CN110929707A - 一种基于图像处理的换流站扫描检测方法、***及介质 - Google Patents
一种基于图像处理的换流站扫描检测方法、***及介质 Download PDFInfo
- Publication number
- CN110929707A CN110929707A CN201910940544.9A CN201910940544A CN110929707A CN 110929707 A CN110929707 A CN 110929707A CN 201910940544 A CN201910940544 A CN 201910940544A CN 110929707 A CN110929707 A CN 110929707A
- Authority
- CN
- China
- Prior art keywords
- image
- converter station
- image processing
- monitoring
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000003702 image correction Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 238000002955 isolation Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/087—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices for sensing other physical parameters, e.g. electrical or chemical properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1689—Teleoperation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的换流站扫描检测方法、***及介质，将换流站现场显示屏的实时照片经过一系列的图像处理过程获取数据检测结果，可最终会被显示在手机及电脑客户端，能够完全不影响换流站现有监控***的工作、确实换流站现有监控***内外网隔离情况下即可实现监控数据的网络化输出，防止换流站现有监控***因为网络数据输出而暴露安全漏洞，为换流站人工智能监控提供了一种新型思路，在减少人工成本的同时，保证了监测的准确性，有利于换流站安全稳定运行，不仅适用于各换流站监视报警，还可广泛应用于除换流站以外的电力***的许多场景。
Description
技术领域
本发明属于换流站故障检测领域，具体涉及一种基于图像处理的换流站扫描检测方法、***及介质。
背景技术
随着信息技术的快速发展以及社会对公共安全的日益关注，智能扫描监控***已经在国防军事、交通监控、敏感重要场合以及普通民用领域得到了广泛应用。智能扫描监控***的快速发展带来的海量信息已经超出了人力的处理能力范围，智能化将是智能扫描技术发展的必然趋势。
当前的智能扫描技术经历十几年的发展总体上已日趋成熟，但仍然还处在一个静态扫描阶段，主要存在两方面不足：一是静态扫描，二是分析评估功能较弱。从驱动IC的输出脚到像素点之间实行“点对点”的控制叫做静态驱动，也称静态扫描，传统的静态扫描分析都是基于语法解析或者编译器，这些方式分析代码的缺陷是以代码所匹配的规则模式(patterns)去评估代码，只要模式匹配或者相似就报出来，需要人工去分辨出其中的真假。在小量的代码前提下，简单的代码将不是问题，也是可以接受的，但是，如果是大量的代码，复杂的代码，传统的扫描技术将几乎不可行，因为它将大量浪费开发和安全审计人员的时间，有时人眼也无能为力。
现阶段换流站的长期安全稳定运行需要工作人员的长期实时监测，发现了报警信息需要及时处理，在一天的时间里，严重的故障信息只有少数几条甚至没有，但需要有工作人员全程在现场监视，这花费了巨大的工作代价，浪费了大量的人员精力。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于图像处理的换流站扫描检测方法、***及介质，将换流站现场显示屏的实时照片经过一系列的图像处理过程获取数据检测结果，可最终会被显示在手机及电脑客户端，能够完全不影响换流站现有监控***的工作、确实换流站现有监控***内外网隔离情况下即可实现监控数据的网络化输出，防止换流站现有监控***因为网络数据输出而暴露安全漏洞，为换流站人工智能监控提供了一种新型思路，在减少人工成本的同时，保证了监测的准确性，有利于换流站安全稳定运行，不仅适用于各换流站监视报警，还可广泛应用于除换流站以外的电力***的许多场景。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于图像处理的换流站扫描检测方法，实施步骤包括：
