CN116503633A - 基于图像识别的开关柜状态智能检测控制方法 - Google Patents
基于图像识别的开关柜状态智能检测控制方法 Download PDFInfo
- Publication number
- CN116503633A CN116503633A CN202310796574.3A CN202310796574A CN116503633A CN 116503633 A CN116503633 A CN 116503633A CN 202310796574 A CN202310796574 A CN 202310796574A CN 116503633 A CN116503633 A CN 116503633A
- Authority
- CN
- China
- Prior art keywords
- region
- local highlight
- local
- highlight region
- radiation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 15
- 238000009413 insulation Methods 0.000 description 7
- 239000007787 solid Substances 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000001931 thermography Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及基于图像识别的开关柜状态智能检测控制方法,包括:采集红外图像;图像聚类得到每个类别的连通域,从所有连通域中获取所有局部高亮区域和局部高亮区域辐射范围,根据局部高亮区域辐射范围得到每个局部高亮区域修正前的显示程度;根据局部高亮区域及其辐射范围得到任意两个局部高亮区域的影响系数;根据每个局部高亮区域修正前的显示程度和两个局部高亮区域的影响系数得到局部高亮区域修正后的显示程度;根据局部高亮区域修正后的显示程度得到不同k值下的分割程度;选取最优分割类别个数,然后聚类分割得到异常区域。本发明用图像数据处理方式,得到最优类别分割图来获取异常区域。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像识别的开关柜状态智能检测控制方法。
背景技术
固体绝缘开关柜以其绿色环保,免维护、抗污染等特点而广为应用,但由于固体绝缘开关柜一次导电回路热功率很大,导致柜内局部过热,热量又不易散出,长时间会造成绝缘失效,而引发柜内电力短路故障。为保证其安全稳定的运行,对固体绝缘开关柜内的特定位置,利用红外检测技术进行故障诊断。
在获取得到红外图像之后,其发热点是经过人为确认并判断其具***置的,对得到的图像进行灰度化处理,考虑采取K-means对灰度图像进行分类,由于在不同的K值下的分割效果不同,通过自适应的判断来确定一个最优的K值,从而对发热区域进行合理的分类,以达到对发热源周围的分割效果达到最好的目的,有助于判断温度异常区域。
发明内容
本发明提供基于图像识别的开关柜状态智能检测控制方法,以解决现有的问题。
本发明的基于图像识别的开关柜状态智能检测控制方法采用如下技术方案:
本发明一个实施例提供了基于图像识别的开关柜状态智能检测控制方法,该方法包括以下步骤:
采集红外图像;
预设多个k值,将红外图像聚类为k个类别,每个所述类别对应若干连通域,从所有连通域中获取所有局部高亮区域;根据局部高亮区域获取局部高亮区域的辐射范围,再获取局部高亮区域辐射范围中的各连通域,根据每个局部高亮区域辐射范围中的各连通域的灰度均值、每个局部高亮区域辐射范围中的类别个数得到每个局部高亮区域的修正前的显示程度;根据任意两个局部高亮区域质心点之间的距离、任意两个局部高亮区域之间灰度均值的差值和任意两个局部高亮区域辐射范围相交区域的类别个数得到任意两个局部高亮区域的影响系数;根据每个局部高亮区域修正前的显示程度和两个局部高亮区域的影响系数得到每个局部高亮区域修正后的显示程度;
根据每个局部高亮区域修正后的显示程度、每个局部高亮区域的灰度均值和每个局部高亮区域的连通域面积得到不同k值下的分割程度;选取最大分割程度对应的k值为最优分割类别个数,然后用最优类别个数对图像聚类分割得到异常区域。
进一步地,所述局部高亮区域的具体获取方法为:
将具有共同边界线的任意两个连通域记为相邻的两个连通域,将要判断的连通域记为目标连通域;判断目标连通域是否满足以下两个条件:
a、目标连通域的闭包内没有其他类的点;
b、对于目标连通域的边界相邻的连通域,目标连通域的灰度均值最大;
如果目标连通域同时满足两个条件,则目标连通域为一个局部高亮区域。
进一步地,所述局部高亮区域的辐射范围的具体获取方法为:
将任意一个局部高亮区域记为当前局部高亮区域;以当前局部高亮区域为辐射中心,从辐射中心所在连通域开始,向相邻连通域扩散,若相邻连通域的灰度均值小于辐射中心的灰度均值,则其相邻连通域属于辐射范围之内,否则相邻连通域不属于辐射范围内,然后辐射范围之内的连通域作为新的辐射中心,继续从辐射中心所在连通域开始,向相邻连通域扩散,以此类推,直至辐射中心相邻连通域均不在辐射范围之内时停止扩散,将所有属于辐射范围之内的连通域记为当前局部高亮区域的辐射范围。
进一步地,所述修正前的显示程度的具体获取方法:
修正前的显示程度的公式为:
其中,表示为在第i个局部高亮区域的辐射范围内各连通域的灰度均值,/>表示在第i个局部高亮区域的辐射范围内的所有连通域的灰度均值的最大值,/>表示在第i个局部高亮区域的辐射范围内的所有连通域的灰度均值的最小值,/>表示为在第i个局部高亮区域的辐射范围内出现的类别个数,/>表示预设温度阈值,/>表示第i个局部高亮区域的修正前显示程度。
进一步地,所述影响系数的具体获取方法为:
影响系数的公式为:
其中,表示第i个局部高亮区域与第j个局部高亮区域之间的灰度均值的差值,表示第i个局部高亮区域的质心点与第j个局部高亮区域的质心点之间的距离,/>表示第i个局部高亮区域的辐射区域与第j个局部高亮区域的辐射区域的交集中含有的类别个数,/>表示为第i个局部高亮区域与第j个局部高亮区域之间的影响系数。
进一步地,所述修正后的显示程度的具体获取方法为:
将要修正的局部高亮区域记为目标区域,根据目标区域修正前的显示程度和目标区域与其他任意一个局部高亮区域之间的影像系数的乘积得到第一特征,再根据目标区域与其他不同的局部高亮区域之间的影响系数得到所有的第一特征,再对所有第一特征求和得到目标区域修正后的显示程度。
进一步地,所述分割程度的具体获取方法为:
根据任意一个局部高亮区域的灰度均值、任意一个局部高亮区域的连通域面积和任意一个局部高亮区域修正后的显示程度之间的乘积得到第二特征,根据所有局部高亮区域的第二特征的和得到图像的分割程度。
本发明的技术方案的有益效果是:本发明通过结合固体绝缘开关柜红外影像不同程度的聚类效果,根据高亮区域的连通域信息以及其相互的影响,进而获取不同K值下对高温区域的显示程度,进而得到分割程度,根据最优分割得到最优聚类效果图。得到图像对高温区域的分割更加细致,有助于判断温度异常区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像识别的开关柜状态智能检测控制方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像识别的开关柜状态智能检测控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像识别的开关柜状态智能检测控制方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像识别的开关柜状态智能检测控制方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集图像数据并对图像进行灰度化预处理。
使用红外热成像仪采集固体绝缘开关柜红外热成像图,并对采集的红外热成像图进行灰度化预处理,得到需要的灰度图像。
步骤S002:对图像进行聚类得到局部高亮区域;根据局部高亮区域附近特征得到各高亮区域显示程度;根据各局部高亮区域之间的相互影响性得到各局部高亮区域之间的影响系数;根据各局部高亮区域显示程度和各局部高亮区域之间的影响系数得到修正之后各局部高亮区域显示程度;根据各局部高亮区域的灰度均值、各局部高亮区域的连通域面积和修正之后各局部高亮区域显示程度得到不同k值下的分割程度。
(1)对图像进行k-means聚类得到不同k值下的局部高亮区域。
利用k-means,对各像素点的灰度值进行聚类,在不同的k值下,聚类的效果各不相同。
需要说明的是,随着k的增大,其图像中各区域的混乱程度逐渐增大。对于存在局部温度异常的图相中,由于温度的异常升高,其温度差较大,温度异常区域的分类个数会高于温度正常的区域。
在不同的k值下,对应的每一个分类都会存在多个连通域,本实施例以k=5为例进行如下叙述。
将具有共同边界线的任意两个连通域记为相邻的两个连通域;若一个连通域满足以下条件:
a、连通域的闭包内没有其他类的点;
b、对于与该连通域的边界相邻的连通域,该连通域的灰度均值最大。
如果满足上述两个条件,则认为该连通域为一个局部高亮区域。依据上述方式确定出图像中所有的局部高亮区域,将局部高亮区域的个数记为n。
当分类个数为k时,将图像中各局部高亮区域的按照灰度均值的从大到小顺序排列,得到一组数据,记为。
其中,表示在聚成k类下的分割图像中第i个局部高亮区域的灰度均值。
(2)根据局部高亮区域附近特征得到各高亮区域显示程度。
需要说明的是,对某一局部高亮区域的分割效果的好坏,需要观察以局部高亮区域为中心向四周辐射扩散的范围,若某一分割对该范围内的区域分割较为明显,则可以认为显示效果较好。
定义局部高亮区域的辐射范围:将任意一个局部高亮区域记为当前局部高亮区域;以当前局部高亮区域为辐射中心,从辐射中心所在连通域开始,向相邻连通域扩散:若相邻连通域的灰度均值小于辐射中心的灰度均值,则其相邻连通域属于辐射范围之内,否则相邻连通域不属于辐射范围内。然后辐射范围之内的连通域作为新的辐射中心,继续从辐射中心所在连通域开始,向相邻连通域扩散,以此类推,直至辐射中心相邻连通域均不在辐射范围之内时停止扩散。将所有属于辐射范围之内的连通域记为当前局部高亮区域的辐射范围。
同理分别获得所有局部高亮区域的辐射范围。
需要说明的是,由于在不同温度场景下,高亮区域辐射范围的温度差不同,分割明显的效果也各不相同,故预设温差阈值为。在灰度图中存在一定的灰度差,用于衡量在不同的k值下对高亮点附近分割的效果。当/>的辐射范围分割过少时,其相邻类别的温度差较大,会与/>相差也会较大,分割效果不佳;当/>的辐射范围分割过多时,相邻类别的温度差较小,会与/>相差也会过大,同样会导致分割效果不佳。其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定。
进一步需要说明的是,在分割类别个数为k时,的辐射范围内会包含/>个不同的类别,其中/>表示在第i个局部高亮区域的辐射范围内,包含的类别个数。计算其辐射范围温度差与覆盖类别个数的比值,表现了该分割下相邻类对该高亮区域分割的平均温度间隔,与给定的值作对比,即得到了在给定的温度间隔下,对该高亮区域分割的显示程度的好坏。且对于后续分割较为细密时,产生的不必要的局部高亮点,存在抑制的效果。
具体地,对于第i个局部高亮区域的显示程度为:
其中,表示为在第i个局部高亮区域的辐射范围内各连通域的灰度均值,/>表示在第i个局部高亮区域的辐射范围内的所有连通域的灰度均值的最大值,/>表示在第i个局部高亮区域的辐射范围内的所有连通域的灰度均值的最小值,/>表示为在第i个局部高亮区域的辐射范围内出现的类别个数,/>表示预设温度阈值,/>表示第i个局部高亮区域的修正前显示程度。
(3)根据各局部高亮区域之间的相互影响性得到各局部高亮区域之间的影响系数。
需要说明的是,对于不同的局部高亮区域,其任意两个之间一样会产生相互的影响,若两个局部高亮区域距离较近,则会造成温度的叠加,会放大其原本的灰度范围,进而会放大其分割的类别个数,导致的取值过大影响分割效果。
将第i个局部高亮区域的辐射区域与第j个局部高亮区域的辐射区域的交集中含有的类别个数记为。
将第i个局部高亮区域与第j个局部高亮区域之间的距离记为,但在区域之间的距离计算时不合适,所以此处确定每个区域的质心点,两个区域之间的距离通过区域之间的质心点进行计算。
具体地,则第i个局部高亮区域与第j个局部高亮区域之间的影响系数为的公式为:
其中,表示第i个局部高亮区域与第j个局部高亮区域之间的灰度均值的差值,表示第i个局部高亮区域的质心点与第j个局部高亮区域的质心点之间的距离,/>表示第i个局部高亮区域的辐射区域与第j个局部高亮区域的辐射区域的交集中含有的类别个数。
需要说明的是,随着的增大,其他局部高亮区域对温度异常区域的影响越小,故距离与影响系数成反比;而温差/>越小,其局部高亮区域对温度异常区域的影响会越大,故温差与影响系数成反比;/>代表着两个局部高亮区域辐射范围的重合度,即表示两个局部高亮区域辐射范围内的相同的类别个数,在重合程度高时,显然存在二者之间的相互影响。在利用局部高亮区域的距离/>与其温度差/>对相交类个数进行加权之后,在归一化之后得到了影响系数/>。
(4)根据各局部高亮区域显示程度和各局部高亮区域之间的影响系数得到修正之后各局部高亮区域显示程度。
具体地,修正之后的显示程度:
当时,/>。其中,/>表示第/>个局部高亮区域对第/>个局部高亮区域之间的影响系数,/>为第/>个高亮区域修正前的显示程度,/>表示第i个局部高亮区域修正之后的显示程度,n表示局部高亮区域的个数。
需要说明的是,利用影响系数,对其他高亮区域的显示程度进行加权。当第个高亮区域对第/>个高亮区域的影响程度较大时,表示二者之间的影响较大,可能会出现同一个高亮区域被细分为两个不必要的区域,此时/>会为一个较大的负权重,从而降低/>的显示效果;进而对原得到的显示程度进行修正。这一修正有助于修正分类过多时,同一局部高亮区域被分成多块,导致显示程度计算重复,影响最终分割效果。
至此,得到了修正之后各局部高亮区域的显示程度。
(5)根据各局部高亮区域的灰度均值、各局部高亮区域的连通域面积和修正之后各局部高亮区域显示程度得到不同k值下的分割程度。
需要说明的是,不同高亮区域连通域的灰度均值各不相同,其对应连通域面积也各不相同。分割程度与局部高亮灰度均值成正比,与局部高亮连通域面积成正比。对于固体绝缘开关柜中的局部发热情况,灰度均值越大,其对应连通域的显示程度应赋予更高的权重;连通域面积越大,其显示程度也应赋予更高的权重。故利用高亮区域的灰度均值与面积,对修正后的显示程度进行加权,得到在该k值下的分割程度。
具体地,分割程度的公式为:
