基于巡检机器人的滑块式断路器识别方法技术

本发明专利技术提出了一种基于巡检机器人的滑块式断路器识别方法。本发明专利技术主要分为5个步骤：(1)利用图像数集训练SVM多分类器；(2)巡检机器人到达指定巡检点获取待检测图片；(3)对目标区域进行粗定位和精确定位，筛选目标候选区域得到滑块式断路器；(4)对获取到滑块式断路器进行图像预处理，提取出连通面积最大的两个区域；(5)分别提取两个连通区域的HOG特征，并将其送入SVM多分类器得到最终的识别结果。本发明专利技术利用机器学习，能在不同光照、姿态条件下能有效完成滑块式断路器检测识别任务，提高了复杂环境下图像识别的自动化水平和准确率，最大限度的减少了漏检、误检问题。

【技术实现步骤摘要】
基于巡检机器人的滑块式断路器识别方法
本专利技术涉及到目标检测技术，具体而言涉及基于巡检机器人的滑块式断路器识别方法。
技术介绍
电力行业与人们的生活息息相关，变电站的滑块式断路器是电力行业最基本的器件，它对电力供应至关重要。近年来，滑块式断路器检测与识别不到位从而导致不能正常输送电的现象时有发生，给人民生活、工业生产造成了巨大的经济损失。目前关于断路器检测方法主要由两类，第一种是人工巡视检测方法。但由于变电站的断路器大多存在于野外，工作人员一般距离较远，出现问题时一般不能及时解决，从而导致电力供电系统不能及时响应。且人工巡视检测往往需要消耗大量的人力和时间，在长时间、高强度的工作环境下容易出错。因此人工巡视检测方法具有劳动强度大、效率低、巡视检测不到位、可靠性差、风险大等缺点。近年来，随着巡检机器人的推广，滑块式断路器的检测工作逐渐向智能化方向发展。利用电力巡检机器人代替人工巡检具有高效率、高可靠性等优点。但目前大多数方法，利用传统的图像处理手段进行检测和识别，在光照条件变化的情况下，检测效果不好，一般一种光照条件就需要一组参数，这就需要提出一种较为通用的检测和识别方法，应对不同光照、姿态条件下的检测任务。
技术实现思路
本专利技术的目的在于提出了一种基于巡检机器人的滑块式断路器识别方法，解决现有滑块式断路器检测与识别技术中存在的机器人位置不定时，目标尺度、角度变化大，目标受光照影响大从而导致检测识别不准确的问题。实现本专利技术的技术解决方案为：一种基于巡检机器人的滑块式断路器识别方法，具体步骤为：步骤1、为每个巡检点选取一张在该巡检点拍摄的断路器居中的图像作为模板图像，利用提前采集的滑块式断路器图像数集训练SVM多分类器；步骤2、巡检机器人通过定位导航到达指定巡检点，获取现场滑块式断路器图像并以灰度图的形式读入，用于滑块式断路器检测识别；步骤3、对待检测的目标区域进行粗定位和精确定位，筛选目标候选区域得到滑块式断路器图像；步骤4、对获取到的现场滑块式断路器图像进行预处理，提取出连通面积最大的两个区域，按照位置分为左右两个部分；步骤5、对两个分离出的区域分别进行像素调整，以长m像素，宽n像素的滑动窗口在图像上滑动，对窗口提取HOG特征，将计算得到的HOG特征算子送入SVM多分类器得到最终的识别结果。优选地，步骤1中训练SVM多分类器的具体方法为：步骤1-1、提前采集滑块式断路器图像数集作为正负训练样本集合；步骤1-2、提取正负训练样本集合的HOG特征；步骤1-3、给所有正负训练样本集合赋予样本标签，将训练样本集合的HOG特征以及样本标签送入SVM中进行训练。优选地，步骤1-1中准备训练样本集合的具体方法为：(1)采集滑块式断路器的图片，将处于储能状态的图片作为正样本集，处于未储能状态的图片作为负样本集；(2)裁剪图片，删除滑块式断路器上滑块显示窗口区域之外的多余信息；(3)将图片缩放为长m像素，宽n像素。优选地，步骤1-2中提取正负训练样本集合HOG特征的具体方法为：(1)将彩色图像转化为灰度图像；(2)对灰度图像进行Gamma矫正，减少图像局部的阴影和光照变化，Gamma矫正的公式为：I(x,y)＝I(x,y)gamma(1)其中，I(x,y)表示图像第x行第y列的像素值，gamma取0-1之间的数；(3)根据下式计算图像每个像素的梯度：Gx(x,y)＝H(x+1,y)-H(x-1,y)(2)Gy(x,y)＝H(x,y+1)-H(x,y-1)(3)其中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示图像中像素点(x,y)处的水平方向梯度，垂直方向梯度和像素值，像素点(x,y)处的梯度幅值G(x,y)与梯度方向α(x,y)则可根据下式得到：(4)将图像分割为一个个边长为a像素的正方形单元格，a为m和n的最大公因数，为每个单元格创建梯度方向直方图，将梯度方向360度划分为k个方向块，第i个方向块的方向范围为统计单元格内各个像素的梯度方向，如果梯度方向属于某个方向块，则对应方向块的计数值加上这个梯度对应的幅值；(5)将单元格组合成块，块内归一化梯度直方图将每个单元格对应的梯度直方图改写为向量形式，将每个块内的所有梯度向量串联起来，形成这个块的梯度方向直方图向量；将向量乘上对应的归一化因子，归一化因子的计算公式为：其中，v表示还未归一化的向量，||v||2表示v的2阶范数，e表示常数；(6)将图像中所有块的归一化后的向量串联起来得到训练样本集合HOG特征。优选地，步骤1-3中将正负训练样本集合的HOG特征以及样本标签送入SVM中训练的具体方法为：(1)SVM的训练目标是寻找一个可对正负样本实现分类的最优超平面，其数学形式可表示为：其中，w表示与超平面垂直的向量，||w||表示w的范数，ξi表示松弛变量，是一个非负数，D是一个参数，用于控制目标函数中两项的权重，xi表示第i个样本的HOG特征，yi表示第i个样本的样本标签，b表示一个常数；(2)构建拉格朗日函数：其中，αi表示拉格朗日乘子，ri＝D-αi，然后令目标函数转化为其中，d*表示目标函数最优值；(3)让L针对w,b,ξ最小化，即：将式(11)带入式(8)，则目标函数转化为：其中，<xi,xj>表示求xi,xj的内积；(4)利用SMO算法求拉格朗日乘子αi的最优值，利用启发式算法选取一对拉格朗日乘子αi,αj；固定除αi,αj外的其他参数，确定w取极值条件下αi的取值，并用αi表示αj；不断重复直到目标函数收敛；(5)根据拉格朗日乘子的最优值确定最优超平面：其中，表示拉格朗日乘子的最优值，w*,b*分别表示最优超平面的方向以及与原点的偏移；(6)得到分类决策函数，即训练好的SVM分类器：。优选地，步骤3中对目标区域定位和筛选的具体步骤为：步骤3-1、利用梅林傅里叶变换和相位相关技术对待检测图片中的目标断路器区域进行粗定位；步骤3-2、利用机器学习的方法对目标断路器区域进行精确定位，将待检测图像送入训练过的分类器，得到若干个目标候选区域；步骤3-3、分别将每个目标候选区域与粗定位目标滑块式断路器区域求交并比参数IOU；将每个目标候选区域图像与模板图像中的滑块式断路器区域图像做感知哈希计算，获得感知哈希指标；计算每个目标候选区域图像与模板图像的互信息指标，筛选目标候选区域得到滑块式断路器。优选地，步骤3-3中感知哈希指标、交并比参数IOU和互信息指标I(G(X),H(Y))的具体计算方法分别为:(1)将目标候选区域图像与模板图像缩放到同一大小，进行余弦变换，选取余弦变换后的图像左上角的低频区域，去除坐标(0,0)的直流分量得到特征向量，计算目标候选区域图像与模板图像的特征向量的汉明距离，作为感知哈希指标；(2)交并比参数IOU具体计算公式为：式中，C为粗定位目标断路器区域，ni为目标候选区域；(3)互信息指标I(G(X),H(Y))的计算公式为：G(X)、H(Y)分别为模板图像与候选图像灰度像素的数目，W、H分别为候选区域图像宽、高。优选地，步骤3-3中筛选目标候选区域得到滑块式断路器的具体方法为：将每一候选区域的交并比IOU、互信息、感知哈希pHash三种指标做加权求出该候选区域的置信度,其中D为一常数：Confiden本文档来自技高网...

【技术保护点】
1.基于巡检机器人的滑块式断路器识别方法，其特征在于，包括以下步骤：步骤1、为每个巡检点选取一张在该巡检点拍摄的断路器居中的图像作为模板图像，利用提前采集的滑块式断路器图像数集训练SVM多分类器；步骤2、巡检机器人通过定位导航到达指定巡检点，获取现场滑块式断路器图像并以灰度图的形式读入，用于滑块式断路器检测识别；步骤3、对待检测的目标区域进行粗定位和精确定位，筛选目标候选区域得到滑块式断路器图像；步骤4、对获取到的现场滑块式断路器图像进行预处理，提取出连通面积最大的两个区域，按照位置分为左右两个部分；步骤5、对两个分离出的区域分别进行像素调整，以长m像素，宽n像素的滑动窗口在图像上滑动，对窗口提取HOG特征，将计算得到的HOG特征算子送入SVM多分类器得到最终的识别结果。

【技术特征摘要】
1.基于巡检机器人的滑块式断路器识别方法，其特征在于，包括以下步骤：步骤1、为每个巡检点选取一张在该巡检点拍摄的断路器居中的图像作为模板图像，利用提前采集的滑块式断路器图像数集训练SVM多分类器；步骤2、巡检机器人通过定位导航到达指定巡检点，获取现场滑块式断路器图像并以灰度图的形式读入，用于滑块式断路器检测识别；步骤3、对待检测的目标区域进行粗定位和精确定位，筛选目标候选区域得到滑块式断路器图像；步骤4、对获取到的现场滑块式断路器图像进行预处理，提取出连通面积最大的两个区域，按照位置分为左右两个部分；步骤5、对两个分离出的区域分别进行像素调整，以长m像素，宽n像素的滑动窗口在图像上滑动，对窗口提取HOG特征，将计算得到的HOG特征算子送入SVM多分类器得到最终的识别结果。2.根据权利要求1所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1中训练SVM多分类器的具体方法为：步骤1-1、采集滑块式断路器图像数集作为正负训练样本集合；步骤1-2、提取正负训练样本集合的HOG特征；步骤1-3、给所有正负训练样本集合赋予样本标签，将训练样本集合的HOG特征以及样本标签送入SVM中进行训练。3.根据权利要求2所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1-1中准备训练样本集合的具体方法为：(1)采集滑块式断路器的图片，将处于储能状态的图片作为正样本集，处于未储能状态的图片作为负样本集；(2)裁剪图片，删除滑块式断路器上滑块显示窗口区域之外的多余信息；(3)将图片缩放为长m像素，宽n像素，m和n的取值范围为36-64。4.根据权利要求2所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1-2中提取正负训练样本集合HOG特征的具体方法为：(1)将彩色图像转化为灰度图像；(2)对灰度图像进行Gamma矫正，减少图像局部的阴影和光照变化，Gamma矫正的公式为：I(x,y)＝I(x,y)gamma(1)其中，I(x,y)表示图像第x行第y列的像素值，gamma取0-1之间的数；(3)根据下式计算图像每个像素的梯度：Gx(x,y)＝H(x+1,y)-H(x-1,y)(2)Gy(x,y)＝H(x,y+1)-H(x,y-1)(3)其中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示图像中像素点(x,y)处的水平方向梯度，垂直方向梯度和像素值，像素点(x,y)处的梯度幅值G(x,y)与梯度方向α(x,y)则可根据下式得到：(4)将图像分割为一个个边长为a像素的正方形单元格，a为m和n的最大公因数，为每个单元格创建梯度方向直方图，将梯度方向360度划分为k个方向块，第i个方向块的方向范围为统计单元格内各个像素的梯度方向，如果梯度方向属于某个方向块，则对应方向块的计数值加上这个梯度对应的幅值；(5)将单元格组合成块，块内归一化梯度直方图将每个单元格对应的梯度直方图改写为向量形式，将每个块内的所有梯度向量串联起来，形成这个块的梯度方向直方图向量；将向量乘上对应的归一化因子，归一化因子的计算公式为：其中，v表示还未归一化的向量，||v||2表示v的2阶范数，e表示常数；(6)将图像中所有块的归一化后的向量串联起来得到训练样本集合HOG特征。5.根据权利要求2所述的基于巡检机器人的滑块式断路器识别方法，其特征在于，步骤1-3中将正负训练样本集合的HOG特征以及样本标签送入SVM中训练的具体方法为：(1)SVM的训练目标即寻找一个可对正负样本实现分类的最优超平面，其数学形式可表示为：其中，w表示与超平面垂直的向量，||w||表示w的范数，ξi表示松弛变量，是一个非负数，D是一个参数，...

【专利技术属性】
技术研发人员：郭健，王艳琴，王天野，李胜，吴益飞，袁佳泉，施佳伟，朱禹璇，危海明，黄紫霄，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32