[发明专利]基于神经网络的高压隔离开关定位与状态图像识别算法

说明书

技术领域

本发明涉及一种适用于变电站高压隔离开关的识别算法，尤其是涉及了一种基于神经网络的高压隔离开关定位与状态图像识别算法。

背景技术

为适应变电站无人值守和安全生产运行的需要，提高无人值班变电站电力一次设备的运行状态在线检测功能，故障实时预警功能，解决无人值班条件下的隔离开关巡视等问题，采用图像拍摄设备所拍摄的视频图像，在厂站端通过机器视觉技术实现隔离开关等设备运行状态的在线识别，可提高变电站监控系统的可靠性，开阔系统视野。

发明内容

为了解决背景技术中的问题，本发明提出了一种基于神经网络的高压隔离开关定位与状态图像识别算法，能有效地对所采集图像中的变电站高压隔离开关进行定位以及状态识别。

本发明的技术方案包括以下步骤：

对于包含高压隔离开关的图像，可由人工神经网络模型定位开关位置及识别开关状态，按照以下步骤进行识别：

1)用已知样本图像构建能识别是否含有开关的第一神经网络开关模型；

2)用已知样本图像构建能识别开关状态的第二神经网络开关模型；

3)并用第一神经网络开关模型对待测图像中进行识别，获得待测图像中是否含有开关的识别结果；

4)再用第二神经网络开关模型对步骤3)获得的含有开关的待测图像进行识别，获得待测图像中开关状态的识别结果。

所述的样本图像是指包含有高压隔离开关的图像。

所述步骤1)具体包括：

1.1)对每一张样本图像以局部归一化的梯度方向直方图(HOG)进行特征值提取，具体是设定窗口大小winsize、基本块大小blocksize、基本块步进blockstride、细胞块大小cellsize和方向角度大小bin，使样本图像的图像大小和窗口大小winsize相同后采集提取特征值，以单个扇形区间的梯度值作为一个维特征值；每一张样本图像对应构建一个多维特征向量，由样本图像下所有扇形区间的梯度值组成多维特征向量，所有样本图像的多维特征向量组成样本特征数组，样本特征数组的行数为样本图像的数量，列数为多维特征向量的维数；

所述步骤1.1)中特征值提取具体是将样本图像作为窗口，用基本块大小blocksize的基本块block以基本块步进blockstride在窗口内遍历，将遍历的每一个基本块再细分为细胞块大小cellsize的细胞块，每个细胞块再以方向角度大小bin细分为扇形区间，每个扇形区间的梯度值为特征值。

1.2)同时针对所有样本图像，建立含有标签数量和样本图像相同的标签数组，标签数组用于将样本图像进行分类，标签数组中的标签分为包含含有开关和不含有开关的两类；

1.3)建立一个五层人工神经网络，将样本特征数组与标签数组输入人工神经网络中进行训练，采用带动量的反向传播的方式进行训练，初始时动量和各神经权重统一设为0.1，并设定训练迭代次数及最小误差，训练获得第一神经网络开关模型。

所述步骤1)中的样本图像是已知是否包含开关分类的图像，同时具有包含有开关的若干图像和未包含有开关的若干图像，即样本图像的标签数组是已知的，标签数组中的标签是已知值。

所述步骤2)具体包括：

2.1)对每一张样本图像以局部归一化的梯度方向直方图(HOG)进行特征值提取，具体是设定窗口大小winsize、基本块大小blocksize、基本块步进blockstride、细胞块大小cellsize和方向角度大小bin，使得样本图像的图像大小和窗口大小winsize相同后采集提取特征值，以单个扇形区间的梯度值作为一个维特征值；每一张样本图像对应构建一个多维特征向量，由样本图像下所有扇形区间的梯度值组成多维特征向量，所有样本图像的多维特征向量组成样本特征数组，样本特征数组的行数为样本图像的数量，列数为多维特征向量的维数；

所述步骤2.1)中特征值提取具体是将样本图像作为窗口，用基本块大小blocksize的基本块block以基本块步进blockstride在窗口内遍历，对图像边缘进行填0扩充，将遍历的每一个基本块再细分为细胞块大小cellsize的细胞块，每个细胞块再以方向角度大小bin细分为扇形区间，每个扇形区间的梯度值为特征值。

2.2)同时针对所有样本图像，建立含有标签数量和样本图像相同的标签数组，标签数组用于将样本图像进行分类，标签数组中的标签分为开关打开和开关关闭的两类；