CN116883717A - 压板校核方法、装置、计算机可读存储介质及计算机设备 - Google Patents
压板校核方法、装置、计算机可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116883717A CN116883717A CN202310679106.8A CN202310679106A CN116883717A CN 116883717 A CN116883717 A CN 116883717A CN 202310679106 A CN202310679106 A CN 202310679106A CN 116883717 A CN116883717 A CN 116883717A
- Authority
- CN
- China
- Prior art keywords
- target
- checking
- platen
- data
- pressing 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 57
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003825 pressing Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims description 27
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 230000001681 protective effect Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009993 protective function Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
- 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
- G06V10/761—Proximity, similarity or dissimilarity 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种压板校核方法、装置、计算机可读存储介质及计算机设备。其中,该方法包括:接收压板校核指令;响应于压板校核指令,拍摄目标压板的指定区域,得到目标图片;对目标图片进行图像识别,得到目标校核结果;基于目标校核结果,生成与压板校核指令对应的目标校核报告。本发明解决了针对保护压板的核对方式耗费时间长、效率低、错误率高的技术问题。
Description
技术领域
本发明涉及变电站运维领域,具体而言,涉及一种压板校核方法、装置、计算机可读存储介质及计算机设备。
背景技术
在相关技术中,通常采用纸质表格对保护压板进行人工核对,但这种核对方式所需时间较长,工作效率低,且核对错误率高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种压板校核方法、装置、计算机可读存储介质及计算机设备,以至少解决针对保护压板的核对方式耗费时间长、效率低、错误率高的技术问题。
根据本发明实施例的一个方面,提供了一种压板校核方法,包括:接收压板校核指令;响应于压板校核指令,拍摄目标压板的指定区域,得到目标图片;对目标图片进行图像识别,得到目标校核结果;基于目标校核结果,生成与压板校核指令对应的目标校核报告。
可选的,在接收压板校核指令之前,上述方法还包括:导入压板数据,并对压板数据进行维护;确定校核任务信息,并对校核任务信息进行维护;基于压板数据和校核任务信息的维护结果,生成压板校核任务,其中,压板校核任务与压板校核指令对应。
可选的,导入压板数据,并对压板数据进行维护,包括:按照预定数据项,导入新增压板数据,和/或,按照预定维护模板,对压板数据进行维护,并导入维护后的压板数据。
可选的,对目标图片进行图像识别,得到目标校核结果,包括:采用图像识别模型,判断目标图片与数据库中导入的压板数据是否一致;基于判断结果,确定目标校核结果。
可选的,在采用图像识别模型,判断目标图片与数据库中导入的压板数据是否一致之前,还包括:基于目标检测模型和分类模型,建立初始模型;获取多组样本图片,并对多组样本图片进行预处理;采用预处理后的多组样本图片训练初始模型,得到图像识别模型。
