域.最终四种不同的算法所产产生的目标候选区域通过非极大值抑制(NMS)进行区域合并,留存置信度最高的候选区域进入分类网络进行区域分类。通过分类技术,将不同应用场景的算法进行集成,统一输入输出,大大提升算法协议栈的整体效率。分类识别阶段,本项目融合Softmax和SVM两种分类方法对区域特征进行分类,其具体流程如下:
在训练过程中,采用Softmax进行反向回传(BP)学习参数;
在训练过程中,使用SVM对区域特征进行线性多分类;
在识别过程中,对Softmax获得的伪概率进行L2 Norm归一化;
在识别过程中,对SVM获得的为概率进行L2 Norm归一化;
采用Group Lasso正则化算法融合概率,得到最终分类结果。
如图4所示,本发明还提供一种用于变电站的表计的检测系统,用以所述的方法,包括,
图像采集模块,用以采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;
响应值计算模块,用以通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值;
指针指向模块,用以根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;
检测模块,用以将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。
具体实施例中,所述响应值计算模块,具体用于以基础角度值为一个旋转角度对当前帧的表计图像进行旋转处理;
对每个旋转角度的图像进行一次遍历,计算其对应的哈尔响应值;
依次取每个像素点在不同旋转角度下哈尔响应值的最大值作为该点像素最终的哈尔响应值;
其中,所述哈尔响应值为表计图像中黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值。
具体地,所述指针指向模块,具体用于根据预设的局部区域范围遍历所有局部区域对应的极大值像素点,并多次任选所述局部区域中两个极大值像素点进行直线拟合,获得初始直线;
判断剩余像素点与所述初始直线的距离是否小于预设的阈值,若该像素点与所述初始直线的距离小于预设的阈值,则将该像素点拟合修正到所述初始直线,得到候选直线;
遍历结束后,计算所述候选直线像素点的哈尔响应值之和,作为该候选直线的置信度;
将置信度最高的候选直线作为当前帧的表计图像中指针线;
以及,获取当前帧的表计图像中表盘中心两侧指针线的长度和宽度信息;
将该指针线中一端指针长度大于另一端指针长度的指针指向或一端指针宽度小于另一端指针宽度的指针指向作为该指针线最终的指针指向。
需说明的是,上述实施例所述系统与上述实施例所述方法对应,因此,上述实施例所述系统未详述部分可以参阅上述实施例所述方法的内容得到,此处不再赘述。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的一种用于变电站的表计的检测方法及系统,通过预先训练的模型自动对图像进行处理和判断,实现自动化智能化的表计检测,准确度高,减少人力成本,实现变电站运维巡视的不存在局限性,即可通过该方法对多种设备进行训练,通过训练后的模型或数据就可以进行实时检测,利用率高,效能高。同时,在传统视频监控系统硬件的基础上,无需增加额外的成本,只需要监控采集的视频数据就可以进行表计的检测处理。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种用于变电站的表计的检测方法,其特征在于,包括:
采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;
通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值;
根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;
将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。
2.如权利要求1所述的方法,其特征在于,所述预先训练的识别模型通过以下过程进行训练:
采集表计的历史视频数据,并从所述历史视频数据中截取一帧图像作为训练图像;
从所述训练图像中圈定表盘对象,得到模板图像;其中,所述模板图像为黑白二值图,白色区域表示图像中表盘对象,黑色区域为其他背景区域;
计算表盘对象的梯度角度描述符;
在所述训练图像上按照预设的标准标出各大刻度点,并根据预设的坐标序列标准标记大刻度点的坐标序列,确定对应的刻度值数组;
经过多轮训练周期,将所述表盘对象的多个梯度角度描述符及对应的多个刻度值数组,得到识别模型。
3.如权利要求2所述的方法,其特征在于,所述计算表盘对象的梯度角度描述符,具体包括:
通过预设的训练算法计算表盘对象区域的梯度值和对应角度值;
按预设的像素分块区域确定该区域的最大梯度值,并根据对应的角度特征进行归一化处理,获得表盘对象的梯度角度描述符。
4.如权利要求3所述的方法,其特征在于,所述确定每个像素点在不同旋转角度下的哈尔响应值,具体包括:
以基础角度值为一个旋转角度对当前帧的表计图像进行旋转处理;
对每个旋转角度的图像进行一次遍历,计算其对应的哈尔响应值;
依次取每个像素点在不同旋转角度下哈尔响应值的最大值作为该点像素最终的哈尔响应值;
其中,所述哈尔响应值为表计图像中黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值。
5.如权利要求4所述的方法,其特征在于,所述根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,具体包括:
根据预设的局部区域范围遍历所有局部区域对应的极大值像素点,并多次任选所述局部区域中两个极大值像素点进行直线拟合,获得初始直线;
判断剩余像素点与所述初始直线的距离是否小于预设的阈值,若该像素点与所述初始直线的距离小于预设的阈值,则将该像素点拟合修正到所述初始直线,得到候选直线;
遍历结束后,计算所述候选直线像素点的哈尔响应值之和,作为该候选直线的置信度;
将置信度最高的候选直线作为当前帧的表计图像中指针线。
6.如权利要求5所述的方法,其特征在于,所述根据所述指针线确定当前帧的表计图像中的指针指向,具体包括:
获取当前帧的表计图像中表盘中心两侧指针线的长度和宽度信息;