其中,表示第/>个局部高亮区域的灰度均值,/>表示第/>个局部高亮区域的连通域面积,/>表示第i个局部高亮区域修正之后的显示程度,n表示局部高亮区域的个数,/>表示不同k值下的分割程度。
在上述给定一个k=5后,即可获得利用该k值进行k-means聚类分割后的分割程度。那么给定多个k值时,即可分别获取不同k值的分割程度,本实施例设置多个k值,分别为:1,2,3,……,10。
至此,得到了不同k值下的分割程度。
步骤S003:根据分割程度得到最优分割,并根据最优分割得到异常区域。
对求得的各k值下的分割程度P,获得分割程度最大的k值作为最优分割的类别个数。
利用k-means聚类算法将图像分割为个类别,获取每个类别下的灰度均值作为代表值。在预设一个灰度异常阈值B,其中本实施例以B=180为例进行叙述,本实施例不进行具体限定,其中B可根据具体实施情况而定。此时,根据每一类的代表值与灰度异常阈值B进行比较,当某一类代表值大于灰度异常阈值时,则将该类标记为异常区域,至此,获取最终图像中的所有异常区域。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于图像识别的开关柜状态智能检测控制方法,其特征在于,该方法包括以下步骤:
采集红外图像;
预设多个k值,将红外图像聚类为k个类别,每个所述类别对应若干连通域,从所有连通域中获取所有局部高亮区域;根据局部高亮区域获取局部高亮区域的辐射范围,再获取局部高亮区域辐射范围中的各连通域,根据每个局部高亮区域辐射范围中的各连通域的灰度均值、每个局部高亮区域辐射范围中的类别个数得到每个局部高亮区域的修正前的显示程度;根据任意两个局部高亮区域质心点之间的距离、任意两个局部高亮区域之间灰度均值的差值和任意两个局部高亮区域辐射范围相交区域的类别个数得到任意两个局部高亮区域的影响系数;根据每个局部高亮区域修正前的显示程度和两个局部高亮区域的影响系数得到每个局部高亮区域修正后的显示程度;
根据每个局部高亮区域修正后的显示程度、每个局部高亮区域的灰度均值和每个局部高亮区域的连通域面积得到不同k值下的分割程度;选取最大分割程度对应的k值为最优分割类别个数,然后用最优类别个数对图像聚类分割得到异常区域。
2.根据权利要求1所述基于图像识别的开关柜状态智能检测控制方法,其特征在于,所述局部高亮区域的具体获取方法为:
将具有共同边界线的任意两个连通域记为相邻的两个连通域,将要判断的连通域记为目标连通域;判断目标连通域是否满足以下两个条件:
a、目标连通域的闭包内没有其他类的点;
b、对于目标连通域的边界相邻的连通域,目标连通域的灰度均值最大;
如果目标连通域同时满足两个条件,则目标连通域为一个局部高亮区域。
3.根据权利要求1所述基于图像识别的开关柜状态智能检测控制方法,其特征在于,所述局部高亮区域的辐射范围的具体获取方法为:
将任意一个局部高亮区域记为当前局部高亮区域;以当前局部高亮区域为辐射中心,从辐射中心所在连通域开始,向相邻连通域扩散,若相邻连通域的灰度均值小于辐射中心的灰度均值,则其相邻连通域属于辐射范围之内,否则相邻连通域不属于辐射范围内,然后辐射范围之内的连通域作为新的辐射中心,继续从辐射中心所在连通域开始,向相邻连通域扩散,以此类推,直至辐射中心相邻连通域均不在辐射范围之内时停止扩散,将所有属于辐射范围之内的连通域记为当前局部高亮区域的辐射范围。
4.根据权利要求1所述基于图像识别的开关柜状态智能检测控制方法,其特征在于,所述修正前的显示程度的具体获取方法:
修正前的显示程度的公式为:
其中,表示为在第i个局部高亮区域的辐射范围内各连通域的灰度均值,/>表示在第i个局部高亮区域的辐射范围内的所有连通域的灰度均值的最大值,/>表示在第i个局部高亮区域的辐射范围内的所有连通域的灰度均值的最小值,/>表示为在第i个局部高亮区域的辐射范围内出现的类别个数,/>表示预设温度阈值,/>表示第i个局部高亮区域的修正前显示程度。
5.根据权利要求1所述基于图像识别的开关柜状态智能检测控制方法,其特征在于,所述影响系数的具体获取方法为:
影响系数的公式为:
其中,表示第i个局部高亮区域与第j个局部高亮区域之间的灰度均值的差值,/>表示第i个局部高亮区域的质心点与第j个局部高亮区域的质心点之间的距离,/>表示第i个局部高亮区域的辐射区域与第j个局部高亮区域的辐射区域的交集中含有的类别个数,/>表示为第i个局部高亮区域与第j个局部高亮区域之间的影响系数。
6.根据权利要求1所述基于图像识别的开关柜状态智能检测控制方法,其特征在于,所述修正后的显示程度的具体获取方法为:
将要修正的局部高亮区域记为目标区域,根据目标区域修正前的显示程度和目标区域与其他任意一个局部高亮区域之间的影像系数的乘积得到第一特征,再根据目标区域与其他不同的局部高亮区域之间的影响系数得到所有的第一特征,再对所有第一特征求和得到目标区域修正后的显示程度。
7.根据权利要求1所述基于图像识别的开关柜状态智能检测控制方法,其特征在于,所述分割程度的具体获取方法为:
根据任意一个局部高亮区域的灰度均值、任意一个局部高亮区域的连通域面积和任意一个局部高亮区域修正后的显示程度之间的乘积得到第二特征,根据所有局部高亮区域的第二特征的和得到图像的分割程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796574.3A CN116503633B (zh) | 2023-07-03 | 2023-07-03 | 基于图像识别的开关柜状态智能检测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796574.3A CN116503633B (zh) | 2023-07-03 | 2023-07-03 | 基于图像识别的开关柜状态智能检测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503633A true CN116503633A (zh) | 2023-07-28 |
CN116503633B CN116503633B (zh) | 2023-09-05 |
Family
ID=87318840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796574.3A Active CN116503633B (zh) | 2023-07-03 | 2023-07-03 | 基于图像识别的开关柜状态智能检测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503633B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215180A (zh) * | 2023-11-09 | 2023-12-12 | 海门市知行包装制品有限公司 | 基于模糊pid的塑料膜包装智能调控*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150717A (zh) * | 2011-12-06 | 2013-06-12 | 株式会社理光 | 图像高亮区域的检测方法、内容检测方法及内容检测装置 |
KR20150014646A (ko) * | 2013-07-30 | 2015-02-09 | 국방과학연구소 | 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체 |
US20200012859A1 (en) * | 2017-03-28 | 2020-01-09 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
CN112734637A (zh) * | 2020-12-18 | 2021-04-30 | 厦门大学 | 一种导线温度监测的热红外图像处理方法和*** |
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
CN115311375A (zh) * | 2022-10-10 | 2022-11-08 | 南通安昇纺织品有限公司 | 用于格纹织物数据的压缩存储、传输方法及*** |
CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
CN115880501A (zh) * | 2022-11-28 | 2023-03-31 | 武汉工程大学 | 一种基于红外相机的高压电线红外图像处理方法和*** |
CN116051822A (zh) * | 2022-09-22 | 2023-05-02 | 北京航天飞行控制中心 | 凹障碍的识别方法和装置、处理器及电子设备 |
-
2023
- 2023-07-03 CN CN202310796574.3A patent/CN116503633B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150717A (zh) * | 2011-12-06 | 2013-06-12 | 株式会社理光 | 图像高亮区域的检测方法、内容检测方法及内容检测装置 |
KR20150014646A (ko) * | 2013-07-30 | 2015-02-09 | 국방과학연구소 | 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체 |
US20200012859A1 (en) * | 2017-03-28 | 2020-01-09 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
CN112734637A (zh) * | 2020-12-18 | 2021-04-30 | 厦门大学 | 一种导线温度监测的热红外图像处理方法和*** |
CN116051822A (zh) * | 2022-09-22 | 2023-05-02 | 北京航天飞行控制中心 | 凹障碍的识别方法和装置、处理器及电子设备 |
CN115311375A (zh) * | 2022-10-10 | 2022-11-08 | 南通安昇纺织品有限公司 | 用于格纹织物数据的压缩存储、传输方法及*** |
CN115880501A (zh) * | 2022-11-28 | 2023-03-31 | 武汉工程大学 | 一种基于红外相机的高压电线红外图像处理方法和*** |
CN115760884A (zh) * | 2023-01-06 | 2023-03-07 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
Non-Patent Citations (2)
Title |
---|
李云峰;张澎悦;: "基于高亮区域自适应处理的监控图像去雾算法", 计算机应用与软件, no. 03 * |
辛浪;刘钧;袁渊;: "基于图像分割和局部亮度调整的微光图像颜色传递算法", 应用光学, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215180A (zh) * | 2023-11-09 | 2023-12-12 | 海门市知行包装制品有限公司 | 基于模糊pid的塑料膜包装智能调控*** |
CN117215180B (zh) * | 2023-11-09 | 2024-02-13 | 海门市知行包装制品有限公司 | 基于模糊pid的塑料膜包装智能调控*** |
Also Published As
Publication number | Publication date |
---|---|
CN116503633B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
CN105425123B (zh) | 一种紫外成像与红外成像协同检测电力设备故障的方法及*** | |
Almeida et al. | Intelligent thermographic diagnostic applied to surge arresters: a new approach | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN116503633B (zh) | 基于图像识别的开关柜状态智能检测控制方法 | |
CN115439474B (zh) | 一种电力设备故障快速定位方法 | |
Zuo et al. | An insulator defect detection algorithm based on computer vision | |
CN107103598A (zh) | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及*** | |
Aiping et al. | Face detection technology based on skin color segmentation and template matching | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN116721107B (zh) | 一种电缆生产质量智能监控*** | |
CN116520915A (zh) | 基于热红外图像的网络中心机房温度预警控制*** | |
CN114842002B (zh) | 一种检测油浸式变压器故障的方法 | |
CN116091498A (zh) | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 | |
He et al. | Detection and fault diagnosis of power transmission line in infrared image | |
CN113298178A (zh) | 基于热红外图像的变电站高压设备故障识别方法 | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控*** | |
CN109087311B (zh) | 示温漆温度判读方法 | |
CN118096738B (zh) | 一种新能源光伏组件故障检测方法及*** | |
CN117994067B (zh) | 一种基于羽毛粉生产的智能控制方法 | |
CN117409029B (zh) | 一种地热***环境影响评估方法及*** | |
CN116797603B (zh) | 一种光伏阵列故障诊断及定位方法 | |
Ye et al. | BIVS: block image and voting strategy for weather image classification |
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 |