[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114463733A - 一种变电站电气保护压板检测方法、装置及处理设备 - Google Patents

一种变电站电气保护压板检测方法、装置及处理设备 Download PDF

Info

Publication number
CN114463733A
CN114463733A CN202210120930.5A CN202210120930A CN114463733A CN 114463733 A CN114463733 A CN 114463733A CN 202210120930 A CN202210120930 A CN 202210120930A CN 114463733 A CN114463733 A CN 114463733A
Authority
CN
China
Prior art keywords
electrical protection
pressure plate
pressing plate
image
protection pressure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210120930.5A
Other languages
English (en)
Inventor
凌飞
袁鑫
陈晓健
周妙林
刘扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Digital Ecological Technology Co ltd
Original Assignee
Guangdong Digital Ecological Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Digital Ecological Technology Co ltd filed Critical Guangdong Digital Ecological Technology Co ltd
Priority to CN202210120930.5A priority Critical patent/CN114463733A/zh
Publication of CN114463733A publication Critical patent/CN114463733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种变电站电气保护压板检测方法、装置及处理设备，用于在密集的电气保护压板集群中执行电气保护压板颗粒度的个体识别，从而为电气保护压板的智能投退状态检测提供精确的检测对象，进而可以在电气保护压板集群中完成电气保护压板颗粒度的智能投退状态检测。方法包括：获取从变电站的电气保护压板机柜处采集的实际图像I，电气保护压板机柜通过面板的形式配置了不同电气保护压板；通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure DDA0003498377140000011
电气保护压板面板预测掩膜
Figure DDA0003498377140000012
用于指示实际图像I分割出的电气保护压板面板所处区域；根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure DDA0003498377140000013
划分为不同电气保护压板实例个体预测掩膜
Figure DDA0003498377140000014

Description

一种变电站电气保护压板检测方法、装置及处理设备
技术领域
本申请涉及变电站领域，具体涉及一种变电站电气保护压板检测方法、装置及处理设备。
背景技术
随着电网规模的不断扩大，变电站相关输电线路的电气保护压板数量急剧增加，相应的人力巡检成本也随之扩大。为跳出传统人力巡检的桎梏、防止对电气保护压板的误操作、解决当前变电站电气保护压板信息自动化管理的问题，使用一种适用于变电站电气保护压板的智能投退状态检测方法有其必要性。
如今，变电站电气保护压板的智能状态检测可分为两类，一是基于图像特征匹配的检测技术，二是基于神经网络目标检测的检测技术。基于图像特征匹配的电气保护压板投退状态检测方法起源于上个世纪80年代，其方法可分为两个步骤：首先，使用特征点采样技术抽取电气保护压板图像的特征；而后，将特征与预制数据集中的特征进行匹配，以判断电气保护压板的投退状态。然而受制于特征点采样算法，该类方法对于电气保护压板图像拍摄时的相机视角、环境明暗等有极高要求。基于神经网络目标检测的方法采用SSD、MaskR-CNN、YOLO等模型作为基底，使用大规模数据集对模型进行训练，以期实现具有良好鲁棒性的电气保护压板投退状态检测。但目标检测算法对于各电气保护压板离散分布的场景具有良好的检测效果，但对密集分布的电气保护压板检测效果并不理想。此外，当前两类电气保护压板投退状态检测方法并未深入研究电气保护压板与台账对应的问题，难以满足相应信息的自动化管理要求。
可以发现，现有的变电站电气保护压板的智能状态检测方案，对于实际应用中电气保护压板密集的、环境条件较差的应用场景，存在检测精度较差的问题。
发明内容
本申请提供了一种变电站电气保护压板检测方法、装置及处理设备，用于在密集的电气保护压板集群中执行电气保护压板颗粒度的个体识别，从而为电气保护压板的智能投退状态检测提供精确的检测对象，进而可以在电气保护压板集群中完成电气保护压板颗粒度的智能投退状态检测。
第一方面，本申请提供了一种变电站电气保护压板检测方法，方法包括：
获取从变电站的电气保护压板机柜处采集的实际图像I，其中，电气保护压板机柜通过面板的形式配置了不同电气保护压板；
通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000021
其中，电气保护压板面板预测掩膜
Figure BDA0003498377120000022
用于指示实际图像I分割出的电气保护压板面板所处区域；
根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000023
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000024
结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，根据预设的不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000025
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000026
之后，方法还包括：
通过实际图像I、不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000027
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000028
通过光学字符识别模型MOCR，从实际图像I中识别出各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000029
右下角预测坐标
Figure BDA00034983771200000210
以及标签预测文本；
将各电气保护压板标签对应的左上角预测坐标
Figure BDA00034983771200000211
右下角预测坐标
Figure BDA00034983771200000212
以及标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA00034983771200000213
进行关联，得到电气保护压板信息。
结合本申请第一方面第一种可能的实现方式，在本申请第一方面第二种可能的实现方式中，通过实际图像I、不同电气保护压板实例个体预测掩膜
Figure BDA00034983771200000214
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure BDA00034983771200000215
包括：
通过不同电气保护压板实例个体预测掩膜
Figure BDA00034983771200000216
从实际图像I中划分出各电气保护压板实例个体对应的子图Ii；
通过图像分类模型M图像分类，识别出各子图Ii对应的投退状态
Figure BDA0003498377120000031
结合本申请第一方面第一种可能的实现方式，在本申请第一方面第三种可能的实现方式中，将各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000032
右下角预测坐标
Figure BDA0003498377120000033
以及标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000034
进行关联，得到电气保护压板信息，包括：
计算不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000035
的像素中心点Ci；
计算各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000036
以及右下角预测坐标
Figure BDA0003498377120000037
到各像素中心点Ci的平均距离D(i,j)；
使用最近算法，将各电气保护压板标签对应的标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000038
进行关联，得到电气保护压板信息。
结合本申请第一方面第一种可能的实现方式，在本申请第一方面第四种可能的实现方式中，方法还包括：
获取从电气保护压板机柜处采集的样本图像I，
通过随机明暗度调节、随机动态模糊、随机翻转与随机旋转作为数据增强措施，对样本图像I进行内容增强；
待样本图像I标注了对应的样本电气保护压板面板预测掩膜M、样本电气保护压板实例个体预测掩膜
Figure BDA0003498377120000039
样本投退状态
Figure BDA00034983771200000310
样本左上角预测坐标
Figure BDA00034983771200000311
样本右下角预测坐标
Figure BDA00034983771200000312
以及样本标签预测文本后，通过样本图像I以及样本电气保护压板面板预测掩膜M来训练语义分割模型M语义分割，通过样本图像I、样本电气保护压板实例个体预测掩膜
Figure BDA00034983771200000313
以及样本投退状态
Figure BDA00034983771200000314
来训练图像分类模型M图像分类，通过样本实际图像I、样本左上角预测坐标
Figure BDA00034983771200000315
样本右下角预测坐标
Figure BDA00034983771200000316
以及样本标签预测文本来训练光学字符识别模型MOCR。
结合本申请第一方面任一种可能的实现方式，在本申请第一方面第五种可能的实现方式中，得到电气保护压板信息之后，方法还包括：
按台账信息组织方式，在系统上将电气保护压板信息进行归档。
结合本申请第一方面，在本申请第一方面第六种可能的实现方式中，在根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA00034983771200000317
划分为不同电气保护压板实例个体预测掩膜
Figure BDA00034983771200000318
之前，方法还包括：
将实际图像I转化为灰度图像；
在灰度图像的基础上，结合自适应阈值划策略按横纵向计算出不同电气保护压板面板之间的划分距离。
第二方面，本申请提供了一种变电站电气保护压板检测装置，装置包括：
获取单元，用于获取从变电站的电气保护压板机柜处采集的实际图像I，其中，电气保护压板机柜通过面板的形式配置了不同电气保护压板；
语义分割单元，用于通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000041
其中，电气保护压板面板预测掩膜
Figure BDA0003498377120000042
用于指示实际图像I分割出的电气保护压板面板所处区域；
划分单元，用于根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000043
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000044
结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，装置还包括：
投退状态识别单元，用于通过实际图像I、不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000045
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000046
光学字符识别单元，用于通过光学字符识别模型MOCR，从实际图像I中识别出各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000047
右下角预测坐标
Figure BDA0003498377120000048
以及标签预测文本；
关联单元，用于将各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000049
右下角预测坐标
Figure BDA00034983771200000410
以及标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA00034983771200000411
进行关联，得到电气保护压板信息。
结合本申请第二方面第一种可能的实现方式，在本申请第二方面第二种可能的实现方式中，投退状态识别单元，具体用于：
通过不同电气保护压板实例个体预测掩膜
Figure BDA00034983771200000412
从实际图像I中划分出各电气保护压板实例个体对应的子图Ii；
通过图像分类模型M图像分类，识别出各子图Ii对应的投退状态
Figure BDA00034983771200000413
结合本申请第二方面第一种可能的实现方式，在本申请第二方面第三种可能的实现方式中，关联单元，具体用于：
计算不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000051
的像素中心点Ci；
计算各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000052
以及右下角预测坐标
Figure BDA0003498377120000053
到各像素中心点Ci的平均距离D(i,j)；
使用最近算法，将各电气保护压板标签对应的标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000054
进行关联，得到电气保护压板信息。
结合本申请第二方面第一种可能的实现方式，在本申请第二方面第四种可能的实现方式中，装置还包括模型训练单元，用于：
获取从电气保护压板机柜处采集的样本图像I，
通过随机明暗度调节、随机动态模糊、随机翻转与随机旋转作为数据增强措施，对样本图像I进行内容增强；
待样本图像I标注了对应的样本电气保护压板面板预测掩膜M、样本电气保护压板实例个体预测掩膜
Figure BDA0003498377120000055
样本投退状态
Figure BDA0003498377120000056
样本左上角预测坐标
Figure BDA0003498377120000057
样本右下角预测坐标
Figure BDA0003498377120000058
以及样本标签预测文本后，通过样本图像I以及样本电气保护压板面板预测掩膜M来训练语义分割模型M语义分割，通过样本图像I、样本电气保护压板实例个体预测掩膜
Figure BDA0003498377120000059
以及样本投退状态
Figure BDA00034983771200000510
来训练图像分类模型M图像分类，通过样本实际图像I、样本左上角预测坐标
Figure BDA00034983771200000511
样本右下角预测坐标
Figure BDA00034983771200000512
以及样本标签预测文本来训练光学字符识别模型MOCR。
结合本申请第二方面任一种可能的实现方式，在本申请第二方面第五种可能的实现方式中，装置还包括归档单元，用于：
按台账信息组织方式，在系统上将电气保护压板信息进行归档。
结合本申请第二方面，在本申请第二方面第六种可能的实现方式中，划分单元，还用于：
将实际图像I转化为灰度图像；
在灰度图像的基础上，结合自适应阈值划策略按横纵向计算出不同电气保护压板面板之间的划分距离。
第三方面，本申请提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
从以上内容可得出，本申请具有以下的有益效果：
针对于变电站内电气保护压板的智能投退状态检测需求，在获取到从变电站的电气保护压板机柜处采集的实际图像I后，相比于现有技术中直接针对实际图像I通过图像处理识别电气保护压板的投退状态，本申请则是通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000061
再根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000062
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000063
此时，该电气保护压板实例个体预测掩膜
Figure BDA0003498377120000064
则可以从实际图像I中分割出电气保护压板实例个体单位的电气保护压板图像，在密集的电气保护压板集群中执行电气保护压板颗粒度的个体识别，从而为电气保护压板的智能投退状态检测提供精确的检测对象，进而可以在电气保护压板集群中完成电气保护压板颗粒度的智能投退状态检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1为本申请变电站电气保护压板检测方法的一种流程示意图；
图2为本申请采集实际图像I的一种场景示意图；
图3为本申请数据增强措施的一种场景示意图；
图4为本申请标注处理的一种场景示意图；
图5为本申请语义分割模型M语义分割的示例性模型结构的一种结构示意图；
图6为本申请图像分类模型M图像分类的示例性模型结构的一种结构示意图；
图7为本申请光学字符识别模型MOCR的光学字符识别的一种流程示意图；
图8为本申请变电站电气保护压板检测装置的一种结构示意图；
图9为本申请处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
在介绍本申请提供的变电站电气保护压板检测方法之前，首先介绍本申请所涉及的背景内容。
本申请提供的变电站电气保护压板检测方法、装置以及计算机可读存储介质，可应用于处理设备，用于在密集的电气保护压板集群中执行电气保护压板颗粒度的个体识别，从而为电气保护压板的智能投退状态检测提供精确的检测对象，进而可以在电气保护压板集群中完成电气保护压板颗粒度的智能投退状态检测。
本申请提及的变电站电气保护压板检测方法，其执行主体可以为变电站电气保护压板检测装置，或者集成了该变电站电气保护压板检测装置的服务器、物理主机或者用户设备(User Equipment，UE)等不同类型的处理设备。其中，变电站电气保护压板检测装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、台式电脑或者个人数字助理(Personal Digital Assistant，PDA)等终端设备，处理设备可以通过设备集群的方式设置。
举例而言，处理设备具体可以为变电站内执行电气保护压板信息自动化管理任务的相关设备，例如执行电气保护压板的智能投退状态检测任务的设备，又或者工作人员的个人设备，可以理解，处理设备可以根据不同应用场景的划分，可以配置为不同的设备形式，因此本申请在此不做具体限定。
下面，开始介绍本申请提供的变电站电气保护压板检测方法。
首先，参阅图1，图1示出了本申请变电站电气保护压板检测方法的一种流程示意图，本申请提供的变电站电气保护压板检测方法，具体可包括如下步骤S101至步骤S103：
步骤S101，获取从变电站的电气保护压板机柜处采集的实际图像I，其中，电气保护压板机柜通过面板的形式配置了不同电气保护压板；
可以理解，在通过图像处理来完成变电站电气保护压板的智能投退状态检测的情况下，首先就需要从变电站现场采集电气保护压板的图像。
在实际应用中，电压保护压板是以集群的形式存在的，具体的，大量的电压保护压板可以以电压保护压板机柜的形式完成现场的部署，因此，在采集电压保护压板的现场图像时，图像中是以纳入电气保护压板机柜的方式纳入机柜上部署的大量电气保护压板的，并在面板上呈现出来。
其中，可以采用现场固定部署的摄像装置(包括摄像头或者直接为摄像头)来拍摄电气保护压板机柜，或者，也可以由现场工作人员通过手持摄像装置(包括摄像头)来拍摄电气保护压板机柜，例如，工作人员可以通过智能手机的后置摄像头或者数字式相机进行拍摄。
作为一种实例，参考图2示出的本申请采集实际图像I的一种场景示意图，拍摄时要求有：电气保护压板机柜与地面保持90°夹角，摄像头/相机使用35-50mm标准镜头，镜头光轴与电气保护压板视平线(或中心点)一致，拍摄距离在0.5-3m之间，拍摄所得电气保护压板图片中应包含完整电气保护压板面板。
此外，应当理解的是，对于步骤S101中对于实际图像I的获取，既可以是图像的实时获取，例如调用、触发摄像头进行图像采集工作，也可以是图像的调取处理，即，调取之前已经完成的图像采集工作所采集到的图像。
步骤S102，通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000091
其中，其中，电气保护压板面板预测掩膜
Figure BDA0003498377120000092
用于指示实际图像I分割出的电气保护压板面板所处区域；
可以理解，对于实际图像I中电气保护压板集群的初始识别，本申请是通过语义分割实现的，具体则可交由本申请预先训练好的语义分割模型M语义分割完成，其所执行的语义分割，则是通过电气保护压板面板预测掩膜
Figure BDA0003498377120000093
来指示输入图像中识别出的电气保护压板集群，其中，可以理解，在实际应用中，本申请采用电气保护压板面板所处区域来作为电气保护压板集群所处区域，具有轻量级的特点，可快速且精确地识别出来。
具体的，在进行此处的语义分割处理过程中，并不需要涉及到电气保护压板的具体特征的识别，而是采用间接的方式，通过检测电气保护压板面板来检测出电气保护压板集群。
步骤S103，根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000094
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000095
可以理解，在得到可指示电气保护压板集群(由不同电气保护压板实例个体构成)的电气保护压板面板预测掩膜
Figure BDA0003498377120000096
后，则可继续对其进行细颗粒度的划分。
可以理解，对应于本申请的应用需求，电压保护压板机柜在部署电压保护压板时，可以是采用有规律的密集度来进行的，如此，多个的电压保护压板在面板上，可以呈现出一定规律的距离，或者说间隔，该间隔具体可以是上下前后方向上的间隔。
如此，在本申请中，则可引入距离划分概念，根据预先设置或者实时设置的不同电气保护压板之间的划分距离，将整体的电气保护压板面板预测掩膜
Figure BDA0003498377120000101
拆分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000102
每一个电气保护压板实例个体预测掩膜
Figure BDA0003498377120000103
对应一个电气保护压板实例个体，根据一个电气保护压板实例个体预测掩膜
Figure BDA0003498377120000104
则可以从实际图像I中分割出一个电气保护压板实例个体的图像。
容易理解，对于实际图像I，本申请引入了两级处理，第一级为语义分割处理，在间接的方式下，通过电气保护压板面板来便捷地检测出电气保护压板集群的所处区域，第二级为距离划分处理，也是在间接的方式下，通过划分距离，便捷地拆分出每个电气保护压板实例个体的预测掩膜
Figure BDA0003498377120000105
如此完成电气保护压板颗粒度的个体识别，方便后续一对一地进行智能投退状态检测，有效解决电气保护压板密集分布的检测问题，具有极高的细节描述能力，充分满足电气保护压板状态检测甚至后续其他检测(如压板磨损、压板型号等)对数据的要求。
总的来说，针对于变电站内电气保护压板的智能投退状态检测需求，在获取到从变电站的电气保护压板机柜处采集的实际图像I后，相比于现有技术中直接针对实际图像I通过图像处理识别电气保护压板的投退状态，本申请则是通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000106
再根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000107
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000108
此时，该电气保护压板实例个体预测掩膜
Figure BDA0003498377120000109
则可以从实际图像I中分割出电气保护压板实例个体单位的电气保护压板图像，在密集的电气保护压板集群中执行电气保护压板颗粒度的个体识别，从而为电气保护压板的智能投退状态检测提供精确的检测对象，进而可以在电气保护压板集群中完成电气保护压板颗粒度的智能投退状态检测。
进一步的，继续对上述方案在实际应用中可能的实现方式以及可能延伸的方案进行详细阐述。
对于划分电气保护压板实例个体预测掩膜
Figure BDA00034983771200001010
过程中涉及到的划分距离，在前面已经提及，既可以是预设的，也可以是实时配置的，可以理解，实时确定的划分距离，具有更高的针对性，是匹配当前处理的实际图像I。
作为一种适于实用的实现方式，该划分距离的实时处理可以包括以下内容：
将实际图像；
在灰度图像的基础上，结合自适应阈值划策略按横纵向计算出不同电气保护压板面板之间的划分距离。
可以理解，本申请认为，为方便基于图像进行划分距离的自动识别，可以先将实际图像I转化为灰度图像，如此减少其图像内容，呈现出与电气保护压板面板间距更为相关的图像内容。
接着，本申请还引入一预设的自适应阈值划策略，在灰度图像呈现出与电气保护压板面板间距更为相关的图像内容的基础上，自动去计算与当前图像内容适配的不同电气保护压板面板之间的划分距离，如此实现高匹配性、高精度的划分距离的实时处理效果。
进一步的，在前面还提及了，电气保护压板颗粒度的个体识别，是为了后续电气保护压板一对一的智能投退状态检测服务的，因此，在实际应用中，作为又一种具体的实现方式，本申请在步骤S103之后，还可包括智能投退状态检测的内容，即：
通过实际图像I、不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000111
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000112
通过光学字符识别模型MOCR，从实际图像I中识别出各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000113
右下角预测坐标
Figure BDA0003498377120000114
以及标签预测文本；
将各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000115
右下角预测坐标
Figure BDA0003498377120000116
以及标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000117
进行关联，得到电气保护压板信息。
从上面内容可以看出，对于电气保护压板实例个体的智能投退状态检测，本申请除了可涉及到具体投退状态
Figure BDA0003498377120000118
的识别，还可进一步地涉及到电气保护压板实例个体的标签文本的识别，如此实现电气保护压板更为丰富的工作状态检测。
该标签文本，可以理解为在实际应用中，对电气保护压板实例个体的相关文字描述，并通过便签等文字描述方式呈现在电气保护压板实例个体处的标签处。
而在进行电气保护压板实例个体的智能投退状态检测的过程中，则可通过预先训练的图像分类模型M图像分类来完成，可以理解，在实际应用中，电压保护压板的投退状态，具体可以包括投入状态以及退出状态共两种投退状态，因此可以配置为识别是否匹配投入状态或者退出状态的分类模型来实现智能投退状态检测。
而在进行电气保护压板实例个体的智能标签文本检测的过程中，则可通过预先训练的光学字符识别模型MOCR来完成，与图像分类模型M图像分类类似的，在实际应用中，对于电气保护压板实例个体处的标签呈现的具体标签内容，则可通过光学字符识别模型MOCR的光学字符识别(Optical Character Recognition，OCR)来实现。
此外，在进行光学字符识别的过程中，还可涉及到对标签的位置检测，如标签的左上角预测坐标
Figure BDA0003498377120000121
右下角预测坐标
Figure BDA0003498377120000122
可以理解，对应于本申请，在实际应用中，电气保护压板实例个体处的标签具体可以配置为规则的长方形形状，如此，可以通过对角的两个坐标来指示其在图像中的位置，此处可通过左上角预测坐标
Figure BDA0003498377120000123
右下角预测坐标
Figure BDA0003498377120000124
来指示，可以理解，通过引入位置信息，如此可以进一步加强电气保护压板信息的信息内容，此外，在处理电气保护压板信息即关联投退状态
Figure BDA0003498377120000125
标签预测文本的过程中，也可通过位置信息的定位效果，进一步保障关联处理的精确度。
具体的，作为又一种适于实用的实现方式，在电气保护压板信息的关联处理的过程中所涉及到的基于位置信息的定位操作，具体可以包括以下内容：
计算不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000126
的像素中心点Ci；
计算各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000127
以及右下角预测坐标
Figure BDA0003498377120000128
到各像素中心点Ci的平均距离D(i,j)；
使用最近算法，将各电气保护压板标签对应的标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000129
进行关联，得到电气保护压板信息。
可以理解，在具体的实际操作中，本申请则以像素中心点Ci为基础，结合左上角预测坐标
Figure BDA00034983771200001210
以及右下角预测坐标
Figure BDA00034983771200001211
来计算平均距离D(i,j)，再凭借最近算法的最近匹配原则，将每组对应了最小平均距离D(i,j)的标签预测文本以及投退状态
Figure BDA0003498377120000131
作为一个电气保护压板实例个体的电气保护压板信息的内容。
进一步的，作为又一种适于实用的实现方式，在识别各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000132
的具体过程中，相比于将图像分类模型M图像分类训练成可以直接输入实际图像I、不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000133
来进行投退状态识别的方式，本申请还具有另外的优选方式，以便实现更为轻量级的投退状态检测，具体的，可以包括以下内容：
通过不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000134
从实际图像I中划分出各电气保护压板实例个体对应的子图Ii；
通过图像分类模型M图像分类，识别出各子图Ii对应的投退状态
Figure BDA0003498377120000135
可以理解，在通过图像分类模型M图像分类进行投退状态的检测时，可以直接输入电气保护压板颗粒度的输入图像，即通过电气保护压板实例个体预测掩膜
Figure BDA0003498377120000136
从实际图像I中划分出的对应子图Ii，如此在保证输入图像仅包含一个电气保护压板实例个体的情况下，使得图像分类模型M图像分类可以便捷地对输入图像进行投退状态的图像识别，无需考虑不同投退状态与不同电气保护压板实例个体之间的匹配问题，实现可视化更高、更为轻量级、更为稳定的图像处理，既促进识别效率，又可保障识别精度。
此外，对于上述涉及的三个模型，即语义分割模型M语义分割、图像分类模型M图像分类以及光学字符识别模型MOCR，在实际操作中，还可涉及到模型的训练处理。
具体的，还可包括以下的模型训练内容：
获取从电气保护压板机柜处采集的样本图像I，
通过随机明暗度调节、随机动态模糊、随机翻转与随机旋转作为数据增强措施，对样本图像I进行内容增强；
待样本图像I标注了对应的样本电气保护压板面板预测掩膜M、样本电气保护压板实例个体预测掩膜
Figure BDA0003498377120000137
样本投退状态
Figure BDA0003498377120000138
样本左上角预测坐标
Figure BDA0003498377120000139
样本右下角预测坐标
Figure BDA00034983771200001310
以及样本标签预测文本后，通过样本图像I以及样本电气保护压板面板预测掩膜M来训练语义分割模型M语义分割，通过样本图像I、样本电气保护压板实例个体预测掩膜
Figure BDA00034983771200001311
以及样本投退状态
Figure BDA00034983771200001312
来训练图像分类模型M图像分类，通过样本实际图像I、样本左上角预测坐标
Figure BDA0003498377120000141
样本右下角预测坐标
Figure BDA0003498377120000142
以及样本标签预测文本来训练光学字符识别模型MOCR。
可以理解，模型在具体训练处理过程中涉及的输入图像，与其实现的具体图像处理相对应，因此不做具体说明。
在训练过程中，通俗来讲，可以理解为，将训练模型用的样本信息输入初始模型，由模型进行图像识别，完成一次正向传播，再根据模型输出的图像识别结果以及对应的图像识别标注结果计算损失函数，根据损失函数计算结果优化模型参数，完成一次反向传播，如此在达到训练次数、训练时长、识别精度等训练要求后，则可完成模型的训练，此时的模型则可投入实际使用。
而对于样本图像I使用随机明暗度调节、随机动态模糊、随机翻转与随机旋转等多种数据增强措施，则可有效提升数据样本量，进而可有效提升模型的鲁棒性，使得训练出的模型具有更为稳定、精确的识别效果。
其中，随机明暗度，是指通过调节图片的HSV色彩模型的V色彩通道，增添各种光照场景下的电气保护压板图片；
随机动态模糊，是指使用任意卷积核大小的动态模糊算子对图片做处理，以模拟图片拍摄时有轻微抖动的场景，用于增强最终训练所得模型对图片抖动的适应性；
随机翻转与随机旋转，是指用于增添各种图像拍摄角度的图片。
具体的，还可参考图3示出的本申请数据增强措施的一种场景示意图进行更为形象的理解。
而对于不同模型的具体训练过程，则可结合以下的一个实例进行理解。
首先，使用数据标注工具标注出样本图像I(以下用电气保护压板图片I指示)的信息，参考图4示出的本申请标注处理的一种场景示意图，标注后可以获得如下信息：
1.电气保护压板图片I；
2.电气保护压板面板掩膜M；
3.电气保护压板实例个体掩膜Mi；
4.电气保护压板实例个体状态信息Si∈[投入,退出]；
5.电气保护压板实例个体标签左上角在像素坐标系下坐标
Figure BDA0003498377120000143
6.电气保护压板实例个体标签右下角在像素坐标系下标签
Figure BDA0003498377120000151
7.电气保护压板实例个体标签文本Ti。
1)语义分割模型M语义分割的训练处理
使用电气保护压板图片I与电气保护压板实例个体掩膜M组成图像-掩膜对，用于训练语义分割模型M语义分割，并于训练过程中计算、记录语义分割模型损失函数数值L语义分割。
如图5示出的本申请语义分割模型M语义分割的示例性模型结构的一种结构示意图，可使用编解码结构设计语义分割模型：
编码结构由3层卷积模块组成，用于抽取图像特征；
解码结构由3层上采样模块组成，用于将特征转换为语义分割掩膜；
编码结构与解码结构中的卷积模块与上采样模块通过跳跃连接完成信息的跨模块传导。
卷积模块由2层卷积层与1层平均池化层构成，其中卷积模块均使用尺寸为3×3的卷积核，卷积步幅为1，卷积层末端使用ReLU算法对输出特征进行非线性化激活，平均池化层使用尺寸为3×3的池化卷积核，卷积步幅为2。
卷积模块的作用在于抽取高维度特征，并降低特征分辨率以提高模型计算效率。
上采样模块将两个输入特征进行融合，输入特征1经过上采样层后将特征分辨率调整至与输入特征2相同，而后将两特征逐像元叠加，经过两层3×3卷积核、步幅为1的卷积层之后，获得上采样模块输出特征。上采样模块的作用在于将高维度特征的内含信息使用低维度特征表示。
损失函数可使用交叉熵损失函数，其数学定义如下：
Figure BDA0003498377120000152
式中，i＝0,1,2,...,N表示像素点编号，c＝0,1,2,...,M表示语义分割类别编号，y(i,c)表示编号为i的像素点标注数据的独热编码数值，如果像素点i的真实类别等于c则y(i,c)＝1，否则y(i,c)＝0，p(i,c)表示编号为i的像素点的预测概率。
设定语义分割模型损失函数期望阈值T语义分割。如果L语义分割＜T语义分割，则代表语义分割模型能够正确划分出图片中电气保护压板面板所处区域，即语义分割模型符合要求；如果L语义分割＞T语义分割，则代表语义分割模型不能够正确划分出图片中电气保护压板面板所处区域，即语义分割模型还未符合要求，继续训练直至L语义分割＜T语义分割。
2)图像分类模型M图像分类的训练处理
使用电气保护压板实例个体掩膜Mi提取电气保护压板图片I中与各实例个体相对应的子图Ii，将电气保护压板实例个体子图Ii与电气保护压板实例个体状态信息Si组成图像-标注对，用于训练图像分类模型M图像分类，并于训练过程中计算、记录图像分类模型损失函数数值L图像分类。
如图6示出的本申请图像分类模型M图像分类的示例性模型结构的一种结构示意图，图像分类模型的主体结构可由4层残差模块堆叠形成，之后连接一层卷积核为1×1、卷积步幅为1的卷积层与全局平均池化层用于将图像特征转为图像分类预测类别。残差模块用于抽取特征，其结构由级联的两层卷积层构成，其对应的卷积层使用3×3卷积核、卷积步幅为1，经过卷积层的特征抽取之后使用跳跃连接将输入特征与抽取所得特征按逐像元叠加的方式形成输出特征。
图像分类模型也可使用交叉熵损失函数，可参考前面语义分割模型M语义分割中的介绍，在此不再赘述。
设定图像分类模型损失函数期望阈值T图像分类。如果L图像分类＜T图像分类，则代表图像分类模型能够正确区分出电气保护压板实例个体子图中电气保护压板个体当前投退状态，即图像分类模型符合要求；如果L图像分类＞T图像分类，则代表图像分类模型不能够正确区分出电气保护压板实例个体子图中电气保护压板个体当前投退状态，即图像分类模型还未符合要求，继续训练直至L图像分类＜T图像分类。
3)光学字符识别模型MOCR的训练处理
使用电气保护压板图片I、电气保护压板实例个体标签左上角在像素坐标系下坐标
Figure BDA0003498377120000161
电气保护压板实例个体标签右下角在像素坐标系下标签
Figure BDA0003498377120000162
及电气保护压板实例个体标签文本Ti组成图像-检测框对，用于训练光学字符识别模型MOCR，并于训练过程中计算、记录OCR模型损失函数数值LOCR。
如图7示出的本申请光学字符识别模型MOCR的光学字符识别的一种流程示意图，光学字符识别模型MOCR采用两阶段设计，第一阶段可使用YOLOv5模型对图像中的文本区域进行检测，第二阶段可使用CRNN模型，使用第一阶段的框选的文本区域作为输入，通过双向LSTM进行序列处理，将文本区域内的图像转为字符串。
设定OCR模型损失函数期望阈值TOCR。如果LOCR＜TOCR，则代表OCR模型能够正确识别出电气保护压板实例个体标签所处区域及标签中相应文本信息，即OCR模型符合要求；如果LOCR＞TOCR，则代表OCR模型不能够正确识别出电气保护压板实例个体标签所处区域及标签中相应文本信息，即OCR模型还未符合要求，继续训练直至LOCR＜TOCR。
此外，作为又一种适于实用的实现方式，在通过关联处理，得到电气保护压板信息之后，还可结合变电站的电气保护压板管理的应用场景，触发对应的归档处理，即：
按台账信息组织方式，在系统上将电气保护压板信息进行归档。
可以理解，对应于变电站内对于电气保护压板的台账管理方式，则可更新电气保护压板信息，实现系统上电气保护压板颗粒度的台账管理精度，进而方便后对变电站内各电气保护压板进行高精度的状态监控工作、维护工作。
以上是本申请提供变电站电气保护压板检测方法的介绍，为便于更好的实施本申请提供的变电站电气保护压板检测方法，本申请还从功能模块角度提供了一种变电站电气保护压板检测装置。
参阅图8，图8为本申请变电站电气保护压板检测装置的一种结构示意图，在本申请中，变电站电气保护压板检测装置800具体可包括如下结构：
获取单元801，用于获取从变电站的电气保护压板机柜处采集的实际图像I，其中，电气保护压板机柜通过面板的形式配置了不同电气保护压板；
语义分割单元802，用于通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000171
其中，电气保护压板面板预测掩膜
Figure BDA0003498377120000172
用于指示实际图像I分割出的电气保护压板面板所处区域；
划分单元803，用于根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000173
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000174
在又一种示例性的实现方式中，装置还包括：
投退状态识别单元804，用于通过实际图像I、不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000181
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000182
光学字符识别单元805，用于通过光学字符识别模型MOCR，从实际图像I中识别出各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000183
右下角预测坐标
Figure BDA0003498377120000184
以及标签预测文本；
关联单元806，用于将各电气保护压板标签对应的左上角预测坐标
Figure BDA0003498377120000185
右下角预测坐标
Figure BDA0003498377120000186
以及标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA0003498377120000187
进行关联，得到电气保护压板信息。
在又一种示例性的实现方式中，投退状态识别单元804，具体用于：
通过不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000188
从实际图像I中划分出各电气保护压板实例个体对应的子图Ii；
通过图像分类模型M图像分类，识别出各子图Ii对应的投退状态
Figure BDA0003498377120000189
在又一种示例性的实现方式中，关联单元806，具体用于：
计算不同电气保护压板实例个体预测掩膜
Figure BDA00034983771200001810
的像素中心点Ci；
计算各电气保护压板标签对应的左上角预测坐标
Figure BDA00034983771200001811
以及右下角预测坐标
Figure BDA00034983771200001812
到各像素中心点Ci的平均距离D(i,j)；
使用最近算法，将各电气保护压板标签对应的标签预测文本，与各电气保护压板实例个体对应的投退状态
Figure BDA00034983771200001813
进行关联，得到电气保护压板信息。
在又一种示例性的实现方式中，装置还包括模型训练单元807，用于：
获取从电气保护压板机柜处采集的样本图像I，
通过随机明暗度调节、随机动态模糊、随机翻转与随机旋转作为数据增强措施，对样本图像I进行内容增强；
待样本图像I标注了对应的样本电气保护压板面板预测掩膜M、样本电气保护压板实例个体预测掩膜
Figure BDA00034983771200001814
样本投退状态
Figure BDA00034983771200001815
样本左上角预测坐标
Figure BDA00034983771200001816
样本右下角预测坐标
Figure BDA00034983771200001817
以及样本标签预测文本后，通过样本图像I以及样本电气保护压板面板预测掩膜M来训练语义分割模型M语义分割，通过样本图像I、样本电气保护压板实例个体预测掩膜
Figure BDA00034983771200001818
以及样本投退状态
Figure BDA00034983771200001819
来训练图像分类模型M图像分类，通过样本实际图像I、样本左上角预测坐标
Figure BDA00034983771200001820
样本右下角预测坐标
Figure BDA0003498377120000191
以及样本标签预测文本来训练光学字符识别模型MOCR。
在又一种示例性的实现方式中，装置还包括归档单元808，用于：
按台账信息组织方式，在系统上将电气保护压板信息进行归档。
在又一种示例性的实现方式中，划分单元803，还用于：
将实际图像I转化为灰度图像；
在灰度图像的基础上，结合自适应阈值划策略按横纵向计算出不同电气保护压板面板之间的划分距离。
本申请还从硬件结构角度提供了一种处理设备，参阅图9，图9示出了本申请处理设备的一种结构示意图，具体的，本申请处理设备可包括处理器901、存储器902以及输入输出设备903，处理器901用于执行存储器902中存储的计算机程序时实现如图1对应实施例中方法的各步骤；或者，处理器901用于执行存储器902中存储的计算机程序时实现如图8对应实施例中各单元的功能，存储器902用于存储处理器901执行上述图1对应实施例中方法所需的计算机程序。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器902中，并由处理器901执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
处理设备可包括，但不仅限于处理器901、存储器902、输入输出设备903。本领域技术人员可以理解，示意仅仅是处理设备的示例，并不构成对处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如处理设备还可以包括网络接入设备、总线等，处理器901、存储器902、输入输出设备903等通过总线相连。
处理器901可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是处理设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
存储器902可用于存储计算机程序和/或模块，处理器901通过运行或执行存储在存储器902内的计算机程序和/或模块，以及调用存储在存储器902内的数据，实现计算机装置的各种功能。存储器902可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据处理设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器901用于执行存储器902中存储的计算机程序时，具体可实现以下功能：
获取从变电站的电气保护压板机柜处采集的实际图像I，其中，电气保护压板机柜通过面板的形式配置了不同电气保护压板；
通过语义分割模型M语义分割，从实际图像I中识别出电气保护压板面板预测掩膜
Figure BDA0003498377120000201
其中，其中，电气保护压板面板预测掩膜
Figure BDA0003498377120000202
用于指示实际图像I分割出的电气保护压板面板所处区域；
根据不同电气保护压板之间的划分距离，将电气保护压板面板预测掩膜
Figure BDA0003498377120000203
划分为不同电气保护压板实例个体预测掩膜
Figure BDA0003498377120000204
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的变电站电气保护压板检测装置、处理设备及其相应单元的具体工作过程，可以参考如图1对应实施例中变电站电气保护压板检测方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1对应实施例中变电站电气保护压板检测方法的步骤，具体操作可参考如图1对应实施例中变电站电气保护压板检测方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(Read Only Memory，ROM)、随机存取记忆体(Random Access Memory，RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1对应实施例中变电站电气保护压板检测方法的步骤，因此，可以实现本申请如图1对应实施例中变电站电气保护压板检测方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的变电站电气保护压板检测方法、装置、处理设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种变电站电气保护压板检测方法，其特征在于，所述方法包括：
获取从变电站的电气保护压板机柜处采集的实际图像I，其中，所述电气保护压板机柜通过面板的形式配置了不同电气保护压板；
通过语义分割模型M语义分割，从所述实际图像I中识别出电气保护压板面板预测掩膜
Figure FDA0003498377110000011
其中，所述电气保护压板面板预测掩膜
Figure FDA0003498377110000012
用于指示所述实际图像I分割出的电气保护压板面板所处区域；
根据不同电气保护压板之间的划分距离，将所述电气保护压板面板预测掩膜
Figure FDA0003498377110000013
划分为不同电气保护压板实例个体预测掩膜
Figure FDA0003498377110000014
2.根据权利要求1所述的方法，其特征在于，所述根据预设的不同电气保护压板之间的划分距离，将所述电气保护压板面板预测掩膜
Figure FDA0003498377110000015
划分为不同电气保护压板实例个体预测掩膜
Figure FDA0003498377110000016
之后，所述方法还包括：
通过所述实际图像I、所述不同电气保护压板实例个体预测掩膜
Figure FDA0003498377110000017
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure FDA0003498377110000018
通过光学字符识别模型MOCR，从所述实际图像I中识别出各电气保护压板标签对应的左上角预测坐标
Figure FDA0003498377110000019
右下角预测坐标
Figure FDA00034983771100000110
以及标签预测文本；
将所述各电气保护压板标签对应的左上角预测坐标
Figure FDA00034983771100000111
右下角预测坐标
Figure FDA00034983771100000112
以及标签预测文本，与所述各电气保护压板实例个体对应的投退状态
Figure FDA00034983771100000113
进行关联，得到电气保护压板信息。
3.根据权利要求2所述的方法，其特征在于，所述通过所述实际图像I、所述不同电气保护压板实例个体预测掩膜
Figure FDA00034983771100000114
以及图像分类模型M图像分类，识别出各电气保护压板实例个体对应的投退状态
Figure FDA00034983771100000115
包括：
通过所述不同电气保护压板实例个体预测掩膜
Figure FDA00034983771100000116
从所述实际图像I中划分出所述各电气保护压板实例个体对应的子图Ii；
通过所述图像分类模型M图像分类，识别出各所述子图Ii对应的投退状态
Figure FDA00034983771100000117
4.根据权利要求2所述的方法，其特征在于，所述将所述各电气保护压板标签对应的左上角预测坐标
Figure FDA00034983771100000118
右下角预测坐标
Figure FDA00034983771100000119
以及标签预测文本，与所述各电气保护压板实例个体对应的投退状态
Figure FDA00034983771100000120
进行关联，得到电气保护压板信息，包括：
计算所述不同电气保护压板实例个体预测掩膜
Figure FDA00034983771100000121
的像素中心点Ci；
计算所述各电气保护压板标签对应的左上角预测坐标
Figure FDA0003498377110000021
以及所述右下角预测坐标
Figure FDA0003498377110000022
到各所述像素中心点Ci的平均距离D(i,j)；
使用最近算法，将所述各电气保护压板标签对应的标签预测文本，与所述各电气保护压板实例个体对应的投退状态
Figure FDA0003498377110000023
进行关联，得到所述电气保护压板信息。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取从所述电气保护压板机柜处采集的样本图像I，
通过随机明暗度调节、随机动态模糊、随机翻转与随机旋转作为数据增强措施，对所述样本图像I进行内容增强；
待所述样本图像I标注了对应的样本电气保护压板面板预测掩膜M、样本电气保护压板实例个体预测掩膜
Figure FDA0003498377110000024
样本投退状态
Figure FDA0003498377110000025
样本左上角预测坐标
Figure FDA0003498377110000026
样本右下角预测坐标
Figure FDA0003498377110000027
以及样本标签预测文本后，通过所述样本图像I以及所述样本电气保护压板面板预测掩膜M来训练所述语义分割模型M语义分割，通过所述样本图像I、所述样本电气保护压板实例个体预测掩膜
Figure FDA0003498377110000028
以及所述样本投退状态
Figure FDA0003498377110000029
来训练所述图像分类模型M图像分类，通过所述样本实际图像I、所述样本左上角预测坐标
Figure FDA00034983771100000210
所述样本右下角预测坐标
Figure FDA00034983771100000211
以及所述样本标签预测文本来训练所述光学字符识别模型MOCR。
6.根据权利要求2至5中任一项所述的方法，其特征在于，得到所述电气保护压板信息之后，所述方法还包括：
按台账信息组织方式，在系统上将所述电气保护压板信息进行归档。
7.根据权利要求1所述的方法，其特征在于，在所述根据不同电气保护压板之间的划分距离，将所述电气保护压板面板预测掩膜
Figure FDA00034983771100000212
划分为不同电气保护压板实例个体预测掩膜
Figure FDA00034983771100000213
之前，所述方法还包括：
将实际图像I转化为灰度图像；
在所述灰度图像的基础上，结合自适应阈值划策略按横纵向计算出所述不同电气保护压板面板之间的划分距离。
8.一种变电站电气保护压板检测装置，其特征在于，所述装置包括：
获取单元，用于获取从变电站的电气保护压板机柜处采集的实际图像I，其中，所述电气保护压板机柜通过面板的形式配置了不同电气保护压板；
语义分割单元，用于通过语义分割模型M语义分割，从所述实际图像I中识别出电气保护压板面板预测掩膜
Figure FDA0003498377110000031
其中，所述电气保护压板面板预测掩膜
Figure FDA0003498377110000032
用于指示所述实际图像I分割出的电气保护压板面板所处区域；
划分单元，用于根据不同电气保护压板之间的划分距离，将所述电气保护压板面板预测掩膜
Figure FDA0003498377110000033
划分为不同电气保护压板实例个体预测掩膜
Figure FDA0003498377110000034
9.一种处理设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的方法。
CN202210120930.5A 2022-02-09 2022-02-09 一种变电站电气保护压板检测方法、装置及处理设备 Pending CN114463733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210120930.5A CN114463733A (zh) 2022-02-09 2022-02-09 一种变电站电气保护压板检测方法、装置及处理设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210120930.5A CN114463733A (zh) 2022-02-09 2022-02-09 一种变电站电气保护压板检测方法、装置及处理设备

Publications (1)

Publication Number Publication Date
CN114463733A true CN114463733A (zh) 2022-05-10

Family

ID=81413009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210120930.5A Pending CN114463733A (zh) 2022-02-09 2022-02-09 一种变电站电气保护压板检测方法、装置及处理设备

Country Status (1)

Country Link
CN (1) CN114463733A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563396A (zh) * 2017-08-10 2018-01-09 南京大学 一种电力巡检中保护屏智能识别系统的构建方法
CN112733957A (zh) * 2021-01-21 2021-04-30 广东电网有限责任公司 变电站保护压板状态核查方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563396A (zh) * 2017-08-10 2018-01-09 南京大学 一种电力巡检中保护屏智能识别系统的构建方法
CN112733957A (zh) * 2021-01-21 2021-04-30 广东电网有限责任公司 变电站保护压板状态核查方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RONGRONG WU等: "Research on State Recognition of Platen Based on Improved K-means Algorithm", 2020 INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND CONTROL TECHNOLOGIES (CEECT), 31 December 2020 (2020-12-31) *

Similar Documents

Publication Publication Date Title
CN112580643B (zh) 一种基于深度学习的车牌识别方法、装置及存储介质
Xu et al. Fast vehicle and pedestrian detection using improved Mask R‐CNN
CN110110783A (zh) 一种基于多层特征图连接的深度学习目标检测方法
WO2024077781A1 (zh) 基于卷积神经网络模型的图像识别方法、装置及终端设备
CN107704867A (zh) 一种视觉定位中基于衡量因子的图像特征点误匹配剔除方法
CN107369291A (zh) 基于深度学习的高压线路防外力破坏预警系统及方法
CN117372956A (zh) 一种变电站屏柜设备状态检测方法及装置
Sun et al. SES-YOLOv8n: Automatic driving object detection algorithm based on improved YOLOv8
Pan et al. A super-resolution-based license plate recognition method for remote surveillance
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
Chen et al. Transformer text recognition with deep learning algorithm
Wang et al. CoT-YOLOv8: Improved YOLOv8 for Aerial images Small Target Detection
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
WO2024174726A1 (zh) 基于深度学习的手写及打印文本检测方法和装置
CN108197637A (zh) 一种基于深度学习的高压机柜开关检测方法
CN116229406B (zh) 车道线检测方法、系统、电子设备及存储介质
CN114463733A (zh) 一种变电站电气保护压板检测方法、装置及处理设备
CN109145744B (zh) 一种基于自适应预测模式的lstm网络行人重识别方法
CN117854402A (zh) 显示屏的异常显示检测方法、装置、终端设备
CN111126187A (zh) 火情检测方法、系统、电子设备及存储介质
CN116912872A (zh) 图纸识别方法、装置、设备及可读存储介质
Ren et al. Implementation of vehicle and license plate detection on embedded platform
CN114387489A (zh) 电力设备识别方法、装置和终端设备
CN115601319A (zh) 基于样本和特征均衡化的pcb表面缺陷检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination