CN108009541A - 一种智能变电站装置面板自动识别方法及*** - Google Patents

一种智能变电站装置面板自动识别方法及*** Download PDF

Info

Publication number
CN108009541A
CN108009541A CN201610935224.0A CN201610935224A CN108009541A CN 108009541 A CN108009541 A CN 108009541A CN 201610935224 A CN201610935224 A CN 201610935224A CN 108009541 A CN108009541 A CN 108009541A
Authority
CN
China
Prior art keywords
mrow
msub
panel
images
recognized
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.)
Granted
Application number
CN201610935224.0A
Other languages
English (en)
Other versions
CN108009541B (zh
Inventor
杨威
王化鹏
李劲松
姜峰
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.)
Harbin Institute of Technology
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
Harbin Institute of Technology
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
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 Harbin Institute of Technology, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical Harbin Institute of Technology
Priority to CN201610935224.0A priority Critical patent/CN108009541B/zh
Publication of CN108009541A publication Critical patent/CN108009541A/zh
Application granted granted Critical
Publication of CN108009541B publication Critical patent/CN108009541B/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
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种智能变电站装置面板自动识别方法及***，该方法包括下述步骤：(1)智能变电站装置面板图像信息的获取；(2)面板图像信息预处理；(3)面板特征抽取和选择；(4)设计面板元素及布局分类器；(5)视角无关的面板元素及布局分类决策。本发明可自动识别出装置面板基本要素及布局规则，从而达到装置面板布局的自动化测试。

