CN117173703B - 一种隔离开关状态识别方法 - Google Patents
一种隔离开关状态识别方法 Download PDFInfo
- Publication number
- CN117173703B CN117173703B CN202311443231.5A CN202311443231A CN117173703B CN 117173703 B CN117173703 B CN 117173703B CN 202311443231 A CN202311443231 A CN 202311443231A CN 117173703 B CN117173703 B CN 117173703B
- Authority
- CN
- China
- Prior art keywords
- knife
- pixel
- pixel point
- area
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007547 defect Effects 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 30
- 238000005286 illumination Methods 0.000 claims abstract description 30
- 230000008447 perception Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种隔离开关状态识别方法,包括:获取隔离开关的灰度图像;将闸刀以及连接部分的区域设为ROI区域;对ROI区域分别在空域、频域上进行划分;结合频域上的能量特征获取ROI区域中像素点的总体能量值;构建像素点的闸刀光照感知变化;根据空域中梯度幅值变化,构建像素点的闸刀纹理特征差异;获取区域生长的生长准则;从而有效实现闸刀缺陷区域的完整分割,完成对隔离开关异常状态的识别,提高检测质量。
Description
技术领域
本发明涉及图像数据处理技术领域,具体为一种隔离开关状态识别方法。
背景技术
近年来我国的电力行业发展非常迅速,伴随着智能电网的建设与完善,对电力***中重要的运行设备也越来越重视。隔离开关作为能够快速、安全地切断电路的装置,能够在不影响电流的情况下将电路分离,确保维修人员在维护电路时的安全。随着时间的推移,隔离开关的设计逐渐得到了改善,按照绝缘柱结构可以分为单柱、双柱以及三柱式绝缘开关,其种类繁多可以使得隔离开关能够应用于更多的场景,确保能够更精确地控制电流,减少操作风险。
对于隔离开关来讲,闸刀是非常重要的一部分,闸刀的连接和闭合是实现电路连通断开的必要条件,但是隔离开关长期暴露于室外会引起闸刀与支撑柱之间的连接部位被腐蚀或者产生机械损坏等问题,会导致隔离开关的电气性能下降,从而在电流通路上会产生高电阻,引起不必要的能量损耗和发热。长期下来,过量的发热可能会引发故障、损坏设备等风险。甚至导致在触点间或闸刀的接触面上发生电弧,引起火花和***,在相关人员进行操作时发生安全事故。因此对隔离开关闸刀的异常状态识别是非常重要的,然而在不同光照条件下连接处会有零件对闸刀产生投影,导致图像区域像素的各种特征发生变化,从而降低了区分缺陷和正常区域的准确度,使得区域生长所分割出的缺陷图像不连贯甚至不完全,需要对区域生长的生长准则进行改进。
发明内容
为了解决上述技术问题,本发明提供一种隔离开关状态识别方法,以解决现有的问题。
本发明的一种隔离开关状态识别方法采用如下技术方案:
本发明一个实施例提供了一种隔离开关状态识别方法,该方法包括以下步骤:
获取隔离开关的灰度图像;
根据灰度图像获取闸刀以及连接部分的区域,将所述区域记为ROI区域;将ROI区域在空域上划分为正常闸刀区域、阴影闸刀区域以及连接区域;将ROI区域在频域上划分为一个低频子带和三个高频子带;获取各高频子带对应的系数矩阵;根据三个高频子带所对应的系数矩阵获取ROI区域中像素点的总体能量值;采用灰度游程矩阵将像素点在三个高频子带中的总体能量值作为输入构建灰度游程矩阵;根据灰度游程矩阵获取像素点所在游程长度编码的长度;根据像素点所在游程长度编码的长度获取像素点的闸刀光照感知变化;根据像素点的邻域窗口内水平方向梯度幅值变化获取像素点的闸刀横向梯度一致性;获取像素点的闸刀纵向梯度一致性;根据像素点的闸刀横向梯度一致性和闸刀纵向梯度一致性获取像素点的闸刀纹理特征差异;
根据像素点的闸刀光照感知变化以及闸刀纹理特征差异获取区域生长的生长准则;根据生长准则完成闸刀缺陷区域的分割;根据闸刀缺陷区域完成对隔离开关异常状态的识别。
