基于图像识别和深度学习的隔离开关限位件状态检测方法

技术领域

本发明涉及隔离开关监测技术领域，具体涉及基于图像识别和深度学习的隔离开关限位件状态检测方法。

背景技术

变电隔离开关是一种无灭弧功能的开关设备，是电力系统中重要的部件之一。变电隔离开关在合位时，必须保证接触良好，能够承载正常运行条件下的电流以及规定时间内异常条件下的电流。变电隔离开关在分位时，触头间有负荷规定要求的绝缘距离和明显的断开标志，以建立可靠的绝缘间隙，确保需要检修的设备或线路与电源之间有明显的距离，保证检修人员和设备的安全。

变电隔离开关合闸不到位或合闸后触头接触状态不良，将导致放电或过热等设备异常，严重的还会造成电网事故。变电隔离开关分闸不到位，将会造成绝缘距离不满足要求，对检修人员生命及设备安全造成严重威胁。现有的变电隔离开关分合状态，主要依靠变电隔离开关对应的辅助触点进行判别。辅助触点位于变电隔离开关的电动操作机构箱内，与变电隔离开关通过传动杆相连。电动操作机构带动传动杆控制变电隔离开-关分合的同时，也带动操作机构箱内的限位件转动，限位件触碰辅助触点后，停止传动杆运动，与此同时，变电隔离开关亦到达分合位置。由于辅助触点与隔离开关触头之间通过限位件、传动杆等一系列传动部件相连，相隔距离较长。如果传动部件连接发生异常，电动操作机构箱内的辅助触点发出的分合指令信号，可能与隔离开关触头分合实际状态可能不一致，导致隔离开关分合操作失败。

针对上述问题可以在电动操作机构箱内设置摄像头，采集限位件与辅助触点的图像信息，通过图像识别技术实时计算图像与预设的隔离开关触头分合到位对应的图像之间的差异，可达到实时监测隔离开关电动操作机构辅助触点位置并辅助其校正偏差的目的。但是在电动操作机构内设置摄像头对限位件进行图像采集与状态识别存在以下难点：由于箱内部件众多、结构复杂、光照不足，导致限位件图像定位、分割等预处理困难；由于限位件与辅助触点动作幅度较小，主观的判断容易出现误差，需要对其进行准确识别判断需要大量数据集进行模型训练。

发明内容

本发明的目的在于提供一种基于图像识别和深度学习的隔离开关限位件状态检测方法，可以解决现有技术中由于限位件与辅助触点动作幅度较小，造成判断容易误差的问题。

本发明的目的是通过以下技术方案实现的：

本发明提供一种基于图像识别和深度学习的隔离开关限位件状态检测方法，包括以下步骤：

获取限位件图像，并对限位件图像进行旋转、腐蚀和膨胀操作，扩充得到限位件图像集，对限位件图像集内图像作归一化处理，得到初级训练限位件图像集；

将初级训练限位件图像集的图像进行灰度化处理，并去除图像中的无关干扰信息；

对灰度化后的图像的具体区域进行精确定位，并利用投影法与联想法对定位后的图像进行分割，得到终极训练限位件图像集；

建立卷积神经网络识别模型，利用模型对终极训练限位件图像集的图像进行训练和测试，直至模型根据实时限位件图像识别出限位件的实际状态。

进一步的，所述将初级训练限位件图像集的图像进行灰度化处理，并去除图像中的无关干扰信息包括：

采用加权平均法将初级训练限位件图像集的图像转变成灰度图像；

采用中值滤波和双边滤波融合算法，使用灰度图像中值替代领域值，消除孤立的噪声点；

使用高斯尺度空间下的背景估计方法估算初级训练限位件图像集的图像背景，得到平滑后图像灰度值分布；

采用改进逐层叠加的背景消除方法，消除不均匀光照和强反光噪声背景信息。

进一步的，所述对灰度化后的图像的具体区域进行精确定位包括：

对灰度化后的图像进行连通域设定，结合图像数学形态学操作，对限位件在整体图像中的具体区域进行精确定位。

进一步的，所述对灰度化后的图像进行连通域设定包括：

根据点阵型限位件先验特征，可以确定限位件图像中组成限位件的离散小点的连通域面积在Smin到Smax之间，最大直径在lmin到lmax之间。

进一步的，所述结合图像数学形态学操作，对限位件在整体图像中的具体区域进行精确定位包括：

测得图像中某目标点像素灰度值为1，其它像素点灰度值为0时，系统采用4邻接寻找连通域，以图像中左上角第1个像素点为初始位置，自左向右、自上向下开始扫描；若当前扫描像素点的灰度值为0，则继续扫描下一个像素点；若像素点灰度值为1，则检查该像素点周围4邻域区域内其他像素点灰度值。

进一步的，所述利用投影法与联想法对定位后的图像进行分割，得到终极训练限位件图像集还包括：

若分割出图像中的限位件含有粘连部件，则进行背景填充，利用双线性插值法实现归一化，直至分割出预期的限位件图像，并将所有符合预期的限位件图像组成终极训练限位件图像集。

进一步的，所述限位件图像包括限位件的正视面、侧视面和俯视面三种类型的图像。

进一步的，所述建立卷积神经网络识别模型包括：

采用批归一化层，对卷积后每层样本进行批归一化操作；

利用全局池化操作替代全连接层。

进一步的，所述利用模型对终极训练限位件图像集的图像进行训练和测试，直至模型根据实时限位件图像识别出限位件的实际状态包括：

利用模型对终极训练限位件图像集的图像进行训练和测试，直至模型根据实时限位件图像识别出限位件与辅助触点接触位置，进而判断出限位件的实际状态。

本发明的有益效果：

1.本发明的基于图像识别和深度学习的隔离开关限位件状态检测方法通过应用图像识别和深度学习技术，并采用优化后的卷积神经网络算法，不仅实现对隔离开关电动操作机构限位件状态的实时检测，并且通过模型的训练和深度学习，还提高了对隔离开关分合状态检测的准确性和效率。

2.本发明的基于图像识别和深度学习的隔离开关限位件状态检测方法通过图像灰度化、滤波增强及自适应阈值分割等预处理操作，解决了在电动操作机构箱内采集图像时，通常都存在的光线暗、对比度低、背景复杂等问题，能极大消除无用信息，突出图像中的关键数据，得出最优的图像预处理结果。

3.本发明的基于图像识别和深度学习的隔离开关限位件状态检测方法通过双线性插值法实现归一化，实现了精确的限位件图像定位与分割，便于识别限位件的实际状态。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为基于图像识别和深度学习的隔离开关限位件状态检测方法的流程步骤示意图；

图2为对限位件图像定位的流程步骤示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

请参阅图1和图2，本发明实施例提供一种基于图像识别和深度学习的隔离开关限位件状态检测方法，包括以下步骤：

步骤S1、获取限位件图像，并对限位件图像进行旋转、腐蚀和膨胀操作，扩充得到限位件图像集，对限位件图像集内图像作归一化处理，得到初级训练限位件图像集。

在实际工况现场的隔离开关电动操作机构箱内，获取限位件图像的至少包括有限位件的正视面、侧视面和俯视面三种类型的图像；将所有限位件图像图像以微小角度进行左右旋转变换，然后将图像扩至原先的数倍，再进行膨胀、腐蚀操作，继续扩充得到限位件图像集；对限位件图像集内所述图像作归一化处理，得到标签化的初级训练限位件图像集。

步骤S2、将初级训练限位件图像集的图像进行灰度化处理，并去除图像中的无关干扰信息。

采用加权平均法将初级训练限位件图像集的图像的图像转变成灰度图像，根据重要性及相关指标，将彩色图像中RGB三个通道分量以不同的权值进行加权平均，经过灰度化处理后，图像色彩结构变为单一，复杂度降低，形成完整的限位件边缘、轮廓等图像信息；

采用中值滤波和双边滤波融合算法，使用图像中值替代领域值，使限位件关键部位像素值更接近于真实值，消除孤立的噪声点；使用双边滤波采样时对像素间相似程度的考虑，在保持原始图像的大体分块的前提下，对边缘进行保留，在去噪的同时减少了有用信息的损失。两种算法相互配合，极大的消除图像中无关信息，提高数据集图片的预处理质量。

自适应阈值分割是利用限位件局部邻域灰度信息，来平滑整体区域。使用高斯尺度空间下的背景估计方法估算其背景，得到平滑后图像灰度值分布。

采用改进逐层叠加的背景消除方法，消除不均匀光照和强反光噪声背景信息，减少原灰度图像与背景之间的差值。该方法以估计的背景为边界，能自主屏蔽掉图像背景中灰度突变噪声，提取目标前景部分，同时增强了复杂背景中背景估计鲁棒性。当图像局部前景和背景比例相差不大时，能防止背景误提取。

最后，采用鲁棒的最大熵法进行全局阈值分割，为下一步的定位和分割做基础处理。

步骤S3、对灰度化后的图像的具体区域进行精确定位，并利用投影法与联想法对定位后的图像进行分割，得到终极训练限位件图像集。

对限位件与辅助触点进行结构分析，得到相对位置特征及其与隔离开关分合之间的关联关系，对灰度化后的限位件图像进行连通域设定，结合图像数学形态学操作，对限位件在整体图像中的具体区域进行精确定位。

步骤S4、建立卷积神经网络识别模型，利用模型对终极训练限位件图像集的图像进行训练和测试，直至模型根据实时限位件图像识别出限位件的实际状态。

本实施中的卷积神经网络识别模型共有4个卷积层、3个随机池化层、1个全局平均池化层、1个全连接层。第1层卷积采用16个5×5卷积核(stride＝1，padding＝2)，特征提取后依次经过池化层(stride＝2,padding＝0)、Relu激活函数层、标准化层；第2、3卷积层采用3×3卷积核进行特征提取，并与第1层卷积后数据处理方式相同；采用全局平均池化层与第4层卷积处理后的数据相连接，减少网络参数节点的同时，防止网络训练过程的过拟合；最后通过1个全连接层得到33个分类概率。

根据现场采集的限位件图像特征，将常规所述的网络模型第3层卷积层替换为2个卷积层，并增加神经元数。由于卷积核的大小关系到能否提取到有效特征，在该层利用3×3卷积核替代5×5卷积核，能达到更优的识别效果。

限位件图像特征提取的误差主要来自于以下两个方面：一是邻域大小受限造成的误差值方差增大；二是卷积层参数误差造成估计均值的偏移。传统的卷积神经网络主要采用均值池化和最大池化两种方式来减小误差。本发明综合了均值池化和最大池化两种方法的优点，采用随机池化进行卷积后的下采样，通过对像素点按照数值大小赋予概率，再按照概率进行下采样，计算步骤如下：

1)将采样窗口内的像素值进行归一化处理：

2)对采样区域元素按照其概率值进行随机采样：

s

其中，a

随着网络层数的增加，可能出现过拟合问题。本发明采用了批归一化层，对卷积后每层样本进行批归一化操作，使得神经网络在训练过程中，每层网络输出都保持相同分布，防止梯度消失。利用全局池化操作替代全连接层。由于全局池化不需要参数，避免了在该层产生过拟合现象。

利用终极训练限位件图像集的图像对上述卷积神经网络识别模型对进行训练和测试，能识别出限位件与辅助触点接触位置。当限位件与辅助触点接触位置与电动操作机构箱外的隔离开关分合实际状态不一致时，电动操作机构自主校正限位件转动角度，并控制传动杆继续运行一段时间，使隔离开关分合到位。

进一步的，本申请的一种优选实施方式中，所述对灰度化后的图像的具体区域进行精确定位包括：

步骤201、对灰度化后的图像进行连通域设定。

根据点阵型限位件先验特征，可以确定限位件图像中组成限位件的离散小点的连通域面积在S

采用矩形结构元素对限位件图像进行膨胀操作，再进行闭操作。此时限位件点阵区域连接起来，形成多个、较大的连通域，根据限位件图像先验信息设定限位件连通域面积阈值，随后利用选定的连通域坐标信息，在原图像中分割出关键区域，实现限位件在图像中的定位。

例如，设置波行膨胀次数为S，对限位件区域进行波形膨胀；假设限位件宽度约为w0，致信范围为a，若w≤w0/4，则将其归类为噪声区域，舍弃该区域；若(w0+a)

对可能倾斜的限位件，根据实验采集结果进行投影角度预设，通过获取角度投影直方图信息计算出倾斜角度并加以矫正。

步骤202、结合图像数学形态学操作，对限位件在整体图像中的具体区域进行精确定位。

测得图像中某目标点像素灰度值为1，其它像素点灰度值为0时，系统采用4邻接寻找连通域，以图像中左上角第1个像素点为初始位置，自左向右、自上向下开始扫描；若当前扫描像素点的灰度值为0，则继续扫描下一个像素点；若像素点灰度值为1，则检查该像素点周围4邻域区域内其他像素点灰度值。

若分割出图像中的限位件含有粘连部件，则进行背景填充，利用双线性插值法实现归一化，再次使用上述定位与分割处理方法，直至分割出预期的限位件图像，并将所有符合预期的限位件图像组成终极训练限位件图像集。具体过程为：

对于任意图像I(i,j)，随机取某点像素做反向变换，得到目标像素的符点坐标(i+u,j+u)，该像素点的灰度值可由原图像中距该点最近的4个点所对应的像素灰度值，通过双线性插值法计算得到。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。