基于图像特征模板匹配的电力系统开关状态检测方法与流程

本发明应用于电力设施安全操作过程中的开关状态检测，涉及一种基于图像特征模板匹配的电力系统开关状态检测方法。

背景技术：

电的发现和应用极大的改善了人类的生产、生活条件，如果没有电，人类的文明还会继续在黑暗中摸索。随着人类信息化的进程不断加快，对电力的需求也在不断增加，电力设备也在逐渐向半自动化、自动化的方向发展。在电力设备运行过程中，一旦出现某些异常，就会影响整个系统。而在整个电力系统布局中，最为重要的莫过于开关部分，其样式丰富、数量巨大，而对于系统中的电力开关状态的检测，一直由人工完成，不仅误时、更为费力，对电力系统自动化进程产生了极大的阻碍，且不能满足生产生活的需要。因此，开发出一种自动化程度高、识别准确性好的检测方法尤为重要。本算法通过视频监控实时获取开关状态图片，通过计算机视觉特征匹配的思想，对待测图片进行特征提取，与初始状态图片进行比对，获得当前图片状态结果，完成开关状态检测。

技术实现要素：

本发明的目的在于提出了一种应用于电力系统开关状态检测的图像特征模板匹配方法，解决了在电力系统自动化调度过程中如何实现实时、自动、准确的识别出不同类型开关状态的问题。

具体技术方案如下：

一种基于图像特征模板匹配的电力系统刀闸开关状态检测方法，包括如下步骤：

1)、图像预处理：包括图像降噪、直方图均衡化处理、高斯滤波、拉普拉斯变换、图像二值化；

2)、边缘检测：通过Canny算子检测出图像中所有物体的边缘线；

3)、线段拟合：通过Hough直线检测方法检测出所有直线，并根据相互间的间隔距离、角度关系把短线段拟合成长线段；

4)、模板匹配：与标准模板的特征信息进行比对，看差异度是否满足阈值要求，如果满足，返回模板状态，反之返回与模板相反状态。

对于横粗杆型刀闸开关，检测步骤如下：

1-1.首先需要对图像进行预处理，将读入的彩色图像通过灰度化、二值化、开闭运算、中值滤波后得到待处理初始对象；

1-2.通过Canny算子对待处理初始对象进行边缘检测；

1-3.进行线段拟合，初始化模板图像中刀闸状态为闭合，通过Hough直线检测方法检测出出图像中存在的所有直线，计算检测出的直线中非垂直的直线的长度、倾角、斜率、截距，通过平行角度关系拟合出直线并保存其端点坐标；并根据相互间的间隔距离、角度关系把短线段拟合成长线段；

1-4.模板匹配，判断状态，由于待测图像与模板图像之间不能同时满足初始状态为闭合时的三个条件，故可以判断当前状态为断开。

对于竖粗杆型刀闸开关，检测步骤如下：

2-1.通过对输入图像进行直方图均衡化、高斯滤波、拉普拉斯变换、二值化完成对图像的预处理；

2-2.进行边缘检测，先将二值化后的图像进行反转，然后利用Canny算子进行边缘检测；

2-3.通过Hough直线检测方法提取出图像中的线段，再利用平行角度关系拟合出直线，保存其中长度最长的线段并计算其角度；

2-4.模板匹配，将预处理过程中对模板提取出的特征和待测图像进行对比，默认为如果其最大长度和特征中的长度之比大于0.85小于1.15并且角度的差小于10度，则认为检测的图片中开关状态和之前用于特征提取的图片中的开关状态一样，否则与其开关状态相反。

对于细杆型刀闸开关，检测步骤如下：

3-1.首先对待检测图像进行灰度化、高斯滤波等处理完成预处理；

3-2.利用Canny边缘检测算子检测出图像中所有物体的边缘线；

3-3.利用Hough直线检测算子检测出直线，利用用平行角度关系将短线段拟合出长线段；

3-4.模板匹配，由于待测图像中最长线段与给定矩形框的长度之比大于设定的阈值，修改特征值为1，由于待测图像bgr差别较大且灰度不集中，则先调用比较灰度的函数，此时返回值为1，则返回与初始状态相同的状态为闭合。

