CN114913370B 基于深度学习与形态学融合的状态自动检测方法与装置 （国网河北省电力有限公司石家庄供电分公司）

号基于深度学习与形态学融合的状态自动检本发明涉及一种基于深度学习与形态学融像帧进行目标定位和初始类型分析，对I和II型保护压板采集图像进行自动识别，得到识别状信息进行融合，确定I型和II型保护压板的最终够辅助用于电力系统中进行保护压板和电力的2将第一识别状态与第一特征状态基于融合信息进行融合，确定I型保护压板的最终检测状S302，其次利用基于限制对比度自适应的直方图S304，利用基于连通域外接矩形参数提取方法对保护压S601，首先对原始图像基于像素差异的高光区域S604，利用基于连通域外接矩形的压板形状特2.如权利要求1所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征3.如权利要求2所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征4.如权利要求3所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征35.如权利要求2所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征2为退出状态；6.如权利要求1所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征为了抑制II型保护压板复杂背景的干扰，在YOLOv5网络模型的CSP模块后引入通道和7.如权利要求1所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征S701，在获得的第二特征参数的基础上，通过基于然后通过基于多参数阈值的连通域选择，去除二值区48.一种基于深度学习与形态学融合的状态自动检测5[0002]保护压板也叫保护连片,是保护电力装置联系外部接线的桥梁和纽带,关系到保[0004]中国专利CN111915509A公开一种基于图像处理去阴影优化的保护压板状态辨识6并将第一识别状态与第一特征状态基于融合信息进行融合，确定I型保护压板的最终检测接矩形的面积，S2为所有检测的保护压板外接矩形面积的均值，n为矩形框的个数，如式7[0032]优选的，步骤S05中利用改进的深度学习网络对II型保护压板状态进行自动识别[0033]为了抑制II型保护压板复杂背景的干扰，在YOLOv5网络模型的CSP模块后引入通8[0052]一种基于深度学习与形态学融合的状态自动检测装置，以用于对I型和II型保护习网络与色彩空间及形态学融合特征进行有效结合用于对保护压板的类型和状态进行自[0057]另一方面本发明还提供了一种基于深度学习与形态学融9[0069]图8是本发明实施例提供的基于三次样条差值及色彩空间特征的Ⅰ型保护压板特[0080]图15是本发明实施例提供的基于色彩空间及形态学融合特征的Ⅱ型保护压板特[0086]图19是本发明实施例提供的基于连通域外接矩形的保护压板形状特征参数提取[0087]图20是基于融合状态信息的压板状态自动检测结果示意图：(a)基于参数特征的[0093]如图1所示的整体流程图，本实施例为一种基于深度学习与形态学融合的状态自[0098]对I型和II型保护压板进行类型检测是采用基于形状特征的保护压板类型自动检[0102]针对I型保护压板的采集图像帧进行预处理，主要针对I[0105]当经过预处理后的最终特征图像进入输入端后，YOLOv5目标检测网络采用了[0110]由于保护压板图像全部由变电站工作人员手机拍摄，变电站主控室内光照不均结果的基础上进一步提出了色彩空间及形态学融合特征的矩形保护压板特征参数提取方[0111]利用三次样条差值及色彩空间特征的特征参数提取方法对I型保护压板提取图像2为[0147]为了对I保护压板状态进行更有效的检测，本实施例提出一种融合深度学习网络[0152]为了对II型保护压板状态实现更加精确的测量，本实施例提出一种基于改进[0156]将输入的特征图F(H×W×C)分别经过基于宽度和高度维度上的全局最大池化和全局平均池化，得到两个1×1×C的特征图，接着再将它们分别送入一个两层的神经网络这个两层的神经网络是共享的。然后将神经网络MLP输出的特征进行加和操作，再经过[0157]S06，基于色彩空间及形态学融合特征的的特征参数提取方法对II型保护压板提[0158]由于保护压板图像全部由变电站工作人员手机拍摄，变电站主控室内光照不均速行进方法的图像修复方法实现保护压板图像高光区域的p点越近的像素点对p点贡献越大；水平集距离因子lev(p,q)保证了离经过点p的待修复区[0210]本实验通过YOLOv5m网络对保护压板进行初步状态检测后，加入融合深度学习网[0216](3)基于YOLOv5m与色彩空间及形态学融合特征的Ⅱ型保护压板状态检测实验结果[0218]表3基于YOLOv5m与色彩空间及形态学融合特征的Ⅱ型保护压板状态检测实验结果[0222]本实施例使用经典的Faster-RCNN深度学习网络以及SSD(singleshotmultiboxdetector)深度学习网络与本实施例文的YOLOv5实验结果进行对比，各网络得到的准确率[0223]由图21可知，使用YOLOv5对两类保护压板的状态检测结果均优于Faster-RCNN和形态学融合特征的Ⅱ型保护压板状态自动检测算法实现对Ⅱ型保护压板的状态检测，对其保护压板实时状态的监测和管控。