一种基于图像处理技术的变压器设备识别方法及装置的制造方法
【专利摘要】本发明公开了一种基于图像处理技术的变压器设备识别方法及装置，其中方法包括：建立标准变压器样本；对弱分类器进行级联得到强分类器；计算图像的边缘及相关度，并将边缘分成若干个边缘组；对包含多边缘的边缘组进行评分；通过建立数据结构实现索引，通过计算联结的交集矩阵判断最大可能性的目标区域；用训练得到的强分类器检测该区域内的变压器设备。本发明所述变压器设备识别算法可准确识别变压器，并且可以在一定范围的摄像机抖动情况下，保持较高的识别准确率。为智能监控系统的成功应用提供了技术保障，具有很强的实用价值和现实意义。
【专利说明】
一种基于图像处理技术的变压器设备识别方法及装置
技术领域
[0001] 本发明涉及基于图像处理技术的变压器设备识别方法及装置，属于图像识别技术 领域。
【背景技术】
[0002] 无人值守电网视频监测系统形成以集控站集中控制所辖各站的管理方式，集控站 值守员除了监视电网各种运行参数外，还需承担无人值守变电站各种设备的运行状态与安 全监控。基于图像处理技术的视频分析有助于增强监控系统的防范能力，提升变电站安全 问题管理的智能化程度。
[0003] 由于图像处理技术在无人值守变电站安全管理的应用处于起步阶段，针对于可见 光下变压器设备的识别算法较少，且对于变电站复杂环境下算法鲁棒性较差。因此本发明 提出一种鲁棒性较强的变压器设备识别算法。
【发明内容】
[0004] 本发明的目的在于提供一种能够克服复杂背景问题的基于图像处理技术的变压 器设备识别方法及装置，本发明提出了一种融合目标边缘建议算法和AdaBoost算法的变压 器分步识别算法，通过算法的融合有效提高了识别率和算法鲁棒性，解决了现场背景下变 压器设备的识别工作。
[0005] 根据本发明一方面其提供了一种基于图像处理技术的变压器设备识别算法，包括 以下步骤：
[0006] 步骤1、建立标准变压器的样本集合，初始化样本集合中每个样本的权值；
[0007] 步骤2、对每个样本，选择弱分类器，即
[0009] 式中Α为阈值，Xi表示第i个样本的Haar特征值;ht(Xi)表示第t轮迭代生成的弱 分类器，t = 1，2，…，T，T表示最大迭代次数；
[0010] 步骤3、更新每个样本的权值;t = t+l，返回上一步骤进行下一轮迭代循环；
[0011] 步骤4、输出强分类器，强分类器H(x)由所有的弱分类器luUhhsU)，…，hT(x)通 过加权求和得到；
[0012] 步骤5、计算待检测图像的边缘点及相关度，并将在一条直线上的边缘点集合成一 个边缘组，得到多个边缘组；
[0013] 步骤6、对每个边缘组进行评分，评分公式如下：
[0015] 其中，hb代表对边框b内的边缘组的评分，ω b(Sl) e [0，1 ]代表边缘组81包含在边 框b内的程度，bu，bh分别代表边框b的宽度和高度，ΠΗ代表第i个边缘的相关度，设K = 1.5,用 以消除较大窗口在平均值上带来的波动;边框为利用b滑窗方式在边缘图像上生成一系列 候选框；
[0016] 步骤7、通过建立数据结构实现索引，通过计算联结的交集矩阵判断最大可能性的 目标区域，并用强分类器检测该目标区域内的变压器设备。
[0017] 根据本发明另一方面，其还提供了一种基于图像处理技术的变压器设备识别装 置，包括：
[0018] 样本建立模块，用于建立标准变压器的样本集合，初始化样本集合中每个样本的 权值；
[0019] 弱分类器训练模块，用于对每个样本，选择当前迭代循环下的弱分类器，即
[0021]式中：为阈值，Xi表示第i个样本的Haar特征值;ht(Xi)表示第t轮迭代生成的弱 分类器，t = 1，2，…，T，T表示最大迭代次数；
[0022]更新每个样本的权值;t = t+l，进行下一轮迭代循环；
[0023]强分类器训练模块，用于输出强分类器，强分类器H(x)由所有的弱分类器^(χ)，^ (X)，…，hT(x)通过加权求和得到；
[0024] 边缘组获取模块，用于计算待检测图像的边缘点及相关度，并将在一条直线上的 边缘点集合成一个边缘组，得到多个边缘组；
[0025] 边缘组评分模块，用于对每个边缘组进行评分，评分公式如下：
[0027] 其中，hb代表对边框b内的边缘组的评分，《"81)6[0，1]代表边缘组81包含在边 框b内的程度，bu，bh分别代表边框b的宽度和高度，πη代表第i个边缘的相关度，设κ = 1.5,用 以消除较大窗口在平均值上带来的波动;边框为利用b滑窗方式在边缘图像上生成一系列 候选框；
[0028] 目标检测模块，用于通过建立数据结构实现索引，通过计算联结的交集矩阵判断 最大可能性的目标区域，并用所述强分类器检测该目标区域内的变压器设备。
[0029]本发明提供的一种基于图像处理技术变压器设备的识别方法，有效地提升了变压 器的识别效果，为后续的故障检测工作提供了良好的铺垫，并大大地提高了目标的检测速 度，具有较强的实用价值和现实意义。
【附图说明】
[0030]图1是本发明中基于图像识别的变压器设备识别的方法的方法流程示意图；
[0031 ]图2是本发明中的目标建议方法流程示意图；
[0032]图3是本发明中的AdaBoost算法流程示意图。
【具体实施方式】
[0033] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0034] 图1为本发明提供的一种基于图像识别的变压器设备识别的方法整体流程图，图2 为本发明中的目标建议方法流程图，图3是本发明中的AdaBoost方法流程图。
[0035]如图1-3所示，本发明提供的一种基于图像处理技术的变压器设备识别方法具体 包括以下步骤：
[0036] A、通过图像采集设备对图像数据进行采集，获得原始图像数据，并对原始图像数 据进行裁剪、尺寸归一化、灰度化等预处理，获得标准图像数据作为样本库，其中包括变压 器设备的为正样本，不包括变压器设备的为负样本。
[0037] B、通过积分图的概念计算每个样本的Haar特征值，并初始化样本权重，其中Haar 特征模板的特征值定义为：白色矩形像素和减去黑色矩形像素和。
[0038] C、初始化训练数据的权值分布Di。每一个训练样本最开始时都被赋予相同的权重
[0039] Di= (wn,wi2---wii··· ,win) (3)
[0041] 式中：N为训练样本数量，? = 1，2，···，Ν，表示第i个训练样本，wu表示第i个样本的 初始权重。
[0042] D、对每个样本，选择弱分类器ht:X-Y，即
[0044]式中:X表示训练样本，Y表示训练样本所属的类别。ht(Xl)表示第t轮迭代生成的弱 分类器，t = 1，2，…，T，T表示最大迭代次数，Xi表示第i个样本的Haar特征值，为阈值，一般 取该类特征值的中值，然后计算错误率，该错误率为被弱分类器误分类的样本的权值之和，
其中yi表示第i个样本所属类别。 ，.
[0045] E、更新样本权值，t = t+l，返回步骤D进行循环迭代。其中，样本权重值如下更新：
[0047] 式中：Zt是归一化因子，归一化使得 2Dt(Xi，yi) = l，at = 〇.51n[(l-et)/et]。
[0048] F、输出强分类器:完成T轮迭代后，得到T个弱分类器，按更新的权重叠加，最终得 到的强分类器H(x)。
[0050]式中，at是第t轮训练后产生的弱分类器ht(x)的性能评价因子，由ht(x)作用于样 本集产生的分类错误的样本权重之和et来决定，^是^的减函数，et越小，则ht(x)的重要性 越大。强分类器H(x)由所有的弱分类器匕⑴上⑴^-扣⑴通过加权求和得到凋这个强 分类器对待一副待检测图像时，相当于让所有弱分类器投票，再对投票结果按照弱分类器 的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最后的结果；
[0051] G、待检测图像的粗定位 [0052] ①计算边缘组和相关性
[0053]通过结构化边缘检测算法得到待测图像的边缘图像，并通过简单的"滑窗"方式在 边缘图像上生成一系列候选框b。采用贪心算法将近乎在一条直线上的边缘点集合成一个 边缘组，具体做法为：不停地寻找8连通的边缘点，直到两两边缘点之间的方向角度差值的 和大于V2。得到Μ个边缘组后进一步计算两个边缘组之间的相似度a，计算公式如下：
[0054] a(si,sj)= | cos(0i-0ij)cos(9j-0ij) | γ (8)
