CN116229433B - 一种器件状态识别方法和装置 - Google Patents

一种器件状态识别方法和装置 Download PDF

Info

Publication number
CN116229433B
CN116229433B CN202310003900.0A CN202310003900A CN116229433B CN 116229433 B CN116229433 B CN 116229433B CN 202310003900 A CN202310003900 A CN 202310003900A CN 116229433 B CN116229433 B CN 116229433B
Authority
CN
China
Prior art keywords
picture
air switch
area
state
effective pixels
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
Application number
CN202310003900.0A
Other languages
English (en)
Other versions
CN116229433A (zh
Inventor
刘小树
刘杨
汪小亮
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.)
Beijing Helishi System Integration Co ltd
Original Assignee
Beijing Helishi System Integration 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 Beijing Helishi System Integration Co ltd filed Critical Beijing Helishi System Integration Co ltd
Priority to CN202310003900.0A priority Critical patent/CN116229433B/zh
Publication of CN116229433A publication Critical patent/CN116229433A/zh
Application granted granted Critical
Publication of CN116229433B publication Critical patent/CN116229433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/23—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on positionally close patterns or neighbourhood relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请实施例公开了一种器件状态识别方法和装置，该方法包括：获取包含待识别器件的第一图片；将所述第一图片输入预设的识别模型，通过所述识别模型对所述第一图片中所述器件的像素坐标进行识别；根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片；对于每张第二图片进行预处理；对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态。通过该实施例方案，实现了对器件状态的自动化、准确识别，节省了大量人力资源，避免了人为因素造成的失误。

