CN116311201A - 一种基于图像识别技术的变电站设备状态识别方法及系统 - Google Patents
一种基于图像识别技术的变电站设备状态识别方法及系统 Download PDFInfo
- Publication number
- CN116311201A CN116311201A CN202310177550.XA CN202310177550A CN116311201A CN 116311201 A CN116311201 A CN 116311201A CN 202310177550 A CN202310177550 A CN 202310177550A CN 116311201 A CN116311201 A CN 116311201A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- character
- stage
- points
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000003711 image thresholding Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G06V30/148—Segmentation of character regions
-
- 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
- G06V30/16—Image preprocessing
- G06V30/164—Noise filtering
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18019—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by matching or filtering
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18067—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别技术的变电站设备状态识别方法及系统,通过一种通过智能巡视设备采集设备翻字牌的图像,经由5G网络上传图像至云服务器,进行图像处理识别一次设备的状态,图像处理包括:灰度化、线性变换、图像去噪技术和霍夫梯度法处理,定位设备翻字牌的位置;进行字符区域的精确定位,使用图像阈值化、形态学开闭合运算和目标分割,得到精准的字符分合图像;利用K3M骨架提取字符特征,采用SURF模板匹配实现一次设备的状态。识别结果存储于数据库中,通过人机交互模块实时监测一次设备状态。本发明可以对开关进行及时且准确的判断,提高变电站的智能化程度。
Description
技术领域
本发明涉及一种基于图像识别技术的变电站设备状态识别方法及系统,属于变电站监测技术领域。
背景技术
在电力系统中,为了保证变电站的安全运行,避免产生经济和人力的损失,视频监控是其中很重要的一个关节。在非智能的变电站运维中,视频监控需要耗费很大的人力资源,但对于特定的简单任务,其资源的浪费是很没有必要的。
为实现对变电站一次设备变电站室内气体绝缘金属封闭(GIS)开关设备的翻字牌状态的识别方法是很有必要的。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于图像识别技术的变电站设备状态识别方法及系统,可以对开关进行及时且准确的判断,提高变电站的智能化程度。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于图像识别技术的变电站设备状态识别方法,包括以下步骤:
获取采集的设备翻字牌的图像;
对所述采集的设备翻字牌的图像进行图像处理,定位设备翻字牌的位置,得到处理后的图像;
对所述处理后的图像进行字符区域的精确定位,得到字符分合图像;
基于所述字符分合图像,利用K3M骨架提取字符特征,得到状态字符骨架信息;
对状态字符骨架信息用SURF特征匹配算法提取特征,获得采集到的图像的特征点,并将采集到的图像的特征点与模板图像的特征点进行匹配,得到识别结果。
进一步的,获取采集的设备翻字牌的图像,包括:
对变电站室内气体绝缘金属封闭开关设备的翻字牌状态,用巡视设备搭载的摄像机进行图像采集,经由网络上传图像。
