CN111079792A - 一种电力设备识别方法及装置 - Google Patents
一种电力设备识别方法及装置 Download PDFInfo
- Publication number
- CN111079792A CN111079792A CN201911132098.5A CN201911132098A CN111079792A CN 111079792 A CN111079792 A CN 111079792A CN 201911132098 A CN201911132098 A CN 201911132098A CN 111079792 A CN111079792 A CN 111079792A
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- power equipment
- equipment
- electric power
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种电力设备识别方法及装置,包括:获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;提取所述待识别电力设备各图像区域的图像特征;基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别;本发明基于待识别电力设备的图像特征识别待识别电力设备,提高了电力设备识别的准确率和识别速度。
Description
技术领域
本发明涉及信息通信和人工智能技术领域,具体涉及一种电力设备识别方法及装置。
背景技术
在工业应用中,目标识别和检测已经成为自动驾驶、智能监控、军事侦查和内容检索等领域的核心技术,高速智能识别技术已经成为目前各大人工智能公司生产的智能设备的主要技术。传统目标识别和检测算法在某些简单应用或者特定场景中已经取得了较好的效果,但在电力场景中,电力设备容易受到光照变化、角度变化、部分遮挡、形变、模糊和背景干扰的影响,且电力设备结构复杂、类型繁多、同一种类型设备相似度高,其所处的室内外复杂环境给识别造成了较大困难,使得目标识别变得极具挑战性。
因此,本领域需要一种可以有效解决上述影响因素对目标识别和检测的影响的电力设备识别方法。
发明内容
针对现有技术的不足,本发明的目的是一种电力设备识别方法及装置,基于电力设备图像的绝对距离、颜色特征、纹理特征和形状特征进行识别,提高了电力设备识别的准确率。
本发明的目的是采用下述技术方案实现的:
本发明提供一种电力设备识别方法,其改进之处在于,所述方法包括:
获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;
提取所述待识别电力设备各图像区域的图像特征;
基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别。
优选的,在所述获取待识别电力设备的图像之后,在将所述待识别电力设备的图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法、图像复原算法和图像分割算法对待识别电力设备的图像进行预处理。
优选的,所述将所述待识别电力设备的图像分割为多个图像区域,包括:
基于预设图像区域总数N,将所述待识别电力设备的图像分割为N个图像区域。
优选的,所述图像特征包括如下种类:
颜色特征、纹理特征和形状特征。
进一步的,所述提取待识别电力设备各图像区域的图像特征,包括:
按下述方法获取待识别电力设备第i个图像区域的图像特征:
获取第i个图像区域对应的颜色直方图,将颜色直方图中各颜色占比作为所述第i个图像区域的颜色特征;
建立第i个图像区域对应的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为所述第i个图像区域的纹理特征;
利用傅里叶描述子方法获得第i个图像区域中各边界点的曲率值、质心距离和复坐标,将其作为所述第i个图像区域的形状特征;
其中,i∈[1,N],N为预设图像区域总数。
进一步的,所述基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别,包括:
根据图像特征的预设识别优先级,将待识别电力设备各图像区域的第一种类图像特征与预先构建的电力设备图像特征库中对应种类的图像特征进行匹配;
若待识别电力设备各图像区域的第一种类图像特征的匹配成功率达到预设阈值,则成功识别出所述待识别电力设备的设备ID,将未匹配成功的所述待识别电力设备相应图像区域的该种类图像特征写入电力设备图像特征库;否则继续待识别电力设备各图像区域的下一种类图像特征的匹配,直至待识别电力设备各图像区域的同一种类图像特征的匹配成功率达到预设阈值或者全部种类图像均经过特征匹配后结束识别;
若全部种类图像均经过特征匹配后,待识别电力设备各图像区域的同一种类图像特征的匹配成功率仍未达到预设阈值,则重新获取待识别电力设备的图像。
进一步的,所述成功识别出所述待识别电力设备的设备ID之后,还包括:
根据识别出的设备ID到预先与该设备ID进行映射的数据库中读取该设备ID对应的电力设备信息。
优选的,所述电力设备图像特征库的构建过程,包括:
为不同类别或不同型号的电力设备配置具有唯一标识功能的设备ID;
获取不同设备ID对应的电力设备图像,将每个设备ID对应的电力设备图像分割为多个图像区域;
提取每个设备ID对应各图像区域的图像特征;
基于所述每个设备ID对应各图像区域的图像特征建立所述预先构建的电力设备图像特征库。
进一步的,在所述获取不同设备ID对应的电力设备图像之后,在将每个设备ID对应的电力设备图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法和图像复原算法对不同设备ID对应的图像进行预处理。
进一步的,所述将每个设备ID对应的电力设备图像分割为多个图像区域,包括:
基于预设图像区域总数N,采用相同的图像分割算法将每个设备ID对应的电力设备图像均分割为N个图像区域。
进一步的,所述图像特征包括:颜色特征、纹理特征和形状特征;
优选的,按下述方法提取每个设备ID对应各图像区域的图像特征,包括:
获取每个设备ID对应各图像区域的颜色直方图,将颜色直方图中各颜色占比作为相应设备ID各图像区域的颜色特征;
建立每个设备ID对应各图像区域的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为相应设备ID各图像区域的纹理特征;
利用傅里叶描述子方法获得每个设备ID对应各图像区域中各边界点的曲率值、质心距离和复坐标,将其作为相应设备ID各图像区域的形状特征。
基于同一发明构思,本发明还提供一种电力设备识别装置,其改进之处在于,所述装置包括:
获取单元,用于获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;
特征提取单元,用于提取所述待识别电力设备各图像区域的图像特征;
识别单元,用于基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的一种电力设备识别方法及装置,获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;提取所述待识别电力设备各图像区域的图像特征;基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别;本发明在获取待识别电力设备的图像时利用多种图像处理算法处理原始图像,使其更加贴近真实图像,为后续识别提供了更加准确的图像;基于待识别电力设备的图像的图像特征识别待识别电力设备,提高了电力设备识别的准确率和识别速度。
附图说明
图1是本发明电力设备识别方法流程图;
图2是本发明电力设备识别装置示意图。
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。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种电力设备识别方法,如图1所示,所述方法包括:
获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;
提取所述待识别电力设备各图像区域的图像特征;
基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别。
为更加清楚表明本发明的目的,下面结合具体实施例对本发明的方法作进一步说明。
在本发明的实施例中,在上述获取待识别电力设备的图像之后,在将所述待识别电力设备的图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法、图像复原算法和图像分割算法对待识别电力设备的图像进行预处理。
具体的,上述待识别电力设备的图像可通过照相机、摄像机和红外传感器采集;
在本发明的实施例中,上述将所述待识别电力设备的图像分割为多个图像区域,包括:
基于预设图像区域总数N,将所述待识别电力设备的图像分割为N个图像区域。
在本发明的实施例中,上述图像特征包括如下种类:
颜色特征、纹理特征和形状特征。
在电力场景中,通用的视觉特征主要指电力设备的颜色特征、纹理特征和形状特征。
颜色特征:颜色是图像中最显著的特征,电气设备不同所着颜色亦不同,有些电气设备颜色特征比较明显,可以把颜色特征作为一条判断依据。当电气设备的颜色特征明显时,识别分析,可将其颜色作为识别的一条特征。颜色特征常见的特征描述方式是直方图。根据电力设备特征,采取统计直方图方法对颜色特征进行描述、表达、特征提取与匹配;
纹理特征:纹理特征是图像的一种全局特征,它描述了图像或图像区域所对应景物的表面性质。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。纹理特征能够在微观层次实现对图像中包含的物体信息进行区分。根据电力设备纹理特征,采用马尔科夫随机场模型(MRF)算法获得图像分割为不同区域数目、像素位置、像素值集合等纹理特征值,对图像纹理特征进行表达、特征提取与匹配;
形状特征:形状是图像的一个显著特征,形状特征比较稳定,不受外界环境的影响,根据电力设备轮廓特征,我们采用傅里叶形状描述符方法,傅里叶形状描述符(Fouriershape deors)基本思想是用物体边界的傅里叶变换作为形状描述,利用区域边界的封闭性和周期性,将二维问题转化为一维问题。由边界点导出三种形状表达,分别是曲率函数、质心距离、复坐标函数。
具体的,上述提取待识别电力设备各图像区域的图像特征,包括:
按下述方法获取待识别电力设备第i个图像区域的图像特征:
获取第i个图像区域对应的颜色直方图,将颜色直方图中各颜色占比作为所述第i个图像区域的颜色特征;
建立第i个图像区域对应的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为所述第i个图像区域的纹理特征;
利用傅里叶描述子方法获得第i个图像区域中各边界点的曲率值、质心距离和复坐标,将其作为所述第i个图像区域的形状特征;
其中,i∈[1,N],N为预设图像区域总数。
上述基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别,包括:
根据图像特征的预设识别优先级,将待识别电力设备各图像区域的第一种类图像特征与预先构建的电力设备图像特征库中对应种类的图像特征进行匹配;
若待识别电力设备各图像区域的第一种类图像特征的匹配成功率达到预设阈值,则成功识别出所述待识别电力设备的设备ID,将未匹配成功的所述待识别电力设备相应图像区域的该种类图像特征写入电力设备图像特征库;否则继续待识别电力设备各图像区域的下一种类图像特征的匹配,直至待识别电力设备各图像区域的同一种类图像特征的匹配成功率达到预设阈值或者全部种类图像均经过特征匹配后结束识别;