[0055] 式中：si，sj为两个边缘组，θ?，θ」分别为边缘组Si，Sj的角度，g卩边缘组中的边缘点 构成的直线与水平轴之间的夹角，Θij为 Si，Sj间的夹角，γ的值被用来调节相关性的敏感 度，从而改变角度，为一预定常数；
[0056] ②边框计分
[0057] 对每组边缘组计算一个权值ω b(si) e [0, 1]，表示边缘组si是否全部包含在b内。 Wb(si) = l，则把该边缘组归为匕内，c〇b(si)=0,则归为b外。权值计算公式如下：
[0059] 式中:K是长度为|K |的边缘组有序路径集合。
[0060] 计算权值后定义边框计分公式如下：
[0062] bu，bh分别代表候选框b的宽度和高度，设κ = 1.5，用以消除较大窗口在平均值上 带来的更多边缘数量，nu为边缘组81中的边缘点与边框边界的相关度。
[0063] ③筛选兴趣边缘组
[0064] 在每一行像素点建立两组数据结构，提出一种基于两种额外数据结构的能有效查 找搜索框b每边的相交边缘组。图像的每一行建立两种数据结构，第一种数据结构存储了 r 行的边缘组次序的有序清单Lr，通过存储r行中边缘组顺序建立该清单。第二种数据结构是 Kr，具有图像宽度一样的尺寸，存储r行每一 c列相关索引到Kr。使用这两种数据结构，我们通 过索引Kr(C0)到Kr( C1)有效查找覆盖边界组。
[0065] ④粗略定位
[0066] 对候选框进行以上处理后，从中筛选出可能包含所测目标的框，实现粗略定位。边 框定位的准确率通常通过联结的交集矩阵I〇U判断。IoU计算了待选框的交集和联合区域划 分真实边框。当评估监测算法时，若I〇U阈值为0.5，则通常用来判断该检测是否正确，通过 阈值划分大致范围。
[0067] H、待检测图像的细定位
[0068] 对G步骤的粗略定位结果采用F步骤得到的强分类器进行特征检测计算，进一步剔 除误检目标，实现细定位，从而识别复杂环境下的变压器设备。
[0069] 本发明在实施例的软件设计中，设置了导入功能可提供导入单幅图片或多幅图 片，设置了识别功能包括显示识别字符信息、显示识别效果图、显示识别位置信息，同时能 够对需要的图片进行存储保存，采用人性化的界面设计使软件的整体使用更加容易操作。
[0070] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详 细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在 本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。
【主权项】
1. 一种基于图像处理技术的变压器设备识别方法，其特征在于，包括以下步骤： 步骤1、建立标准变压器的样本集合，初始化样本集合中每个样本的权值； 步骤2、对每个样本，选择弱分类器，即式中：0i为阈值，Xi表不第iT杵守γ止俚;htUi;表不第t轮迭代生成的弱分类 器，t = l，2,…，T，T表示最大迭代次数； 步骤3、更新每个样本的权值;t = t+l，返回上一步骤进行下一轮迭代循环； 步骤4、输出强分类器，强分类器H(x)由所有的弱分类器111&)，112&)，...，&(4通过加 权求和得到； 步骤5、计算待检测图像的边缘点及相关度，并将在一条直线上的边缘点集合成一个边 缘组，得到多个边缘组； 步骤6、对每个边缘组进行评分，评分公式如下：其中，hb代表对边框b内的边缘组的评分，〇^(81)6[〇，1]代表边缘组81包含在边框13内 的程度，bu，bh分别代表边框b的宽度和高度，nu代表第i个边缘的相关度，设κ = 1.5，用以消 除较大窗口在平均值上带来的波动;边框为利用b滑窗方式在边缘图像上生成一系列候选 框； 步骤7、通过建立数据结构实现索引，通过计算联结的交集矩阵判断最大可能性的目标 区域，并用强分类器检测该目标区域内的变压器设备。2. 