[發明專利]高壓輸電鐵塔關鍵部件缺陷識別方法

有效

• 申請號: 201711182523.2
• 申請日: 2017-11-23
• 公開（公告）號: CN108022235B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 陶顯;張大朋;劉希龍;徐德;王子昊
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩

1.一種高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述方法包括：

獲取高壓輸電鐵塔關鍵部件的圖像數據，并對所述圖像數據作去噪預處理操作；

根據所述圖像數據，采用先定位后識別的策略，首先利用預先訓練好的定位識別模型定位出所述輸電鐵塔關鍵部件在所述圖像數據中的區域位置，將所述區域位置發送到圖像采集平臺，以控制無人機移動以及圖像聚焦變倍操作以采集所述區域位置的圖像數據，確定所述區域位置的圖像數據為關鍵部件圖像數據，所述定位識別模型是用于定位關鍵部件在所述圖像數據中的區域位置的模型，其輸入為圖像數據，輸出為關鍵部件在所述圖像數據中的區域位置；所述定位識別模型通過所述圖像數據中包括各個像素點的像素值、圖像的特征值在內的參數確定出所述圖像數據中標識關鍵部件的圖像所在的區域；所述定位識別模型先識別出關鍵部件，再由識別出的標識該關鍵部件的像素點的坐標確定出關鍵部件在所述圖像數據中的區域位置；

根據所述關鍵部件圖像數據，利用預先訓練好的缺陷識別模型對所述區域位置的設備進行缺陷識別，標記所識別出的具有缺陷的關鍵部件，所述缺陷識別模型是用于識別圖像數據中關鍵部件的缺陷的模型，其輸入為關鍵部件圖像數據，輸出為所述關鍵部件的缺陷信息，所述缺陷信息包括關鍵部件是否有缺陷、以及缺陷所在的位置。

2.根據權利要求1所述的高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述方法還包括訓練所述定位識別模型的步驟，所述訓練所述定位識別模型的步驟包括：

獲取定位識別訓練用數據，所述定位識別訓練用數據為標注了待定位關鍵部件的圖像數據；

根據所述定位識別訓練用數據，利用機器學習算法訓練初始定位識別模型，得到所述定位識別模型。

3.根據權利要求2所述的高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述獲取所述定位識別訓練數據，包括：

對所述圖像數據進行多特征計算，生成所述圖像數據的多個特征圖；

構建多個所述特征圖的多尺度圖像金字塔，確定在所述特征圖中標注了關鍵部件的特征圖作為定位識別訓練數據。

4.根據權利要求3所述的高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述對所述圖像數據進行多特征計算，生成所述圖像數據的多個特征圖，包括：

對預處理后的所述圖像數據進行多特征計算，所述多特征包括三通道顏色特征、梯度幅值特征、梯度方向直方圖特征、haar-like特征和投影尺度不變特征；

由所述多特征計算得到的各特征值，生成所述圖像數據的各個特征的特征圖。

5.根據權利要求4所述的高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述對所述圖像數據進行多特征計算，生成所述圖像數據的多個特征圖，還包括利用最大池化實現多特征融合；

所述利用最大池化實現多特征融合，包括：

利用預設的小窗口在所述多特征圖上滑動，計算所述小窗口內的最大值作為新的特征；

將所述新的特征排列成一列作為多特征融合后的結果。

6.根據權利要求5所述的高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述根據所述訓練用數據，利用機器學習算法訓練初始定位識別模型，得到所述定位識別模型，包括：

將所述多尺度圖像金字塔嵌入預設的滑動窗口進行滑動檢測；

根據所述滑動窗口的滑動檢測結果，利用級聯分類器訓練所述初始定位識別模型。

7.根據權利要求1所述的高壓輸電鐵塔關鍵部件缺陷識別方法，其特征在于，所述方法還包括訓練所述缺陷識別模型的步驟，所述訓練所述缺陷識別模型的步驟，包括：

獲取缺陷識別訓練用數據；

根據所述缺陷識別訓練用數據，利用深度卷積神經網絡算法訓練初始缺陷識別模型，得到所述缺陷識別模型。