欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 201911279778X
申请人: 长沙理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种换流站监控故障报警信息实时扫描与更新推送方法,其特征在于,包括以下步骤:步骤S1:利用智能扫描系统抓拍换流站监控显示屏上的设备数据报文并对图像与字符进行预处理;

步骤S2:将预处理的字符采用模版匹配法进行字符识别;

步骤S3:对相似字符进行判断,若存在所述相似字符则进行步骤S4,否则进行步骤S5;

步骤S4:对所述相似字符进行结构特征提取,进行区分所述相似字符;

步骤S5:将符合条件的字符进行输出;

步骤S6:将字符内容存到计算机内存;

步骤S7:进行报文更新推送处理,扫描的字符内容每分钟存储四次,15秒扫描一次将报文存储,报文的推送为一分钟进行推送一次,字符识别为15s扫描识别一次;针对条数误差的处理过程为:将识别的总条数存到内存,每条识别成功次数初始值设为3,若下次未识别到则减1,若成功次数大于等于0就将这条进行S6步骤中的报文推送,否则移除;针对识别的每条报文的内容误差处理:识别的总内容存到内存,每条的内容与上次的内容进行相似度匹配,若相似度大于等于λ则进行S8步骤中的报文推送,否则移除,其中λ取值为0.8-1;

步骤S8:进行报文推送;

步骤S9:新增报文判断,判断新出现报文的时间,若时间迟于以前的报文则进行步骤S10,否则就将其移除;

步骤S10:新报文推送;

步骤S11:执行结束。

2.根据权利要求1所述的方法,其特征在于,所述步骤1中的所述预处理包括图像矫正、标签定位、字符分割、灰度化、二值化及归一化。

3.根据权利要求1所述的方法,其特征在于,所述步骤2中的所述模版匹配法的具体公式如下:其中,M表示每个字符图像归一化后的宽度,N则表示每个字符图像归一化后的长度,i表示归一化后字符图像像素点的横坐标,j表示归一化后字符图像像素点的纵坐标;f(i,j)表示字符图像像素点的灰度值, 表示字符图像的平均灰度值;同理,fk(i,j)表示第k个字符模版的像素点灰度值, 表示k个字符模版的平均灰度值;Ck表示模版匹配的相似度。

4.根据权利要求1所述的方法,其特征在于,所述步骤S2的模板匹配法公式中的Ck取值在0~1之间,若Ck大于80%则表示匹配成功。

5.根据权利要求1所述的方法,其特征在于,所述步骤S3中的所述相似字符的判断是根据所述S2步骤中算出的结果进行判断,字符进行模版匹配时会有多个相接近Ck值则表示存在所述相似字符,把所述相似字符提取出来进行所述步骤S4。

6.根据权利要求1所述的方法,其特征在于,所述步骤S4中,所述特征提取主要包括:字符的连通域特征提取与字符的横线竖线特征提取。

7.根据权利要求1所述的方法,其特征在于,所述字符的连通域特征提取的方法采用bwlabel函数,公式如下:(L,num)=bwlabel(f,conn)

f是二值图像,conn是4或者8,表示二值图像f中4连接或者8连接,输出L表示f经连接分量标记的矩阵,num表示连接分量的总数,字符图像中不同连接分量的像素被分配一个唯一的整数,整数为从1到连接分量的总数。

8.根据权利要求1所述的方法,其特征在于,所述字符的横线竖线特征提取的方法步骤为:①先对横线竖线进行定义,横线:字符图像中宽大于W1,高小于H1的水平线;竖线:字符图像中高大于H2,宽小于W2的垂直线;

②设定W1=0.92W,H1=0.05H,H2=0.94H,W2=0.1W;

③对字符的每行进行扫描,将横线的个数记为Wnum,横线的位置记为Wp=[Wp1,Wp2,Wp3],若字符上边位置有横线存在,则Wp1=1,否则Wp1=0;若字符中间位置有横线存在,则Wp2=1,否则Wp2=0;若字符下边位置有横线存在,则Wp3=1,否则Wp3=0。

9.根据权利要求1所述的方法,其特征在于,所述步骤S7中的相似度算法采用的是检测文本相似度的向量空间模型方法,具体步骤如下:①计算文本中的特征词的特征向量,把文本看成是一组特征词组成的特征向量,即Ti=((ti1:wi1),(ti2:wi2),...,(tin:win)),tik表示文本向量Ti中的第k个特征词,wjk表示特征词tik的权值,计算公式如下:其中,tfik表示特征词tik在文本中出现的频率,N表示文本集的大小,nik表示含有特征词tik的文本数,T表示文本中包含的特征词总数;

②计算文本的相似度,计算公式如下:

其中Ti表示第i个文本中特征词组成的特征向量,Tj表示第j个文本中特征词组成的特征向量;sim(Ti,Tj)表示文本i与j的相似度。