基于YCbCr颜色分割与特征分析的变电站压板状态识别*

doi:10.11985/2023.03.031

电气工程学报 ›› 2023, Vol. 18 ›› Issue (3): 285-296.doi: 10.11985/2023.03.031

扫码分享

基于YC_bC_r颜色分割与特征分析的变电站压板状态识别^*

周凯¹(), 罗朝丰²(), 胡志坚³(), 严利雄¹(), 毕如玉¹(), 邓科¹(), 李煜磊¹()

1.国网湖北省电力有限公司检修公司武汉 430050
2.国网浙江省电力有限公司湖州供电公司湖州 313000
3.武汉大学电气与自动化学院武汉 430072

收稿日期:2022-10-18 修回日期:2023-04-03 出版日期:2023-09-25 发布日期:2023-10-23
通讯作者: 罗朝丰，男，1997年生，硕士研究生。主要研究方向为综合能源系统协同规划。E-mail：248516982@qq.com
作者简介:周凯，男，1991年生，博士。主要研究方向为变电站远方控制及安全分析技术。E-mail：zhouktian@163.com
胡志坚，男，1969年生，博士，教授。主要研究方向为互联电力系统鲁棒协调控制、输电线路参数带电测量、智能电网、新能源与分布式电力系统、嵌入式系统开发与应用。E-mail：zhijian_hu@163.com
严利雄，男，1972年生，硕士，高级工程师。主要研究方向为变电站智能运检技术。E-mail：yanlixiong@163.com
毕如玉，女，1991年生，博士。主要研究方向为电网自动化及网络通信技术。E-mail：biruyu@163.com
邓科，男，1971年生，硕士，高级工程师。主要研究方向为变电站智能运检技术。E-mail：dengke@163.com
李煜磊，男，1981年生，硕士，高级工程师。主要研究方向为变电站智能运检技术。E-mail：liyulei@163.com
基金资助:
* 国家自然科学基金(51977156);国网湖北电力公司科技(52152020003K)

Substation Platen State Recognition Based on YC_bC_r Color Segmentation and Feature Analysis

ZHOU Kai¹(), LUO Chaofeng²(), HU Zhijian³(), YAN Lixiong¹(), BI Ruyu¹(), DENG Ke¹(), LI Yulei¹()

1. Maintenance Company, State Grid Hubei Electric Power Co., Ltd., Wuhan 430050
2. Huzhou Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Huzhou 313000
3. School of Electrical Engineering and Automation, Wuhan University, Wuhan 430072

Received:2022-10-18 Revised:2023-04-03 Online:2023-09-25 Published:2023-10-23

摘要/Abstract

摘要：

针对传统保护压板图像识别方法对光照条件要求苛刻﹑识别率低以及目前较热的深度学习识别保护压板状态的方法对计算机硬件要求高﹑样本需求量大的问题，提出了一种改进的颜色提取和特征识别压板状态的方法。该方法先对巡检机器人移动端采集到的屏柜图进行图像预处理，提高图像的清晰度和辨识度；然后将彩色图像转换至YC_bC_r颜色空间中进行颜色特征提取，获取二值图像，对二值图像进行形态学处理并提取连通域；接着对连通域进行形态特征分析，利用面积及边界信息分析除去标识牌和干扰小光斑，利用极限腐蚀算法判别粘连连通域并对粘连连通域进行分割；最后采用简单最小外接矩形和面积最小外接矩形算法获取连通域的外接矩形，对压板进行定位，并根据外接矩形的长高比和偏转角度结合判断压板的状态。试验结果表明所提方法对压板切割的准确性，对复杂环境特殊情况识别的一般性，以及识别方法的高效性和准确性。

关键词: 保护压板, 压板识别, YC_bC_r颜色空间, 极限腐蚀, 最小外接矩形

Abstract:

Aiming at the problems that the traditional protection platen image recognition method has strict requirements for lighting conditions and low recognition rate, and the current hot deep learning method for identifying the protection platen state has high requirements for computer hardware and large sample size. An improved method of color extraction and feature recognition of platen state is proposed. The screen and cabinet diagram collected by the mobile end of the inspection robot is preprocessed to improve the clarity and recognition of the image. Then the color image is transformed into the YC_bC_r color space for color feature extraction, the binary image is obtained, the binary image is morphologically processed and the connected domain is extracted. Then, the morphological characteristics of the connected domain are analyzed, the signboard and small interference spot are removed by using the area and boundary information analysis, the adhesive connected domain is identified by using the limit corrosion algorithm, and the adhesive connected domain is segmented. Finally, the simple minimum circumscribed rectangle and the area minimum circumscribed rectangle algorithm are used to obtain the circumscribed rectangle of the connected domain, locate the pressing plate, and judge the state of the pressing plate according to the length height ratio and deflection angle of the circumscribed rectangle. The test results show the accuracy of the proposed method for pressing plate cutting, the generality of recognition for special situations in complex environment, and the efficiency and accuracy of the recognition method.

Key words: Protective platen, pressure plate identification, YC_bC_r color space, limit corrosion, minimum enclosing rectangle

中图分类号:

TM930

周凯, 罗朝丰, 胡志坚, 严利雄, 毕如玉, 邓科, 李煜磊. 基于YC_bC_r颜色分割与特征分析的变电站压板状态识别^*[J]. 电气工程学报, 2023, 18(3): 285-296.

ZHOU Kai, LUO Chaofeng, HU Zhijian, YAN Lixiong, BI Ruyu, DENG Ke, LI Yulei. Substation Platen State Recognition Based on YC_bC_r Color Segmentation and Feature Analysis[J]. Journal of Electrical Engineering, 2023, 18(3): 285-296.

图/表 27

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

图16

图17

图18

图19

表1

表2

表3

图20

表4

表5

表6

表7

参考文献 20

[1]	蔡焕青, 邵瑰玮, 胡霁, 等. 变电站巡检机器人应用现状和主要性能指标分析[J]. 电测与仪表, 2017, 54(14):117-123.
	CAI Huanqing, SHAO Guiwei, HU Ji, et al. Analysis of application status and main performance indicators of substation inspection robot[J]. Electrical Measurement and Instrumentation, 2017, 54(14):117-123.
[2]	黄山, 吴振升, 任志刚, 等. 电力智能巡检机器人研究综述[J]. 电测与仪表, 2020, 57(2):26-38.
	HUANG Shan, WU Zhensheng, REN Zhigang, et al. Overview of research on intelligent inspection robots for electric power[J]. Electrical Measurement and Instrumentation, 2020, 57(2):26-38.
[3]	梁辰, 孙建文, 王兰玉, 等. 应用聚类和证据理论实现变电站保护压板状态校核[J]. 电网技术, 2020, 44(6):2343-2349.
	LIANG Chen, SUN Jianwen, WANG Lanyu, et al. Application of clustering and evidence theory to checking the status of substation protection platen[J]. Power System Technology, 2020, 44(6):2343-2349.
[4]	吕家伟, 刘瑞荣. 基于颜色模版匹配的继电保护压板投退状态识别设计[J]. 机电信息, 2018(36):115-116.
	LÜ Jiawei, LIU Ruirong. Design of state identification of relay protection platen based on color template matching[J]. Mechanical and Electrical Information, 2018(36):115-116.
[5]	邓应松, 段秦刚, 宋小松. 基于图像识别的保护压板投退状态辨识方法[J]. 陕西电力, 2015, 43(10):49-53,67.
	DENG Yingsong, DUAN Qingang, SONG Xiaosong. State identification of relaying plate based on image recognition[J]. Smart Power, 2015, 43(10):49-53,67.
[6]	付文龙, 谭佳文, 吴喜春, 等. 基于图像处理与形态特征分析的智能变电站保护压板状态识别[J]. 电力自动化设备, 2019, 39(7):203-207.
	FU Wenlong, TAN Jiawen, WU Xichun, et al. Protection platen status recognition based on image processing and morphological feature analysis for smart substation[J]. Electric Power Automation Equipment, 2019, 39(7):203-207.
[7]	阮浩洁, 王春亚, 王辉, 等. 基于图像识别的保护压板状态识别技术研究与应用[J]. 电力设备管理, 2020(1):139-140.
	RUAN Haojie, WANG Chunya, WANG Hui, et al. Research and application of protection plate state recognition technology based on image recognition[J]. Electric Power Equipment Management, 2020(1):139-140.
[8]	李铁成, 任江波, 刘清泉, 等. 继电保护压板图像识别与模型聚类匹配[J]. 哈尔滨理工大学学报, 2021, 26(4):70-77.
	LI Tiecheng, REN Jiangbo, LIU Qingquan, et al. The image recognition of the relay protection plate matches the model clustering[J]. Journal of Harbin University of Science and Technology, 2021, 26(4):70-77.
[9]	汪洋, 黎恒烜, 鄂士平, 等. 基于深度学习的变电站硬压板状态检测与识别算法[J]. 沈阳工业大学学报, 2020, 42(6):676-680. doi: 10.7688/j.issn.1000-1646.2020.06.11
	WANG Yang, LI Hengxuan, E Shiping, et al. State detection and recognition algorithm for hard platens of substation based on deep learning[J]. Journal of Shenyang University of Technology, 2020, 42(6):676-680. doi: 10.7688/j.issn.1000-1646.2020.06.11
[10]	潘成成, 卢泉, 胡立坤, 等. 基于颜色分离与形态特征分析的保护压板定位及状态识别研究[J]. 电测与仪表, 2023, 60(4):71-77.
	PAN Chengcheng, LU Quan, HU Likun, et al. Platen location and status recognition based on image processing and morphological features analysis[J]. Electrical Measurement & Instrumentation, 2023, 60(4):71-77.
[11]	黄钊鹏. 变电站保护压板中开关的图像识别方法研究[D]. 武汉: 武汉理工大学, 2019.
	HUANG Zhaopeng. Method for switches on protecting panels in substations[D]. Wuhan: Wuhan University of Technology, 2019.
[12]	刘阳, 吕晓琪, 张明, 等. 基于RGB和C-Y颜色空间的白细胞分割[J]. 激光技术, 2019, 43(4):70-74.
	LIU Yang, LÜ Xiaoqi, ZHANG Ming, et al. White blood cell segmentation based on RGB and C-Y color space[J]. Laser Technology, 2019, 43(4):70-74.
[13]	张培. 复杂背景下交通标志的颜色分割[D]. 武汉: 武汉理工大学, 2012.
	ZHANG Pei. Color segmentation of traffic signs under complex background[D]. Wuhan: Wuhan University of Technology, 2012.
[14]	王星, 赖惠成, 任磊, 等. 基于YC_bC_r空间和GA神经网络的棉花图像分割算法[J]. 计算机工程与应用, 2014, 50(11):176-179.
	WANG Xing, LAI Huicheng, REN Lei, et al. Algorithm of cotton image segmentation based on YC_bC_r space and GA neural network[J]. Computer Engineering and Applications, 2014, 50(11):176-179.
[15]	袁朝晖, 付文龙, 李佰霖, 等. 基于多策略分割融合与形态特征辨识的变电站保护压板状态识别[J]. 电力系统保护与控制, 2022, 50(1):98-106.
	YUAN Chaohui, FU Wenlong, LI Bailin, et al. Substation protection platen state recognition based on multi-strategy segmentation fusion and morphological feature identification[J]. Power System Protection and Control, 2022, 50(1):98-106.
[16]	樊甫江, 时国栋, 吴升清, 等. 基于数学形态学的表面原子熔融相的STM图像识别算法[J]. 原子与分子物理学报, 2021, 38(6):21-26.
	FAN Fujiang, SHI Guodong, WU Shengqing, et al. STM image recognition algorithm of surface atomic melting phase based on mathematical morphology[J]. Journal of Atomic and Molecular Physics, 2021, 38(6):21-26.
[17]	胥金玲. 基于种子填充的snake模型对象提取与跟踪[D]. 济南: 山东大学, 2008.
	XU Jinling. Snake model object extraction and tracking based on seed filling[D]. Jinan: Shandong University, 2008.
[18]	杜培培. 活体菌落智能计数和分类方法研究[D]. 天津: 天津大学, 2019.
	DU Peipei. Study on intelligent counting and classification methods of living colonies[D]. Tianjin:Tianjin University, 2019.
[19]	张法全, 王国富, 曾庆宁, 等. 利用重心原理的图像目标最小外接矩形快速算法[J]. 红外与激光工程, 2013, 42(5):1382-1387.
	ZHANG Faquan, WANG Guofu, ZENG Qingning, et al. New algorithm for minimum enclosing rectangle of the object in the image region based on center-of-gravity principle[J]. Infrared and Laser Engineering, 2013, 42(5):1382-1387.
[20]	黄超, 茅健, 徐斌, 等. 基于最小外接矩形和Hough变换的定位算法[J]. 组合机床与自动化加工技术, 2021(8):66-71. doi: 10.13462/j.cnki.mmtamt.2021.08.016
	HUANG Chao, MAO Jian, XU Bin, et al. Positioning algorithm based on minimum circumscribed rectangle and Hough transform[J]. Modular Machine Tool and Automatic Manufacturing Technique, 2021(8):66-71.

编号	X_j₁	X_j₄	Y_j₁	Y_j₄	X_m₁	X_m₄	Y_m₁	Y_m₄	B_i	α_i/(°)	状态
1	49	67	34	78	62	63	44	91	0.41	1.22	关
2	102	139	37	76	122	154	56	89	0.95	44.10	开
3	172	191	34	77	202	203	42	93	0.44	1.12	关
4	225	262	37	76	260	296	55	92	0.95	44.22	开
5	286	323	36	76	329	364	55	90	0.93	44.90	开
6	348	383	37	75	401	438	53	89	0.92	45.78	开
7	409	446	38	74	473	506	54	89	1.03	43.32	开
8	469	506	36	74	543	576	55	88	0.97	45.12	开
9	529	570	36	76	611	647	54	89	1.03	45.68	开
10	38	77	45	186	47	79	180	217	0.95	40.85	开
11	101	140	146	188	118	152	183	217	0.93	45.11	开
12	163	200	147	184	191	222	181	212	1.00	45.26	开
13	227	261	148	183	264	296	182	213	0.97	45.91	开
14	287	324	148	187	333	365	182	214	0.95	45.32	开
15	347	382	148	185	404	436	182	215	0.95	44.62	开
16	407	447	145	185	474	507	182	213	1.00	46.79	开
17	469	508	146	185	544	577	180	212	0.99	45.88	开
18	530	568	145	183	614	646	180	215	1.01	42.69	开
19	37	79	255	297	51	81	309	344	1.02	40.61	开
20	100	141	255	297	121	153	310	344	0.98	42.27	开
21	161	202	255	296	190	224	309	343	1.00	45.12	开
22	224	265	255	297	262	296	307	343	0.98	43.36	开

方法	原图	图像分割处理	识别结果(%)
RGB 聚类			100
本文方法			100
RGB聚类			82.3
本文方法			94.1

分割方法	T_i(%)		F_i(%)
分割方法	清晰	模糊	清晰	模糊
RGB聚类	100	88.2	0	29.4
本文方法	100	94.1	0	0

编号	X_j₁	X_j₄	Y_j₁	Y_j₄	B_i
1	68	92	7	55	0.50
2	127	150	4	58	0.43
3	15	56	82	156	0.55
4	68	96	87	150	0.44
5	119	174	91	149	0.95
6	182	214	88	150	0.52

编号	X_m₁	X_m₄	Y_m₁	Y_m₄	α_i/(°)
1	69	71	6	56	2.29
2	126	128	4	57	2.16
3	8	34	92	154	22.76
4	68	68	87	150	0.00
5	113	152	108	155	41.71
6	182	185	88	150	2.77

基于YC_bC_r颜色分割与特征分析的变电站压板状态识别^*

Substation Platen State Recognition Based on YC_bC_r Color Segmentation and Feature Analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 20

相关文章 1

编辑推荐

Metrics

本文评价

编号	B_i	α_i/(°)	长宽比识别	长高比+偏转角识别
1	0.63	2.29	关	关
2	0.51	2.16	关	关
3	0.62	22.7	关	开
4	0.44	0.00	关	关
5	0.95	39.71	开	开
6	0.52	2.77	关	关

方法	总数	正确率(%)	错误率(%)	平均运行时间/s
RGB聚类	1 550	94.2	1.1	3.980 4
本文方法	1 550	99.8	0.5	3.214 2

基于YCbCr颜色分割与特征分析的变电站压板状态识别*

Substation Platen State Recognition Based on YCbCr Color Segmentation and Feature Analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 20

相关文章 1

编辑推荐

Metrics

本文评价

基于YC_bC_r颜色分割与特征分析的变电站压板状态识别^*

Substation Platen State Recognition Based on YC_bC_r Color Segmentation and Feature Analysis