优选的,所述根据灰度图像获取闸刀以及连接部分的区域,具体为:
使用语义分割网络对图像进行分割,将闸刀区域和连接处标注为1,其他区域标注为0;然后语义分割网络提取闸刀以及连接部分的区域。
优选的,所述将ROI区域在空域上划分为正常闸刀区域、阴影闸刀区域以及连接区域,具体方法为:
采用聚类算法将ROI区域分为三个区域;
将三个区域中灰度均值最大的区域记为正常闸刀区域,灰度均值第二大的记为连接区域,灰度均值最小的区域记为阴影闸刀区域。
优选的,所述将ROI区域在频域上划分为一个低频子带和三个高频子带,具体为:
使用小波基函数对ROI区域进行一层二维小波变换,将ROI区域分为低频子带、水平高频子带、垂直高频子带、对角高频子带。
优选的,所述根据三个高频子带所对应的系数矩阵获取ROI区域中像素点的总体能量值,具体为:
将像素点横、纵坐标的一半向上取整的值作为对应系数矩阵元素的行、列值;将像素点在三个高频子带中对应系数矩阵元素值的平方均值作为像素点的总体能量值。
优选的,所述根据像素点所在游程长度编码的长度获取像素点的闸刀光照感知变化,具体为:
将像素点所在游程长度编码的长度的相反数作为以自然常数为底数的指数函数的自变量;获取像素点所在区域的能量均值;计算该像素点的总体能量值与所述能量均值的差值绝对值的归一化结果;将所述归一化结果与所述指数函数的计算结果的乘积作为像素点的闸刀光照感知变化。
优选的,所述根据像素点的邻域窗口内各像素点在水平方向梯度幅值变化获取该像素点的闸刀横向梯度一致性,表达式为:
式中,为中心像素的闸刀横向梯度一致性,/>为窗口中心像素的水平方向梯度幅值,/>、/>分别为中心像素水平方向左侧、右侧/>个单位像素的梯度幅值。
优选的,所述根据像素点的闸刀横向梯度一致性和闸刀纵向梯度一致性获取像素点的闸刀纹理特征差异,具体为:
通过灰度共生矩阵获取该像素点所在窗口的熵值;计算闸刀横向梯度一致性与闸刀纵向梯度一致性的欧氏距离;将所述欧氏距离与所述熵值的乘积作为像素点的闸刀纹理特征差异。
优选的,所述根据像素点的闸刀光照感知变化以及闸刀纹理特征差异获取区域生长的生长准则,具体为:
设定生长阈值;将闸刀光照感知变化与闸刀纹理特征差异的乘积大于生长阈值作为区域生长的生长准则。
优选的,所述根据闸刀缺陷区域完成对隔离开关异常状态的识别,具体方法为:
获取缺陷区域的像素点个数,设置缺陷像素点阈值;当缺陷区域的像素点个数大于等于缺陷像素点阈值时,判定隔离开关状态异常;当缺陷区域的像素点个数小于缺陷像素点阈值时,判定隔离开关状态正常。
本发明至少具有如下有益效果:
本发明提出一种隔离开关状态识别方法,首先通过计算小波变换得到的总体能量值的差异,结合总体能量值获取像素点所在游程长度编码的游程长度,构建闸刀光照感知变化,可以准确捕捉到图像中光照不均匀或阴影引起的缺陷,从而提高了缺陷分析的准确性。其次,闸刀纹理特征差异结合了纹理特征和梯度幅值变化规律,在分析缺陷时能够提供更多的信息,可以有效地捕捉到图像中纹理变化引起的缺陷,并且可以从闸刀的明暗两部分区域单独分析其纹理的异常,有助于更全面地了解缺陷的性质和程度,并且消除掉由于光照程度不同而发生的纹理细节的变化。最后通过上述指标改进区域生长的生长准则,进行分析,不仅能够对阴影部分的缺陷精准分割,并且能够消除阴影部分和正常部分的特征差异,将处于明暗交界处的缺陷区域完整分割,提高了算法的鲁棒性和准确性。
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和优点,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的介绍,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它附图。
图1为本发明提供的一种隔离开关状态识别方法的流程图。
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一种隔离开关状态识别方法,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一种隔离开关状态识别方法的具体方案。
本发明一个实施例提供的一种隔离开关状态识别方法。
具体的,提供了如下的一种隔离开关状态识别方法,请参阅图1,该方法包括以下步骤:
步骤S001:对隔离开关的图像进行采集,并对采集到的图像进行预处理。
使用CCD工业相机近距离采集隔离开关的图像,需要注意的是,在进行图像采集时,需要对摄影角度进行调整,确保能够清晰的拍摄到隔离开关的闸刀以及连接处部分。图像采集完成后,对采集到的图像进行灰度化处理得到灰度图,使用中值滤波算法对灰度图进行去噪处理,去除大部分的噪声影响,之后使用直方图均衡化对经过去噪后的图像进行增强,完成对采集到图像的预处理。需要说明的是对图像的去噪、增强处理实施者可根据实际情况自行选取处理方法,中值滤波算法、直方图均衡化为现有公知技术,本实施例中不再详细阐述。
步骤S002:通过能量分布差异构建闸刀光照感知变化;通过梯度幅值变化,结合灰度共生矩阵提取纹理特征的熵值,构建闸刀纹理特征差异。
首先利用语义分割算法获取闸刀以及连接部分的区域,将其设为ROI区域,需要说明的是,ROI区域的获取实施者可根据实际情况自行选取分割算法,本实施例中采用基于卷积神经网络(CNN)的语义分割模型对经过预处理后的图像进行分割,并创建像素级别的标签,将闸刀区域以及连接处像素标注为1,背景或其它区域像素标注为0。之后采用Linknet图像分割网格结构作为语义分割模型,Adam算法进行模型训练优化、交叉熵损失函数指导模型训练,对预处理后的图像进行像素级别的分类,通过对基于卷积神经网络的语义分割模型进行训练和优化,输出经过语义分割处理后提取出的闸刀以及连接部分的区域。将CNN输出的区域设为ROI区域,并使后续分析都在ROI区域上进行。
由于闸刀部位两端与支柱相连接,连接部位通常会涉及一些元器件或固定装置,以确保连接牢固和操作可靠。首先对ROI区域使用K-means聚类,在ROI区域内,由于连接处固定装置以及元器件的遮挡,会导致整体的ROI区域上含有三种颜色类别,分别为无遮挡下的闸刀区域、阴影部分下的闸刀区域以及连接部位,所以设置聚类簇个数K=3,随机选择数据集中的K个像素点作为初始聚类中心进行聚类,完成对闸刀区域、阴影区域以及连接部位的分割。根据三个部分的灰度特征,记三个区域中灰度均值最大的区域为正常闸刀区域,其次为连接区域,灰度均值最小的区域为阴影闸刀区域。然后使用Sobel算子计算ROI区域内每个像素点的梯度幅值。需要说明的是,K-means聚类、Sobel算子为现有公知技术,本实施例中不再赘述。
由于处于元器件阴影下的闸刀缺陷可能会受到周围环境的影响,如周围元器件的投影等,这些附加的阴影和投影都会对缺陷的检测和分析造成干扰,使得这种情况下的缺陷与正常光照下的缺陷在图像中的位置和形状都有所不同。使用Daubechies小波基函数对ROI区域进行一层二维小波变换,将图像分为四个子带,分别是LL(低频)、LH(水平高频)、HL(垂直高频)和HH(对角高频),其分解后的对应系数矩阵分别为:,设图像大小均为/>则四个系数矩阵大小均为/>,其中/>为向上取整函数。计算ROI区域中像素/>在上述三个高频子带中的总体能量值/>:
式中,表示像素点/>在高频子带中的总能量,/>表示第/>个高频子带的系数矩阵上第/>行第/>列的数值,表示ROI区域的不同频率成分在位置/>上的贡献。
通过计算像素点三个高频子带下的位置贡献均值得到ROI区域上每个像素在各个高频子带上的总体能量值后,分别对正常闸刀区域和阴影闸刀区域进行总体能量均值计算,记阴影部分下闸刀区域像素的总体能量均值为,正常光照下闸刀区域的总体能量均值为/>。
在采集到的图像中,缺陷表现为颜色、纹理或亮度的异常,这些异常会导致像素之间存在能量差异。在一些情况下,缺陷所在的像素点与周围大部分像素点差异相对较大,并且这种差异在整个图像的能量计算中表现得比较突出。将每个像素的总体能量值代替像素的灰度值作为输入,构建灰度游程矩阵,设像素点所在游程长度编码的游程长度为。
像素在高频分量下的总体能量值对应图像中的细节,在光照变化的情况下,高频分量可以突出不同区域的局部变化,例如在光照变化较大的区域会产生更强烈的高频分量。根据像素的总体能量值与其所在游程长度编码的游程长度,构建像素点的闸刀光照感知变化/>:
式中,为像素点/>的闸刀光照感知变化,/>为像素点/>的总体能量值,/>为像素点所在区域的总体能量均值,/>为该像素点所在游程长度编码的游程长度,/>为归一化函数。
需要说明的是,像素点所在区域的总体能量均值分两种情况:若像素点处于阴影闸刀区域,则;若像素点处于正常闸刀区域,则/>。/>反映了该像素点的总体能量值与所在区域的总体能量均值的差值绝对值,由上述分析可得能量值可以放大缺陷像素与正常像素的差异,所以其值越大,代表该像素点为缺陷像素点的可能性越大,则/>越大;而游程长度/>反映了该像素所在游程长度编码的长短,由于闸刀表面由均匀且光滑的金属材料制成,在正常情况下处于相同光照的像素点能量值相近,所以正常情况下的像素点游程长度均会很长,即游程长度越长,该像素点为缺陷像素点的可能性越小,/>会随着游程长度/>的增大而减小。