将该指针线中一端指针长度大于另一端指针长度的指针指向或一端指针宽度小于另一端指针宽度的指针指向作为该指针线最终的指针指向。
7.如权利要求6所述的方法,其特征在于,所述根据比较结果判断变电站的表计是否正常,具体包括:
若当前帧的表计图像中的指针指向处于预设的指针标准范围内,则判定该标记正常;
若当前帧的表计图像中的指针指向未处于预设的指针标准范围内,则判定该标记异常。
8.一种用于变电站的表计的检测系统,用以实现如权利要求1-7任一项所述的方法,其特征在于,包括,
图像采集模块,用以采集需要检测的表计的视频数据,并从所述视频数据中截取当前帧的表计图像;
响应值计算模块,用以通过预先训练的识别模型对当前帧的表计图像进行旋转,确定每个像素点在不同旋转角度下的哈尔响应值;
指针指向模块,用以根据像素点对应的哈尔响应值对像素点进行拟合,得到当前帧的表计图像中的指针线,并根据所述指针线确定当前帧的表计图像中的指针指向;
检测模块,用以将当前帧的表计图像中的指针指向与预设的指针标准范围比较,并根据比较结果判断变电站的表计是否正常。
9.如权利要求8所述的检测系统,其特征在于,所述响应值计算模块,具体用于以基础角度值为一个旋转角度对当前帧的表计图像进行旋转处理;
对每个旋转角度的图像进行一次遍历,计算其对应的哈尔响应值;
依次取每个像素点在不同旋转角度下哈尔响应值的最大值作为该点像素最终的哈尔响应值;
其中,所述哈尔响应值为表计图像中黑色填充区域所覆盖的像素值之和与白色填充区域所覆盖的像素值之和的差值。
10.如权利要求9所述的检测系统,其特征在于,所述指针指向模块,具体用于根据预设的局部区域范围遍历所有局部区域对应的极大值像素点,并多次任选所述局部区域中两个极大值像素点进行直线拟合,获得初始直线;
判断剩余像素点与所述初始直线的距离是否小于预设的阈值,若该像素点与所述初始直线的距离小于预设的阈值,则将该像素点拟合修正到所述初始直线,得到候选直线;
遍历结束后,计算所述候选直线像素点的哈尔响应值之和,作为该候选直线的置信度;
将置信度最高的候选直线作为当前帧的表计图像中指针线;
以及,获取当前帧的表计图像中表盘中心两侧指针线的长度和宽度信息;
将该指针线中一端指针长度大于另一端指针长度的指针指向或一端指针宽度小于另一端指针宽度的指针指向作为该指针线最终的指针指向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211127066.8A CN115439855A (zh) | 2022-09-16 | 2022-09-16 | 一种用于变电站的表计的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211127066.8A CN115439855A (zh) | 2022-09-16 | 2022-09-16 | 一种用于变电站的表计的检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439855A true CN115439855A (zh) | 2022-12-06 |
Family
ID=84249880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211127066.8A Pending CN115439855A (zh) | 2022-09-16 | 2022-09-16 | 一种用于变电站的表计的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439855A (zh) |
-
2022
- 2022-09-16 CN CN202211127066.8A patent/CN115439855A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410002B2 (en) | Ship identity recognition method based on fusion of AIS data and video data | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110570454B (zh) | 一种检测异物入侵的方法及装置 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN108764234B (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
CN107563330B (zh) | 一种监控视频中的水平倾斜车牌矫正方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN109389105B (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN111597904B (zh) | 用于隧道电缆支架倾斜的识别方法 | |
CN109344768A (zh) | 基于巡检机器人的指针式断路器识别方法 | |
CN115331000A (zh) | 一种基于orb算法的弓网运行状态检测方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN110570398A (zh) | 一种基于深度学习技术的线缆接头焊点合格性检测方法 | |
CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
CN113505808A (zh) | 基于深度学习用于配电类设施开关检测识别算法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115439855A (zh) | 一种用于变电站的表计的检测方法及系统 | |
CN116092179A (zh) | 一种改进的yolox跌倒检测系统 | |
CN113269043A (zh) | 一种钢卷松卷的实时跟踪识别方法及装置 | |
CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN113688819A (zh) | 一种基于标记点的目标物期望点跟踪匹配方法 |
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 |