Description

一种器件状态识别方法和装置
技术领域
本申请实施例涉及设备监控技术，尤指一种器件状态识别方法和装置。
背景技术
目前，电力系统中的巡检工作还是依赖人工进行。这种模式人力成本高，耗时长，效率低，因此无人值守变电所已经逐渐成为大势所趋。变电所中各个器件的状态准确识别已经成为了实现真正无人值守变电所的最大阻碍。
发明内容
本申请实施例提供了一种器件状态识别方法和装置，能够实现对器件状态的自动化、准确识别，节省大量人力资源，避免人为因素造成的失误。
本申请实施例提供了一种器件状态识别方法，所述方法可以包括：
获取包含待识别器件的第一图片；
将所述第一图片输入预设的识别模型，通过所述识别模型对所述第一图片中所述器件的像素坐标进行识别；
根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片；
对于每张第二图片进行预处理；
对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态。
在本申请的示例性实施例中，在根据所述器件的像素坐标对所述第一图片进行截取之前，所述方法还可以包括：
根据所述器件的像素坐标对所述第一图片中的器件进行框选；
对用于框选的每个框配置该框所框选器件的数量，并统计框的总数量作为器件数量；
其中，将图像边缘距离小于或等于预设的距离阈值的两个器件图像作为一个器件进行框选，将图像边缘距离大于所述距离阈值的两个相邻器件图像作为两个器件进行框选。
在本申请的示例性实施例中，所述对于每张第二图片进行预处理，可以包括：
对每张第二图片进行灰度转换，将三通道的彩色图像转换为灰度空间的单通道图像；
将所述单通道图像进行阈值二值化处理。
在本申请的示例性实施例中，当所述器件为空气开关，所述第一图片可以包含多个连续排列的空气开关时，所述根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片，可以包括：
在所述第一图片中所述空气开关的图像区域，根据所述第一图片中配置的所述空气开关的数量n，将所述图像区域等分截取为n个包含不同空气开关的第二图片。
在本申请的示例性实施例中，所述预设维度包括宽度方向，所述对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，可以包括：
以每张所述第二图片的宽度方向上的中分线为边界，对所述第二图片进行划分，将每个第二图片中的所述空气开关划分为上部区域和下部区域。
在本申请的示例性实施例中，所述根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态，可以包括：
统计所述上部区域的有效像素个数，记为第一个数，统计所述下部区域的有效像素个数，记为第二个数；
比较所述第一个数和所述第二个数的大小；
当所述第一个数大于所述第二个数时，判定所述空气开关处于打开状态；
当所述第一个数小于所述第二个数时，判定所述空气开关处于闭合状态。
在本申请的示例性实施例中，所述方法还可以包括：
当所述第一个数等于所述第二个数时，重新统计所述上部区域和所述下部区域的有效像素个数，并根据重新统计的所述有效像素个数判断相应器件的开关状态。
在本申请的示例性实施例中，所述方法还可以包括：将像素值满足设定值的像素确定为有效像素。
在本申请的示例性实施例中，预先创建所述识别模型，可以包括：
获取包含空气开关的第三图片；
对所述第三图片中的器件的位置进行标记，将标记后的第三图片加入训练数据集；
采用所述训练数据集对预先创建的神经网络模型进行训练，获取所述识别模型。
在本申请的示例性实施例中，预先创建所述识别模型，还可以包括：
采用所述训练数据集对所述神经网络模型进行训练以后，对所述训练数据集进行数据增强，并通过增强后的训练数据集对训练后的所述神经网络模型进行再次训练；
其中，所述数据增强包括马赛克增强。
本申请实施例还提供了一种器件状态识别装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现所述的器件状态识别方法。
与相关技术相比，本申请实施例可以包括：获取包含待识别器件的第一图片；将所述第一图片输入预设的识别模型，通过所述识别模型对所述第一图片中所述器件的像素坐标进行识别；根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片；对于每张第二图片进行预处理；对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态。通过该实施例方案，实现了对器件状态的自动化、准确识别，节省了大量人力资源，避免了人为因素造成的失误。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的器件状态识别方法流程图；
图2为本申请实施例的器件状态识别装置组成框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种器件状态识别方法，如图1所示，所述方法可以包括步骤S101-S105：
S101、获取包含待识别器件的第一图片；
S102、将所述第一图片输入预设的识别模型，通过所述识别模型对所述第一图片中所述器件的像素坐标进行识别；
S103、根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片；
S104、对于每张第二图片进行预处理；
S105、对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态。
在本申请的示例性实施例中，随着人工智能技术的不断发展与进步，将人工智能应用于图像识别上也成为目前热门的研究领域，在人工智能的加持之下，图像识别的准确率和效率都得到了极大提升，目前已经成熟应用于医疗、生物、工业、农业、军事和交通等各个领域和学科，本申请实施例方案将人工智能应用于变电站的器件设备状态监控中，实现了对器件状态的自动化、准确识别，节省了大量人力资源，避免了人为因素造成的失误。
在本申请的示例性实施例中，该器件可以包括但不限于各种开关器件，例如，空气开关、隔离开关、断路器、熔断器等。下面以空气开关为例说明本申请实施例方案。
在本申请的示例性实施例中，在执行本申请实施例方案之前，可以首先建立识别模型，该识别模型可以用于识别包含器件的图片中该器件的像素坐标。
在本申请的示例性实施例中，预先创建所述识别模型，可以包括：
获取包含空气开关的第三图片；
对所述第三图片中的器件的位置进行标记，将标记后的第三图片加入训练数据集；
