一种基于改进深度学习的刀闸状态识别方法技术

本发明专利技术公开了一种基于改进深度学习的刀闸状态识别方法，包括以下步骤：获取训练模型；通过训练模型对输入图像进行预测获得预测框的概率；利用滑动窗口策略选择候选区域并获得标签；对候选区域进行删选获取候选矩形框；对候选矩形框进行直线拟合得到精确矩形框；对精确矩形框内的刀闸和绝缘子状态进行判断，完成刀闸状态的识别。本发明专利技术采用基于空间加权的池化策略改进的卷积神经网络在图像集上获得训练模型；然后通过训练模型来检测绝缘子和刀闸的潜在位置，依据与绝缘子的连通性来识别多种刀闸的闭合或断开状态，能够精确地定位绝缘子和刀闸的位置，显著提高刀闸状态识别的精度。

【技术实现步骤摘要】
一种基于改进深度学习的刀闸状态识别方法
本专利技术涉及模式识别及分类领域，尤其是特定目标的分类与检测，具体涉及一种基于改进深度学习的刀闸状态识别方法。
技术介绍
变电站实时监控技术近年来得到迅猛的发展，其中基于图像处理的电力设备检测和识别技术成为研究的热点。由于现实中所拍摄的图像往往包含许多其它目标而不仅仅是感兴趣的电力设备目标本身，同时所拍摄的图像背景也较为复杂，如不同的光照条件、拍摄角度等，这使得同一目标在不同图像中呈现不同的模式。传统的电力设备(如绝缘子和刀闸)识别方法主要依靠目标颜色特征和几何特征，这些方法往往受亮度变化和复杂背景等因素的影响，导致这些方法往往拥有较差的泛化能力。如文献(“ZhangGeng,ZhangDahua,LiDan,etal..Theautomaticidentificationmethodofswitchstate[J].InternationalJournalofSimulation:Systems,ScienceandTechnology,2016,17(25):p21.1-21.4.”)提出一种简单快速的刀闸状态识别方法，该方法直接在刀闸边界图像上进行Hough变换来确定刀闸的状态。文献(“LinH,ZhangW,etal.Aconditionmonitoringalgorithmbasedonimagegeometricanalysisforsubstationswitch[C]//InternationalConferenceonIntelligentComputingandInternetofThings.Harbin:IEEE,2015:72-76.”)提出了一种基于刀闸几何信息的实时刀闸状态监控算法，该算法主要利用Hough变换获得刀臂直线，并利用余弦定理计算两刀臂直线之间的夹角来判断刀闸的状态。文献(“赵俊梅,张利平.绝缘子图像的多种特征提取技术的研究[J].电测与仪表,2013,50(12):37-41.”)提出绝缘子图像的多种特征提取技术，包括利用灰度共生矩阵提取图像的纹理特征、利用二值图像提取不变矩特征、利用图像的几何特征提取边界轮廓，为绝缘子检测和识别提供信息。文献(“陈安伟,乐全明,张宗益,等.基于机器人的变电站开关状态图像识别方法[J].电力系统自动化,2012,36(6):101-105.”)开发一种能自动识别刀闸位置及状态的机器人，该方法利用SIFT算法进行模板匹配来寻找刀闸位置，然后进行Hough变换提取直线以判断刀闸状态。文献(“苑津莎,崔克彬,李宝树.基于ASIFT算法的绝缘子视频图像的识别与定位[J].电测与仪表,2015,52(7):106-112.”)则利用ASIFT算法实现输电线路视频与标准图库中绝缘子图片的匹配，进而识别和定位视频中的绝缘子。文献(“邵剑雄,闫云凤,齐冬莲.基于霍夫森林的变电站开关设备检测及状态识别[J].电力系统自动化,2016,40(11):115-120.”)指出上述方法还存在着稳定性较差、抗干扰能力不强等问题。为了提高定位和识别精度，近年来许多研究者利用机器学习的方法来进行绝缘子或刀闸的定位和状态识别。如文献(“邵剑雄,闫云凤,齐冬莲.基于霍夫森林的变电站开关设备检测及状态识别[J].电力系统自动化,2016,40(11):115-120.”)提出了一种基于霍夫森林的刀闸状态识别方法，利用霍夫森林进行刀闸断开和闭合状态模型的学习，训练出刀闸断开和闭合两种状态的模型，利用该模型对输入图像进行刀闸定位和状态识别。文献(“高强,阳武,李倩.基于稀疏差异深度信念网络的绝缘子故障识别算法[J].电测与仪表,2016,53(1):19-25.”)将图像的灰度特征矩阵转换为差异表示矩阵并对其均值化、归一化和稀疏化，然后利用DBN网络对得到的差异特征进行训练，达到识别绝缘子故障的目的。文献(“LiuY,YongJ,LiuL,etal.Themethodofinsulatorrecognitionbasedondeeplearning[C]//InternationalConferenceonAppliedRoboticsforthePowerIndustry.Jinan,China,2016:1-5.”)提出一个六层的卷积神经网络(ConvolutinalNeuralNetworks，CNNs)在绝缘子图像上训练检测模型，成功地利用该训练模型精确的定位绝缘子。文献(“ChenTuo,ZhangGuoyue,QiDonglian.ARecognitionMethodofSmartSubstationSwitchgearStateBasedonFullyConvolutionalNetworks[C].Proceedingsofthe35thChineseControlConference,2016,Chengdu,China,9894-9897.”)提出了一种基于全卷积神经网络(FullyConvolutionalNetworks，FCNs)的刀闸状态识别方法，该方法利用FCNs对绝缘子和刀闸目标进行分割定位，并利用绝缘子和刀闸之间的几何关系来识别刀闸目标的状态。但这类方法均存在多刀闸目标相互干扰的问题，识别精度仍待进一步提高。
技术实现思路
本专利技术为克服上述现有技术的不足之处，提供提供了一种基于改进深度学习的刀闸状态识别方法，以期能克服亮度变化和复杂背景对刀闸状态识别的影响，从而能可以精确地地定位绝缘子和刀闸的位置，提高刀闸状态识别的精度。本专利技术为解决技术问题所采用的技术方案是：一种基于改进深度学习的刀闸状态识别方法，包括以下步骤：获取训练模型；通过训练模型对输入图像进行预测获得预测框的概率；利用滑动窗口策略选择候选区域并获得标签；对候选区域进行删选获取候选矩形框；对候选矩形框进行直线拟合得到精确矩形框；对精确矩形框内的刀闸和绝缘子状态进行判断，完成刀闸状态的识别。进一步地，所述获取训练模型具体为：采用基于空间加权的池化策略改进的卷积神经网络在图像集上获得训练模型：具体包括以下步骤：利用摄像装置拍摄包含绝缘子、刀闸和不同背景的图像集作为训练集；利用高斯核滤波器对图像进行平滑操作；利用直方图均衡化来增强图像的对比度；利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为目标区域；利用高斯分布来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型。进一步地，所述基于空间加权的池化策略改进的卷积神经网络表述如下：卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小(长度和宽度)，D表示特征映射的数量；空间加权掩码可以表示为K个H×W大小的池化通道，令Pk表示第k个空间掩码的池化特征，则其可以表示为：其中xi表示特征映射的第i个局部特征，是第k个空间掩码的对应系数(权重)；可见Pk的维数是1×1×D，可以串联多个池化通道的池化特征可以形成整个池化层的图像表示，即:P＝[P1T,P2T,…,PkT,…,PKT]T；P是池化层的输出，是输入图像的K×D特征表示。进一步地，所述图像集包含图像数量大于等于3000张。进一步地，所述通过训练模型对输入图像进本文档来自技高网...

