[发明专利]一种无人机巡检多尺度融合检测方法

说明书

本发明公开了一种无人机巡检多尺度融合检测方法，包括以下步骤：数据集丰富：通过对图片采取翻转、平移、噪音化等手段，丰富数据集，形成不同的尺度空间；尺度空间特征提取：对于不同的尺度空间，进行图像块训练，得到其网络输出的残差；尺度空间残差信息融合；通过卷积神经网络模型的改进，借鉴了深度残差神经网络的思想，直接将每个密集模块中的所有层连接起来，使每一层的输入都包含了所有较早层的特征图，通过层间连接有效地解决了梯度问题，强化了特征的传递，更有效地解决了梯度消失问题，强化了特征的传递，更有效地复用了卷积神经网络的特征，大幅度减少参数数量，从而减少计算量。

技术领域

本发明涉及图像处理技术领域，具体为一种无人机巡检多尺度融合检测方法。

背景技术

运用无人机进行缺陷识别，杆塔瓶口及以上位置、人工难以发现的缺陷占比78.5％。设备本体巡检效率和质量显著提高，并且极大降低了劳动强度，提升了巡检效率，确保了对电力设备状态的运行维护能力。因此，无人机应用为线路巡检智能化发展提供了有效的解决方案，与传统人工巡检协同配合，可用于电网日常巡检、设备基础资料收集、故障巡视、调查取证、灾情勘察、设备验收、勘测设计、清理异物等业务，具有迅速快捷、工作效率高、不受地域影响、巡检质量高、安全性好等优点。

但是由于硬件设备和成本的限制，无人机的分辨率固定，而且在无人机巡检过程中，由于运动模糊，或者光线、空气环境等因素，导致很多图片成像模糊，成为残缺图片，无法清晰的反映出巡检信息，为此，我们提出一种无人机巡检多尺度融合检测方法，将数量较多的残缺图片进行精度重建，从而可以清晰准确的展示出图片的内容和信息，用于解决上述提出的问题。

发明内容

本发明的目的在于提供一种无人机巡检多尺度融合检测方法，以解决上述背景技术中提出的由于硬件设备和成本的限制，无人机的分辨率固定，而且在无人机巡检过程中，由于运动模糊，或者光线、空气环境等因素，导致很多图片成像模糊，成为残缺图片，无法清晰的反映出巡检信息的问题。

为实现上述目的，本发明提供如下技术方案：一种无人机巡检多尺度融合检测方法，包括以下步骤：

步骤1：数据集丰富：通过对图片采取翻转、平移、噪音化等手段，丰富数据集，形成不同的尺度空间；

步骤2：尺度空间特征提取：对于不同的尺度空间，进行图像块训练，得到其网络输出的残差；

步骤3：尺度空间残差信息融合：将不同尺度空间的残差信息进行融合，得到融合后的残差，并得到最终重建图像P^F(x)；

步骤4：损失函数：使用均方程差作为网络的损失函数，得到整体的损失函数；

步骤5：描点框：最终将较大的特征图分配给小目标更为准确的描点框。

优选的，所述在步骤1中，尺度空间的数量为4个，并按S1、S2、S3和S4代表。

优选的，所述在步骤2中，网络输出残差公式为：∫^S(x)＝W^S×H^s+b^s，其中H为残差学习网络输出的特征图，W为卷积的权值，b为偏置项。

优选的，所述在步骤3中，残差信息融合公式为：∫^F(x)＝m×∫^S(x)+(1—m)×∫^S(x)，其中m表示尺度空间预测残差的权重。

优选的，所述在步骤3中，重建图像公式为：P^F(x)＝∫^F(x)+x。

优选的，所述在步骤4中，损失函数公式为：

与现有技术相比，本发明提供了一种无人机巡检多尺度融合检测方法，具备以下有益效果: