智能运维是电力巡检的重要发展趋势,搭载视觉终端的电力巡检机器人在继电保护装置巡视中逐渐代替人工巡检,但由于巡检环境复杂多样化,对所涉及的图像识别算法提出了更高的要求。本文对变电站继电保护装置图像识别算法研究现状进行分析,重点围绕复杂成像环境下的控制柜面板上电气设备状态智能识别算法进行研究,进一步提高压板、空气开关以及指示灯的状态识别的准确度。本文的工作主要有:(1)针对扭角式压板状态识别,提出了两种识别方法:第1种是利用投影方法确定压板行列数对压板图像进行区域划分,进而利用颜色聚类结合形态特征分析方法对小压板状态进行识别,实验测试识别率为97.3%。第2种克服了传统方法需对压板区域进行划分的弊端,提出对整块压板进行颜色分离提取有效压板区域,最后根据形态特征判断压板的状态信息,测试实验识别率为98.6%,较其他同类方法识别效果更好。(2)针对拔插式压板状态识别,研究了传统图像处理及深度学习两种方法。方法1主要是通过HSV空间中的S分量进行聚类提取有效压板区域,进而通过压板外接矩形形态特征判断压板状态信息,实验测试识别率为99.3%,较其他同类方法识别率高,稳定性更好。方法2采用了双线网络架构结合在线网络对压板特征进行不断学习,优化分类器,最后利用分类器对新样本进行识别。虽然在现有数据集的情况识别率才达到98.5%,但随着数据集的增加识别率将会更高。(3)针对空气开关识别,本文采用基于HOG特征与SVM的开关状态分类的方法,首先利用空气开关与指示灯一一对应的关系,运用S分量聚类提取指示灯区域,利用其横纵投影峰值数对开关区域进行划分。其次,对划分后的小开关进行二值化,大幅度降低了所需处理的数据量。最后经实验表明,基于线性核函数训练的SVM分类器识别结果最好,对空气开关分类的准确率达到99%。(4)针对指示灯识别,提出一种改进的色差法对指示灯进行定位识别,结合HSV特征变换对指示灯状态进行判断,克服传统彩色图像分割方法的缺陷,准确将面板上指示灯全部分割出来。实验证明,本文所提算法识别率为98.6%。较其他同类算法识别率较高。