[发明专利]无人机巡检数据处理方法

权利要求书

1.无人机巡检数据处理方法，其特征在于，包括以下步骤：

S01、读取无人机拍摄的图像、并提取无人机拍摄的图像中拍有实地设备的关键区域，获得关键区域的特征数据；

S02判断提取的所述实地设备的类型，将所述实地设备的关键区域的数据特征与标准设备图像的特征数据进行对比；若不相匹配，则判断为无效图片，结束程序；若匹配，则进一步判断实地设备是否存在故障；

S03判断实地设备是否存在故障及故障类型，将与所述实地设备匹配的标准设备类型的故障类型数据与对应的实地设备的特征数据进行对比：若所述实地设备的特征数据超出故障类型数据的标准范围，则通报故障；

所述提取无人机拍摄的图像中拍有实地设备的关键区域，包括以下步骤：

(1)对无人机拍摄的图像进行预处理；

(2)根据两两比较矩阵A求取各评价因子所占有的权重，根据各评价因子的权重对预处理后的图像上相邻点间的差异度进行计算、比较，得到所述实地设备的关键区域轮廓；

(3)利用最大类间方差法对差异化处理后的图像进行分割、提取；

所述评价因子根据所有无人机拍摄图片中实地设备的共同特性确定，对评价因子根据重要程度进行两两比较，形成所述两两比较矩阵A，设有n个评价因子，则形成的比较矩阵为

A＝[a_ij]

其中i＝1,2,3…n；j＝1,2,3…n。

2.如权利要求1所述的无人机巡检数据处理方法，其特征在于，对所述无人机拍摄的图像通过以下方法进行预处理：

(1)对任一像素点(i，j)，以像素点(i，j)为中心，取尺寸为d×d的局部窗口，通过计算确定像素点(i，j)的阈值为T(i,j)；

(2)将像素点(i，j)的像素值I(i，j)与像素点(i，j)的阈值T(i,j)对比：

若I(i，j)小等于T(i，j)，则I(i，j)值为0；若I(i，j)大等T(i，j)，则I(i，j)值为255。

3.如权利要求2所述的无人机巡检数据处理方法，其特征在于，所述像素点(i，j)的阈值为T(i,j)通过下述公式计算：

T(i，j)＝m(i，j)+k×σ(i，j)

其中，i和j的取值均为正整数，m(i，j)为局部窗口像素的平均值；σ(i，j)为局部窗口像素的方差，k为调整系数；具体表达公式如下：

4.如权利要求1所述的无人机巡检数据处理方法，其特征在于，所述评价因子的权重计算过程如下：

(1)确定评价因子的隶属函数，得到隶属函数矩阵B；

(2)由两两比较矩阵A与隶属函数矩阵B计算评价因子聚类矩阵C；

(3)计算评价因子聚类矩阵C的最大特征值对应的特征向量，所述特征向量即为评价因子的权重向量；

(4)对权重向量进行归一化得到W＝(w₁，w₂，...,w_n)^T，根据向量W计算每个评价因子的权重θ_i。

5.如权利要求4所述的无人机巡检数据处理方法，其特征在于，所述权重θ_i通过下述公式计算：

其中，i取1、2…n。

6.如权利要求4所述的无人机巡检数据处理方法，其特征在于，所述隶属函数为

其中，S_pqmin、S_pqmax分别为评价因子p的第q个级别的下限标准值和上限标准值，其中p取1、2…n,q取1、2…m；x为与评价因子p对应的待处理图像的特征数据；

若f_pq(x)出现负值，则作为0处理，即隶属函数不能为负值，且在0-1之间。

7.如权利要求6所述的无人机巡检数据处理方法，其特征在于，所述隶属函数矩阵B＝[f_pq(x)]。

8.如权利要求6所述的无人机巡检数据处理方法，其特征在于，所述评价因子聚类矩阵C计算方法为：

如果n与m的值相同的时，则评价因子聚类矩阵C表达式为：

C＝A×B

如果n值大于m值的话，则相应添加零元素，使B成为一个n×n矩阵，记为B′，那么C表达式为：

C＝A×B’

如果n值小于m值的话，则在m中选择n个相邻级别构造隶属函数。