CN113688829B - 一种变电站监控画面自动识别方法及*** - Google Patents
一种变电站监控画面自动识别方法及*** Download PDFInfo
- Publication number
- CN113688829B CN113688829B CN202110896185.9A CN202110896185A CN113688829B CN 113688829 B CN113688829 B CN 113688829B CN 202110896185 A CN202110896185 A CN 202110896185A CN 113688829 B CN113688829 B CN 113688829B
- Authority
- CN
- China
- Prior art keywords
- graphic element
- monitoring picture
- monitoring
- primitive
- electrical
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 101100477520 Homo sapiens SHOX gene Proteins 0.000 claims 10
- 102000048489 Short Stature Homeobox Human genes 0.000 claims 10
- 108700025071 Short Stature Homeobox Proteins 0.000 claims 10
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种变电站监控画面自动识别方法及***。方法包括:读取变电站监控画面;对所述监控画面提取PHOG(Pyramid Histogram of Oriented Gradients)特征;基于提取的PHOG特征,利用KNN算法判定监控画面的类别;读取线下同一类别监控画面的识别电气图元位置信息的xml文件,确定监控画面的电气图元位置和ID编号;对确定位置和ID编号的电气图元进行二值化处理;当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征,采用SVM(Support Vector Machine)对提取的HOG特征进行分类,得到电气图元的状态。本发明能够在监控画面操作不同显示类型、电气图元颜色变化等情况下实现监控画面的自动识别,大大提高了变电站监控画面识别的正确性,同时极大提升了变电站监控界面自动检测的效率。
Description
技术领域
本发明涉及一种变电站监控画面自动识别方法及***,属于智能电网的运行维护和自动检测技术领域。
背景技术
当前变电站中的监控***产品厂商众多,功能繁杂,而且有较多人机交互处理。根据目前了解的情况,虽然中国电科院、各省供电公司检测单位都有着对智能识别监控画面的迫切需求,但当前市面上暂无比较全面的针对变电站监控画面自动识别所研发的产品。根据这一现状,本文采用特征提取、图像匹配等计算机视觉相关领域方法解决此类问题。近年来,图像匹配技术引起了学者们的广泛关注,研究方向主要分为基于特征的图像匹配和基于模板的图像匹配。基于特征的图像匹配在抗形变、速度和鲁棒性方面具有一定优势。
目前还没有在监控画面中直接识别特定电气图元的相关研究,对特定图元的识别主要是判断经过预处理后的单个图元的类别判定,例如,通过建立电气符号训练集,提取电气符号图像的HOG特征,计算出梯度方向向量个数加权图,使用这些HOG特征和分类信息对支持向量机进行训练,再利用支持向量机进行识别。与SIFT(Scale-invariant featuretransform)算法比较,识别效果更为准确。有的技术是通过提取工程图纸中电气符号的不变特征,把不变特征值输入神经网络进行训练,得到神经网络模型,以此识别旋转、平移、缩放的电气元件图元。
发明内容
发明目的:为了提升变电站监控画面自动检测的工作效率,本发明提供一种变电站监控画面自动识别的高效方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为
一方面,本发明提供一种变电站监控画面自动识别方法,包括:
读取变电站监控画面;
对所述监控画面提取PHOG特征;
基于提取的PHOG特征,利用KNN算法判定监控画面的类别;
读取线下同一类别监控画面的识别电气图元位置信息的xml文件,确定监控画面的电气图元位置和ID编号;
对确定位置和ID编号的电气图元进行二值化处理;
当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征,采用SVM对提取的HOG特征进行分类,得到电气图元的状态。
进一步地,所述线下同一类别监控画面的识别电气图元位置信息的xml文件,通过以下方法得到:
获取不同类别的历史监控画面;
对获取的监控画面进行二值化处理;
基于构建的标准电气图元模板库,采用基于最佳图元的模板匹配方法对监控画面中的电气图元位置进行检测;
根据电气图元ID编号的设定规则和电气图元的位置信息,利用仿射变换得到ID编号的位置信息;
将位置确定的ID编号分割为单个字符;
