本发明属于变电站图像智能分析领域及变电站设备状态在线监测领域，涉及图像处理和计算机等技术，特别是涉及一种基于图像智能识别算法用于判断变电站隔离开关设备开合状态的检测方法。
背景技术：
变电站的视频技术为远程监控变电站的隔离开关等设备的可视化提供了技术手段，为变电站调度运行提供了可视化监控及辅助决策依据。随着视频监控的网络化、高清化、智能化技术的不断发展，视频监控技术在电网安全、生产运行中的应用不断深入和广泛，传统方式所采用的视频监控技术为电网设备远程监控提供远程可视化的监控手段，为远程确认设备实际的状态与监控数据显示状态是否一致，提供了可靠和有效的确认手段，为准确做出决策提供了依据，然而，随着该技术的不断深入和推广应用，由于变电站数量众多、站内设备数量庞大，若每个设备的状态查看和确认都需要人工进行查看和确认，其所带来的工作量将特别庞大，且工作效率低下，随着电网技术对电网智能化水平要求的不断提高，如何提高视频监控技术在电网智能化监控技术中的应用，将对电网智能化水平的提升起到促进作用。同时，将为电网设备的智能化监控、智能化巡视提供技术手段。同时，变电站隔离开关状态的图像识别对于电网智能化设备状态巡视、设备告警联动等电网生产运行监控具有重要意义，对电网智能化水平的发展和提高具有一定的促进作用。由于变电站设备场景的复杂性，如果有效实现对变电站隔离开关状态的识别将是该技术的核心研究内容。
技术实现要素：
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于图像智能识别算法的隔离开关状态自动检测方法。
为了解决上述技术问题，本发明提供的采用线段拟合视频智能分析算法的变电站隔离开关状态检测方法，包括图片获取及初始化处理，隔离开关背景建模，开状态和闭状态样本训练，用训练结果进行状态识别四个过程，该方法包括步骤如下：
S1：图片获取及初始化处理；
S2：隔离开关背景建模；
S3：开状态和闭状态样本训练；
S4：利用训练结果进行状态识别；
其中，图片获取及初始化处理具体步骤如下：
S11：通过厂家SDK获取变电站视频监控系统的实时视频数据；
S12：获取实时视频中的某一帧，用于后续检测；
S13：帧图像处理，并裁剪边缘；
S14：对裁剪后的图片进行灰度处理，转换为灰度图片。
其中，隔离开关背景建模具体步骤如下：
S21：背景统计模型，对一段时间的背景进行统计，然后计算其统计数据，将统计数据作为背景。
S22：通过对当前图像及背景的某种比较，得出前景。
其中，开状态和闭状态样本训练具体步骤如下：
S31：采集隔离开关开状态和闭状态样本；
S32：对样本中的隔离开关进行区域标定；
S33：训练隔离开关开状态和闭状态的harr-like特征；
S34：调整参数，将训练结果准确率提升到满意为止；
其中，用训练结果进行状态识别具体步骤如下：
S41：隔离开关图像采集；
S42：隔离开关区域裁剪；
S43：使用训练结果对隔离开关区域进行扫描；
S44：根据扫描结果，判断隔离开关当前状态。
本发明的基于图像智能识别算法的隔离开关状态自动检测方法，通过远程获取变电站监控摄像机的实时视频，并获取实时视频中含有隔离开关的某一帧图像数据，将该帧图像数据转换为可处理的数据格式，标定隔离开关区域，对隔离开关区域进行背景建模，取几十张开状态隔离开关，进行训练，将训练结果保存下来，再取几十张闭状态隔离开关进行训练，将训练结果保存下来，以上是识别的准备阶段；识别阶段：通过远程获取变电站监控摄像机的实时视频，并获取实时视频中含有隔离开关的某一帧图像数据，将该帧图像数据转换为可处理的数据格式，取隔离开关区域，对区域进行扫描，使用开状态和闭状态的训练结果分别对区域目标进行匹配，匹配结果即为状态结果，最终判断出隔离开关的开合状态。
本发明的方法，具备对视频图像中所监控的电力应用场景为复杂场景或简单场景时，采用图像智能识别算法，对变电站隔离开关设备开合状态进行检测的能力，通过新的技术算法，提高和解决通过视频分析算法实现对变电站隔离开关状态的识别。现有技术对隔离开关状态的识别存在问题，若采用常用的模板匹配方法检测时，容易受外界光线及拍摄图像的摄像机转动影像，同时，由于变电站内的隔离开关设备数量庞大、设备电压等级不同时，设备外观及形状均不一致，且不同厂家的不同型号设备也存在一定的差异，因此，采用模板匹配方法时，将会对监控场景有严格的限制，且在广泛适用性和可推广性等方面存在着较多的缺陷。
本发明采用图像智能识别算法的隔离开关状态自动检测方法，通过隔离开关状态训练，通过图像智能识别，能够有效提取出隔离开关的状态特征，排除外在影响因数，能够最大限度地提高检测的准确性和适用性。
本发明的方法易于实现和应用，主要可以应用于电网智能化设备状态巡视、设备告警联动等电网生产运行智能化远程监控中，对电网智能化水平的发展和提高具有一定的促进作用。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的相关方面的优点将会变得更加清楚。
图1为本发明的流程框图。
具体实施方式
下面结合附图详细说明本发明技术方法中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
图1所示为基于图像智能识别算法的隔离开关状态自动检测方法流程框图，本方法分为图片获取及初始化处理，隔离开关背景建模，开状态和闭状态样本训练，利用训练结果进行状态识别四个过程。
所述的图片获取及初始化处理包括步骤：通过厂家SDK获取变电站视频监控系统的实时视频数据；获取实时视频中的某一帧，用于后续检测；帧图像处理，并裁剪边缘；对裁剪后的图片进行灰度处理，转换为灰度图片。
所述的隔离开关背景建模包括步骤：背景统计模型，对一段时间的背景进行统计，然后计算其统计数据，将统计数据作为背景，通过对当前图像及背景的某种比较，得出前景。
所述的开状态和闭状态样本训练包括步骤：采集隔离开关开状态和闭状态样本，对样本中的隔离开关进行区域标定，训练隔离开关开状态和闭状态的harr-like特征，调整参数，将训练结果准确率提升到满意为止。
所述的利用训练结果进行状态识别包括步骤：隔离开关图像采集，隔离开关区域裁剪，使用训练结果对隔离开关区域进行扫描，根据扫描结果，判断隔离开关当前状态。
本发明的方法需要的硬件最低配置为：P4、3.0G CPU、512M内存的PC机，在此配置水平的硬件上，采用C/C++语言编程实现本方法。操作系统可基于Windows或Linux的各类操作系统。下面对本发明的方法设计的关键步骤进行逐一详细说明，本发明的方法中的基本步骤相同，具体形式如下所述：
首先，是图片获取及初始化处理：
(1)通过厂家SDK实时获取变电站摄像机的实时视频数据；
(2)在获取到实时数据时间间隔5秒后，从实时数据中获取一帧图片数据，采用5秒后再截取图片数据的原因主要为：由于变电站与远端之间的网络带宽有限，若获取到视频后直接截图图片，可能会出现图片截取失败或截取的图片存在异常等原因；
(3)在截取完图片后，检查图片是否正常，如果图片存在异常，则重新获取图片，获取图片成功后，保存图片数据为OrgImg；
(4)通常此时获取的图片格式为YUV格式，为了便于后续的图像分析，将该图片进行格式转换，转换为RGB图片格式，转换后的图片数据为OrgImg_RGB[]；
(5)后续图像处理主要是根据灰度图像的处理，因此，需要将RGB格式转换为灰度格式，根据RGB转灰度公式：Gray＝R*0.299+G*0.587+B*0.114，从而将OrgImg_RGB[]计算得到对应的灰度图片数据：Org_Mat_Gray[]；
(6)由于实际图片中左上角或右上角、左下角或右下角通常均包含一些文字信息，避免文字信息对监测的影响，假设图片横坐标为0<x<W1，图片纵坐标为0<y<H1，其中的H1表示图片的高度，W1表示图片的宽度，将图片横坐标截取为W1/8<x<7*W1/8，将图片纵坐标截取为H1/8<y<7*H1/8，得到灰度图片矩阵Mat_Gray[]，新的灰度图片的宽度为W2，高度为H2；
其次，隔离开关背景建模：
(1)初始化对象
BackgroundStatModelBase<Bgr>bgModel＝new BackgroundStatModelBase<Bgr>(BackgroundStatModelType.AccAvg)；
(2)更新一段时间的背景图像，视情况反复调用(2)bgModel.Update(image)；
(3)设置当前帧bgModel.CurrentFrame＝currentFrame；
(4)得到背景或者前景Image<Gray,Byte>imageForeground＝bgModel.ForegroundMask；
再次，开状态和闭状态样本训练：
(1)样本创建
a.样本分为正样本和负样本，正样本为待检测目标，负样本为其他图片，最好选择采集到的背景中包含的图片,但不能包含目标特征。调用厂家摄像机SDK，循环抓取图片，分别放到正样本和负样本对应的几个List中。
开状态正样本抓取：OpenPosSampleList<OpenPosSample>listOpenPosSample＝CaptureVideo.GetPickureOpenPosSample()；
开状态负样本抓取：OpenNegSampleList<OpenNegSample>listOpenNegSample＝CaptureVideo.GetPickureOpenNegSample()；
闭状态正样本抓取：ClosePosSampleList<ClosePosSample>listClosePosSample＝CaptureVideo.GetPickureClosePosSample()；
闭状态负样本抓取：CloseNegSampleList<CloseNegSample>listCloseNegSample＝CaptureVideo.GetPickureCloseNegSample()；
b.循环遍历开状态和闭状态的正样本List，生成样本描述集。
开状态正样本描述集：OpenPosSampleDesc openPosSampleDesc＝CreatePosDesc(listOpenPosSample)；
开状态负样本描述集：OpenNegSampleDesc openNegSampleDesc＝CreateNegDesc(listOpenNegSample)；
闭状态正样本描述集：ClosePosSampleDesc closePosSampleDesc＝CreatePosDesc(listClosePosSample)；
闭状态负样本描述集：CloseNegSampleDesc closeNegSampleDesc＝CreateNegDesc(listCloseNegSample)；
(2)训练分类器
将(1)样本创建生成的所有描述集，分成开状态和闭状态，进行训练，生成样本训练结果数据库。
开状态结果数据库：OpenResultData openResultData＝Train(openPosSampleDesc,openNegSampleDesc)；
闭状态结果数据库：CloseResultData closeResultData＝Train(closePosSampleDesc,closeNegSampleDesc)；
训练结束后，会生成openResultData和closeResultData两个分类器，将分类器放到内存中，供隔离开关状态检测使用。
最后，隔离开关状态检测
a.创建分类器
CascadeClassifier openClassifier＝openResultData.GetClassifier()；
CascadeClassifier closeClassifier＝closeResultData.GetClassifier()；
b.读取图片调用识别函数进行识别
Mat image＝imread(“Switch1.jpg”)；
Mat image_gray；
std::vector<Rect>vecOpenSwitch；
std::vector<Rect>vecCpenSwitch；
cvtColor(image,image_gray,CV_BGR2GRAY)；
int nOpenRet＝openClassifier.detectMultiScale(image_gray,vecOpenSwitch,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30))；
int nCloseRet＝openClassifier.detectMultiScale(image_gray,vecCloseSwitch,1.1,2,0|CV_HAAR_SCALE_IMAGE,Size(30,30))；
程序中的nOpenRet和nCloseRet即为隔离开关闭合状态的检测结果。
具体实施例子如下：
采用一种基于图像智能识别算法的隔离开关状态自动检测方法，包括图片获取及初始化处理、隔离开关背景建模，开状态和闭状态样本训练，利用训练结果进行状态识别四个过程，步骤如下：
其中，图片获取及初始化处理具体步骤如下：
通过厂家SDK获取变电站视频监控系统的实时视频数据；获取实时视频中的某一帧，用于后续检测；帧图像处理，并裁剪边缘；对裁剪后的图片进行灰度处理，转换为灰度图片。
其中，隔离开关背景建模具体步骤如下：
背景统计模型，对一段时间的背景进行统计，然后计算其统计数据，将统计数据作为背景，通过对当前图像及背景的某种比较，得出前景。
其中，开状态和闭状态样本训练具体步骤如下：
采集隔离开关开状态和闭状态样本，对样本中的隔离开关进行区域标定，训练隔离开关开状态和闭状态的harr-like特征，调整参数，将训练结果准确率提升到满意为止。
其中，利用训练结果进行状态识别具体步骤如下：
隔离开关图像采集，隔离开关区域裁剪，使用训练结果对隔离开关区域进行扫描，根据扫描结果，判断隔离开关当前状态。
总之，本发明提出了一种基于图像智能识别算法的隔离开关状态自动检测方法。通过在电力系统中实际的现场视频图片进行了大量的实验验证了本发明的有效性和稳定性。本发明易于实现，且性能稳定可靠。本发明有效实现了隔离开关设备开合状态的智能检测。变电站隔离开关状态的图像识别对于电网智能化设备状态巡视、设备告警联动等电网生产运行监控具有重要意义，对电网智能化水平的发展和提高具有一定的促进作用。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围内，因此，本发明的保护范围应该以权利要求书的保护范围为准。