随着变电站巡检机器人与人工智能技术的发展,机器视觉在隔离开关等电气设备巡检过程中发挥着越来越重要的作用,传统基于机器视觉的检测方法采用图像分割与直线提取来实现隔离开关运行状态的检测。虽然简单易行,但对隔离开关图像的采集角度、距离等要求较高,开关区域难以精确定位,同时存在分割阈值难以自动选取、识别准确率不高的缺点。针对以上问题,研究了基于特征匹配与随机森林分类的隔离开关运行状态检测方法及其检测系统。采用改进的SIFT(Scale Invariant Feature Transform)算法完成单相隔离开关的运行状态粗识别,通过随机森林构建的分类器模型对三相隔离开关的运行状态进行精确识别。主要的研究内容与结论如下:针对图像点特征不易受旋转、尺度缩放等因素影响的特点,设计了基于改进SIFT的运行状态粗识别算法。通过改进的邻域划分降低特征描述子的维数,快速提取样本图像与待测图像的特征点,利用改进的匹配策略消除错误匹配点。实验结果表明改进算法的识别率在95%以上,匹配耗时缩减了约50%。与原始算法相比,匹配识别的速度与精度均得到有效提高。针对粗识别方法无法检测多个隔离开关运行状态的问题,设计了基于随机森林分类的运行状态精确识别算法。采用方向梯度直方图与边缘轮廓作为隔离开关目标的特征集合,增强了特征描述的有效性;在传统的决策树算法中引入广义霍夫变换,实现了开关目标的精准定位;在利用随机森林训练开关模型时引入粒子群算法对训练参数进行优化,提高了开关模型的训练效果,保证检测效率达到最佳。最后对检测系统进行集成,设计了基于TMS320DM642的检测平台和基于MFC(Microsoft Foundation Class)的人机交互界面。测试结果表明,对于各种干扰以及视角变化情况,三相隔离开关运行状态的总体识别率达到96%以上,检测耗时仅需3.2s左右。