[发明专利]基于机器视觉与深度学习的配电柜方形压板状态识别方法

权利要求书

1.基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，包括如下步骤：

步骤(1)图像采集：采集压板图像，并以图片格式保存压板图像信息；

步骤(2)图像校正：根据压板上设定的4个校正基准点，识别4个校正基准点的压板图像位置，并以此将压板图像进行校正；

步骤(3)投影聚类：对校正后的压板图像进行一次整体投影聚类，获取开关阵列的开关阵列数；

步骤(4)图像切割：根据所获取的开关阵列数对校正后的压板图像进行等距切割，从而得到关于压板图像中每一开关的区域图像；

步骤(5)图像识别：将切割后的每一开关的区域图像依次送入训练好的神经网络，确定每一开关的状态；

步骤(6)结果输出：最后组合输出整块压板开关的检测识别结果。

2.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，在步骤(1)中，通过手机、平板电脑、USB摄像头等进行压板图像的采集。

3.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，步骤(2)中所述的校正基准点即人为标定的直线或者黑点；直线的校正基准点设置在压板的边框及每两行开关的中间；黑点的校正基准点设置在压板区域的4个角点。

4.根据权利要求3所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，获取直线的校正基准点的4个角点或4个黑点的校正基准点在图像中的像素坐标，以此为基准将倾斜或者变形的压板图像进行校正。

5.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，步骤(3)中，对步骤(2)中校正后的压板图像进行预处理之后再使用纵向和横向投影方法获取开关阵列数。

6.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，步骤(4)中，根据步骤(3)中获取的压板图像的阵列数对校正后的压板图像进行等距切割，将每一开关进行独立划分，从而获得关于压板图像中每一开关的区域图像。

7.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，步骤(5)中，将切割后独立划分的每一开关的区域图像依次送入训练好的神经网络进行识别，计算输出得到每一开关的状态及判别概率，确定每一开关的状态。

8.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，步骤(6)中，以矩阵形式组合输出压板开关的检测识别结果。

9.根据权利要求1所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，建立训练好的神经网络包括具体如下步骤：

获取每一开关区域图像，并根据开关的状态将图像分到相应状态的文件夹，搭建卷积神经网络框架，训练网络参数。

10.根据权利要求9所述的基于机器视觉与深度学习的配电柜方形压板状态识别方法，其特征在于，将开关状态分为“关闭”和“开启”2种状态，“关闭”状态设置标签为“0”，“开启”状态设置标签为“1”，根据开关的状态将图像分到相应状态的文件夹；每个文件夹以图像数据总数的70％作为训练集，30％作为测试集，利用Tensorflow搭建卷积神经网络框架，输出通过softmax函数得到识别结果概率模型，在GPU上训练网络，得到网络模型参数。