基于NSST图像融合的变电站开关状态识别

针对变电站中开关状态图像识别易发生误判的问题,提出了一种基于非下采样剪切波变换(NSST)图像融合的变电站开关图像识别方法。该方法采用可见光和红外光双摄像模式,得到开关可见光图像和红外图像,根据两者的特点与互补特性,采用基于NSST的图像融合算法对可见光图像和红外图像进行融合,生成含有两种开关图像丰富细节信息和特征量的融合图像,采用改进加速稳健特征(SURF)算法对融合图像进行目标特征量提取和匹配,再采用基于混沌布谷鸟(CCS)算法的多阈值图像分割技术进行处理,最后基于霍夫变换得到开关臂和触点所在直线的斜率,根据两者角度差判别开关状态。仿真实验表明:所提方法对闭合与断开状态隔离开关的识别率分别为94.4%和100%,验证了所提方法的有效性。

基于深度学习的变电站开关柜图像增强及状态识别方法

针对变电站机器人巡检时存在开关柜的状态识别精度极易受到环境影响,以及小尺寸状态灯误检率高等问题,提出了一种基于融合生成对抗网络和改进的YOLOX的开关柜状态识别方法。首先,基于融合生成对抗网络进行图像增强,对原图进行色彩校正和色彩增强预处理;其次,构建多损失函数用于特征的提取、融合,并增添纹理提取模块,减少训练中预处理算法造成的伪影噪点和细节模糊;再次,基于改进的YOLOX网络进行开关柜状态识别,在解耦头模块融合DAMM双注意力机制,加强YOLOX网络对信息量更大的分支的关注,丰富开关柜状态的特征信息;最后,优化YOLOX网络结构,用轻量级MobileNetV3网络替换原始主干网络CSPDarknet,并保留Focus层,使网络减少参数量和计算量的同时保持良好的特征提取性能。增强算法能有效校正因强光照而失真的状态灯色彩,还原夜晚拍摄反光区域的信息,提高低对比度图像的质量,增强图像色彩鲜明度,峰值信噪比和结构相似性均有提升,与其他算法相比,所提方法的性能更好。改进后的检测算法平均识别精度可以达到94.1%,图片识别速度为4.6 ms/张,表现出较强的泛化性、鲁棒性、准确性和快速性。试验表明,采用基于深度学习的图像增强和目标检测方法有效解决了复杂环境下高压开关柜的状态识别问题,提高了电力巡检机器人开关柜状态识别的准确率。

基于霍夫森林的变电站开关设备检测及状态识别

针对变电站的开关设备,提出了一种基于霍夫森林(HF)的开关设备检测及状态识别方法。采用多种特征提取方法,利用HF构建分类器,通过霍夫变换框架对目标物体中心位置投票,并结合一种无需非极大值抑制的启发性算法,解决多个开关设备同时检测与定位问题,同时提高开关检测准确率;训练"分"和"合"两种开关模型,分别检测与定位开关设备,以此判别开关状态。实验结果表明,该方法识别准确率高,鲁棒性好,可应用于机器人巡检系统或者智能视频监控系统。

基于目标跟踪的变电站隔离开关状态图像识别方法

为解决变电站中隔离开关状态的自动识别问题,提出了基于目标跟踪的开关分合状态图像识别方法。首先,基于隔离开关开合过程的动态视频,通过Lasso正则化稀疏表示的目标跟踪模型对隔离开关运动轨迹进行识别;其次,利用隔离开关2个闸刀之间的距离自动识别算法获得开关的分合状态。实测结果表明,该方法可快速跟踪开关运行轨迹,实时对变电站中隔离开关状态进行准确识别。