544844大红鹰网一尾中特平:一種分合閘狀態識別方法技術

技術編號:21185422 閱讀:29 留言:0更新日期:2019-05-22 16:03
一種分合閘狀態識別方法,其特征在于,包括以下步驟:步驟1、采集多個分合閘樣本圖像,使用所述樣本圖像訓練SVM多分類器;步驟2、采集待識別的分合閘圖像,并將所述分合閘圖像轉為灰度圖像;步驟3、對所述灰度圖像中的進行粗定位得到粗定位候選區;對所述灰度圖像進行精確定位,得到多個精確定位候選區;在所述粗定位候選區與所述多個精確定位候選區之間篩選出識別分合閘狀態的最終目標圖像;步驟4、對獲取所述目標圖像進行預處理;步驟5、對所述目標圖像提取HOG特征,將計算得到的HOG特征算子送入SVM多分類器得到最終的識別結果。所述方法能夠有效提高目標區域定位和分合閘狀態識別的準確性。

A Method of Recognizing Switching State

572222一尾中特平 www.fbmtd.icu The method is characterized by the following steps: step 1, acquisition of multi-switch sample images and training of SVM multi-classifier with the sample images; step 2, acquisition of the switch-on image to be recognized and conversion of the switch-on image to gray-scale image; step 3, rough positioning of the gray-scale image to obtain rough positioning candidate areas; The gray-scale image is accurately positioned to obtain multiple precise positioning candidate areas; the final target image for identifying the switching state is screened between the rough positioning candidate area and the multiple precise positioning candidate areas; step 4, preprocessing the acquired target image; step 5, extracting HOG features from the target image and sending the calculated HOG feature operator into SVM multi-level. The classifier obtains the final recognition result. The method can effectively improve the accuracy of target area location and switching status recognition.

【技術實現步驟摘要】
一種分合閘狀態識別方法
本專利技術屬于圖像識別領域,特別涉及一種分合閘狀態識別方法。
技術介紹
電力行業與人們的生活息息相關,變電站的分合閘是電力行業最基本的器件,它對電力供應至關重要。近年來,分合閘檢測與識別不到位從而導致不能正常輸送電的現象時有發生,給人民生活、工業生產造成了巨大的經濟損失。目前關于分合閘檢測方法主要由兩類,第一種是人工巡視檢測方法。但由于變電站的分合閘大多存在于野外,工作人員一般距離較遠,出現分合不到位的現象時一般不能及時解決,從而導致電力供電系統不能及時響應。且人工巡視檢測往往需要消耗大量的人力和時間,在長時間、高強度的工作環境下容易出錯。因此人工巡視檢測方法具有勞動強度大、效率低、巡視檢測不到位、可靠性差、風險大等缺點。近年來,隨著巡檢機器人的推廣,分合閘的檢測工作逐漸向智能化方向發展。利用電力巡檢機器人代替人工巡檢具有高效率、高可靠性等優點。但目前大多數方法,利用傳統的圖像處理手段進行檢測和識別,在光照條件變化的情況下,檢測效果不好,一般一種光照條件就需要一組參數,這就需要提出一種較為通用的檢測和識別方法,應對不同光照、姿態條件下的檢測任務。
技術實現思路
針對上述問題,本專利技術一種基于svm分類器進行分合閘狀態自動識別的方法。一種分合閘狀態識別方法,包括以下步驟:步驟1、采集多個分合閘樣本圖像,使用所述樣本圖像訓練SVM多分類器;步驟2、采集待識別的分合閘圖像,并將所述分合閘圖像轉為灰度圖像;步驟3、對所述灰度圖像中的進行粗定位得到粗定位候選區;對所述灰度圖像進行精確定位,得到多個精確定位候選區;在所述粗定位候選區與所述多個精確定位候選區之間篩選出識別分合閘狀態的最終目標圖像;步驟4、對獲取所述目標圖像進行預處理;步驟5、對所述目標圖像提取HOG特征,將計算得到的HOG特征算子送入SVM多分類器得到最終的識別結果。進一步地,所述使用樣本圖像訓練SVM多分類器具體為:步驟1-1、將所述樣本圖像作為正負訓練樣本集合;步驟1-2、提取所述正負訓練樣本集合的HOG特征;步驟1-3、給所有所述正負訓練樣本集合賦予樣本標簽,將所述訓練樣本集合的HOG特征以及樣本標簽送入SVM中進行訓練。進一步地,所述將樣本圖像作為正負訓練樣本集合具體為:(1)將分合閘到位的圖像作為正樣本集,分合閘不到位的分合閘圖片作為負樣本集;(2)裁剪圖片,刪除分合閘圖像區域之外的多余信息;(3)將圖片縮放為長m像素,寬n像素,m和n的取值范圍為36-64。進一步地,所述提取正負訓練樣本集合的HOG特征具體方法為:(1)將彩色圖像轉化為灰度圖像;(2)對灰度圖像進行Gamma矯正,減少圖像局部的陰影和光照變化,Gamma矯正的公式為:I(x,y)=I(x,y)gamma(1)其中,I(x,y)表示圖像第x行第y列的像素值,gamma取0-1之間的數;(3)根據下式計算圖像每個像素的梯度:Gx(x,y)=H(x+1,y)-H(x-1,y)(2)Gy(x,y)=H(x,y+1)-H(x,y-1)(3)其中,Gx(x,y),Gy(x,y),H(x,y)分別表示圖像中像素點(x,y)處的水平方向梯度,垂直方向梯度和像素值,像素點(x,y)處的梯度幅值G(x,y)與梯度方向α(x,y)則可根據下式得到:(4)將圖像分割為一個個邊長為a像素的正方形單元格,為每個單元格創建梯度方向直方圖,將梯度方向360度劃分為k個方向塊,第i個方向塊的方向范圍為統計單元格內各個像素的梯度方向,如果梯度方向屬于某個方向塊,則對應方向塊的計數值加上這個梯度對應的幅值;(5)將單元格組合成塊,塊內歸一化梯度直方圖將每個單元格對應的梯度直方圖改寫為向量形式,將每個塊內的所有梯度向量串聯起來,形成這個塊的梯度方向直方圖向量;將向量乘上對應的歸一化因子,歸一化因子的計算公式為:其中,v表示還未歸一化的向量,||v||2表示v的2階范數,e表示常數;(6)將圖像中所有塊的歸一化后的向量串聯起來得到訓練樣本集合HOG特征。