[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

说明书

本申请公开了一种无人机巡检影像缺陷图像识别方法、装置、设备及介质，该方法包括：采集输电线路无人机巡检规范化影像；从采集的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。本申请构建了不同场景的缺陷负样本库进行训练并获得对应场景的卷积神经网络模型，能够对无人机巡检采集到的图像进行智能分析，保障了缺陷分析效果，极大降低了人工核查劳动成本，提高了工作效率。

技术领域

本发明涉及图像识别领域，特别是涉及一种无人机巡检影像缺陷图像识别方法、装置、设备及介质。

背景技术

目前，用于输电线路的无人机巡检影像缺陷图像识别的一般做法是，针对于输电线路的九大类，数百小类缺陷，分别构建缺陷样本库进行训练，获得卷积神经网络模型，然后运用这个模型进行推理，实现缺陷自动识别。

但是，该方法存在两个技术问题：一、输电线路缺陷类别众多，很多缺陷类别正样本非常少，很难构建有效的样本库；二、对这些类别的缺陷，很多情况下图像识别的漏报率较高，图像识别后工作人员仍然需要对所有的图像进行人工核查，没有实质性降低人工工作量，且通过人工方式核查耗时耗力，可靠性低。通过通信技术和传感技术将实时监控图像或者视频传输到后台可以降低巡检工作量，但是仍需要后台工作人员肉眼判断是否存在隐患，工作量大且容易遗漏，没有实现巡检的智能化。

因此，如何解决漏报率高，人工工作量大，工作效率低的问题，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种无人机巡检影像缺陷图像识别方法、装置、设备及介质，可以保障缺陷分析效果，极大降低人工核查劳动成本，提高工作效率。其具体方案如下：

一种无人机巡检影像缺陷图像识别方法，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。

优选地，在本发明实施例提供的上述无人机巡检影像缺陷图像识别方法中，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。

优选地，在本发明实施例提供的上述无人机巡检影像缺陷图像识别方法中，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。

优选地，在本发明实施例提供的上述无人机巡检影像缺陷图像识别方法中，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；