【技术实现步骤摘要】
本专利技术涉及无人机巡检，尤其涉及一种无人机巡检的故障识别方法及装置、设备及存储介质。
技术介绍
1、目前，大多数无人机巡检系统采用传统的图像处理和机器学习方法，对收集到的红外图像和可见光图像进行故障识别。尽管现有的无人机巡检系统在一定程度上能够满足基本的巡检需求，但仍存在一些明显的缺陷。首先，传统的图像处理方法难以应对复杂多变的环境条件和故障类型，导致故障识别的准确性和鲁棒性较低。其次，现有的故障识别模型通常需要大量的训练数据和较长的训练时间，且在面对新环境和新故障类型时，模型的泛化能力较差。最后，现有的无人机巡检系统缺乏有效的自适应机制，无法根据环境变化和技术进步动态更新图像匹配规则和算法模型，导致系统的长期准确性和可靠性难以保证。
技术实现思路
1、本专利技术的主要目的在于提供一种无人机巡检的故障识别方法及装置、设备及存储介质，可以解决现有技术中的无人机巡检的故障识别的准确性有待提高的问题。
2、为实现上述目的，本专利技术第一方面提供一种无人机巡检的故障识别方法，所述方法包括：
3、在预设的飞行路径上，通过至少配备有红外相机和可见光相机的无人机对目标区域进行同步巡检，收集目标区域在不同环境条件下的红外与可见光的图像数据；
4、根据收集到的图像数据，构建多模态数据集，所述多模态数据集包括所述图像数据以及所述图像数据对应的环境条件的环境参数，所述环境参数至少包括时间戳、地理位置以及气象参数；
5、利用所述多模态数据集进行图像数据的故
6、基于所述标注后的多模态数据集，训练故障识别模型，所述故障识别模型用于在接收新的红外和可见光图像输入时，自动预测所述新的红外和可见光图像中的故障类型，并给出相应的预警信号；
7、将所述故障识别模型集成至所述无人机的无人机巡检系统中，实现对所述目标区域的故障类型的实时监控及智能诊断；
8、定期更新所述标注后的多模态数据集及故障识别模型，得到更新的故障识别模型。
9、为实现上述目的，本专利技术第二方面提供一种无人机巡检的故障识别装置，所述装置包括：
10、数据收集模块：用于在预设的飞行路径上，通过至少配备有红外相机和可见光相机的无人机对目标区域进行同步巡检，收集目标区域在不同环境条件下的红外与可见光的图像数据；
11、集合构建模块：用于根据收集到的图像数据，构建多模态数据集，所述多模态数据集包括所述图像数据以及所述图像数据对应的环境条件的环境参数，所述环境参数至少包括时间戳、地理位置以及气象参数；
12、标签标注模块：用于利用所述多模态数据集进行图像数据的故障类型标签的标注处理，得到标注后的多模态数据集；
13、模型训练模块：用于基于所述标注后的多模态数据集，训练故障识别模型，所述故障识别模型用于在接收新的红外和可见光图像输入时，自动预测所述新的红外和可见光图像中的故障类型，并给出相应的预警信号；
14、故障监控模块：用于将所述故障识别模型集成至所述无人机的无人机巡检系统中，实现对所述目标区域的故障类型的实时监控及智能诊断；
15、模型更新模块：用于定期更新所述标注后的多模态数据集及故障识别模型，得到更新的故障识别模型。
16、为实现上述目的，本专利技术第三方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面所示方法的步骤。
17、为实现上述目的，本专利技术第四方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面所示方法的步骤。
18、采用本专利技术实施例，具有如下有益效果：
19、本专利技术提供一种无人机巡检的故障识别方法，方法包括：在预设的飞行路径上，通过至少配备有红外相机和可见光相机的无人机对目标区域进行同步巡检，收集目标区域在不同环境条件下的红外与可见光的图像数据；根据收集到的图像数据，构建多模态数据集，多模态数据集包括图像数据以及图像数据对应的环境条件的环境参数，环境参数至少包括时间戳、地理位置以及气象参数；利用多模态数据集进行图像数据的故障类型标签的标注处理，得到标注后的多模态数据集；基于标注后的多模态数据集，训练故障识别模型，故障识别模型用于在接收新的红外和可见光图像输入时，自动预测新的红外和可见光图像中的故障类型，并给出相应的预警信号；将故障识别模型集成至无人机的无人机巡检系统中，实现对目标区域的故障类型的实时监控及智能诊断；定期更新标注后的多模态数据集及故障识别模型，得到更新的故障识别模型。通过上述方法，引入多模态数据采集、自适应模型训练和动态更新技术，实现对目标区域的高效巡检和智能诊断，提高故障识别的准确性和系统的长期可靠性。
本文档来自技高网...【技术保护点】
1.一种无人机巡检的故障识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述方法，其特征在于，所述利用所述多模态数据集进行图像数据的故障类型标签的标注处理，得到标注后的多模态数据集，包括：
3.根据权利要求1所述方法，其特征在于，所述根据收集到的图像数据，构建多模态数据集，包括：
4.根据权利要求1或3所述方法，其特征在于，所述方法还包括：
5.根据权利要求1所述方法，其特征在于，所述利用所述多模态数据集进行图像数据的故障类型标签的标注处理，得到标注后的多模态数据集，之前还包括：
6.根据权利要求1所述方法，其特征在于，所述基于所述标注后的多模态数据集，训练故障识别模型，包括：
7.根据权利要求6所述方法，其特征在于，所述利用所述训练数据集对预设的深度学习模型进行训练，生成故障识别模型，包括：
8.一种无人机巡检的故障识别装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种无人机巡检的故障识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述方法，其特征在于，所述利用所述多模态数据集进行图像数据的故障类型标签的标注处理，得到标注后的多模态数据集，包括：
3.根据权利要求1所述方法，其特征在于，所述根据收集到的图像数据，构建多模态数据集，包括：
4.根据权利要求1或3所述方法，其特征在于，所述方法还包括：
5.根据权利要求1所述方法，其特征在于，所述利用所述多模态数据集进行图像数据的故障类型标签的标注处理，得到标注后的多模态数据集，之前还包括：
6.根据权利要求1所述方法，其特征在于，所述基于...
【专利技术属性】
技术研发人员：于虹，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
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。