[发明专利]一种面向绝缘子缺陷识别的图像量化方法

权利要求书

1.一种面向绝缘子缺陷识别的图像量化方法，其特征在于，该方法包括以下步骤：

步骤1：选取无人机巡检拍摄的绝缘子及其故障图像，利用图像数据对神经网络进行训练，得到训练完毕的故障识别模型；

步骤2：针对训练完毕的故障识别模型，提取图像特征；

步骤3：对于图像特征进一步提取低层边缘信息中重点区域侧特征；

步骤4：针对低层边缘信息中重点区域侧特征，利用特征提取网络的池化特性反推池化操作；

步骤5：针对低层边缘信息中重点区域侧特征，经过利用特征提取网络的池化特性反推池化操作后再进行利用特征提取网络的卷积特性反推池化操作，得到与原始图片长宽尺寸相对应的显著性标志图；

步骤6：基于显著性标志图进行粗量化或精细量化后，得到图像量化最终结果，

其中，所述的步骤3包括以下分步骤：

步骤301：将图像特征各个通道中相同位置的像素相加，得到与图像特征长宽尺寸一致但通道数只有1层的特征图F₁；

步骤302：计算整个特征图F₁的平均值F_avg，将特征图F₁中像素超过平均值F_avg的位置像素值设为1，其余位置设为0，由此得到与特征图F₁长宽尺寸相同的矩阵F₂，即对应低层边缘信息中重点区域侧特征，

所述的步骤4具体包括：根据故障识别模型中特征提取网络池化层均为stride＝2的最大池化的特性，将低层边缘信息中重点区域侧特征所对应的矩阵F₂中的元素赋值相同矩阵B_n，依次推出B_n所对应池化层上一层的矩阵B_n-1，

所述的步骤5具体包括：根据故障识别模型中特征提取网络的卷积核均为3×3，且stride＝1，填充方式为SAME的特性，基于矩阵B_n-1进行卷积反推过程，计算得到矩阵B_n-2，即对应与原始图片长宽尺寸相对应的显著性标志图，

所述的步骤6包括以下分步骤：

步骤601：将无人机巡检拍摄的原始图像从RGB空间转换至YUV空间，长、宽尺寸填充至8的倍数后，将其分成多个8×8的块；

步骤602：针对块进行DCT变换，变换后经zigzag扫描分成低频分量DC和高频分量AC，再进行熵编码，得到最终经过处理后的无人机巡检拍摄的原始图像；

步骤603：利用所述显著性标志图对经过处理后的无人机巡检拍摄的原始图像，通过位置判断进行对应的粗量化或精细量化，完成后图像量化最终结果。

2.根据权利要求1所述的一种面向绝缘子缺陷识别的图像量化方法，其特征在于，所述的步骤1具体包括：选取无人机巡检拍摄的绝缘子及其故障图像，将所有图像数据分为训练集和验证集，利用训练集和验证集对Faster RCNN网络于服务器中进行训练，得到训练完毕的故障识别模型。

3.根据权利要求1所述的一种面向绝缘子缺陷识别的图像量化方法，其特征在于，所述的步骤2具体包括：提取训练完毕的故障识别模型中的VGG16网络的权重和偏置，对无人机巡检拍摄的绝缘子及其故障图像进行卷积操作，提取图像特征。

4.根据权利要求1所述的一种面向绝缘子缺陷识别的图像量化方法，其特征在于，所述的步骤603具体包括：

若经过处理后的无人机巡检拍摄的原始图像中各个分成的8×8的区域块中对应的所述显著性标志图含有标志1，则将该块根据亮度量化表进行精细量化；

若经过处理后的无人机巡检拍摄的原始图像中各个分成的8×8的区域块中对应的所述显著性标志图中均为标志0，则将该块进行粗量化。

5.根据权利要求4所述的一种面向绝缘子缺陷识别的图像量化方法，其特征在于，所述的将该块根据亮度量化表进行精细量化，其对应的描述公式为：

式中，Q₁表示精细量化后该8×8块的值，DCT_Block表示经过DCT变换后的Block，table0表示为亮度量化表。

6.根据权利要求4所述的一种面向绝缘子缺陷识别的图像量化方法，其特征在于，所述的将该块进行粗量化，其对应的描述公式为：

式中，table1＝q×E，q为量化阶，E为8×8的单位向量，Q₂为粗量化后该8×8块的值，DCT_Block表示经过DCT变换后的Block。