进一步的,对所述采集的设备翻字牌的图像进行图像处理,定位设备翻字牌的位置,包括灰度化、线性变换、图像去噪技术和霍夫梯度法处理;
进一步的,灰度化包括:
对采集到的图像使用加权平均法对RGB三个颜色通道的像素值进行灰度化处理:
f(x,y)=0.11R(x,y)+0.59G(x,y)+0.3B(x,y)
f(x,y)表示处理后的图像,R(x,y),G(x,y),B(x,y)分别代表采集到的图像三个颜色通道,x、y表示图片中当前像素在x、y轴上的坐标。并用直方图均衡化进行灰度增强。将非均匀概率密度函数Pr(r)用函数变换s转化为均匀概率分布pr(s)。当采集图像的总像素数为n,分为L个灰度级,nk代表第k个灰度级出现的数量,则第k个灰度级出现的概率为:
此时,变换函数可以表示为:
图像去噪技术,包括:
使用统计滤波中的高斯滤波对灰度化后的图片进行空间域上的图像进行去噪。
若卷积窗口的大小为(2k+1)×(2k+1),高斯核中(i,j)中心位置处像素值的计算公式为:
使用的高斯核为:
进一步的,霍夫梯度法处理,包括:
第一步根据每个点的模向量来找到圆心;第二步根据所有找到可能圆心的边缘非零像素对其的支持程度来确定半径,包括:
阶段0:对输入图像用sobel算子进行边缘检测,通过图形梯度(圆形的梯度即其法线)确定圆周线。
阶段1:在二维霍夫空间内,绘出所有图形的梯度直线,某坐标点上投票值越大,其作为圆心的概率越高。
阶段2:设定一个阈值,霍夫空间内累加和大于该阈值的点就对应于圆心。
阶段3:计算每一个圆心到其周线的距离,这些距离中数值相等且数量远大于其他距离的数目的值,就是该像素值所谓圆心对应的圆的半径的值。
阶段4:分别定义最大半径和最小半径两个阈值,达到粗定位的要求。
进一步的,对所述处理后的图像进行字符区域的精确定位,得到字符分合图像,包括图像阈值化、形态学开闭合运算和目标分割;
图像阈值化,包括:
对粗定位分割的图像进行OSTU阈值化操作,采集图像的像素点总数为i,素点灰度值的集合为Gi,所有像素点的灰度均值Gm为随机灰度T区分对象和背景,区分出所有对象像素点的数量为a,集合为Gia,平均灰度Ga为/>所有对象像素点的个数为b,集合为Gib,平均灰度Gb为/> 定义对象像素点和总像素点的比值Pa;背景像素点和总像素点的比值Pb,类间方差的定义ICV为:
ICV=Pa×(Ga-Gm)2+Pb×(Gb-Gm)2
T的灰度取值范围为0至255,而最佳阈值则是遍历所有T的取值,并计算的值,遍历完毕时记录的最大的T的取值即为最佳阈值。
进一步的,形态学开闭合运算,包括:
若目标像素是对象像素,则判断该像素点是否与背景像素接触,若不接触,则不做修改;反之,则将该像素的值修改为背景像素的值。膨胀算法思路类似。开运算和闭运算是膨胀和腐蚀的结合运算。
开运算本质就是先腐蚀再膨胀,此操作偏向腐蚀的作用,例如有毛刺的图像,腐蚀后毛刺没有,膨胀也不再产生毛刺。开运算可以用来去掉目标外的孤立点,消除小物体,在纤细处分离物体,并且在平滑较大物体的边界的同时不明显改变其面积。
闭运算其实本质就是先膨胀再腐蚀,此操作偏向膨胀的作用,例如有毛刺的图像,膨胀后毛刺加粗,膨腐蚀也不会消除毛刺。闭运算能够可以去掉目标内的孔,排除小型黑洞。
目标分割,包括:
用两遍扫描法做基于联通域的目标分割,得到只包含字符信息的图像;
第一遍扫描中,算法遍历每个像素;检查其左侧和上方的相邻像素;把这些像素的标签分配给当前像素;
第二遍扫描中,算法逐个遍历每个像素;检查当前像素的标签并赋予一个相同的标记;如果标签是联合查找结构中的“根”,转到下一个像素。否则,跟踪到父级的链接,直到到达根;
一旦到达根,将该标签分配给当前像素。
进一步的,基于所述字符分合图像,利用K3M骨架提取字符特征,得到状态字符骨架信息,包括:
阶段0:标记对象的边界像素;
阶段1:删除邻域中有3个相邻对象像素点的边界像素;
阶段2:删除邻域中3或4个相邻对象像素点的边界像素;
阶段3:删除邻域中有3、4或5个相邻对象像素点的边界像素;
阶段4:删除邻域中有3、4、5或6个相邻对象像素点的边界像素;
阶段5:删除邻域中有3、4、5、6或7个相邻对象像素点的边界像素;
阶段6:取消剩余标记的边界像素;
迭代条件:如果在当前的迭代中做了任何修改,返回到阶段0;把每一个修改像素设定了一个重要的基本属性——邻域权值;其是一个8位的二进制数,代表十进制中的0至255,从修改像素上面的像素开始,顺时针方向;使用邻域位置矩阵计算权重,其计算公式为:
式中,f(x,y)是像素(x,y)的邻域权值,G(x,y)是图像像素在坐标(x,y)处的二值。
进一步的,对状态字符骨架信息用SURF特征匹配算法提取特征,获得采集到的图像的特征点,并将采集到的图像的特征点与模板图像的特征点进行匹配,得到识别结果,包括:
阶段0:构造Hessian矩阵,计算其特征值:
H矩阵的特征值如下,如果像素点是极值点,则这个像素点是特征点。
阶段1:构造高斯金字塔,首先计算兴趣点周围半径为6s的圆形邻域内x和y方向上的Haar小波响应,在s尺度处检测兴趣点。
阶段2:定位特征点。先用变换矩阵求得一个初始特征点集,再采用维线性插值法得到亚像素级的特征点,最后再与阈值相比较,得到特征最强的少数点。
阶段3:构造特征描述子。计算出小波响应,以兴趣点为中心用高斯加权。求所有响应之和的最大值,即每个滑动窗口的小波响应。从这两个水平和垂直方向,计算求和响应,然后得到一个局部方向向量。兴趣点的方向可以通过找到所有窗口上的最长向量来定义将区域等分成16个子区域,然后计算25个特征点的水平和垂直方向的小波特征,此时得到一个4维描述符向量:
V=(Σdx,Σdy,|Σdx,|,|∑dy|)
将采集到的图像的特征点与模板图像的特征点进行匹配,寻找模板图像和待测图像相同的特征点,通过K临近值(KNN)算法查找距离最近的特征点对,通过欧式距离计算出K个与该点距离相近的特征点,相似度最高的进行匹配;
当两张图匹配点数量大于预设值数量的时候,匹配成功。
第二方面,本发明提供一种面向变电站设备开关状态装置识别系统,所述系统包括:
数据采集与传输模块:用于对所述采集的设备翻字牌的图像进行图像处理,定位设备翻字牌的位置,得到处理后的图像;
定位模块:用于对所述处理后的图像进行字符区域的精确定位,得到字符分合图像;
特征提取模块:用于基于所述字符分合图像,利用K3M骨架提取字符特征,得到状态字符骨架信息;
特征匹配模块:用于对状态字符骨架信息用SURF特征匹配算法提取特征,获得采集到的图像的特征点,并将采集到的图像的特征点与模板图像的特征点进行匹配,得到识别结果。
进一步的,所述数据采集与传输模块中搭载有高清摄像头的智能巡视设备进行图像采集,通过5G网络传输至云服务器。
进一步的,所述系统还包括:
数据云储存模块:用于将所识别的一次设备状态存储于云端数据库;
人机交互模块:搭建有内部网络界面,用于获取云存储模块中的数据,监测一次设备状态变化。
第三方面,本发明提供一种面向变电站设备开关状态装置识别系统,所述系统包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
1、本发明引入智能的图像处理与识别技术,实现对变电站一次设备变电站室内气体绝缘金属封闭(GIS)开关设备的翻字牌状态的识别,可以对开关进行及时且准确的判断,提高变电站的智能化程度,降低人力成本,提高工作效率;
2、本发明较其他数字图像技术,K3M骨架提取算法的加入使程序运行速度有显著提升,降低了开关匹配的时间复杂性;灰度化、形态学变化等一系列数字图像处理算法降低了不可见的图像边缘干扰,提高了匹配一次设备状态的准确性;
3、本发明由巡视设备采集并传输数据,减少人力损耗,提高了传输速率和稳定性。
4、本发明的方法适用于所有翻字牌性的设备,只要是是“开”、“关”或者是“0”,“1”之类的状态,都可以通过训练样本实现准确识别。
附图说明
图1是本发明的算法流程图;
图2是本发明的变电站设备状态识别方法示意图;
图3为本发明的变电站设备状态识别系统整体结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
本实施例提供一种基于图像识别技术的变电站设备状态识别方法,如图1所示为本发明的变电站设备状态识别方法示意图。所述变电站设备状态识别方法示意图具体包括如下步骤:
步骤一、对变电站室内气体绝缘金属封闭(GIS)开关设备的翻字牌状态,用巡视设备搭载的摄像机进行图像采集;
步骤二、对采集到的图像使用加权平均法对RGB三个颜色通道的像素值进行灰度化处理:
f(x,y)=0.11R(x,y)+0.59G(x,y)+0.3B(x,y)
并用直方图均衡化进行灰度增强。将非均匀概率密度函数Pr(r)用函数变换s转化为均匀概率分布pr(S)。当采集图像的总像素数为n,分为L个灰度级,nk代表第k个灰度级出现的数量,则第k个灰度级出现的概率为:
此时,变换函数可以表示为:
步骤三、因为绝大部分噪声信号服从高斯分布,本发明使用统计滤波中的高斯滤波对灰度化后的图片进行空间域上的图像进行去噪。给定频域滤波器,可对其进行傅里叶逆变换得到对应的空域滤波器,实际上空域滤波器就是一个带着权重的窗口,即高斯卷积核(边长含奇数个像素点的正方形模板)。若卷积窗口的大小为(2k+1)×(2k+1),高斯核中(i,j)中心位置处像素值的计算公式为:
本发明考虑到外围权重较低,对于标准差的影响较小,使用的高斯核为:
步骤四、采集图像一般为变电站开关设备箱体玻璃,图像中有明显的圆型区域,本发明提出基于霍夫梯度法的方法找圆,检测分割隔离开关图像的圆形区域。第一步根据每个点的模向量来找到圆心,;第二步根据所有找到可能圆心的边缘非零像素对其的支持程度来确定半径。具体算法流程如下:
阶段0:对输入图像用sobel算子进行边缘检测,通过图形梯度(圆形的梯度即其法线)确定圆周线。
阶段1:在二维霍夫空间内,绘出所有图形的梯度直线,某坐标点上投票值越大,其作为圆心的概率越高。
阶段2:设定一个阈值,霍夫空间内累加和大于该阈值的点就对应于圆心。
阶段3:计算每一个圆心到其周线的距离,这些距离中数值相等且数量远大于其他距离的数目的值,就是该像素值所谓圆心对应的圆的半径的值。
阶段4:分别定义最大半径和最小半径两个阈值,达到本发明在步骤四中粗定位的要求。
步骤五、对粗定位分割的图像进行OSTU阈值化操作,采集图像的像素点总数为i,素点灰度值的集合为Gi,所有像素点的灰度均值Gm为随机灰度T区分对象和背景,区分出所有对象像素点的数量为a,集合为Gia,平均灰度Ga为/>所有对象像素点的个数为b,集合为Gib,平均灰度Gb为/>定义对象像素点和总像素点的比值Pa;背景像素点和总像素点的比值Pb,类间方差的定义ICV为:
ICV=Pa×(Ga-Gm)2+Pb×(Gb-Gm)2
T的灰度取值范围为0至255,而最佳阈值则是遍历所有T的取值,并计算的值,遍历完毕时记录的最大的T的取值即为最佳阈值。
步骤六、用图像开闭环运算去除一些空间域滤波无法处理的大型椒盐噪声,具体操作是若目标像素是对象像素,则判断该像素点是否与背景像素接触,若不接触,则不做修改;反之,则将该像素的值修改为背景像素的值。膨胀算法思路类似。开运算和闭运算是膨胀和腐蚀的结合运算。
步骤七、精确定位,用两遍扫描法做基于联通域的目标分割,得到只包含字符信息的图像。第一遍扫描中,算法遍历每个像素。检查其左侧和上方的相邻像素。把这些像素的标签分配给当前像素。第二遍扫描中,算法逐个遍历每个像素。它检查当前像素的标签并赋予一个相同的标记。如果标签是联合查找结构中的“根”,它将转到下一个像素。否则,它将跟踪到父级的链接,直到到达根。一旦到达根,它就会将该标签分配给当前像素。
步骤六、用K3M骨架算法提取字符骨架信息,其算法流程如下:
阶段0:标记对象的边界像素。
阶段1:删除邻域中有3个相邻对象像素点的边界像素。
阶段2:删除邻域中3或4个相邻对象像素点的边界像素。
阶段3:删除邻域中有3、4或5个相邻对象像素点的边界像素。
阶段4:删除邻域中有3、4、5或6个相邻对象像素点的边界像素。
阶段5:删除邻域中有3、4、5、6或7个相邻对象像素点的边界像素。
阶段6:取消剩余标记的边界像素。
迭代条件:如果在当前的迭代中做了任何修改,返回到阶段0。本发明在K3M算法计算机实现中,为了降低其时间复杂度,以下述方法做出优化,把每一个修改像素设定了一个重要的基本属性——邻域权值。用于快速确定其邻域构形。它是一个8位的二进制数,代表十进制中的0至255,从修改像素上面的像素开始,顺时针方向。使用邻域位置矩阵计算权重,其计算公式为:
式中,f(x,y)是像素(x,y)的邻域权值,G(x,y)是图像像素在坐标(x,y)处的二值值。
步骤八、对状态字符骨架信息用SURF特征匹配算法提取特征,算法流程为:
阶段0:构造Hessian矩阵,计算其特征值:
H矩阵的特征值如下,如果像素点是极值点,则这个像素点是特征点。
阶段1:构造高斯金字塔,首先计算兴趣点周围半径为6s的圆形邻域内x和y方向上的Haar小波响应,在s尺度处检测兴趣点。
阶段2:定位特征点。先用变换矩阵求得一个初始特征点集,再采用维线性插值法得到亚像素级的特征点,最后再与阈值相比较,得到特征最强的少数点。
阶段3:构造特征描述子。计算出小波响应,以兴趣点为中心用高斯加权。求所有响应之和的最大值,即每个滑动窗口的小波响应。从这两个水平和垂直方向,计算求和响应,然后得到一个局部方向向量。兴趣点的方向可以通过找到所有窗口上的最长向量来定义将区域等分成16个子区域,然后计算25个特征点的水平和垂直方向的小波特征,此时得到一个4维描述符向量:
V=(∑dx,Σdy,|∑dx,|,|∑dy|)
与同样提取骨架信息的模板图像进行特征匹配,识别开关设备的翻字牌状态。也就是寻找模板图像和待测图像相同的特征点。通过K临近值(KNN)算法查找距离最近的特征点对。即对一个待匹配的特征点,通过欧式距离计算出K个与该点距离相近的特征点。本发明K定为1,即相似度最高的进行匹配。当两张图匹配点数量大于预设值数量的时候,匹配成功。
实施例二:
本实施例提供一种面向变电站设备开关状态装置识别系统,所述系统包括:
数据采集与传输模块:搭载高清摄像头的智能巡视设备进行图像采集,通过5G网络传输至云服务器;
数据加工模块:进行数据处理部分,所述数据加工包括图像预处理、图像特征提取及特征匹配方法,将采集到的图像求得特征点后,与模板图像的特征点进行匹配,并计算匹配点的数量,得到识别结果。
数据云储存模块:将所识别的一次设备状态存储于云端数据库;
人机交互模块:搭建内部网络界面,获取云存储模块中的数据,监测一次设备状态变化。
实施例的装置可用于执行实施例一所述的方法。
实施例三:
本实施例提供一种面向变电站设备开关状态装置识别系统,所述系统包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例一所述方法的步骤。
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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)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(系统)、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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于图像识别技术的变电站设备状态识别方法,其特征在于,包括以下步骤:
获取采集的设备翻字牌的图像;
对所述采集的设备翻字牌的图像进行图像处理,定位设备翻字牌的位置,得到处理后的图像;
对所述处理后的图像进行字符区域的精确定位,得到字符分合图像;
基于所述字符分合图像,利用K3M骨架提取字符特征,得到状态字符骨架信息;
对状态字符骨架信息用SURF特征匹配算法提取特征,获得采集到的图像的特征点,并将采集到的图像的特征点与模板图像的特征点进行匹配,得到识别结果。
2.根据权利要求1所述的基于图像识别技术的变电站设备状态识别方法,其特征在于,获取采集的设备翻字牌的图像,包括:
对变电站室内气体绝缘金属封闭开关设备的翻字牌状态,用巡视设备搭载的摄像机进行图像采集,经由网络上传图像。
3.根据权利要求2所述的基于图像识别技术的变电站设备状态识别方法,其特征在于,对所述采集的设备翻字牌的图像进行图像处理,定位设备翻字牌的位置,包括灰度化、线性变换、图像去噪技术和霍夫梯度法处理;
霍夫梯度法处理,包括:
根据每个点的模向量来找到圆心,并根据所有找到可能圆心的边缘非零像素对其的支持程度来确定半径,包括:
阶段0:对输入图像用sobel算子进行边缘检测,通过图形梯度(圆形的梯度即其法线)确定圆周线;
阶段1:在二维霍夫空间内,绘出所有图形的梯度直线,某坐标点上投票值越大,其作为圆心的概率越高;
阶段2:设定一个阈值,霍夫空间内累加和大于该阈值的点就对应于圆心;
阶段3:计算每一个圆心到其周线的距离,这些距离中数值相等且数量远大于其他距离的数目的值,就是该像素值所谓圆心对应的圆的半径的值;
阶段4:分别定义最大半径和最小半径两个阈值,达到粗定位的要求。
4.根据权利要求1所述的基于图像识别技术的变电站设备状态识别方法,其特征在于,对所述处理后的图像进行字符区域的精确定位,得到字符分合图像,包括图像阈值化、形态学开闭合运算和目标分割。
5.根据权利要求4所述的基于图像识别技术的变电站设备状态识别方法,其特征在于,图像阈值化,包括:
对粗定位分割的图像进行OSTU阈值化操作,采集图像的像素点总数为i,素点灰度值的集合为Gi,所有像素点的灰度均值Gm为随机灰度T区分对象和背景,区分出所有对象像素点的数量为a,集合为Gia,平均灰度Ga为/>所有对象像素点的个数为b,集合为Gib,平均灰度Gb为/> 定义对象像素点和总像素点的比值Pa;背景像素点和总像素点的比值Pb,类间方差的定义ICV为:
ICV=Pa×(Ga-Gm)2+Pb×(Gb-Gm)2
T的灰度取值范围为0至255,而最佳阈值则是遍历所有T的取值,并计算的值,遍历完毕时记录的最大的T的取值即为最佳阈值;
形态学开闭合运算,包括:
若目标像素是对象像素,则判断该像素点是否与背景像素接触,若不接触,则不做修改;反之,则将该像素的值修改为背景像素的值;
目标分割,包括:
用两遍扫描法做基于联通域的目标分割,得到只包含字符信息的图像;
第一遍扫描中,算法遍历每个像素;检查其左侧和上方的相邻像素;把这些像素的标签分配给当前像素;
第二遍扫描中,算法逐个遍历每个像素;检查当前像素的标签并赋予一个相同的标记;如果标签是联合查找结构中的“根”,转到下一个像素;否则,跟踪到父级的链接,直到到达根;
一旦到达根,将该标签分配给当前像素。
6.根据权利要求1所述的基于图像识别技术的变电站设备状态识别方法,其特征在于,基于所述字符分合图像,利用K3M骨架提取字符特征,得到状态字符骨架信息,包括:
阶段0:标记对象的边界像素;
阶段1:删除邻域中有3个相邻对象像素点的边界像素;
阶段2:删除邻域中3或4个相邻对象像素点的边界像素;
阶段3:删除邻域中有3、4或5个相邻对象像素点的边界像素;
阶段4:删除邻域中有3、4、5或6个相邻对象像素点的边界像素;
阶段5:删除邻域中有3、4、5、6或7个相邻对象像素点的边界像素;
阶段6:取消剩余标记的边界像素;
迭代条件:如果在当前的迭代中做了任何修改,返回到阶段0;把每一个修改像素设定了一个重要的基本属性:邻域权值;其是一个8位的二进制数,代表十进制中的0至255,从修改像素上面的像素开始,顺时针方向;使用邻域位置矩阵计算权重,其计算公式为:
式中,f(x,y)是像素(x,y)的邻域权值,G(x,y)是图像像素在坐标(x,y)处的二值。
7.根据权利要求1所述的基于图像识别技术的变电站设备状态识别方法,其特征在于,对状态字符骨架信息用SURF特征匹配算法提取特征,获得采集到的图像的特征点,并将采集到的图像的特征点与模板图像的特征点进行匹配,得到识别结果,包括:
阶段0:构造Hessian矩阵,计算其特征值:
H矩阵的特征值如下,如果像素点是极值点,则这个像素点是特征点;
阶段1:构造高斯金字塔:计算兴趣点周围半径为6s的圆形邻域内x和y方向上的Haar小波响应,在s尺度处检测兴趣点;
阶段2:定位特征点;先用变换矩阵求得一个初始特征点集,再采用维线性插值法得到亚像素级的特征点,最后再与阈值相比较,得到特征最强的少数点;
阶段3:构造特征描述子:计算出小波响应,以兴趣点为中心用高斯加权;求所有响应之和的最大值,即每个滑动窗口的小波响应;从这两个水平和垂直方向,计算求和响应,然后得到一个局部方向向量;
将采集到的图像的特征点与模板图像的特征点进行匹配,寻找模板图像和待测图像相同的特征点,通过K临近值算法查找距离最近的特征点对,通过欧式距离计算出K个与该点距离相近的特征点,相似度最高的进行匹配;
当两张图匹配点数量大于预设值数量的时候,匹配成功。
8.一种面向变电站设备开关状态装置识别系统,其特征在于,所述系统包括:
数据采集与传输模块:用于对所述采集的设备翻字牌的图像进行图像处理,定位设备翻字牌的位置,得到处理后的图像;
定位模块:用于对所述处理后的图像进行字符区域的精确定位,得到字符分合图像;
特征提取模块:用于基于所述字符分合图像,利用K3M骨架提取字符特征,得到状态字符骨架信息;
特征匹配模块:用于对状态字符骨架信息用SURF特征匹配算法提取特征,获得采集到的图像的特征点,并将采集到的图像的特征点与模板图像的特征点进行匹配,得到识别结果。
9.根据权利要求8所述的基于图像识别技术的变电站设备状态识别系统,其特征在于,所述数据采集与传输模块中搭载有高清摄像头的智能巡视设备进行图像采集,通过5G网络传输至云服务器;
所述系统还包括:
数据云储存模块:用于将所识别的一次设备状态存储于云端数据库;
人机交互模块:搭建有内部网络界面,用于获取云存储模块中的数据,监测一次设备状态变化。
10.一种面向变电站设备开关状态装置识别系统,其特征在于,所述系统包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177550.XA CN116311201A (zh) | 2023-02-28 | 2023-02-28 | 一种基于图像识别技术的变电站设备状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177550.XA CN116311201A (zh) | 2023-02-28 | 2023-02-28 | 一种基于图像识别技术的变电站设备状态识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116311201A true CN116311201A (zh) | 2023-06-23 |
Family
ID=86829888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310177550.XA Withdrawn CN116311201A (zh) | 2023-02-28 | 2023-02-28 | 一种基于图像识别技术的变电站设备状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311201A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351499A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市铁越电气有限公司 | 一种分合指示状态识别方法、系统、计算机设备和介质 |
CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及系统 |
-
2023
- 2023-02-28 CN CN202310177550.XA patent/CN116311201A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351499A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市铁越电气有限公司 | 一种分合指示状态识别方法、系统、计算机设备和介质 |
CN117351499B (zh) * | 2023-12-04 | 2024-02-02 | 深圳市铁越电气有限公司 | 一种分合指示状态识别方法、系统、计算机设备和介质 |
CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及系统 |
CN117522281B (zh) * | 2024-01-05 | 2024-04-16 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108256394B (zh) | 一种基于轮廓梯度的目标跟踪方法 | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN108009551B (zh) | 适用于电力作业机器人的电力刀闸分合位状态识别方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN105354866A (zh) | 一种多边形轮廓相似度检测方法 | |
CN110991448A (zh) | 电力设备铭牌图像的文本检测方法及装置 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN104036523A (zh) | 一种基于SURF特征的改进Mean Shift的目标跟踪方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN110321890B (zh) | 一种电力巡检机器人的数字仪表识别方法 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
Wang et al. | Vehicle license plate recognition based on wavelet transform and vertical edge matching | |
CN110569848A (zh) | 一种电力设备铭牌的特征提取方法及系统 | |
Yuan et al. | Fast QR code detection based on BING and AdaBoost-SVM | |
CN117765287A (zh) | 一种结合lwr和密度聚类的图像目标提取方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230623 |
|
WW01 | Invention patent application withdrawn after publication |