具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1为本发明实施例提供的一种基于图像识别的充电桩进水跳闸控制方法的流程图，如图1所示，本实施例提供的基于图像识别的充电桩进水跳闸控制方法包括：

步骤S101，监测充电桩柜体内的图像。

本实施例提供的基于图像识别的充电桩进水跳闸控制方法，用于基于图像识别的方法对电动车充电桩进行进水识别，并在识别出充电桩进水后控制充电桩内的开关跳闸，从而避免充电桩由于进水而漏电。

首先，需要监测充电桩柜体内的图像。在充电桩柜体内可以设置至少一个图像监测装置，该图像监测装置可以为摄像机或照相机，可以对充电桩柜体内的图像进行连续地监测，也即采集充电桩柜体内的视频图像；或者以一定的周期对充电桩柜体内的图像进行采集，其中该周期可以根据图像监测装置的能力和实际使用需求设定，例如该周期为10秒。对充电桩柜体内图像的监测，可以是对充电桩柜体内全部区域的图像进行采集，也可以对充电桩柜体内特定区域的图像进行监测。

由于本实施例提供的方法是用于对充电桩进水进行检测，而只有充电桩柜体内的电路部分进水才会导致漏电的发生，因此可以对充电桩柜体内电路所在区域的图像进行监测。另外，充电桩柜体内可能在多个不同的区域存在电路区域，因此对充电桩内的图像进行监测可以是对充电桩柜体内各电路区域的图像进行监测。

步骤S102，对充电桩柜体内的图像进行图像识别，确定充电桩柜体内是否进水。

在对充电桩柜体内的图像进行监测后，将得到充电桩内的一系列图像。为了确定充电桩内是否进水，需要对监测得到的一系列充电桩柜体内的图像进行图像识别。图像识别的目的是为了确定充电桩柜体内是否进水。对充电桩柜体内的图像进行图像识别，确定充电桩柜体内是否进水的方法可以采用任一种图像识别方法，只要能够对充电桩柜体内进水与否的图像进行分类识别即可。由于充电桩柜体内进水的图像与未进水的图像之间存在一定的区别，因此通过图像识别的方法可以对进水图像和未进水图像进行分类识别。一般地图像识别均具有图像识别模型，通过使用若干的训练图像对图像识别模型进行训练，即可实现对图像分类识别的目的。

步骤S103，若充电桩柜体内进水则控制充电桩内的开关跳闸。

若充电桩柜体内内进水，则可能由于水与充电桩柜体内的电路接触而产生漏电，对使用充电桩的用户以及充电桩附近的人产生威胁。因此在对充电桩柜体内的图像进行图像识别，确定充电桩柜体内进水后，即可控制充电桩内的开关跳闸。也就是当确定充电桩柜体内进水后，直接切断充电桩的开关，使得充电桩断电。这样充电桩柜体内的电路就不带电，使用充电桩的用户或者充电桩附近的人就没有了触电的风险。其中充电桩内的开关例如可以是空气开关。

虽然控制充电桩内的开关跳闸后，充电桩将不带电，无法为电动汽车提供充电服务，但可以保证人们的安全。另外，在控制充电桩内的开关跳闸之后，还可以向充电桩的维护者发送跳闸信息，使得充电桩的维护者及时获知充电桩是由于进水导致跳闸。这样充电桩的维护者可以及时对进水的充电桩进行维修保养，使充电桩可以尽快恢复正常服务。

本实施例提供的基于图像识别的充电桩进水跳闸控制方法，通过监测充电桩柜体内的图像，然后对充电桩柜体内的图像进行图像识别，确定充电桩柜体内是否进水，若充电桩柜体内进水则控制充电桩内的开关跳闸，能够在充电桩进水时及时切断充电桩的电源，消除了充电桩进水时导致的人体触电的安全隐患。

图2为本发明实施例提供的另一种基于图像识别的充电桩进水跳闸控制方法的流程图，如图2所示，本实施例提供的基于图像识别的充电桩进水跳闸控制方法包括：

步骤S201，监测充电桩柜体内的图像。

步骤S202，对充电桩柜体内的图像进行图像识别，确定充电桩柜体内至少一个电路区域是否进水。

在充电桩内，可能存在多个不同的电路区域，例如充电电路、显示电路、照明电路等。不同的电路区域位于充电桩柜体内的不同位置，无论哪种电路区域进水，都可能导致人体接触充电柜时具有触电风险。但若在无论充电桩中那个电路区域进水，都断开充电桩所有电路的开关，则会导致充电桩彻底无法提供充电服务。而实际上若是一些对充电服务影响不大的辅助电路进水，仅切断进水的电路的开关，则可以使得充电桩仍然能够正常提供充电服务，例如充电转提供的外界照明电路若被断开开关，则充电桩仍然能够提供正常的充电服务。

因此在本实施例中，对充电桩柜体内的图像进行图像识别，是识别充电桩柜体内至少一个电路区域是否进水。即对充电桩柜体内的各电路区域进行划分，每个电路区域作为一个独立的识别区域，分别对每个独立的识别区域进行图像识别，确定每个电路区域是否进水。

步骤S203，若充电桩柜体内的至少一个电路区域进水，则控制充电桩内进水的电路区域对应的开关跳闸。

若通过图像识别确定充电桩柜体内的至少一个电路区域进水，则可以控制充电桩内进水的电路区域对应的开关跳闸。也就是在充电桩内为每个电路区域分别设置独立的开关，仅控制进水的电路区域对应的开关跳闸。这样充电桩内未进水的电路区域仍然能够正常工作。若开关跳闸的电路区域不是充电桩内提供充电服务必须的电路区域，则此时充电桩仍然能够提供充电服务，且不会导致使用者或充电桩附近其他人体触电。

本实施例提供的基于图像识别的充电桩进水跳闸控制方法，通过监测充电桩柜体内的图像，然后对充电桩柜体内的图像进行图像识别，确定充电桩柜体内至少一个电路区域是否进水，能够在充电桩进水时及时切断充电桩的电源，消除了充电桩进水时导致的人体触电的安全隐患。

进一步地，在图1或图2所示实施例中，对充电桩柜体内的图像进行图像识别，确定充电桩柜体内是否进水的具体方法，可以采用基于Gentel AdaBoost分类器的图像识别方法。具体包括以下步骤：对充电桩柜体内的图像进行haar-like特征提取；基于GentelAdaBoost分类器对提取的特征进行分类，得到充电桩柜体内的图像的特征分类结果；根据充电桩柜体内的图像的特征分类结果确定充电桩柜体内是否进水。

Haar-like特征值主要反映了图像的灰度变化情况。主要是利用特征模板，通过改变特征模板在图像中的大小和位置，从而能够在图像中得到大量的矩形特征，从而达到识别目标物结构的目的。Haar-like特征根据基本的图形结构，主要包含边缘特征和线性特征等。Haar-like特征矩形如图3所示，图3为Haar-like特征矩形图。

Haar-like特征主要使用积分图去计算图像对应点的特征值。Haar-like特征的积分定义图如图4所示，图4为Haar-like特征的积分定义图。积分图的大小与被识别的图片一致。它的每一个点的值都是该点左上角所围成的区域中全部的像素点的灰度值之合。计算公式为

其中ii(x,y)表示点(x,y)左上角的灰度图的所有灰度之和；i(x′,y′)表示点(x,y)的灰度值。即只需要对整张图扫描一遍，就可以计算得到x′张积分图。因此，不管特征矩形窗口如何变动，在应用了积分图之后，haar-like特征计算特征值所花费的时间都是一个固定的值，可以非常迅速的计算得到不同大小的子窗口的特征值。

AdaBoost起源于Boosting算子。该类算子包含2个重要技术，即弱学习与强学习。从弱学习到强学习的过程就是Boosting的过程。在Boosting算法的基础上，Freund等[]提出了一个自适应的Boosting算法即是AdaBoost。该算法需要级联一系列弱分类器形成强分类器。图5为级联分类器的结构示意图。

Adaboost算法的计算流程如下：1、给定训练样本的初始权重。2、设t＝1,...,T①归一化样本权重，②对每一个特征，训练一个弱分类器，③选择最优的弱分类器，④更新样本权重。3、得到强分类器

常见使用的AdaBoost算法分别有DAB(Discrete AdaBoost)，RAB(Real AdaBoost)与LB(LogitBoost)。他们的区别在于DAB算法必须要求弱分类器的输出结果是二值，而RAB与LB算法弱分类器的输出可以为实值。Gentel AdaBoost通常可以取得更好的效果，因此在本实施例中采用Gentel AdaBoost分类器。Gentle AdaBoost又称为平缓AdaBoost，若分类器定义为：

相较于传统的DiscreteAdaboost算法分类结果只有－1或1，其分类值α₁和α₂是绝对值在[0，1]之间的(实际值为[－1，1])小数，绝对值越大表示分类的可信度越高；这种表示更加符合实际。GentleAdaboost算法的训练过程如下：

1)假设共有N个训练样本，标记为:(x₁，y₁)，…，(x_n，y_n)，其中y_i∈{－1，1}；y_i＝1表示为进水样本，y_i＝－1表示为非进水样本。

2)样本权重初始化为:w_i＝1/N,i＝1,…,N。

3)for j＝1；M(M表示训练轮数)

a.从所有的矩形特征中，挑选第j轮的佳分类器h_j(x)，使得在该样本权重的分布下，样本的加权均方误差最小。

b.对权重进行更新，w_i←w_i*exp(-y_i*h_m(x_i)),i＝1,...,N。

c.归一化权重使得

4)输出强分类器：当x≥0时，sign(x)为1，否则为-1。

图6为本发明实施例提供的基于图像识别的充电桩进水跳闸控制系统的结构示意图，如图6所示，本实施例提供的基于图像识别的充电桩进水跳闸控制系统包括：

图像监测装置61，用于监测充电桩柜体内的图像；

图像识别装置62，用于对充电桩柜体内的图像进行图像识别，确定充电桩柜体内是否进水；

开关控制装置63，用于若充电桩柜体内进水则控制充电桩内的开关跳闸。

本实施例提供的基于图像识别的充电桩进水跳闸控制系统用于实现图1所示基于图像识别的充电桩进水跳闸控制方法的技术方案，其实现原理和技术效果类似，此处不再赘述。

进一步地，在图6所示实施例的基础上，开关控制装置63，还用于在控制充电桩内的开关跳闸之后，向充电桩的维护者发送跳闸通知消息。

进一步地，在图6所示实施例的基础上，图像识别装置62，具体用于对图像进行图像识别，确定充电桩柜体内至少一个电路区域是否进水；开关控制装置63，具体用于若充电桩柜体内的至少一个电路区域进水，则控制充电桩内进水的电路区域对应的开关跳闸。

进一步地，在图6所示实施例的基础上，图像识别装置62，具体用于对图像进行haar-like特征提取；基于Gentel AdaBoost分类器对提取的特征进行分类，得到图像的特征分类结果；根据图像的特征分类结果确定充电桩柜体内是否进水。

进一步地，在图6所示实施例的基础上，图像识别装置62，还用于在对图像进行haar-like特征提取之前，使用训练样本图像对Gentel AdaBoost分类器进行训练。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。