Nothing Special   »   [go: up one dir, main page]

CN107944396B - 一种基于改进深度学习的刀闸状态识别方法 - Google Patents

一种基于改进深度学习的刀闸状态识别方法 Download PDF

Info

Publication number
CN107944396B
CN107944396B CN201711207726.2A CN201711207726A CN107944396B CN 107944396 B CN107944396 B CN 107944396B CN 201711207726 A CN201711207726 A CN 201711207726A CN 107944396 B CN107944396 B CN 107944396B
Authority
CN
China
Prior art keywords
disconnecting link
insulator
state
image
training model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711207726.2A
Other languages
English (en)
Other versions
CN107944396A (zh
Inventor
张金锋
朱克亮
李亮
汪和龙
孙明刚
钱朝军
桂亮
孙楷淇
王磊
席照才
邵先锋
王振海
唐杰
张骥
马玲官
李强
朱能富
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd
Original Assignee
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Nanrui Jiyuan Power Grid Technology Co ltd, Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd filed Critical Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Priority to CN201711207726.2A priority Critical patent/CN107944396B/zh
Publication of CN107944396A publication Critical patent/CN107944396A/zh
Application granted granted Critical
Publication of CN107944396B publication Critical patent/CN107944396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种基于改进深度学习的刀闸状态识别方法
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。
文献(“邵剑雄,闫云凤,齐冬莲.基于霍夫森林的变电站开关设备检测及状态识别[J].电力系统自动化,2016,40(11):115-120.”)指出上述方法还存在着稳定性较差、抗干扰能力不强等问题。为了提高定位和识别精度，近年来许多研究者利用机器学习的方法来进行绝缘子或刀闸的定位和状态识别。如文献(“邵剑雄,闫云凤,齐冬莲.基于霍夫森林的变电站开关设备检测及状态识别[J].电力系统自动化,2016,40(11):115-120.”)提出了一种基于霍夫森林的刀闸状态识别方法，利用霍夫森林进行刀闸断开和闭合状态模型的学习，训练出刀闸断开和闭合两种状态的模型，利用该模型对输入图像进行刀闸定位和状态识别。文献(“高强,阳武,李倩.基于稀疏差异深度信念网络的绝缘子故障识别算法[J].电测与仪表,2016,53(1):19-25.”)将图像的灰度特征矩阵转换为差异表示矩阵并对其均值化、归一化和稀疏化，然后利用DBN网络对得到的差异特征进行训练，达到识别绝缘子故障的目的。文献(“LiuY,Yong J,Liu L,et al.The method ofinsulator recognition basedon deep learning[C]//International Conference onApplied Robotics forthe PowerIndustry.Jinan,China,2016:1-5.”)提出一个六层的卷积神经网络(ConvolutinalNeural Networks，CNNs)在绝缘子图像上训练检测模型，成功地利用该训练模型精确的定位绝缘子。文献(“Chen Tuo,Zhang Guoyue,Qi Donglian.A Recognition Method ofSmart Substation Switchgear State Based on Fully Convolutional Networks[C].Proceedings ofthe 35th Chinese Control Conference,2016,Chengdu,China,9894-9897.”)提出了一种基于全卷积神经网络(Fully Convolutional Networks，FCNs)的刀闸状态识别方法，该方法利用FCNs对绝缘子和刀闸目标进行分割定位，并利用绝缘子和刀闸之间的几何关系来识别刀闸目标的状态。但这类方法均存在多刀闸目标相互干扰的问题，识别精度仍待进一步提高。