Description

一种智能变电站装置面板自动识别方法及***
技术领域
本发明涉及一种变电站数字化测控装置统一面板识别规范性测试技术，具体涉及一种智能变电站装置面板自动识别方法及***。
背景技术
长期以来自动化设备存在生产厂商众多的问题，不同厂家装置外观尺寸、接口接线差异很大，设计、安装、维护方式互不相同，运维管理难度较大。根据统一规范数字化测控装置面板的工作要求，不同类型的装置应根据标准GB/T 19520要求，按设备类型和应用需求，针对不同类型产品规范面板基本要素及布局规则，统一装置机箱高宽度及安装接口尺寸，实现设备风格液晶面板布局,操作按键布局相对统一。
现有面板布局测试依靠人工观测及手工度量方式开展，工作效率低下。
发明内容
为解决上述现有技术中的不足，本发明的目的是提供一种智能变电站装置面板自动识别方法及***，本发明可自动识别出装置面板基本要素及布局规则，从而达到装置面板布局的自动化测试。
本发明的目的是采用下述技术方案实现的：
本发明提供一种智能变电站装置面板自动识别方法，其改进之处在于，所述方法包括下述步骤：
(1)智能变电站装置面板图像信息的获取；
(2)面板图像信息预处理；
(3)面板特征抽取和选择；
(4)设计面板元素及布局分类器；
(5)视角无关的面板元素及布局分类决策。
进一步地，所述步骤(1)中，通过手持终端设备的摄像头拍照获取智能变电站装置面板图像信息二维图像信息。
进一步地，所述步骤(2)中，对面板图像信息开展预处理，包括A\D变换，二值化处理，图像的平滑、变换、增强，恢复和滤波处理；基于不同视角的面板布局识别方法达到对不同视角面板识别的支持；根据透视投影原理，将面板元素目标模板图像T0进行仿射变换，获得在不同视角下目标面板可能的形式T，进而将标准面板元素目标生成不同视角下的模板；进而在识别过程中，分别利用不同的仿射变换模板与待识别图像I局部区域R进行匹配，识别面板布局情况。
进一步地，所述步骤(3)中，对于面板键盘、显示屏、铭牌和指示灯元素，计算链式梯度特征并进行特征抽取；
其中，将不同视角下目标面板可能的形式T和待识别图像I分解为步长4、重叠的6×6小块，按照既定空间顺序构造面板元素目标模板与待识别图像的图像块序列；
对于每一个小块，分别计算区域像素微分，每一个像素对应的微分方向获得如下：不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置(x,y)对应像素I(x,y)微分Gx(x,y)、Gy(x,y)通过卷积运算求得：
Gx(x,y)＝[-1 0 1]*I(x,y)
Gy(x,y)＝[-1 0 1]T*I(x,y)
分别计算幅值G(x,y)与方向θ(x,y)如下：
其中：x,y分别表示不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置，I(x,y)表示像素，Gx(x,y)、Gy(x,y)分别表示像素I(x,y)的微分；θ(x,y)表示像素I(x,y)对应的微分方向；
进一步获得每个小块的主体像素微分，并离散化为相邻差别为30°的12个方向；
根据获得的每一块的离散化方向进行二值化结果，按照既定空间顺序构造链表，分别建立不同视角下目标面板可能的形式T和待识别图像I局部区域R的链式梯度特征表达List(T，R)与List(I，R)。
进一步地，所述步骤(4)中，设计面板键盘、显示屏、铭牌和指示灯面板元素的分类器，即通过设计链式梯度特征表达相似性度量函数，计算不同视角下目标面板可能的形式T与待识别图像I局部区域R的链式梯度特征相似度量，将对应获得最大相似度的T的类别，作为识别面板元素的结果。
进一步地，将不同视角下目标面板可能的形式T和待识别图像I分解为步长4、重叠的6×6小块，按照既定空间顺序构造面板元素目标模板与待识别图像的图像块序列；
对于每一个小块，分别计算区域像素微分，每一个像素对应的微分方向获得如下：不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置(x,y)对应像素I(x,y)微分Gx(x,y)、Gy(x,y)通过卷积运算求得：
Gx(x,y)＝[-1 0 1]*I(x,y)
Gy(x,y)＝[-1 0 1]T*I(x,y)
分别计算幅值G(x,y)与方向θ(x,y)如下：
其中：x,y分别表示不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置，I(x,y)表示像素，Gx(x,y)、Gy(x,y)分别表示像素I(x,y)的微分；θ(x,y)表示像素I(x,y)对应的微分方向；
进一步获得每个小块的主体像素微分，并离散化为相邻差别为30°的12个方向；
根据获得的每一块的离散化方向进行二值化结果，按照既定空间顺序构造链表，分别建立T和I局部区域R的链式梯度特征表达List(T，R)与List(I，R)。
构建相似性度量函数，对于I中所有可能的局部区域R，计算不同视角下目标面板可能的形式T、待识别图像I局部区域R的链式梯度特征表达的差别，进而获得待识别图像I中，目标模板的位置；
采取渐进式的识别方式，即对于不同视角下目标面板可能的形式T、待识别图像I局部区域R，首先仅考虑有限部分图像块而不是全部图像块进行扫描，采用简化链式梯度特征表达方式，快速忽略待识别图像I中不可能的位置，获得可能的位置候选；进而递进式的增加图像块数量，提高链式梯度特征表达的描述精度，直至获得目标模板的位置。
进一步地，将图像划分成小块之后，小块中每一个像素I(x,y)对应的微分方向：
链式梯度特征表达相似性度量函数用来计算待识别图像I局部区域R与不同视角下目标面板可能的形式T之间微分特征相似的块的个数，其定义形式为：
其中，
ori(I,c+r)∈List(T,R)，ori(T,r)∈List(T,R)，ori(I,c+r)是待识别图像I在位置c+r初对应小块的离散主微分方向，ori(T,r)为不同视角下目标面板可能的形式T在位置r对应小块的离散主微分方向；c为不同视角下目标面板可能的形式T的中心点坐标，I表示待识别图像；δ表示微分特征。
进一步地，为获得链式梯度特征表达相似性度量函数对微小形变的不敏感型，进一步定义度量函数ε2形式为：
De(T,r)＝{ori(T,l):l∈maxmagk(r)∧mag(t,l)＞τ}
其中，De(T,r)表示T在每个小区域r中强度最大的微分方向的集合；ori(T,l)为T在像素l处的微分方向，值为mag(t,l)，τ为阈值，maxmagk(r)代表了块r中k个最大微分幅值的位置；
为了使链式梯度特征表达相似性度量函数获得对于整体微小平移的不敏感性，修改相似性度量函数为如下ε3形式：
其中：w(T,m)定义了不同视角下目标面板可能的形式T二维平移平移m的操作，m为二维平移变换，M为二维平移变换的变换位移集合。
进一步地，所述步骤(5)中，通过仿射变换获得面板元素不同视角下的面板元素图像的可能形式T，进而计算不同视角下的面板元素图像的可能形式T中各小块r的主导梯度方向，按照既定空间顺序构造链表，获得板元素的链式梯度特征表达；在特征空间中对面板元素对象进行分类，对于不同面板元素的不同视角下图像的可能形式T，分别计算其与待识别图像I局部区域R的链式梯度特征相似度量函数值ε3(I,T,c)，计算：
将C(T1)作为分类的结果,其中C(T1)是T1对应的面板元素的类别，与之相对应的待识别图像I局部区域R的坐标中心，作为识别出面板元素的位置；对于识别出的各面板元素在待识别图像I中的位置的集合，作为计算得到的面板布局分类结果。
本发明还提供一种智能变电站装置面板自动识别***，其改进之处在于，所述***用于对智能变电站装置面板自动识别，所述***为智能变电站装置面板检测手持终端，所述手持终端包括与智能变电站装置面板连接的用于获取智能变电站装置面板图像信息二维图像信息的摄像头、面板图像信息预处理模块、面板特征抽取和选择模块、面板元素及布局分类器和面板布局分类决策模块。
为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：
基于本自动识别方法，面板布局测试工作由手工工作转为自动化工作，从而大大提高面板布局测试工作效率。
为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。
附图说明
图1是本发明提供的智能变电站装置面板自动识别方法的结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
本发明提供一种智能变电站装置面板自动识别方法，其结构框图如图1所示，面板信息由手持终端设备的摄像头获取，图像识别核心算法装载在手持设备终端中，通过图像预处理、特征抽取、分类决策等步骤实现对装置面板目标元素的布局检测。
实施例一
本发明首次将图像识别技术引入到智能变电站装置面板元素及布局的测试工作中，其自动识别方法步骤如下：
1.装置面板信息的获取：通过手持终端设备的摄像头拍照获取智能变电站装置面板图像信息二维图像信息。
2.面板图像信息预处理：对面板图像信息开展处理，包括A\D,二值化，图象的平滑，变换，增强，恢复，滤波等。基于不同视角的面板布局识别方法达到对不同视角面板识别的支持。根据透视投影原理，将面板元素目标模板图像T进行仿射变换，获得在不同视角下目标面板可能的形式，进而将标准面板元素目标生成不同视角下的模板；进而在识别过程中，分别利用不同的仿射变换模板与待识别图像I局部区域R进行匹配，识别面板布局情况。
3.面板特征抽取和选择：对于面板键盘、显示屏、铭牌、指示灯等区域，计算链式梯度特征并进行特征抽取。
4.面板元素及布局分类器设计：设计面板键盘、显示屏、铭牌、指示灯等元素及布局分类器，链式梯度特征表达相似性度量函数。
基于链式梯度特征的鲁棒面板元素目标布局识别方法
方法的整体流程为：将面板元素目标模板图像T和输入待识别图像I分解为步长为4，重叠的6×6小块，按照既定空间顺序构造面板元素目标模板与待识别图像的图像块序列。对于每一个小块，分别计算区域像素微分；为避免采集过程中产生的噪音、面板发生形变等因素对识别结果的影响，进一步获得每个小块的主体像素微分，并离散化为相邻差别为30°的12个方向。为了保证布局识别方法对微小平移具有不敏感属性，根据获得的每一块的离散化方向进行二值化结果，按照既定空间顺序构造链表，分别建立目标模板图像T、待识别图像I局部区域R的链式梯度特征表达List(T，R)与List(I，R)。构建相似性度量函数，对于待识别图像I中所有可能的局部区域R，计算目标模板图像T、待识别图像I局部区域R的链式梯度特征表达的差别，进而获得待识别图像I中，目标模板的位置。
为了提高布局识别方法的计算速度，采取渐进式的识别方式。即对于目标模板图像T、待识别图像I局部区域R，首先仅考虑有限部分图像块而不是全部图像块进行扫描，采用简化链式梯度特征表达方式，可以快速忽略图像I中一些不可能的位置，获得可能的位置候选。进而递进式的增加图像块数量，提高链式梯度特征表达的描述精度，直至获得目标模板的精确位置。
5.视角无关的面板元素及布局分类决策：通过仿射变换设计不同视角下的面板元素模板，在特征空间中对面板元素对象进行分类，并识别出各对象相对位置。
链式梯度特征表达相似性度量函数
对于每一个小块，分别计算区域像素微分，每一个像素对应的微分方向获得如下：不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置(x,y)对应像素I(x,y)微分Gx(x,y)、Gy(x,y)通过卷积运算求得：
Gx(x,y)＝[-1 0 1]*I(x,y)
Gy(x,y)＝[-1 0 1]T*I(x,y)
分别计算幅值G(x,y)与方向θ(x,y)如下：
链式梯度特征表达相似性度量函数用来计算待识别图像I局部区域R与目标模板图像T之间微分特征相似的块的个数。其定义形式为：
其中，
ori(I,c+r)∈List(T,R)，ori(T,r)∈List(T,R)，ori(I,c+r)是待识别图像I在位置c+r初对应小块的离散主微分方向，ori(T,r)为不同视角下目标面板可能的形式T在位置r对应小块的离散主微分方向；c为不同视角下目标面板可能的形式T的中心点坐标，I表示待识别图像；δ表示微分特征。
为获得链式梯度特征表达相似性度量函数对微小形变的不敏感型，进一步定义度量函数ε2形式为：
为获得链式梯度特征表达相似性度量函数对微小形变的不敏感型，进一步定义度量函数ε2形式为：
De(T,r)＝{ori(T,l):l∈maxmagk(r)∧mag(t,l)＞τ}
其中，De(T,r)表示T在每个小区域r中强度最大的微分方向的集合；ori(T,l)为T在像素l处的微分方向，值为mag(t,l)，τ为阈值，maxmagk(r)代表了块r中k个最大微分幅值的位置；
为了使链式梯度特征表达相似性度量函数获得对于整体微小平移的不敏感性，修改相似性度量函数为如下ε3形式：
其中：w(T,m)定义了不同视角下目标面板可能的形式T二维平移平移m的操作，m为二维平移变换，M为二维平移变换的变换位移集合。
基于本自动识别方法，面板布局测试工作由手工工作转为自动化工作，从而大大提高面板布局测试工作效率。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种智能变电站装置面板自动识别方法，其特征在于，所述方法包括下述步骤：
(1)智能变电站装置面板图像信息的获取；
(2)面板图像信息预处理；
(3)面板特征抽取和选择；
(4)设计面板元素及布局分类器；
(5)视角无关的面板元素及布局分类决策。
2.如权利要求1所述的智能变电站装置面板自动识别方法，其特征在于，所述步骤(1)中，通过手持终端设备的摄像头拍照获取智能变电站装置面板图像信息二维图像信息。
3.如权利要求1所述的智能变电站装置面板自动识别方法，其特征在于，所述步骤(2)中，对面板图像信息开展预处理，包括A\D变换，二值化处理，图像的平滑、变换、增强，恢复和滤波处理；基于不同视角的面板布局识别方法达到对不同视角面板识别的支持；根据透视投影原理，将面板元素目标模板图像T0进行仿射变换，获得在不同视角下目标面板可能的形式T，进而将标准面板元素目标生成不同视角下的模板；进而在识别过程中，分别利用不同的仿射变换模板与待识别图像I局部区域R进行匹配，识别面板布局情况。
4.如权利要求1所述的智能变电站装置面板自动识别方法，其特征在于，所述步骤(3)中，对于面板键盘、显示屏、铭牌和指示灯元素，计算链式梯度特征并进行特征抽取；
其中，将不同视角下目标面板可能的形式T和待识别图像I分解为步长4、重叠的6×6小块，按照既定空间顺序构造面板元素目标模板与待识别图像的图像块序列；
对于每一个小块，分别计算区域像素微分，每一个像素对应的微分方向获得如下：不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置(x,y)对应像素I(x,y)微分Gx(x,y)、Gy(x,y)通过卷积运算求得：
Gx(x,y)＝[-1 0 1]*I(x,y)
Gy(x,y)＝[-1 0 1]T*I(x,y)
分别计算幅值G(x,y)与方向θ(x,y)如下：
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msub> <mi>G</mi> <mi>x</mi> </msub> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>G</mi> <mi>y</mi> </msub> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
<mrow> <mi>&amp;theta;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>a</mi> <mi>r</mi> <mi>c</mi> <mi>t</mi> <mi>a</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>G</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>G</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
其中：x,y分别表示不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置，I(x,y)表示像素，Gx(x,y)、Gy(x,y)分别表示像素I(x,y)的微分；θ(x,y)表示像素I(x,y)对应的微分方向；
进一步获得每个小块的主体像素微分，并离散化为相邻差别为30°的12个方向；
根据获得的每一块的离散化方向进行二值化结果，按照既定空间顺序构造链表，分别建立不同视角下目标面板可能的形式T和待识别图像I局部区域R的链式梯度特征表达List(T，R)与List(I，R)。
5.如权利要求1所述的智能变电站装置面板自动识别方法，其特征在于，所述步骤(4)中，设计面板键盘、显示屏、铭牌和指示灯面板元素的分类器，即通过设计链式梯度特征表达相似性度量函数，计算不同视角下目标面板可能的形式T与待识别图像I局部区域R的链式梯度特征相似度量，将对应获得最大相似度的T的类别，作为识别面板元素的结果。
6.如权利要求5所述的智能变电站装置面板自动识别方法，其特征在于，将不同视角下目标面板可能的形式T和待识别图像I分解为步长4、重叠的6×6小块，按照既定空间顺序构造面板元素目标模板与待识别图像的图像块序列；
对于每一个小块，分别计算区域像素微分，每一个像素对应的微分方向获得如下：不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置(x,y)对应像素I(x,y)微分Gx(x,y)、Gy(x,y)通过卷积运算求得：
Gx(x,y)＝[-1 0 1]*I(x,y)
Gy(x,y)＝[-1 0 1]T*I(x,y)
分别计算幅值G(x,y)与方向θ(x,y)如下：
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msub> <mi>G</mi> <mi>x</mi> </msub> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>G</mi> <mi>y</mi> </msub> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
<mrow> <mi>&amp;theta;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>a</mi> <mi>r</mi> <mi>c</mi> <mi>t</mi> <mi>a</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>G</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>G</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
其中：x,y分别表示不同视角下目标面板可能的形式T和待识别图像I分解得到的小块中坐标位置，I(x,y)表示像素，Gx(x,y)、Gy(x,y)分别表示像素I(x,y)的微分；θ(x,y)表示像素I(x,y)对应的微分方向；
进一步获得每个小块的主体像素微分，并离散化为相邻差别为30°的12个方向；
根据获得的每一块的离散化方向进行二值化结果，按照既定空间顺序构造链表，分别建立T和I局部区域R的链式梯度特征表达List(T，R)与List(I，R)。
构建相似性度量函数，对于I中所有可能的局部区域R，计算不同视角下目标面板可能的形式T、待识别图像I局部区域R的链式梯度特征表达的差别，进而获得待识别图像I中，目标模板的位置；
采取渐进式的识别方式，即对于不同视角下目标面板可能的形式T、待识别图像I局部区域R，首先仅考虑有限部分图像块而不是全部图像块进行扫描，采用简化链式梯度特征表达方式，快速忽略待识别图像I中不可能的位置，获得可能的位置候选；进而递进式的增加图像块数量，提高链式梯度特征表达的描述精度，直至获得目标模板的位置。
7.如权利要求6所述的智能变电站装置面板自动识别方法，其特征在于，将图像划分成小块之后，小块中每一个像素I(x,y)对应的微分方向：
<mrow> <mi>&amp;theta;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>a</mi> <mi>r</mi> <mi>c</mi> <mi>t</mi> <mi>a</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>G</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>G</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
链式梯度特征表达相似性度量函数用来计算待识别图像I局部区域R与不同视角下目标面板可能的形式T之间微分特征相似的块的个数，其定义形式为：
<mrow> <msub> <mi>&amp;epsiv;</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>T</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <mi>R</mi> </mrow> </munder> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>o</mi> <mi>r</mi> <mi>i</mi> <mo>(</mo> <mrow> <mi>I</mi> <mo>,</mo> <mi>c</mi> <mo>+</mo> <mi>r</mi> </mrow> <mo>)</mo> <mo>=</mo> <mi>o</mi> <mi>r</mi> <mi>i</mi> <mo>(</mo> <mrow> <mi>T</mi> <mo>,</mo> <mi>r</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中，
ori(I,c+r)∈List(T,R)，ori(T,r)∈List(T,R)，ori(I,c+r)是待识别图像I在位置c+r初对应小块的离散主微分方向，ori(T,r)为不同视角下目标面板可能的形式T在位置r对应小块的离散主微分方向；c为不同视角下目标面板可能的形式T的中心点坐标，I表示待识别图像；δ表示微分特征。
8.如权利要求7所述的智能变电站装置面板自动识别方法，其特征在于，为获得链式梯度特征表达相似性度量函数对微小形变的不敏感型，进一步定义度量函数ε2形式为：
<mrow> <msub> <mi>&amp;epsiv;</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>T</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <mi>R</mi> </mrow> </munder> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>o</mi> <mi>r</mi> <mi>i</mi> <mo>(</mo> <mrow> <mi>I</mi> <mo>,</mo> <mi>c</mi> <mo>+</mo> <mi>r</mi> </mrow> <mo>)</mo> <mo>&amp;Element;</mo> <mi>D</mi> <mi>e</mi> <mo>(</mo> <mrow> <mi>T</mi> <mo>,</mo> <mi>r</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
De(T,r)＝{ori(T,l):l∈maxmagk(r)^mag(t,l)＞τ}
其中，De(T,r)表示T在每个小区域r中强度最大的微分方向的集合；ori(T,l)为T在像素l处的微分方向，值为mag(t,l)，τ为阈值，maxmagk(r)代表了块r中k个最大微分幅值的位置；
为了使链式梯度特征表达相似性度量函数获得对于整体微小平移的不敏感性，修改相似性度量函数为如下ε3形式：
<mrow> <msub> <mi>&amp;epsiv;</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>T</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>max</mi> <mrow> <mi>m</mi> <mo>&amp;Element;</mo> <mi>M</mi> </mrow> </msub> <msub> <mi>&amp;epsiv;</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>w</mi> <mo>(</mo> <mrow> <mi>T</mi> <mo>,</mo> <mi>m</mi> </mrow> <mo>)</mo> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>max</mi> <mrow> <mi>m</mi> <mo>&amp;Element;</mo> <mi>M</mi> </mrow> </msub> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>r</mi> <mo>&amp;Element;</mo> <mi>R</mi> </mrow> </munder> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>o</mi> <mi>r</mi> <mi>i</mi> <mo>(</mo> <mrow> <mi>I</mi> <mo>,</mo> <mi>c</mi> <mo>+</mo> <mi>r</mi> </mrow> <mo>)</mo> <mo>&amp;Element;</mo> <mi>D</mi> <mi>e</mi> <mo>(</mo> <mrow> <mi>w</mi> <mrow> <mo>(</mo> <mrow> <mi>T</mi> <mo>,</mo> <mi>m</mi> </mrow> <mo>)</mo> </mrow> <mo>,</mo> <mi>r</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中：w(T,m)定义了不同视角下目标面板可能的形式T二维平移平移m的操作，m为二维平移变换，M为二维平移变换的变换位移集合。
9.如权利要求1所述的智能变电站装置面板自动识别方法，其特征在于，所述步骤(5)中，通过仿射变换获得面板元素不同视角下的面板元素图像的可能形式T，进而计算不同视角下的面板元素图像的可能形式T中各小块r的主导梯度方向，按照既定空间顺序构造链表，获得板元素的链式梯度特征表达；在特征空间中对面板元素对象进行分类，对于不同面板元素的不同视角下图像的可能形式T，分别计算其与待识别图像I局部区域R的链式梯度特征相似度量函数值ε3(I,T,c)，计算：
<mrow> <mi>T</mi> <mn>1</mn> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>T</mi> </munder> <msub> <mi>&amp;epsiv;</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>I</mi> <mo>,</mo> <mi>T</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> </mrow>
将C(T1)作为分类的结果,其中C(T1)是T1对应的面板元素的类别，与之相对应的待识别图像I局部区域R的坐标中心，作为识别出面板元素的位置；对于识别出的各面板元素在待识别图像I中的位置的集合，作为计算得到的面板布局分类结果。
10.一种智能变电站装置面板自动识别***，其特征在于，所述***用于对智能变电站装置面板自动识别，所述***为智能变电站装置面板检测手持终端，所述手持终端包括与智能变电站装置面板连接的用于获取智能变电站装置面板图像信息二维图像信息的摄像头、面板图像信息预处理模块、面板特征抽取和选择模块、面板元素及布局分类器和面板布局分类决策模块。
CN201610935224.0A 2016-11-01 2016-11-01 一种智能变电站装置面板自动识别方法及*** Active CN108009541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610935224.0A CN108009541B (zh) 2016-11-01 2016-11-01 一种智能变电站装置面板自动识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610935224.0A CN108009541B (zh) 2016-11-01 2016-11-01 一种智能变电站装置面板自动识别方法及***

Publications (2)

Publication Number Publication Date
CN108009541A true CN108009541A (zh) 2018-05-08
CN108009541B CN108009541B (zh) 2023-07-21

Family

ID=62047989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610935224.0A Active CN108009541B (zh) 2016-11-01 2016-11-01 一种智能变电站装置面板自动识别方法及***

Country Status (1)

Country Link
CN (1) CN108009541B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102412627A (zh) * 2011-11-29 2012-04-11 安徽继远电网技术有限责任公司 基于图像识别的智能变电站状态监控***
CN103324943A (zh) * 2013-06-18 2013-09-25 中国人民解放军第二炮兵工程大学 一种复杂设备面板图像多子区状态识别方法
US20140331198A1 (en) * 2011-11-29 2014-11-06 Siemens Aktiengesellschaft Method for designing a physical layout of a photovoltaic system
CN104392432A (zh) * 2014-11-03 2015-03-04 深圳市华星光电技术有限公司 基于方向梯度直方图的显示面板缺陷检测方法
US20150371111A1 (en) * 2014-06-20 2015-12-24 Qualcomm Incorporated Systems and methods for obtaining structural information from a digital image

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102412627A (zh) * 2011-11-29 2012-04-11 安徽继远电网技术有限责任公司 基于图像识别的智能变电站状态监控***
US20140331198A1 (en) * 2011-11-29 2014-11-06 Siemens Aktiengesellschaft Method for designing a physical layout of a photovoltaic system
CN103324943A (zh) * 2013-06-18 2013-09-25 中国人民解放军第二炮兵工程大学 一种复杂设备面板图像多子区状态识别方法
US20150371111A1 (en) * 2014-06-20 2015-12-24 Qualcomm Incorporated Systems and methods for obtaining structural information from a digital image
CN104392432A (zh) * 2014-11-03 2015-03-04 深圳市华星光电技术有限公司 基于方向梯度直方图的显示面板缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张维等: "智能变电站一次设备智能化", 《经营管理者》 *

Also Published As

Publication number Publication date
CN108009541B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Deng et al. Automatic indoor construction process monitoring for tiles based on BIM and computer vision
CN105894502B (zh) 基于超图模型的rgbd图像显著性检测方法
JP5699788B2 (ja) スクリーン領域検知方法及びシステム
US20180082178A1 (en) Information processing device
Mathavan et al. Use of a self-organizing map for crack detection in highly textured pavement images
CN103345755A (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN106127690A (zh) 一种无人机遥感图像快速拼接方法
CN109801301A (zh) 一种基于bim与计算机视觉的铺砖进度信息自动收集方法
CN108596975A (zh) 一种针对弱纹理区域的立体匹配算法
CN108876781A (zh) 基于ssd算法的表面缺陷识别方法
CN112288758B (zh) 一种电力设备红外与可见光图像配准方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN103793894A (zh) 基于云模型元胞自动机角点检测的变电站遥视图像拼接方法
CN106022337B (zh) 一种基于连续边缘特征的平面目标检测方法
CN103743750B (zh) 一种大口径光学元件表面损伤分布图的生成方法
CN102799861A (zh) 一种利用颜色快速识别仪表读数的方法
CN102509299A (zh) 基于视觉注意机制的图像显著区域检测方法
CN112561989B (zh) 一种建造场景下吊装对象的识别方法
CN108009541A (zh) 一种智能变电站装置面板自动识别方法及***
CN103208003B (zh) 一种基于几何图形特征点形状描述子的方法
CN103353984A (zh) 一种非几何约束多幅图像线段匹配的方法
CN107944340A (zh) 一种结合直接度量和间接度量的行人再识别方法
CN107248143A (zh) 一种基于图像分割的深度图像修复方法
CN109359646A (zh) 基于巡检机器人的液位型仪表识别方法
CN107465849A (zh) 影像景深测量方法以及应用该方法的影像撷取装置

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