一种无人机配网巡检图片缺陷识别方法技术

本发明专利技术涉及人工智能技术领域，具体为一种无人机配网巡检图片缺陷识别方法，包括步骤一：构建视频图像数据库；步骤二：构建部件模型信息；步骤三：对比分析；步骤四：缺陷评估；步骤五：信息推送。本发明专利技术针对架空输电线路无人机巡视采集的图片数据进行缺陷智能分析，支撑缺陷库快速建立与数据量滚动，推动整体内外业智能化建设，项目整体能够全面提升图像识别自主化与AI智能相结合的巡视结果数据分析水平，提高线路故障排查效率，降低巡视整体周期，节约后期人力成本。后期人力成本。后期人力成本。

【技术实现步骤摘要】
一种无人机配网巡检图片缺陷识别方法


[0001]本专利技术涉及一种缺陷识别方法，特别是涉及一种无人机配网巡检图片缺陷识别方法，属于人工智能


技术介绍

[0002]对分散的历史缺陷数据处理人员可依据设备类别、缺陷类型、缺陷等级，进行统一汇总，并将设备信息与对应缺陷进行融合，融合后的数据经过算法模型训练与沉淀，形成主设备缺陷报告，当输入实时监测数据，需结合历史数据，输出评价结果报告，构建输电算法模型训练的核心目的是提前发现缺陷，并根据缺陷内容，确保在设备发生故障前，将设备缺陷解决。
[0003]现阶段由于线路缺陷库的样本量缺乏，无法有效支撑业内缺陷智能检测，导致智能检测准确率低、误报率高。
[0004]因此，亟需对图片缺陷的识别方法进行改进，以解决上述存在的问题。

技术实现思路

[0005]本专利技术的目的是提供一种无人机配网巡检图片缺陷识别方法，针对架空输电线路无人机巡视采集的图片数据进行缺陷智能分析，支撑缺陷库快速建立与数据量滚动，推动整体内外业智能化建设，项目整体能够全面提升图像识别自主化与AI智能相结合的巡视结果数据分析水平，提高线路故障排查效率，降低巡视整体周期，节约后期人力成本。
[0006]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0007]一种无人机配网巡检图片缺陷识别方法，包括以下步骤：
[0008]步骤一：构建视频图像数据库：利用无人机获取原始视频图像并进行图像识别获取图像特征并储存在频数据库中；
[0009]步骤二：构建部件模型信息：根据原始视频图像构建相应的模型信息，并储存在视频图像数据库中；
[0010]步骤三：对比分析：通过无人机巡检获取部件信息并与视频图像数据库中的模型信息进行对比分析；
[0011]步骤四：缺陷评估：采用SSD为检测网络对部件缺陷进行评估；
[0012]步骤五：信息推送：将部件故障信息及相关的提示信息发送至工作人员的智能终端。
[0013]优选的，所述步骤一中图像识别方法包括：统计模式识别、结构模式识别和人工神经网络识别方法；
[0014]所述图像识别方法具体为：
[0015]第一个阶段称为图像分割或物体分离阶段；
[0016]第二个阶段称为特征提取阶段；
[0017]第三个阶段是分类。
[0018]所述步骤一中图像特征包括：
[0019]图像的形状特征分析：所述图像的形状特征经过图像预处理和图像分割，我们就可以得到目标区域的大小及边缘信息，从而得到疵点部分的大致形状；
[0020]图像的颜色特征分析：所述图像的颜色特征分析是图像统计特征分析中最常用的一种，主要RGB和HIS两类彩色坐标系统；
[0021]图像的纹理特征分析：所述图像的纹理特征在图像处理分析中，主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列，纹理特征提取方法包括模型方法、统计方法、几何方法、信号处理方法及结构方法。
[0022]优选的，所述部件信息包括部件类型、部件位置、部件缺陷类型、部件缺陷位置。
[0023]优选的，所述部件类型包括导线、绝缘子、防震锤、销钉螺母。
[0024]优选的，所述步骤四具体为：
[0025]第一阶段：采用SSD作为检测网络，定位主要结构件位置；
[0026]第二阶段：采用Object Detection方式对第一阶段检测出的各个结构图像中的紧固件做检测；
[0027]第三阶段：在第二阶段的基础上，对检测图像进行crop，将其送到分类网络进行分类，看是否缺少部件。
[0028]优选的，所述缺陷评估算法采用决策树计算信息熵，具体为：
[0029]信息熵的计算公式如下:
[0030][0031]其中的n代表有n个分类类别，分别计算样本在总样本中出现的概率p1和p2，这样就可以计算出未选中属性分枝前的信息熵；
[0032]选中一个属性$x_i$用来进行分枝，此时分枝规则是：如果$x_i＝v$的话，将样本分到树的一个分支；
[0033]如果不相等则进入另一个分支，很显然，分支中的样本很有可能包括2个类别，分别计算这2个分支的熵H1和H2，计算出分枝后的总信息熵H
’
＝p1 H1+p2 H2，则此时的信息增益ΔH＝H
‑
H
’
；
[0034]以信息增益为原则，把所有的属性都测试一边，选择一个使增益最大的属性作为本次分枝属性。
[0035]一种无人机配网巡检装置，包括无人机以及设置在所述无人机上的主控模块，所述主控模块上电性连接有摄像模块、发送模块以及分析模块；
[0036]所述主控模块用于获取无人机的原始视频图像数据并进行预处理，构建视频图像数据库。
[0037]优选的，所述主控模板上电性连接有AI模块，所述AI模块用于基于预处理后的原始视频图像数据与视频图像数据库中的模型信息进行对比分析，并接收主控模块影像数据进行高效边缘计算，得出缺陷检测结果，并传输给主控模块。
[0038]优选的，所述AI模块采用TPU架构边缘计算芯片。
[0039]本专利技术至少具备以下有益效果：
[0040]针对架空输电线路无人机巡视采集的图片数据进行缺陷智能分析，支撑缺陷库快
速建立与数据量滚动，推动整体内外业智能化建设，项目整体能够全面提升图像识别自主化与AI智能相结合的巡视结果数据分析水平，提高线路故障排查效率，降低巡视整体周期，节约后期人力成本。
附图说明
[0041]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0042]图1为本专利技术的方法流程图；
[0043]图2为本专利技术的缺陷评估流程图；
[0044]图3为本专利技术的图像识别方法结构图。
具体实施方式
[0045]以下将配合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
[0046]如图1
‑
图3所示，本实施例提供的无人机配网巡检图片缺陷识别方法，包括以下步骤：
[0047]步骤一：构建视频图像数据库：利用无人机获取原始视频图像并进行图像识别获取图像特征并储存在频数据库中；
[0048]步骤二：构建部件模型信息：根据原始视频图像构建相应的模型信息，并储存在视频图像数据库中；
[0049]步骤三：对比分析：通过无人机巡检获取部件信息并与视频图像数据库中的模型信息进行对比分析；
[0050]步骤四：缺陷评估：采用SSD为检测网络对部件缺陷进行评估；
[0051]步骤四具体为：
[0052]第一阶段：采用SSD作为检测网络，定位主要结构件位置；
[0053]第二阶段：采用Object Det本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机配网巡检图片缺陷识别方法，其特征在于，包括以下步骤：步骤一：构建视频图像数据库：利用无人机获取原始视频图像并进行图像识别获取图像特征并储存在频数据库中；步骤二：构建部件模型信息：根据原始视频图像构建相应的模型信息，并储存在视频图像数据库中；步骤三：对比分析：通过无人机巡检获取部件信息并与视频图像数据库中的模型信息进行对比分析；步骤四：缺陷评估：采用SSD为检测网络对部件缺陷进行评估；步骤五：信息推送：将部件故障信息及相关的提示信息发送至工作人员的智能终端。2.根据权利要求1所述的一种无人机配网巡检图片缺陷识别方法，其特征在于：所述步骤一中图像识别方法包括：统计模式识别、结构模式识别和人工神经网络识别方法；所述图像识别方法具体为：第一个阶段称为图像分割或物体分离阶段；第二个阶段称为特征提取阶段；第三个阶段是分类。3.根据权利要求1所述的一种无人机配网巡检图片缺陷识别方法，其特征在于：所述步骤一中图像特征包括：图像的形状特征分析：所述图像的形状特征经过图像预处理和图像分割，我们就可以得到目标区域的大小及边缘信息，从而得到疵点部分的大致形状；图像的颜色特征分析：所述图像的颜色特征分析是图像统计特征分析中最常用的一种，主要RGB和HIS两类彩色坐标系统；图像的纹理特征分析：所述图像的纹理特征在图像处理分析中，主要有局部特性不断重复、图像区域内纹理总体均匀和非随机排列，纹理特征提取方法包括模型方法、统计方法、几何方法、信号处理方法及结构方法。4.根据权利要求1所述的一种无人机配网巡检图片缺陷识别方法，其特征在于：所述部件信息包括部件类型、部件位置、部件缺陷类型、部件缺陷位置。5.根据权利要求4所述的一种无人机配网巡检图片缺陷识别方法，其特征在于：所述部件类型包括导线、绝缘子、防震锤、销钉螺母。6.根据权利要求1所述的一种无人机配网巡检图片缺陷识别方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：丁二慧，
申请(专利权)人：江苏和动力电子工程有限公司，
类型：发明
国别省市：