进一步的,以像素点为中心,构建大小为/>的窗口,需要说明的是/>的取值实施者可根据实际情况自行设定,本实施例中/>取经验值为5。通过使用Sobel算子得到的像素梯度幅值对窗口内部进行分析。对窗口中心做水平方向和垂直方向上的梯度幅值计算,计算窗口内闸刀横向梯度一致性和闸刀纵向梯度一致性,其中,闸刀横向梯度一致性的表达式为:
式中,为中心像素的闸刀横向梯度一致性,/>为窗口中心像素的水平方向梯度幅值,/>、/>分别为中心像素水平方向左侧、右侧/>个单位像素的梯度幅值。/>越小,意味着中心像素的梯度变化与周围像素的梯度变化趋势越相似,越有可能为较为平滑的区域;反之越有可能为纹理区域。
使用相同的方法获取闸刀纵向梯度一致性。
以窗口内像素的灰度值作为输入获取灰度共生矩阵,并从其中提取熵值,结合窗口内闸刀横向梯度一致性和闸刀纵向梯度一致性,分析窗口中心像素的闸刀纹理特征差异/>:
其中,为窗口中心像素的闸刀纹理特征差异,F为窗口内使用灰度共生矩阵提取出的熵值,/>、/>分别为中心像素的闸刀横向梯度一致性、闸刀纵向梯度一致性,/>为归一化函数。
灰度共生矩阵的熵是灰度共生矩阵的一个纹理特征,它反映了图像中纹理的复杂程度,其值越大时,代表图像区域具有越强烈的纹理特征,不同像素点灰度值之间的搭配越多样化,所以/>会随着熵值/>的增大而增大;而中心像素的闸刀横向梯度一致性和闸刀纵向梯度一致性越大意味着中心像素的梯度变化与周围像素的梯度变化趋势差异越大,代表了纹理有着越明显变化的区域,/>也会随之增大。
步骤S003:获取区域生长的生长准则,分割闸刀的缺陷部分,完成对隔离开关异常检测的识别。
使用区域生长算法对隔离开关的闸刀区域进行缺陷检测,然而由于闸刀和连接部分的影响,以至于阴影和正常光照下分界区域附近的特征变化差异较大,如光照、颜色和纹理等特征,导致算法的准确性受到干扰,无法准确区分缺陷和正常区域,使得缺陷检测结果不够可靠,出现误报或漏报的情况,增大维修成本甚至造成安全事故。为了避免此类后果的发生,根据像素点的闸刀光照感知变化以及闸刀纹理特征差异改进区域生长的生长准则,新的生长准则为:
式中,为像素点的闸刀光照感知变化,/>为像素的闸刀纹理特征差异,且由上述分析可得,/>与/>越大,代表该像素越有可能为缺陷区域,/>为生长阈值,需要说明的是,生长阈值实施者可根据实际情况自行选取,本实施例中取经验值0.7。
新的生长准则设置完毕后,初始化种子点,计算像素点的闸刀光照感知变化与闸刀纹理特征差异,使用新的生长准则判断该像素是否属于缺陷区域,若该像素不符合新的生长准则,则重新选取种子点,直到种子点的为止。之后从种子像素点开始,根据生长准则搜索在8邻域上相邻的像素点,并判断该像素点是否符合新的生长准则。如果一个像素点被判断为符合新的生长准则,则将其添加到该区域中,并将其标记为已访问,通过迭代不断搜索并添加新的像素点,直到无法再增长为止,最终生长出来的区域即为闸刀的缺陷区域。
计算最终得到缺陷区域的像素点个数,设置缺陷像素点阈值,当缺陷区域的像素点个数大于等于缺陷像素点阈值时,判定隔离开关状态异常,需要安排工作人员进行现场确认,及时更换隔离开关;当缺陷区域的像素点个数小于缺陷像素点阈值时,判定隔离开关状态正常。需要说明的是,缺陷像素点阈值实施者可根据实际情况自行设定,本实施例中选取的阈值为200。至此,完成对隔离开关的异常状态识别。
综上所述,本发明实施例通过本发明提出一种隔离开关状态识别方法,首先通过计算小波变换得到的总体能量值的差异,结合总体能量值获取像素点所在游程长度编码的游程长度,构建闸刀光照感知变化,可以准确捕捉到图像中光照不均匀或阴影引起的缺陷,从而提高了缺陷分析的准确性。其次,闸刀纹理特征差异结合了纹理特征和梯度幅值变化规律,在分析缺陷时能够提供更多的信息,可以有效地捕捉到图像中纹理变化引起的缺陷,并且可以从闸刀的明暗两部分区域单独分析其纹理的异常,有助于更全面地了解缺陷的性质和程度,并且消除掉由于光照程度不同而发生的纹理细节的变化。最后通过上述指标改进区域生长的生长准则,进行分析,不仅能够对阴影部分的缺陷精准分割,并且能够消除阴影部分和正常部分的特征差异,将处于明暗交界处的缺陷区域完整分割,提高了算法的鲁棒性和准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种隔离开关状态识别方法,其特征在于,该方法包括以下步骤:
获取隔离开关的灰度图像;
根据灰度图像获取闸刀以及连接部分的区域,将所述区域记为ROI区域;将ROI区域在空域上划分为正常闸刀区域、阴影闸刀区域以及连接区域;将ROI区域在频域上划分为一个低频子带和三个高频子带;获取各高频子带对应的系数矩阵;根据三个高频子带所对应的系数矩阵获取ROI区域中像素点的总体能量值;采用灰度游程矩阵将像素点在三个高频子带中的总体能量值作为输入构建灰度游程矩阵;根据灰度游程矩阵获取像素点所在游程长度编码的长度;根据像素点所在游程长度编码的长度获取像素点的闸刀光照感知变化;根据像素点的邻域窗口内水平方向梯度幅值变化获取像素点的闸刀横向梯度一致性;获取像素点的闸刀纵向梯度一致性;根据像素点的闸刀横向梯度一致性和闸刀纵向梯度一致性获取像素点的闸刀纹理特征差异;
根据像素点的闸刀光照感知变化以及闸刀纹理特征差异获取区域生长的生长准则;根据生长准则完成闸刀缺陷区域的分割;根据闸刀缺陷区域完成对隔离开关异常状态的识别。
2.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据灰度图像获取闸刀以及连接部分的区域,具体为:
使用语义分割网络对图像进行分割,将闸刀区域和连接处标注为1,其他区域标注为0;然后语义分割网络提取闸刀以及连接部分的区域。
3.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述将ROI区域在空域上划分为正常闸刀区域、阴影闸刀区域以及连接区域,具体方法为:
采用聚类算法将ROI区域分为三个区域;
将三个区域中灰度均值最大的区域记为正常闸刀区域,灰度均值第二大的记为连接区域,灰度均值最小的区域记为阴影闸刀区域。
4.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述将ROI区域在频域上划分为一个低频子带和三个高频子带,具体为:
使用小波基函数对ROI区域进行一层二维小波变换,将ROI区域分为低频子带、水平高频子带、垂直高频子带、对角高频子带。
5.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据三个高频子带所对应的系数矩阵获取ROI区域中像素点的总体能量值,具体为:
将像素点横、纵坐标的一半向上取整的值作为对应系数矩阵元素的行、列值;将像素点在三个高频子带中对应系数矩阵元素值的平方均值作为像素点的总体能量值。
6.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据像素点所在游程长度编码的长度获取像素点的闸刀光照感知变化,具体为:
将像素点所在游程长度编码的长度的相反数作为以自然常数为底数的指数函数的自变量;获取像素点所在区域的能量均值;计算该像素点的总体能量值与所述能量均值的差值绝对值的归一化结果;将所述归一化结果与所述指数函数的计算结果的乘积作为像素点的闸刀光照感知变化。
7.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据像素点的邻域窗口内各像素点在水平方向梯度幅值变化获取该像素点的闸刀横向梯度一致性,表达式为:
式中,为中心像素/>的闸刀横向梯度一致性,/>为窗口中心像素/>的水平方向梯度幅值,/>、/>分别为中心像素/>水平方向左侧、右侧/>个单位像素的梯度幅值,N为邻域窗口边长的一半向下取整的值。
8.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据像素点的闸刀横向梯度一致性和闸刀纵向梯度一致性获取像素点的闸刀纹理特征差异,具体为:
通过灰度共生矩阵获取该像素点所在窗口的熵值;计算闸刀横向梯度一致性与闸刀纵向梯度一致性的欧氏距离;将所述欧氏距离与所述熵值的乘积作为像素点的闸刀纹理特征差异。
9.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据像素点的闸刀光照感知变化以及闸刀纹理特征差异获取区域生长的生长准则,具体为:
设定生长阈值;将闸刀光照感知变化与闸刀纹理特征差异的乘积大于生长阈值作为区域生长的生长准则。
10.如权利要求1所述的一种隔离开关状态识别方法,其特征在于,所述根据闸刀缺陷区域完成对隔离开关异常状态的识别,具体方法为:
获取缺陷区域的像素点个数,设置缺陷像素点阈值;当缺陷区域的像素点个数大于等于缺陷像素点阈值时,判定隔离开关状态异常;当缺陷区域的像素点个数小于缺陷像素点阈值时,判定隔离开关状态正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443231.5A CN117173703B (zh) | 2023-11-02 | 2023-11-02 | 一种隔离开关状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443231.5A CN117173703B (zh) | 2023-11-02 | 2023-11-02 | 一种隔离开关状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173703A CN117173703A (zh) | 2023-12-05 |
CN117173703B true CN117173703B (zh) | 2024-01-16 |
Family
ID=88932048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443231.5A Active CN117173703B (zh) | 2023-11-02 | 2023-11-02 | 一种隔离开关状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173703B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6804403B1 (en) * | 1998-07-15 | 2004-10-12 | Digital Accelerator Corporation | Region-based scalable image coding |
CN105374021A (zh) * | 2014-08-19 | 2016-03-02 | 南京理工大学 | 一种基于线条切方向的图形文字图像分割方法和*** |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN110781896A (zh) * | 2019-10-17 | 2020-02-11 | 暨南大学 | 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 |
CN113159035A (zh) * | 2021-05-10 | 2021-07-23 | 北京世纪好未来教育科技有限公司 | 图像处理方法、装置、设备及存储介质 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115082763A (zh) * | 2022-08-22 | 2022-09-20 | 江苏安弘电气有限公司 | 一种隔离换向开关状态识别方法及*** |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115909028A (zh) * | 2022-11-16 | 2023-04-04 | 昭通学院 | 一种基于梯度图像融合的高压隔离开关状态识别方法 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
-
2023
- 2023-11-02 CN CN202311443231.5A patent/CN117173703B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6804403B1 (en) * | 1998-07-15 | 2004-10-12 | Digital Accelerator Corporation | Region-based scalable image coding |
CN105374021A (zh) * | 2014-08-19 | 2016-03-02 | 南京理工大学 | 一种基于线条切方向的图形文字图像分割方法和*** |
CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
CN110781896A (zh) * | 2019-10-17 | 2020-02-11 | 暨南大学 | 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN113159035A (zh) * | 2021-05-10 | 2021-07-23 | 北京世纪好未来教育科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115082763A (zh) * | 2022-08-22 | 2022-09-20 | 江苏安弘电气有限公司 | 一种隔离换向开关状态识别方法及*** |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115909028A (zh) * | 2022-11-16 | 2023-04-04 | 昭通学院 | 一种基于梯度图像融合的高压隔离开关状态识别方法 |
CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Computer aided mass segmentation in mammogram images using Grey wolf Optimized Region growing technique;Ashi Ashok,等;《2021 5th International Conference on Trends in Electronics and Informatics (ICOEI)》;第1082-1087页 * |
基于BP神经网络的高压隔离开关分合闸监测识别;刘子英;张靖;邓芳明;;电力***保护与控制(第05期);第140-146页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173703A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Combined thresholding and neural network approach for vein pattern extraction from leaf images | |
Wang et al. | Detection and counting of immature green citrus fruit based on the Local Binary Patterns (LBP) feature using illumination-normalized images | |
WO2020224458A1 (zh) | 一种基于图像处理的电晕检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN109993736B (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
CN109446982B (zh) | 一种基于ar眼镜的电力屏柜压板状态识别方法及*** | |
Valliammal et al. | Hybrid image segmentation algorithm for leaf recognition and characterization | |
CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN110660065A (zh) | 一种红外故障检测识别算法 | |
CN111539293A (zh) | 一种果树病害诊断方法及*** | |
CN115861987A (zh) | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 | |
CN112115807A (zh) | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和*** | |
CN109682821B (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN115439804A (zh) | 一种用于高铁检修的监测方法以及装置 | |
CN107886493B (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN111476784A (zh) | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 | |
CN117173703B (zh) | 一种隔离开关状态识别方法 | |
CN111192332B (zh) | 一种基于烟雾检测的烟机控制方法以及烟机 | |
CN110517226B (zh) | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 | |
CN114119634B (zh) | 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及*** | |
Khan et al. | Shadow removal from digital images using multi-channel binarization and shadow matting | |
CN111260589B (zh) | 基于Retinex的输电线路监控图像去雾方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |