本發(fā)明屬于變電站圖像智能分析領(lǐng)域及變電站設(shè)備狀態(tài)在線監(jiān)測(cè)領(lǐng)域，涉及圖像處理和計(jì)算機(jī)等技術(shù)，特別是涉及一種基于圖像智能識(shí)別算法用于判斷變電站隔離開(kāi)關(guān)設(shè)備開(kāi)合狀態(tài)的檢測(cè)方法。

背景技術(shù)：

變電站的視頻技術(shù)為遠(yuǎn)程監(jiān)控變電站的隔離開(kāi)關(guān)等設(shè)備的可視化提供了技術(shù)手段，為變電站調(diào)度運(yùn)行提供了可視化監(jiān)控及輔助決策依據(jù)。隨著視頻監(jiān)控的網(wǎng)絡(luò)化、高清化、智能化技術(shù)的不斷發(fā)展，視頻監(jiān)控技術(shù)在電網(wǎng)安全、生產(chǎn)運(yùn)行中的應(yīng)用不斷深入和廣泛，傳統(tǒng)方式所采用的視頻監(jiān)控技術(shù)為電網(wǎng)設(shè)備遠(yuǎn)程監(jiān)控提供遠(yuǎn)程可視化的監(jiān)控手段，為遠(yuǎn)程確認(rèn)設(shè)備實(shí)際的狀態(tài)與監(jiān)控?cái)?shù)據(jù)顯示狀態(tài)是否一致，提供了可靠和有效的確認(rèn)手段，為準(zhǔn)確做出決策提供了依據(jù)，然而，隨著該技術(shù)的不斷深入和推廣應(yīng)用，由于變電站數(shù)量眾多、站內(nèi)設(shè)備數(shù)量龐大，若每個(gè)設(shè)備的狀態(tài)查看和確認(rèn)都需要人工進(jìn)行查看和確認(rèn)，其所帶來(lái)的工作量將特別龐大，且工作效率低下，隨著電網(wǎng)技術(shù)對(duì)電網(wǎng)智能化水平要求的不斷提高，如何提高視頻監(jiān)控技術(shù)在電網(wǎng)智能化監(jiān)控技術(shù)中的應(yīng)用，將對(duì)電網(wǎng)智能化水平的提升起到促進(jìn)作用。同時(shí)，將為電網(wǎng)設(shè)備的智能化監(jiān)控、智能化巡視提供技術(shù)手段。同時(shí)，變電站隔離開(kāi)關(guān)狀態(tài)的圖像識(shí)別對(duì)于電網(wǎng)智能化設(shè)備狀態(tài)巡視、設(shè)備告警聯(lián)動(dòng)等電網(wǎng)生產(chǎn)運(yùn)行監(jiān)控具有重要意義，對(duì)電網(wǎng)智能化水平的發(fā)展和提高具有一定的促進(jìn)作用。由于變電站設(shè)備場(chǎng)景的復(fù)雜性，如果有效實(shí)現(xiàn)對(duì)變電站隔離開(kāi)關(guān)狀態(tài)的識(shí)別將是該技術(shù)的核心研究?jī)?nèi)容。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于圖像智能識(shí)別算法的隔離開(kāi)關(guān)狀態(tài)自動(dòng)檢測(cè)方法。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供的采用線段擬合視頻智能分析算法的變電站隔離開(kāi)關(guān)狀態(tài)檢測(cè)方法，包括圖片獲取及初始化處理，隔離開(kāi)關(guān)背景建模，開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練，用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別四個(gè)過(guò)程，該方法包括步驟如下：

S1：圖片獲取及初始化處理；

S2：隔離開(kāi)關(guān)背景建模；

S3：開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練；

S4：利用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別；

其中，圖片獲取及初始化處理具體步驟如下：

S11：通過(guò)廠家SDK獲取變電站視頻監(jiān)控系統(tǒng)的實(shí)時(shí)視頻數(shù)據(jù)；

S12：獲取實(shí)時(shí)視頻中的某一幀，用于后續(xù)檢測(cè)；

S13：幀圖像處理，并裁剪邊緣；

S14：對(duì)裁剪后的圖片進(jìn)行灰度處理，轉(zhuǎn)換為灰度圖片。

其中，隔離開(kāi)關(guān)背景建模具體步驟如下：

S21：背景統(tǒng)計(jì)模型，對(duì)一段時(shí)間的背景進(jìn)行統(tǒng)計(jì)，然后計(jì)算其統(tǒng)計(jì)數(shù)據(jù)，將統(tǒng)計(jì)數(shù)據(jù)作為背景。

S22：通過(guò)對(duì)當(dāng)前圖像及背景的某種比較，得出前景。

其中，開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練具體步驟如下：

S31：采集隔離開(kāi)關(guān)開(kāi)狀態(tài)和閉狀態(tài)樣本；

S32：對(duì)樣本中的隔離開(kāi)關(guān)進(jìn)行區(qū)域標(biāo)定；

S33：訓(xùn)練隔離開(kāi)關(guān)開(kāi)狀態(tài)和閉狀態(tài)的harr-like特征；

S34：調(diào)整參數(shù)，將訓(xùn)練結(jié)果準(zhǔn)確率提升到滿意為止；

其中，用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別具體步驟如下：

S41：隔離開(kāi)關(guān)圖像采集；

S42：隔離開(kāi)關(guān)區(qū)域裁剪；

S43：使用訓(xùn)練結(jié)果對(duì)隔離開(kāi)關(guān)區(qū)域進(jìn)行掃描；

S44：根據(jù)掃描結(jié)果，判斷隔離開(kāi)關(guān)當(dāng)前狀態(tài)。

本發(fā)明的基于圖像智能識(shí)別算法的隔離開(kāi)關(guān)狀態(tài)自動(dòng)檢測(cè)方法，通過(guò)遠(yuǎn)程獲取變電站監(jiān)控?cái)z像機(jī)的實(shí)時(shí)視頻，并獲取實(shí)時(shí)視頻中含有隔離開(kāi)關(guān)的某一幀圖像數(shù)據(jù)，將該幀圖像數(shù)據(jù)轉(zhuǎn)換為可處理的數(shù)據(jù)格式，標(biāo)定隔離開(kāi)關(guān)區(qū)域，對(duì)隔離開(kāi)關(guān)區(qū)域進(jìn)行背景建模，取幾十張開(kāi)狀態(tài)隔離開(kāi)關(guān)，進(jìn)行訓(xùn)練，將訓(xùn)練結(jié)果保存下來(lái)，再取幾十張閉狀態(tài)隔離開(kāi)關(guān)進(jìn)行訓(xùn)練，將訓(xùn)練結(jié)果保存下來(lái)，以上是識(shí)別的準(zhǔn)備階段；識(shí)別階段：通過(guò)遠(yuǎn)程獲取變電站監(jiān)控?cái)z像機(jī)的實(shí)時(shí)視頻，并獲取實(shí)時(shí)視頻中含有隔離開(kāi)關(guān)的某一幀圖像數(shù)據(jù)，將該幀圖像數(shù)據(jù)轉(zhuǎn)換為可處理的數(shù)據(jù)格式，取隔離開(kāi)關(guān)區(qū)域，對(duì)區(qū)域進(jìn)行掃描，使用開(kāi)狀態(tài)和閉狀態(tài)的訓(xùn)練結(jié)果分別對(duì)區(qū)域目標(biāo)進(jìn)行匹配，匹配結(jié)果即為狀態(tài)結(jié)果，最終判斷出隔離開(kāi)關(guān)的開(kāi)合狀態(tài)。

本發(fā)明的方法，具備對(duì)視頻圖像中所監(jiān)控的電力應(yīng)用場(chǎng)景為復(fù)雜場(chǎng)景或簡(jiǎn)單場(chǎng)景時(shí)，采用圖像智能識(shí)別算法，對(duì)變電站隔離開(kāi)關(guān)設(shè)備開(kāi)合狀態(tài)進(jìn)行檢測(cè)的能力，通過(guò)新的技術(shù)算法，提高和解決通過(guò)視頻分析算法實(shí)現(xiàn)對(duì)變電站隔離開(kāi)關(guān)狀態(tài)的識(shí)別。現(xiàn)有技術(shù)對(duì)隔離開(kāi)關(guān)狀態(tài)的識(shí)別存在問(wèn)題，若采用常用的模板匹配方法檢測(cè)時(shí)，容易受外界光線及拍攝圖像的攝像機(jī)轉(zhuǎn)動(dòng)影像，同時(shí)，由于變電站內(nèi)的隔離開(kāi)關(guān)設(shè)備數(shù)量龐大、設(shè)備電壓等級(jí)不同時(shí)，設(shè)備外觀及形狀均不一致，且不同廠家的不同型號(hào)設(shè)備也存在一定的差異，因此，采用模板匹配方法時(shí)，將會(huì)對(duì)監(jiān)控場(chǎng)景有嚴(yán)格的限制，且在廣泛適用性和可推廣性等方面存在著較多的缺陷。

本發(fā)明采用圖像智能識(shí)別算法的隔離開(kāi)關(guān)狀態(tài)自動(dòng)檢測(cè)方法，通過(guò)隔離開(kāi)關(guān)狀態(tài)訓(xùn)練，通過(guò)圖像智能識(shí)別，能夠有效提取出隔離開(kāi)關(guān)的狀態(tài)特征，排除外在影響因數(shù)，能夠最大限度地提高檢測(cè)的準(zhǔn)確性和適用性。

本發(fā)明的方法易于實(shí)現(xiàn)和應(yīng)用，主要可以應(yīng)用于電網(wǎng)智能化設(shè)備狀態(tài)巡視、設(shè)備告警聯(lián)動(dòng)等電網(wǎng)生產(chǎn)運(yùn)行智能化遠(yuǎn)程監(jiān)控中，對(duì)電網(wǎng)智能化水平的發(fā)展和提高具有一定的促進(jìn)作用。

附圖說(shuō)明

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明做更進(jìn)一步的具體說(shuō)明，本發(fā)明的相關(guān)方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。

圖1為本發(fā)明的流程框圖。

具體實(shí)施方式

下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明技術(shù)方法中所涉及的各個(gè)細(xì)節(jié)問(wèn)題。應(yīng)指出的是，所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何限定作用。

圖1所示為基于圖像智能識(shí)別算法的隔離開(kāi)關(guān)狀態(tài)自動(dòng)檢測(cè)方法流程框圖，本方法分為圖片獲取及初始化處理，隔離開(kāi)關(guān)背景建模，開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練，利用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別四個(gè)過(guò)程。

所述的圖片獲取及初始化處理包括步驟：通過(guò)廠家SDK獲取變電站視頻監(jiān)控系統(tǒng)的實(shí)時(shí)視頻數(shù)據(jù)；獲取實(shí)時(shí)視頻中的某一幀，用于后續(xù)檢測(cè)；幀圖像處理，并裁剪邊緣；對(duì)裁剪后的圖片進(jìn)行灰度處理，轉(zhuǎn)換為灰度圖片。

所述的隔離開(kāi)關(guān)背景建模包括步驟：背景統(tǒng)計(jì)模型，對(duì)一段時(shí)間的背景進(jìn)行統(tǒng)計(jì)，然后計(jì)算其統(tǒng)計(jì)數(shù)據(jù)，將統(tǒng)計(jì)數(shù)據(jù)作為背景，通過(guò)對(duì)當(dāng)前圖像及背景的某種比較，得出前景。

所述的開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練包括步驟：采集隔離開(kāi)關(guān)開(kāi)狀態(tài)和閉狀態(tài)樣本，對(duì)樣本中的隔離開(kāi)關(guān)進(jìn)行區(qū)域標(biāo)定，訓(xùn)練隔離開(kāi)關(guān)開(kāi)狀態(tài)和閉狀態(tài)的harr-like特征，調(diào)整參數(shù)，將訓(xùn)練結(jié)果準(zhǔn)確率提升到滿意為止。

所述的利用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別包括步驟：隔離開(kāi)關(guān)圖像采集，隔離開(kāi)關(guān)區(qū)域裁剪，使用訓(xùn)練結(jié)果對(duì)隔離開(kāi)關(guān)區(qū)域進(jìn)行掃描，根據(jù)掃描結(jié)果，判斷隔離開(kāi)關(guān)當(dāng)前狀態(tài)。

本發(fā)明的方法需要的硬件最低配置為：P4、3.0G CPU、512M內(nèi)存的PC機(jī)，在此配置水平的硬件上，采用C/C++語(yǔ)言編程實(shí)現(xiàn)本方法。操作系統(tǒng)可基于Windows或Linux的各類操作系統(tǒng)。下面對(duì)本發(fā)明的方法設(shè)計(jì)的關(guān)鍵步驟進(jìn)行逐一詳細(xì)說(shuō)明，本發(fā)明的方法中的基本步驟相同，具體形式如下所述：

首先，是圖片獲取及初始化處理：

(1)通過(guò)廠家SDK實(shí)時(shí)獲取變電站攝像機(jī)的實(shí)時(shí)視頻數(shù)據(jù)；

(2)在獲取到實(shí)時(shí)數(shù)據(jù)時(shí)間間隔5秒后，從實(shí)時(shí)數(shù)據(jù)中獲取一幀圖片數(shù)據(jù)，采用5秒后再截取圖片數(shù)據(jù)的原因主要為：由于變電站與遠(yuǎn)端之間的網(wǎng)絡(luò)帶寬有限，若獲取到視頻后直接截圖圖片，可能會(huì)出現(xiàn)圖片截取失敗或截取的圖片存在異常等原因；

(3)在截取完圖片后，檢查圖片是否正常，如果圖片存在異常，則重新獲取圖片，獲取圖片成功后，保存圖片數(shù)據(jù)為OrgImg；

(4)通常此時(shí)獲取的圖片格式為YUV格式，為了便于后續(xù)的圖像分析，將該圖片進(jìn)行格式轉(zhuǎn)換，轉(zhuǎn)換為RGB圖片格式，轉(zhuǎn)換后的圖片數(shù)據(jù)為OrgImg_RGB[]；

(5)后續(xù)圖像處理主要是根據(jù)灰度圖像的處理，因此，需要將RGB格式轉(zhuǎn)換為灰度格式，根據(jù)RGB轉(zhuǎn)灰度公式：Gray＝R*0.299+G*0.587+B*0.114，從而將OrgImg_RGB[]計(jì)算得到對(duì)應(yīng)的灰度圖片數(shù)據(jù)：Org_Mat_Gray[]；

(6)由于實(shí)際圖片中左上角或右上角、左下角或右下角通常均包含一些文字信息，避免文字信息對(duì)監(jiān)測(cè)的影響，假設(shè)圖片橫坐標(biāo)為0<x<W1，圖片縱坐標(biāo)為0<y<H1，其中的H1表示圖片的高度，W1表示圖片的寬度，將圖片橫坐標(biāo)截取為W1/8<x<7*W1/8，將圖片縱坐標(biāo)截取為H1/8<y<7*H1/8，得到灰度圖片矩陣Mat_Gray[]，新的灰度圖片的寬度為W2，高度為H2；

其次，隔離開(kāi)關(guān)背景建模：

(1)初始化對(duì)象

BackgroundStatModelBase<Bgr>bgModel＝new BackgroundStatModelBase<Bgr>(BackgroundStatModelType.AccAvg)；

(2)更新一段時(shí)間的背景圖像，視情況反復(fù)調(diào)用(2)bgModel.Update(image)；

(3)設(shè)置當(dāng)前幀bgModel.CurrentFrame＝currentFrame；

(4)得到背景或者前景Image<Gray,Byte>imageForeground＝bgModel.ForegroundMask；

再次，開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練：

(1)樣本創(chuàng)建

a.樣本分為正樣本和負(fù)樣本，正樣本為待檢測(cè)目標(biāo)，負(fù)樣本為其他圖片，最好選擇采集到的背景中包含的圖片,但不能包含目標(biāo)特征。調(diào)用廠家攝像機(jī)SDK，循環(huán)抓取圖片，分別放到正樣本和負(fù)樣本對(duì)應(yīng)的幾個(gè)List中。

開(kāi)狀態(tài)正樣本抓?。篛penPosSampleList<OpenPosSample>listOpenPosSample＝CaptureVideo.GetPickureOpenPosSample()；

開(kāi)狀態(tài)負(fù)樣本抓?。篛penNegSampleList<OpenNegSample>listOpenNegSample＝CaptureVideo.GetPickureOpenNegSample()；

閉狀態(tài)正樣本抓?。篊losePosSampleList<ClosePosSample>listClosePosSample＝CaptureVideo.GetPickureClosePosSample()；

閉狀態(tài)負(fù)樣本抓取：CloseNegSampleList<CloseNegSample>listCloseNegSample＝CaptureVideo.GetPickureCloseNegSample()；

b.循環(huán)遍歷開(kāi)狀態(tài)和閉狀態(tài)的正樣本List，生成樣本描述集。

開(kāi)狀態(tài)正樣本描述集：OpenPosSampleDesc openPosSampleDesc＝CreatePosDesc(listOpenPosSample)；

開(kāi)狀態(tài)負(fù)樣本描述集：OpenNegSampleDesc openNegSampleDesc＝CreateNegDesc(listOpenNegSample)；

閉狀態(tài)正樣本描述集：ClosePosSampleDesc closePosSampleDesc＝CreatePosDesc(listClosePosSample)；

閉狀態(tài)負(fù)樣本描述集：CloseNegSampleDesc closeNegSampleDesc＝CreateNegDesc(listCloseNegSample)；

(2)訓(xùn)練分類器

將(1)樣本創(chuàng)建生成的所有描述集，分成開(kāi)狀態(tài)和閉狀態(tài)，進(jìn)行訓(xùn)練，生成樣本訓(xùn)練結(jié)果數(shù)據(jù)庫(kù)。

開(kāi)狀態(tài)結(jié)果數(shù)據(jù)庫(kù)：OpenResultData openResultData＝Train(openPosSampleDesc,openNegSampleDesc)；

閉狀態(tài)結(jié)果數(shù)據(jù)庫(kù)：CloseResultData closeResultData＝Train(closePosSampleDesc,closeNegSampleDesc)；

訓(xùn)練結(jié)束后，會(huì)生成openResultData和closeResultData兩個(gè)分類器，將分類器放到內(nèi)存中，供隔離開(kāi)關(guān)狀態(tài)檢測(cè)使用。

最后，隔離開(kāi)關(guān)狀態(tài)檢測(cè)

a.創(chuàng)建分類器

CascadeClassifier openClassifier＝openResultData.GetClassifier()；

CascadeClassifier closeClassifier＝closeResultData.GetClassifier()；

b.讀取圖片調(diào)用識(shí)別函數(shù)進(jìn)行識(shí)別

Mat image＝imread(“Switch1.jpg”)；

Mat image_gray；

std::vector<Rect>vecOpenSwitch；

std::vector<Rect>vecCpenSwitch；

cvtColor(image,image_gray,CV_BGR2GRAY)；

int nOpenRet＝openClassifier.detectMultiScale(image_gray,vecOpenSwitch,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30))；

int nCloseRet＝openClassifier.detectMultiScale(image_gray,vecCloseSwitch,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30))；

程序中的nOpenRet和nCloseRet即為隔離開(kāi)關(guān)閉合狀態(tài)的檢測(cè)結(jié)果。

具體實(shí)施例子如下：

采用一種基于圖像智能識(shí)別算法的隔離開(kāi)關(guān)狀態(tài)自動(dòng)檢測(cè)方法，包括圖片獲取及初始化處理、隔離開(kāi)關(guān)背景建模，開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練，利用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別四個(gè)過(guò)程，步驟如下：

其中，圖片獲取及初始化處理具體步驟如下：

通過(guò)廠家SDK獲取變電站視頻監(jiān)控系統(tǒng)的實(shí)時(shí)視頻數(shù)據(jù)；獲取實(shí)時(shí)視頻中的某一幀，用于后續(xù)檢測(cè)；幀圖像處理，并裁剪邊緣；對(duì)裁剪后的圖片進(jìn)行灰度處理，轉(zhuǎn)換為灰度圖片。

其中，隔離開(kāi)關(guān)背景建模具體步驟如下：

背景統(tǒng)計(jì)模型，對(duì)一段時(shí)間的背景進(jìn)行統(tǒng)計(jì)，然后計(jì)算其統(tǒng)計(jì)數(shù)據(jù)，將統(tǒng)計(jì)數(shù)據(jù)作為背景，通過(guò)對(duì)當(dāng)前圖像及背景的某種比較，得出前景。

其中，開(kāi)狀態(tài)和閉狀態(tài)樣本訓(xùn)練具體步驟如下：

采集隔離開(kāi)關(guān)開(kāi)狀態(tài)和閉狀態(tài)樣本，對(duì)樣本中的隔離開(kāi)關(guān)進(jìn)行區(qū)域標(biāo)定，訓(xùn)練隔離開(kāi)關(guān)開(kāi)狀態(tài)和閉狀態(tài)的harr-like特征，調(diào)整參數(shù)，將訓(xùn)練結(jié)果準(zhǔn)確率提升到滿意為止。

其中，利用訓(xùn)練結(jié)果進(jìn)行狀態(tài)識(shí)別具體步驟如下：

隔離開(kāi)關(guān)圖像采集，隔離開(kāi)關(guān)區(qū)域裁剪，使用訓(xùn)練結(jié)果對(duì)隔離開(kāi)關(guān)區(qū)域進(jìn)行掃描，根據(jù)掃描結(jié)果，判斷隔離開(kāi)關(guān)當(dāng)前狀態(tài)。

總之，本發(fā)明提出了一種基于圖像智能識(shí)別算法的隔離開(kāi)關(guān)狀態(tài)自動(dòng)檢測(cè)方法。通過(guò)在電力系統(tǒng)中實(shí)際的現(xiàn)場(chǎng)視頻圖片進(jìn)行了大量的實(shí)驗(yàn)驗(yàn)證了本發(fā)明的有效性和穩(wěn)定性。本發(fā)明易于實(shí)現(xiàn)，且性能穩(wěn)定可靠。本發(fā)明有效實(shí)現(xiàn)了隔離開(kāi)關(guān)設(shè)備開(kāi)合狀態(tài)的智能檢測(cè)。變電站隔離開(kāi)關(guān)狀態(tài)的圖像識(shí)別對(duì)于電網(wǎng)智能化設(shè)備狀態(tài)巡視、設(shè)備告警聯(lián)動(dòng)等電網(wǎng)生產(chǎn)運(yùn)行監(jiān)控具有重要意義，對(duì)電網(wǎng)智能化水平的發(fā)展和提高具有一定的促進(jìn)作用。

以上所述，僅為本發(fā)明中的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書(shū)的保護(hù)范圍為準(zhǔn)。