一种对隔离开关状态识别方法及系统技术方案

本发明专利技术公开了一种对隔离开关状态识别方法及系统，方法包括：采集预定数量的不同状态下的隔离开关图片数据，对隔离开关图片数据进行标签标注，生成标注图像数据集；基于标注图像数据集对隔离开关检测模型进行训练，生成目标检测模型，采集隔离开关视频，获取隔离开关视频中处于初始节点

【技术实现步骤摘要】
一种对隔离开关状态识别方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及一种对隔离开关状态识别方法及系统
。

技术介绍

[0002]隔离开关是一种主要用于“隔离电源
、
倒闸操作
、
用以连通和切断小电流电路”，无灭弧功能的开关器件
。
隔离开关在分位置时，触头间有符合规定要求的绝缘距离和明显的断开标志；在合位置时，能承载正常回路条件下的电流及在规定时间内异常条件
(
例如短路
)
下的电流的开关设备，若隔离开关发生故障，将会造成严重的故障和经济损失
。
因此，在巡检的过程中，隔离开关是否正常工作是重要的检查任务
。
现有技术中一般采用计算机视觉技术对隔离开关的状态进行识别
。
[0003]在申请号为
201811513584
的专利中公开了通过使用人工标注隔离开关掩膜标签数据，并基于
Mask RCNN
神经网络结构训练出针对隔离开关的目标状态检测及分割模型；该方案实现了基于图像对隔离开关
‘
开
’
、
‘
合
’
及
‘
中间
’
状态的正确识别；但是掩膜标签标注的工作量较大，且对数据质量要求较高，导致前期投入的人力及时间成本较高，同时其使用的主流
MaskRCNN
神经网络模型较大较深推理速度慢难以做到实时检测且依赖于较多的硬件计算资源；
[0004]在申请号为
CN201810055660
的专利中公开了通过使用连续视频帧差分方法提取前景开关图像，再根据迭代计算的方式得到隔离开关运动轨迹，最后根据开关追踪点与中心线夹角分析开关状态；由于该方法基于简单的图像处理算法未使用神经网络模型，其计算速度快，对计算资源依赖较少，可做到实时检测；但是基于传统图像算法对其使用场景有较多限制，不具备通用和范化能力，针对不同设备需要定制化开发，算法可复用性较差；
[0005]在申请号
CN202011137320
的专利中公开了通过先使用目标检测算法提取单个隔离开关区域，再对单个隔离开关进行语义分割，最后计算分割区域连通域数判断隔离开关开合状态；由于该方案使用了两个神经网络模型，其中语义分割模型随着隔离开关数量增加需要多次进行推理，导致该方法的计算速度慢，对硬件资源要求较高，无法实现实时检测；另外由于需要训练两个模型，且每个模型的标签数据类型不同，需要投入较多人力成本进行数据标注
。
[0006]因此现有技术中的隔离开关状态识别算法中需要花费大量的人力及时间成本，而且范化能力差，开关状态识别效率低
。
[0007]因此现有技术还有待于进一步发展
。

技术实现思路

[0008]针对上述技术问题，本专利技术实施例提供了一种对隔离开关状态识别方法及系统，能够解决现有技术中的隔离开关状态识别算法中需要花费大量的人力及时间成本，而且范化能力差，开关状态识别效率低的技术问题
。
[0009]本专利技术实施例的第一方面提供一种对隔离开关状态识别方法，方法包括：
[0010]采集预定数量的不同状态下的隔离开关图片数据，对所述隔离开关图片数据进行标签标注，生成标注图像数据集；
[0011]基于所述标注图像数据集对隔离开关检测模型进行训练，生成目标检测模型，所述隔离开关检测模型基于
ResNet backbone
与
PAN neck
结构进行构建的；
[0012]采集隔离开关视频，获取隔离开关视频中处于初始节点
、
中间节点和末尾节点的图像，分别记为初始节点图像
、
中间节点图像和末尾节点图像；
[0013]将所述初始节点图像
、
中间节点图像和末尾节点图像，分别输入所述目标检测模型，获取所述目标检测模型输出的初始节点检测结果
、
中间节点检测结果和末尾节点检测结果，根据初始节点检测结果
、
中间节点检测结果和末尾节点检测结果及三者的比对结果，得到隔离开关的状态变化情况
。
[0014]可选地，所述采集预定数量的不同状态下的隔离开关图片数据，对所述隔离开关图片数据进行标签标注，生成标注图像数据集，包括：
[0015]采集预定数量的不同状态下的隔离开关图片数据，对所述隔离开关图片数据中的隔离开关整体
、
刀臂以及接触头进行不同状态及类别的目标框标注，生成标注图像数据集
。
[0016]可选地，基于所述标注图像数据集对隔离开关检测模型进行训练，生成目标检测模型，所述隔离开关检测模型基于
ResNet backbone
与
PAN neck
结构进行构建的，包括：
[0017]将标注图像数据集输入所述隔离开关检测模型，获取所述隔离开关检测模型输出的检测结果；
[0018]预先构建损失函数，将检测结果与图像真实标签数据输入所述损失函数并计算梯度，根据损失梯度下降方向对隔离开关检测模型参数进行更新优化；
[0019]通过多次前向推理及梯度反向传播计算对模型进行迭代优化，得到目标检测模型
。
[0020]可选地，采集隔离开关视频，获取隔离开关视频中处于初始节点
、
中间节点和末尾节点的图像，分别记为初始节点图像
、
中间节点图像和末尾节点图像，包括：
[0021]基于视频采集装置对待检测的隔离开关进行视频采集，得到隔离开关视频；
[0022]获取隔离开关位于初始节点的图像帧，记为初始节点图像；
[0023]获取隔离开关位于中间节点的图像帧，记为中间节点图像；
[0024]获取隔离开关位于末尾节点的图像帧，记为末尾节点图像
。
[0025]可选地，将所述初始节点图像
、
中间节点图像和末尾节点图像，分别输入所述目标检测模型，获取所述目标检测模型输出的初始节点检测结果
、
中间节点检测结果和末尾节点检测结果，根据初始节点检测结果
、
中间节点检测结果和末尾节点检测结果及三者的比对结果，得到隔离开关的状态变化情况，包括：
[0026]将所述初始节点图像
、
中间节点图像和末尾节点图像，分别输入所述目标检测模型；
[0027]获取所述目标检测模型输出的初始节点检测结果
、
中间节点检测结果和末尾节点检测结果；
[0028]根据所述初始节点检测结果和所述末尾节点检测结果获取隔离开关的始末状态；
[0029]将所述中间节点检测结果
、
初始节点检测结果和所述末尾节点检测结果进行比对，根据比对结果得到隔离开关运行时的状态变化情况
...

【技术保护点】

【技术特征摘要】
1.
一种对隔离开关状态识别方法，其特征在于，方法包括：采集预定数量的不同状态下的隔离开关图片数据，对所述隔离开关图片数据进行标签标注，生成标注图像数据集；基于所述标注图像数据集对隔离开关检测模型进行训练，生成目标检测模型，所述隔离开关检测模型基于
ResNet backbone
与
PAN neck
结构进行构建的；采集隔离开关视频，获取隔离开关视频中处于初始节点
、
中间节点和末尾节点的图像，分别记为初始节点图像
、
中间节点图像和末尾节点图像；将所述初始节点图像
、
中间节点图像和末尾节点图像，分别输入所述目标检测模型，获取所述目标检测模型输出的初始节点检测结果
、
中间节点检测结果和末尾节点检测结果，根据初始节点检测结果
、
中间节点检测结果和末尾节点检测结果及三者的比对结果，得到隔离开关的状态变化情况
。2.
根据权利要求1所述的对隔离开关状态识别方法，其特征在于，所述采集预定数量的不同状态下的隔离开关图片数据，对所述隔离开关图片数据进行标签标注，生成标注图像数据集，包括：采集预定数量的不同状态下的隔离开关图片数据，对所述隔离开关图片数据中的隔离开关整体
、
刀臂以及接触头进行不同状态及类别的目标框标注，生成标注图像数据集
。3.
根据权利要求2所述的对隔离开关状态识别方法，其特征在于，所述基于所述标注图像数据集对隔离开关检测模型进行训练，生成目标检测模型，所述隔离开关检测模型基于
ResNet backbone
与
PAN neck
结构进行构建的，包括：将标注图像数据集输入所述隔离开关检测模型，获取所述隔离开关检测模型输出的检测结果；预先构建损失函数，将检测结果与图像真实标签数据输入所述损失函数并计算梯度，根据损失梯度下降方向对隔离开关检测模型参数进行更新优化；通过多次前向推理及梯度反向传播计算对模型进行迭代优化，得到目标检测模型
。4.
根据权利要求3所述的对隔离开关状态识别方法，其特征在于，所述采集隔离开关视频，获取隔离开关视频中处于初始节点
、
中间节点和末尾节点的图像，分别记为初始节点图像
、
中间节点图像和末尾节点图像，包括：基于视频采集装置对待检测的隔离开关进行视频采集，得到隔离开关视频；获取隔离开关位于初始节点的图像帧，记为初始节点图像；获取隔离开关位于中间节点的图像帧，记为中间节点图像；获取隔离开关位于末尾节点的图像帧，记为末尾节点图像
。5.
根据权利要求4所述的对隔离开关状态识别方法，其特征在于，所述将所述初始节点图像
、
中间节点图像和末尾节点图像，分别输入所述目标检测模型，获取所述目标检测模型输出的初始节点检测结果
、
中间节点检测结果和末尾节点检测结果，根据初始节点检测结果
、
中间节点检测结果和末尾节点检测结果及三者的比对结果，得到隔离开关的状态变化情况，包括：将所述初始节点图像
...

【专利技术属性】
技术研发人员：李俞均，
申请(专利权)人：深圳市铁越电气有限公司，
类型：发明
国别省市：