一种基于光流法和深度学习的刀闸状态识别方法技术

本发明专利技术提出了一种基于光流法和深度学习的刀闸状态识别方法，包括有视频采集模块

【技术实现步骤摘要】
一种基于光流法和深度学习的刀闸状态识别方法


[0001]本专利技术涉及刀闸状态识别
，具体为一种基于光流法和深度学习的刀闸状态识别方法
。

技术介绍

[0002]刀闸作为变电站中的重要设备，其作用是在电路中能够隔离电压，保障维修人员的安全，因此能够实时检测刀闸状态对变电站稳定运行和人员安全具有重要作用，为此对刀闸的状态进行监测识别，能更好保护电力设备的正常运行和保障维修人员的安全；目前市场上现存的一些刀闸监测识别方法或设备存在受到现场环境光照，背景复杂
、
识别不精准等因素的影响，导致刀闸的误检率较高，而又因刀闸的种类繁多，检测设备的类型也相应的增加，导致施工成本较高，维护难度加大；为此申请人根据刀闸状态识别的需求，提出一种基于光流法和深度学习的刀闸状态识别方法，通过采集视频数据，实时分析变电站中的目标刀闸状态，并对异常状态发出警报，提高变电站运行的可靠性和工作人员的安全性
。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出了一种基于光流法和深度学习的刀闸状态识别方法，通过设置视频采集模块
、
深度学习状态识别模块和光流法识别模块，所述识别方法步骤为：步骤一
、
视频采集模块采集刀闸视频数据，处理器将刀闸视频数据转换为连续的图像序列；步骤二
、
图像序列前五帧进入到深度学习状态识别模块中进行刀闸的初始状态识别处理；步骤三
、
深度学习状态识别模块判断刀闸的初始状态，异常时发出报警信息，正常时图像序列进入下一步；步骤四
、
刀闸初始状态正常的图像序列进入到光流法识别模块内进行处理，并根据预先设置的关键点开始进行追踪，如追踪成功，则输出刀闸运行状态信息；如追踪失败，则将图像序列的后五帧传入到深度学习状态识别模块中处理，并输出刀闸运行状态信息；识别精度高，安全性好
。
[0004]为实现上述目的，本专利技术采取的技术方案是：
[0005]一种基于光流法和深度学习的刀闸状态识别方法，包括有视频采集模块
、
深度学习状态识别模块和光流法识别模块，其特征在于：所述基于光流法和深度学习的刀闸状态识别方法步骤为：
[0006]步骤一
、
视频采集模块采集刀闸视频数据，处理器将刀闸视频数据转换为连续的图像序列；
[0007]步骤二
、
图像序列前五帧进入到深度学习状态识别模块中进行刀闸的初始状态识别处理；
[0008]步骤三
、
深度学习状态识别模块判断刀闸的初始状态，异常时发出报警信息，正常时图像序列进入下一步；
[0009]所述深度学习状态识别模块对应算法流程描述如下：
[0010]首先数据预处理：加载训练图片和标签，对图片进行缩放和裁剪，对标签进行相应
的映射和转换；
[0011]其次定义模型：定义输入层
、
卷积层
、
池化层和输出层；
[0012]然后损失函数计算：计算分类损失
、
置信度损失
、
坐标损失和总损失；
[0013]再然后训练模型：定义优化器和学习率衰减策略，在训练集上进行训练，并在验证集上进行验证，保存模型和权重；
[0014]最后预测：加载模型和权重，对输入图片进行预处理，运行模型得到输出结果，进行后处理包括
NMS
和输出结果的解析，展示结果或保存结果；
[0015]步骤四
、
判断刀闸初始状态正常的的图像序列进入到光流法识别模块内进行处理，并根据预先设置的关键点开始进行追踪，如关键点移动的轨迹呈现为线性，视为追踪成功，输出刀闸运行状态信息；如关键点移动的轨迹为非线性，视为追踪失败，并将图像序列的后五帧传入到深度学习状态识别模块中，深度学习状态识别模块输出刀闸运行状态信息
。
[0016]进一步的，所述基于光流法和深度学习的刀闸状态识别方法设置深度学习状态识别模块，所述深度学习状态识别模块只在图像序列关键帧上进行刀闸状态检测，计算量低
。
[0017]进一步的，所述基于光流法和深度学习的刀闸状态识别方法设置光流法识别模块，所述光流法识别模块对角度变化敏感，检测精度高
。
[0018]本专利技术提供一种基于光流法和深度学习的刀闸状态识别方法，通过设置视频采集模块
、
深度学习状态识别模块和光流法识别模块，所述识别方法步骤为：步骤一
、
视频采集模块采集刀闸视频数据，处理器将刀闸视频数据转换为连续的图像序列；步骤二
、
图像序列前五帧进入到深度学习状态识别模块中进行刀闸的初始状态识别处理；步骤三
、
深度学习状态识别模块判断刀闸的初始状态，异常时发出报警信息，正常时图像序列进入下一步；步骤四
、
刀闸初始状态正常的图像序列进入到光流法识别模块内进行处理，并根据预先设置的关键点开始进行追踪，如追踪成功，则输出刀闸运行状态信息；如追踪失败，则将图像序列的后五帧传入到深度学习状态识别模块中处理，并输出刀闸运行状态信息；带来的好处是：
[0019]1、
基于光流法和深度学习的刀闸状态识别方法基于视频数据分析，实现了对刀闸状态的实时监控；
[0020]2、
基于光流法和深度学习的刀闸状态识别方法系统独立设置，不受刀闸设备型号的限制；
[0021]3、
基于光流法和深度学习的刀闸状态识别方法用光流法和深度学习算法对刀闸状态识别“双确认”的方式，可以提高识别刀闸状态的精确性，更加确保电网稳定性和工作人员安全性
。
附图说明
[0022]图1为本专利技术工作流程示意图；
[0023]图2为本专利技术设备安装示意图
。
具体实施方式
[0024]下面结合附图与具体实施方式对本专利技术作进一步详细描述：
[0025]如图1所示，所示为一种基于光流法和深度学习的刀闸状态识别方法，包括有视频采集模块
、
深度学习状态识别模块和光流法识别模块，其特征在于：所述基于光流法和深度学习的刀闸状态识别方法步骤为：
[0026]步骤一
、
视频采集模块采集刀闸视频数据，处理器将刀闸视频数据转换为连续的图像序列，在视频数据中提取关键帧数据用于数据分析；
[0027]步骤二
、
图像序列前五帧进入到深度学习状态识别模块中进行刀闸的初始状态识别处理；
(
深度学习状态识别模块使用的是
Yolov4
模型，该模型支持单
GPU
训练，输入的图片尺寸为
416x416
，隐藏层以
CSPDarknet53
作为骨干网络，
SPP
作为
Neck
的附加模块
、PANet
作为<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于光流法和深度学习的刀闸状态识别方法，包括有视频采集模块
、
深度学习状态识别模块和光流法识别模块，其特征在于：所述基于光流法和深度学习的刀闸状态识别方法步骤为：步骤一
、
视频采集模块采集刀闸视频数据，处理器将刀闸视频数据转换为连续的图像序列；步骤二
、
图像序列前五帧进入到深度学习状态识别模块中进行刀闸的初始状态识别处理；步骤三
、
深度学习状态识别模块判断刀闸的初始状态，异常时发出报警信息，正常时图像序列进入下一步；所述深度学习状态识别模块对应算法流程描述如下：首先数据预处理：加载训练图片和标签，对图片进行缩放和裁剪，对标签进行相应的映射和转换；其次定义模型：定义输入层
、
卷积层
、
池化层和输出层；然后损失函数计算：计算分类损失
、
置信度损失
、
坐标损失和总损失；再然后训练模型：定义优化器和学习率衰减策略，在训练集上进行训练，并在验证集上进行验证，保存模...

【专利技术属性】
技术研发人员：王健，张振，欧啸天，李清，苗林，
申请(专利权)人：齐丰科技股份有限公司，
类型：发明
国别省市：