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系统技术方案

本发明专利技术提供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系统，所述方法包括：将获取的压板图片的颜色模型从RGB转化HSV模型；利用OpenCV颜色识别算法得到压板图片的二值图像，对所述二值图像进行开操作和闭操作，获取每一行压板的范围和相应的坐标；根据预设的每一行压板个数，以及每一行压板的范围和相应的坐标，计算出每一个压板的范围和相应的坐标；使用cvSetImageROI法裁剪矩形得到每个单独的压板图片；通过训练好的VGG模型对每个单独的压板图片进行识别，识别出电力屏柜中每个单独压板为投状态或退状态。本发明专利技术提供的方法能够高效准确地分割出压板及识别出压板的投退状态，大大减少候选区域的数量，同时具有较强的实用性，能够应用到实际生产中。

【技术实现步骤摘要】
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系统
本专利技术涉及图像识别领域，特别是指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系统。
技术介绍
压板状态识别的本质是目标检测，即通过拍照、抽取视频有效帧等方式获取到压板图像，然后利用目标检测算法分析出图像中的压板的位置和投退状态。近年来，随着深度学习技术的不断发展，在许多目标检测场景下，采用深度学习训练的图像识别模型无论在准确率或识别率上都已经超过了非深度学习模型。目前，基于候选区域的深度学习算法在目标检测中有着不错的表现，这种算法能够有效地处理传统的目标检测方法存在的两个主要问题。1)针对传统的目标检测算法存在的滑动窗口冗余问题，候选区域能够利用图像的特征值，预先找出图中压板可能出现的位置，并且这些候选框的大小和宽高比都不是固定的，这使得候选区域的表达更加精确，可以在使用较少窗口的情况下保持较高的召回率，大大减少了后续操作的时间复杂度；2)针对传统目标检测方法的特征参数依赖人工设计问题，深度学习能够自动地从大量图像数据中提取有效的模型。传统目标检测方法由于依赖于人工设计模型，所以设计出有效的模型需要花费大量时间，并且模型涉及的参数数量比较少，在应对实际工作中的识别场景时鲁棒性较差。深度学习技术能够充分利用大数据的优势在图像数据中自动学习到大量有效的模型参数，并快速地生成识别模型。现有的技术方案虽然有效解决了窗口冗余问题，但在涉及压板状态识别场景的具体过程中，候选区域数量仍然远远多于实际的压板数量，以R-CNN模型为例，R-CNN在每张图片中大约需要提取2000个左右的候选区域，然而在压板识别场景下，每张图片的压板数量只有几十个，其中针对大部分候选区域的计算都是无效的。R-CNN系列目标检测方法是当前目标检测
重要的一个分支，纵观该系列方法的优化过程，主要就是体现在对于候选区域的优化。R-CNN方法需要确定大约2000个候选框，然后对每个候选框分别进行特征提取和分类；FastR-CNN先进行一部分特征提取，再确定大约2000个候选框，然后再对候选框进行特征提取和分类；FasterR-CNN则是先进行特征提取，然后将卷积特征输入到RPN(区域候选网络)，得到候选框的特征信息，再将候选框的特征信息进行分类。虽然这一系列改进使得识别的精度和速度都显著提高，但将这些技术运用到识别压板这种形状规则、排列整齐且状态简单的物体时，候选框的冗余仍然十分明显。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出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系统，能够高效准确地分割出压板及识别出压板的投退状态，大大减少候选区域的数量，同时所提出的方法和系统具有较强的实用性，能够应用到实际生产中。本专利技术采用如下技术方案：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，包括：将获取的压板图片的颜色模型从RGB转化HSV模型；利用OpenCV颜色识别算法得到压板图片的二值图像，对所述二值图像进行开操作和闭操作，获取每一行压板的范围和相应的坐标；根据预设的每一行压板个数，以及每一行压板的范围和相应的坐标，计算出每一个压板的范围和相应的坐标；使用cvSetImageROI法裁剪矩形得到每个单独的压板图片；通过训练好的VGG模型对每个单独的压板图片进行识别，识别出电力屏柜中每个单独压板为投状态或退状态。具体地，所述VGG模型的训练方法，包括：获取样本图片，采集不同角度、光线条件和状态的多个电力屏柜中的压板图片，将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片；将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片；标注样本图片，将所有样本图片进行投退状态标注；训练VGG模型，基于标注的样本图片，使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数，最终训练出使优化函数最小的VGG模型。具体地，所述VGG模型的训练方法，还包括：所述VGG模型采用3*3卷积核和2*2的池化核；所述交叉熵损失函数表示如下：其中，x表示输入图像的特征；p(x)表示训练数据真实压板状态二元分类概率，如果为投，则为1，非投，则为；q(x)表示输入图像网络预测投退状态二元分类概率，此概率SIGMOD函数得出概率；所述正则化计算函数表示如下：其中，i表示第i层神经网络隐藏层；a表示正则化系数，配置神经网络超参时预先设定；wi表示第i层权重参数；所述优化函数表示如下：J＝H(p,q)+λR(w)其中，λ表示正则化计算函数在优化函数中所占的比重。本专利技术另一方面提供一种基于图像识别的变电站二次设备倒闸操作防误模拟系统，包括：压板图片分割模块，用于将获取的压板图片的颜色模型从RGB转化HSV模型；利用OpenCV颜色识别算法得到压板图片的二值图像，对所述二值图像进行开操作和闭操作，获取每一行压板的范围和相应的坐标；根据预设的每一行压板个数，以及每一行压板的范围和相应的坐标，计算出每一个压板的范围和相应的坐标；使用cvSetImageROI法裁剪矩形得到每个单独的压板图片；压板状态识别模块，用于通过训练好的VGG模型对每个单独的压板图片进行识别，识别出电力屏柜中每个单独压板为投状态或退状态。具体地，所述VGG模型的训练方法，包括：获取样本图片，采集不同角度、光线条件和状态的多个电力屏柜中的压板图片，将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片；将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片；标注样本图片，将所有样本图片进行投退状态标注；训练VGG模型，基于标注的样本图片，使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数，最终训练出使优化函数最小的VGG模型。具体地，所述VGG模型的训练方法，还包括：所述VGG模型采用3*3卷积核和2*2的池化核；所述交叉熵损失函数表示如下：其中，x表示输入图像的特征；p(x)表示训练数据真实压板状态二元分类概率，如果为投，则为1，非投，则为；q(x)表示输入图像网络预测投退状态二元分类概率，此概率SIGMOD函数得出概率；所述正则化计算函数表示如下：其中，i表示第i层神经网络隐藏层；a表示正则化系数，配置神经网络超参时预先设定；wi表示第i层权重参数；所述优化函数表示如下：J＝H(p,q)+λR(w)其中，λ表示正则化计算函数在优化函数中所占的比重。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：1、针对压板识别实际情况，选择传统OpenCV颜色识别算法分割压板边缘，替代候选区域方法，大大减少候选区域的数量，缩短识别时间，且能够提高识别准确率；2、采用小型VGG模型，并加本文档来自技高网...

【技术保护点】
1.一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，其特征在于：包括：/n将获取的压板图片的颜色模型从RGB转化HSV模型；/n利用OpenCV颜色识别算法得到压板图片的二值图像，对所述二值图像进行开操作和闭操作，获取每一行压板的范围和相应的坐标；/n根据预设的每一行压板个数，以及每一行压板的范围和相应的坐标，计算出每一个压板的范围和相应的坐标；/n使用cvSetImageROI法裁剪矩形得到每个单独的压板图片；/n通过训练好的VGG模型对每个单独的压板图片进行识别，识别出电力屏柜中每个单独压板为投状态或退状态。/n

【技术特征摘要】
1.一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，其特征在于：包括：
将获取的压板图片的颜色模型从RGB转化HSV模型；
利用OpenCV颜色识别算法得到压板图片的二值图像，对所述二值图像进行开操作和闭操作，获取每一行压板的范围和相应的坐标；
根据预设的每一行压板个数，以及每一行压板的范围和相应的坐标，计算出每一个压板的范围和相应的坐标；
使用cvSetImageROI法裁剪矩形得到每个单独的压板图片；
通过训练好的VGG模型对每个单独的压板图片进行识别，识别出电力屏柜中每个单独压板为投状态或退状态。


2.根据权利要求1所述的基于图像识别的变电站二次设备倒闸操作防误模拟方法，其特征在于：所述VGG模型的训练方法，包括：
获取样本图片，采集不同角度、光线条件和状态的多个电力屏柜中的压板图片，将电力屏柜中的压板图片进行切割处理获得多个单独的压板图片；将每个单独的压板图片进行拉伸、裁剪和/或调色处理以获得多个相似图片组成样本图片；
标注样本图片，将所有样本图片进行投退状态标注；
训练VGG模型，基于标注的样本图片，使用交叉熵损失函数和正则化计算函数的比重之和作为优化函数，最终训练出使优化函数最小的VGG模型。


3.根据权利要求2所述的基于图像识别的变电站二次设备倒闸操作防误模拟方法，其特征在于：所述VGG模型的训练方法，还包括：
所述VGG模型采用3*3卷积核和2*2的池化核；
所述交叉熵损失函数表示如下：



其中，x表示输入图像的特征；p(x)表示训练数据真实压板状态二元分类概率，如果为投，则为1，非投，则为；q(x)表示输入图像网络预测投退状态二元分类概率，此概率SIGMOD函数得出概率；
所述正则化计算函数表示如下：



其中，i表示第i层神经网络隐藏层；a表示正则化系数，配置神经网络超参时预先设定；wi表示第i层权重参数；
所述优化函数表示如下：
J＝H(p,q)+λR(w)
其中，λ表示正则化计算函数在优化函数中所占的比重。


4.一种基...

【专利技术属性】
技术研发人员：张楠，李盛川，陈天，李鹏，刘志平，章建东，罗振华，郭昊旻，吴招座，郑晓钟，
申请(专利权)人：国网福建省电力有限公司厦门供电公司，国网福建省电力有限公司，
类型：发明
国别省市：福建;35