如权利要求1所述的方法，其中，步骤1包括： 通过图像采集设备对图像数据进行采集，获得原始图像数据，并对原始图像数据进行 预处理，获得标准图像数据作为样本，其中包括变压器设备的为正样本，不包括变压器设备 的为负样本； 通过积分图的概念计算每个样本的Haar特征值，并初始化样本权重，其中Haar特征模 板的特征值定义为：白色矩形像素和减去黑色矩形像素和； 初始化用于训练的样本的权值分布Di，每一个训练的样本最开始时都被赋予相同的权 重，N为训练样本数量。 N3. 如权利要求1所述的方法，其中，步骤3中如下更新样本权值：其中，Zt是归一化因子，归一化使得 2Dt(xi，yi) = 1，at = 〇.51n[(l-et)/et]，Dt+i(xi，yi) 为更新后的样本权值，Dt+i(xi，yi)为更新前样本权值，yi表示第i个样本所属类别；εt为被所 述弱分类器误分类的样本的权值之和。4. 如权利要求1所述的方法，其中，强分类器H(x)如下表示：其中，at是第t轮训练后产生的弱分类器ht(x)的性能评价因子。5. 如权利要求1所述的方法，其中，wb(si)如下计算：fi' 其中，K是长度为IK I的边缘组有序路径集合，a(Sk，Sk+1)表示K中第k个边缘组Sk与第k+1 个边缘组Sk+l之间的相似度。6. -种基于图像处理技术的变压器设备识别装置，其特征在于，包括： 样本建立模块，用于建立标准变压器的样本集合，初始化样本集合中每个样本的权值； 弱分类器训练模块，用于对每个样本，选择当前迭代循环下的弱分类器，即式中为阈值，Xl表示第i个样本的Haar特征值;ht(Xl)表示第t轮迭代生成的弱分类 器，t = l，2,…，T，T表示最大迭代次数； 更新每个样本的权值;t = t+1，进行下一轮迭代循环； 强分类器训练模块，用于输出强分类器，强分类器H(x)由所有的弱分类器tuUKhs (X)，…·，hT(x)通过加权求和得到； 边缘组获取模块，用于计算待检测图像的边缘点及相关度，并将在一条直线上的边缘 点集合成一个边缘组，得到多个边缘组； 边缘组评分模块，用于对每个边缘组进行评分，评分公式如下：其中，hb代表对边框b内的边缘组的评分，〇^(81)6[0，1]代表边缘组81包含在边框13内 的程度，bu，bh分别代表边框b的宽度和高度，nu代表第i个边缘的相关度，设K = 1.5，用以消 除较大窗口在平均值上带来的波动;边框为利用b滑窗方式在边缘图像上生成一系列候选 框； 目标检测模块，用于通过建立数据结构实现索引，通过计算联结的交集矩阵判断最大 可能性的目标区域，并用所述强分类器检测该目标区域内的变压器设备。7. 如权利要求6所述的装置，其中，所述样本建立模块包括： 样本采集子模块，用于通过图像采集设备对图像数据进行采集，获得原始图像数据，并 对原始图像数据进行预处理，获得标准图像数据作为样本，其中包括变压器设备的为正样 本，不包括变压器设备的为负样本； 特征计算子模块，用于通过积分图的概念计算每个样本的Haar特征值，并初始化样本 权重，其中Haar特征模板的特征值定义为：白色矩形像素和减去黑色矩形像素和； 权重初始化子模块，用于初始化用于训练的样本的权值分布Di，每一个训练的样本最开 始时都被赋予相同的权重~^，N为训练样本数量。 N8. 如权利要求6所述的装罾，其中，弱分类器训练樽块如下审新样本权值：其中，Zt是归一化因子，归一化使得 2Dt(xi，yi) = 1，at = 〇.51n[(l-et)/et]，Dt+i(xi，yi) 为更新后的样本权值，Dt+i(xi，yi)为更新前样本权值，yi表示第i个样本所属类别；εt为被所 述弱分类器误分类的样本的权值之和。9. 如权利要求6所述的装置，其中，强分类器H(x)如下表示：其中，at是第t轮训练后产生的弱分类器ht(x)的性能评价因子。10. 如权利要求6所述的装置，其中，《b(Sl)如下计算：其中，K是长度为| K |的边缘组有序路径集合，a(Sk，sk+1)表示K中第k个边缘组Sk与第k+1 个边缘组Sk+l之间的相似度。
【文档编号】G06K9/62GK105868776SQ201610178321
【公开日】2016年8月17日
【申请日】2016年3月25日
【发明人】赵晓光, 孙世颖, 陈宏凯, 谭民, 王天正, 邹小峰, 刘元华, 郭宇智, 李泽仁
【申请人】中国科学院自动化研究所, 国网山西省电力公司电力科学研究院, 山西振中电力股份有限公司