[发明专利]一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统

说明书

本发明公开了一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统，包括：收集无人机在巡检中拍摄的缺陷图像；对缺陷图像进行筛选并标注，建立缺陷样本库；提取缺陷样本库中的样本生成数据集，对数据集进行算法模型训练，生成识别模型；对生成的识别模型进行评估，并根据评估结果对模型库进行更新；接收上传的待检测巡检图像，从模型库中调用对应类别的识别模型进行缺陷检测，将存在错误的检测结果纠错后更新至缺陷样本库；当缺陷样本库更新数量达到阈值后，从缺陷样本库中提取样本构成新的数据集，进行新一轮的算法模型训练。从而实现标注样本更新和模型训练更新的闭环，达到自动化程度极高的自学习训练效果。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统。

背景技术

当前，应用多旋翼无人机对杆塔进行精细化巡检和故障巡检之后，巡检产生的海量图像数据需要经过人工判读筛选出故障缺陷，一方面要求作业人员对输电线路情况熟悉，另一方面也大大增加了作业人员的工作量。因此，采用图像识别的方法对巡检图像数据进行部件检测识别对提高无人机巡检效率具有十分重要的意义。目前，基于大数据深度学习技术的卷积神经网络在目标识别和检测中表现优异，在很多目标识别场景之中成为首选算法。而深度学习算法需要使用海量的带标签巡检图像样本进行训练学习，目前电网无人机巡检缺陷样本数量难以满足要求。同时，与传统的深度学习目标识别相比,无人机巡检得到的图像具有背景复杂、图像分辨率超高、小部件与背景对比度低、不同地区不同季节背景差异较大、存在大量干扰等难题，识别精度无法保障。

发明内容

本发明的目的是提供一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统，实现了标注样本更新和模型训练更新的闭环，能够达到目标检测模型自主迭代更新优化的目的，从而达到自动化程度极高的自学习训练效果。

本发明为实现上述发明目的采用如下技术方案：

本发明提供了一种电网无人机巡检影像缺陷智能识别自学习训练方法，包括：

收集无人机在巡检过程中拍摄的缺陷图像；

对缺陷图像进行筛选并标注，建立缺陷样本库；

提取缺陷样本库中的样本生成数据集，对数据集进行算法模型训练，生成识别模型；

对生成的识别模型进行评估，并根据评估结果对模型库进行更新；

接收上传的待检测巡检图像，从模型库中调用对应类别的识别模型进行缺陷检测，对检测结果进行审核，将存在错误的检测结果纠错后更新至缺陷样本库中；

当缺陷样本库更新数量达到阈值后，从缺陷样本库中提取样本构成新的数据集，进行新一轮的算法模型训练；

从模型库中调用更新的识别模型对上传的待检测巡检图像进行识别和标注，再次更新缺陷样本库。

进一步地，在收集无人机在巡检过程中拍摄的缺陷图像后，通过图像去重将重复或相似度极高的图像剔除。

进一步地，所述图像去重的具体过程如下：

将图片缩放至设定的尺寸，简化图像细节；

将图像转化为灰度图像；

依次对矩阵的每一行中的相邻两个元素进行相减，得到若干个差异值；

如果差异值为正数或0，记为1，否则记为0，得到的若干个0、1按顺序组合构成一串数字序列，为图像的哈希序列；

与哈希库中的哈希序列依次进行比较，计算汉明距离，判断两张图像的相似度；

如果相似度大于阈值，则表明两张图像高度相似，将该图像剔除，否则，保留该图像并将其哈希序列保存至哈希库中。

进一步地，采用如下公式对缺陷图像进行筛选：