1)获取换流站的监控中心显示屏的监控图像；
2)对监控图像进行图像预处理、图像矫正、图像去噪、提取边缘信息，所述图像预处理具体是指进行图像灰度化处理；
3)对监控图像进行字符分割和字符识别获得检测结果。
可选地，步骤3)获得检测结果之后还包括进行预警检测的步骤，详细步骤包括：针对检测结果中的每一种数据，从预设的预警门槛值数据库中找出对应的预警门槛值，并判断该数据是否超出对应的预警门槛值，如果超出对应的预警门槛值则向指定的移动终端设备或者监控中心推送报警消息。
可选地，步骤1)获取换流站的监控中心显示屏的监控图像具体是指通过机械臂上安装有摄像头的移动小车实现的，所述移动小车沿着监控中心显示屏附近地面或台面上铺设一条轨道运动以调节监控中心显示屏的拍摄角度以实现画面质量调节。
可选地，步骤2)中的图像矫正具体是指采用逆向映射法进行矫正，所述采用逆向映射法进行矫正是指通过目标图像的坐标推导得出相应原图像的坐标，并用线性插值法对非整数坐标点的灰度进行判定，实现对失真图像进行非线性的矫正；其中非整数坐标点的灰度如下式所示：
上式中，y为非整数坐标点的灰度，(x0,y0)、(x1,y1)为已知坐标，(x,y)为[x0,x1]区间内的某一数值，α表示为插值系数。
可选地，步骤2)中的图像去噪具体是指采用均值滤波法对图像去噪，且采用均值滤波法对图像去噪的函数表达式如下式所示：
g(x,y)＝1/m∑f(x,y)
上式中，g(x,y)为处理后图像在像素点上的灰度，m为去噪图像模板中包含当前像素在内的像素总个数，f(x,y)为原始图像在像素点上的灰度。
可选地，步骤2)中的提取边缘信息具体是指采用sobel算子提取图像边缘信息，且sobel算子如下式所示：
上式中，Gx表示横向边缘检测图像；Gy表示为纵向边缘检测图像；G表示梯度大小；θ表示梯度方向。
可选地，步骤3)的详细步骤包括：
3.1)选用数学形态学方法对监控图像进行膨胀运算，将图像分割为几个连通的区域，并进行标记完成标签定位；
3.2)对确定下来的连通区域进行字符分割，利用垂直投影法进行分割，将监控图像所有行灰度值累加，采用自适应阈值分割找出最佳的阈值分割点，将灰度图像转化为二值图像，最后利用水平垂直投影法找出字符与字符之间的边界点，从而分割出每一种数据字符；
3.3)将每一种数据的字符使用机器学习模型进行识别，得到每一种数据的检测结果。
可选地，步骤3.3)之前还包括训练机器学习模型的步骤，详细步骤包括：
S1)获取换流站的监控中心显示屏的监控图像样本；
S2)对监控图像样本进行样本扩充，所述扩充包括旋转、倾斜、变形、添加噪声、宽度变化中的一种或多种；
S3)对样本后的监控图像样本进行图像预处理、图像矫正、图像去噪、提取边缘信息，所述图像预处理具体是指进行图像灰度化处理；
S4)选用数学形态学方法对监控图像进行膨胀运算，将图像分割为几个连通的区域，并进行标记完成标签定位；
S5)对确定下来的连通区域进行字符分割，利用垂直投影法进行分割，将监控图像所有行灰度值累加，采用自适应阈值分割找出最佳的阈值分割点，将灰度图像转化为二值图像，最后利用水平垂直投影法找出字符与字符之间的边界点，从而分割出每一种数据字符，针对分割出每一种数据字符设定标签，从而建立训练数据集；
S6)通过训练数据集完成对机器学习模型的训练。
此外，本发明还提供一种基于图像处理的换流站扫描检测***，包括机械臂上安装有摄像头的移动小车，所述移动小车中设有控制终端，所述控制终端包括数据采集模块、微处理器、通讯模块以及电源模块，所述摄像头通数据采集模块和微处理器相连，所述微处理器和通讯模块相连，所述电源模块分别与数据采集模块、微处理器、通讯模块、摄像头相连，所述微处理器被编程或配置以执行所述基于图像处理的换流站扫描检测方法的步骤，或所述微处理器的存储介质上存储有被编程或配置以执行所述基于图像处理的换流站扫描检测方法的计算机程序。
此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述基于图像处理的换流站扫描检测方法的计算机程序。
和现有技术相比，本发明具有下述优点：
本发明将换流站现场显示屏的实时照片经过一系列的图像处理过程获取数据检测结果，可最终会被显示在手机及电脑客户端，能够完全不影响换流站现有监控***的工作、确实换流站现有监控***内外网隔离情况下即可实现监控数据的网络化输出，防止换流站现有监控***因为网络数据输出而暴露安全漏洞，为换流站人工智能监控提供了一种新型思路，在减少人工成本的同时，保证了监测的准确性，有利于换流站安全稳定运行，不仅适用于各换流站监视报警，还可广泛应用于除换流站以外的电力***的许多场景。
附图说明
图1为本发明实施例方法的基本流程图。
图2为本发明实施例的主视(面对被监控显示屏)结构示意图。
