[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

说明书

本发明公开了一种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，依次通过图像采集、图像预处理、图像校正、图像预处理、一次整体聚类分割、目标识别，输出识别结果；本发明利用机器视觉与深度学习相结合的方法，将前端获取的压板图像通过必要的预处理工作之后，根据图像的几何特征对其进行分割，将分割后的所有小开关图像依次输入系统，识别模块负责对输入的每个个小开关图像进行分类判决确定开关状态的归属，最后组合输出整块压板的状态信息，不仅能节约时间与人力，还方便后期记录与复查压板开关在不同时间下的情况。

技术领域

本发明属于电气设备图像识别领域，具体涉及一种采用机器视觉与深度 学习的配电柜方形压板状态识别方法。

背景技术

随着电力系统的发展，电力设备越来越复杂，各个子系统联系越来越密 切，那么对各个子系统状态的检测显得尤其重要，在电气控制柜中存在有较多方 形压板子系统，如下图1所示。上述压板阵列状态需要通过人工巡检和人工排查 来记录当前开关状态，较为耗费时间与人力，且效率低下。

发明内容

本发明针对上述现有技术的不足，利用机器视觉与图像处理技术来解决 上述技术问题的技术方案，具体技术方案如下：

基于几何特征聚类划分与深度学习的配电柜方形压板状态识别方法，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。

根据上述步骤，对压板进行图像采集、图像校正、图像预处理后，将压 板中的每个开关进行等距切割，即对原有图像进行一次区域划分，将原有的对整 体图像进行识别的方式转化为对单一开关的空间区域进行状态识别，根据切割后 每个开关的图样送入到已经训练好的模型中进行识别，检测出每个开关的状态， 并输出所有开关的状态信息。

进一步地，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。

进一步地，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。

进一步地，步骤(2)中，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。由于拍摄角度的限制，往往存在俯拍或者仰拍的情况，以压板的4个角 点为基准，将图像校正至以4个角点为压板矩形尺寸的4个角，即4个角点的中 心作为校正后图像的4个角。

进一步地，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，即开关的行列数。

进一步地，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，大大减低了识别难度，便于后续的图像识别。

进一步地，步骤(5)中，将切割后独立划分的每一开关的区域图像依 次送入步骤(0)中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。