[发明专利]基于深度学习的机械隔离刀闸的状态精确判断方法及系统

说明书

一种基于深度学习的机械隔离刀闸状态精确判断方法及系统，方法包括以下步骤：步骤1，构建基于深度学习网络的目标检测模型；步骤2，构建获得刀闸坐标系到摄像机成像坐标系之间的转换矩阵；步骤3，通过摄像机获得机械隔离刀闸图片，进行模型推理，获得机械隔离刀闸部件在摄像机成像坐标系下的坐标；步骤4，计算刀闸摆臂向量并构造触头运动的椭圆方程；步骤5，根据步骤4获得的刀闸摆臂向量，椭圆长轴向量和短轴向量，计算刀闸摆臂在刀闸坐标系下的实时旋转角度；步骤6，确定机械隔离刀闸当前状态。综合采用深度学习、图像处理、空间变换手段，对刀闸的角度可以精确计算，从而提高了刀闸检测及定位的稳定性与抗干扰能力，降低了误检率。

技术领域

本发明属于自动化领域，具体属于应用于智能变电站系统的一种机械式空气隔离刀闸的智能识别方案。

背景技术

当前在智能变电站中，对空气隔离开关的状态识别的是一键顺控流程的关键一环。采用图像识别的方法对开关的状态进行识别，由于其不需要对开关本身加装设备，其监控的方式较为直接等优点，近年受到越来越多的关注。目前国内针对该方向的研究基本还是属于初步阶段。

现有研究比较典型的有采用传统图像处理的方法，比如进行刀闸直线特征提取等方法，此类方法由于变电站的背景复杂，受其他电力设备比如构架、杆塔等干扰的原因，成功率较低，还有一种采用深度学习的方法，对刀闸状态进行整体识别，或识别后进行一些部位的识别比如对摆臂是否接触作为闭合的依据。

实际现场中，由于电气安全因素的考虑，一般相机的角度不会处于正视刀闸的位置，因此此类方法的缺点在于受相机角度影响较大，在成像画面上刀闸的摆臂旋转角度已经发生畸变，容易发生误判，并且无法对刀闸的运动过程进行精确的识别和计算，从而无法对刀闸的状态比如是否虚接，运动过程是否平滑等工况进行识别。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于深度学习的机械隔离刀闸的状态精确判断方法，围绕采用图像识别开关状态的问题，综合采用深度学习、图像处理、空间变换手段，无需添加辅助设备，即可进行不断电分析识别。

本发明采用如下的技术方案。一种基于深度学习的机械隔离刀闸状态精确判断方法，包括以下步骤：

步骤1，构建基于深度学习网络的目标检测模型；

步骤2，构建获得刀闸坐标系OXYZ到摄像机成像坐标系O_pUV之间的转换矩阵；

步骤3，通过摄像机获得机械隔离刀闸图片，使用步骤1获得的目标检测模型进行模型推理，获得机械隔离刀闸部件在摄像机成像坐标系O_pUV下的坐标；

步骤4，在摄像机成像坐标系O_pUV下，计算刀闸摆臂向量并构造触头运动的椭圆方程；

步骤5，根据步骤4获得的刀闸摆臂向量，椭圆长轴向量和短轴向量，计算刀闸摆臂在刀闸坐标系OXYZ下的实时旋转角度；

步骤6，根据步骤5获得的实时旋转角度确定机械隔离刀闸当前状态。

优选地，步骤1包括：

步骤1.1，采用公开数据集对通用图像特征的深度学习网络CNN模型进行预训练，获得通用图像特征提取的预训练模型；

步骤1.2，以机械隔离刀闸的样本数据训练预训练模型，获得目标检测模型。

优选地，步骤2具体包括：

步骤2.1，获得现场部署参数，包括：机械隔离刀闸的空间几何参数，摄像机的位置参数和成像参数；

步骤2.2，以如下公式表示摄像机相对于刀闸坐标系OXYZ绕其X轴、Y轴和Z轴的旋转转换矩阵，

式中：