电力无人机和机器人图像数据规范化人工智能分析系统技术方案

本发明专利技术公开了一种电力无人机和机器人图像数据规范化人工智能分析系统，包括数据导入模块、数据存储模块、数据规范化模块、标签分类模块、分析算法模块和数据访问模块；无人机或机器人平台的图像或视频数据及其关联信息经过数据导入模块存入数据存储模块，经过数据规范化模块调用分析算法模块提供的低质量图像数据清洗、数据去重、数据配准、视频编解码算法进行规范化处理，再经过标签分类模块打上标签；数据访问模块用于检索、查询、下载或展示数据，同时供无人机和机器人平台调用。本发明专利技术可以实现电力无人机和机器人图像和视频数据统一集中存储、规范化处理和人工智能分析，有利于数据运用，具备工程可操作性。

【技术实现步骤摘要】
电力无人机和机器人图像数据规范化人工智能分析系统
本专利技术涉及信号与信息处理
，具体涉及一种电力无人机和机器人图像数据规范化人工智能分析系统。
技术介绍
电力无人机和机器人巡检是电网巡检的重要手段之一，广泛应用于变电站、输电线路，巡检后能回传大量视频和图像数据。然而无人机和机器人巡检拍摄图像存在一定的缺陷，例如大量重复图像，大量低质量图像，大量未配准的红外和可见光图像等，需要特定的图像处理方法后方能利用。同时，大部分无人机和机器人针对变电站与输电线路的视频监控采集系统都是单独对视频图像数据进行简单的存储，并没有进行统一的汇总整理与归类，而且数据保存有时效，超过时间后会对所有数据统一删除，不利于数据的利用。人工智能和深度学习是先进的自动化领域科学技术手段，近年来各种深度卷积神经网络(如Lenet、Alexnet、VGG、Resnet、Xnception等)层出不穷，广泛应用于图像分类、图像去重等计算机视觉领域。电力行业相关业务部门存在迫切的无人机和机器人图像数据规范化和人工智能分析需求，但是目前尚未见针对无人机和机器人图像数据规范化人工智能分析的应用。为解决现有无人机和机器人巡检数据存在的集中存储和数据规范化智能应用问题，本专利专利技术提供了一种新的、有效的解决方法。
技术实现思路
为解决现有技术中的不足，本专利技术提供一种电力无人机和机器人图像数据规范化人工智能分析系统，以电力无人机和机器人图像、视频数据为对象，通过低质量图像数据清洗、数据去重、数据配准、视频编解码等方法实现数据的规范化，对规范化后的数据进行标签分类的人工智能分析，提出一种基于深度卷积神经网络模型的图像数据清洗算法和标签分类算法，工程实践表明算法有效，准确率高。为了实现上述目标，本专利技术采用如下技术方案：一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，包括数据导入模块、数据存储模块、数据规范化模块、标签分类模块、分析算法模块和数据访问模块；外部无人机或机器人平台的图像或视频数据及其关联信息首先经过数据导入模块存入数据存储模块，然后经过数据规范化模块调用分析算法模块提供的低质量图像数据清洗、数据去重、数据配准、视频编解码算法进行规范化处理，根据处理结果更新数据存储模块内的图像或视频数据；将经过数据规范化模块处理的图像和视频数据经过标签分类模块调用分析算法模块提供的标签分类算法打上标签，标签信息存储于数据存储模块；数据访问模块用于检索、查询、下载或展示数据存储模块中的数据，同时供无人机和机器人平台调用。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述低质量图像数据清洗是指去除无人机或机器人巡检时拍摄的像素过低、运动模糊、光线不足的低质量图像，算法具体步骤包括：(1)构造低质量图像样本库，样本包括无人机和机器人拍摄的电力图像和其对应的分数，分数按图片质量的好坏定义，从0，1，2，…9共计10类，每类样本数量均等，不少于5000张；清晰的图片为最高分9分，图像像素过低、运动模糊、光线不足，则质量低、分数低，最低分为0分；(2)构造基于深度卷积神经网络的低质量图像数据清洗的网络模型，网络模型最后一层为均方根误差函数；(3)输入低质量图像样本到网络第一层，训练该网络模型，直到得到满意的网络模型参数；(4)具体应用时，输入测试图像到网络模型，得到该测试图像的分数，设定低质量图像分数的阈值，删除分数低于阈值的低质量图像。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述标签分类是指将经过清洗之后的图像或经过解码转码后的视频打上分类标签，算法的具体步骤为：(1)构造标签分类图像样本库，样本包括图片和对应的标签；标签指电力图像中主体的内容名称，包括变电站场景下的隔离开关、表计、变压器，输电线路场景下的鸟巢、树木、违建、覆冰导线、锈蚀金具、大型车辆，每类不少于5000张图像；标签分类图像样本库的标签和图像可以根据业务的增加而扩展；(2)构造一个基于深度卷积神经网络的标签分类网络模型，该网络模型最后一层为交叉熵代价函数；(3)输入标签分类图像样本到网络第一层，训练网络模型，直到得到满意的网络模型参数；(4)具体应用时，输入测试图像到网络模型，得到该测试图像的标签。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述深度卷积神经网络结构具体包括：第1层为卷积层，步长为1，输入的大小为224×224×3，采用卷积核3×3；第2层为卷积层，步长为1，输入的大小为224×224×64，采用卷积核3×3；第3层为最大池化层，步长为2，输入的大小为224×224×64，采用池化核2×2；第4层为卷积层，步长为1，输入的大小为112×112×64，采用卷积核3×3；第5层为卷积层，步长为1，输入的大小为112×112×128，采用卷积核3×3；第6层为最大池化层，步长为2，输入的大小为112×112×128，采用池化核2×2；第7层为卷积层，步长为1，输入的大小为56×56×128，采用卷积核3×3；第8层为卷积层，步长为1，输入的大小为56×56×256，采用卷积核3×3；第9层为最大池化层，步长为2，输入的大小为56×56×256，采用池化核2×2；第10层为卷积层，步长为1，输入的大小为28×28×256，采用卷积核3×3；第11层为卷积层，步长为1，输入的大小为28×28×512，采用卷积核3×3；第12层最大池化层，步长为2，输入的大小为28×28×512，采用池化核2×2；第13层为卷积层，步长为1，输入的大小为14×14×512，采用卷积核3×3；第14层为卷积层，步长为1，输入的大小为14×14×512，采用卷积核3×3；第15层最大池化层，步长为2，输入的大小为14×14×512，采用池化核2×2；第16层为全连接层，输入的大小为7×7×512，输出的大小为1024；第17层为全连接层，输入的大小为1024，输出的大小为1024；第18层为损失函数层，输入的大小为1024，使用均方根误差函数作为低质量图像数据清洗的损失函数，使用交叉熵函数作为标签分类的损失函数。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述数据导入模块用于导入无人机和机器人拍摄的图像或视频数据以及对应的关联信息。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述关联信息包括导入时记录上传时间、视图类别、文件来源、专业类型，所述视图类别包括图像或视频，文件来源包括无人机或机器人，专业类型是被拍摄的电力场景，包括变电站、换流站、输电线路。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述分析算法模块包括低质量图像数据清洗、数据去重、数据配准、视频编解码、标签分类算法的人工智能算法包，以服务形式提供接口供数据规范化模块和标签分类模块调用，算法执行结果也以服务形式通过接口传送给数据规范化模块和标签分类模块。前述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述数据去重是指去掉高度相似的图像，针对无人机、机器人巡检拍摄存在大量重复图像的情况，利用基于特征点匹配的重复图像筛选技术，去除冗余的图像数据本文档来自技高网...

【技术保护点】
一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，包括数据导入模块、数据存储模块、数据规范化模块、标签分类模块、分析算法模块和数据访问模块；外部无人机或机器人平台的图像或视频数据及其关联信息首先经过数据导入模块存入数据存储模块，然后经过数据规范化模块调用分析算法模块提供的低质量图像数据清洗、数据去重、数据配准、视频编解码算法进行规范化处理，根据处理结果更新数据存储模块内的图像或视频数据；将经过数据规范化模块处理的图像和视频数据经过标签分类模块调用分析算法模块提供的标签分类算法打上标签，标签信息存储于数据存储模块；数据访问模块用于检索、查询、下载或展示数据存储模块中的数据，同时供无人机和机器人平台调用。

【技术特征摘要】
1.一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，包括数据导入模块、数据存储模块、数据规范化模块、标签分类模块、分析算法模块和数据访问模块；外部无人机或机器人平台的图像或视频数据及其关联信息首先经过数据导入模块存入数据存储模块，然后经过数据规范化模块调用分析算法模块提供的低质量图像数据清洗、数据去重、数据配准、视频编解码算法进行规范化处理，根据处理结果更新数据存储模块内的图像或视频数据；将经过数据规范化模块处理的图像和视频数据经过标签分类模块调用分析算法模块提供的标签分类算法打上标签，标签信息存储于数据存储模块；数据访问模块用于检索、查询、下载或展示数据存储模块中的数据，同时供无人机和机器人平台调用。2.根据权利要求1中所述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述低质量图像数据清洗是指去除无人机或机器人巡检时拍摄的像素过低、运动模糊、光线不足的低质量图像，算法具体步骤包括：(1)构造低质量图像样本库，样本包括无人机和机器人拍摄的电力图像和其对应的分数，分数按图片质量的好坏定义，从0，1，2，…9共计10类，每类样本数量均等，不少于5000张；清晰的图片为最高分9分，图像像素过低、运动模糊、光线不足，则质量低、分数低，最低分为0分；(2)构造基于深度卷积神经网络的低质量图像数据清洗的网络模型，网络模型最后一层为均方根误差函数；(3)输入低质量图像样本到网络第一层，训练该网络模型，直到得到满意的网络模型参数；(4)具体应用时，输入测试图像到网络模型，得到该测试图像的分数，设定低质量图像分数的阈值，删除分数低于阈值的低质量图像。3.根据权利要求1中所述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述标签分类是指将经过清洗之后的图像或经过解码转码后的视频打上分类标签，算法的具体步骤为：(1)构造标签分类图像样本库，样本包括图片和对应的标签；标签指电力图像中主体的内容名称，包括变电站场景下的隔离开关、表计、变压器，输电线路场景下的鸟巢、树木、违建、覆冰导线、锈蚀金具、大型车辆，每类不少于5000张图像；标签分类图像样本库的标签和图像可以根据业务的增加而扩展；(2)构造一个基于深度卷积神经网络的标签分类网络模型，该网络模型最后一层为交叉熵代价函数；(3)输入标签分类图像样本到网络第一层，训练网络模型，直到得到满意的网络模型参数；(4)具体应用时，输入测试图像到网络模型，得到该测试图像的标签。4.根据权利要求2或3中所述的一种电力无人机和机器人图像数据规范化人工智能分析系统，其特征在于，所述深度卷积神经网络结构具体包括：第1层为卷积层，步长为1，输入的大小为224×224×3，采用卷积核3×3；第2层为卷积层，步长为1，输入的大小为224×224×64，采用卷积核3×3；第3层为最大池化层，步长为2，输入的大小为224×224×64，采用池化核2×2；第4层为卷积层，步长为1，输入的大小为112×112×64，采用卷积核3×...

【专利技术属性】
技术研发人员：罗旺，鲁盈悦，吴超，崔漾，冯敏，郝小龙，樊强，彭启伟，赵高峰，张天兵，焦群，姚一杨，夏源，余磊，白万建，李冬，徐长福，
申请(专利权)人：国家电网公司，南瑞集团有限公司，南京南瑞信息通信科技有限公司，国网山东省电力公司，国网浙江省电力公司，国网江苏省电力有限公司，
类型：发明
国别省市：北京,11