图3为本发明实施例的侧视结构示意图。
图4为本发明实施例的俯视结构示意图。
图5为本发明实施例中按钮触动装置的结构示意图。
具体实施方式
如图1所示，本实施例基于图像处理的换流站扫描检测方法的实施步骤包括：
1)获取换流站的监控中心显示屏的监控图像；
2)对监控图像进行图像预处理、图像矫正、图像去噪、提取边缘信息，图像预处理具体是指进行图像灰度化处理以减少图像的数据处理量；
3)对监控图像进行字符分割和字符识别获得检测结果。
本实施例中，步骤1)获取换流站的监控中心显示屏的监控图像具体是指通过机械臂上安装有摄像头的移动小车实现的，移动小车沿着监控中心显示屏附近地面或台面上铺设一条轨道运动以调节监控中心显示屏的拍摄角度以实现画面质量调节。移动小车在上来回移动，扫描摄像头则不断的拍摄现场显示屏。
如图2、图3和图4所示，本实施例步骤1)中获取换流站的监控中心显示屏的监控图像的设备(智能监控机器人)包括轨道1和具有在轨道1上行走功能的移动小车2，移动小车2内部设有控制组件，移动小车2上设有用于监控变电站主控室运行数据屏幕的图像采集装置3，移动小车2还连接有用于触控变电站主控室运行数据屏幕的调节按钮的按钮触动装置4，图像采集装置3、按钮触动装置4均与控制组件相连。本实施例的移动小车2上设有用于监控变电站主控室运行数据屏幕的图像采集装置3，能够在不干涉变电站主控***实现内外网隔离的前提下，可通过摄像头监控变电站主控室运行数据屏幕来实现数据的采集。本实施例包括轨道1和行走在轨道1上的移动小车2，因此可以根据需要调整移动小车在轨道上的位置，从而可以克服光照对变电站主控室运行数据屏幕的干扰，确保对变电站主控室运行数据屏幕的图像采集质量。本实施例移动小车2还连接有用于触控变电站主控室运行数据屏幕的调节按钮的按钮触动装置4，通过调节按钮的按钮触动装置4一方面可以对变电站主控室运行数据屏幕的亮度、对比度更信息进行调整，确保对变电站主控室运行数据屏幕的图像采集质量；另一方面还可以根据需要控制变电站主控室运行数据屏幕的开关状态来实现节能。
本实施例中，控制组件包括依次连接的电源模块、控制器和数据通信模块，图像采集装置3、按钮触动装置4均与控制器相连。
如图2所示，移动小车2的底部设有行走轮21及用于控制行走轮21运动的行走电机，行走轮21布置在轨道1上，行走轮21带有制动器22，行走电机、制动器22均与控制组件的输出端相连，通过上述结构能够方便地控制移动小车2在轨道1上的行走和制动，且通过制动器22可以方便控制移动小车2驻停，确保成像质量；本实施例中制动器22具体采用HDDDWX微型电磁刹车。
如图3所示，图像采集装置3包括机械臂组件31和安装在机械臂组件31端部的摄像头32，使得摄像头32能够调节至合适的位置，确保对变电站主控室运行数据屏幕的图像采集质量。本实施例中，机械臂组件31包括多段依次铰接机械臂，机械臂组件31和移动小车2之间设有转动驱动舵机，且相邻的机械臂之间设有转动驱动舵机，转动驱动舵机和控制组件的输出端相连，摄像头32的输出端与控制组件相连。
如图3所示，机械臂组件31的端部还设有红外测距传感器阵列33，红外测距传感器阵列33包括多个红外测距传感器，红外测距传感器的输出端均与控制组件相连。通过红外测距传感器阵列33可以方便地扫描变电站主控室运行数据屏幕，从而根据变电站主控室运行数据屏幕对红外线的阻挡情况即可确定变电站主控室运行数据屏幕的屏幕中心的精确位置。
为了增加行走在轨道1上的移动小车2相对变电站主控室运行数据屏幕的角度，减少移动小车2的行程，如图4所示，轨道1为弧形轨道，变电站主控室运行数据屏幕位于弧形轨道的圆心侧方向，从而可以最大减少移动小车2的行程，且确保移动小车2相对变电站主控室运行数据屏幕的距离变化更小，有利于快速调节图像采集质量。
如图5所示，按钮触动装置4包括带有夹持槽41的底座42，底座42上位于夹持槽41的至少一侧的侧壁上设有夹持螺栓43，底座42上位于夹持槽41的一侧设有沿夹持槽41的长度方向布置的滑槽44，滑槽44的一侧设有直线往复电机45，直线往复电机45的滑块451的中部设有贯穿的通孔，滑块451上安装有伸缩电机46，伸缩电机46的伸缩轴插设布置在通孔中且其端部安装有用于触控变电站主控室运行数据屏幕的调节按钮的按压头，直线往复电机45、伸缩电机46的控制端分别和控制组件的输出端相连。按钮触动装置4的工作原理如下：预先将夹持槽41套在变电站主控室运行数据屏幕的底部合适高度，使得滑槽44和变电站主控室运行数据屏幕的底部调节按钮在同一高度上，然后(通过夹持螺栓43表面的内六角)调节两侧夹持螺栓43使其夹紧变电站主控室运行数据屏幕，实现在变电站主控室运行数据屏幕上的安装固定。在摄像头32的监控下，通过直线往复电机45可以将滑块451滑动到对应变电站主控室运行数据屏幕的指定的调节按钮的上方，然后通过伸缩电机46做功使得按压头伸出即可触控变电站主控室运行数据屏幕的调节按钮，一方面可以对变电站主控室运行数据屏幕的亮度、对比度更信息进行调整，确保对变电站主控室运行数据屏幕的图像采集质量；另一方面还可以根据需要控制变电站主控室运行数据屏幕的开关状态来实现节能，且伸缩电机46可以出发多个调节按钮，使用灵活方便。
由于屏幕在成像时存在失真和噪点较多情况，本实施例步骤2)中的图像矫正具体是指采用逆向映射法进行矫正，所述采用逆向映射法进行矫正是指通过目标图像的坐标推导得出相应原图像的坐标，并用线性插值法对非整数坐标点的灰度进行判定，实现对失真图像进行非线性的矫正；其中非整数坐标点的灰度如下式所示：
上式中，y为非整数坐标点的灰度，(x0,y0)、(x1,y1)为已知坐标，(x,y)为[x0,x1]区间内的某一数值，α表示为插值系数。
为了实现图像平滑效果，本实施例步骤2)中的图像去噪具体是指采用均值滤波法对图像去噪，且采用均值滤波法对图像去噪的函数表达式如下式所示：
g(x,y)＝1/m∑f(x,y)
上式中，g(x,y)为处理后图像在像素点上的灰度，m为去噪图像模板中包含当前像素在内的像素总个数，f(x,y)为原始图像在像素点上的灰度。
本实施例中，步骤2)中的提取边缘信息具体是指采用sobel算子提取图像边缘信息，且sobel算子如下式所示：
上式中，Gx表示横向边缘检测图像；Gy表示为纵向边缘检测图像；G表示梯度大小；θ表示梯度方向。
本实施例中，步骤2)中进行图像灰度化处理选择加权平均值法，表达式如下：
上式中，R、G、B分别代表红、绿、蓝三种基本颜色，WR、WG、WB分别为R、G、B的权值。
本实施例中，步骤3)的详细步骤包括：
3.1)选用数学形态学方法对监控图像进行膨胀运算，将图像分割为几个连通的区域，并进行标记完成标签定位；本实施例中，膨胀计算具体表达式如下：
上式中，A、B表示两个不同结构；(x,y)表示为图像像元。该式子表示用结构B膨胀A，将结构元素B的原点平移到图像像元(x，y)位置。如果B在图像像元(x，y)处与A的交集不为空(也就是B中为1的元素位置上对应A的图像值至少有一个为1)，则输出图像对应的像元(x，y)赋值为1，否则赋值为0。
3.2)对确定下来的连通区域进行字符分割，利用垂直投影法进行分割，将监控图像所有行灰度值累加，采用自适应阈值分割(OTSU，又称大津法)找出最佳的阈值分割点，将灰度图像转化为二值图像，最后利用水平垂直投影法找出字符与字符之间的边界点，从而分割出每一种数据字符；
3.3)将每一种数据的字符使用机器学习模型进行识别，得到每一种数据的检测结果。
本实施例中，步骤3.2)中利用垂直投影法进行分割的详细步骤包括：
3.2.1)根据完成标签定位得到定位后只有字符的换流站显示屏图像，通过计算得到列方向上具有的像素值总数，并对其做垂直投影；
3.2.2)选取一个较小的像素和阈值，扫描图像找到文字的左端，然后根据换流站显示屏自身的高宽比例，找到文字的右端；
3.2.3)重复步骤3.2.2)方法依次切分出换流站显示屏中的其他字符，完成字符左右边界的确定存放在设定好的数组里；
3.2.4)对步骤3.2.3)切分后的字符做水平投影，找到字符的上下边界；
3.2.5)输出标准字符子图(前面的步骤得到字符数组其元素的大小不一并且对于不同的字符识别库所用字符大小尺寸并不统一)。
本实施例中，步骤3.3)之前还包括训练机器学习模型的步骤，详细步骤包括：
S1)获取换流站的监控中心显示屏的监控图像样本；
S2)对监控图像样本进行样本扩充，所述扩充包括旋转、倾斜、变形、添加噪声、宽度变化中的一种或多种；
S3)对样本后的监控图像样本进行图像预处理、图像矫正、图像去噪、提取边缘信息，所述图像预处理具体是指进行图像灰度化处理；
S4)选用数学形态学方法对监控图像进行膨胀运算，将图像分割为几个连通的区域，并进行标记完成标签定位；
S5)对确定下来的连通区域进行字符分割，利用垂直投影法进行分割，将监控图像所有行灰度值累加，采用自适应阈值分割找出最佳的阈值分割点，将灰度图像转化为二值图像，最后利用水平垂直投影法找出字符与字符之间的边界点，从而分割出每一种数据字符，针对分割出每一种数据字符设定标签，从而建立训练数据集；
S6)通过训练数据集完成对机器学习模型的训练。
本实施例中，步骤3)获得检测结果之后还包括进行预警检测的步骤，详细步骤包括：针对检测结果中的每一种数据，从预设的预警门槛值数据库中找出对应的预警门槛值，并判断该数据是否超出对应的预警门槛值，如果超出对应的预警门槛值则向指定的移动终端设备或者监控中心推送报警消息。
此外，本实施例还提供一种基于图像处理的换流站扫描检测***，包括机械臂上安装有摄像头的移动小车，移动小车中设有控制终端，控制终端包括数据采集模块、微处理器、通讯模块以及电源模块，摄像头通数据采集模块和微处理器相连，微处理器和通讯模块相连，电源模块分别与数据采集模块、微处理器、通讯模块、摄像头相连，微处理器被编程或配置以执行基于图像处理的换流站扫描检测方法的步骤，或微处理器的存储介质上存储有被编程或配置以执行基于图像处理的换流站扫描检测方法的计算机程序。
