[发明专利]无人机巡检影像缺陷图像识别方法、装置、设备及介质

权利要求书

1.一种无人机巡检影像缺陷图像识别方法，其特征在于，包括：

采集输电线路无人机巡检规范化影像；

从采集的所述影像中选取无缺陷图像并进行相应处理，构建不同场景的缺陷负样本库；

利用构建的所述缺陷负样本库对深度学习卷积神经网络进行训练，得到无缺陷目标识别模型；

将待测输电线路无人机巡检影像输入至所述无缺陷目标识别模型进行筛选，并过滤掉缺陷识别概率小于设定阈值的图像，以及对过滤后剩下的图像进行人工或自动识别。

2.根据权利要求1所述的无人机巡检影像缺陷图像识别方法，其特征在于，在采集输电线路无人机巡检规范化影像之后，还包括：

根据输电线路的电压等级、杆塔类型和无人机巡检规范的拍摄画面场景，对采集的所述影像进行分类规范化命名和存储管理。

3.根据权利要求2所述的无人机巡检影像缺陷图像识别方法，其特征在于，对选取的无缺陷图像进行相应处理，具体包括：

对选取的无缺陷图像中的最小颗粒度待识别目标进行标注；

将标注的所述无缺陷图像分别顺时针和逆时针旋转多个不同的角度；

将旋转后的所述无缺陷图像随机进行高斯模糊处理。

4.根据权利要求3所述的无人机巡检影像缺陷图像识别方法，其特征在于，所述无缺陷目标识别模型由DBlock模块、RBlock模块和SENet模块组成；

所述DBlock模块的纵向卷积操作为输入图像有N个通道，则采用N个卷积核进行卷积；其中N≥1；

所述RBlock模块的权重层为3*3卷积层；

所述SENet模块包括Squeeze操作和Excitation操作；所述Squeeze操作，用于将原始特征图的高度和宽度进行压缩；所述Excitation操作，用于添加FC全连接层，对每个通道的重要性进行预测，并使用sigmoid函数激活特征图的对应通道。

5.根据权利要求4所述的无人机巡检影像缺陷图像识别方法，其特征在于，所述无缺陷目标识别模型对应的损失函数如下：

其中，M为类别的数量；y_ic为变量0或1；若该类别和样本i的类别相同时，y_ic为1，否则y_ic为0；p_ic为样本i属于类别c的预测概率；N为训练样本数量。

6.根据权利要求1所述的无人机巡检影像缺陷图像识别方法，其特征在于，对过滤后剩下的图像进行自动识别，具体包括：

建立缺陷目标识别模型；

将过滤后剩下的图像输入至所述缺陷目标识别模型进行自动识别。

7.根据权利要求1所述的无人机巡检影像缺陷图像识别方法，其特征在于，还包括：

将缺陷识别概率小于设定阈值的图像放进所述缺陷负样本库中，对所述无缺陷目标识别模型进行更新迭代。

8.一种无人机巡检影像缺陷图像识别装置，其特征在于，包括：

影像采集模块，用于采集输电线路无人机巡检规范化影像；

样本库构建模块，用于从采集的所述影像中选取无缺陷图像并进行相应处理，构建不同场景的缺陷负样本库；

模型训练模块，用于利用构建的所述缺陷负样本库对深度学习卷积神经网络进行训练，得到无缺陷目标识别模型；

图像识别模块，用于将待测输电线路无人机巡检影像输入至所述无缺陷目标识别模型进行筛选，并过滤掉缺陷识别概率小于设定阈值的图像，以及对过滤后剩下的图像进行人工或自动识别。

9.一种无人机巡检影像缺陷图像识别设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的无人机巡检影像缺陷图像识别方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的无人机巡检影像缺陷图像识别方法。