一种基于图像特征模板匹配的电力系统文字开关状态检测方法，包括如下步骤：

1)、模板制作：制作黑底白字的两张文字图片，裁剪图片大小使之适合文字大小，计算白色像素所占比率得到二值化阈值；

2)、图像预处理：通过灰度化、直方图均衡化、高斯滤波对图像进行处理，然后不断二值化使其白色像素所占比率小于二值化阈值；

3)、感兴趣区域获得：通过水平、垂直方向投影和查找上下左右四个方向阈值的方法裁剪图像，得到最适合比较的感兴趣区域图片；

4)、模板匹配：将感兴趣区域图片大小变为标准模板大小，分别比较其与两模板图片的像素相似度，返回相似度大的模板的状态。

具体步骤如下：

4-1.制作匹配模板，在两张黑底图片上分别写上白色的“分”、“合”，将图片大小剪裁至文字大小进行保存，计算两张图片中白色像素的比率获得二值化阈值；

4-2.对待测图片进行预处理，首先进行灰度化获得灰度图片，接着对其进行均衡化处理，然后利用高斯滤波进行降噪，最后不断对其进行二值化直到图中白色像素比率小于二值化阈值设定；

4-3.获得感兴趣区域，对获得的二值化图片分别进行水平、垂直方向投影，裁剪出水平、垂直方向上最大连续部分图像，然后通过查找上下左右四个方向上的极值来进一步对待测图像裁剪，获得最佳待测的ROI区域；

4-4.进行模板匹配，将裁剪得到的区域图片大小调整到模板图片大小，利用像素相似度公式分别计算待测图像与两幅模板图像的相似度，由于“合”的相似度大于与“开”的相似度，故最终判定状态为“合”。

与现有技术相比，本发明具有以下优点和有益效果：

本发明首先需要对完成待测开关的模板初始化，包括初始状态和对应的状态图片的保存、待测目标在视频图像中的活动范围的框定、待测开关的种类等。虽然待测开关的种类、数量都很巨大，但一旦完成了初始化，通过视频监控和本算法便能实现系统对开关状态的识别。虽然四种开关的差别很大，但思想都大同小异。对于待测的每个开关，只需要计算该图像中开关状态的特质值，并将其与模板中的特征值进行对比，若两特征值的误差小于阈值，则返回与模板状态相同的特征值，否则返回与模板状态值相反的状态值，完成自动检测过程。本发明解决了在实现电力系统自动化过程中如何自动、准确识别开关状态的问题，降低了人工成本，增加了系统的可靠性，保障了系统的运行，有较强的实用性。

附图说明

图1是刀闸开关状态检测流程图；

图2是文字开关状态检测流程图；

图3是类型一开关实例；

图4是类型二开关实例；

图5是类型三开关实例；

图6是类型四开关实例；

图7是类型一开关检测实例(框选后的待测图与检测效果图)；

图8是类型二开关检测实例(框选后的待测图与检测效果图)；

图9是类型三开关检测实例(框选后的待测图与检测效果图)；

图10是类型四开关检测实例(框选后的待测图与检测效果图)；

具体实施方式

下面结合附图及实施例，对本发明进行进一步详细说明。

在初始化时需要设置模板图像、设置目标区域范围并记录模板状态，然后通过控制视频监控实时拍摄需要判断状态的开关图片，目标区域用于检测时框选目标区域、减少无关目标的干扰。借助本算法对拍摄到的图片进行处理分析，得到当前的实时状态，由于待测的开关有四种类型(具体实物图可以见附图3-6)，包括刀闸类(三种)、文字类，每种开关的初始化、识别过程都不相同，下面结合图1、2，分类型说明具体的检测过程：

类型一、横粗杆：

1-1.首先需要对图像进行预处理，将读入的彩色图像转化为灰度图像，再将得到的灰度图通过自适应阈值法转换成二值图像，对处理后的图像进行一次开运算、中值滤波。

1-2.用Canny算子检测边缘，再施加一次闭运算；

1-3.其次是进行Hough直线检测，通过Hough直线检测方法检测出图像中存在的直线，计算检测出的直线中非垂直的直线的长度、倾角、斜率、截距(由于刀闸开启及闭合状态都不存在垂直的角度，因此检测出的垂直线段可视为干扰排除)，接着对每条线段进行编号，近似在同一直线(倾角误差不超过1°)上的视为一组，求出线段数最多的前三组直线的组号，分别记录每一组所有线段中横坐标最大及最小的两端点，将其作为这组所在直线的两端点；

1-4.模板匹配。首先输入已知刀闸状态参数的图像

已知状态：闭合(刀闸为一条横杆)

首先，判断直线是否符合自身约束条件：

①直线中心点距图像水平中心线的距离小于图像宽度的四分之一(直线位置约束)；

②直线两端点纵坐标的差的绝对值小于图像宽度的六分之一(直线倾角约束)；

③直线两端点横坐标的差的绝对值大于图像长度的70％(直线长度约束)；

其次，判断直线是否符合直线间的约束条件(当满足直线自身约束条件的直线多于2时，少于或等于2条可跳过此步骤)：

①求出两两直线间的距离；

②保留直线间距最小的两条直线(应当是刀闸的上下边界)

最后，保存所得直线的特征：两直线的平均长度，两直线的平均倾角，两直线的间距，已知刀闸状态；

已知状态：断开(刀闸为成折角的两短横杆)

首先，判断直线的中心点纵坐标是否与图像水平中心线的距离小于图像的三分之一；其次，判断满足条件的直线两两之间是否满足约束条件：

①两直线长度差的绝对值小于图像长度的20％

②两直线倾角差的绝对值大于5°

最后，保存所得直线的特征：两直线的平均长度，两直线的平均倾角，已知刀闸状态；

再输入待测刀闸状态参数的图像

⑴保存的特征：已知刀闸状态为闭合

调用检测刀闸闭合时的函数，测得待测图像的相应参数：两直线的平均长度、两线的平均倾角、两直线的间距。将待测参数与特征进行比对，条件如下：

①长度比在85％--115％之间；

②待测倾角参数与对应特征的差不超过特征的20％；

③待测间距参数与对应特征的差不超过特征的20％；

若同时满足上述三条，则认为刀闸闭合；否则，视为断开。

⑵保存的特征：已知刀闸状态为断开

调用检测刀闸断开时的函数，测得待测图像的相应参数：两直线的平均长度、两直线的平均倾角。将待测参数与特征进行比对。

条件如下：

①长度比在85％--115％之间

②待测倾角参数与对应特征的差不超过特征的20％

若同时满足上述两条，则认为刀闸断开；否则，视为闭合。检测结果对比如图7所示。

类型二、竖粗杆：

2-1.首先是对输入的图像进行预处理，其中包括对于原图的直方图均衡化、高斯滤波和拉普拉斯变换，最后将处理之后的图片进行二值化；

2-2.边缘检测，先将二值化后的图片进行反转，利于后期的识别，然后再利用Canny算子进行边缘检测，保存经过处理后的图片；

2-3.线段拟合，首先利用Hough直线检测，需要通过多次调参得到较好的效果(去除原图像中较短线段以及将同一条直线上的多段短线段连接起来)，然后提取出线段中最长的线段以及其角度(默认为是开关所对应的线段)；

2-4.模板匹配，先进性预处理，预处理和特征提取部分一样，之后将待检测图像中的最长线段和预处理过程中提取出来的特征(最长线段的长度以及其角度)进行对比，默认为如果其最大长度和特征中的长度之比大于0.85小于1.15并且角度的差小于10度，那么就认为检测的图片中开关状态和之前用于特征提取的图片中的开关状态一样，否则与其开关状态相反。检测结果对比如图8所示。

类型三、细杆：

针对类型三的刀闸需要注意的是对于最初送进来的已知状态和各种信息的图像，如果初始状态为分，则把图像旋转90度变成水平的，然后再得到模板图像的特征。在初始化时对图像的读取和预处理部分同下。再计算杆的宽度，以及在直线端点所围成的矩形区域的灰度的和，存入结构体中。接下来就是检测所给图片中矩形框区域内有无满足条件的线段，若有，则状态与初始状态相同；若无，则取反。详细步骤如下：

3-1.图像预处理，先复制一份图像，直方图均衡化，再进行高斯滤波降低无关因素的干扰。

3-2.边缘检测，然后需要进行Canny边缘检测查找图像中所有物体的边缘；

3-3.线段拟合，利用Hough变换检测出图片中存在的直线进行保存；

3-4.模板匹配，特质不同的特征差异度阈值，

(1)判断直线在竖直方向是否在1/3-2/3的矩形框宽度之间，更改对应特征标识。计算直线的角度。用这两个特征对直线进行筛选，即要同时满足在竖直方向是否在1/3-2/3的矩形框宽度之间以及角度接近水平的，才可以进入下一步。如果没有就返回和初始状态相反的状态。

(2)把断开的在同一条直线上(通过斜率和截距的差分别小于对应的阈值来判断)的线段连接起来得到一组新的线段。

(3)计算连接起来后的直线长度与给定矩形框的长度之比是否大于一个阈值，更改对应特征值，是为1，否为0。

(4)找到平行线，并且每组平行线中的两条线给予相同的编号，即修改对应特征值，不平行的线的编号不同。

(5)对于夜间非常昏暗的图，灰度比较集中(通过maxgr-mingr是否小于阈值来判断)，而且bgr三个分量之间的差值不大，可以通过如下公式来计算。abs(minr-ming)+abs(minr-minb)+abs(minb-ming)+abs(maxr-maxb)+abs(maxr-maxg)+abs(maxb-maxg)注：minbmingminr指bgr分量的最小值,maxbmaxgmaxr指bgr分量的最大值。

判断长度是否在阈值范围内，如果在，则返回和初始状态相同的状态。

(6)对于bgr(bgr代表蓝、绿、红三个颜色，也可用RGB表示，bgr三个分量就是RGB的三个分量)三个分量之间的差值不大，且不是灰度比较集中的夜间图，则为白天光线很强的时候的图，就比较和标准图像的灰度。比较灰度的函数IsHisMatch：对直线分别进行右上、右下、坐上、左下延拓，并在每一种延拓后计算延拓区域内像素灰度与初始化时得到的灰度作差，对差值求和，若小于一个阈值，则不做其他延拓，该函数返回1。否则，如果四个延拓方向都找不到灰度差都不小于阈值，该函数返回0。如果比较灰度的函数返回值为1，则返回与初始状态相同的状态。

(7)对于bgr差别较大而且灰度不集中的图，则为白天光线不强的图。则先调用比较灰度的函数，如果返回值为1，则返回与初始状态相同的状态。否则，可能是检测到的直线很短，但是在阳光不强烈的时候可以检测到两条平行线。于是计算检测到的平行线两两之间的距离，即为杆的宽度，如果接近初始化时得到的宽度的话，再对两条线的上边那条作右下延拓，比较灰度，如果灰度差都小于阈值，则返回与初始状态相同的状态。否则，返回与初始状态相反的状态。

(8)若此时isfind(isfind表示是否找到符合条件的线的状态的布尔变量)仍然为0，则返回与初始状态相反的状态。检测结果对比如图9所示。

类型四、文字开关：

类型四的开关种类为文字，总体上包括“合”、“分”、“合ON”、“分OFF”四种类型，由于“合”与“合ON”、“分”与“分OFF”都存在关键信息重合的情况，可以通过初始化截取感兴趣区域时解决这一问题，所以总的来说只需要区分“分”、“合”即可，详细步骤如下：

4-1.制作匹配模板，在两张黑底图片上分别写上白色的“分”、“合”，将图片大小剪裁至文字大小进行保存，计算两张图片中白色像素的比率获得二值化阈值；

4-2.对待测图片进行预处理，首先进行灰度化获得灰度图片，接着对其进行均衡化处理，然后利用高斯滤波进行降噪，最后不断对其进行二值化直到图中白色像素比率小于二值化阈值设定；

4-3.获得感兴趣区域，对获得的二值化图片分别进行水平、垂直方向投影，裁剪出水平、垂直方向上最大连续部分图像，然后通过查找上下左右四个方向上的极值来进一步对待测图像裁剪，获得最佳待测的ROI区域；

4-4.模板匹配，将裁剪得到的区域图片大小调整到模板图片大小，再利用如下公式分别计算两幅图像A、B像素的相似度(其中A_mn为图像A在点(m，n)的像素值，为图像A的像素平均值；B_mn为图像B在点(m，n)的像素值，为图像B的像素平均值)，返回相似度大的模板的状态；检测结果对比如图10所示。

$r=\frac{\underset{m}{\Σ}\underset{n}{\Σ}(A_{mn}-\stackrel{\‾}{A})(B_{mn}-\stackrel{\‾}{B})}{\sqrt{\left(\underset{m}{\Σ}\underset{n}{\Σ}{(A_{mn}-\stackrel{\‾}{A})}^2{(B_{mn}-\stackrel{\‾}{B})}^2\right)}}.$

以上所具体描述的，是一种应用于手机玻璃屏幕缺陷检测的图像特征模板匹配方法。文中对本发明的原理，技术方案和实施方式进行了详细的阐述，以上具体实施步骤内容只是为了帮助理解，并不限定本发明的保护范围，本发明适用于基于图像特征进行手机屏幕缺陷检测的场合，凡在本发明的核心思想和原则之内，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。