CN106599865A - 刀闸状态识别装置与方法 - Google Patents
刀闸状态识别装置与方法 Download PDFInfo
- Publication number
- CN106599865A CN106599865A CN201611189903.4A CN201611189903A CN106599865A CN 106599865 A CN106599865 A CN 106599865A CN 201611189903 A CN201611189903 A CN 201611189903A CN 106599865 A CN106599865 A CN 106599865A
- Authority
- CN
- China
- Prior art keywords
- disconnecting link
- matrix
- principal component
- mapping
- real time
- 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
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种刀闸状态识别装置与方法,涉及电力行业调度领域。该刀闸状态识别装置与方法通过利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态,并且从而使得对刀闸实时状态识别的精确度高,获得刀闸实时状态可靠性高,参考价值高。
Description
技术领域
本发明涉及电力行业调度领域,具体而言,涉及一种刀闸状态识别装置与方法。
背景技术
随着国家电网公司智能电网建设的开展,现有配电网电力调度、数据校验和辅助决策不能完成支持精益化管理需求,某些以人工操作和确认为主的调度手段,容易产生错误以至发生安全事故。在智能变电站建设的大背景下,变电站内建设了视频辅助监控***,实现了变电站内主要一次设备的远程监控,采用基于机器视觉的高级智能信息监测技术的应用有助于减少因人员疏忽带来的设备损失,降低操作人员安全风险。
现有技术中的对刀闸实时状态分析为:将采集到的刀闸实时图像利用卷积神经网络的深度学习算法来进行图像特征分析。卷积神经网络算法从输入到输出有多层的网络结构,需要大量的多样性的数据样本,一旦数据样本不足,算法的优势便无法体现,反而如此深的网络结构很容易造成过拟合而无法获得高判别率。而在刀闸的实际所处环境中,无法获取足够的多样性的刀闸样本,并且刀闸样本间具有很强的同质性,这使得卷积神经网络的缺点将会被放大,从而使得对刀闸实时状态识别的精确度低,获得刀闸实时状态可靠性差,参考价值低。
发明内容
有鉴于此,本发明实施例的目的在于提供一种刀闸状态识别装置与方法,以改善上述问题。
第一方面,本发明实施例提供了一种刀闸状态识别装置,所述刀闸状态识别装置包括:
信息收发单元,用于接收一图像采集装置发送的刀闸实时图像;
目标区域识别单元,用于对刀闸实时图像的目标区域进行识别;
图像特征提取单元,用于利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;
刀闸实时状态确定单元,用于依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态。
第二方面,本发明实施例还提供了一种刀闸状态识别方法,所述刀闸状态识别方法包括:
接收一图像采集装置发送的刀闸实时图像;
对刀闸实时图像的目标区域进行识别;
利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;
依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态。
与现有技术相比,本发明提供的一种刀闸状态识别装置与方法,通过利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态,并且从而使得对刀闸实时状态识别的精确度高,获得刀闸实时状态可靠性高,参考价值高。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
图1为本发明实施例提供的服务器分别遥控终端、智能终端的交互示意图;
图2为本发明实施例提供的服务器的结构框图;
图3为本发明实施例提供的刀闸状态识别装置的功能模块示意图;
图4为本发明实施例提供的图像特征提取单元的子单元示意图;
图5为本发明实施例提供的刀闸状态识别方法的流程图;
图6为本发明实施例提供的步骤504的具体步骤的流程图。
图标:100-服务器;200-遥控终端;300-智能终端;101-刀闸状态识别装置;102-处理器;103-存储器;104-存储控制器;105-外设接口;301-信息收发单元;302-目标区域识别单元;303-图像特征提取单元;304-刀闸实时状态确定单元;305-判断单元;306-故障提示信息生成单元;401-第一去均值块矩阵获得子单元;402-第一特征矩阵获得子单元;403-第二去均值块矩阵获得子单元;404-第二特征矩阵获得子单元;405-哈希编码子单元;406-块扩展直方图特征获取子单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
本发明实施例所提供的刀闸状态识别装置与方法可应用于如图1所示的应用环境中。如图1所示,服务器100、遥控终端200以及智能终端300位于网络中,通过该网络服务器100、遥控终端200以及智能终端300进行数据交互。如图2所示,是所述服务器300的方框示意图。
本发明实施例提出的刀闸状态识别装置与方法,提供了一种刀闸状态识别装置与方法,该刀闸状态识别装置与方法可适用于服务器100。该服务器100可以是,但不限于,网络服务器、数据库服务器、云端服务器等等。