可选的,基于判断结果,确定目标校核结果,包括:在判断结果为不一致的情况下,针对目标图片对应的指定区域进行二次校核;基于二次校核的结果,确定目标校核结果。
可选的,上述方法还包括:在目标图片为多个的情况下,对多个目标图片进行排序。
根据本发明实施例的另一方面,还提供了一种压板校核装置,包括:接收模块,用于接收压板校核指令;拍摄模块,用于响应于压板校核指令,拍摄目标压板的指定区域,得到目标图片;识别模块,用于对目标图片进行图像识别,得到目标校核结果;生成模块,用于基于目标校核结果,生成与压板校核指令对应的目标校核报告。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的压板校核方法。
根据本发明实施例的另一方面,还提供了一种计算机设备,包括:存储器和处理器,存储器存储有计算机程序;处理器,用于执行存储器中存储的计算机程序,计算机程序运行时使得处理器执行上述任意一项的压板校核方法。
在本发明实施例中,采用图像识别的方式,通过在接收到压板校核指令后,针对目标压板需要进行核对的区域,即指定区域,进行拍摄,得到目标图片,并对目标图像进行图像识别,根据图像识别结果直接确定出目标校核结果,且基于该目标校核结果可生成与压板校核指令对应的目标校核报告,取代了之前采用人工进行逐一核对的传统方式,大大提高了针对目标压板的校核效率以及准确率,从而实现了减少压板核对耗时、提高核对效率,减小校核错误率的技术效果,进而解决了针对保护压板的核对方式耗费时间长、效率低、错误率高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例提供的压板校核方法的流程图;
图2是根据现有技术提供的核对压板工作流程图;
图3是根据本发明可选实施方式提供的图像识别技术实施前期工作准备-模型集成流程图;
图4是根据本发明可选实施方式提供的图像识别技术实施前期工作准备-压板库维护流程图;
图5是根据本发明可选实施方式提供的图像识别技术实施前期工作准备-压板库维护流程图;
图6是根据本发明可选实施方式提供的压板校核装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
术语说明
保护压板,也称跳闸压板,是保护装置联系外部接线的桥梁和纽带,关系到保护的功能和动作出口能否正常发挥作用。
电网***在运行方式改变时,往往涉及到保护压板的投退,保护装置的压板状态是否正确会直接影响保护功能的实现,严重时甚至会引起保护拒动或误动,从而导致大范围停电事故,因此运维人员应定期对全站所有的保护柜名称、装置型号、压板位置信息等进行核对检查。
图2是根据现有技术提供的核对压板工作流程图,如图2所示,核对流程主要分为压板数据整理、前期工作准备、压板现场核对、判断一致性、记录整理留存五个阶段。目前核对保护压板只能通过人工纸质表格核对,这种传统的核对方式耗费时间较长,工作效率低,核对错误率高。
针对上述问题,本发明实施例提供了一种压板校核的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例提供的压板校核方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,接收压板校核指令;
步骤S104,响应于压板校核指令,拍摄目标压板的指定区域,得到目标图片;
步骤S108,对目标图片进行图像识别,得到目标校核结果;
步骤S110,基于目标校核结果,生成与压板校核指令对应的目标校核报告。
通过上述步骤,采用图像识别的方式,在接收到压板校核指令后,针对目标压板需要进行核对的区域,即指定区域,进行拍摄,得到目标图片,并对目标图像进行图像识别,根据图像识别结果直接确定出目标校核结果,且基于该目标校核结果可生成与压板校核指令对应的目标校核报告,取代了之前采用人工进行逐一核对的传统方式,大大提高了针对目标压板的校核效率以及准确率,从而实现了减少压板核对耗时、提高核对效率,减小校核错误率的技术效果,进而解决了针对保护压板的核对方式耗费时间长、效率低、错误率高的技术问题。
需要说明的是,本实施例所提供的方法不仅可以对压板进行高效校核,还可以对手把、指示灯等变电站相关保护装置统一进行高效校核。
作为一种可选的实施例,在接收压板校核指令之前,上述方法还包括:导入压板数据,并对压板数据进行维护;确定校核任务信息,并对校核任务信息进行维护;基于压板数据和校核任务信息的维护结果,生成压板校核任务,其中,压板校核任务与压板校核指令对应。
其中,上述的压板数据包括以下至少之一:压板、手把及指示灯的名称,压板、手把及指示灯的正常运行位置,备注,变电站名称,调度号,路名,保护装置类型,核对结果。上述的校核任务信息包括以下至少之一:维护工作负责人,工作成员,计划开始时间,计划结束时间,是否自动生成压板校核任务,校核巡视内容,备注。对压板数据和校核任务信息进行维护,即对上述数据进行更新、查错以及减少数据冗余等操作,以确保基于压板数据和校核任务信息生成的压板校核任务是有效的。
优选的,上述压板校核任务可在终端界面上进行显示,例如,终端可基于数据库中已完成数据维护的压板数据和校核任务信息生成压板校核任务,并在显示屏上展示该压板校核任务,通过用户在界面上对该压板校核任务执行选中操作,即压板校核指令,而终端在接收到压板校核指令之后,就可以对目标压板的指定区域进行拍摄,继续执行之后的校核操作。
作为一种可选的实施例,导入压板数据,并对压板数据进行维护,包括:按照预定数据项,导入新增压板数据,和/或,按照预定维护模板,对压板数据进行维护,并导入维护后的压板数据。
导入压板数据和校核任务信息时,可以采用多种方式,例如,当需要新增数据时,可以按照保护装置类型、名称、正常运行位置、备注等进行填写,也可以按照变电站名称、调度号、路名、保护装置类型、保护装置名称、正常运行位置、核对结果、备注等对现有的数据进行数据维护,并在数据维护结束后,导入维护后的数据。
作为一种可选的实施例,对目标图片进行图像识别,得到目标校核结果,包括:采用图像识别模型,判断目标图片与数据库中导入的压板数据是否一致;基于判断结果,确定目标校核结果。
在本实施例中,通过采用图像识别模型对拍摄得到的目标图片进行图像识别,可以高效、快速地判断出当前目标图片中的压板(或指示灯,手把等)是否与数据库中已导入的数据一致,完成校核,得到上述的目标校核结果。
作为一种可选的实施例,在采用图像识别模型,判断目标图片与数据库中导入的压板数据是否一致之前,还包括:基于目标检测模型和分类模型,建立初始模型;获取多组样本图片,并对多组样本图片进行预处理;采用预处理后的多组样本图片训练初始模型,得到图像识别模型。
为提高图像识别的速度和精度,本实施例中采用先确定目标对象在图像中的位置,再对目标对象进行分类的方式,即基于目标检测模型和分类模型来构建本实施例中的初始模型,再采集不同类型、不同尺寸和不同形状的压板图像数据和/或视频数据,通过对上述数据进行去噪、增强对比度、调整亮度等处理,得到质量和清晰度更高的图像数据,即预处理后的多组样本数据,基于该预处理后的多组样本数据对初始模型进行训练,即可得到本实施例中的图像识别模型。
优选的,本实施例中的目标检测模型可以是YOLOv4检测模型,分类模型可以是ShuffleNet-v2开关类别分类模型,其中,在YOLOv4检测模型中使用激活函数Mish作为网络的非线性激活单元。
作为一种可选的实施例,基于判断结果,确定目标校核结果,包括:在判断结果为不一致的情况下,针对目标图片对应的指定区域进行二次校核;基于二次校核的结果,确定目标校核结果。
在判断结果为一致的情况下,说明当前压板状态与数据库中导入的数据所记载的状态一致,没有问题,而在判断结果不一致的情况下,说明当前压板状态与数据库中导入的数据所记载的状态不一致,此时本实施例会针对目标图片所对应的指定区域进行二次校核,例如,可以采用重新拍摄目标图片再次进行图像识别的方式进行二次校核,以避免因拍摄问题造成的判断结果不一致,也可以基于判断结果向用户发出提示,以提醒用户对该指定区域进行人工校核,等等。
作为一种可选的实施例,上述方法还包括:在目标图片为多个的情况下,对多个目标图片进行排序。在目标图片为多个时,还可以按照校核时间、名称、压板的电压等级等进行自定义排序,且还可对目标图片进行模糊查询等操作。
基于上述实施例及可选实施例,本发明还提出一种可选实施方式,下面进行说明。
本发明可选实施方式提出一种基于图像识别技术的保护压板识别方法。
(1)图像识别模型
在本发明可选实施方式中,保护压板识别分别采用图像处理技术和深度学习模型实现,能够通过单帧图像检测条状开关压板的开关位置分布,并识别每个开关的投退状态,并且也能通过单帧图像检测连片式开关压板的开关位置分布,并识别每个开关的投退状态。
针对提取出的感兴趣区域,首先采用目标检测模型检测开关所在图像中的坐标位置,然后利用分类模型实现开关状态的细粒度分类识别。
1)目标检测模型YOLOv4
基于深度学习的目标检测方案有多种,从实现步骤上来看有以Faster R-CNN为代表的Two-stage方法和SSD,YOLO等为代表的One-stage方法,从预设框的设置来看有Anchor-base方法和Anchor-fre方法。综合考虑精度和检测速度等方面,本发明可选实施方式采用YOLO算法作为目标检测的基础框架。YOLO作为一个端对端的单步目标检测模型,相较于R-CNN系列,只需使用单个神经网络骨架完成整个检测任务——这样做能大大减少网络的训练和检测的时间消耗。具体地,本发明可选实施方式选用目标YOLOv4模型,因为该模型兼顾较好的模型精度和时间效率。
1、主干网络选取CSP-Darknet53
骨干网络(特征描述网络)是深度学习模型的关键部分,其结构对其提取特征的描述能力具有非常大的影响。综合考虑网络表现,本文采用CSP-DarkNet53作为检测模型的特征描述网络。CSP-DarkNet53沿用DarkNet53的滤波器尺寸和整体结构,并在网络中引入Cross Stage Part ial结构,同时取消了bott leneck结构,从而减少了网络参数,使其更容易训练。Darknet-53是一个深层的卷积神经网络,共由53个卷积层组成。网络的滤波器尺寸采用常规的1×1和3×3大小的小尺寸滤波器,通过串接多层小尺寸滤波层可以获取大的感受野,并且使网络的参数数量维持在较低的状态。Cross Stage Part ial(CSP)结构,其初衷是减少计算量并且增强梯度的表现。主要思想是:在输入block之前,将输入分为两个部分,其中一部分通过block进行计算,另一部分直接通过一个shortbut进行concatenate。按照惯例,网络的卷积层后面加入BN以帮助网络训练。
2、激活函数Mish激活单元
激活函数是为了提高网络的学习能力,提升梯度的传递效率。CNN常用的激活函数也在不断地发展,早期网络常用的有ReLU,LeakyReLU,softplus等,后来又有了Swish,Mish等。本发明可选实施方式使用Mish函数作为网络的非线性激活单元,其计算公式如下:
ζ(x)=log(1+ex)
Mish(x)=x·tanh(ζ(x))
Mish是无正向边界的,可以避免梯度饱和;其次Mish函数是处处光滑的,并且在绝对值较小的负值区域允许一些负值。
在骨干网络之后,按照YOLOv4思路采用一个特征融合网络实现特征的重用和融合。特征融合网络的结构结合了PANNe网络中的特征金字塔增强模块(Feature PyramidEnhancement Module,FPEM),用于增强特征。并且在不同的特征层进行堆叠之前采用SPP(Spat ial Pyramid Pool ing)构造多尺度特征,提升网络在尺度不变性上的表现。在训练阶段,基于采集到图像的原图提取到的感兴趣区域,并对感兴趣区域图像进行扩充,构建数据集。训练中采用Momentum-SGD作为优化函数,采用MSE和交叉熵作为损失函数。目标检测模型训练完成后,可以从感兴趣区域图像中获取待识别开关在图像中的位置、以及开关的类别。
2)开关类别分类模型ShuffleNet-v2
由于保护压板开关的信息量少,且分、合状态的同一种开关特征相似,所以在完成目标检测后,需要进行更细粒度地分类。因为ShuffleNet-v2属于轻量级网络,在推理时间方面效率较高,并且具有很好的模型精度。其网络结构主要包含分组卷积和通道交换的思想,能够充分帮助信息流动。训练时,针对4种开关的分合状态制定8分类任务,利用目标检测模型的输出结果获取开关局部图像,并形成分类数据集。训练过程采用Adam优化器,并使用交叉熵作为损失函数。
通过分类模型,算法最终可以在目标检测模型输出结果的基础上识别开关的状态。最终,可以得出整个任务的开关位置、开关状态。
(2)前期工作准备-模型集成
图3是根据本发明可选实施方式提供的图像识别技术实施前期工作准备-模型集成流程图。
1)数据采集和预处理
首先,在保护压板识别技术的方案中,数据采集是非常重要的一步。通常采用摄像头、相机等设备来获取保护压板的图像或视频数据。为了提高识别准确率,应选择高分辨率的设备,避免因设备本身导致的误差。本发明可选实施方式将采集不同类型、不同尺寸和不同形状的压板图像数据,并对其进行预处理,在预处理步骤中,需要对采集到的图像或视频进行去噪、增强对比度、调整亮度等处理,以提高图像质量和清晰度,方便后续处理和识别,以准备用于后续的模型训练。
2)模型训练和优化
本发明可选实施方式将使用深度学习算法,如卷积神经网络(Convolut ionalNeural Networks,CNNs),对预处理后的压板图像数据进行训练,以构建一个高效准确的压板识别模型。通过对模型进行不断优化,提高其识别准确率和鲁棒性。
3)压板识别***集成
本发明可选实施方式将训练好的压板识别模型集成到***中,实现自动化的压板识别。将模式识别的结果与预先设定的标准进行比对,实现判断保护压板的状态。
4)***测试和调试
本发明可选实施方式将对集成后的保护压板识别算法进行全面的测试和调试,确保其在实际生产环境中的稳定性和可靠性。本发明可选实施方式会根据反馈和需求进行***的调优和改进,以满足实际应用需求。
5)技术支持和维护
本发明可选实施方式将为客户提供持续的技术支持和维护服务,包括***的日常运行监控、故障排查和问题解决等,确保***的长期稳定性和性能。
(3)前期工作准备-压板库维护
图4是根据本发明可选实施方式提供的图像识别技术实施前期工作准备-压板库维护流程图。
1)导入历史压板数据
1、方法1:新增压板信息进行维护,有保护装置、压板/手把/指示灯、压板手把及指示灯名称、正常运行位置、备注进行填写。
2、方法2:利用压板库维护模板,在模板对站名、调度号、路名、保护装置类型、压板/手把/指示灯、压板/手把/指示灯名称、正常运行位置、核对结果、备注等信息进行维护,维护完成后保存至本地,导入选择维护完成的模板,即可导入成功。
2)现场校核
使用APP对当前压板、手把、指示灯状态拍摄图像,自动进行校验。
3)是否手动校核
点击某一个屏柜,分别对指示灯、手把、压板拍摄照片进行图像识别,由APP判断提示压板、手把、指示灯状态与导入数据是否一致,并对一些识别结果不准确的照片进行手动校核
4)历史精准、图像识别精准校核
若APP判断提示压板、手把、指示灯与导入数据不一致,再进行逐一手动核对更正。
5)压板核对入库
完成压板库维护工作。
(4)压板现场核对
图5是根据本发明可选实施方式提供的图像识别技术实施前期工作准备-压板库维护流程图。
1)压板核对定期巡视任务工单派单
该变电站压板库维护完成后,新增对变电非周期巡视任务进行维护,还需要维护工作负责人、工作成员、计划开始时间、计划结束时间、是否自动派单、巡视内容、备注等字段的内容。信息维护完成后,一键生成工单,工单自动生成巡视工单。该工单可以在变电工单管控中进行派单。
2)接单
进入到APP接单页面,点击接单后进入到到达现场页面。到达现场需要拍摄到达现场照片。
3)拍摄指示灯和压板,智能截图校核
进入到该变电站压板核对检查页面,按照保护屏对指示灯、手把、压板的校核状态进行展示拍摄,可以根据校核时间、名称和电压等级进行自定义排序,还支持模糊查询。
4)是否手动校核
点击某一个屏柜,分别对指示灯、手把、压板拍摄照片进行图像识别,由APP判断提示压板、手把、指示灯状态与导入数据是否一致,并对一些识别结果不准确的照片进行手动校核
5)历史精准、图像识别精准校核
若APP判断提示压板、手把、指示灯与导入数据不一致,再进行逐一手动核对更正。
6)工单归档(压板核对正常入库)
该工单内的所有站的保护屏都校核完成后,提交该条巡视工单后最终形成巡视的报告。
综上,本发明可选实施方式具有以下优点:
1、本发明可选实施方式提供的基于图像识别技术的保护压板识别方法,利用图像识别技术有效解决人工核对压板工作效率低、工作耗费时间较长、核对错误率高等问题。其在图像识别领域中技术新颖,算法性能优异,不但克服了原有基于人工核对压板方法工作效率低、工作耗费时间较长的问题,而且提高了核对的精度。通过搭建目标YOLOv4检测模型和ShuffleNet-v2开关类别分类模型,运用相关算法设计出一种图像识别方法。利用其对压板进行图像识别、数据采集和数据分析,核对压板工作更加智能化,且该图像识别技术具有运算速度快、可靠性高等优点,使得核对压板工作更加便捷、简单。
2、本发明可选实施方式图像识别技术采用目标YOLOv4检测模型,该算法采用了非常优秀的优化策略,检测速度非常快,不但能节省大量的网络训练和检测时间的消耗,还能具备较高的模型精度。
YOLOv4选择使用CSP-DarkNet53网络结构为主干网,用来提取目标特征。图像特征提取能力较强,CSP结构解决了主干网络中信息重复问题,使得最终模型推理速度有所提升。CSP-DarkNet53网络结构在不损失检测精度的前提下,提升卷积网络对特征提取的能力,加快了检测速度。降低整个模型的计算损耗,容易实现特征图的快速降维。
YOLOv4使用激活函数Mish作为网络的非线性激活单元,它是一种新型的激活函数,能够提高网络的学***滑性和更强的泛化性能,能够更好的避免过拟合,可以防止梯度消失和梯度***的问题。
3、本发明可选实施方式图像识别技术采用ShuffleNet-v2开关类别分类模型,在速度和准确度之间做了很好的平衡,性能超越当下主流网络,达到了较高水平。首先它的网络设计中,模块单元能够使网络有更多的通道数量和网络容量。其次,特种通道直接贯穿这个模块单元连接下一个模块,即特征再利用。这使得在推理时间方面效率较高,并且具有很好的模型精度,识别准确率极高。
根据本发明实施例,还提供了一种压板校核装置,图6是根据本发明可选实施方式提供的压板校核装置的结构框图,如图6所示,该装置包括:接收模块61,拍摄模块62,识别模块63和生成模块64,下面对该装置进行说明。
接收模块61,用于接收压板校核指令;拍摄模块62,连接至上述接收模块61,用于响应于压板校核指令,拍摄目标压板的指定区域,得到目标图片;识别模块63,连接至上述拍摄模块62,用于对目标图片进行图像识别,得到目标校核结果;生成模块64,连接至上述识别模块63,用于基于目标校核结果,生成与压板校核指令对应的目标校核报告。
根据本发明实施例,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的压板校核方法。
根据本发明实施例,还提供了一种计算机设备,包括:存储器和处理器,存储器存储有计算机程序;处理器,用于执行存储器中存储的计算机程序,计算机程序运行时使得处理器执行上述任意一项的压板校核方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种压板校核方法,其特征在于,包括:
接收压板校核指令;
响应于所述压板校核指令,拍摄目标压板的指定区域,得到目标图片;
对所述目标图片进行图像识别,得到目标校核结果;
基于所述目标校核结果,生成与所述压板校核指令对应的目标校核报告。
2.根据权利要求1所述的方法,其特征在于,在所述接收压板校核指令之前,所述方法还包括:
导入压板数据,并对所述压板数据进行维护;
确定校核任务信息,并对所述校核任务信息进行维护;
基于所述压板数据和所述校核任务信息的维护结果,生成压板校核任务,其中,所述压板校核任务与所述压板校核指令对应。
3.根据权利要求2所述的方法,其特征在于,所述导入压板数据,并对所述压板数据进行维护,包括:
按照预定数据项,导入新增压板数据,
和/或,
按照预定维护模板,对所述压板数据进行维护,并导入维护后的压板数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标图片进行图像识别,得到目标校核结果,包括:
采用图像识别模型,判断所述目标图片与数据库中导入的压板数据是否一致;
基于判断结果,确定所述目标校核结果。
5.根据权利要求4所述的方法,其特征在于,在所述采用图像识别模型,判断所述目标图片与数据库中导入的压板数据是否一致之前,还包括:
基于目标检测模型和分类模型,建立初始模型;
获取多组样本图片,并对所述多组样本图片进行预处理;
采用预处理后的多组样本图片训练所述初始模型,得到所述图像识别模型。
6.根据权利要求4所述的方法,其特征在于,所述基于判断结果,确定所述目标校核结果,包括:
在所述判断结果为不一致的情况下,针对所述目标图片对应的所述指定区域进行二次校核;
基于二次校核的结果,确定所述目标校核结果。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述方法还包括:
在所述目标图片为多个的情况下,对多个目标图片进行排序。
8.一种压板校核装置,其特征在于,包括:
接收模块,用于接收压板校核指令;
拍摄模块,用于响应于所述压板校核指令,拍摄目标压板的指定区域,得到目标图片;
识别模块,用于对所述目标图片进行图像识别,得到目标校核结果;
生成模块,用于基于所述目标校核结果,生成与所述压板校核指令对应的目标校核报告。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的压板校核方法。
10.一种计算机设备,其特征在于,包括:存储器和处理器,
所述存储器存储有计算机程序;
所述处理器,用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述的压板校核方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679106.8A CN116883717A (zh) | 2023-06-08 | 2023-06-08 | 压板校核方法、装置、计算机可读存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310679106.8A CN116883717A (zh) | 2023-06-08 | 2023-06-08 | 压板校核方法、装置、计算机可读存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883717A true CN116883717A (zh) | 2023-10-13 |
Family
ID=88253805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310679106.8A Pending CN116883717A (zh) | 2023-06-08 | 2023-06-08 | 压板校核方法、装置、计算机可读存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883717A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541028A (zh) * | 2024-01-09 | 2024-02-09 | 国网山东省电力公司菏泽供电公司 | 一种保护压板的管理*** |
-
2023
- 2023-06-08 CN CN202310679106.8A patent/CN116883717A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541028A (zh) * | 2024-01-09 | 2024-02-09 | 国网山东省电力公司菏泽供电公司 | 一种保护压板的管理*** |
CN117541028B (zh) * | 2024-01-09 | 2024-04-12 | 国网山东省电力公司菏泽供电公司 | 一种保护压板的管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105372581B (zh) | 挠性电路板制造过程自动监测和智能分析***及方法 | |
CN111259892B (zh) | 一种指示灯状态的巡检方法、装置、设备和介质 | |
CN108596277A (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN109919925A (zh) | 印刷电路板智能检测方法、***、电子装置及存储介质 | |
CN110348441A (zh) | 增值税***识别方法、装置、计算机设备及存储介质 | |
CN111368089A (zh) | 一种基于知识图谱的业务处理方法及装置 | |
CN107993057A (zh) | 一种基于bim的建筑施工监管方法 | |
CN116883717A (zh) | 压板校核方法、装置、计算机可读存储介质及计算机设备 | |
CN109617233A (zh) | 保护压板自动核对校验方法 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
CN110379036A (zh) | 变电站智能巡检识别方法、***、装置及存储介质 | |
CN107291863B (zh) | 一种用于工控设备信息安全的快速核查方法及装置 | |
CN113762081B (zh) | 一种基于YOLOv5s的粮仓害虫检测方法 | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN114549812A (zh) | 基于目标检测模型的智能变电站继电保护硬压板校核方法 | |
CN110113327A (zh) | 一种检测dga域名的方法及装置 | |
CN109087281A (zh) | 显示屏***电路检测方法、装置、电子设备及存储介质 | |
CN114858806A (zh) | 一种卷烟质量检验数据分析***与方法 | |
CN111126264A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
CN113794277A (zh) | 一种压板状态图像识别方法和*** | |
CN109726710A (zh) | ***信息采集方法、电子装置及可读存储介质 | |
CN114666774B (zh) | 一种蓝牙设备的标识匹配***及方法 |
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 |