采用所述训练数据集对预先创建的神经网络模型进行训练，获取所述识别模型。
在本申请的示例性实施例中，以空气开关为例，可以首先获取包含有空气开关的大量图片(如上述的第三图片)，并对该大量图片中的空气开关的位置进行标记，例如，可以使用labelImg标注软件对图片中空气开关进行分类标记，进行标注后的图片可以按照8:2的比例划分为训练数据集和测试数据集。
在本申请的示例性实施例中，基于上述的训练数据集，可以采用用于目标检测的YOLO神经网络进行空气开关的识别模型的训练，并基于所述测试数据集对训练后的YOLO神经网络进行预测测试，具体可以从精确率、召回率、IOU(交并比)及mAP(准确率)等维度对识别模型进行评估与验证。
在本申请的示例性实施例中，预先创建所述识别模型，还可以包括：
采用所述训练数据集对所述神经网络模型进行训练以后，对所述训练数据集进行数据增强，并通过增强后的训练数据集对训练后的所述神经网络模型进行再次训练。
在本申请的示例性实施例中，所述数据增强可以包括但不限于马赛克增强。
在本申请的示例性实施例中，在获取器件(如空气开关)的识别模型以后，可以将该识别模型投入器件的状态监控中。将实时采集的器件图片(如上述的第一图片)输入该识别模型，得到图像内所有空气开关的像素坐标信息。
在本申请的示例性实施例中，在根据所述器件的像素坐标对所述第一图片进行截取之前，所述方法还可以包括：
根据所述器件的像素坐标对所述第一图片中的器件进行框选；
对用于框选的每个框配置该框所框选器件的数量，并统计框的总数量作为器件数量；
其中，将图像边缘距离小于或等于预设的距离阈值的两个器件图像作为一个器件进行框选，将图像边缘距离大于所述距离阈值的两个相邻器件图像作为两个器件进行框选。
在本申请的示例性实施例中，可以将获得的像素坐标传入前端页面，在第一图片上画框，在对应的配置选项中填入每个框中所含的空气开关数量，可以默认为1。对于没有识别到的空气开关可以进行手动画框选择并记录相应坐标信息，对于识别有误的空气开关可以进行画框的手动修改并记录相应坐标信息；可以将坐标信息和空气开关数量存入数据库中以便后续调用。原则上对于没有精密相邻的空气开关都赋予一个单独的框，配置数量为1，只有精密相连的空气开关才公用一个选框，配置数量。
在本申请的示例性实施例中，上述步骤可以作为配置步骤，对于一个固定的变电站的固定器件来说，可以仅执行一次，通过该步骤可以确定出所需监控的器件的数量和相对位置，可以在第一次采集第一图片确定器件状态时实施，如果该器件的位置或数量没有变动，可以在以在再采集第一图片实施状态确定时不再执行该配置步骤。
在本申请的示例性实施例中，所述对于每张第二图片进行预处理，可以包括：
对每张第二图片进行灰度转换，将三通道的彩色图像转换为灰度空间的单通道图像；
将所述单通道图像进行阈值二值化处理。
在本申请的示例性实施例中，该三通道的彩色图像可以是BGR(蓝绿红)三通道的彩色图像。
在本申请的示例性实施例中，该阈值可以设为180，二值图像中灰度的最大值为255。
在本申请的示例性实施例中，当所述器件为空气开关，所述第一图片可以包含多个连续排列的空气开关时，所述根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片，可以包括：
在所述第一图片中所述空气开关的图像区域，根据所述第一图片中配置的所述空气开关的数量n，将所述图像区域等分截取为n个包含不同空气开关的第二图片。
在本申请的示例性实施例中，空气开关通常是连续排列设置，为了实现对每个空气开关的状态进行精确识别，可以首先将每个空气开关进行区分，例如，通过上述方案将不同的空气开关分别截取为不同的第二图片。
在本申请的示例性实施例中，所述预设维度包括宽度方向，所述对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，可以包括：
以每张所述第二图片的宽度方向上的中分线为边界，对所述第二图片进行划分，将每个第二图片中的所述空气开关划分为上部区域和下部区域。
在本申请的示例性实施例中，将第二图片在宽度维度上以宽度的二分之一为边界进行划分，从而将空气开关划分为上下两个区域，即上部区域和下部区域，因为空气开关在处于打开状态(即“开”)时，空气开关的控制端位于上部区域，空气开关在处于闭合状态(即“关”)时，空气开关的控制端位于下部区域。因此，首先将空气开关划分为上部区域和下部区域，便于后续对空气开关的状态判断。
在本申请的示例性实施例中，所述根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态，可以包括：
统计所述上部区域的有效像素个数，记为第一个数，统计所述下部区域的有效像素个数，记为第二个数；
比较所述第一个数和所述第二个数的大小；
当所述第一个数大于所述第二个数时，判定所述空气开关处于打开状态；
当所述第一个数小于所述第二个数时，判定所述空气开关处于闭合状态。
在本申请的示例性实施例中，所述方法还可以包括：将像素值满足设定值的像素确定为有效像素。该设定值可以是指灰度值为255。
在本申请的示例性实施例中，所述方法还可以包括：
当所述第一个数等于所述第二个数时，重新统计所述上部区域和所述下部区域的有效像素个数，并根据重新统计的所述有效像素个数判断相应器件的开关状态。
在本申请的示例性实施例中，当空气开关在处于打开状态(即“开”)，空气开关的控制端位于上部区域时，由于上部区域有控制端的存在，使得下部区域的有效像素个数必定大于下部区域的有效像素个数，同理，当空气开关在处于闭合状态(即“关”)，空气开关的控制端位于下部区域时，由于下部区域有控制端的存在，使得下部区域的有效像素个数必定大于下部区域的有效像素个数，因此可以根据每个第二图像中上部区域和下部区域有效像素个数的大小关系判断出空气开关的开关状态。
在本申请的示例性实施例中，至少包含以下优势：
(1)可对变电所内各个开关器件(例如空气开关)状态进行准确识别；
(2)节省大量人力资源，避免了人为因素造成的失误；
(3)对于多个开关器件紧密排列的情况有良好的识别性能；
(4)相对于人工，可以极大提升巡检频次，增加发现隐患的及时性。
本申请实施例还提供了一种器件状态识别装置1，如图2所示，包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现所述的器件状态识别方法。
在本申请的示例性实施例中，前述的器件状态识别方法中的任意实施例均适用于该装置实施例中，在此不再一一赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (8)

1.一种器件状态识别方法，其特征在于，所述方法包括：
获取包含待识别器件的第一图片；
将所述第一图片输入预设的识别模型，通过所述识别模型对所述第一图片中所述器件的像素坐标进行识别；
根据所述器件的像素坐标对所述第一图片中的器件进行框选；对用于框选的每个框配置该框所框选器件的数量，并统计框的总数量作为器件数量；其中，将图像边缘距离小于或等于预设的距离阈值的两个器件图像作为一个器件进行框选，将图像边缘距离大于所述距离阈值的两个相邻器件图像作为两个器件进行框选；
根据所述器件的像素坐标对所述第一图片进行截取，获取仅包含单个器件的第二图片；当所述器件为空气开关，所述第一图片包含多个连续排列的空气开关时，在所述第一图片中所述空气开关的图像区域，根据所述第一图片中配置的所述空气开关的数量n，将所述图像区域等分截取为n个包含不同空气开关的第二图片；
对于每张第二图片进行预处理；
对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态。
2.根据权利要求1所述的器件状态识别方法，其特征在于，所述对于每张第二图片进行预处理，包括：
对每张第二图片进行灰度转换，将三通道的彩色图像转换为灰度空间的单通道图像；
将所述单通道图像进行阈值二值化处理。
3.根据权利要求1所述的器件状态识别方法，其特征在于，所述预设维度包括宽度方向，所述对于经过所述预处理后的每张第二图片在预设维度上进行区域平分，包括：
以每张所述第二图片的宽度方向上的中分线为边界，对所述第二图片进行划分，将每个第二图片中的所述空气开关划分为上部区域和下部区域。
4.根据权利要求3所述的器件状态识别方法，其特征在于，所述根据区域平分后获得的两个区域的有效像素的个数判断相应器件的开关状态，包括：
统计所述上部区域的有效像素个数，记为第一个数，统计所述下部区域的有效像素个数，记为第二个数；其中，所述有效像素是指像素值满足设定值的像素；
比较所述第一个数和所述第二个数的大小；
当所述第一个数大于所述第二个数时，判定所述空气开关处于打开状态；
当所述第一个数小于所述第二个数时，判定所述空气开关处于闭合状态。
5.根据权利要求4所述的器件状态识别方法，其特征在于，所述方法还包括：
当所述第一个数等于所述第二个数时，重新统计所述上部区域和所述下部区域的有效像素个数，并根据重新统计的所述有效像素个数判断相应器件的开关状态。
6.根据权利要求1所述的器件状态识别方法，其特征在于，预先创建所述识别模型，包括：
获取包含空气开关的第三图片；
对所述第三图片中的器件的位置进行标记，将标记后的第三图片加入训练数据集；
采用所述训练数据集对预先创建的神经网络模型进行训练，获取所述识别模型。
7.根据权利要求6所述的器件状态识别方法，其特征在于，预先创建所述识别模型，还包括：
采用所述训练数据集对所述神经网络模型进行训练以后，对所述训练数据集进行数据增强，并通过增强后的训练数据集对训练后的所述神经网络模型进行再次训练；
其中，所述数据增强包括马赛克增强。
8.一种器件状态识别装置，其特征在于，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现如权利要求1-7任意一项所述的器件状态识别方法。
CN202310003900.0A 2023-01-03 2023-01-03 一种器件状态识别方法和装置 Active CN116229433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310003900.0A CN116229433B (zh) 2023-01-03 2023-01-03 一种器件状态识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310003900.0A CN116229433B (zh) 2023-01-03 2023-01-03 一种器件状态识别方法和装置

Publications (2)

Publication Number Publication Date
CN116229433A CN116229433A (zh) 2023-06-06
CN116229433B true CN116229433B (zh) 2024-01-26

Family

ID=86588367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310003900.0A Active CN116229433B (zh) 2023-01-03 2023-01-03 一种器件状态识别方法和装置

Country Status (1)

Country Link
CN (1) CN116229433B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310815A (zh) * 2020-02-07 2020-06-19 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备及存储介质
CN111738142A (zh) * 2020-06-19 2020-10-02 福建省海峡智汇科技有限公司 一种用于判断空气开关状态的方法和系统
CN113657175A (zh) * 2021-07-21 2021-11-16 山东爱普电气设备有限公司 配电柜开关状态智能识别方法、系统、存储介质及设备
CN113822180A (zh) * 2021-09-07 2021-12-21 深圳市长龙铁路电子工程有限公司 空气开关分合状态识别方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310815A (zh) * 2020-02-07 2020-06-19 北京字节跳动网络技术有限公司 图像识别方法、装置、电子设备及存储介质
CN111738142A (zh) * 2020-06-19 2020-10-02 福建省海峡智汇科技有限公司 一种用于判断空气开关状态的方法和系统
CN113657175A (zh) * 2021-07-21 2021-11-16 山东爱普电气设备有限公司 配电柜开关状态智能识别方法、系统、存储介质及设备
CN113822180A (zh) * 2021-09-07 2021-12-21 深圳市长龙铁路电子工程有限公司 空气开关分合状态识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN116229433A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
CN109271991B (zh) 一种基于深度学习的车牌检测方法
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN108921089A (zh) 车道线检测方法、装置和系统及存储介质
CN111027539B (zh) 一种基于空间位置信息的车牌字符分割方法
CN110443212B (zh) 用于目标检测的正样本获取方法、装置、设备及存储介质
CN111738036B (zh) 图像处理方法、装置、设备及存储介质
CN112307853A (zh) 航拍图像的检测方法、存储介质和电子装置
CN112287912A (zh) 基于深度学习的车道线检测方法以及装置
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN112752093A (zh) 视频条纹检测方法、装置、存储介质及电子装置
CN110807430B (zh) 一种实况全景交通标志图片预处理方法
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN112541372A (zh) 一种困难样本筛选方法及装置
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN105102607A (zh) 图像处理装置、程序、存储介质和图像处理方法
CN116229433B (zh) 一种器件状态识别方法和装置
CN112785595B (zh) 目标属性检测、神经网络训练及智能行驶方法、装置
CN109141457B (zh) 导航评估方法、装置、计算机设备和存储介质
CN104809438B (zh) 一种检测电子眼的方法和设备
CN114998570B (zh) 一种对象检测框的确定方法、装置、存储介质及电子装置
CN114550129B (zh) 一种基于数据集的机器学习模型处理方法和系统
CN113420623B (zh) 基于自组织映射神经网络的5g基站检测方法及系统
CN114219073A (zh) 属性信息的确定方法、装置、存储介质及电子装置
CN114359352A (zh) 图像处理方法、装置、设备、存储介质及计算机程序产品

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