進一步地,所述將正負訓練樣本集合的HOG特征以及樣本標簽送入SVM中訓練具體為:(1)確定SVM的訓練目標,即尋找可對正負樣本實現分類的最優超平面的數學公式:其中,w表示與超平面垂直的向量,||w||表示w的范數,ξi表示松弛變量,是一個非負數,D是一個參數,用于控制目標函數中兩項的權重,xi表示第i個樣本的HOG特征,yi表示第i個樣本的樣本標簽,b表示一個常數;(2)構建拉格朗日函數:其中,αi表示拉格朗日乘子,ri=D-αi,令目標函數轉化為其中,d*表示目標函數最優值;(3)讓L針對w,b,ξ最小化,即:將式(11)帶入式(8),則目標函數轉化為:其中,<xi,xj>表示求xi,xj的內積;(4)利用SMO算法求拉格朗日乘子αi的最優值,利用啟發式算法選取一對拉格朗日乘子αi,αj;固定除αi,αj外的其他參數,確定w取極值條件下αi的取值,并用αi表示αj;不斷重復直到目標函數收斂;(5)根據拉格朗日乘子的最優值確定最優超平面:其中,表示拉格朗日乘子的最優值,w*,b*分別表示最優超平面的方向以及與原點的偏移;(6)得到分類決策函數,即訓練好的SVM分類器:進一步地,所述粗定位得到粗定位候選區是通過梅林傅里葉變換和相位相關法對待檢測圖片中的分合閘目標區域進行粗定位,得到粗定位候選區。進一步地,所述對灰度圖像進行精確定位,得到多個精確定位候選區具體為:利用機器學習的方法對目標分合閘區域進行精確定位,將待檢測圖像送入訓練過的分類器,得到若干個目標候選區域。進一步地,所述在所述粗定位候選區與所述多個精確定位候選區之間篩選出識別分合閘狀態的最終目標圖像具體為:計算每個精確定位候選區的置信度,選擇所述多個精確定位候選區中置信度最大的候選區;比較所述置信度最大的候選區與所述粗定位候選區,選擇出最終目標圖像。進一步地,所述計算每個精確定位候選區的置信度具體為:計算每個精確定位候選區與所述粗定位候選區的交并比參數IOU;計算每個精確定位候選區與模板圖像中的分合閘區域圖像的感知哈希指標pHash;計算每個精確定位候選區與模板圖像的互信息指標I(G(X),H(Y));所述置信度計算公式為:Confidence=1-(pHash+1/I(G(X),H(y)))/(IOU+D)(20)其中D為一常數;所述模板圖像為采集的分合閘到位的圖像。進一步地,所述比較所述置信度最大的候選區與所述粗定位候選區,選擇出最終目標圖像,具體為:若所述置信度最大候選區的交并比參數IOU同時滿足小于設定閾值thresholdIOU且(pHash+1/I(G(X),H(Y)))大于閾值thresholdA則將所述粗定位候選區作為所述最終目標圖像,否則將所述置信度最大候選區作為所述最終目標圖像。進一步地,所述交并比參數IOU的計算方式為:式中,C為所述粗定位候選區,ni為第i個所述精確定位候選區。進一步地,所述感知哈希指標pHash的計算方式為:將所述精確定位候選區與模板圖像縮放到同一大小,進行余弦變換,選取余弦變換后的圖像左上角的部分低頻區域,去除坐標(0,0)的直流分量得到一共N維特征向量,計算所述精確定位候選區與模板圖像的特征向量的漢明距離,作為感知哈希指標本文檔來自技高網...

【技術?;さ恪?/strong>
1.一種分合閘狀態識別方法,其特征在于,包括以下步驟:步驟1、采集多個分合閘樣本圖像,使用所述樣本圖像訓練SVM多分類器;步驟2、采集待識別的分合閘圖像,并將所述分合閘圖像轉為灰度圖像;步驟3、對所述灰度圖像中的進行粗定位得到粗定位候選區;對所述灰度圖像進行精確定位,得到多個精確定位候選區;在所述粗定位候選區與所述多個精確定位候選區之間篩選出識別分合閘狀態的最終目標圖像;步驟4、對獲取所述目標圖像進行預處理;步驟5、對所述目標圖像提取HOG特征,將計算得到的HOG特征算子送入SVM多分類器得到最終的識別結果。

【技術特征摘要】
1.一種分合閘狀態識別方法,其特征在于,包括以下步驟:步驟1、采集多個分合閘樣本圖像,使用所述樣本圖像訓練SVM多分類器;步驟2、采集待識別的分合閘圖像,并將所述分合閘圖像轉為灰度圖像;步驟3、對所述灰度圖像中的進行粗定位得到粗定位候選區;對所述灰度圖像進行精確定位,得到多個精確定位候選區;在所述粗定位候選區與所述多個精確定位候選區之間篩選出識別分合閘狀態的最終目標圖像;步驟4、對獲取所述目標圖像進行預處理;步驟5、對所述目標圖像提取HOG特征,將計算得到的HOG特征算子送入SVM多分類器得到最終的識別結果。2.根據權利要求1所述的分合閘狀態識別方法,其特征在于,所述使用樣本圖像訓練SVM多分類器具體為:步驟1-1、將所述樣本圖像作為正負訓練樣本集合;步驟1-2、提取所述正負訓練樣本集合的HOG特征;步驟1-3、給所有所述正負訓練樣本集合賦予樣本標簽,將所述訓練樣本集合的HOG特征以及樣本標簽送入SVM中進行訓練。3.根據權利要求2所述的分合閘狀態識別方法,其特征在于,所述將樣本圖像作為正負訓練樣本集合具體為:(1)將分合閘到位的圖像作為正樣本集,分合閘不到位的分合閘圖片作為負樣本集;(2)裁剪圖片,刪除分合閘圖像區域之外的多余信息;(3)將圖片縮放為長m像素,寬n像素,m和n的取值范圍為36-64。4.根據權利要求2所述的分合閘狀態識別方法,其特征在于,所述提取正負訓練樣本集合的HOG特征具體方法為:(1)將彩色圖像轉化為灰度圖像;(2)對灰度圖像進行Gamma矯正,減少圖像局部的陰影和光照變化,Gamma矯正的公式為:I(x,y)=I(x,y)gamma(1)其中,I(x,y)表示圖像第x行第y列的像素值,gamma取0-1之間的數;(3)根據下式計算圖像每個像素的梯度:Gx(x,y)=H(x+1,y)-H(x-1,y)(2)Gy(x,y)=H(x,y+1)-H(x,y-1)(3)其中,Gx(x,y),Gy(x,y),H(x,y)分別表示圖像中像素點(x,y)處的水平方向梯度,垂直方向梯度和像素值,像素點(x,y)處的梯度幅值G(x,y)與梯度方向α(x,y)則可根據下式得到:(4)將圖像分割為一個個邊長為a像素的正方形單元格,為每個單元格創建梯度方向直方圖,將梯度方向360度劃分為k個方向塊,第i個方向塊的方向范圍為統計單元格內各個像素的梯度方向,如果梯度方向屬于某個方向塊,則對應方向塊的計數值加上這個梯度對應的幅值;(5)將單元格組合成塊,塊內歸一化梯度直方圖將每個單元格對應的梯度直方圖改寫為向量形式,將每個塊內的所有梯度向量串聯起來,形成這個塊的梯度方向直方圖向量;將向量乘上對應的歸一化因子,歸一化因子的計算公式為:其中,v表示還未歸一化的向量,||v||2表示v的2階范數,e表示常數;(6)將圖像中所有塊的歸一化后的向量串聯起來得到訓練樣本集合HOG特征。5.根據權利要求2所述的分合閘狀態識別方法,其特征在于,所述將正負訓練樣本集合的HOG特征以及樣本標簽送入SVM中訓練具體為:(1)確定SVM的訓練目標,即尋找可對正負樣本實現分類的最優超平面的數學公式:其中,w表示與超平面垂直的向量,||w||表示w的范數,ξi表示松弛變量,是一個非負數,D是一個參數,用于控制目標函數中兩項的權重,xi表示第i個樣本的HOG特征,yi表示第i個樣本的樣本標簽,b表示一個常數;(2)構建拉格朗日函數:其中,αi表示拉格朗日乘子,ri=D-αi,令目標函數轉化為其中,d*表示目標函數最優值;(3)讓L針對w,b,ξ最小化,即:將式(11)帶入式(8),則目標函數轉化為:其中,<...

【專利技術屬性】
技術研發人員:朱兵,王弈心,陸子清,閆琛,廖婕,韋佳貝,姚書龍,唐志勇,陳成全,潘衛國,陳暉,
申請(專利權)人:北京全路通信信號研究設計院集團有限公司,
類型:發明
國別省市:北京,11

網友詢問留言 已有0條評論
  • 還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。

1
11选5技巧稳赚视频 双面盘赔率为什么比信用盘高 六肖中特期期谁白小姐 时时彩买九个数可以稳赚吗 七乐彩走势图近30期 七星彩预测最准号码牛材网 双色球杀号技巧最准确 双色球人工计划 双色球今晚什么时候开奖时间 七星彩最新预测号码 好运来飞艇计划软件推荐软件 彩票计划软件哪个准 免费计划软件安卓版 腾讯分分免费计划软件 腾讯分分彩漏洞刷钱 3d试机号口诀组三