发明内容
本发明为克服上述现有技术的不足之处，提供提供了一种基于改进深度学习的刀闸状态识别方法，以期能克服亮度变化和复杂背景对刀闸状态识别的影响，从而能可以精确地地定位绝缘子和刀闸的位置，提高刀闸状态识别的精度。
本发明为解决技术问题所采用的技术方案是：
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。
进一步地，所述获取训练模型具体为：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：具体包括以下步骤：
利用摄像装置拍摄包含绝缘子、刀闸和不同背景的图像集作为训练集；
利用高斯核滤波器对图像进行平滑操作；
利用直方图均衡化来增强图像的对比度；
利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为目标区域；
利用高斯分布来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型。
进一步地，所述基于空间加权的池化策略改进的卷积神经网络表述如下：
卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小(长度和宽度)，D表示特征映射的数量；空间加权掩码可以表示为K个H×W大小的池化通道，令Pk表示第k个空间掩码的池化特征，则其可以表示为：
Figure GDA0001532654440000031
其中xi表示特征映射的第i个局部特征，
Figure GDA0001532654440000032
是第k个空间掩码的对应系数(权重)；
可见Pk的维数是1×1×D，可以串联多个池化通道的池化特征可以形成整个池化层的图像表示，即:
P＝[P1 T,P2 T,…,Pk T,…,PK T]T；
P是池化层的输出，是输入图像的K×D特征表示。
进一步地，所述图像集包含图像数量大于等于3000张。
进一步地，所述通过训练模型对输入图像进行预测获得预测框的概率，具体包括：利用训练模型对输入图像进行预测，采用Softmax全连接函数作为分类机来获得预测框的概率。
进一步地，所述利用滑动窗口策略选择候选区域并获得标签，具体包括：用滑动窗口策略来选择候选区域，设计多个不同尺度的滑动窗口来获取绝缘子和刀闸目标区域，当绝缘子和刀闸目标区域作为输入时获得标签；
进一步地，所述滑动窗口的数量大于等于10个。
进一步地，所述对候选区域进行删选获取候选矩形框；具体包括：利用非极大值抑制法排除疑似目标区域，仅留下一些不同类别的非常接近真实目标的候选矩形框，其排除依据是去除具有较小IoU(intersection ofunion)值的疑似目标区域，其中IoU为算法检测区域(DR：Detection Region)与真实区域(GT:GroundTruth)之间重合率：
Figure GDA0001532654440000041
进一步地，所述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，具体为：如果一个刀闸区域与两个绝缘子区域连通，则认为该刀闸处于闭合状态，否则是处于断开状态。
与已有的技术相比，本发明的有益效果体现在：
本发明首先对输入图像进行预处理，其次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，利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置；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；对CNNs中池化操作进行空间加权的改进能够进一步提高深度特征表示的鲁棒性和有效性；采用直方图均衡化来增强图像的对比度，消除反射光对绝缘子和刀闸定位的影响；利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为感兴趣的目标区域，提高了绝缘子和刀闸定位的精度；采用深度学习方法来训练训练模型来检测绝缘子和刀闸的潜在位置，样本的多样性也提高了对不同场景的适应性；利用滑动窗口策略来选择候选区域，设计不同尺度的滑动窗口来获取绝缘子目标，可以克服由于拍摄角度的不同，不同图像中绝缘子呈现出不同大小的问题；利用非极大值抑制和直线拟合算法来获得的绝缘子和刀闸位置，能够精确绝缘子和刀闸位置。
附图说明
图1为本发明提出的一种基于改进深度学习的刀闸状态识别方法流程图；
图2为本发明提出的所述获取训练模型的方法流程图；
图3为本发明提出的刀闸状态识别阶段流程图。
具体实施方式
下面结合附图及实施例描述本发明具体实施方式：
如图1所示，为本发明提出的一种基于改进深度学习的刀闸状态识别方法结构图；
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：
步骤101，获取训练模型；
步骤102，通过训练模型对输入图像进行预测获得预测框的概率；
步骤103，利用滑动窗口策略选择候选区域并获得标签；
步骤104，对候选区域进行删选获取候选矩形框；
步骤105，对候选矩形框进行直线拟合得到精确矩形框；
步骤106，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。
本发明首先对输入图像进行预处理，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，利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置；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。本发明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。
图2为本发明提出的所述获取训练模型的方法流程图；
在步骤101中，获取训练模型具体为：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：具体包括以下步骤：
步骤201，利用摄像装置拍摄包含绝缘子、刀闸和不同背景的图像集作为训练集；
步骤202，利用高斯核滤波器对图像进行平滑操作；
步骤203，利用直方图均衡化来增强图像的对比度；
步骤204，利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为目标区域；
步骤205，利用高斯分布来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型。
本发明对CNNs中池化操作进行空间加权的改进能够进一步提高深度特征表示的鲁棒性和有效性；采用直方图均衡化来增强图像的对比度，以消除反射光对绝缘子和刀闸定位的影响；利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为感兴趣的目标区域，提高了绝缘子和刀闸定位的精度；采用深度学习方法来训练训练模型来检测绝缘子和刀闸的潜在位置，图像集采用3000张以上作为训练样本，样本的多样性也提高了对不同场景的适应性；利用滑动窗口策略来选择候选区域，设计10个不同尺度的滑动窗口来获取绝缘子目标，可以克服由于拍摄角度的不同，不同图像中绝缘子呈现出不同大小的问题。
参见图3，为本发明提出的刀闸状态识别阶段流程图。
如图3所示，刀闸状态识别过程为对拍摄图像进行卷积神经网络获得训练模型，然后通过滑动窗口策略获取绝缘子和刀闸的目标，获得疑似目标候选区域，然后通过非极大值抑制法对疑似目标候选区域进行处理得到接近的目标区域，再通过直线拟合得到精确目标区域，最后根据刀闸状态判别条件得到刀闸状态识别结果。
本发明提供的一种基于改进深度学习的刀闸状态识别方法，对输入图像进行预处理，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，利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置；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。具体按如下步骤进行：
基于空间加权的池化策略改进的卷积神经网络表述如下：
对于卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小(长度和宽度)，D表示特征映射的数量。空间加权掩码可以表示为K个H×W大小的池化通道，令Pk表示第k个空间掩码的池化特征，则其可以表示为：
Figure GDA0001532654440000071
其中xi表示特征映射的第i个局部特征，
Figure GDA0001532654440000072
是第k个空间掩码的对应系数(权重)。可见Pk的维数是1×1×D，可以串联多个池化通道的池化特征可以形成整个池化层的图像表示，即:
P＝[P1 T,P2 T,…,Pk T,…,PK T]T (2)
P是池化层的输出，是输入图像的K×D特征表示。
采用所述的基于空间加权的池化策略改进的卷积神经网在图像集上获得训练模型：
利用摄像机人工拍摄获取包含绝缘子、刀闸和不同背景的3000幅图像作为训练集；
利用高斯核滤波器对图像进行平滑操作以减少噪声的影响；
利用直方图均衡化来增强图像的对比度，以消除反射光对绝缘子和刀闸定位的影响；
利用高斯分布(均值为0，标准差为0.01)来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型，使用ReLU(Rectified Linear Unit)激活函数代替传统的sigmoid激活函数，其数学表达式为f(x)＝max(0,x)，其目的是避免梯度扩散以提高随机梯度下降法的收敛速度；
利用训练好的CNNs模型对输入图像进行预测，采用Softmax全连接函数作为分类机来获得预测框的概率；
用滑动窗口策略来选择候选区域，设计10个不同尺度的滑动窗口来获取绝缘子目标，当整个目标(绝缘子和刀闸)区域作为输入时可获得其标签；
利用非极大值抑制法来排除大多数疑似目标区域，仅留下一些不同类别的非常接近真实目标的候选矩形框，，其排除依据是去除具有较小IoU(intersection ofunion)值的疑似区域，其中IoU为算法检测区域(DR：Detection Region)与真实区域(GT:GroundTruth)之间重合率：
Figure GDA0001532654440000081
对所得到候选矩形框进行直线拟合以得到包含真实的绝缘子/刀闸目标的精确矩形框；
如果一个刀闸区域与两个绝缘子区域连通，则认为该刀闸处于闭合状态，否则是处于断开状态。
上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，这些变化涉及本领域技术人员所熟知的相关技术，这些都落入本发明专利的保护范围。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。

Claims (7)

1.一种基于改进深度学习的刀闸状态识别方法，其特征在于，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；
所述获取训练模型具体为：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：具体包括以下步骤：
利用摄像装置拍摄包含绝缘子、刀闸和不同背景的图像集作为训练集；
利用高斯核滤波器对图像进行平滑操作；
利用直方图均衡化来增强图像的对比度；
利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为目标区域；
利用高斯分布来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型；
所述利用滑动窗口策略选择候选区域并获得标签，具体包括：用滑动窗口策略来选择候选区域，设计多个不同尺度的滑动窗口来获取绝缘子和刀闸目标区域，当绝缘子和刀闸目标区域作为输入时获得标签。
2.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述基于空间加权的池化策略改进的卷积神经网络表述如下：
卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小，D表示特征映射的数量；空间加权掩码可以表示为K个H×W大小的池化通道，令Pk表示第k个空间掩码的池化特征，则其可以表示为：
Figure FDA0003371127310000011
其中xi表示特征映射的第i个局部特征，
Figure FDA0003371127310000012
是第k个空间掩码的对应系数；
可见Pk的维数是1×1×D，可以串联多个池化通道的池化特征可以形成整个池化层的图像表示，即:
P＝[P1 T,P2 T,L,Pk T,L,PK T]T；
P是池化层的输出，是输入图像的K×D特征表示。
3.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述图像集包含图像数量大于等于3000张。
4.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述通过训练模型对输入图像进行预测获得预测框的概率，具体包括：利用训练模型对输入图像进行预测，采用Softmax全连接函数作为分类机来获得预测框的概率。
5.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述滑动窗口的数量大于等于10个。
6.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述对候选区域进行删选获取候选矩形框；具体包括：其排除依据是去除具有较小IoU-intersection of union值的疑似目标区域，其中IoU为算法检测区域DR-DetectionRegion与真实区域GT-Ground Truth之间重合率：
Figure FDA0003371127310000021
7.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述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，具体为：如果一个刀闸区域与两个绝缘子区域连通，则认为该刀闸处于闭合状态，否则是处于断开状态。
CN201711207726.2A 2017-11-27 2017-11-27 一种基于改进深度学习的刀闸状态识别方法 Active CN107944396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711207726.2A CN107944396B (zh) 2017-11-27 2017-11-27 一种基于改进深度学习的刀闸状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711207726.2A CN107944396B (zh) 2017-11-27 2017-11-27 一种基于改进深度学习的刀闸状态识别方法

Publications (2)

Publication Number Publication Date
CN107944396A CN107944396A (zh) 2018-04-20
CN107944396B true CN107944396B (zh) 2021-12-28

Family

ID=61949086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711207726.2A Active CN107944396B (zh) 2017-11-27 2017-11-27 一种基于改进深度学习的刀闸状态识别方法

Country Status (1)

Country Link
CN (1) CN107944396B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472268A (zh) * 2018-09-07 2019-03-15 广东电网有限责任公司 一种基于卷积神经网络的保护压板状态识别方法
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN109753500B (zh) * 2018-12-21 2021-02-02 广东电网有限责任公司广州供电局 刀闸状态异常数据识别方法、装置和计算机设备
CN109753902B (zh) * 2018-12-21 2021-10-29 广西电网有限责任公司来宾供电局 基于hough变换图像处理的配电柜方形压板状态识别方法
CN109741398A (zh) * 2018-12-28 2019-05-10 同方威视技术股份有限公司 图像识别方法、装置和计算机存储介质
CN110221200B (zh) * 2019-06-10 2021-06-29 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法
CN110728171B (zh) * 2019-08-19 2023-01-20 广东电网有限责任公司 一种刀闸状态精细化检测识别方法
CN110533090B (zh) * 2019-08-21 2022-07-08 国网江苏省电力有限公司电力科学研究院 开关刀闸状态检测方法及装置
CN110689574B (zh) * 2019-09-21 2024-07-02 致诚伟业能源科技有限公司 一种对开式刀闸运动状态的检测方法
CN110717932B (zh) * 2019-09-21 2024-06-14 山西金智鸿阳科技有限公司 一种实时跟踪的剪刀式刀闸状态的检测方法
CN111008951B (zh) * 2019-09-21 2024-06-18 山西金智鸿阳科技有限公司 一种基于定位识别的对开式刀闸开合角度的计算方法
CN110717923B (zh) * 2019-09-21 2024-06-14 山西金智鸿阳科技有限公司 一种能够快速识别电线的刀闸状态检测方法
CN111046943A (zh) * 2019-12-09 2020-04-21 国网智能科技股份有限公司 变电站隔离刀闸状态自动识别方法及系统
CN111199227A (zh) * 2019-12-20 2020-05-26 广西柳州联耕科技有限公司 一种高精度图像识别方法
CN111209958B (zh) * 2020-01-03 2023-11-14 南方电网科学研究院有限责任公司 基于深度学习的变电站设备检测方法及装置
CN111488990B (zh) * 2020-04-17 2022-11-29 苏州浪潮智能科技有限公司 一种基于性能感知的模型裁剪方法、装置、设备和介质
CN111754465B (zh) * 2020-06-04 2023-06-09 四川大学 一种绝缘子定位与掉串检测方法
CN111784677A (zh) * 2020-07-03 2020-10-16 安徽炬视科技有限公司 一种基于场景分析的单摄像头刀闸臂张角识别方法
CN111950369A (zh) * 2020-07-10 2020-11-17 济南信通达电气科技有限公司 一种变电站指针式刀闸动作程度识别方法及装置
CN111898481B (zh) * 2020-07-14 2024-08-20 济南信通达电气科技有限公司 一种指针式分合闸指示器的状态识别方法及设备
CN111950606B (zh) * 2020-07-28 2023-11-07 北京恒通智控机器人科技有限公司 一种刀闸状态识别方法、装置、设备和存储介质
CN112036402B (zh) * 2020-08-26 2024-04-26 济南信通达电气科技有限公司 一种对开式刀闸状态识别方法及设备
CN112418328B (zh) * 2020-11-25 2021-05-25 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的排污口盖板未关闭到位故障检测方法
CN113569736A (zh) * 2021-07-28 2021-10-29 南方电网数字电网研究院有限公司 刀闸状态识别方法、装置、计算机设备和存储介质
CN113781436B (zh) * 2021-09-10 2024-05-17 丁艳 一种基于摄像机和角度测量的高压开关状态监测方法
CN113569819B (zh) * 2021-09-23 2021-12-24 泰豪软件股份有限公司 刀闸开合状态的识别方法、系统、存储介质及计算机设备
CN118570565B (zh) * 2024-08-01 2024-10-22 国网江西省电力有限公司南昌供电分公司 基于图像识别的刀闸工作状态识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022345A (zh) * 2016-04-13 2016-10-12 杭州远鉴信息科技有限公司 一种基于霍夫森林的高压隔离开关状态识别方法
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN107257161A (zh) * 2017-06-20 2017-10-17 安徽南瑞继远电网技术有限公司 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2975397B1 (en) * 2014-07-18 2020-01-15 Siemens Aktiengesellschaft High frequency acoustic spectrum imaging method and corresponding device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022345A (zh) * 2016-04-13 2016-10-12 杭州远鉴信息科技有限公司 一种基于霍夫森林的高压隔离开关状态识别方法
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN107257161A (zh) * 2017-06-20 2017-10-17 安徽南瑞继远电网技术有限公司 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及系统

Also Published As

Publication number Publication date
CN107944396A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107944396B (zh) 一种基于改进深度学习的刀闸状态识别方法
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN110827251B (zh) 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
WO2021046951A1 (zh) 图像识别方法、系统及存储介质
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN109446925A (zh) 一种基于卷积神经网络的电力设备检测算法
CN111428748A (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN112541508A (zh) 果实分割识别方法及系统、果实采摘机器人
CN110728694B (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN111079847A (zh) 一种基于深度学习的遥感影像自动标注方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN111582126A (zh) 基于多尺度行人轮廓分割融合的行人重识别方法
CN106951863B (zh) 一种基于随机森林的变电站设备红外图像变化检测方法
Tao et al. Electric insulator detection of UAV images based on depth learning
CN117541535A (zh) 一种基于深度卷积神经网络的输电线路巡检图像检测方法
Niu et al. Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network
CN110400335B (zh) 基于深度学习的纹理图像质量估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant