(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210780827.3 (22)申请日 2022.07.04 (71)申请人 广东电网有限责任公司广州供电局 地址 510000 广东省广州市天河区天河南 二路2号 (72)发明人 肖健　黄奕俊　邝东海　刘璇　 卢德玲　黄凯涛　胡劲松　赵雨晴　 周小光　万静　 (74)专利代理 机构 广州高炬知识产权代理有限 公司 44376 专利代理师 孔令环 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/30(2022.01)G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 20/40(2022.01) G06T 7/60(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种剪刀式刀闸状态精确识别装置及判断 方法 (57)摘要 本发明公开了一种剪刀式刀闸状态精确识 别装置及判断方法， 用于识别变电站的剪刀式刀 闸是否准确合闸到位。 该装置包括： 摄像头、 剪刀 式刀闸识别前端装置、 剪刀式刀闸识别后台学习 训练装置、 数据及控制总线。 由于剪刀式刀闸在 长期的使用会导致剪刀式刀闸结构的异常， 容易 造成合闸不到位， 引起发热乃至爆炸等严重事 故。 本发明采用云边融合的架构， 利用Mask  R‑ CNN网络进行目标识别， 再使用HED方法进行边缘 提取， 并在此基础上提出了一个检测合闸不到位 的方法， 从而实现了剪刀式刀闸状态的精确识 别， 可以替代人工巡检， 节约了人力， 提高了安全 性。 权利要求书2页 说明书6页 附图3页 CN 115115827 A 2022.09.27 CN 115115827 A 1.一种剪刀式刀闸状态 精确识别装置， 其特 征在于， 其包括： 摄像头、 剪刀式刀闸识别前端装置、 剪刀式刀闸识别后台学习训练装置、 数据及控制总 线； 所述摄像头用于拍摄剪刀式刀闸的图像， 图像通过数据及控制总 线输出到剪刀式刀闸 识别前端装置， 所述摄 像头的拍摄动作由剪刀式刀闸识别前端装置发出的控制信号控制； 所述剪刀式刀闸识别前端装置对剪刀式刀闸图像进行识别及剪刀交叉臂的合闸夹角 检测， 判断合闸是否到位， 并将合闸是否到位的信号发给剪刀式刀闸识别后台学习训练装 置， 同时也将剪刀式刀闸的图像转发给剪刀式刀闸识别后台学习训练装置， 剪刀式刀闸识 别前端装置的识别参数由剪刀式刀闸识别后台学习训练装置提供并刷新； 所述剪刀式刀闸识别后台学习训练装置根据收到的剪刀式刀闸的图像进行深度学习 训练， 学习训练好的参数发给剪刀式刀闸识别前端装置， 同时将合闸是否到位的信号转发 调度中心， 多个剪刀式刀闸识别前端装置能够共用一台剪刀式刀闸识别后台学习训练装 置； 所述数据及控制总 线用于在摄像头、 剪刀式刀闸识别前端装置和剪刀式刀闸识别后台 学习训练装置之间传递数据和控制信号。 2.根据权利要求1所述的剪刀式刀闸状态精确 识别装置， 其特征在于， 所述摄像头的布 置如下： 3个摄像头的基座并列成一直线安装， 分别拍摄一座三相剪刀式刀闸的每一相剪刀式 刀闸， 每个摄像头的中心分别对准一把剪刀式刀闸的两个剪刀交叉臂的交叉点， 所述剪刀 式刀闸都指单相剪刀式刀闸， 一 座三相剪刀式刀闸包 含三把联动的单相剪刀式刀闸。 3.一种采用权利要求1或2所述的剪刀式刀闸状态精确 识别装置的合 闸状态判断方法， 其特征在于， 其包括如下步骤： 剪刀式刀闸图像获取及预处理： 从摄像头获取包含剪刀式刀闸的图像， 并进行图像预 处理； 剪刀式刀闸目标识别： 在一副含有背景信息的图像中找到所需要的剪刀式刀闸， 滤除 背景， 将剪刀式刀闸从拍摄的图片 中提取出来， 用一个最小的矩形框选定了所需要进行检 测的剪刀式刀闸； 边缘提取： 在所述矩形框选定的范围之内将剪刀式刀闸的两个剪刀臂的轮廓线提取出 来， 以便采用几何方法对合闸的状态进行准确的检测； 合闸夹角检测： 计算剪刀式刀闸的两剪刀臂 的轮廓线的夹角， 如果所述夹角和正确合 闸夹角的误差超出给定的阈值， 则发出合闸不到位信号， 否则发出合闸成功信号， 三相剪刀 式刀闸的任意 一把剪刀式刀闸合闸不到位， 则整个三相剪刀式刀闸都归为 合闸不到位。 4.根据权利要求3所述的合 闸状态判断方法， 其特征在于， 所述剪刀式刀闸图像获取及 预处理， 包括如下步骤： 数据获取： 发出拍摄指令， 读取摄 像头拍摄的剪刀式刀闸图像； 数据裁剪： 不同的摄像头分辨率不同， 为适应不同的摄像头， 同时减少不必要的计算 量， 从摄像头获取照片后， 统一裁 剪为固定分辨 率的图片； 图像噪声去除： 采用滤波算法对裁剪后的图片进行滤波， 对整幅图像进行加权平均， 每 个像素点的值， 都是 由其本身和邻域内的其他像素值加权平均后得到， 用高斯核扫描图像权　利　要　求　书 1/2 页 2 CN 115115827 A 2中的每一个像素， 再计算高斯核所确定的领域内像素 的加权平均灰度值， 用其替代卷积中 心像素的值， 所述高斯核为 一个奇数 大小的高斯模板 。 5.根据权利要求3所述的合闸状态判断方法， 其特征在于， 所述剪刀式刀闸目标识别， 包括如下步骤： S1、 将预处 理好的图片传入预训练的神经网络中获得相应的feature  map； S2、 通过feature  map中的每一 点设定ROI， 获得多个ROI 候选框； S3、 对这些多个ROI候选框送到RPN中进行二值分类和BB回归， 过滤掉一部分候选的 ROI； S4、 对剩下的ROI进行ROIAlign操作， 即先将原图和feature  map的pixel对应起来， 然 后将feature  map和固定的feature对应起 来； S5、 对这些ROI进行N类别分类， B B回归和Mask 生成。 6.根据权利要求3所述的合闸状态判断方法， 其特征在于， 所述边缘提取， 包括如下步 骤： 构建HED网络模型； 在HED网络模型 上采用多尺度深度学习算法。 7.根据权利要求3所述的合闸状态判断方法， 其特征在于， 所述合闸夹角检测， 包括如 下步骤： 关键像素提取： 剪刀式刀闸交叉点下部内侧轮廓线的像素称为关键像素， 进一步过滤 掉无关区域， 最终得到关键像素； 取像素点： A为剪刀臂轮廓线下部交叉点、 B、 C为左右剪刀臂轮廓内侧下端的2个点； 合闸夹角计算： 设剪刀交叉臂下部的内侧轮廓线的夹角为α， 由下式计算 , 其中a＝B点到C的像素距离， b＝A点到C的像素距离， c＝A点到B 点的像素距离； 误差计算： 设剪刀式刀闸合闸到位时的正确角度为β， 则合闸角度误差为： α ‑β， 如所述 误差小于给定的阈值， 则判定 剪刀式刀闸完全合上， 否则为 合闸不到位。权　利　要　求　书 2/2 页 3 CN 115115827 A 3