[发明专利]一种无人机巡检图像缺陷智能分析的方法

说明书

一种无人机巡检图像缺陷智能分析的方法，所述方法通过智能分析设备接收无人机巡检数据，包括与待识别对象相关的巡检数据；基于巡检数据建立各金具、缺陷目标训练库；基于巡检数据库，训练设备进行各类缺陷及金具识别模型训练；通过智能分析设备利用模型对无人机巡检图像进行智能分析处理。本发明提供了一种模型训练的方法，包括根据样本建立训练数据集及测试集；训练设备根据训练集迭代训练识别模型；训练设备根据所述识别模型进行精度评估。本发明适用于无人机巡检图像缺陷智能分析。

技术领域

本发明涉及一种无人机巡检图像缺陷智能分析的方法，属图象处理技术领域。

背景技术

传统的输电线路人工巡检效率低、劳动强度大, 单纯靠人工巡检目测难度大，受地形环境限制。无人机软硬件技术的不断进步为电力巡线提供了一新的作业模式,基于无人机的输电线路巡检技术正逐步规范完善。

无人机技术的兴起使得其数量和运行数据呈现海量增长，大量的缺陷数据存放在云端，单靠人工进行检测分析，需耗费大量时间，而且这种缺陷检测需求是去找异常和缺陷，这对自动诊断要求很高，因为缺陷和异常数目多、形式各异。因此采用一般设计特征的识别方法，漏检率较高，不能满足巡检图像高精度检测需求。随着人工智能技术的快速进步，人工智能技术也被快速地应用于电力巡检方面解决大量的数据分析需求。

目前深度学习技术是用于图像处理的最主流算法，例如基于YOLO2目标检测算法用于识别与定位巡检图像中的绝缘子爆裂缺陷目标，通过搭建和改进卷积神经网络实现对绝缘子的检测。基于前人的研究成果提出一种基于卷积神经网络(Faster R-CNN)及其改进算法的无人机巡检图像缺陷智能分析方法，能够满足自动化识别的精度需求，可达到实用推广水平。

发明内容

本发明的目的是，为了解决现有无人机巡检图像处理存在的问题，提出一种无人机巡检图像缺陷智能分析的方法。

本发明实现的技术方案如下，一种无人机巡检图像缺陷智能分析的方法，所述方法通过智能分析设备接收无人机巡检数据，包括与待识别对象相关的巡检数据；基于巡检数据建立各金具、缺陷目标训练库；基于巡检数据库，训练设备进行各类缺陷及金具识别模型训练；通过智能分析设备利用模型对无人机巡检图像进行智能分析处理。

所述训练设备基于训练库识别模型的操作包括：训练设备抽取所述样本库中对应目标数据进行样本预处理；训练设备对预处理后的数据分为训练集和测试集；训练设备根据所述训练集迭代训练所述识别模型；训练设备根据所述识别模型进行精度评估；以及智能分析设备根据所述识别模型识别对应目标。

所述训练设备利用样本库生成训练集、测试集，针对性的训练识别模型，达到一定精度后，识别设备可以从训练设备获取识别模型，并利用所获取的识别模型对无人机巡检数据进行目标检测，包括对绝缘子串、悬垂线夹、防震锤等关键金具识别，或鸟巢、绝缘子缺失、异物悬挂、防震锤移位的典型缺陷进行识别；通过分析目标类型自动输出无人机巡检图像的智能分析报告。

所述识别设备将标注好的所述巡检数据发送至管理设备；所述训练设备将所述识别模型发送至所述智能分析设备。

所述智能分析设备基于识别模型进行智能分析的操作，包括：智能分析设备根据所述识别模型进行缺陷检测；智能分析设备根据所述检测结果进行目标类型分析、各类缺陷汇总；智能分析设备根据所述检测结果生成检测报告。

所述识别模型进行能否满足智能分析的需求，包括所述智能分析设备依据所述检测报告判断所述识别模型是否达到预定的需求。

根据所述智能分析设备检测需求更新所述识别模型的操作，包括所述训练设备使用ResNext-101特征提取网络进行训练操作；训练设备在训练操作过程中加入可变形卷积网络DCN v2、特征金字塔网络FPN。

所述方法通过智能分析设备接收巡检数据，并利用从训练设备获取的识别模型对所述巡检数据进行目标检测；最后根据检测结果进行目标类型分析、各类缺陷汇总，生成分析报告。