一种城市轨道交通供电开关柜图像识别系统及方法与流程

本发明涉及轨道交通技术领域，具体涉及一种城市轨道交通供电开关柜图像识别系统及方法。

背景技术：

目前城市轨道交通供电开关柜的巡检工作，仍沿袭着传统工作模式，运维人员需到现场对设备进行巡视。若开关柜出现开关跳闸或其他故障时，仍需运维人员赶赴现场了解情况，这将消耗了大量的人力物力成本。亟需一款针对城市轨道交通供电开关柜的视频识别系统，利用图像识别技术来取代人眼判断，从而显著提高供电系统的安全生产水平及工作效率，降低人力物力成本。

现有的供电开关柜状态识别算法仅采用简单的模型匹配方法，算法简单，自动化程度较低，图像识别的精确度不高。因此，在本文提及的城市轨道交通供电开关柜状态识别系统中，需要更新算法，采用卷积神经网络的方法，自动逐层地进行特征学习，提高供电开关柜状态的识别准确率，对保障城市轨道交通供电开关柜正常运行有重大意义。

技术实现要素：

本发明要解决的技术问题是针对目前城市轨道交通供电开关柜巡视、故障跳闸状态查看等工作过度依赖人工的问题，提出来一种城市轨道交通供电开关柜状态图像识别方法及系统，它可以对开关柜的开关指示灯、压板、把手、电流表、电压表的等非智能化的设备状态进行识别，对开关柜内继保装置等智能设备的外观、指示灯、显示内容等进行识别，识别结果可远传至pscada系统，从而达到无人化、远程化的设备巡视。

为达此目的，本发明专利采用以下技术方案：

一种城市轨道交通供电开关柜图像识别系统，包括图像采集模块、图像预处理模块、模型训练模块、状态识别模块、人机显示模块、报表模块、通信接口模块，供电开关柜连接所述采集模块，所述采集模块与所述图像预处理模块连接，所述图像预处理模块与所述状态识别模块连接，所述模型训练模块同样与所述状态识别模块连接，所述状态识别模块还分别连接人机显示模块、报表模块、通信接口模块。

更为具体的，所述通信接口模块与所述pscada系统相连。

更为具体的，所述报表模块需要进行预设巡检模板，读取图像识别完成的状态信息并生成对应巡检报告，所述巡检模板具体包括巡检工作规程及巡检报表模板。

一种城市轨道交通供电开关柜图像识别系统的方法，包括如下步骤：

s1、对城市轨道交通开关柜相关识别模型进行训练，采用卷积神经网络在模型训练模块下进行模型训练；

s2、利用训练好的cnn卷积神经网络模型对图像进行识别；

s3、图像识别系统识别出来的开关柜相关状态信息数据。

更为具体的，所述s1的具体步骤如下：

s11：采集动力变开关柜的正视、侧视、俯斜视等多角度的大量图像数据，形成样本图像数据，做好标注后放入样本数据集中；

s12：对s11采集到的样本图像数据进行预处理，根据可识别类型进行图像分割、分割出柜内开关状态、三工位开关位置、保护压板位置、电压表、电流表、就地远方把手位置、加热指示灯、开关储能状态、sf6气体压力指示灯、带电显示器、继保装置故障报警指示灯等关键图像区域，并对图像进行噪点去除，增强图像数据的细节；

s13：自定义动力变开关柜的cnn卷积神经网络模型，建立带有2个卷积层、一个最大池化层和两个全连接层的卷积神经网络，其中最后一层全连接层与输入的开关柜图像数据维度相同；

s14:对s12中预处理后的图像数据使用卷积神经网络进行特征提取，提取样本图像数据的特征点，对2个全连接层的输出建立动力变开关柜内开关状态、三工位开关位置、保护压板位置、电压表、电流表、就地远方把手位置、加热指示灯、开关储能状态、sf6气体压力指示灯、带电显示器、继保装置故障报警指示灯的特征向量；

s15：对s14采集的特征使用分类器模型进行训练，利用tensortflow算法从样本数据集中获取有差异的训练数据子集，对模型进行训练；

s16：循环执行s15的步骤，直到样板数据集中未标注的数据为0,模型训练结束；

s17:模型训练结束后，采用多数投票发对分类器进行集成，获得最终cnn卷积神经网络模型，一共可检测出开关状态、三工位开关位置、保护压板位置、电压表读数、电流表读数、就地远方把手位置、加热指示灯、开关储能状态、sf6气体压力指示灯、带电显示器状态、继保装置故障报警指示灯状态等信息。

更为具体的，所述s2的具体步骤如下：

s21：在中压开关柜前正方安装摄像头，调节角度焦距，使摄像头对准中压开关柜待识别的相关设备，采集相关视频流信息；

s22:图像识别模块与摄像头进行网络通信，采用opencv库抓取摄像头有rtps视频流；

s23:在图像识别模块中加载cnn卷积神经网络模型，配置相关识别区域，目标检测获取所有roi及信号、模型，利用目标检测校正识别区域；

s24：对采集到的视频流图像信息进行实时处理，进行图像去噪，便于识别程序进行识别，执行神经网络模型，对图像信息进行检测，得出当前图像包含的状态信息。

更为具体的，所述s3的具体步骤如下：

s31：在图像识别系统中显示状态信息，包括信号名称、信号状态、变位时间等；

s32：在图像识别系统中生成巡检报表生成，报表包含运维人员日常巡视的供电开关柜状态信息，识别完成的状态信息将与巡检工作规程中的相关状态进行对比，自动判断该巡检项是否正常，正常则巡检报告自动归档，异常则发出告警，提醒运维人员进行异常项的检查。

s33：优选的，图像识别系统可将识别出来的状态信息传输到pscada系统中，并进行安全联锁相关信息的双系统信号确认，实现信号的双系统确认自动报警。

s34：优选的，pscada系统可根据需求调取实时的监控画面，实现远程的视频监控。视频监控功能可实现设备状态异常时的视频主动上送，以及根据需求被动接受视频调取。

采用本发明，通过视频监控及图像识别的方式来监视供电开关柜的状态，可根据巡检规章自动生成巡检报表，实现无人化的巡检工作。进一步的，将图像识别系统识别完成的状态信息通过网络实时传送到pscada系统中，不仅实现远程监视，还可以与pscada的数据与图像识别的数据进行对比，实现信号的双系统确认，确保信号的正确性。同时，系统还可根据需求向pscada系统传输实时视频，运维人员将不需要到现场进行巡视，可大大降低人力成本及运营成本。

图1为城市轨道交通供电开关柜图像识别系统结构图；

图2为城市轨道交通供电开关柜图像识别流程图；

图3为本发明算法模型训练流程图；

图4为本发明的自定义模型。

具体实施方式：

下面以城市轨道交通33kv动力变开关柜为例，说明本发明的具体实施方式：(以开关柜其中一种类型来做示例)，图4为本发明的自定义模型，具体自定义参数模型参阅附图。参阅附图1，一种城市轨道交通供电开关柜图像识别系统，包括图像采集模块、图像预处理模块、模型训练模块、状态识别模块、人机显示模块、报表模块、通信接口模块，供电开关柜连接所述采集模块，采集模块与图像预处理模块连接，图像预处理模块与状态识别模块连接，样本通过模型训练模块的专用配置文件与状态识别模块连接，状态识别模块还分别连接人机显示模块、报表模块、通信接口模块，其中，人机显示模块进行状态信号显示，报表模块进行巡检报表的生成和管理。通信接口模块与pscada系统相连，通信接口模块通过信号流与视频流传输到pscada系统。

报表模块需要进行预设巡检模板，读取图像识别完成的状态信息并生成对应巡检报告，巡检模板具体包括巡检工作规程及巡检报表模板。

参阅附图2，为城市轨道交通供电开关柜图像识别流程图，本系统通过预设的配置文件控制引擎调整摄像头云台、变焦，云台、变焦通过onvif为摄像头提供标准化网络开放式接口，摄像头通过rtsp实时流传输协议进行传送，所传输的视频信息通过opencv获取rtsp视频流，所获取的rtsp视频流及控制引擎信息通过目标检测获取所有roi及信号、模型，并进一步执行神经网络模型，最终进行识别出对应状态，并与供电开关柜的对应特征点进行信号关联。同时，控制引擎信号可直接进行事件上报、告警上传、巡检报表生成等工作。

参阅附图3是本发明算法模型训练流程图，自定义的cnn卷积神经网络模型与标记的数据基于tensorflow数据流编程输出为训练好的cnn卷积神经网络模型。

一种城市轨道交通供电开关柜图像识别系统的方法，包括如下步骤：

s1、对城市轨道交通开关柜相关识别模型进行训练，采用卷积神经网络在模型训练模块下进行模型训练；

s2、利用训练好的cnn卷积神经网络模型对图像进行识别；

s3、图像识别系统识别出来的开关柜相关状态信息数据。

更为具体的，所述s1的具体步骤如下：

s11：采集动力变开关柜的正视、侧视、俯斜视等多角度的大量图像数据，形成样本图像数据，做好标注后放入样本数据集中；

s12：对s11采集到的样本图像数据进行预处理，根据可识别类型进行图像分割、分割出柜内开关状态、三工位开关位置、保护压板位置、电压表、电流表、就地远方把手位置、加热指示灯、开关储能状态、sf6气体压力指示灯、带电显示器、继保装置故障报警指示灯等关键图像区域，并对图像进行噪点去除，增强图像数据的细节；

s13：自定义动力变开关柜的cnn卷积神经网络模型，建立带有2个卷积层、一个最大池化层和两个全连接层的卷积神经网络，其中最后一层全连接层与输入的开关柜图像数据维度相同；

s14:对s12中预处理后的图像数据使用卷积神经网络进行特征提取，提取样本图像数据的特征点，对2个全连接层的输出建立动力变开关柜内开关状态、三工位开关位置、保护压板位置、电压表、电流表、就地远方把手位置、加热指示灯、开关储能状态、sf6气体压力指示灯、带电显示器、继保装置故障报警指示灯的特征向量；

s15：对s14采集的特征使用分类器模型进行训练，利用tensortflow算法从样本数据集中获取有差异的训练数据子集，对模型进行训练；

s16：循环执行s15的步骤，直到样板数据集中未标注的数据为0,模型训练结束；

s17:模型训练结束后，采用多数投票发对分类器进行集成，获得最终cnn卷积神经网络模型，一共可检测出开关状态、三工位开关位置、保护压板位置、电压表读数、电流表读数、就地远方把手位置、加热指示灯、开关储能状态、sf6气体压力指示灯、带电显示器状态、继保装置故障报警指示灯状态等信息。

更为具体的，所述s2的具体步骤如下：

s21：在中压开关柜前正方安装摄像头，调节角度焦距，使摄像头对准中压开关柜待识别的相关设备，采集相关视频流信息；

s22:图像识别模块与摄像头进行网络通信，采用opencv库抓取摄像头有rtps视频流；

s23:在图像识别模块中加载cnn卷积神经网络模型，配置相关识别区域，目标检测获取所有roi及信号、模型，利用目标检测校正识别区域；

s24：对采集到的视频流图像信息进行实时处理，进行图像去噪，便于识别程序进行识别，执行神经网络模型，对图像信息进行检测，得出当前图像包含的状态信息。

更为具体的，所述s3的具体步骤如下：

s31：在图像识别系统中显示状态信息，包括信号名称、信号状态、变位时间等；

s32：在图像识别系统中生成巡检报表生成，报表包含运维人员日常巡视的供电开关柜状态信息，识别完成的状态信息将与巡检工作规程中的相关状态进行对比，自动判断该巡检项是否正常，正常则巡检报告自动归档，异常则发出告警，提醒运维人员进行异常项的检查。

s33：优选的，图像识别系统可将识别出来的状态信息传输到pscada系统中，并进行安全联锁相关信息的双系统信号确认，实现信号的双系统确认自动报警。

s34：优选的，pscada系统可根据需求调取实时的监控画面，实现远程的视频监控。视频监控功能可实现设备状态异常时的视频主动上送，以及根据需求被动接受视频调取。