CN110674808A - 一种变电站压板状态智能识别方法及装置 - Google Patents
一种变电站压板状态智能识别方法及装置 Download PDFInfo
- Publication number
- CN110674808A CN110674808A CN201910799175.6A CN201910799175A CN110674808A CN 110674808 A CN110674808 A CN 110674808A CN 201910799175 A CN201910799175 A CN 201910799175A CN 110674808 A CN110674808 A CN 110674808A
- Authority
- CN
- China
- Prior art keywords
- image
- pressing plate
- plate image
- transformer substation
- pressure plate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003825 pressing Methods 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000013515 script Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
一种变电站压板状态智能识别方法及装置,包括以下步骤:确定变电站保护屏柜压板图像;将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。本发明可以实现对变电站压板状态的智能识别,识别准确率较高,能有效提升变电站运检工作效率。
Description
技术领域
本发明属于电力***自动化技术领域,涉及变电站保护压板,尤其是一种变电站压板状态智能识别方法及装置。
背景技术
随着电网规模不断扩大,智能电网进程不断加快,电网运维面临着设备增多,但人员数量不断下降的挑战。压板投切、压板定期位置核对性检查等工作,均需要运维人员到达现场,现有运维手段已不能满足电网智能化的需求。
变电站保护压板在布局上高度密集性、在功能上集成复合性等特点,并且由于不同场所的硬压板颜色、形状、及不规则的颜色、数目等组合,使得本就比较密集的图像组合变得更加复杂,导致其对人员依赖性比较强。在实际工作中,为了加强运维现场管理,防止压板投切错误引发设备事故,会在压板下方贴上状态标签和保护名称标签,这些措施一定程度上较少误操作次数,但其效果具有一定局限性,人为误操作仍然存在。
发明内容
本发明的目的在于克服现有技术的不足,提供一种变电站压板状态智能识别方法及装置,能够减轻变电站运维人员工作负担,减少误操作次数。
本发明解决其技术问题是采取以下技术方案实现的:
一种变电站压板状态智能识别方法,包括以下步骤:
确定变电站保护屏柜压板图像;
将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;
利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。
而且,所述确定变电站保护屏柜压板图像的具体方法为:
采用智能变电站巡检机器人预设时间内拍摄的压板图像,作为变电站保护屏柜压板图像。
而且,在所述将压板图像与预先确定的模板图像进行匹配之前,进一步包括:
在所述压板图像存在倾斜时,对所述变电站保护屏柜压板图像进行透视变换,得到矫正后的压板图像。
而且,所述对变电站保护屏柜压板图像进行透视变换的具体步骤包括:
将压板图像进行全局二值化处理;
利用HoughLinesP直线检测将图像轮廓拟合成直线线段,利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;利用四个定点坐标做透视变换,得到矫正后的图像。
而且,在所述将压板图像与预先确定的模板图像进行匹配之前,进一步包括:
在搜集到的多个压板图像中选取压板图像作为模板图像;
确定所述模板图像中的感兴趣ROI区域,并将所述ROI区域按预设尺寸分割,记录并存储分割后的每个模版图像的切分坐标值。
而且,所述根据所述模板图像中的感兴趣ROI区域,对压板图像进行分割的具体方法为:
将多个压板图像分别按照模板图像中存储的尺寸信息进行ROI区域批量分割;
按排列顺序形成待识别单个压板图像。
而且,所述SSD深度神经网络训练模型的建立过程包括:
搜集分割后的压板图像,进行样本清洗;所述清洗后的样本各颜色压板、各开合状态压板数量均衡;
对压板图像进行标注,生成包含目标Label信息的xml文档;
利用编写的Python脚本,将所有原图及标注文档转换成TensorFlow框架下可识别的.tfrecord文件;
将所述.tfrecord文件输入至SSD深度神经网络原始模型进行训练;
当loss下降并稳定在1附近时,确定网络达到收敛,终止训练,利用编写的Python脚本将训练结果文件固化成.pb文件,形成训练好的SSD深度神经网络模型。
一种变电站压板状态智能识别装置,其特征在于:包括以下模块:
图像确定模块,用于确定变电站保护屏柜压板图像;
图像分割模块,用于将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;
状态识别模块,用于利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。
而且,所述一种变电站压板状态智能识别装置,进一步包括:
图像矫正模块,用于在所述将压板图像与预先确定的模板图像进行匹配之前,在所述压板图像存在倾斜时,对所述变电站保护屏柜压板图像进行透视变换,得到矫正后的压板图像。
而且,所述图像矫正模块,包括:
处理单元,用于将压板图像进行全局二值化处理;
拟合单元,用于利用HoughLinesP直线检测将图像轮廓拟合成直线线段;
变换单元,用于利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;利用四个定点坐标做透视变换,得到矫正后的图像。
本发明的优点和积极效果是:
本发明收集了大量智能变电站机器人拍摄的压板图像数据,利用OpenCV的全局二值化处理、HoughLinesP直线检测、透视变换以及ROI区域分割将压板图像进行前期的矫正处理,利用大量样本训练SSD神经网络模型,用于对矫正后压板图像的状态识别。本发明可以实现对变电站压板状态的智能识别,识别准确率较高,能有效提升变电站运检工作效率。
附图说明
图1是本发明的变电站压板状态智能识别流程图;
图2是本发明的压板图像全局二值化处理后灰度图;
图3是本发明的压板图像经霍夫直线检测后识别定点坐标图;
图4是本发明的压板图像样本训练SSD目标检测模型训练过程图;
图5是本发明的变电站压板状态智能识别结果图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
实施例1
一种变电站压板状态智能识别方法,如图1所示,包括以下步骤:
步骤1、确定变电站保护屏柜压板图像;
所述步骤1的确定变电站保护屏柜压板图像的具体方法为:采用智能变电站巡检机器人一段时间内拍摄的大量压板图像,作为变电站保护屏柜压板图像。
所述确定变电站保护屏柜压板图像的具体方法为:
采用智能变电站巡检机器人预设时间内拍摄的压板图像,作为变电站保护屏柜压板图像。
在本实施例中,所述步骤1中搜集变电站保护屏柜压板图像,变电站保护屏柜具有不同功能,不同屏柜的压板数量、排列方式、功能、颜色及开合状态都不相同。目前智能变电站都已配备电力巡检机器人,针对每个屏柜在固定位置、固定时间间隔进行拍照。其数据来源为某智能变电站巡检机器人一段时间内拍摄的大量压板图像。
步骤2、将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;
在所述将压板图像与预先确定的模板图像进行匹配之前,进一步包括:
在所述压板图像存在倾斜时,对所述变电站保护屏柜压板图像进行透视变换,得到矫正后的压板图像。
所述对变电站保护屏柜压板图像进行透视变换的具体步骤包括:
将压板图像进行全局二值化处理;
利用HoughLinesP直线检测将图像轮廓拟合成直线线段,利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;利用四个定点坐标做透视变换,得到矫正后的图像。
在本实施例中,所述对变电站保护屏柜压板图像进行透视变换的具体步骤包括:
(1)利用OpenCV将压板图像进行全局二值化处理,处理结果如图2所示,以方便后续对图像的轮廓处理;
(2)利用HoughLinesP直线检测将图像轮廓拟合成直线线段,通过设置相应阈值,使直线能够拟合出图像的边角情况;
在本实施例中,将minLineLength设置为10,maxLineGap设置为10,threshold设置为200,从而使直线能够很好的拟合出图像的边角情况;
(3)利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;需要选取的四个定点如图3所示,利用四个定点坐标,通过OpenCV做透视变换,得到矫正后的图像。
在所述将压板图像与预先确定的模板图像进行匹配之前,进一步包括:
在搜集到的多个压板图像中选取压板图像作为模板图像;
确定所述模板图像中的感兴趣ROI区域,并将所述ROI区域按预设尺寸分割,记录并存储分割后的每个模版图像的切分坐标值。
在本实施例中,拍摄并选取一张压板图像作为模板图像,按尺寸选取待识别压板区域,通过人工操作将正向无倾斜的压板图像中压板的ROI区域按固定尺寸分割,记录并存储分割的每个压板的尺寸信息,即:每个压板的切分坐标值。
所述根据所述模板图像中的感兴趣ROI区域,对压板图像进行分割的具体方法为:
将多个压板图像分别按照模板图像中存储的尺寸信息进行ROI区域批量分割;
按排列顺序形成待识别单个压板图像。
在本实施例中,将透视变换后的多个压板图像分别按照得到的模板图像中存储的尺寸信息(即:切分坐标值)进行ROI区域批量分割后,按排列顺序形成待识别单个压板图像。
步骤3、利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。
所述SSD深度神经网络训练模型的建立过程包括:
搜集分割后的压板图像,进行样本清洗;所述清洗后的样本各颜色压板、各开合状态压板数量均衡;
对压板图像进行标注,生成包含目标Label信息的xml文档;
利用编写的Python脚本,将所有原图及标注文档转换成TensorFlow框架下可识别的.tfrecord文件;
将所述.tfrecord文件输入至SSD深度神经网络原始模型进行训练;
当loss下降并稳定在1附近时,确定网络达到收敛,终止训练,利用编写的Python脚本将训练结果文件固化成.pb文件,形成训练好的SSD深度神经网络模型。
在本实施例中,所述步骤3具体包括以下步骤:
(1)搜集分割好的压板图像,进行样本清洗,使各颜色压板、各开合状态压板数量均衡;
(2)使用LabelImg工具,对压板图像进行标注,生成包含目标Label等信息的xml文档;
(3)编写Python脚本,将所有原图及标注文档转换成TensorFlow框架下可识别的.tfrecord文件;
(4)将上一步生成的.tfrecord文件输入SSD原始模型进行训练;初始训练时学习率设为0.001,在迭代次数为10000次时,让学习率减小10倍,超参数momentum_optimizer和decay_factor分别设置为0.9和0.95,训练批量大小为32。训练过程中,采用正则化方法增加模型的泛化能力,通过样本增强手段,将训练样本由800张扩充到1600张,并保证各类型压板数量的均衡。损失函数随迭代次数变化趋势如图4所示,压板状态识别结果如图5所示。
