[發(fā)明專利]一種用于無人機(jī)電力巡檢的異構(gòu)圖像融合檢測方法

有效

• 申請?zhí)枺?/td>: 201910366686.9
• 申請日: 2019-05-05
• 公開（公告）號: CN110097531B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計）人: 史朋飛;辛元雪;范新南;倪建軍;張學(xué)武;田斌;汪杰;錢靖瑜;張君怡
• 申請（專利權(quán)）人: 河海大學(xué)常州校區(qū)
• 主分類號: G06T5/50
• 分類號: G06T5/50
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 丁濤

1.一種用于無人機(jī)電力巡檢的異構(gòu)圖像融合檢測方法，其特征在于：包括如下步驟：

(1)、在電力巡檢的無人機(jī)上，安裝用于采集可見光圖像的光學(xué)成像相機(jī)和用于采集熱紅外圖像的熱紅外成像相機(jī)，在無人機(jī)飛行過程中采集不同角度的可見光圖像和熱紅外圖像；

(2)、從可見光圖像和熱紅外圖像中提取電力巡檢異常特征并構(gòu)建各種故障類型的特征知識庫；

(3)、從無人機(jī)飛行過程中采集到的可見光圖像和熱紅外圖像中，提取故障目標(biāo)，結(jié)合特征知識庫，分別構(gòu)造基本信度分配函數(shù)；

所述步驟(3)中分別構(gòu)造基本信度分配函數(shù)是指：

對于可將光圖像中的故障，提取故障目標(biāo)的Hu不變矩，令R＝[m₁,m₂,…,m_m]為知識庫的故障hu不變矩，X[k]＝[x₁[k],x₂[k]…x_m[k]]為各角度的故障hu不變矩，通過求取不同視角下各故障的Hu不變矩和知識庫對應(yīng)故障的不變矩之間的特征距離來衡量該視角下所獲取可見光圖像證據(jù)的可信度；可見光特征距離函數(shù)表示為：

d_o[k]＝||X[k]-R||；

對于熱紅外圖像，令T[k]為環(huán)境亮度對應(yīng)的溫度值，T₁[k]為各角度的故障目標(biāo)亮度對應(yīng)的溫度值，通過求取不同視角下各故障目標(biāo)的亮度特征值與環(huán)境亮度特征值之間的距離來衡量該視角下所獲取熱紅外圖像證據(jù)的可信度；熱紅外特征距離函數(shù)可表示為：

d_t[k]＝||T₁[k]-T[k]||；

兩者的故障基本信任分配函數(shù)構(gòu)造如下式所示：

其中，λ₁[k]，λ₂[k]為修正系數(shù)，ω[k]，ν[k]為互不相關(guān)的高斯白噪聲；

(4)、將獲取到的針對同一故障目標(biāo)的異構(gòu)圖像證據(jù)進(jìn)行融合，不同角度的異構(gòu)圖像證據(jù)進(jìn)行融合，并用綜合可信度設(shè)定融合權(quán)重。

2.根據(jù)權(quán)利要求1所述的一種用于無人機(jī)電力巡檢的異構(gòu)圖像融合檢測方法，其特征在于：所述步驟(2)中電力巡檢異常特征是指：線纜破損、絕緣子故障、套管破裂、桿塔坍塌、懸掛異物故障、鳥害故障；

所述構(gòu)建各種故障類型的特征知識庫是指：對于可見光圖像，選用圖像中分割出的故障目標(biāo)的Hu不變矩特征；對于熱紅外圖像，選用故障目標(biāo)的亮度特征對應(yīng)的溫度值，分別構(gòu)建可見光和熱紅外圖像各自的故障特征知識庫。

3.根據(jù)權(quán)利要求1所述的一種用于無人機(jī)電力巡檢的異構(gòu)圖像融合檢測方法，其特征在于：所述步驟(4)中的證據(jù)進(jìn)行融合具體方式是指：設(shè)辨識框架Θ，ε₁[k]的mass函數(shù)融合規(guī)則為：

其中，

用以下公式來計算，

其中:

4.根據(jù)權(quán)利要求1所述的一種用于無人機(jī)電力巡檢的異構(gòu)圖像融合檢測方法，其特征在于：所述步驟(4)中用綜合可信度設(shè)定融合權(quán)重是指：

證據(jù)融合過程中證據(jù)的可信度不僅跟證據(jù)自身的可信度有關(guān)，也跟其他證據(jù)對該證據(jù)的支持度有關(guān)，且用建模過程中的特征距離和證據(jù)距離表征；

令CrdI(m_i)表示證據(jù)m_i自身的可信度，如下式所示：

令w_i表示其他證據(jù)對該證據(jù)的支持度，如下式所示：

w_i反應(yīng)了該證據(jù)被其它證據(jù)支持的程度，即若某個證據(jù)與其它證據(jù)間的距離小，則認(rèn)為它們之間的相互支持度也高；則令m_i的相對置信度為：

證據(jù)自身的置信度與相對置信度同等重要，且定義綜合置信度為：

Crd(m_i)＝(CrdI(m_i)+CrdO(m_i))/2

其中：

將α和β的參數(shù)定義為：

{α[k],β[k]}＝{Crd_i,Crd_j}

在異構(gòu)圖像融合的過程中，已更新的證據(jù)類型以

ε_Θ[k+1]＝(ε_O[k+1]ε_O[k])(ε_T[k+1]ε_T[k])

的順序排列；

根據(jù)特征距離和證據(jù)距離計算出考慮不同類型證據(jù)邏輯重要性和可靠性更新權(quán)重。