【技术保护点】
一种基于改进深度学习的刀闸状态识别方法，其特征在于，包括以下步骤：获取训练模型；通过训练模型对输入图像进行预测获得预测框的概率；利用滑动窗口策略选择候选区域并获得标签；对候选区域进行删选获取候选矩形框；对候选矩形框进行直线拟合得到精确矩形框；对精确矩形框内的刀闸和绝缘子状态进行判断，完成刀闸状态的识别。

【技术特征摘要】
1.一种基于改进深度学习的刀闸状态识别方法，其特征在于，包括以下步骤：获取训练模型；通过训练模型对输入图像进行预测获得预测框的概率；利用滑动窗口策略选择候选区域并获得标签；对候选区域进行删选获取候选矩形框；对候选矩形框进行直线拟合得到精确矩形框；对精确矩形框内的刀闸和绝缘子状态进行判断，完成刀闸状态的识别。2.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述获取训练模型具体为：采用基于空间加权的池化策略改进的卷积神经网络在图像集上获得训练模型：具体包括以下步骤：利用摄像装置拍摄包含绝缘子、刀闸和不同背景的图像集作为训练集；利用高斯核滤波器对图像进行平滑操作；利用直方图均衡化来增强图像的对比度；利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为目标区域；利用高斯分布来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型。3.根据权利要求2所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述基于空间加权的池化策略改进的卷积神经网络表述如下：卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小(长度和宽度)，D表示特征映射的数量；空间加权掩码可以表示为K个H×W大小的池化通道，令Pk表示第k个空间掩码的池化特征，则其可以表示为：其中xi表示特征映射的第i个局部特征，是第k个空间掩码的对应系数(权重)；可见Pk的维数是1×1×D，可以串联多个池化通道的池化特征可以形成整个池化层的图像表示，即:P是池化层的输出，是输入图像的K×D特征表示。4...

【专利技术属性】
技术研发人员：张金锋，朱克亮，李亮，汪和龙，孙明刚，钱朝军，桂亮，孙楷淇，王磊，席照才，邵先锋，王振海，唐杰，张骥，马玲官，李强，朱能富，
申请(专利权)人：国网安徽省电力有限公司经济技术研究院，安徽南瑞继远电网技术有限公司，
类型：发明
国别省市：安徽,34