(5)当loss下降并稳定在1附近时,认为网络达到收敛,终止训练,编写Python脚本将训练结果文件固化成.pb文件(训练好的SSD模型);
(6)在TensorFlow框架下运行训练好的SSD模型,设置相应接口输入分割好的待测试的压板图像,经模型推演,可得到该图像中压板的状态信息;
所述步骤3中采用SSD深度神经网络训练模型,使用训练好的模型识别压板状态,所述SSD算法是一种直接预测目标类别和bounding box的多目标检测算法,与faster rcnn相比,该算法没有生成proposal的过程,这就极大提高了检测速度。
在本实施例中,所述SSD模型输入为集成了图像信息和标注信息的record格式文件,输出为图像中物体类别并将其标注出来,训练过程如图4所示,通过loss值反应训练模型节点参数的拟合度以及网络模型的收敛度。
为了验证本发明提出的一种变电站压板状态智能识别方法,通过对某智能变电站机器人拍摄的压板图像进行测试,测试准确率在98%以上,部分测试结果如图5所示。
实施例2
基于同一发明构思,本发明还提供了一种变电站压板状态智能识别装置,包括以下模块:
图像确定模块,用于确定变电站保护屏柜压板图像;
图像分割模块,用于将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;
状态识别模块,用于利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。
而且,所述一种变电站压板状态智能识别装置,进一步包括:
图像矫正模块,用于在所述将压板图像与预先确定的模板图像进行匹配之前,在所述压板图像存在倾斜时,对所述变电站保护屏柜压板图像进行透视变换,得到矫正后的压板图像。
而且,所述图像矫正模块,包括:
处理单元,用于将压板图像进行全局二值化处理;
拟合单元,用于利用HoughLinesP直线检测将图像轮廓拟合成直线线段;
变换单元,用于利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;利用四个定点坐标做透视变换,得到矫正后的图像。
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、***、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(***)、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。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (10)
1.一种变电站压板状态智能识别方法,其特征在于:包括以下步骤:
确定变电站保护屏柜压板图像;
将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;
利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。
2.根据权利要求1所述的一种变电站压板状态智能识别方法,其特征在于:所述确定变电站保护屏柜压板图像的具体方法为:
采用智能变电站巡检机器人预设时间内拍摄的压板图像,作为变电站保护屏柜压板图像。
3.根据权利要求1所述的一种变电站压板状态智能识别方法,其特征在于:在所述将压板图像与预先确定的模板图像进行匹配之前,进一步包括:
在所述压板图像存在倾斜时,对所述变电站保护屏柜压板图像进行透视变换,得到矫正后的压板图像。
4.根据权利要求3所述的一种变电站压板状态智能识别方法,其特征在于:所述对变电站保护屏柜压板图像进行透视变换的具体步骤包括:
将压板图像进行全局二值化处理;
利用HoughLinesP直线检测将图像轮廓拟合成直线线段,利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;利用四个定点坐标做透视变换,得到矫正后的图像。
5.根据权利要求1所述的一种变电站压板状态智能识别方法,其特征在于:在所述将压板图像与预先确定的模板图像进行匹配之前,进一步包括:
在搜集到的多个压板图像中选取压板图像作为模板图像;
确定所述模板图像中的感兴趣ROI区域,并将所述ROI区域按预设尺寸分割,记录并存储分割后的每个模版图像的切分坐标值。
6.根据权利要求1所述的一种变电站压板状态智能识别方法,其特征在于:所述根据所述模板图像中的感兴趣ROI区域,对压板图像进行分割的具体方法为:
将多个压板图像分别按照模板图像中存储的尺寸信息进行ROI区域批量分割;
按排列顺序形成待识别单个压板图像。
7.根据权利要求1所述的一种变电站压板状态智能识别方法,其特征在于:所述SSD深度神经网络训练模型的建立过程包括:
搜集分割后的压板图像,进行样本清洗;所述清洗后的样本各颜色压板、各开合状态压板数量均衡;
对压板图像进行标注,生成包含目标Label信息的xml文档;
利用编写的Python脚本,将所有原图及标注文档转换成TensorFlow框架下可识别的.tfrecord文件;
将所述.tfrecord文件输入至SSD深度神经网络原始模型进行训练;
当loss下降并稳定在1附近时,确定网络达到收敛,终止训练,利用编写的Python脚本将训练结果文件固化成.pb文件,形成训练好的SSD深度神经网络模型。
8.一种变电站压板状态智能识别装置,其特征在于:包括以下模块:
图像确定模块,用于确定变电站保护屏柜压板图像;
图像分割模块,用于将所述压板图像与预先确定的模板图像进行匹配,根据所述模板图像中的感兴趣ROI区域,对所述压板图像进行分割;
状态识别模块,用于利用预先训练得到的SSD深度神经网络训练模型对分割后的压板图像进行识别,得到压板状态。
9.根据权利要求8所述的一种变电站压板状态智能识别装置,其特征在于:进一步包括:
图像矫正模块,用于在所述将压板图像与预先确定的模板图像进行匹配之前,在所述压板图像存在倾斜时,对所述变电站保护屏柜压板图像进行透视变换,得到矫正后的压板图像。
10.根据权利要求9所述的一种变电站压板状态智能识别装置,其特征在于:所述图像矫正模块,包括:
处理单元,用于将压板图像进行全局二值化处理;
拟合单元,用于利用HoughLinesP直线检测将图像轮廓拟合成直线线段;
变换单元,用于利用拟合出的直线线段,通过求交点的方式得到图像的左上、左下、右上、右下四个定点坐标;利用四个定点坐标做透视变换,得到矫正后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799175.6A CN110674808A (zh) | 2019-08-28 | 2019-08-28 | 一种变电站压板状态智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799175.6A CN110674808A (zh) | 2019-08-28 | 2019-08-28 | 一种变电站压板状态智能识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674808A true CN110674808A (zh) | 2020-01-10 |
Family
ID=69075810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910799175.6A Pending CN110674808A (zh) | 2019-08-28 | 2019-08-28 | 一种变电站压板状态智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674808A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及*** |
CN112528740A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种压板状态识别方法 |
CN112528741A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种变电站压板的状态识别方法及装置 |
CN112549040A (zh) * | 2020-11-17 | 2021-03-26 | 广东电网有限责任公司中山供电局 | 压板状态巡检机器人 |
CN112700428A (zh) * | 2021-01-08 | 2021-04-23 | 北京网瑞达科技有限公司 | 一种交换机背板元件识别方法及装置 |
CN113191356A (zh) * | 2021-05-19 | 2021-07-30 | 南方电网电力科技股份有限公司 | 一种开关柜压板设备的状态识别方法及相关装置 |
CN113221687A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种压板状态识别模型的训练方法及压板状态识别方法 |
CN113822274A (zh) * | 2021-09-18 | 2021-12-21 | 国网安徽省电力有限公司检修分公司 | 保护压板状态识别方法、***、设备及存储介质 |
CN113989490A (zh) * | 2021-10-26 | 2022-01-28 | 南京国电南思科技发展股份有限公司 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314615A (zh) * | 2011-07-30 | 2012-01-11 | 山东电力研究院 | 基于变电站巡检机器人的断路器状态模板匹配识别方法 |
CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
CN108197633A (zh) * | 2017-11-24 | 2018-06-22 | 百年金海科技有限公司 | 基于TensorFlow的深度学习图像分类与应用部署方法 |
CN108573256A (zh) * | 2017-03-14 | 2018-09-25 | 山东鲁能智能技术有限公司 | 一种变电站压板设备状态识别方法及装置 |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
-
2019
- 2019-08-28 CN CN201910799175.6A patent/CN110674808A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314615A (zh) * | 2011-07-30 | 2012-01-11 | 山东电力研究院 | 基于变电站巡检机器人的断路器状态模板匹配识别方法 |
CN108573256A (zh) * | 2017-03-14 | 2018-09-25 | 山东鲁能智能技术有限公司 | 一种变电站压板设备状态识别方法及装置 |
CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
CN108197633A (zh) * | 2017-11-24 | 2018-06-22 | 百年金海科技有限公司 | 基于TensorFlow的深度学习图像分类与应用部署方法 |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069902A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 一种变电站屏柜压板识别方法及*** |
CN112528740A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种压板状态识别方法 |
CN112528741A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种变电站压板的状态识别方法及装置 |
CN112528741B (zh) * | 2020-11-06 | 2022-01-21 | 广东电网有限责任公司中山供电局 | 一种变电站压板的状态识别方法及装置 |
CN112549040A (zh) * | 2020-11-17 | 2021-03-26 | 广东电网有限责任公司中山供电局 | 压板状态巡检机器人 |
CN112700428A (zh) * | 2021-01-08 | 2021-04-23 | 北京网瑞达科技有限公司 | 一种交换机背板元件识别方法及装置 |
CN113221687A (zh) * | 2021-04-28 | 2021-08-06 | 南京南瑞继保电气有限公司 | 一种压板状态识别模型的训练方法及压板状态识别方法 |
CN113191356A (zh) * | 2021-05-19 | 2021-07-30 | 南方电网电力科技股份有限公司 | 一种开关柜压板设备的状态识别方法及相关装置 |
CN113191356B (zh) * | 2021-05-19 | 2023-01-31 | 南方电网电力科技股份有限公司 | 一种开关柜压板设备的状态识别方法及相关装置 |
CN113822274A (zh) * | 2021-09-18 | 2021-12-21 | 国网安徽省电力有限公司检修分公司 | 保护压板状态识别方法、***、设备及存储介质 |
CN113989490A (zh) * | 2021-10-26 | 2022-01-28 | 南京国电南思科技发展股份有限公司 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674808A (zh) | 一种变电站压板状态智能识别方法及装置 | |
Dong et al. | PGA-Net: Pyramid feature fusion and global context attention network for automated surface defect detection | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别*** | |
CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
CN111652225B (zh) | 基于深度学习的非侵入式摄像读取方法及*** | |
CN112183313B (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN109829458B (zh) | 实时自动生成记录***操作行为的日志文件的方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
CN115345849A (zh) | 一种基于Mask-RCNN算法的选矿摇床矿带分析模型 | |
CN113205163B (zh) | 数据标注方法及装置 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
CN110807416A (zh) | 适用于移动检测装置的数字式仪表智能识别装置及方法 | |
CN115909493A (zh) | 一种面向课堂实录视频的教师不当手势检测方法及*** | |
CN116541912A (zh) | 一种基于cad图像识别生成接线图的方法及装置 | |
CN113420839B (zh) | 用于堆叠平面目标物体的半自动标注方法及分割定位*** | |
Mou et al. | State recognition of electric control cabinet switches based on cnns | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN115471845A (zh) | 基于深度学习和OpenCV的换流站数字仪表识别方法 | |
He et al. | Contour–Context Joint Blind Image Inpainting Network for Molecular Sieve Particle Size Measurement of SEM Images | |
CN114120057A (zh) | 一种基于PaddleDetection的混淆矩阵生成方法 | |
Khrueakhrai et al. | Railway track detection based on SegNet deep learning | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和*** | |
Zhao et al. | Barcode character defect detection method based on Tesseract-OCR | |
CN113239931A (zh) | 一种物流站车牌识别的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |