[发明专利]一种基于AR眼镜的电力屏柜压板状态识别方法及系统

说明书

本发明涉及一种基于AR眼镜的电力屏柜压板状态识别方法及系统，方法包括：接收AR眼镜在现场拍摄的电力屏柜中的压板图片；通过OpenCV颜色识别法分割出所述电力屏柜中的压板图片中每个单独的压板图片；通过训练好的VGG模型对每个单独的压板图片进行识别，识别出电力屏柜中每个单独压板为投状态或退状态。本发明采用OpenCV颜色识别算法分割压板边缘，能够提高识别准确率，大大缩短识别时间；采用VGG模型作为压板状态识别模型，能够快速、有效地完成不同角度、不同光照条件下的识别任务；同时结合AR眼镜进行图像采集工作，不仅可以解放双手，规范操作，还可以将压板状态叠加在现实图像中，提升视觉拓展能力。

技术领域

本发明涉及深度学习和图像识别技术领域，特别是一种基于AR眼镜的电力屏柜压板状态识别方法及系统。

背景技术

压板状态识别的本质是目标检测，即通过拍照、抽取视频有效帧等方式获取到压板图像，然后利用目标检测算法分析出图像中的压板的位置和投退状态。

目前，大多数压板状态识别技术中采用的是传统的目标检测方法，传统的目标检测算法通常被划分为三个阶段——区域选择、特征提取和分类器分类。

在区域选择阶段，由于压板可能出现在图像中的任何位置，而且压板的大小和宽高比例也不确定，所以最初只能采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生了许多无效的窗口，这将严重降低后续特征提取和分类的速度和性能，进而降低识别的速度和准确率。

在特征提取方面，过去几十年，在目标检测的各种应用场景中，人工设计特征参数一直处于统治地位。人工设计特征参数依赖于设计人员的经验知识，很难利用大数据的优势，并且人工调教参数不仅需要花费大量的时间，所涉及的参数数量也十分有限。并且，这种方法对于所采集的图像的角度、光线条件等的要求都比较高。虽然传统的目标检测算法对特定条件下的压板识别有不错准确率，但巡视人员需要花费较大精力去采集高要求的压板图像，且还要浪费时间处理由于采集问题带来的识别错误，实际使用效果并不理想。

因此，传统的目标检测方法主要存在两个问题：第一，使用滑动窗口进行区域选择本质上是一种暴力检测方法，会产生大量无效窗口，导致时间复杂度高；第二，人工调教的特征参数在面对不同角度、不同光线条件的压板图像时识别效果不理想。

近年来，随着深度学习技术的不断发展，在许多目标检测场景下，采用深度学习训练的图像识别模型无论在准确率或识别率上都已经超过了非深度学习模型。目前，基于候选区域的深度学习算法在目标检测中有着不错的表现，这种算法能够有效地处理传统的目标检测方法存在的两个主要问题。

针对传统的目标检测算法存在的滑动窗口冗余问题，候选区域能够利用图像的特征值，预先找出图中压板可能出现的位置，并且这些候选框的大小和宽高比都不是固定的，这使得候选区域的表达更加精确，可以在使用较少窗口的情况下保持较高的召回率，大大减少了后续操作的时间复杂度。

针对传统目标检测方法的特征参数依赖人工设计问题，深度学习能够自动地从大量图像数据中提取有效的模型。传统目标检测方法由于依赖于人工设计模型，所以设计出有效的模型需要花费大量时间，并且模型涉及的参数数量比较少，在应对实际工作中的识别场景时鲁棒性较差。深度学习技术能够充分利用大数据的优势在图像数据中自动学习到大量有效的模型参数，并且快速地生成识别模型。

通过大量采集作业现场不同角度、光线以及状态的压板图像，利用基于候选区域的深度学习算法基于这些压板图像训练压板识别模型，能够快速、有效地识别不同角度、光线等条件下的压板状态。但在实际使用中，基于候选区域进行目标检测虽然有效解决了窗口冗余问题，其所需提取的候选区域的数量也并不少。以R-CNN为例，R-CNN在每张图片中大约需要提取2000个左右的候选区域，然而在压板识别场景下，每张图片的压板数量只有几十个，其中针对大部分候选区域的计算都是无效的。