基于预先制作的ID编号模板,利用归一化相关系数匹配方式(NCC算法)对电气图元的ID编号进行识别;
将得到的电气图元位置和ID编号保存为xml文件。
进一步地,所述采用基于最佳图元的模板匹配方法对监控画面中的电气图元位置进行检测,包括:
对标准电气图元模板库中的模板电气图元图像进行多尺度空间缩放;
使用模板匹配得到每个尺度空间下匹配得分最佳的目标区域;
选取所有尺度空间下匹配得分最佳的区域作为当前监控画面中的最佳图元位置;
将最佳图元作为当前监控画面的电气图元模板,再次利用模板匹配获取整个监控画面中所有同类图元的位置候选框;
利用非极大值抑制筛选电气图元位置候选框,获取电气图元位置信息。
进一步地,使用模板匹配时,采用NCC算法计算图像相似度。
进一步地,采用投影法或投影法和比例截取相结合方法将ID编号分割为单个字符。
进一步地,所述对所述监控画面提取PHOG特征,包括:
将监控画面图像转化为灰度图;
对所述灰度图进行gamma正则化;
将gamma正则化后的图像分为若干个cell并将相邻的cell组成一个block,计算每个cell中灰度超过阈值的个数,然后将block中所有cell超过灰度阈值的个数组成一组特征向量;
对所述特征向量进行归一化;
将归一化后的所有block特征进行向量拼接,生成图像的PHOG特征。
进一步地,前述的一种变电站监控画面自动识别方法,对二值化处理后的电气图元提取HOG特征前,还包括:
采用投影法对电气图元进行无关区域的分割。
进一步地,前述的一种变电站监控画面自动识别方法中,当电气图元为开关类时,对二值化处理后的电气图元,根据图像均值判断其是否为合状态。
进一步地,前所述的一种变电站监控画面自动识别方法,在对所述监控画面提取PHOG特征之前,还包括:利用中值滤波对读取的监控画面提取感兴趣区域。
另一方面,本发明提供一种变电站监控画面自动识别***,包括:
读取模块,配置为读取变电站监控画面;
PHOG特征提取模块,配置为对所述监控画面提取PHOG特征;
画面判别模块,配置为基于提取的PHOG特征,利用KNN算法判定监控画面的类别;
图元定位模块,配置为读取线下同一类别监控画面的识别电气图元位置信息的xml文件,配置为确定监控画面的电气图元位置和ID编号;
图元处理模块,对确定位置和ID编号的电气图元进行二值化处理;
图元状态识别模块,配置为当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征,采用SVM对提取的HOG特征进行分类,得到电气图元的状态;当电气图元为开关类时,对二值化处理后的电气图元,根据图像均值判断其是否为合状态。
有益技术效果:本发明设计了一种基于最佳图元的模板匹配方法完成电气图元位置检测,在进行电气图元的位置和ID编号识别时使用归一化相关系数方式计算图像相似度。同时利用中值滤波剔除了无关区域的干扰,并提出PHOG算子并利用最近邻完成了监控画面的类别判定。根据图元位置信息获取监控画面中的电气图元图像,基于HOG特征和SVM分类器识别电气图元的状态。实践证明,该方法对于变电站监控画面的自动识别是有效的。实验结果表明,该方法能够在监控画面操作不同显示类型、电气图元颜色变化等情况下实现监控画面的自动识别。大大提高了变电站监控画面识别的正确性,同时极大提升了变电站监控界面自动检测的效率。
附图说明
图1为本发明实施例中监控画面自动识别流程图;
图2为电气图元模板示例图,其中(a)开关,(b)刀闸,(c)接地刀闸;
图3为ID编号模板示例图;
图4为操作框不同情况下的监控画面初始图像,其中(a)操作框显示.(b)操作框隐藏;
图5为PHOG特征提取时图像栅格划分示例图;
图6为HOG特征原理图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如前所述,目前还没有在监控画面中直接识别特定电气图元的相关方法,对特定图元的识别主要是判断经过预处理后的单个图元的类别判定。
为此,本说明书主要采用基于互相关NCC(Normalized cross-correlation)的图像相似度匹配算法确定图元的位置,然后再利用特征提取、分类判定的方法确定图元的各个状态。
如图1所示,在一实施例中,一种变电站监控画面自动识别方法,包括:线下电气图元位置检测和ID编号识别、线上电气图元的识别。
其中,线下电气图元位置检测和ID编号识别,主要可以分为4个部分:图像二值化,图元位置定位,ID编号定位,ID编号识别。
具体的,线下电气图元位置检测和ID编号识别方法,包括:
步骤1,获取不同类别的历史监控画面;
变电站监控画面存在不同类型,需要对不同类型画面的电气图元均进行线下标注。
步骤2,对获取的监控画面进行二值化处理;
由于图元的颜色会根据电压等级发生变化,导致后续使用基于最佳图元的模板匹配算法获取图元位置时出现误差。因此,采用最大类间方差法(OTSU)对当前画面进行二值化处理,以减少电压变化对图元位置检测的影响。
在二值化前,可以先剔除监控画面无关区域的干扰。
步骤3,基于构建的标准电气图元模板库,采用基于最佳图元的模板匹配方法对监控画面中的电气图元位置进行检测;
通过相似度匹配实现对电气图元的位置进行定位。其可以进一步分为以下两个步骤:
a)标准模板库的构建:
