[发明专利]一种基于改进深度学习的刀闸状态识别方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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(“Zhang Geng,Zhang Dahua,Li Dan,et al..The automatic identificationmethod ofswitch state[J].International Journal ofSimulation:Systems,Scienceand Technology,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(“Lin H,Zhang W,etal.A condition monitoring algorithmbased on image geometric analysis forsubstation switch[C]//International Conference on Intelligent Computing andInternet ofThings.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。