李鐵成 任江波 劉清泉 趙宇皓 王志華 胡艷嬌

摘 要：針對電力系統(tǒng)二次設備工作中，人工校核繼電保護壓板位置、描述和狀態(tài)，工作量大、易出錯、效率低等問題，提出了基于圖像識別技術(shù)和模型聚類匹配算法的繼電保護壓板自動識別與校核方法。該方法首先運用圖像識別技術(shù)獲得壓板設備、文字標簽的特征信息，然后采用圖像模型聚類匹配算法重新排列壓板順序得到其具體位置信息，再進行壓板設備與文字關聯(lián)得到壓板的詳細描述信息，最后通過識別得到的壓板的完整信息與拍攝錄入或者配置導入的壓板庫比對，對壓板進行自動校核。實際場景應用測試結(jié)果表明，該壓板自動識別與校核方法，能夠準確地識別壓板狀態(tài)及對應文字，顯著地提高了現(xiàn)場運維的效率，具有較高的實際應用價值。

關鍵詞：繼電保護壓板;圖像識別;聚類匹配;文字識別;自動校核

DOI：10.15938/j.jhust.2021.04.010

中圖分類號：TM732;TP29

文獻標志碼：A

文章編號：1007-2683（2021）04-0070-08

Abstract：Aiming at the problems of manual checking relaying plate in secondary equipment of power system， such as heavy workload， error-prone and inefficiency， an automatic recognition and checking method of relaying plate based on image recognition technology and model clustering matching algorithm is proposed. In this method， the position， description and state of the relaying plate obtained by using image recognition technology and image model clustering matching algorithm， and then the complete information of the identified relaying plate is compared with the relaying plate library input by photographing or configuration to realize the automatic verification of the relaying plate. The field test results show that the automatic recognition and verification method has universal practicability， it can accurately identify the status and description of the relaying plate， improve the efficiency and accuracy of field operation and maintenance.

Keywords：relaying plate; image recognition; clustering matching; character recognition; automatic checking

0 引 言

目前電力系統(tǒng)二次設備運維管理[1]工作中，人工校核壓板的位置、描述和狀態(tài)，工作量大、易出錯[2]。隨著工業(yè)和科學技術(shù)的發(fā)展，電力變電站的規(guī)模和數(shù)量也都急劇上升，人工校核繼電保護壓板的問題變得更加突出。壓板形態(tài)和布局規(guī)整的特點，為其自動化識別提供了基礎，繼電保護壓板自動化識別[3-5]與校核研究隨之迅速發(fā)展。

目前，繼電保護壓板自動化識別主要是基于特殊材料采集[6，7]、視覺信息[8]提取壓板狀態(tài)信息，判斷其是否符合對應規(guī)程，實現(xiàn)壓板投退狀態(tài)的自動識別與校核[9，10]，但是對壓板的描述和位置信息是否與電力二次設計相符無法自動識別[11，12]，且建設和維護成本大，應用場景單一。文[12]基于圖像識別的壓板投退狀態(tài)的應用，雖然維護成本低，但是同樣存在沒有對壓板文字和位置進行識別的問題，應用場景局限性較大。

隨著圖像識別技術(shù)[13-16]迅速發(fā)展，計算能力的不斷提高，現(xiàn)代圖像識別技術(shù)涌現(xiàn)了很多優(yōu)秀的對象識別、文字識別算法[17-19]和技術(shù)。本文提出基于圖像識別技術(shù)和模型聚類匹配的繼電保護壓板運維技術(shù)的方法，基于圖像識別技術(shù)提取壓板設備、文字標簽的特征信息，基于圖像模型聚類[20，21]匹配對壓板進行排列計算壓板的行號、列號，再對上述壓板設備與文字進行聚類算法組合獲取壓板的描述，最后對識別得到的壓板的完整信息與拍攝錄入或者配置導入的壓板庫進行比對，實現(xiàn)壓板的自動校核。

1 圖像識別

1.1 壓板圖像識別技術(shù)原理

壓板圖像識別主要分為壓板設備和文字標簽的識別，通過識別獲得壓板設備的坐標位置和投退狀態(tài)，以及文字標簽中文字的內(nèi)容和坐標位置，其流程如圖1所示。

數(shù)字圖像，又稱數(shù)碼圖像或數(shù)位圖像，是二維圖像用有限數(shù)字數(shù)值像素的表示。由數(shù)組或矩陣表示，其光照位置和強度都是離散的，準確度依賴于幾何和光度學或者傳感器校準。數(shù)字圖像處理[22]是研究數(shù)字圖像與現(xiàn)象、實物的變換算法，通過計算機對圖像進行一系列處理的方法和技術(shù)，數(shù)字圖像處理的發(fā)展主要依賴于計算機和數(shù)學的發(fā)展，以及工業(yè)、醫(yī)學等應用需求的增長。

壓板設備在不同的圖像中大小、角度、位置不同，需要對數(shù)字圖像進行旋轉(zhuǎn)、縮放、平移等變換，通過圖像配準實現(xiàn)該變換過程，壓板圖像配準流程如圖2所示。

1.2 壓板智能運維需求分析

壓板智能運維通過機器自動識別代替人工識別，完成對壓板的自動識別與校核。首先對繼電保護壓板進行拍攝得到數(shù)字圖像，然后對其進行圖像識別得到需要的壓板模型，再根據(jù)業(yè)務需要對模型數(shù)據(jù)進行處理，最后輸出識別結(jié)果到移動終端或者臺式計算機上。

運維需求按照功能劃分模塊，主要有壓板驗收、壓板巡視、壓板安措校核等業(yè)務模塊，提供參數(shù)設置和查詢的設置模塊，提供業(yè)務支撐的壓板庫模塊。

設置模塊主要用于輔助圖像識別，普適的圖像識別算法難以實現(xiàn)所有待識別對象屬性，如“壓板設備與文字標簽的位置關系”、“屬于同一個文字標簽的文字對象”，通過設置模塊中的參數(shù)設置來輔助圖像識別，可以減小圖像識別難度，提高識別準確性。

壓板庫是壓板驗收比對的依據(jù)，并且可以提高壓板巡視、壓板安措校核的識別率。由于人工錄入壓板庫工作量大，可以導入帶圖元屬性的計算機輸出設計文件建立壓板庫，也可以通過圖像識別技術(shù)識別設計圖紙的方式建立壓板庫，對于未能準確導入或者識別錯誤壓板，通過人工干預進行修正。

壓板驗收主要關注其文字標簽是否貼錯，而壓板庫的錄入則需要識別文字標簽的內(nèi)容作為對應壓板的描述，它們僅需要關注壓板的位置和描述，不關注壓板的投退狀態(tài)。所以壓板驗收和壓板庫的錄入僅需要識別壓板設備對象的位置和文字標簽中的文字，對其進行組合得到壓板的描述。

壓板巡視、壓板安措校核主要關注壓板的投退狀態(tài)是否與壓板庫/壓板定值一致，僅需要關注壓板的位置和狀態(tài)，可以使用相同的算法流程。首先進行壓板設備對象的識別，然后對壓板類聚參數(shù)進行判斷，超出正常范圍則通過提取的文字信息與壓板庫比對對壓板的位置進行修正，否則結(jié)束識別過程。

2 模型聚類匹配

2.1 壓板模型聚類匹配

壓板圖像模型聚類匹配，是將圖像的壓板設備模型與對應的文字標簽通過聚類算法進行組合，得到整個壓板的位置、描述、狀態(tài)信息，匹配流程如圖3所示。通過聚類算法將壓板設備對象坐標位置進行排列，得到壓板在圖像中自然排列的行號、列號，然后根據(jù)文字對象之間的間隔對文字對象進行拼接得到壓板標簽描述，最后與壓板設備對象進行組合。

設備聚類按照給定的坐標點將設備分成行與列，得出行號與列號并記錄其狀態(tài)。

文字聚類是將屬于單個壓板文字標簽的文字內(nèi)容進行組合拼接，按照文字的方向參數(shù)配置，如“先左右后上下”、或者“先上下后左右”，將范圍內(nèi)的文字對象進行拼接。為了提高文字識別結(jié)果的準確性，文字聚類基于設備聚類的結(jié)果進行聚類。

文字與設備組合聚類是通過設備聚類、文字聚類得到結(jié)果，將文字標簽與壓板設備一一對應，組合為一個完整的壓板模型對象。聚類算法采用 K-means算法，步驟如圖4所示。

圖4中，K為接收輸入量，算法將n個數(shù)據(jù)對象劃分為K個類聚，使獲得的類聚在同一類聚中對象相似度較大，而不同類聚中的對象相似度較小。

在壓板設備的識別過程中，首先經(jīng)過圖像識別得到壓板坐標數(shù)據(jù)，然后使用K-means算法將該數(shù)據(jù)與所要分成的行數(shù)N，將壓板按行分組。K-means算法完成按行分組之后，對每行壓板縱坐標的平均值升序排列得到壓板在照片中所處的行號，對每行內(nèi)的壓板按照橫坐標升序排列得到壓板在照片中所處的列號，最后對所有行的每列縱坐標的平均距離與相鄰列號的橫坐標距離的倍數(shù)對列號進行右移調(diào)整，避免壓板漏識別造成的壓板位置識別錯誤。

文字識別通過將屬于同一個矩形框的文字聚類到一起，得到設備對應的完整文字描述。識別的關鍵在于求解矩形框高度、寬度等參數(shù)，相關參數(shù)如圖5所示。

第i行文字矩形高度計作hi，如式（1）所示。

式中：hij為第i行第j列壓板與第i+1行第j列壓板縱向距離;

第i行第j列文字矩形框?qū)挾扔嬜鱳ij，如式（2）所示。

式中：d1為壓板與左邊第一個壓板的橫向距離;d2為壓板與右邊第一個壓板的橫向距離;w0為對應壓板對象的寬度。

第i行第j列設備的文字對象則為處于i行j列設備下高度為hi、寬度為wij的矩形框中所有文字對象。

文字對象拼接采用與設備識別相同的聚類算法K-means，基于書寫的規(guī)律，按照先左右后上下的順序拼接。因此要把設備對象下的文字對象集合分成行與列。先對每行內(nèi)的文字進行拼接，再對拼接好的每行文字進行拼接。

多圖片識別，基于基準照片將多個照片中的對象拼接起來，也就是以基準照片的行號、列號作為參考對象調(diào)整不同圖片的行號、列號，保證行號、列號的唯一性和連貫性。由于多圖片拼接通過文字匹配來判斷是否有相同對象，要求單張圖片中文字串唯一，不能重復。在實際場景會存在“備用”、空白字符串等情況文字串的重復，此類對象不參與業(yè)務， 判斷是否有相同文字時，排除此例。

在多圖片拼接過程中，如圖6所示，“壓板6”在基準照片中所處的行列號的向量值為a→=（2，3），在非基準照片中所處的行列號的向量值為b→=（1，1），因此將非基準照片中的行列號轉(zhuǎn)換為基準照片中的行列的轉(zhuǎn)換向量為n→=（1，2），計算公式如（3）所示。

根據(jù)轉(zhuǎn)換向量可以依次求得非基準照片中其他壓板在基準照片中的行列號，如壓板11在非基準照片中的行列號為c→=（2，3），其在基準照片中的行列號向量計算如式（4）所示，結(jié)果為d→=（3，5）。

2.2 算法優(yōu)化

為了提高壓板設備對象的識別準確率，需要對K-means算法進行優(yōu)化，根據(jù)壓板分布特點，可以通過數(shù)據(jù)預處理、初始類聚點選擇、K值的選擇多方面進行。

在壓板的數(shù)據(jù)預處理中，各個壓板之間的距離比較遠，離散度較大，類聚效果不明顯，如圖7（a）所示;為了使類聚效果明顯，將壓板橫坐標x做歸零化處理，使得行間壓板距離較大，而行內(nèi)壓板之間的距離較小，如圖7（b）所示。因此，歸零化處理使壓板的類聚效果更加明顯，能夠明顯降低壓板歸入錯誤行的概率。

初始類聚點的確定，最簡單有效的就是隨機選擇K個點作為初始的類簇中心點，但是該方法在有些情況下的效果較差，容易造成局部最優(yōu)解。圖像識別中中心點的初始化方案為，選擇彼此盡量遠離的K個點。

K-means初始化中心點的選擇如圖8所示，首先在原始數(shù)據(jù)鏈表ψ0中隨機選擇一個點作為第一個初始類簇中心點P1，并存入新的數(shù)據(jù)鏈表ψ1，選擇距離該點最遠的點作為第二個初始類簇中心點P2，然后選擇距離前兩個點的最近距離最大的點作為第三個初始類簇的中心點P3，以此類推，直至選出K個初始類簇中心點。

K值的選擇，由于單個屏柜的壓板行數(shù)一般在1～10，類聚需要K值大于1，K值按照2～10遍歷，得到類聚結(jié)果，再將類聚結(jié)果進行計算得到其輪廓系數(shù)，選出輪廓系數(shù)最小的那個K值。

輪廓系數(shù)（silhouette coefficient）結(jié)合了聚類的凝聚度（cohesion）和分離度（separation），用于評估聚類的效果，記作Si。該值處于-1～1之間，值越大聚類效果越好，具體計算方法如下：

第一步：對于每個壓板i，計算每個壓板i與其同在一個行內(nèi)的所有其他壓板的距離wj的平均值，用于量化行內(nèi)壓板的凝聚度，記作Xin，計算過程如式（5）所示。

式中：n為參與統(tǒng)計的距離的個數(shù)。

第二步：選取壓板i外的另一行壓板第i+j行，計算第i行與第i+j行中所有壓板的平均距離hij，遍歷所有其它行，找到最近的這個平均距離，記作Yi，即為第i行的鄰居類，如式（6）所示。用于量化每行壓板之間分離度。

第三步：計算壓板的輪廓系數(shù)，如式（7）所示。

第四步：計算所有壓板的輪廓系數(shù)，求平均值，記作Sn，度量壓板聚類的緊密程度，如式（8）所示。

式中：n為參與統(tǒng)計的輪廓系數(shù)的個數(shù)，即壓板的行數(shù)。

3 測試驗證

本文根據(jù)圖像識別技術(shù)的特點，分別通過壓板設備識別、文字標簽識別、壓板設備與文字標簽組合、集成測試，依次對壓板設備狀態(tài)、文字相似度、文字與設備組合、圖像模型聚類匹配優(yōu)化算法進行測試驗證。

3.1 壓板設備識別測試

選取8個比較常見的壓板圖片樣本，對壓板位置及狀態(tài)的識別結(jié)果如表1所示。

表中合計的狀態(tài)識別準確率不是采用均值的方法，與單個圖像識別正確率計算方式相同。由表1的數(shù)據(jù)記錄以及識別準確率可見，壓板對象的識別準確率為99.3%，準確率較高。

3.2 文字標簽識別測試

為了初步測試文字識別的效果，選取一個典型壓板圖像進行文字識別測試，壓板文字標簽識別數(shù)據(jù)與人工查看圖像的數(shù)據(jù)如表2所示。

表中文字相似度計作δ。由表2可以看出，大部分文字對象是可以識別的，平均相似度達到84.37%，識別錯誤主要由兩方面導致：兩個文字標簽的內(nèi)容識別為一個文字對象，以及形近字識別錯誤。

測試選取8個圖像樣本進行批量識別，識別結(jié)果與圖像原始文字內(nèi)容進行人工比對，測試結(jié)果如表3所示。

表中文字識別率是指識別的文字與圖像的文字進行模糊匹配得到的結(jié)果;錯誤識別詞條包含漏識別詞條、多識別詞條，其個數(shù)為漏識別詞條個數(shù)與多識別詞條個數(shù)相加。

對表3的數(shù)據(jù)以及對應的圖片樣本進行人工分析，發(fā)現(xiàn)導致文字識別率低的原因主要有傾斜文字、豎排文字、分辨率低，結(jié)果如表4所示。

綜上所述，文字識別錯誤率主要由圖像分辨率低、傾斜文字、豎排文字等原因?qū)е?。圖像分辨率高、橫排文字普遍識別效果比較好，均在90%以上。

3.3 壓板對象與文字標簽組合測試

壓板對象需要與文字標簽組合才能滿足驗收時對壓板描述自動識別的需求，采用與壓板對象識別測試相同的樣本對其進行測試，統(tǒng)計結(jié)果如表5所示。組合準確率計算方程為：

式中：accuracyg為組合準確率;k1為壓板總個數(shù);k2為文字與壓板組合正確的個數(shù)，組合正確是指組合后壓板的行號、列號、文字均與原始圖像相符。

由表5可知，壓板與文字的組合效果非常理想，是因為組合準確率與壓板對象的漏識別及其狀態(tài)、以及文字的識別錯誤、文字漏識別無關，僅關注組合結(jié)果，且壓板設備排列整齊、間距分隔明顯。這個結(jié)果同時也驗證了模型聚類匹配算法組合壓板對象和文字標簽的準確率很高，為壓板完整信息識別提供了堅實的技術(shù)基礎。

3.4 集成測試

將樣本分為標準樣本、復雜樣本，各選取180張進行自動識別。標準樣本為壓板數(shù)量較少、水平排列的樣本，復雜樣本為壓板數(shù)量較多、壓板對象傾斜的樣本。統(tǒng)計結(jié)果如圖9所示。識別準確率的計算方程式如（11）所示。

式（10）中：accuracy0為單張樣本的識別準確率; δ為文字識別相似度。式（11）中：accuracys為N張樣本的識別準確率，其中N為樣本的個數(shù);

從圖9可知，對標準樣本的識別比復雜樣本識別準確率稍高，差值為2.32%;經(jīng)過算法優(yōu)化后標準樣本識別準確率達到95.37%，比算法優(yōu)化前提高15%左右，結(jié)合人工校正，可以滿足工程應用需求。

3.5 現(xiàn)場典型案例

變電站保護屏柜寬度比較固定，每行可容納的壓板一般每行在10個左右，采用常用手持設備對典型的繼電保護壓板拍照，如圖10所示。

將圖10的電子圖片傳入系統(tǒng)，經(jīng)過圖像識別獲得壓板的文字描述、狀態(tài)和位置，結(jié)合模型聚類匹配壓板獲得壓板所在的行號、列號，與壓板庫進行比對是否一致。第一行和第二行壓板識別的結(jié)果如圖11所示，所有壓板識別的結(jié)果均顯示驗收通過，與壓板庫一致，人工比對圖10、圖11可以看出，壓板的描述、行號、列號均識別正確。

4 結(jié) 論

基于圖像識別技術(shù)和模型聚類匹配算法實現(xiàn)了對繼電保護壓板狀態(tài)、排列位置、描述的自動識別，并通過與壓板庫的比對實現(xiàn)了壓板的自動校核，實現(xiàn)了壓板巡視、壓板驗收、壓板安措校核等運維工作中壓板的自動化校核，解決了電力系統(tǒng)二次設備運維工作中人工校核壓板工作量大、易出錯、效率低的問題。經(jīng)過測試與驗證，壓板設備識別、壓板文字標簽識別及其聚類組合準確率高、效果明顯。隨著圖像識別技術(shù)的不斷成熟，為變電站智能化、信息化建設提供了先進的技術(shù)基礎，該研究可以廣泛應用于壓板巡視、壓板驗收、壓板安措校核、壓板資料管理工作中，實現(xiàn)電力系統(tǒng)繼電保護壓板運維工作智能化。

參 考 文 獻：

[1] 秦紅霞， 武芳瑛， 彭世寬， 等. 智能電網(wǎng)二次設備運維新技術(shù)研討[J].電力系統(tǒng)保護與控制， 2015， 43（22）：35.

QIN Hongxia， WU Fangying， PENG Shikuan， et al. New Technology Research on Secondary Equipment Operation Maintenance for Smart Grid[J]. Power System Protection and Control， 2015， 43（22）：35.

[2] 鄧應松， 段秦剛， 宋小松. 基于圖像識別的保護壓板投退狀態(tài)辨識方法[J].陜西電力， 2015， 10（67）：49.

DENG Yingsong， DUAN Qingang， SONG Xiaosong. State Identification of Relaying Plate Based on Image Recognition[J]. Shaanxi Electric Power， 2015， 10（67）：49.

[3] 任俊杰， 蔣嵐. 電力系統(tǒng)繼電保護壓板圖像識別系統(tǒng)[J].北京聯(lián)合大學學報（自然科學版）， 2004（2）：60.

REN Junjie， JIANG Lan. Image Recognition System of Relay Protection Plate in Power System[J]. Journal of Beijing Union University（Natural and Social Science）， 2004（2）：60.

[4] 付文龍， 譚佳文， 吳喜春， 等. 基于圖像處理與形態(tài)特征分析的智能變電站保護壓板狀態(tài)識別[J].電力自動化設備， 2019， 39（7）：203.

FU ?Wenlon， 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.

[5] 許超， 陳昊， 劉少情， 等. 基于模型聚類匹配和形態(tài)特征識別的保護壓板狀態(tài)辨識技術(shù)[J].陜西電力， 2017， 1（85）：32.

XU Chao， CHEN Hao， LIU Shaoqing， et al. Relaying Plate Condition Recognition Technology Based on Model-based Cluster Matching and Morphological Characteristics Recognition[J]. Shaanxi Electric Power， 2017， 1（85）：32.

[6] 郭興旺， 呂珍霞， 高功臣. CFRP層壓板脈沖熱像檢測的圖像重建與增強[J].紅外技術(shù)， 2006， 28（5）：299.

GUO Xingwang， L Zhenxia， GAO Gongchen. Image Reconstruction and Enhancement of Pulsed Infrared Thermography of CFRP Laminates[J]. Infrared Technology， 2006， 28（5）：299.

[7] 黃景興， 朱政， 丁能圣， 等. 復合材料層壓板的超聲相控陣檢測[J].無損檢測， 2012（1）：43.

HUANG Jingxing， ZHU Zheng， DING Nengsheng， et al. Ultrasonic Phased Array Testing of Composite Material Laminate[J]. Nondestructive Testing， 2012（1）：43.

[8] 夏志宏， 羅毅， 涂光瑜， 等. 基于視覺信息的繼電保護壓板投退位置的自動識別研究[J].繼電器， 2005， 33（4）：40.

XIA Zhihong， LUO Yi， TU Guangyu， et al. Image Auto-recognition of Relay Pressed Board in on/off States Based on Visual Information[J]. Relay， 2005， 33（4）：40.

[9] 肖立軍， 莫玲. 基于模式識別的繼電保護壓板狀態(tài)檢定系統(tǒng)[J].新技術(shù)新工藝， 2017（11）：56.

XIAO Lijun， MO Ling. Verification System of Relaying Plate Status Based on Pattern Recognition[J]. New Technology & New Process， 2017（11）：56.

[10]呂志寧， 寧柏鋒， 周子強. 基于圖像處理的保護壓板定位及狀態(tài)識別研究[J]. 數(shù)字技術(shù)與應用， 2018， 36（6）：82.

L Zhining， NING Baifeng， ZHOU Ziqiang. Research on the Location and Condition Recognition of Protection Plate Based on Image Processing[J]. Digital Technology & Application， 2018， 36（6）：82.

[11]賴秋頻， 楊軍， 譚本東， 等. 基于YOLOv2網(wǎng)絡的絕緣子自動識別與缺陷診斷模型[J].中國電力， 2019， 52（7）：31.

LAI Qiupin， YANG Jun， TAN Bendong， et al. An Automatic Recognition and Defect Diagnosis Model of Transmission Line Insulator Based on YOLOv2 Network[J]. Electric Power， 2019， 52（7）：31.

[12]賴寶鵬， 沈靖龍， 韓成輝. 基于圖像識別的保護壓板投退狀態(tài)APP設計[J].山東工業(yè)技術(shù)， 2018， 18（93）：114.

LAI Baopeng， SHEN Jinglong， HAN Chenghui. The Design of App for The On / Off State of The Protection Pressing Plate Based on Image Recognition[J]. Shandong Industrial Technology， 2018， 18（93）：114.

[13]蔣樹強， 閔巍慶， 王樹徽. 面向智能交互的圖像識別技術(shù)綜述與展望[J].計算機研究與發(fā)展， 2016， 53（1）：113.

JIANG Shuqiang， MIN Weiqing， WANG Shuhui. Survey and Prospect of Intelligent Interaction-Oriented Image Recognition Techniques[J]. Journal of Computer Research and Development， 2016， 53（1）：113.

[14]孫鳳杰， 齊京亮， 李媛媛， 等. 輸電線路視頻圖像識別管理系統(tǒng)[J].中國電力， 2013， 46（4）：83.

SUN Fengjie， QI Jingliang， LI Yuanyuan， et al. Video and Image Identification Management System for Transmission Lines[J]. Electric Power， 2013， 46（4）：83.

[15]楊鈺， 楊磊， 張曉楠. 一種應用于物流行業(yè)的自動分揀控制系統(tǒng)[J]. 哈爾濱理工大學學報， 2019， 24（4）：71.

YANG Yu， YANG Lei， ZHANG Xiaonan. An Automatic Sorting Control System Applied to Logistics Industry[J]. Journal of Harbin University of Science and Technology， 2019， 24（4）：71.

[16]黃序. 變電站智能巡檢系統(tǒng)的圖像識別及處理技術(shù)[D].武漢：華中科技大學， 2017.

[17]陳宇， 周雨佳， 丁輝. 一種XNet-CNN糖尿病視網(wǎng)膜圖像分類方法[J]. 哈爾濱理工大學學報， 2020， 25（1）：73.

CHEN Yu， ZHOU Yujia， DING Hui. An XNet-CNN Diabetic Retinal Image Classification Method[J]. Journal of Harbin University of Science and Technology， 2020， 25（1）：73.

[18]袁優(yōu)， 康積濤， 王德林， 等. 考慮空間效應的風電場動態(tài)特性等值方法研究[J].中國電力， 2016， 49（12）：144.

YUAN You， KANG Jitao， WANG Delin， et al. A Dynamic Equivalence Method Considering the Effect of Spatial Wind Farms[J]. Electric Power， 2016， 49（12）：144.

[19]付智軍. 基于深度學習的計算機設計場景文本與非文本圖片分類算法研究[N].科技報， 2019， 35（9）：106.

[20]蔣正邦， 吳浩， 程祥， 等. 基于多元聚類模型與兩階段聚類修正算法的變電站特性分析[J].電力系統(tǒng)自動化， 2018， 42（15）：157.

JIANG Zhengbang， WU Hao， CHENG Xiang. et al. Analysis of Substation Characteristics Based on Multivariate Clustering Model and Two-stage Clustering-correction Algorithm[J]. Automation of Electric Power Systems， 2018， 42（15）：157.

[21]吳杰， 丁明， 張晶晶. 基于云模型和k-means聚類的風電場儲能容量優(yōu)化配置方法[J].電力系統(tǒng)自動化， 2018， 42（24）：67.

WU Jie， DING Ming， ZHANG Jingjing. Capacity Configuration Method of Energy Storage System for Wind Farm Based on Cloud Model and k-means Clustering[J]. Automation of Electric Power Systems， 2018， 42（24）：67.

[22]來凡盛， 潘瑞霞. 數(shù)字圖像處理技術(shù)綜述[J].甘肅科技，2015， 31（22）：30.

LAI Fansheng， PAN Ruixia. Overview of Digital Image Processing Technology[J]. Gansu Science and Technology， 2015， 31（22）：30.

（編輯：溫澤宇）