变电站无人机巡检图像边缘识别方法、系统及存储介质技术方案

本发明专利技术涉及图像识别技术领域，公开了一种变电站无人机巡检图像边缘识别方法、系统及存储介质，该方法包括：确定无人机采集的巡检图像的灰度值，并对灰度值进行重构，得到巡检图像的像素灰度值；根据巡检图像的像素灰度值确定巡检图像的边缘点集；根据边缘点集确定巡检图像的边缘点阈值信息；基于边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息，可以快速且准确地识别出边缘信息。可以快速且准确地识别出边缘信息。可以快速且准确地识别出边缘信息。

【技术实现步骤摘要】
变电站无人机巡检图像边缘识别方法、系统及存储介质


[0001]本专利技术涉及图像识别
，尤其涉及一种变电站无人机巡检图像边缘识别方法、系统及存储介质。

技术介绍

[0002]变电站的安全、稳定运行是国家电力网络建设的基础，更是保证电力系统正常运行的基础。变电站的巡检业务是保证电网安全稳定运行的关键工作之一，对变电站的运行状况进行实时监测，掌握变电站的实时运行情况，可以及时地发现电网系统运行的缺陷，并及时作出预警，避免发生安全事故。
[0003]目前，变电站大都采用无人机巡检的方式，在巡检的过程中，对变电站的目标图像信息进行采集，保证目标图像信息始终在巡检路线中，由于无人机巡检的过程中一直保持飞行状态，采集的图像都是动态图像，其中包含的无效信息较多，导致无法对变电站故障进行准确地识别。

技术实现思路

[0004]本专利技术提供了一种变电站无人机巡检图像边缘识别方法、系统及存储介质，以解决现有技术中存在的问题。
[0005]为了实现上述目的，本专利技术通过如下的技术方案来实现：
[0006]第一方面，本专利技术提供一种变电站无人机巡检图像边缘识别方法，包括：
[0007]S1：确定无人机采集的巡检图像的灰度值，并对所述灰度值进行重构，得到巡检图像的像素灰度值；
[0008]S2：根据所述巡检图像的像素灰度值确定巡检图像的边缘点集；
[0009]S3：根据所述边缘点集确定巡检图像的边缘点阈值信息；
[0010]S4：基于所述边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息。
[0011]可选地，所述S1包括：
[0012]S11：设定动态巡检图像的局部相似度函数为H
ij
，用下式表示：
[0013][0014]式中，H
s
‑
ij
表示巡检图像i与j之间的像素值相似度，H
g
‑
ij
表示巡检图像i与j在空间中灰度值相似度；
[0015]无人机巡检图像灰度值的相似度表示为：
[0016][0017]式中，x
i
表示动态巡检图像在核心区域的像素灰度值，x
j
表示巡检图像在核心区域采集的灰度值，λ
g
表示巡检图像像素值相似度的影响因素，δ
g
‑
i
表示密度函数，定义如下：
[0018][0019]式中，N
i
表示无人机采集的动态巡检图像i在相邻区域的像素点，N
R
表示无人机采集的动态巡检图像i在相邻区域的像素点个数，δ
g
‑
i
表示无人机采集的动态巡检图像在核心区域的密度函数；
[0020]对巡检图像的灰度值进行重构，表示为：
[0021][0022]式中，η
i
表示重构的巡检图像η中第i个图像像素的灰度值。
[0023]可选地，所述S2包括：
[0024]S21：将巡检图像群中在规格为M
×
N内的各个像素进行描述如下：
[0025]p(x,y)＝f
R
(x,y)i+f
G
(x,y)j+f
B
(x,y)k；
[0026]式中，(x,y)表示巡检图像在M
×
N内的图像位置，f
R
(x,y)、f
G
(x,y)、f
B
(x,y)分别表示巡检图像中R、G、B的具体像素值，(i,j,k)表示巡检图像空间特征的3个虚拟单位；
[0027]S22：对巡检图像群中的各个像素p(x,y)归一化处理，计算出各个动态巡检图像r与图像灰度值r0的格拉斯曼积：
[0028]P
r
P
r0
＝
‑
q1·
q2+q1×
q2；
[0029]式中，q1和q2表示动态巡检图像的像素值，P
r
P
r0
内包括一个像素值S[P
r
P
r0
]和一个动态图像V[P
r
P
r0
]；
[0030]S23：确定r与r0之间相似度判别函数：
[0031][0032]式中，t表示巡检图像的灰度值，以相似度判别函数为基础，计算出动态巡检图像像素r0在USAN区域内的值为n(r0)，将n(r0)与矢量g进行对比，确定无人机巡检图像的边缘点集E。
[0033]可选地，所述S3包括：
[0034]S31：计算出巡检图像的边缘点阈值，定义巡检图像中的边缘点与非边缘点之间的阈值关系式，表示巡检图像的有效区域，用于描述巡检图像群中USAN面积为的像素个数，表示图像群中的像素总数，则占无人机巡检图像有效边缘点概率表示如下：
[0035][0036]式中，ω1、ω2分别表示无人机巡检图像中有效边缘信息的面积和个数，μ1、μ2表示无人机巡检图像中有效边缘信息占比；
[0037]S32：计算无人机巡检图像中有效边缘点和非边缘点的方差
[0038][0039]式中，μ表示无人机巡检图像的边缘均值，由上式可知，巡检图像的方差值越大，表明二者之间的阈值差异越大，定义此时的阈值为κ，获得无人机巡检图像的阈值信息，实现对无人机巡检图像非边缘点和弱边缘点的有效分割：
[0040][0041]式中，R(P)表示无人机巡检图像的边缘点阈值函数信息，g
l
表示巡检图像边缘点的有效分割信息下限，g
h
表示巡检图像边缘点的有效分割信息上限。
[0042]可选地，所述S4包括：
[0043]S41：设定巡检图像的离散系数如下：
[0044]C
ij
＝Δ
ij
/I
ij
；
[0045]式中，Δ
ij
、I
ij
分别表示巡检图像边缘ij的标准方差和阈值，其中，C
ij
＝β
ij
，β
ij
表示巡检图像的连接强度，则巡检图像的离散矩阵如下：
[0046][0047]式中，n表示巡检图像的迭代次数，F
ij
[n]、U
ij
[n]分别表示巡检图像边缘的信息值和动态数值，θ
ij
[n]表示巡检图像边缘的权值，α和β表示巡检图像边缘点的权值隶属度和连接系数，θ0表示巡检图像边缘的灰度值，当β
ij
≠0时，利用预设的卷积网络模型获得巡检图像的边缘信息，定义边缘矩阵T，对无人机巡检图像进行迭代处理，有如下表达式：
[0048][0049]S42：定义巡检图像平面内的离散质点；并对巡检图像的边缘信息进行归一化处理；
[0050]S43：结合上述求得的无人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电站无人机巡检图像边缘识别方法，其特征在于，包括：S1：确定无人机采集的巡检图像的灰度值，并对所述灰度值进行重构，得到巡检图像的像素灰度值；S2：根据所述巡检图像的像素灰度值确定巡检图像的边缘点集；S3：根据所述边缘点集确定巡检图像的边缘点阈值信息；S4：基于所述边缘点阈值信息和预设的卷积网络模型确定巡检图像的边缘信息。2.根据权利要求1所述的变电站无人机巡检图像边缘识别方法，其特征在于，所述S1包括：S11：设定动态巡检图像的局部相似度函数为H
ij
，用下式表示：式中，H
s
‑
ij
表示巡检图像i与j之间的像素值相似度，H
g
‑
ij
表示巡检图像i与j在空间中灰度值相似度；无人机巡检图像灰度值的相似度表示为：式中，x
i
表示动态巡检图像在核心区域的像素灰度值，x
j
表示巡检图像在核心区域采集的灰度值，λ
g
表示巡检图像像素值相似度的影响因素，δ
g
‑
i
表示密度函数，定义如下：式中，N
i
表示无人机采集的动态巡检图像i在相邻区域的像素点，N
R
表示无人机采集的动态巡检图像i在相邻区域的像素点个数，δ
g
‑
i
表示无人机采集的动态巡检图像在核心区域的密度函数；对巡检图像的灰度值进行重构，表示为：式中，η
i
表示重构的巡检图像η中第i个图像像素的灰度值。3.根据权利要求1所述的变电站无人机巡检图像边缘识别方法，其特征在于，所述S2包括：S21：将巡检图像群中在规格为M
×
N内的各个像素进行描述如下：p(x,y)＝f
R
(x,y)i+f
G
(x,y)j+f
B
(x,y)k；式中，(x,y)表示巡检图像在M
×
N内的图像位置，f
R
(x,y)、f
G
(x,y)、f
B
(x,y)分别表示巡检图像中R、G、B的具体像素值，(i,j,k)表示巡检图像空间特征的3个虚拟单位；S22：对巡检图像群中的各个像素p(x,y)归一化处理，计算出各个动态巡检图像r与图像灰度值r0的格拉斯曼积：
P
r
P
r0
＝
‑
q1·
q2+q1×
q2；式中，q1和q2表示动态巡检图像的像素值，P
r
P
r0
内包括一个像素值S[P
r
P
r0
]和一个动态图像V[P
r
P
r0
]；S23：确定r与r0之间相似度判别函数：式中，t表示巡检图像的灰度值，以相似度判别函数为基础，计算出动态巡检图像像素r0在USAN区域内的值为n(r0)，将n(r0)与矢量g进行...

【专利技术属性】
技术研发人员：李游，瞿旭，毛文奇，康文，丁衡宇，周云雅，何权潍，
申请(专利权)人：国网湖南省电力有限公司检修公司国家电网有限公司，
类型：发明
国别省市：