[發明專利]一種無人機巡檢的設備圖像識別方法

在審

• 申請號: 202011169847.4
• 申請日: 2020-10-28
• 公開（公告）號: CN112257621A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 吳建蓉;黃歡;周振峰;彭赤;杜昊;張偉;盧金科;吳瑀;徐朝;羅世應;黃軍凱;范強
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 商小川

本發明公開了一種無人機巡檢的設備圖像識別方法，它包括步驟1、對每次巡檢產生的缺陷圖片進行壓縮處理并上傳；步驟2、對缺陷圖片進行目標位置確定和目標類別標注；采用Darknet網絡模型結合YOLO算法的識別方法對缺陷圖片進行缺陷跟蹤與識別；解決了現有技術針對無人機巡檢圖片的處理采用在現實應用過程中仍存在諸多不足，如圖像存儲難以檢索、大量的巡檢圖片需經驗豐富的管理人員通過肉眼進行手工識別，判斷效率低且容易誤判，導致圖像處理難以及時進行等技術問題。

技術領域

本發明屬于圖像處理技術，尤其涉及一種無人機巡檢的設備圖像識別方法。

背景技術

電力設備如電力線、桿塔長期在野外暴露，不斷受到機械張力、材料老化、雷擊、污穢等外界因素的侵害，容易導致斷股、腐蝕、絕緣子破損、桿塔傾斜等故障的發生。隨著無人機在電力設備巡檢領域的普及應用，極大地提高了巡檢效率，降低了勞動強度。雖然無人機低空航拍巡檢技術作為一項數據獲取的重要手段，具有影像存儲成本低、高分辨率、機動靈活等優點，但無人機巡檢在現實應用過程中仍存在諸多不足，如圖像存儲難以檢索、大量的巡檢圖片需經驗豐富的管理人員通過肉眼進行手工識別，判斷效率低且容易誤判，導致圖像處理難以及時進行。

發明內容

本發明要解決的技術問題：提供一種無人機巡檢的設備圖像識別方法，以解決現有技術針對無人機巡檢圖片的處理采用在現實應用過程中仍存在諸多不足，如圖像存儲難以檢索、大量的巡檢圖片需經驗豐富的管理人員通過肉眼進行手工識別，判斷效率低且容易誤判，導致圖像處理難以及時進行等技術問題。

本發明技術方案：

一種無人機巡檢的設備圖像識別方法，它包括：

步驟1、對每次巡檢產生的缺陷圖片進行壓縮處理并上傳；

步驟2、對缺陷圖片進行目標位置確定和目標類別標注。

所述對每次巡檢產生的缺陷圖片進行壓縮處理的方法為：采用整數小波變換的方法對圖片進行壓縮處理。

所述2所述對圖片進行目標位置確定和目標類別判別的方法為：采用Darknet網絡模型結合YOLO算法的識別方法對缺陷圖片進行缺陷跟蹤與識別。

所述對缺陷圖片進行目標位置確定的方法為：采用滑動窗口的方式或區域提議的方式；所述滑動窗口的方式為逐窗口判斷是否存在目標對象；區域提議的方式為先集中生成可能包含目標對象的區域框,再逐一判斷每個候選框是否包含目標對象。

所述滑動窗口的方式的算法采用可變形部件模型DPM；在檢測階段,DPM在圖像特征金字塔上作為一個滑動窗口運行,圖像特征金字塔由HOG特征建立，DPM通過優化一個綜合部件變形代價函數和圖像匹配得分的得分函數來給每個滑動窗口賦予一個得分。

區域提議的方式的算法采用基于區域的卷積神經網模型RCNN；在檢測階段,RCNN分為4個步驟：①使用視覺方法生成候選區域；②對每個候選區域用CNN進行特征提取,形成高維特征向量；③將這些特征量送入一個線性分類器計算屬于某個類別的概率,用于判斷所包含對象；④對目標外圍框的位置和大小進行一個精細的回歸。

所述對缺陷圖片進行目標類別標注的方法為：采用基于深度學習的圖像標簽生成算法對目標類別進行標注；基于深度學習的圖像標簽生成算法首先采用RBM或者DAE模型對網絡權重進行預訓練，然后將預訓練得到的每層權重值作為反向傳播算法的權重初始值賦予整個神經元網絡，最后采用反向傳播算法更新整個網絡的權重。