如图1所示,是所述服务器100的方框示意图。所述服务器100包括刀闸状态识别装置101、处理器102、存储器103、存储控制器104及外设接口105。
所述存储器103、存储控制器104及处理器102,各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述光学遥感图像目标区域检测装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器103中或固化在所述服务器100的操作***(operating system,OS)中的软件功能模块。所述处理器102用于执行存储器103中存储的可执行模块,例如,所述光学遥感图像目标区域检测装置包括的软件功能模块或计算机程序。
其中,存储器103可以是,但不限于,随机存取存储器103(Random Access Memory,RAM),只读存储器103Read Only Memory,ROM),可编程只读存储器103(ProgrammableRead-Only Memory,PROM),可擦除只读存储器103(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器103(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器103用于存储程序,所述处理器102在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的服务器100所执行的方法可以应用于处理器102中,或者由处理器102实现。
处理器102可能是一种集成电路芯片,具有信号的处理能力。上述的处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器102也可以是任何常规的处理器102等。
所述外设接口105将各种输入/输入装置耦合至处理器102以及存储器103。在一些实施例中,外设接口105,处理器102以及存储控制器104可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
请参阅图3,本发明实施例提供的一种刀闸状态识别装置101,所述刀闸状态识别装置101包括信息收发单元301、目标区域识别单元302、图像特征提取单元303、刀闸实时状态确定单元304、判断单元305以及故障提示信息生成单元306。
所述信息收发单元301还用于接收一遥控终端200发送的调度指令,其中,所述调度指令包括有刀闸期望状态。
例如,工作人员手持遥控终端200向刀闸发送闭合的调度指令,该调度指令包括的刀闸期望状态为闭合状态。
所述信息收发单元301用于接收一图像采集装置发送的刀闸实时图像以及装置身份信息。
其中,图像采集装置可以为高清摄像头,刀闸实时图像所处的刀闸实时状态包括但不限于有分开状态、闭合状态以及接地状态。
所述目标区域识别单元302用于对刀闸实时图像的目标区域进行识别。
具体地,可利用图像识别算法对刀闸实时图像的目标区域进行识别,其中,刀闸实时图像的目标区域包括刀闸的旋钮的位置。
所述图像特征提取单元303用于利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取。
具体地,如图4所示,所述图像特征提取单元303包括:
第一去均值块矩阵获得子单元401,用于对所述刀闸实时图像的目标区域的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵。
具体地,对于刀闸实时图像的目标区域的中的每个像素,在每个像素周围进行一次k1×k2的块采样(这里采样是逐个像素进行的,因此是完全的覆盖式采样),并将每个块都进行去均值处理,收集刀闸实时图像的目标区域所有的块即对每个块都进行去均值处理,得到矩阵作为第i张刀闸实时图像的目标区域Ii的第一层主成分分析网络映射的第一去均值块矩阵,对所有刀闸实时图像的目标区域进行相同的处理,进行级联,最终得到所有刀闸实时图像的目标区域的第一去均值块矩阵:
第一特征矩阵获得子单元402,用于对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器,依据所述第一滤波器对所述刀闸实时图像的目标区域进行卷积处理,从而获得第一层主成分分析映射的第一特征矩阵。
假定在第i层的第一层主成分分析映射的滤波器数量为ni,由于主成分分析映射的目的是寻找一系列标准正交矩阵来最小化重构误差,而这个问题的求解就是经典的主成分分析,即矩阵X的协方差矩阵XXT的前ni个主特征向量,因此第一层主成分分析映射的第一滤波器表示如下:
其中,是将向量映射成矩阵的函数,el(XXT)表示协方差矩阵XXT的第l个主特征向量。公式的含义就是提取X的协方差矩阵的前n1个主特征向量来组成第一层主成分分析映射的第一层主成分分析滤波器,依据所述第一滤波器对刀闸实时图像的目标区域进行卷积处理,从而获得第一层主成分分析映射的第一特征矩阵。
第二去均值块矩阵获得子单元403,用于对每个所述第一特征矩阵进行块采样并去平均值,获得第二层主成分分析映射的第二去均值块矩阵。
具体地,将第一层主成成分分析输出的所有第一特征矩阵再次进行主成分分析映射。首先输出的每个第一特征矩阵通过算式
进行二维卷积映射。需要说明的是,在进行二维卷积映射之前,需要进行边缘补零操作,以保证映射结果与原图像的尺寸相同(因为卷积操作会导致尺寸变小)。对二维卷积映射块后的每个第一特征矩阵进行块采样、去均值、级联得到第二层主成分分析映射的第二去均值块矩阵
