论文部分内容阅读
20世纪末以来,随着计算机技术的发展,变电站自动化技术不断进步,无人值守变电站也得到普及和发展。在此情形下,变电站远程视频监控系统得到广泛的关注和研究,已然成为当前的研究热点。其中变电设备图像的特征自动提取、分类和识别是变电站远程视频监控系统的关键技术之一。由于变电站环境复杂、设备种类多样且存在多种干扰、现有的视频图像处理算法准确率低,漏报、误报现象严重,造成视频监控需要人工干预的事件多,自动智能处理的事件少。深度学习是近十年来人工智能领域取得的最重要的突破之一。近年来,在视频图像跟踪、视频图像识别等领域取得了很多的研究成果。因此,本文将深度学习引入到变电设备视频图像的处理中,研究了变电视频图像的特征提取、分类及识别方法。不仅有较强的理论意义而且还具有很高的实用价值。论文首先介绍了深度卷积神经网络的主要结构、原理以及传统的图像特征提取方法SIFT和HOUGH。在此基础上,分析了变电设备图像的基本特征,研究了基于深度学习和传统图像处理方法相结合的变电设备视频图像特征提取、分类和识别方法,并针对变电站常用的指针式仪表设备,设计并实现了实时仪表指针识别系统。主要研究工作如下:(1)研究了基于深度卷积神经网络的变电设备仪表类型识别方法。重点研究了图像样本集的扩容,基于识别率的自动训练方法以及基于集成学习的投票策略,不仅提高了模型的训练效率而且提高了识别率。(2)论文深入分析了变电站中常用的指针式仪表设备特点,研究了一种基于SIFT+HOUGH的指针式仪表设备的自动读数方法。首先研究了基于SIFT+HOUGH的指针式仪表盘定位方法,接着提出了一种基于HOUGH的优化直线查找方法,然后探讨了基于SIFT的图像指针偏移角度的自动计算方法,最后实现了指针式仪表设备的自动读数。在变电站常用压力表的自动读数实验结果中显示,本方法能够准确地识别表盘读数,同时具有很强的抗干扰性。(3)设计并实现了基于PYTHON和OPENCV的变电设备实时仪表指针识别系统。该系统能根据所输入的关键词自动从网络上获取噪音图像数据用于神经网络的训练,具有较高的实用性。