[发明专利]无人机图像处理方法及系统

权利要求书

1.一种无人机图像处理方法，其特征在于，包括：

获取输电设备现场图像，对所述输电设备现场图像进行图像处理得到处理后图像，并根据所述输电设备现场图像和所述处理后图像构建样本数据库；

建立深度学习的检测模型，所述检测模型的输入为所述样本数据库中的处理后图像，所述检测模型的输出为缺陷图像；

将所述样本数据库中的图像输入所述检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；

获取带有输电设备的图像以构建验证集，将所述验证集中的图像输入所述训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；

获取带有输电设备缺陷的图像以构建测试集，将所述测试集中的图像输入所述验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；

将待检测图像输入所述测试完成后的检测模型进行检测，以输出目标缺陷图像。

2.根据权利要求1所述的无人机图像处理方法，其特征在于，所述对所述输电设备现场图像进行图像处理得到处理后图像的步骤，包括：

分别对所述输电设备现场图像进行灰度化处理、图像二值化处理、图像归一化处理和数据增强技术处理，以得到处理后图像。

3.根据权利要求2所述的无人机图像处理方法，其特征在于，所述数据增强技术包括旋转变换、反射变换、翻转变换、缩放变换、平移变换、尺度变换和噪声扰动中的一种或多种。

4.根据权利要求1所述的无人机图像处理方法，其特征在于，在所述检测模型进行迭代训练、验证和测试时，还包括：

通过深度学习技术进行目标检测。

5.根据权利要求4所述的无人机图像处理方法，其特征在于，所述通过深度学习技术进行目标检测的步骤，包括：

对图像进行区域选择，并遍历整幅图像，选择目标区域，定位目标的位置；

提取所述目标区域的特征信息；

通过分类器对所述特征信息进行分类。

6.根据权利要求5所述的无人机图像处理方法，其特征在于，所述遍历整幅图像的步骤，包括：

采用滑动窗口策略遍历整幅图像。

7.根据权利要求5所述的无人机图像处理方法，其特征在于，所述提取所述目标区域的特征信息的步骤，包括：

对所述目标区域进行基础特征提取，所述基础特征包括轮廓特征和颜色特征；

对提取的所述基础特征进行多层复杂特征提取，所述多层复杂特征包括轮廓分层特征和灰度图像特征；

对提取的所述多层复杂特征进行权重学习，输出权重较大的特征，以预测输出结果。

8.根据权利要求5所述的无人机图像处理方法，其特征在于，所述分类器为SVM分类器或Adaboost分类器。

9.根据权利要求1所述的无人机图像处理方法，其特征在于，所述训练次数阈值为20万次，所述训练准确度为90％；

所述验证次数阈值为12万次，所述验证准确度为95％；

所述测试次数阈值为10万次，所述测试准确度为99％。

10.一种无人机图像处理系统，其特征在于，包括：

样本数据库建立模块，用于获取输电设备现场图像，对所述输电设备现场图像进行图像处理得到处理后图像，并根据所述输电设备现场图像和所述处理后图像构建样本数据库；

检测模型建立模块，用于建立深度学习的检测模型，所述检测模型的输入为所述样本数据库中的处理后图像，所述检测模型的输出为缺陷图像；

训练模块，用于将所述样本数据库中的图像输入所述检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；

验证模块，用于获取带有输电设备的图像以构建验证集，将所述验证集中的图像输入所述训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；

测试模块，用于获取带有输电设备缺陷的图像以构建测试集，将所述测试集中的图像输入所述验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；

检测输出模块，用于将待检测图像输入所述测试完成后的检测模型进行检测，以输出目标缺陷图像。