第二特征矩阵获得子单元404,用于对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器,依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理,从而获得第二层主成分分析映射的第二特征矩阵。
具体地,第二滤波器同样通过选取协方差矩阵YYT对应的主特征向量来组成,因此此时的第二滤波器表示如下:
假设进行第一层主成分分析映射时有n1个第一滤波器,第一层主成分分析时输出n1个输出矩阵,第二层主成分分析针对每个第一特征矩阵,都会产生n2个输出矩阵。对于每个疑似候选区域,第二层主成分分析输出n1n2个第二特征矩阵,第二特征矩阵可以用于下式表示:
哈希编码子单元405,用于对所述第二特征矩阵进行二值化处理并进行哈希编码。
首先取输出的每个第二特征矩阵,进行二值化处理,再对二值化处理后的每个第二特征矩阵利用算式进行哈希编码从而获得哈希编码后的整值矩阵,编码位数与第二滤波器个数相同。
块扩展直方图特征提取子单元,用于对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图,连接所有块内的直方图从而提取所述刀闸实时图像的目标区域的块扩展直方图特征。
经过上述二值化、哈希编码处理,每个哈希编码后的第二特征矩阵均被转换成整值矩阵接下来,将每个整值矩阵分为B块,计算统计每个块的直方图信息,再将各个块的直方图特征进行级联,记为最终得到所有整值矩阵的块扩展直方图特征Fi,其中,
所述刀闸实时状态确定单元304用于依据预先训练得到的支持向量机对提取到的块扩展直方图特进行分类,从而确定刀闸实时状态。
所述刀闸实时状态确定单元304用于依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态。
具体地,将得到的块直方图扩展特征输入SVM分离器优化函数从而确定刀闸实时状态,其中,f(x)表示刀闸实时状态的分类结果,b是分类阈值,可以用任一个支持向量求得,或通过两类中任意一对支持向量取中值求得。
所述判断单元305用于判断确定出的刀闸实时状态是否与刀闸期望状态一致。
故障提示信息生成单元306用于若确定出的刀闸实时状态与刀闸期望状态不一致,生成故障提示信息。
具体地,若先前工作人员手持遥控终端200向刀闸发送闭合的调度指令,在刀闸正常运行的情况,刀闸应该依据调度指令执行闭合的操作,从而使得刀闸状态达到闭合状态,从而使得确定出的刀闸实时状态与刀闸期望状态一致。若确定出的刀闸实时状态与刀闸期望状态不一致时,说明对刀闸的调度出现的故障,故障提示信息生成单元306故障提示信息,从而告知工作人员即可维修。
所述信息收发单元301还用于将所述故障提示信息发送至与所述装置身份信息关联的智能终端300。
由于不同的工作室的刀闸的管理维修人员不同,因此对采集刀闸的图像的每个图像采集装置均赋予身份信息,当其中一个刀闸的调度出现故障时,将将所述故障提示信息发送至与所述装置身份信息关联的智能终端300,从而达到通知该工作室的刀闸的管理维修人员的目的。
请参阅图5,本发明实施例还提供了一种刀闸状态识别方法,需要说明的是,本实施例所提供的刀闸状态识别方法,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述实施例中的相应内容。所述刀闸状态识别方法包括:
步骤S501:接收一遥控终端200发送的调度指令。
其中,所述调度指令包括有刀闸期望状态。可以理解地,利用信息收发单元301执行步骤S501。
步骤S502:接收一图像采集装置发送的刀闸实时图像以及装置身份信息。
其中,所述刀闸实时状态包括有分开状态、闭合状态以及接地状态。可以理解地,利用信息收发单元301执行步骤S502。
步骤S503:对刀闸实时图像的目标区域进行识别。
可以理解地,利用目标区域识别单元302执行步骤S503。
步骤S504:利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取。
可以理解地,利用图像特征提取单元303执行步骤S504。
具体地,如图6所示,步骤S504包括:
步骤S5041:对所述刀闸实时图像的目标区域的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵。
可以理解地,利用第一去均值块矩阵获得子单元401单元执行步骤S5041。
步骤S5042:对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器,依据所述第一滤波器对所述刀闸实时图像的目标区域进行卷积处理,从而获得第一层主成分分析映射的第一特征矩阵。
可以理解地,利用第一特征矩阵获得子单元402执行步骤S5042。
步骤S5043:对每个所述第一特征矩阵进行块采样并去平均值,获得第二层主成分分析映射的第二去均值块矩阵。
可以理解地,利用第二去均值块矩阵获得子单元403执行步骤S5043。
步骤S5044:对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器,依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理,从而获得第二层主成分分析映射的第二特征矩阵。
可以理解地,利用第二特征矩阵获得单元执行步骤S5044。
步骤S5045:对所述第二特征矩阵进行二值化处理并进行哈希编码。
可以理解地,利用哈希编码子单元405执行步骤S5045。
步骤S5046:对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图,连接所有块内的直方图从而提取所述刀闸实时图像的目标区域的块扩展直方图特征。
可以理解地,利用块直方图特征提取子单元406执行步骤S5046。
步骤S505:依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态。
可以理解地,利用刀闸实时状态确定单元304执行步骤S505。
具体地,步骤S505包括依据预先训练得到的支持向量机对提取到的块扩展直方图特进行分类,从而确定刀闸实时状态。
步骤S506:判断确定出的刀闸实时状态是否与刀闸期望状态一致;如果否,则执行步骤S507。
可以理解地,利用判断单元305执行步骤S506。
步骤S507:生成故障提示信息。
可以理解地,利用故障提示信息单元执行步骤S507。
步骤S508:将所述故障提示信息发送至与所述装置身份信息关联的智能终端300。
可以理解地,利用信息收发单元301执行步骤S508。
综上所述,本发明实施例提供的一种刀闸状态识别装置与方法,通过利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态,并且从而使得对刀闸实时状态识别的精确度高,获得刀闸实时状态可靠性高,参考价值高。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种刀闸状态识别装置,其特征在于,所述刀闸状态识别装置包括:
信息收发单元,用于接收一图像采集装置发送的刀闸实时图像;
目标区域识别单元,用于对刀闸实时图像的目标区域进行识别;
图像特征提取单元,用于利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;
刀闸实时状态确定单元,用于依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态。
2.根据权利要求1所述的刀闸状态识别装置,其特征在于,所述图像特征提取单元包括:
第一去均值块矩阵获得子单元,用于对所述刀闸实时图像的目标区域的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵;
第一特征矩阵获得子单元,用于对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器,依据所述第一滤波器对所述刀闸实时图像的目标区域进行卷积处理,从而获得第一层主成分分析映射的第一特征矩阵;
第二去均值块矩阵获得子单元,用于对每个所述第一特征矩阵进行块采样并去平均值,获得第二层主成分分析映射的第二去均值块矩阵;
第二特征矩阵获得子单元,用于对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器,依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理,从而获得第二层主成分分析映射的第二特征矩阵;
哈希编码子单元,用于对所述第二特征矩阵进行二值化处理并进行哈希编码;
块扩展直方图特征提取子单元,用于对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图,连接所有块内的直方图从而提取所述刀闸实时图像的目标区域的块扩展直方图特征;
所述刀闸实时状态确定单元用于依据预先训练得到的支持向量机对提取到的块扩展直方图特进行分类,从而确定刀闸实时状态。
3.根据权利要求1所述的刀闸状态识别装置,其特征在于,所述信息收发单元还用于接收一遥控终端发送的调度指令,其中,所述调度指令包括有刀闸期望状态;
所述刀闸状态识别装置还包括:
判断单元,用于判断确定出的刀闸实时状态是否与刀闸期望状态一致;
故障提示信息生成单元,用于若确定出的刀闸实时状态与刀闸期望状态不一致,生成故障提示信息。
4.根据权利要求3所述的刀闸状态识别装置,其特征在于,所述信息收发单元还用于在接收一图像采集装置发送的刀闸实时图像的同时,接收所述图像采集装置发送的装置身份信息;
所述信息收发单元还用于将所述故障提示信息发送至与所述装置身份信息关联的智能终端。
5.根据权利要求1所述的刀闸状态识别装置,其特征在于,所述刀闸实时状态包括有分开状态、闭合状态以及接地状态。
6.一种刀闸状态识别方法,其特征在于,所述刀闸状态识别方法包括:
接收一图像采集装置发送的刀闸实时图像;
对刀闸实时图像的目标区域进行识别;
利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取;
依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态。
7.根据权利要求6所述的刀闸状态识别方法,其特征在于,所述利用主成分分析网络算法对所述刀闸实时图像的目标区域进行特征提取的步骤包括:
对所述刀闸实时图像的目标区域的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵;
对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器,依据所述第一滤波器对所述刀闸实时图像的目标区域进行卷积处理,从而获得第一层主成分分析映射的第一特征矩阵;
对每个所述第一特征矩阵进行块采样并去平均值,获得第二层主成分分析映射的第二去均值块矩阵;
对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器,依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理,从而获得第二层主成分分析映射的第二特征矩阵;
对所述第二特征矩阵进行二值化处理并进行哈希编码;
对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图,连接所有块内的直方图从而提取所述刀闸实时图像的目标区域的块扩展直方图特征;
所述依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态的步骤包括:依据预先训练得到的支持向量机对提取到的块扩展直方图特进行分类,从而确定刀闸实时状态。
8.根据权利要求6所述的刀闸状态识别方法,其特征在于,在所述接收一图像采集装置发送的刀闸实时图像的步骤之前,所述刀闸状态识别方法还包括:接收一遥控终端发送的调度指令,其中,所述调度指令包括有刀闸期望状态;
所述依据预先训练得到的支持向量机对提取到的特征进行分类,从而确定刀闸实时状态的步骤之后,所述刀闸状态识别方法还包括:
判断确定出的刀闸实时状态是否与刀闸期望状态一致;
若确定出的刀闸实时状态与刀闸期望状态不一致,生成故障提示信息。
9.根据权利要求8所述的刀闸状态识别方法,其特征在于,所述刀闸状态识别方法还包括:在接收一图像采集装置发送的刀闸实时图像的同时,接收所述图像采集装置发送的装置身份信息;
在所述生成故障提示信息的步骤之后,所述刀闸状态识别方法还包括:
将所述故障提示信息发送至与所述装置身份信息关联的智能终端。
10.根据权利要求6所述的刀闸状态识别方法,其特征在于,所述刀闸实时状态包括有分开状态、闭合状态以及接地状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611189903.4A CN106599865A (zh) | 2016-12-21 | 2016-12-21 | 刀闸状态识别装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611189903.4A CN106599865A (zh) | 2016-12-21 | 2016-12-21 | 刀闸状态识别装置与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106599865A true CN106599865A (zh) | 2017-04-26 |
Family
ID=58600147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611189903.4A Pending CN106599865A (zh) | 2016-12-21 | 2016-12-21 | 刀闸状态识别装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599865A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107257161A (zh) * | 2017-06-20 | 2017-10-17 | 安徽南瑞继远电网技术有限公司 | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及*** |
CN109543573A (zh) * | 2018-11-07 | 2019-03-29 | 广东电网有限责任公司 | 一种二次屏柜信息自动识别的方法 |
CN110533090A (zh) * | 2019-08-21 | 2019-12-03 | 国网江苏省电力有限公司电力科学研究院 | 开关刀闸状态检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198605A (zh) * | 2013-03-11 | 2013-07-10 | 成都百威讯科技有限责任公司 | 室内突发异常事件报警*** |
CN104200219A (zh) * | 2014-08-20 | 2014-12-10 | 深圳供电局有限公司 | 一种变电站刀闸位开关位指示自动识别方法及装置 |
CN105356619A (zh) * | 2015-12-10 | 2016-02-24 | 国网四川省电力公司天府新区供电公司 | 一种基于图像识别的变电站防误操作方法 |
CN105404867A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院自动化研究所 | 一种基于视觉的变电站隔离开关状态识别方法 |
CN105447473A (zh) * | 2015-12-14 | 2016-03-30 | 江苏大学 | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 |
CN105550709A (zh) * | 2015-12-14 | 2016-05-04 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
-
2016
- 2016-12-21 CN CN201611189903.4A patent/CN106599865A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198605A (zh) * | 2013-03-11 | 2013-07-10 | 成都百威讯科技有限责任公司 | 室内突发异常事件报警*** |
CN104200219A (zh) * | 2014-08-20 | 2014-12-10 | 深圳供电局有限公司 | 一种变电站刀闸位开关位指示自动识别方法及装置 |
CN105404867A (zh) * | 2015-11-17 | 2016-03-16 | 中国科学院自动化研究所 | 一种基于视觉的变电站隔离开关状态识别方法 |
CN105356619A (zh) * | 2015-12-10 | 2016-02-24 | 国网四川省电力公司天府新区供电公司 | 一种基于图像识别的变电站防误操作方法 |
