[发明专利]一种基于深度学习和无人机影像的管道线变化检测方法

权利要求书

1.一种基于深度学习和无人机影像的管道线变化检测方法，其特征在于，包括以下步骤，

步骤1.获取无人机遥感影像，并进行预处理；

步骤2.使用优化的SIFT算法，并结合多级分组方式，对步骤1预处理后的影像进行拼接处理，具体的处理过程为：

步骤2.1.基于传统的SIFT算法进行特征点的提取，获取匹配点集S；

步骤2.2.通过RANSAC算法对匹配点集S进行筛选，消除异常值，具体过程为：

步骤2.2.1.设置阈值R，在匹配集合S中随机选择n对匹配点，并将这些匹配点作为初始内点计算得到初始单应矩阵；

步骤2.2.2.将集合S中其余匹配点与初始单应矩阵进行拟合，并计算对应点位置坐标与实际位置的距离d；

步骤2.2.3.若dR，则该点为外点；若dR，则该点为内点，并添加到内点集合中，用线性最小二乘法更新单应矩阵；

步骤2.2.4.重复上述步骤，选择内点数最多的一组集合作为正确匹配点集合；

步骤2.2.5.基于步骤2.2.4消除异常值后的匹配点集进行计算得到单应矩阵M；

步骤2.3.基于Levenberg-Marquardt(L-M)算法对步骤2.2得到的单应矩阵M进一步求精，得到最优单应矩阵H；

步骤2.4.使用多级分组的方式拼接影像，具体过程为：

将无人机拍摄的n张影像中的每相邻的两张影像两两分为一组，则可以将全部影像分为n-1组，并对每一组影像使用基于步骤2.1至步骤2.3的优化SIFT算法进行特征点提取、匹配等过程，直至匹配结束获得n-1组一级拼接影像；

然后再将拼接后的n-1组拼接影像中的每相邻的两张影像两两分为一组，采用优化SIFT算法进行匹配拼接，获得二级拼接影像；

重复上述分组拼接过程，直至最后获得一张拼接后的全景影像；

步骤3.通过多任务的损失函数和Adam优化器来训练Mask R-CNN模型：

步骤4.将步骤2拼接后的全景影像输入步骤3训练好的Mask R-CNN模型进行管道线变换检测，输出对比图像。

2.如权利要求1所述的管道线变化检测方法，其特征在于，步骤1中无人机获取影像时以管线为中心进行影像拍摄，通过设置航高控制拍摄范围。

3.如权利要求1所述的管道线变化检测方法，其特征在于，步骤1中预处理包括对影像进行几何校正，然后进行进行匀光匀色处理。