本实施例中，摄像头包括面扫相机、线扫相机、配套光源，面扫相机、线扫相机、配套光源的选择需要根据实际情况确定。本***面扫相机选用320万像素(2048*1080)高速相机，精度可达0.03mm/Pixel、帧率预计可达70fps及以上，如DALSA G2-GM10-T1921，光源选用环形无影光源，照射面积大、体积小、光照均匀性好。线扫相机选用水平分辨率2048、垂直分辨率2、行频100KHZ的线扫相机；精度可达0.03mm/Pixel、帧率预计可达30fps及以上，如DALSA P4-CM-02K10D，光源选用高亮线性光源，照度强、光照均匀性好。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述基于图像处理的换流站扫描检测方法的计算机程序。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于图像处理的换流站扫描检测方法，其特征在于实施步骤包括：
1)获取换流站的监控中心显示屏的监控图像；
2)对监控图像进行图像预处理、图像矫正、图像去噪、提取边缘信息，所述图像预处理具体是指进行图像灰度化处理；
3)对监控图像进行字符分割和字符识别获得检测结果。
2.根据权利要求1所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤3)获得检测结果之后还包括进行预警检测的步骤，详细步骤包括：针对检测结果中的每一种数据，从预设的预警门槛值数据库中找出对应的预警门槛值，并判断该数据是否超出对应的预警门槛值，如果超出对应的预警门槛值则向指定的移动终端设备或者监控中心推送报警消息。
3.根据权利要求1所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤1)获取换流站的监控中心显示屏的监控图像具体是指通过机械臂上安装有摄像头的移动小车实现的，所述移动小车沿着监控中心显示屏附近地面或台面上铺设一条轨道运动以调节监控中心显示屏的拍摄角度以实现画面质量调节。
4.根据权利要求1所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤2)中的图像矫正具体是指采用逆向映射法进行矫正，所述采用逆向映射法进行矫正是指通过目标图像的坐标推导得出相应原图像的坐标，并用线性插值法对非整数坐标点的灰度进行判定，实现对失真图像进行非线性的矫正；其中非整数坐标点的灰度如下式所示：
上式中，y为非整数坐标点的灰度，(x0,y0)、(x1,y1)为已知坐标，(x,y)为[x0,x1]区间内的某一数值，α表示为插值系数。
5.根据权利要求1所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤2)中的图像去噪具体是指采用均值滤波法对图像去噪，且采用均值滤波法对图像去噪的函数表达式如下式所示：
g(x,y)＝1/m∑f(x,y)
上式中，g(x,y)为处理后图像在像素点上的灰度，m为去噪图像模板中包含当前像素在内的像素总个数，f(x,y)为原始图像在像素点上的灰度。
6.根据权利要求1所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤2)中的提取边缘信息具体是指采用sobel算子提取图像边缘信息，且sobel算子如下式所示：
上式中，Gx表示横向边缘检测图像；Gy表示为纵向边缘检测图像；G表示梯度大小；θ表示梯度方向。
7.根据权利要求1所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤3)的详细步骤包括：
3.1)选用数学形态学方法对监控图像进行膨胀运算，将图像分割为几个连通的区域，并进行标记完成标签定位；
3.2)对确定下来的连通区域进行字符分割，利用垂直投影法进行分割，将监控图像所有行灰度值累加，采用自适应阈值分割找出最佳的阈值分割点，将灰度图像转化为二值图像，最后利用水平垂直投影法找出字符与字符之间的边界点，从而分割出每一种数据字符；
3.3)将每一种数据的字符使用机器学习模型进行识别，得到每一种数据的检测结果。
8.根据权利要求7所述的基于图像处理的换流站扫描检测方法，其特征在于，步骤3.3)之前还包括训练机器学习模型的步骤，详细步骤包括：
S1)获取换流站的监控中心显示屏的监控图像样本；
S2)对监控图像样本进行样本扩充，所述扩充包括旋转、倾斜、变形、添加噪声、宽度变化中的一种或多种；
S3)对样本后的监控图像样本进行图像预处理、图像矫正、图像去噪、提取边缘信息，所述图像预处理具体是指进行图像灰度化处理；
S4)选用数学形态学方法对监控图像进行膨胀运算，将图像分割为几个连通的区域，并进行标记完成标签定位；
S5)对确定下来的连通区域进行字符分割，利用垂直投影法进行分割，将监控图像所有行灰度值累加，采用自适应阈值分割找出最佳的阈值分割点，将灰度图像转化为二值图像，最后利用水平垂直投影法找出字符与字符之间的边界点，从而分割出每一种数据字符，针对分割出每一种数据字符设定标签，从而建立训练数据集；
S6)通过训练数据集完成对机器学习模型的训练。
9.一种基于图像处理的换流站扫描检测***，其特征在于，包括机械臂上安装有摄像头的移动小车，所述移动小车中设有控制终端，所述控制终端包括数据采集模块、微处理器、通讯模块以及电源模块，所述摄像头通数据采集模块和微处理器相连，所述微处理器和通讯模块相连，所述电源模块分别与数据采集模块、微处理器、通讯模块、摄像头相连，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述基于图像处理的换流站扫描检测方法的步骤，或所述微处理器的存储介质上存储有被编程或配置以执行权利要求1～8中任意一项所述基于图像处理的换流站扫描检测方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～8中任意一项所述基于图像处理的换流站扫描检测方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910940544.9A CN110929707A (zh) | 2019-09-30 | 2019-09-30 | 一种基于图像处理的换流站扫描检测方法、***及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910940544.9A CN110929707A (zh) | 2019-09-30 | 2019-09-30 | 一种基于图像处理的换流站扫描检测方法、***及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929707A true CN110929707A (zh) | 2020-03-27 |
Family
ID=69848876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910940544.9A Pending CN110929707A (zh) | 2019-09-30 | 2019-09-30 | 一种基于图像处理的换流站扫描检测方法、***及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929707A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113524194A (zh) * | 2021-04-28 | 2021-10-22 | 重庆理工大学 | 基于多模特征深度学习的机器人视觉抓取***的目标抓取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130089263A1 (en) * | 2011-10-11 | 2013-04-11 | Tandent Vision Science, Inc. | System and method for digital image signal compression using intrinsic images |
| CN103886294A (zh) * | 2014-03-24 | 2014-06-25 | 北京国网富达科技发展有限责任公司 | 基于图像的换流站用避雷器动作次数的识别方法以及*** |
| CN105321289A (zh) * | 2015-12-04 | 2016-02-10 | 中国建筑设计院有限公司 | 一种全天候监控图像智能分析与报警***与方法 |
| CN108573261A (zh) * | 2018-04-17 | 2018-09-25 | 国家电网公司 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
| CN207965544U (zh) * | 2017-12-06 | 2018-10-12 | 中国能源建设集团云南省电力设计院有限公司 | 一种智能变电站设备故障预警机制 |
| CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
-
2019
- 2019-09-30 CN CN201910940544.9A patent/CN110929707A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130089263A1 (en) * | 2011-10-11 | 2013-04-11 | Tandent Vision Science, Inc. | System and method for digital image signal compression using intrinsic images |
| CN103886294A (zh) * | 2014-03-24 | 2014-06-25 | 北京国网富达科技发展有限责任公司 | 基于图像的换流站用避雷器动作次数的识别方法以及*** |
| CN105321289A (zh) * | 2015-12-04 | 2016-02-10 | 中国建筑设计院有限公司 | 一种全天候监控图像智能分析与报警***与方法 |
| CN207965544U (zh) * | 2017-12-06 | 2018-10-12 | 中国能源建设集团云南省电力设计院有限公司 | 一种智能变电站设备故障预警机制 |
| CN108573261A (zh) * | 2018-04-17 | 2018-09-25 | 国家电网公司 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
| CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113524194A (zh) * | 2021-04-28 | 2021-10-22 | 重庆理工大学 | 基于多模特征深度学习的机器人视觉抓取***的目标抓取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108827316B (zh) | 基于改进的Apriltag标签的移动机器人视觉定位方法 | |
| CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN106157310B (zh) | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 | |
| CN107014294B (zh) | 一种基于红外图像的接触网几何参数检测方法及*** | |
| CN104050446B (zh) | 一种基于指针宽度特征的仪表指针图像识别方法 | |
| CN112304954A (zh) | 一种基于线激光扫描及机器视觉的零件表面缺陷检测方法 | |
| CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及*** | |
| CN106663322B (zh) | 用于识别图像中的特征的方法和装置 | |
| CN106707674A (zh) | 投影设备的自动对焦方法及投影设备 | |
| CN106952280B (zh) | 一种基于计算机视觉的喷枪喷漆量均匀度检测方法 | |
| CN106250820B (zh) | 一种基于图像处理的扶梯口客流拥堵检测方法 | |
| CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
| CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
| CN108921881A (zh) | 一种基于单应性约束的跨摄像头目标跟踪方法 | |
| CN105893944A (zh) | 深度信息静态手势分割方法 | |
| CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
| CN109584258A (zh) | 草地边界识别方法及应用其的智能割草装置 | |
| CN109190742A (zh) | 一种基于灰度特征的编码特征点的解码方法 | |
| CN110929707A (zh) | 一种基于图像处理的换流站扫描检测方法、***及介质 | |
| CN103533332B (zh) | 一种2d视频转3d视频的图像处理方法 | |
| CN109658441A (zh) | 基于深度信息的前景检测方法及装置 | |
| CN110644334B (zh) | 路面三维纹理形貌的检测方法、检测***及存储介质 | |
| KR101733028B1 (ko) | 영상대조에 따른 에지 변위량 예측 방법 | |
| CN106599889A (zh) | 一种识别字符的方法和装置 | |
| CN213196231U (zh) | 一种焊缝跟踪机器人 |
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: 20200327 |
|
| RJ01 | Rejection of invention patent application after publication |