[发明专利]基于机器学习的实时压板检测及状态识别系统及方法

说明书

本发明公开了一种基于机器学习的实时压板检测及状态识别系统及方法，加载用于训练的压板检测和状态判断模型文件；对采集的压板实时检测图像进行预处理；利用深度卷积神经网络训练压板的检测，判断采集的检测图像内是否有压板，如果具有压板则进行压板的状态识别，否则继续接收检测图像，对检测结果进行分类输出；提取压板的轮廓特征与颜色特征，利用支持向量机构建特征分类器，利用分类后的特征向量和颜色标志，识别压板开关的开、关状态。

技术领域

本发明涉及一种基于机器学习的实时压板检测及状态识别系统及方法。

背景技术

目前，机器人在电力行业应用越来越广泛，可以自动完成很多任务，比如线路巡检、仪表检测等。

对于变电站而言，继电保护压板检测是检测的一个重要环节，目前的做法多是利用机器人自带的摄像头拍摄压板图像，通过处理器进行分析判断出压板的状态，从而判断出目前系统是否正常。

然而，在实际应用中，由于每次检测时机器人拍摄位置不同，检测时刻的光线不同，以及玻璃板反光等导致同一位置的压板在不同的图像中具有不同的形变、遮挡或/和倒影等影响因素，给识别带来了很大难度。

发明内容

本发明为了解决上述问题，提出了一种基于机器学习的实时压板检测及状态识别系统及方法，本发明能够解决现有检测方式中存在的压板的形变、遮挡或倒影等干扰因素的影响问题，快速准确的识别出压板的位置及状态。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一目的是提供一种基于机器学习的实时压板检测及状态识别方法，包括以下步骤：

加载用于训练的压板检测和状态判断模型文件；

对采集的压板实时检测图像进行预处理；

利用深度卷积神经网络训练压板的检测，判断采集的检测图像内是否有压板，如果具有压板则进行压板的状态识别，否则继续接收检测图像，对检测结果进行分类输出；

提取压板的轮廓特征与颜色特征，利用支持向量机构建特征分类器，利用分类后的特征向量和颜色标志，识别压板开关的开、关状态。

进一步的，深度卷积神经网络采用LeNet5模型，具体包括输入层、卷积层、子采样层、第二卷积层、第二子采样层、全连接层、第二全连接层和分类层。

进一步的，深度卷积神经网络对输入为采集的检测图像，输出为分类结果，且该分类结果利用softmax回归以及批量随机梯度下降算法进行优化。

进一步的，在训练样本中加入有形变、遮挡或倒影干扰因素的压板正样本。

进一步的，提取压板的轮廓特征中具体包括：

获取跟开关的两个圆之间的直线有关系的特征；

获取跟开关的两个圆之间的捏手有关系的特征；

获取跟开关上边的圆有关的特征；

获取跟开关标志的颜色有关的特征。

进一步的，提取压板的颜色特征具体包括获取跟开关标志的颜色有关的特征，获取标志上的HSV色系统的H、S成分。

进一步的，利用支持向量机构建特征分类器中，设置参加学习的特征向量，并根据特征向量构建待优化的凸规划模型，得到待优化的凸规划模型的拉格朗日函数，以及最优化条件，在条件约束下进行求解，得到分离超平面的参数，根据参数的取值确定压板的开关状态。

更进一步的，设(x_i，y_i)，i＝1，2，...，N为参加学习的特征向量以及此标志，即如果x_i是打开的开关的特征向量，则y_i＝1，如果不是，y_i＝-1；