建立如图2所示的符合Q/GDW 624-2011《电力***图形描述规范》描述要求并与本监控画面相符合的电气图元模板,包括开关,刀闸,接地刀闸等;
b)基于最佳图元的模板匹配:
由于一幅监控画面中同类电气图元尺寸、形状完全相同,而不同类型画面中的电气图元尺寸相差较大,本说明书采用基于最佳图元的模板匹配方法检测画面中的电气图元,具体方法为:
Step1:多尺度缩放模板电气图元图像,设置尺度缩放范围为0.3到2.0,尺度缩放间隔为0.05。
Step2:使用模板匹配得到每个尺度空间下匹配得分最佳的目标区域。
Step3:选取所有尺度空间下匹配得分最佳的区域作为当前画面中的最佳图元位置。
Step4:根据同一监控画面中图元形状尺寸完全相同的特点,将最佳图元作为当前监控画面的电气图元模板再次利用模板匹配获取整个监控画面中所有同类图元的位置候选框。
Step5:利用非极大值抑制(NMS)筛选电气图元位置候选框,获取电气图元位置信息。
使用模板匹配时,采用归一化相关系数匹配方式(NCC)计算图像相似度。NCC算法是一种基于灰度值的匹配算法,计算简单且NCC对画面亮度不敏感,因此更具有鲁棒性。
假设候选图像的大小为M×N,则该方法中NCC系数值的计算方法如(1)所示:
其中T(x,y),I(x,y)分别是模板图像和待检测图像的像素值,和/>分别表示模板图像和待检测图像的像素均值,如(2)所示:
步骤4,ID编号定位:根据电气图元ID编号的设定规则和电气图元的位置信息,利用仿射变换得到ID编号的位置信息;
当电气图元的长小于等于宽时ID编号位于图元位置的正下方,当电气图元的长大于宽时ID编号位于图元位置的右方。根据这一特征和电气图元的位置信息利用仿射变换得到ID编号的位置信息。
仿射变换是通过原图像(图像矩阵)与变换矩阵的点乘来实现的,其变化矩阵为2*3的形式,如(3)所示,其中a11,a12,a21,a22为缩放因子,b1,b2实现平移。
步骤5,将位置确定的ID编号分割为单个字符;
得到ID编号的位置后,使用投影法将ID编号分割为单个字符以便后续的识别。
投影法主要是利用二值化图片的像素分布直方图进行分析,从而找出相邻字符的分界点进行分割。
但是,由于监控画面中部分字符较小并存在字符粘连的情况,使用投影法不能很好的分割字符。而字符的长宽比例是一定的,因此可以采用投影法和比例截取相结合方法切割字符。
步骤6,基于预先制作的ID编号模板,利用NCC算法对电气图元的ID编号进行识别;
制作的ID编号模板,如图3所示。利用前述的归一化相关系数匹配方式完成字符识别。
步骤7,将得到的电气图元位置和ID编号保存为xml文件。
由于当前监控画面中每一帧的图元位置和编号不会发生改变,在得到监控画面中的各个图元位置和编号信息后,将其保存为xml文件以供后续线上确定图元位置、进行图元状态识别。
可以将xml文件制作成人工干预的UI界面即监控画面信息标注***,在必要时进行微调,实现100%正确标注。
线上电气图元的识别,具体方法包括:
步骤1,读取变电站监控画面;
步骤2,对读取的监控画面提取感兴趣区域;
感兴趣区域提取是指通过对当前监控画面的感兴趣区域提取,可以有效避免因界面操作框显示与隐藏造成的线下标注信息与实时识别时图元位置不一致时的干扰,如图4所示,为操作框不同情况下的监控画面初始图像。
在一实施方式中,利用灰度、二值化、中值滤波、轮廓提取、轮廓裁剪等操作对对当前监控画面的感兴趣区域进行有效提取。
中值滤波是基于排序统计理论的一种能够平滑图像、去除噪声的技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。以窗口为3*3的矩阵共9个像素点为例,由式(1)可以得到整个窗口经过中值滤波后的像素值。监控画面中目标区域黑色背景色较多,中值滤波选择合适的窗口就可以过滤出目标区域的边缘,从而获取有效区域。
g=median[f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)+f(x-1,y)+f(x,y)+f(x+1,y)+f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)] (4)
步骤3,对所述监控画面提取PHOG特征;
在对监控画面剔除无关区域的干扰后,主要采用PHOG(Pyramid Histogram ofOriented Gradients)特征提取法提取不同画面的特征。
根据不同类别画面形状差异较大、相同类别画面形状差异微小的特点,对HOG进行改进,设计了一种PHOG算子,其可以较高效地描述监控画面的拓扑特征,HOG通过计算和统计图像局部区域的梯度方向直方图构成特征,而PHOG通过计算和统计图像局部区域内像素点灰度值超过阈值的个数构成特征。
具体的,PHOG特征的提取方法为:
步骤31:灰度化;
将待检测原图像转化为灰度图。
步骤32:gamma正则化;
对得到的灰度图进行gamma正则化,可以提高图像的性能减少噪声的干扰。gamma正则化的公式为:
I(x,y)=I(x,y)gamma (5)
其中I(x,y)为像素点(x,y)的像素值,gamma取值为0.5。
步骤33:***部信息
将图像分为若干个cell并将相邻的cell组成一个block,block的滑动步长根据实际需求设置,如图5所示。计算每个cell中灰度超过阈值的个数,然后将block中所有cell超过灰度阈值的个数组成一组特征向量。由于监控画面图像不存在角度上的形变,与直接记录cell信息相比,将cell拼接为block更能记录cell之间的联系性。
步骤34:归一化块内特征
在提取了特征后需要进行归一化,减少对比度对当前图像的影响。以图5为例,一个block组成的向量为H=(h1,h2,h3,h4),||H||k为H的第k范数,采用1范数归一化方法。
||H||1=|h|1+|h|2+|h|3+|h|4 (6)
步骤35:向量拼接
将归一化后的所有block特征进行向量拼接,生成图像的PHOG特征。以图5为例,图像共有40个cell,每4个cell组成一个block,设block的滑动步长为一个cell,则有(8-1)×(5-1)=28个block,共生成28×4=112维的PHOG特征。
步骤4,基于提取的PHOG特征,利用KNN算法判定监控画面的类别;
由于监控画面的类别判定是一个多分类问题,且可以做到训练样本类型的均匀分布,提取画面的PHOG特征后,利用KNN(K-NearestNeighbor)判定画面类别,选取式(7)欧式距离计算样本之间的距离。
步骤5,读取线下同一类别监控画面的识别电气图元位置信息的xml文件,确定监控画面的电气图元位置和ID编号;
在得到当前监控画面的类别后,读取线下识别电气图元位置信息的xml文件,确定当前画面的各图元位置。
步骤6,对确定位置和ID编号的电气图元进行二值化处理;
由于监控画面中电气图元的颜色随电压的改变而改变,影响状态检测结果。因此将待检测图元进行二值化。
步骤7,对电气图元进行无关区域的分割;
在对待检测图元二值化以后,在提取HOG特征时存在着空白区域的干扰,采用投影法进行图元无关区域的分割。
投影分割分为两个步骤:a)垂直投影:确定图元所处区域的开始和结束列坐标;b)水平投影:然后在垂直投影的基础上,水平投影确定候选区域的开始和结束行坐标。
步骤8,对二值化的电气图元状态进行识别。
电气图元存在不同的状态,例如开关类图元,有闭合和断开状态,需要对其做进一步识别。
该步骤具体为:
步骤81,当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征。采用SVM对提取的HOG特征进行分类,得到电气图元的状态;
将分割得到的图元缩放到和数据集相同的大小,数据集指的是训练HOG特征提取模型所用的数据。
利用HOG及SVM方法判断图元状态。设原图像大小为(Mimg×Nimg),block大小为(Mblock×Nblock),cell大小为(Mcell×Ncell),滑动步长为(Mstride×Nstride),梯度方向量化为n个,则图像的HOG特征维数为:
本说明书使用的HOG特征图像划分方案如图6所示。其中Mimg×Nimg=42×12,Mblock×Nblock=6×6,Mcell×Ncell=3×3,Mstride×Nstride=6×6,n=9,即电气图元的HOG特征向量维数为9×7×2×4=504维。
SVM支持向量机是根据监督学***面,对样本进行正确划分。SVM的输入是线性可分的数据集:{(x1,y1),(x2,y2),…,(xn,yn)},其中xi∈Rn,yi∈{-1,+1},i=1,2,…,N。SVM算法的输出为寻找到最优分类的超平面F(xi)=Wxi+b,由(10)-(11)式可得最优的W,b。
s.t.yi(wxi+b)-1≥0 i=1,2…,N (11)
步骤82,当电气图元为开关类时,对二值化处理后的电气图元,根据图像均值判断其是否为合状态。
HOG特征计算的是区域内的方向梯度图,其对开关类的图元检测效果较差,将其与图像均值相结合在开关类图元状态检测上具有良好的适用性。
开关图元的分合状态在二值化后不能较好区分,因此先通过计算图像均值判断开关是否为合状态。
通过以上实施例,本发明的一种变电站监控画面自动识别方法,有益效果如下:
1、利用中值滤波等技术能够准确分割出监控画面的有效区域;
2、利用PHOG算法提取特征,与传统HOG特征相比,大大降低了特征处理量,在保证识别精度的同时具有更快的速度;
3、通过本方法中的最近邻算法完成当前监控画面的类别判定,提高了其类别判定的准确率;
4、通过采用投影法和比例截取相结合方法切割字符,很好地解决了监控画面中部分字符较小存在字符粘连的问题,能够更加准确的找出相邻字符的分界点并进行分割;
5、通过对当前监控画面的感兴趣区域提取,可以有效避免因界面操作框不同显示类型时造成的线下标注信息与实时识别时图元位置不一致时的干扰;
6、通过将HOG特征计算与图像均值相结合的方法,很好的解决了监控画面中电气图元的颜色随电压的改变而改变的问题,在开关类图元状态检测上具有良好的适用性。
在另一实施例中,本发明提供一种变电站监控画面自动识别***,包括:
读取模块,配置为读取变电站监控画面;
PHOG特征提取模块,配置为对所述监控画面提取PHOG特征;
画面判别模块,配置为基于提取的PHOG特征,利用KNN算法判定监控画面的类别;
图元定位模块,配置为读取线下同一类别监控画面的识别电气图元位置信息的xml文件,配置为确定监控画面的电气图元位置和ID编号;
图元处理模块,对确定位置和ID编号的电气图元进行二值化处理;
图元状态识别模块,配置为当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征,采用SVM对提取的HOG特征进行分类,得到电气图元的状态;当电气图元为开关类时,对二值化处理后的电气图元,根据图像均值判断其是否为合状态。
以上已以较佳实施例公布了本发明,然其并非用以限制本发明,凡采取等同替换或等效变换的方案所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种变电站监控画面自动识别方法,其特征在于,包括:
读取变电站监控画面;
对所述监控画面提取PHOG特征;
基于提取的PHOG特征,利用KNN算法判定监控画面的类别;
读取线下同一类别监控画面的识别电气图元位置信息的xml文件,确定监控画面的电气图元位置和ID编号;
对确定位置和ID编号的电气图元进行二值化处理;
当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征,采用SVM对提取的HOG特征进行分类,得到电气图元的状态;
其中,对所述监控画面提取PHOG特征,包括:
将监控画面图像转化为灰度图;
对所述灰度图进行gamma正则化;
将gamma正则化后的图像分为若干个cell并将相邻的cell组成一个block,计算每个cell中灰度超过阈值的个数,然后将block中所有cell超过灰度阈值的个数组成一组特征向量;
对所述特征向量进行归一化;
将归一化后的所有block特征进行向量拼接,生成图像的PHOG特征;
所述线下同一类别监控画面的识别电气图元位置信息的xml文件,通过以下方法得到:
获取不同类别的历史监控画面;
对获取的监控画面进行二值化处理;
基于构建的标准电气图元模板库,采用基于最佳图元的模板匹配方法对监控画面中的电气图元位置进行检测;
根据电气图元ID编号的设定规则和电气图元的位置信息,利用仿射变换得到ID编号的位置信息;
将位置确定的ID编号分割为单个字符;
基于预先制作的ID编号模板,利用NCC算法对电气图元的ID编号进行识别;
将得到的电气图元位置和ID编号保存为xml文件。
2.根据权利要求1所述的一种变电站监控画面自动识别方法,其特征在于,所述采用基于最佳图元的模板匹配方法对监控画面中的电气图元位置进行检测,包括:
对标准电气图元模板库中的模板电气图元图像进行多尺度空间缩放;
使用模板匹配得到每个尺度空间下匹配得分最佳的目标区域;
选取所有尺度空间下匹配得分最佳的区域作为当前监控画面中的最佳图元位置;
将最佳图元作为当前监控画面的电气图元模板,再次利用模板匹配获取整个监控画面中所有同类图元的位置候选框;
利用非极大值抑制筛选电气图元位置候选框,获取电气图元位置信息。
3.根据权利要求2所述的一种变电站监控画面自动识别方法,其特征在于,使用模板匹配时,采用NCC算法计算图像相似度。
4.根据权利要求1所述的一种变电站监控画面自动识别方法,其特征在于,采用投影法或投影法和比例截取相结合方法将ID编号分割为单个字符。
5.根据权利要求1所述的一种变电站监控画面自动识别方法,其特征在于,对二值化处理后的电气图元提取HOG特征前,还包括:
采用投影法对电气图元进行无关区域的分割。
6.根据权利要求1所述的一种变电站监控画面自动识别方法,其特征在于,当电气图元为开关类时,对二值化处理后的电气图元,根据图像均值判断其是否为合状态。
7.根据权利要求1所述的一种变电站监控画面自动识别方法,其特征在于,在对所述监控画面提取PHOG特征之前,还包括:利用中值滤波对读取的监控画面提取感兴趣区域。
8.一种变电站监控画面自动识别***,其特征在于,包括:
读取模块,配置为读取变电站监控画面;
PHOG特征提取模块,配置为对所述监控画面提取PHOG特征;
画面判别模块,配置为基于提取的PHOG特征,利用KNN算法判定监控画面的类别;
图元定位模块,配置为读取线下同一类别监控画面的识别电气图元位置信息的xml文件,配置为确定监控画面的电气图元位置和ID编号;
图元处理模块,对确定位置和ID编号的电气图元进行二值化处理;
图元状态识别模块,配置为当电气图元为非开关类时,对二值化处理后的电气图元提取HOG特征,采用SVM对提取的HOG特征进行分类,得到电气图元的状态;当电气图元为开关类时,对二值化处理后的电气图元,根据图像均值判断其是否为合状态;
其中,对所述监控画面提取PHOG特征,包括:
将监控画面图像转化为灰度图;
对所述灰度图进行gamma正则化;
将gamma正则化后的图像分为若干个cell并将相邻的cell组成一个block,计算每个cell中灰度超过阈值的个数,然后将block中所有cell超过灰度阈值的个数组成一组特征向量;
对所述特征向量进行归一化;
将归一化后的所有block特征进行向量拼接,生成图像的PHOG特征;
所述线下同一类别监控画面的识别电气图元位置信息的xml文件,通过以下方法得到:
获取不同类别的历史监控画面;
对获取的监控画面进行二值化处理;
基于构建的标准电气图元模板库,采用基于最佳图元的模板匹配方法对监控画面中的电气图元位置进行检测;