若全部种类图像均经过特征匹配后,待识别电力设备各图像区域的同一种类图像特征的匹配成功率仍未达到预设阈值,则重新获取待识别电力设备的图像。
进一步的,所述成功识别出所述待识别电力设备的设备ID之后,还包括:
根据识别出的设备ID到预先与该设备ID进行映射的数据库中读取该设备ID对应的电力设备信息。
在本发明的实施例中,上述电力设备图像特征库的构建过程,包括:
为不同类别或不同型号的电力设备配置具有唯一标识功能的设备ID;
获取不同设备ID对应的电力设备图像,将每个设备ID对应的电力设备图像分割为多个图像区域;
提取每个设备ID对应各图像区域的图像特征;
基于所述每个设备ID对应各图像区域的图像特征建立所述预先构建的电力设备图像特征库。
具体的,在所述获取不同设备ID对应的电力设备图像之后,在将每个设备ID对应的电力设备图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法和图像复原算法对不同设备ID对应的图像进行预处理。
其中,上述将每个设备ID对应的电力设备图像分割为多个图像区域,包括:
基于预设图像区域总数N,采用相同的图像分割算法将每个设备ID对应的电力设备图像均分割为N个图像区域。
其中,上述图像特征包括:颜色特征、纹理特征和形状特征;
在本发明的实施例中,按下述方法提取每个设备ID对应各图像区域的图像特征,包括:
获取每个设备ID对应各图像区域的颜色直方图,将颜色直方图中各颜色占比作为相应设备ID各图像区域的颜色特征;
建立每个设备ID对应各图像区域的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为相应设备ID各图像区域的纹理特征;
利用傅里叶描述子方法获得每个设备ID对应各图像区域中各边界点的曲率值、质心距离和复坐标,将其作为相应设备ID各图像区域的形状特征。
基于同一发明构思,本发明还提供一种电力设备识别装置,如图2所示,所述装置包括:
获取单元,用于获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;
特征提取单元,用于提取所述待识别电力设备各图像区域的图像特征;
识别单元,用于基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别。
优选的,获取单元在所述获取待识别电力设备的图像之后,在将所述待识别电力设备的图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法、图像复原算法和图像分割算法对待识别电力设备的图像进行预处理。
优选的,获取单元将所述待识别电力设备的图像分割为多个图像区域,包括:
基于预设图像区域总数N,将所述待识别电力设备的图像分割为N个图像区域。
优选的,所述图像特征包括如下种类:
颜色特征、纹理特征和形状特征。
进一步的,所述特征提取单元提取待识别电力设备各图像区域的图像特征,包括:
按下述方法获取待识别电力设备第i个图像区域的图像特征:
获取第i个图像区域对应的颜色直方图,将颜色直方图中各颜色占比作为所述第i个图像区域的颜色特征;
建立第i个图像区域对应的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为所述第i个图像区域的纹理特征;
利用傅里叶描述子方法获得第i个图像区域中各边界点的曲率值、质心距离和复坐标,将其作为所述第i个图像区域的形状特征;
其中,i∈[1,N],N为预设图像区域总数。
进一步的,识别单元基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别,包括:
根据图像特征的预设识别优先级,将待识别电力设备各图像区域的第一种类图像特征与预先构建的电力设备图像特征库中对应种类的图像特征进行匹配;
若待识别电力设备各图像区域的第一种类图像特征的匹配成功率达到预设阈值,则成功识别出所述待识别电力设备的设备ID,将未匹配成功的所述待识别电力设备相应图像区域的该种类图像特征写入电力设备图像特征库;否则继续待识别电力设备各图像区域的下一种类图像特征的匹配,直至待识别电力设备各图像区域的同一种类图像特征的匹配成功率达到预设阈值或者全部种类图像均经过特征匹配后结束识别;
若全部种类图像均经过特征匹配后,待识别电力设备各图像区域的同一种类图像特征的匹配成功率仍未达到预设阈值,则重新获取待识别电力设备的图像。
进一步的,所述成功识别出所述待识别电力设备的设备ID之后,还包括:
根据识别出的设备ID到预先与该设备ID进行映射的数据库中读取该设备ID对应的电力设备信息。
优选的,所述电力设备图像特征库的构建过程,包括:
为不同类别或不同型号的电力设备配置具有唯一标识功能的设备ID;
获取不同设备ID对应的电力设备图像,将每个设备ID对应的电力设备图像分割为多个图像区域;
提取每个设备ID对应各图像区域的图像特征;
基于所述每个设备ID对应各图像区域的图像特征建立所述预先构建的电力设备图像特征库。
进一步的,在所述获取不同设备ID对应的电力设备图像之后,在将每个设备ID对应的电力设备图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法和图像复原算法对不同设备ID对应的图像进行预处理。
进一步的,所述将每个设备ID对应的电力设备图像分割为多个图像区域,包括:
基于预设图像区域总数N,采用相同的图像分割算法将每个设备ID对应的电力设备图像均分割为N个图像区域。
进一步的,所述图像特征包括:颜色特征、纹理特征和形状特征;
优选的,按下述方法提取每个设备ID对应各图像区域的图像特征,包括:
获取每个设备ID对应各图像区域的颜色直方图,将颜色直方图中各颜色占比作为相应设备ID各图像区域的颜色特征;
建立每个设备ID对应各图像区域的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为相应设备ID各图像区域的纹理特征;
利用傅里叶描述子方法获得每个设备ID对应各图像区域中各边界点的曲率值、质心距离和复坐标,将其作为相应设备ID各图像区域的形状特征。
综上所述,本发明提供的一种电力设备识别方法及装置,获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;提取所述待识别电力设备各图像区域的图像特征;基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别;本发明在获取待识别电力设备的图像时利用多种图像处理算法处理原始图像,使其更加贴近真实图像,为后续识别提供了更加准确的图像;基于待识别电力设备的图像的图像特征识别待识别电力设备,提高了电力设备识别的准确率和识别速度。
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。
最后应当说明的是: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应当理解: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,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种电力设备识别方法,其特征在于,所述方法包括:
获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;
提取所述待识别电力设备各图像区域的图像特征;
基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别。
2.如权利要求书1所述的方法,其特征在于,在所述获取待识别电力设备的图像之后,在将所述待识别电力设备的图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法、图像复原算法和图像分割算法对待识别电力设备的图像进行预处理。
3.如权利要求书1所述的方法,其特征在于,所述将所述待识别电力设备的图像分割为多个图像区域,包括:
基于预设图像区域总数N,将所述待识别电力设备的图像分割为N个图像区域。
4.如权利要求书1所述的方法,其特征在于,所述图像特征包括如下种类:
颜色特征、纹理特征和形状特征。
5.如权利要求书4所述的方法,其特征在于,所述提取待识别电力设备各图像区域的图像特征,包括:
按下述方法获取待识别电力设备第i个图像区域的图像特征:
获取第i个图像区域对应的颜色直方图,将颜色直方图中各颜色占比作为所述第i个图像区域的颜色特征;
建立第i个图像区域对应的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为所述第i个图像区域的纹理特征;
利用傅里叶描述子方法获得第i个图像区域中各边界点的曲率值、质心距离和复坐标,将其作为所述第i个图像区域的形状特征;
其中,i∈[1,N],N为预设图像区域总数。
6.如权利要求书4所述的方法,其特征在于,所述基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别,包括:
根据图像特征的预设识别优先级,将待识别电力设备各图像区域的第一种类图像特征与预先构建的电力设备图像特征库中对应种类的图像特征进行匹配;
若待识别电力设备各图像区域的第一种类图像特征的匹配成功率达到预设阈值,则成功识别出所述待识别电力设备的设备ID,将未匹配成功的所述待识别电力设备相应图像区域的该种类图像特征写入电力设备图像特征库;否则继续待识别电力设备各图像区域的下一种类图像特征的匹配,直至待识别电力设备各图像区域的同一种类图像特征的匹配成功率达到预设阈值或者全部种类图像均经过特征匹配后结束识别;
若全部种类图像均经过特征匹配后,待识别电力设备各图像区域的同一种类图像特征的匹配成功率仍未达到预设阈值,则重新获取待识别电力设备的图像。
7.如权利要求书6所述的方法,其特征在于,所述成功识别出所述待识别电力设备的设备ID之后,还包括:
根据识别出的设备ID到预先与该设备ID进行映射的数据库中读取该设备ID对应的电力设备信息。
8.如权利要求书1所述的方法,其特征在于,所述电力设备图像特征库的构建过程,包括:
为不同类别或不同型号的电力设备配置具有唯一标识功能的设备ID;
获取不同设备ID对应的电力设备图像,将每个设备ID对应的电力设备图像分割为多个图像区域;
提取每个设备ID对应各图像区域的图像特征;
基于所述每个设备ID对应各图像区域的图像特征建立所述预先构建的电力设备图像特征库。
9.如权利要求书8所述的方法,其特征在于,在所述获取不同设备ID对应的电力设备图像之后,在将每个设备ID对应的电力设备图像分割为多个图像区域之前,包括:
依次利用图像去噪算法、图像增强算法和图像复原算法对不同设备ID对应的图像进行预处理。
10.如权利要求书8所述的方法,其特征在于,所述将每个设备ID对应的电力设备图像分割为多个图像区域,包括:
基于预设图像区域总数N,采用相同的图像分割算法将每个设备ID对应的电力设备图像均分割为N个图像区域。
11.如权利要求书8所述的方法,其特征在于,所述图像特征包括:颜色特征、纹理特征和形状特征;
优选的,按下述方法提取每个设备ID对应各图像区域的图像特征,包括:
获取每个设备ID对应各图像区域的颜色直方图,将颜色直方图中各颜色占比作为相应设备ID各图像区域的颜色特征;
建立每个设备ID对应各图像区域的马尔科夫随机场模型,将马尔科夫随机场模型中各像素点的像素坐标和像素值作为相应设备ID各图像区域的纹理特征;
利用傅里叶描述子方法获得每个设备ID对应各图像区域中各边界点的曲率值、质心距离和复坐标,将其作为相应设备ID各图像区域的形状特征。
12.一种电力设备识别装置,其特征在于,所述装置包括:
获取单元,用于获取待识别电力设备的图像,将所述待识别电力设备的图像分割为多个图像区域;
特征提取单元,用于提取所述待识别电力设备各图像区域的图像特征;
识别单元,用于基于所述待识别电力设备各图像区域的图像特征和预先构建的电力设备图像特征库,对所述待识别电力设备的图像进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132098.5A CN111079792A (zh) | 2019-11-19 | 2019-11-19 | 一种电力设备识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132098.5A CN111079792A (zh) | 2019-11-19 | 2019-11-19 | 一种电力设备识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079792A true CN111079792A (zh) | 2020-04-28 |
Family
ID=70311014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911132098.5A Pending CN111079792A (zh) | 2019-11-19 | 2019-11-19 | 一种电力设备识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079792A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392730A (zh) * | 2021-05-31 | 2021-09-14 | 国网福建省电力有限公司 | 配电网设备图像识别方法及计算机可读存储介质 |
-
2019
- 2019-11-19 CN CN201911132098.5A patent/CN111079792A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392730A (zh) * | 2021-05-31 | 2021-09-14 | 国网福建省电力有限公司 | 配电网设备图像识别方法及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
Angelova et al. | Efficient object detection and segmentation for fine-grained recognition | |
Malima et al. | A fast algorithm for vision-based hand gesture recognition for robot control | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN110443210B (zh) | 一种行人跟踪方法、装置以及终端 | |
CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和*** | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及*** | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN110751097B (zh) | 一种半监督的三维点云手势关键点检测方法 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN113837065A (zh) | 一种图像处理方法和装置 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN111079792A (zh) | 一种电力设备识别方法及装置 | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
CN115018886B (zh) | 运动轨迹识别方法、装置、设备及介质 | |
Avazov et al. | Automatic moving shadow detection and removal method for smart city environments | |
Yang et al. | Cherry recognition based on color channel transform | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
CN112348112A (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
Pan et al. | Multi-Feature Patch-Based Segmentation Technique in the Gray-Centered RGB Color Space for Improved Apple Target Recognition | |
CN105868789B (zh) | 一种基于图像区域内聚测度的目标发现方法 | |
CN112825122A (zh) | 基于二维人脸图像的种族判断方法、装置、介质及设备 | |
Qu et al. | Segmentation of foreground apple targets by fusing visual attention mechanism and growth rules of seed points |
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 |