基于深度学习的变电站二次设备状态图像识别方法与流程

1.本发明属于电力系统自动化技术领域，涉及图像识别，具体地说是一种基于深度学习的变电站二次设备状态图像识别方法。


背景技术：

2.随着人工智能和图像识别技术的飞速发展，图像识别的准确率和计算速度有了质的飞跃，使得图像识别技术得以应用到各个行业。图像信息是人类最有效的信息获取和交流方式，作为自动识别技术之一的图像识别技术，通过近20多年的快速发展，已使人们充分认识到它是认识世界、改造世界的重要手段。目前，图像处理和识别技术已应用于遥感技术、生物医学、工业方面、军事安全领域、通信、文字识别、交通等多个领域，成为影响国民经济、国家防务和世界经济的举足轻重的产业。数字图像处理和识别方法的研究也成为一大热点。
3.在电力系统领域，目前大多数变电站无法自动识别二次设备的空气开关状态和压板开关状态，以及信号指示灯状态，巡检运维工作主要依靠人工巡视，造成了人力资源的浪费，而且效率低下。因此，引入人工智能等先进技术，实现对空气开关状态和压板状态，以及信号指示灯颜色状态的视频图像进行状态检测及标识识别是十分有必要的。


技术实现要素：

4.本发明的目的，是要提供一种基于深度学习的变电站二次设备状态图像识别方法，以实现变电站二次设备运行状态的智能识别。
5.本发明为实现上述目的，所采用的技术方法如下：
6.一种基于深度学习的变电站二次设备状态图像识别方法，包括以下步骤：
7.s1、获取空气开关、压板和信号指示灯的图片，对空气开关、压板和信号指示灯的标识和状态进行编码；
8.s2、对图片中空气开关、压板和信号指示灯进行分类标记；
9.s3、将标记的数据集和对应的图片放置到神经网络中训练出识别模型对空气开关、压板和信号指示灯的位置信息和状态信息进行识别；利用文字识别算法对空气开关、压板和信号指示灯的标识信息进行识别；
10.s4、将识别到的空气开关、压板和信号指示灯的标识信息与其相对应的空气开关、压板和信号指示灯的位置进行匹配，与其相对应的空气开关、压板和信号指示灯的状态相耦合，并根据预先设置的编码转换为编码表达的形式。
11.作为限定：对空气开关状态识别的训练过程，包括以下步骤：
12.a1、获取包含至少两个待判断空气开关状态信息的图像，对图像预处理；
13.a2、以每个空气开关区域的四个角为基准对预处理后的图像进行分割，得到包含单个待判断空气开关状态信息的图像；
14.a3、对包含单个待判断空气开关状态信息的图像进行灰度归一化处理，经过灰度
拉伸后，再采用自适应二值化处理，得到单个空气开关拉闸部分的图像；
15.a4、根据单个空气开关拉闸部分的形状，判断空气开关的状态。
16.作为进一步限定：步骤a1中的图像预处理具体为对图像进行透视变换，标记图像中空气开关区域的四个角，并以这四个角的像素坐标作为校正基准点对图像中的空气开关区域进行校正；
17.步骤a3中灰度归一化处理采用的方法为平均值法；
18.步骤a4中空气开关的状态的判断具体为：若空气开关为单相空气开关，单个单相空气开关拉闸部分的形状为“丅”形时，单相空气开关处于跳合状态，单个单相空气开关拉闸部分的形状为“丄”形时，单相空气开关处于跳分状态；若空气开关为多相空气开关，单个多相空气开关拉闸部分的形状为相应个数“丅”形的组合时，多相空气开关处于跳合状态，单个多相空气开关拉闸部分的形状为相应个数“丄”形的组合时，多相空气开关处于跳分状态。
19.作为另一种限定：对压板开关状态识别的训练过程，包括以下步骤：
20.b1、获取包含待判断压板状态信息的图像，对图像预处理；
21.b2、对预处理后的图像进行切割，得到包含单个待判断压板开关状态信息的图像；
22.b3、对包含单个待判断压板开关状态信息的图像进行灰度归一化处理，经过灰度拉伸后采用自适应二值化处理，再根据压板开关的结构构建两个矩形二维模型；
23.b4、根据两个矩形二维模型的组合形状、旋转夹角或者有效面积，判断压板开关的状态。
24.作为限定：步骤b1中图像预处理具体为进行滤波增强，通过轮廓检测定位算法快速找到图中的黑色标识点的大致位置，再通过形态学处理，消除多余点的干扰，精确定位到图像中的黑色标识点，再利用灰度重心法找到黑色标识点在图像中的像素坐标，以黑色标识点在图像中的像素坐标作为校正基准点通过透视变换对图像进行校正，提取出待判断压板区域的图像；
25.步骤b3中的构建两个矩形二维模型具体为：当压板为扭角旋钮切换式压板时，以单个压板的压板紧固器为端点构建相适应两个矩形二维模型；当压板为插拔弹簧切换式压板时，以单个压板的自身结构构建相适应两个矩形二维模型；
26.步骤b4中压板开关状态的判断具体为：若两个矩形二维模型的组合形状为相互重叠的一个矩形时，或，若两个矩形二维模型的旋转夹角为0
°
时，则单个压板处于投入状态，相反，则为退出状态。
27.作为再一种限定：信号指示灯颜色状态识别的训练过程，包括以下步骤：
28.c1、获取包含待判断信号指示灯状态信息的图像，对图像预处理；
29.c2、对预处理后的图像进行切割，得到包含单个待判断信号指示灯状态信息的图像；
30.c3、根据信号指示灯图像的颜色特征值，判断信号指示灯的颜色；根据信号指示灯图像的像素点数，判断信号指示灯的亮灭情况。
31.作为限定：步骤c1中图像预处理具体为进行滤波增强，通过轮廓检测定位算法快速找到图中的黑色标识点的大致位置，再通过形态学处理，消除多余点的干扰，精确定位到图像中的黑色标识点，再利用灰度重心法找到黑色标识点在图像中的像素坐标，以黑色标
识点在图像中的像素坐标作为校正基准点通过透视变换对图像进行校正；
32.步骤c3中信号指示灯的颜色和亮灭情况的判断具体为：采用rgb直方图方式计算出信号灯的颜色特征值，若信号指示灯图像的红色直方图像素值处于[220，255]，最大像素点数为125时，则信号指示灯的颜色为红色，处于亮的状态；若信号指示灯图像的红色直方图像素值处于[200，245]，最大像素点数为135，并且绿色直方图像素值处于[180，255]，最大像素点数为140，则信号指示灯的颜色为黄色，处于亮的状态；若信号指示灯图像的绿色直方图像素值处于[160，215]，最大像素点数为155时，则信号指示灯的颜色为绿色，处于亮的状态。
[0033]
本发明由于采用了上述方案，与现有技术相比，所取得的有益效果是：
[0034]
本发明提供的基于深度学习的变电站二次设备状态图像识别方法，通过对二次设备的空气开关、压板和信号指示灯的标志和状态的准确识别及耦合，高度准确地定位了安全隐患点和故障点，减轻了运维人员的劳动强度，缩短了操作时间，并消除了人为因素所造成接线错误的影响而保障了变电站的稳定运行；通过将空气开关、压板和信号指示灯的标志和状态编码化，有效地补充了站端传送数据的缺失，并且提高了站端巡视效率，为保障电网稳定运行提供了有力的信息技术支撑，为实现变电站无人值班运行管理模式提供了一定的技术支持，全面提升了电网业务智能化与管理精益化水平。
[0035]
本发明适用于变电站二次设备运行状态的识别。
附图说明
[0036]
下面结合附图及具体实施例对本发明作更进一步详细说明。
[0037]
图1为本发明实施例空气开关状态识别的流程图；
[0038]
图2为本发明实施例压板状态识别的流程图；
[0039]
图3为本发明实施例插拔弹簧切换式压板状态的矩形模型；
[0040]
图4为本发明实施例扭角旋钮切换式压板状态的矩形模型；
[0041]
图5为本发明实施例信号指示灯状态识别的流程图。
具体实施方式
[0042]
下面结合实施例对本发明作进一步说明，但本领域的技术人员应当理解，本发明并不限于以下实施例，任何在本发明具体实施例基础上做出的改进和等效变化，都在本发明权利要求保护的范围之内。
[0043]
实施例基于深度学习的变电站二次设备状态图像识别方法
[0044]
一种基于深度学习的变电站二次设备状态图像识别方法，包括以下步骤：
[0045]
s1、获取空气开关、压板和信号指示灯的图片，对空气开关、压板和信号指示灯的标识和状态进行编码；
[0046]
s2、使用labelimg标注软件对图片中空气开关、压板和信号指示灯进行分类标记；
[0047]
s3、将标记的数据集和对应的图片放置到yolo神经网络中训练出识别模型对空气开关、压板和信号指示灯的位置信息和状态信息进行识别；利用ocr开源通用文字识别算法对空气开关、压板和信号指示灯的标识信息进行识别；
[0048]
s4、将识别到的空气开关、压板和信号指示灯的标识信息与其相对应的空气开关、
压板和信号指示灯的位置进行匹配，与其相对应的空气开关、压板和信号指示灯的状态相耦合，并根据预先设置的编码转换为编码表达的形式。
[0049]
本实施例中采用的yolo神经网络，包括24个卷积层和2个全连接层。
[0050]
对变电站二次设备中的空气开关、压板和信号指示灯的标识和状态进行编码具体见表1。
[0051]
表1空气开关、压板和信号指示灯的标识及状态的编码
[0052]
[0053]
[0054][0055]
对空气开关状态识别的训练过程，包括以下步骤，其流程图如图1所示：
[0056]
a1、获取包含至少两个待判断空气开关状态信息的图像，对图像预处理，进行透视变换，标记图像中空气开关区域的四个角，并以这四个角的像素坐标作为校正基准点对图像中的空气开关区域进行校正；
[0057]
a2、以每个空气开关区域的四个角为基准对预处理后的图像进行分割，得到包含单个待判断空气开关状态信息的图像；
[0058]
a3、采用平均值法对包含单个待判断空气开关状态信息的图像进行灰度归一化处理，经过灰度拉伸后，再采用自适应二值化处理，得到单个空气开关拉闸部分的图像；
[0059]
a4、若空气开关为单相空气开关，单个单相空气开关拉闸部分的形状为“丅”形时，单相空气开关处于跳合状态，单个单相空气开关拉闸部分的形状为“丄”形时，单相空气开关处于跳分状态；若空气开关为双相空气开关，单个双相空气开关拉闸部分的形状为两个“丅”形的组合时，双相空气开关处于跳合状态，单个双相空气开关拉闸部分的形状为两个“丄”形的组合时，双相空气开关处于跳分状态；若空气开关为三相空气开关，单个三相空气开关拉闸部分的形状为三个“丅”形的组合时，三相空气开关处于跳合状态，单个三相空气开关拉闸部分的形状为三个“丄”形的组合时，三相空气开关处于跳分状态；若空气开关为四相空气开关，单个四相空气开关拉闸部分的形状为四个“丅”形的组合时，四相空气开关处于跳合状态，单个四相空气开关拉闸部分的形状为四个“丄”形的组合时，四相空气开关处于跳分状态。
[0060]
对压板开关状态识别的训练过程，包括以下步骤，其流程图如图2所示：
[0061]
b1、获取包含待判断压板状态信息的图像，对图像预处理，进行滤波增强，通过轮廓检测定位算法快速找到图中的黑色标识点的大致位置，再通过形态学处理，消除多余点的干扰，精确定位到图像中的黑色标识点，再利用灰度重心法找到黑色标识点在图像中的像素坐标，以黑色标识点在图像中的像素坐标作为校正基准点通过透视变换对图像进行校正，提取出待判断压板区域的图像；
[0062]
b2、对预处理后的图像进行切割，得到包含单个待判断压板开关状态信息的图像；
[0063]
b3、对包含单个待判断压板开关状态信息的图像进行灰度归一化处理，经过灰度
拉伸后采用自适应二值化处理，再根据压板开关的结构构建两个矩形二维模型，当压板为扭角旋钮切换式压板时，以单个压板的压板紧固器为端点构建相适应两个矩形二维模型，如图4所示；当压板为插拔弹簧切换式压板时，以单个压板的自身结构构建相适应两个矩形二维模型，如图3所示；
[0064]
b4、若两个矩形二维模型的组合形状为相互重叠的一个矩形时，或，若两个矩形二维模型的旋转夹角为0
°
时，则单个压板处于投入状态，相反，则为退出状态。
[0065]
信号指示灯颜色状态的识别方法包括以下步骤，其流程图如图5所示：
[0066]
c1、获取包含待判断信号指示灯状态信息的图像，对图像预处理，进行滤波增强，通过轮廓检测定位算法快速找到图中的黑色标识点的大致位置，再通过形态学处理，消除多余点的干扰，精确定位到图像中的黑色标识点，再利用灰度重心法找到黑色标识点在图像中的像素坐标，以黑色标识点在图像中的像素坐标作为校正基准点通过透视变换对图像进行校正；
[0067]
c2、对预处理后的图像进行切割，得到包含单个待判断信号指示灯状态信息的图像；
[0068]
c3、采用rgb直方图方式计算出信号灯的颜色特征值，若信号指示灯图像的红色直方图像素值处于[220，255]，最大像素点数为125时，则信号指示灯的颜色为红色，处于亮的状态；若信号指示灯图像的红色直方图像素值处于[200，245]，最大像素点数为135，并且绿色直方图像素值处于[180，255]，最大像素点数为140，则信号指示灯的颜色为黄色，处于亮的状态；若信号指示灯图像的绿色直方图像素值处于[160，215]，最大像素点数为155时，则信号指示灯的颜色为绿色，处于亮的状态。