[发明专利]开关刀闸状态检测方法及装置

说明书

本发明公开了一种开关刀闸状态检测方法及装置，该方法在刀闸目标检测阶段，采用性能优异的RefineDet方法自动定位图像中刀闸的位置，裁剪刀闸区域图像，克服复杂环境对刀闸目标检测的影响；在刀闸状态检测阶段，提出优化VGG16网络，提取细节丰富的刀闸图像特征，实现高精度的刀闸状态识别；同时，优化VGG16网络的泛化能力更强，可以适应复杂环境的变化。

技术领域

本发明属于电气设备智能检测领域，尤其涉及一种开关刀闸状态检测方法及装置。

背景技术

刀闸是一种手动控制的电力设备开关，能够在检修设备与带电设备之间形成分闸点，保障电力设备检修施工人员的人身安全。在实际施工过程中，施工人员需要准确判断开关刀闸的“连接”或“断开”状态，以保障安全。

目前，刀闸状态检测主要有两种方法，一种是在开关刀闸上增加传感器或其他装置，如专利《一种刀闸分合状态检测装置》公开了一种刀闸分合状态检测装置，设计了合闸位置检测机构和分闸位置检测机构，所述合闸位置检测机构包括第一光线发射模块和第一光线接收模块，当刀闸动触头处于合闸止点位置时，由所述第一光线发射模块发出的光线被所述刀片遮挡，所述第一光线接收模块无法接收到由所述第一光线发射模块发出的光线，此时，所述第一光线接收模块报告刀闸处于合闸止点位置；所述分闸位置检测机构包括第二光线发射模块和第二光线接收模块，当刀闸动触头处于分闸止点位置时，由所述第二光线发射模块发出的光线被所述刀片挡柱，所述第二光线接收模块无法接收到由所述第二光线发射模块发出的光线，此时，所述第二光线接收模块报告刀闸处于分闸止点位置；其余时间，所述第一光线接收模块能够接收到由所述第一光线发射模块发出的光线；所述第二光线接收模块也能够接收到由所述第二光线发射模块发出的光线，所述第一光线接收模块和第二光线接收模块均报告刀闸动作不到位。但许多场合，在开关刀闸上增加装置并不现实，而且还要担心新增装置故障可能引发的误检问题。

另一种是基于计算机视觉技术自动检测刀闸状态，这种方法不需要对开关刀闸进行改造，只要增加摄像机采集刀闸图像，然后采用计算机视觉技术自动判断刀闸状态，是目前研究的热点。如专利《一种基于图像模式识别的刀闸分合可靠性识别方法》公开了一种基于图像模式识别的刀闸分合可靠性识别方法，1)建立模板信息获取刀闸设备图像，人工标定图像中刀闸设备区域以及刀闸合位可靠时刀闸臂的方向信息，以此作为该刀闸合闸到位的模板信息；2)利用移动机器人采集的实时图像和模板图像进行SURF特征点提取和匹配，检测刀闸设备；3)通过将实时采集到的图像中刀闸臂方向和模板中的刀闸臂方向进行对比，判断刀闸是否分合到位。但是，这种传统的特征提取、模板匹配等图像处理方法容易受到复杂环境的干扰，可靠性不高。

随着深度学习技术的发展，采用深度学习技术可以从大规模图像数据集中自动学习最优特征提取的网络模型，实现端到端的分类。这种技术通过增大训练数据集来提高模型的泛化能力，以适应复杂环境的干扰。如专利《一种基于改进深度学习的刀闸状态识别方法与流程》通过图像滤波、直方图均衡、边缘提取等传统图像处理技术定位刀闸区域，然后设计六层卷积神经网络模型实现刀闸状态检测。与传统图像处理方法相比，受环境干扰较小。但是，刀闸目标定位仍受环境因素影响，刀闸目标特征提取的网络模型深度不够，卷积层提取特征细节信息不丰富，刀闸状态检测性能还有待进一步提高。

发明内容

发明目的：针对以上问题，本发明提出一种开关刀闸状态检测方法及装置，实现复杂环境下基于计算机视觉技术的开关刀闸状态可靠检测。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种开关刀闸状态检测方法，包括步骤：

(1)采用RefineDet卷积神经网络模型对输入图像进行刀闸目标区域检测，检测得到刀闸目标区域图像；

(2)裁剪刀闸目标区域图像；

(3)采用双线性插值方法进行刀闸目标区域图像尺寸归一化处理；

(4)采用优化VGG16网络模型提取归一化后的刀闸目标区域图像的图像特征；