【技术实现步骤摘要】
基于自适应边缘特征语义分割的无人机巡航检测方法
[0001]本专利技术涉及基于自适应边缘特征语义分割的无人机巡航检测方法，属于语义分割和机器视觉领域。
技术介绍
[0002]近年来，物联网发展迅猛，作为新型数字基础设施的重要组成部分，正在加速赋能产业数字化、智慧化，深刻改变技术产业体系。这使得诸多行业对无人化、自动化的要求进一步提升，无人机巡检在其中发挥了重要作用。传统巡检是依靠人工完成的，不但需要投入大量的人力、物力、财力，还存在检测效率以及安全性的问题，由于无人机所具有的操作简单、场地限制小、作业效率高等优点，使得利用无人机巡检解决上述难题成为可能。区别于传统巡检，无人机巡检通常具有大俯视、远距离、高动态的特点，这使得其获得的巡检图像也与普通巡检图像有所不同。无人机巡检所获得的遥感图像一般具有背景复杂、物体尺度差异大、分辨率大等特点，同时由于巡检目标光照动态变化、多目标边缘语义模糊等问题的存在，使得现有检测手段在此场景下表现不佳。
[0003]综上所述，如何在现有技术上准确的识别无人机巡检图像中的多种目标成为了目...
【技术保护点】
【技术特征摘要】
1.基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，包括如下步骤：步骤1，定义多尺度多形状边缘检测算子组；步骤2，利用基于边缘概率的多形状边缘特征融合方法，使用步骤1中的多尺度多形状边缘检测算子组，得到多形状边缘特征图组；步骤3，基于目标匹配度的多尺度边缘特征加权方法，对步骤2所得到的多形状边缘特征图，根据目标匹配度进行加权，得到多尺度多形状边缘特征图组；步骤4，搭建语义分割网络，并对语义分割网络进行训练；步骤5，利用训练好的语义分割网络对无人机巡检图像中的多种目标进行检测。2.根据权利要求1所述的基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，步骤1中所述的尺度多形状边缘检测算子组定义如下：该算子组根据所提取的边缘特征形状分为n类，根据算子尺度分为m类，总计n
×
m个边缘检测算子。3.根据权利要求2所述的基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，步骤2中所述的基于边缘概率的多形状边缘特征融合方法步骤如下：步骤2.1，将待检测图像由RGB图像转换为灰度图像，再根据步骤1所提出的多尺度多形状边缘检测算子组，得到n
×
m张边缘特征图；步骤2.2，定义形状边缘强度为边缘形状方向上相邻像素点灰度值之和的算术平均值，相对边缘梯度为像素点边缘形状方向上梯度值之和的算术平均值；步骤2.3，定义边缘特征图中灰度值不为0的像素点为待定边缘像素点，计算出待定边缘像素点的平均灰度值、平均形状边缘强度以及平均相对边缘梯度；步骤2.4，根据当前像素点的自身灰度值、形状边缘强度、相对边缘梯度，计算出当前像素点为边缘像素点的概率；步骤2.5，根据γ(p)对边缘特征图进行二值化操作，获得每种算子尺寸对应的n张二值化的形状边缘特征图；步骤2.6，每种算子尺寸对应的n张二值化的形状边缘特征图进行或操作，融合为一张多边缘形状特征图E
S
，获得包括m张多形状边缘特征图的多形状边缘特征图组。4.根据权利要求3所述的基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，所述二值化操作具体为：将γ(p)高于设定阈值的像素点视作边缘像素点，灰度值设为255；低于阈值的像素点视作非边缘像素点，灰度值设为0。5.根据权利要求3所述的基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，像素点p的形状边缘强度相对边缘梯度其中，Gray(p
‑
u)代表在像素点p边缘形状负方向上第u个像素点的灰度值，Gray(p+u)代表在像素点p边缘形状正方向上第u个像素点的灰度值，Gray(p)代表像素点p的灰度值。6.根据权利要求3所述的基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，当前像素点p为边缘像素点的概率Gray
(p)、分别代表当前像素点的自身灰度值、形状边缘强度、相对边缘梯度，分别代表待定边缘像素点的平均灰度值、平均形状边缘强度以及平均相对边缘梯度。7.根据权利要求1所述的基于自适应边缘特征语义分割的无人机巡航检测方法，其特征在于，步骤3中所述的基于目标匹配度的多尺度边缘特征加权方法步骤如下：步骤3.1，定义高度影响因子，具体计算方法如下：步骤3.1，定义高度影响因子，具体计算方法如下：步骤3.1，定义高度影响因子，具体计算方法如下：其中，[Alt
m...
【专利技术属性】
技术研发人员：张晖，石亦巍，赵海涛，朱洪波，
申请(专利权)人：南京邮电大学，
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。