CN105447473A (zh) * | 2015-12-14 | 2016-03-30 | 江苏大学 | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 |
CN105550709A (zh) * | 2015-12-14 | 2016-05-04 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
Non-Patent Citations (3)
Title |
---|
刘亚梅 等: "基于KPCA的工件图像特征提取研究", 《蚌埠学院学报》 * |
崔河富: "《数字图像处理与通信》", 31 August 2007 * |
王愚: "基于图像特征提取的开关安装智能纠错***的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107257161A (zh) * | 2017-06-20 | 2017-10-17 | 安徽南瑞继远电网技术有限公司 | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及*** |
CN107257161B (zh) * | 2017-06-20 | 2020-10-09 | 安徽南瑞继远电网技术有限公司 | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及*** |
CN109543573A (zh) * | 2018-11-07 | 2019-03-29 | 广东电网有限责任公司 | 一种二次屏柜信息自动识别的方法 |
CN110533090A (zh) * | 2019-08-21 | 2019-12-03 | 国网江苏省电力有限公司电力科学研究院 | 开关刀闸状态检测方法及装置 |
CN110533090B (zh) * | 2019-08-21 | 2022-07-08 | 国网江苏省电力有限公司电力科学研究院 | 开关刀闸状态检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135319A (zh) | 一种异常行为检测方法及其*** | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN109639481A (zh) | 一种基于深度学习的网络流量分类方法、***及电子设备 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN106355367A (zh) | 仓库监控管理装置 | |
CN110277833B (zh) | 变电站压板状态识别的方法及终端设备 | |
CN107911429A (zh) | 一种基于视频的无人机云端在线交通流量监测方法 | |
CN101271514A (zh) | 一种快速目标检测和目标输出的图像检测方法及装置 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN111598132B (zh) | 一种人像识别算法性能评测方法和装置 | |
CN111813997A (zh) | 入侵分析方法、装置、设备及存储介质 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN106599865A (zh) | 刀闸状态识别装置与方法 | |
CN110059635A (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN109800712A (zh) | 一种基于深度卷积神经网络的车辆检测计数方法及设备 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及*** | |
CN114151293B (zh) | 风机变桨***的故障预警方法、***、设备及存储介质 | |
CN114241522A (zh) | 现场作业安全穿戴识别方法、***、设备及存储介质 | |
CN109583396A (zh) | 一种基于cnn两阶段人体检测的区域防范方法、***以及终端 | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN116862867A (zh) | 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及*** |
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 | ||
CB02 | Change of applicant information |
Address after: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610017 No. 219 Tianfu Software Park C District 10 Building 16 layer Applicant after: Huayan Intelligent Technology (Group) Co., Ltd Address before: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610017 No. 219 Tianfu Software Park C District 10 Building 16 layer Applicant before: Sichuan Whayer Information Industry Co., Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |