CN111242939B - 压板状态的识别方法 - Google Patents

Abstract

本发明提供了一种压板状态的识别方法，包括：取出输入图HSV颜色空间中的S通道，进行阈值80,最大值255的二值化；利用morpho l ogyEx函数进行形态学运算，内核选择尺寸为9x9的矩形，对图像开运算；利用f i ndContours函数寻找轮廓，存下找到的所有轮廓Contours；对Contours的每一个元素取最小外接矩形BoundRects；计算所有BoundRects的面积中位数，对BoundRects的每一个元素限定BoundRects与其的偏差域进行第一次筛选，筛选出TarRects1；对TarRects1的每一个元素限定长宽比例进行第二次筛选，筛选出TarRects2；对TarRects2的每一个元素根据长宽比例判断压板开关状态；对TarRects2的每一个元素的x坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化d i ff；对TarRects2的每一个元素的y坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化d i ff存。

Description

压板状态的识别方法

技术领域

本发明涉及一种电力系统巡检辅助技术领域，尤其涉及压板状态的识别方法。

背景技术

在110kv变电站中通常有10-20个保护屏柜，220kv和500kv变电站的保护屏柜数量可达上百个，每个保护屏柜的压板开关数量多达五十四个，巡检工作需要对这些压板开关进行检查。然而在目前的人工巡检过程中存在工作量大、及时性差、工作记录纸质化等问题，加之巡检人员由于身理和心理素质、责任心、技术水平、工作经验等因素可能会出现失误，从而留下安全隐患，甚至造成重大安全灾害。由于现在的机器视觉技术和网络技术的长足发展，可以通过摄像头对保护屏柜的压板部分进行拍照，然后通过处理器对图像进行处理识别出压板的开关状态。然而，现有的技术还没有可以准确识别压板状态的方法。

发明内容

本发明提供了一种压板状态的识别方法，可以有效解决上述问题。

本发明是这样实现的：

一种压板状态的识别方法，其特征在于，包括以下步骤：

S331，取出输入图HSV颜色空间中的S通道，进行阈值80,最大值255的二值化；

S332，利用morphologyEx函数进行形态学运算，内核选择尺寸为9x9的矩形，对图像开运算；

S333，利用findContours函数寻找轮廓，存下找到的所有轮廓Contours；

S334，对Contours的每一个元素取最小外接矩形BoundRects；

S335，计算所有BoundRects的面积中位数，对BoundRects的每一个元素限定BoundRects与其的偏差域进行第一次筛选，筛选出TarRects1；

S336，对TarRects1的每一个元素限定长宽比例进行第二次筛选，筛选出TarRects2；

S337，对TarRects2的每一个元素根据长宽比例判断压板开关状态；

S338，对TarRects2的每一个元素的x坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化diff；

S339，对TarRects2的每一个元素的y坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化diff。

本发明的有益效果是：本发明提供的压板状态的识别方法，可以准确识别压板的状态，其识别的准确率可达到99.9以上。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1～23是本发明实施例提供压板状态自动核对方法中，对背景过滤、旋转校正、压板状态识别处理的过程图像。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。

参照图1～23所示，本发明实施例提供一种压板状态自动核对方法，包括以下步骤：

S1，通过手持扫描设备扫描保护屏柜所对应二维码，并从服务器获取该保护屏柜上压板开关的应设状态；

S2，通过所述手持扫描设备获取所述保护屏柜的照片并上传服务器；

S3，所述服务器依次对所述照片进行背景过滤、旋转校正、压板状态识别，并将识别结果回传给所述手持扫描设备；

S4，所述手持扫描设备将识别结果与应设状态进行比对，并将比对结果显示在所述手持扫描设备上；

S5,巡检人员根据比对结果再次检查，确认无误后将结果上传到服务器上进行保存。

参照图1所示，在步骤S3中，所述对所述照片进行背景过滤的步骤包括：

S311，获取输入照片HSV颜色空间中的S通道，进行阈值80，最大值255的二值化，获得图片如图2所示：

S312，利用morphologyEx函数进行形态学运算，内核选择尺寸为9x9的矩形，对图像开运算(先腐蚀后膨胀)，获得图片如图3所示：

开运算：

img_open＝open(img_THR，element)＝dnate(erode(img_THR elemet))

先腐蚀：

再膨胀：

S313，利用findContours函数寻找轮廓，存下找到的所有轮廓Contours，获得图片如图4所示：

Contour8＝findContours(img_open)。

S314，对Contours的每一个元素取最小外接矩形BoundRects，获得图片如图5所示：

BoundRects＝{boundRect|boundRect

＝Rect(min(contour.x)，min(contour，y)，max(contour，x)-min(contour.x)，max(contour，y)-min(contour，y))，contour∈Contoura)。

S315，计算所有BoundRects的面积中位数(而不用面积边界选，使得算法适用于各种像素大小的配电板)，对BoundRects的每一个元素限定BoundRects与其的偏差域进行第一次筛选，筛选出TarRects1，如图6所示：

根据BoundRects的面积大小递增排序后的面积大小集合为terms

terma(BoundRects)＝Ascending order(BoundRects，aree)

计算terms的中位数median

第一次筛选

S316，对TarRects1的每一个元素限定长宽比例进行第二次筛选，筛选出TarRects2，如图7所示；

TarRects2＝{rect|2*rect.height＞rect.width，rect∈TarRects1)。

S317，对TarRects2的每一个元素利用calcHist函数计算直方图H并归一化，利用compareHist函数与事前制作好的红、黄压板模板比较直方图，限定评分上限过滤非红、黄压板，进行第三次筛选TarRect3，如图9所示：

所述比较直方图：

S318，对TarRect3的每一个元素算出四个角点，合并存入点容器；

S319，取点容器中所有点的最小外接矩形filter_rect，并进行边界范围调整，将输入照片中此区域外的部分都填充为白色，获得过滤背景的照片，如图10所示。

作为进一步改进的，在步骤S3中，所述对所述照片进行旋转校正的步骤包括：

S321，过滤背景的照片取最小区域矩形(minAreaRect)，再求出二维盒(CvBox2D)获得单个旋转角度，如图11所示；求

平均旋转角度avg_angle。

背景过滤三次筛选后的压板同索引下的轮廓：

Contoura2＝{contour|contour＝Contgura[rect.index]，rect∈TarRect3)

平均旋转角度：

S322，选取输入图较长宽中较大的数乘倍设为canvas，将长与宽都为canvas的正方形作为画布，输入图与画布间的间隙利用copyMakeBorder函数填充黑色，如图12所示；

正方形画布边长：

上下左右填充区域长宽：

dx＝(canvas_length-img_BGFliter.cols)/2

dy＝(canvas_length-img_BGFilter rowa)/2

因此，填充后的画布：

canvaa＝Rect(0，0，canvaa_length，canvaa_length)。

S323，利用warpAffine函数旋转输入图，旋转角度为avg_angle，画布canvas中心记为center，如图13所示。

将原坐标(x，y)变换为新坐标(x′，y′)，中间的变换矩阵记为M。

warpAffine的变换基本公式，

平移变换，若

x′＝x+t_x

Y′＝y+t_y

则

旋转变换，若旋转角度为

opencv的图像处理中，所有对图像的处理都是从原点进行的，而图像的原点默认为图像的左上角，而我们对图像作旋转处理时一般以图像的中点为轴心，因此就需要做如下处理：先将轴心移到原点，做旋转变换，最后将左上角置为图像的原点。

arc2(x′，y′)＝M3ximg.BGFnter(x，y)。

S324，计算旋转后图像的最小外接矩形img_Recor的尺寸，剪掉画布多余的边框，如图14所示：

输出img_Recor长宽：

img_Recor.width＝src2.cola*aba(cos(avg_angle))+arc2，rowa*aba(sin(avg_angle))img_Recor，height＝src2.cda*aba(ain(avg_angle))+src2，rowa*aba(coa(avg_angle))

裁剪画布区域长宽：

dx2＝(canvas_length-img_Recor，width)/2

dy2＝(canvas_length-img__Recor.height)/2

因此，输出img_Recor：

img_Recor＝canvas(dx2，dy2，img_Recor.width，img_Recor.height)。

作为进一步改进的，在步骤S3中，所述对所述照片进行压板状态识别的步骤包括：

S331～S336与步骤S311～S316相同，请一并参照图15～20。

S337，对TarRects2的每一个元素根据长宽比例判断压板开关状态；

开请一并参照图21：

开：

TarRecta_on＝{rect|2*rect.width＞rect.height，rect∈TarRects2)

关：

TarRects_off＝{rect|2*rect，width≤rect，heightrect∈TarRecta2}。

S338，对TarRects2的每一个元素的x坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化diff；S339，对TarRects2的每一个元素的y坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化diff，请参照图22及图23：

设定阈值diffVal，当diff大于diffVal时，进入下一个cluster。

TarRects2＝Ascending order(TarRecta2)

以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种压板状态的识别方法，其特征在于，包括以下步骤：

S331，取出输入图HSV颜色空间中的S通道，进行阈值80,最大值255的二值化；

S332，利用morphologyEx函数进行形态学运算，内核选择尺寸为9x9的矩形，对图像开运算；

S333，利用findContours函数寻找轮廓，存下找到的所有轮廓Contours；

S334，对Contours的每一个元素取最小外接矩形BoundRects；

S335，计算所有BoundRects的面积中位数，对BoundRects的每一个元素限定BoundRects与其的偏差域进行第一次筛选，筛选出TarRects1；

S336，对TarRects1的每一个元素限定长宽比例进行第二次筛选，筛选出TarRects2；

S337，对TarRects2的每一个元素根据长宽比例判断压板开关状态；

S338，对TarRects2的每一个元素的x坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化diff；

S339，对TarRects2的每一个元素的y坐标递增排序，计算相邻元素差，并将相邻差转换为百分比变化diff。