【技术实现步骤摘要】
一种对热力锅炉检修的无人机巡检方法、系统及存储介质
:
[0001]本专利技术涉及输电线路巡检控制领域,特别是涉及一种对热力锅炉检修的无人机巡检方法、系统及存储介质。
技术介绍
:
[0002]当今社会对于电力供应的依赖越来越强。目前,锅炉识别方法主要为传统的人工实地检测以及无人机航拍检测,人工检测技术识别精度高,但信息采集困难,效率低;而使用无人机进行锅炉的巡检,虽然信息采集方便,但仍需人工对采集图像进行检测,该技术虽然比传统的人工实地检测技术效率更高,但也会受到相关因素的影响,例如无人机在拍摄锅炉时的光线影响和人工长时间的进行对航拍图像的检测容易出现漏检现象等。
[0003]同时,锅炉内相关部件体积小,数量多,机巡图像中的锅炉中相关部件本身属于较小目标检测,在光线暗弱、背景复杂、天气状况不佳(如雨雪霜雾天气)条件下,难以对图像中的锅炉相关部件进行快速识别定位。
技术实现思路
:
[0004]本专利技术所要解决的技术问题是:克服现有技术的不足,深度卷积神经网络图像识别模型对无人机采集到的图像进行自动识别,同时并在用主动光照的图像增强方法对采集的图像进行处理,增加图像中锅炉及相关设备的辨识度,解决锅炉巡检识别方法中人工实地检测和无人机航拍检测均存在对采集图像进行检测时会受到多种因素影响从而造成锅炉难以快速有效识别问题的对热力锅炉检修的无人机巡检方法、系统及存储介质。
[0005]为解决上述技术问题,本专利技术采用的一个技术方案是,提供一种对热力锅炉检修的无人机巡检方法,其特征是:包括以下步骤 ...
【技术保护点】
【技术特征摘要】
1.一种对热力锅炉检修的无人机巡检方法,其特征是:包括以下步骤:步骤S1:通过机载视觉传感器实时获取锅炉的视频信息图像,并对获得的视频信息图像采用基于主动光照的图像增强的方法进行处理,分别形成训练集和样本集;步骤S2:对获得的训练的样本集进行特征提取操作得到所述锅炉图像的特征信息;步骤S3:建立基于特征提取的深度卷积神经网络图像识别模型,采用所述样本集中的样本进行训练;步骤S4:采用封装后的深度卷积神经网络图像识别模型对样本集进行识别。2.根据权利要求1所述的对热力锅炉检修的无人机巡检方法,其特征是:所述步骤S1中,机载视觉传感器为一个摄像机,所述视频信息图像为对视频进行处理得到的帧图。3.根据权利要求1所述的对热力锅炉检修的无人机巡检方法,其特征是:所述步骤S1中,采用基于主动光照的图像增强的方法进行预处理,包括以下步骤:a、利用景深将图像分为前景与背景区域;a、在景深的基础上,根据锅炉与背景的梯度信息把锅炉与背景分隔开;b、选择无穷远处与锅炉非相关性较低的像素点作为背景光估计;c、利用红色逆通道法求出R/G/B三个通道的透射率;d、得到背景光与透射率之后,计算下式:I
c
(x)=J
c
(x)
·
t
c
(x)+B
∞c
[1
‑
t
c
(x)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中,t
c
(x)是透光率,I
c
(x)代表经过图像衰减后相机得到的图像,B
∞c
表示背景光,J
c
(x)是去散射后的图像;e、利用探测出的灰度像素的特征估计并去除人造光源的颜色增益;f、补偿从光源发出到锅炉表面的传播过程中的衰减,校正色差。4.根据权利要求1所述的对热力锅炉检修的无人机巡检方法,其特征是:所述步骤S2包括以下步骤:a、将采集到的锅炉图像中的被识别的锅炉区域作为特征提取区域;b、采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到特征信息。5.根据权利要求4所述的对热力锅炉检修的无人机巡检方法,其特征是:所述特征信息的具体计算步骤包括:a、读取所述采集到的锅炉图像中的特征提取区域得到所述锅炉图像的长、宽和颜色通道值;b、根据所述颜色通道值得到所述锅炉图像中的特征提取区域的颜色总数以及对应的像素总数;c、将所述像素总数由大到小进行排序,并在排序的同时记录所述像素总数相应...
【专利技术属性】
技术研发人员:赵东辉,张慧,何永涛,王云霞,师恩达,李妍缘,王亮,张振献,
申请(专利权)人:郑州电力高等专科学校,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。