根据电气图元ID编号的设定规则和电气图元的位置信息,利用仿射变换得到ID编号的位置信息;
将位置确定的ID编号分割为单个字符;
基于预先制作的ID编号模板,利用NCC算法对电气图元的ID编号进行识别;
将得到的电气图元位置和ID编号保存为xml文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896185.9A CN113688829B (zh) | 2021-08-05 | 2021-08-05 | 一种变电站监控画面自动识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896185.9A CN113688829B (zh) | 2021-08-05 | 2021-08-05 | 一种变电站监控画面自动识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688829A CN113688829A (zh) | 2021-11-23 |
CN113688829B true CN113688829B (zh) | 2024-02-20 |
Family
ID=78578962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110896185.9A Active CN113688829B (zh) | 2021-08-05 | 2021-08-05 | 一种变电站监控画面自动识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688829B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116782285B (zh) * | 2023-06-16 | 2024-07-16 | 北京广厦网络技术股份公司 | 一种5g基站运行状态监测*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010183734A (ja) * | 2009-02-05 | 2010-08-19 | Chugoku Electric Power Co Inc:The | 電気設備異常箇所特定装置、電気設備監視制御システム及び電気設備異常箇所特定方法 |
KR20100133586A (ko) * | 2009-06-12 | 2010-12-22 | 서울메트로 | 계통설비별 색상정보를 이용한 변전소 모니터링 시스템 |
CN106203528A (zh) * | 2016-07-19 | 2016-12-07 | 华侨大学 | 一种基于特征融合和knn的3d画智能分类算法 |
CN107330434A (zh) * | 2017-06-22 | 2017-11-07 | 电子科技大学 | 一种基于phog特征的电路图中电气符号识别方法 |
CN108509689A (zh) * | 2018-03-09 | 2018-09-07 | 南京信息工程大学 | 一种面向智能变电站的电气图形动态生成方法 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN109409395A (zh) * | 2018-07-29 | 2019-03-01 | 国网上海市电力公司 | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 |
CN112181549A (zh) * | 2020-08-26 | 2021-01-05 | 南京国电南自电网自动化有限公司 | 变电站监控界面电力图符动态感知的识别***及方法 |
CN112232239A (zh) * | 2020-10-20 | 2021-01-15 | 华雁智能科技(集团)股份有限公司 | 变电站施工安全标示牌监控方法、装置和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9858498B2 (en) * | 2015-09-23 | 2018-01-02 | Qualcomm Incorporated | Systems and methods for incremental object detection using dual-threshold local binary pattern operators |
-
2021
- 2021-08-05 CN CN202110896185.9A patent/CN113688829B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010183734A (ja) * | 2009-02-05 | 2010-08-19 | Chugoku Electric Power Co Inc:The | 電気設備異常箇所特定装置、電気設備監視制御システム及び電気設備異常箇所特定方法 |
KR20100133586A (ko) * | 2009-06-12 | 2010-12-22 | 서울메트로 | 계통설비별 색상정보를 이용한 변전소 모니터링 시스템 |
CN106203528A (zh) * | 2016-07-19 | 2016-12-07 | 华侨大学 | 一种基于特征融合和knn的3d画智能分类算法 |
CN107330434A (zh) * | 2017-06-22 | 2017-11-07 | 电子科技大学 | 一种基于phog特征的电路图中电气符号识别方法 |
WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN108509689A (zh) * | 2018-03-09 | 2018-09-07 | 南京信息工程大学 | 一种面向智能变电站的电气图形动态生成方法 |
CN109409395A (zh) * | 2018-07-29 | 2019-03-01 | 国网上海市电力公司 | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 |
CN112181549A (zh) * | 2020-08-26 | 2021-01-05 | 南京国电南自电网自动化有限公司 | 变电站监控界面电力图符动态感知的识别***及方法 |
CN112232239A (zh) * | 2020-10-20 | 2021-01-15 | 华雁智能科技(集团)股份有限公司 | 变电站施工安全标示牌监控方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
"变电站电气设备检测与三维建模***";王菲,等;《电测与仪表》;第58卷(第3期);160-167 * |
"变电站自动巡检管控***研究与应用";严太山,等;《农村电气化》(第3期);41-44 * |
"基于PHOG特征的电路图中电气符号识别";肖豆,等;《舰船电子工程》;第37卷(第1期);90-93 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688829A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruta et al. | Real-time traffic sign recognition from video by class-specific discriminative features | |
Shahab et al. | ICDAR 2011 robust reading competition challenge 2: Reading text in scene images | |
Ott et al. | Implicit color segmentation features for pedestrian and object detection | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106650731B (zh) | 一种鲁棒的车牌、车标识别方法 | |
Zhang et al. | Study on traffic sign recognition by optimized Lenet-5 algorithm | |
Malik et al. | Detection and recognition of traffic signs from road scene images | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
Yang et al. | An efficient method for vehicle model identification via logo recognition | |
Lodh et al. | Flower recognition system based on color and GIST features | |
CN110633635A (zh) | 一种基于roi的交通标志牌实时检测方法及*** | |
CN111027526A (zh) | 一种提高车辆目标检测识别检测效率的方法 | |
CN113688829B (zh) | 一种变电站监控画面自动识别方法及*** | |
CN110766009A (zh) | 尾牌识别方法、装置以及计算机可读存储介质 | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
CN112101108B (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
Kim | MSER and SVM-based vehicle license plate detection and recognition system | |
Kaur et al. | Text Extraction from Natural Scene using PCA. | |
CN113139946A (zh) | 一种基于视觉的衬衫污渍定位设备 |
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 |