[发明专利]无人机电路巡检照片中关键部件的异常监控方法及系统

说明书

本发明提供了一种无人机电路巡检照片中关键部件的异常监控方法及系统，先根据关键部件的图形数据库、无人机的历史巡检数据、历史诊断数据等通过深度神经网络进行训练得到各个关键部件的异常识别模型。然后，将无人机在巡检过程中采集到的当前巡检数据中的可见光图像和当前红外图像通过提升小波算法进行多次滤波处理后，再通过中值滤波算法进行多次滤波处理，得到滤波后的预处理可见光图像和预处理红外图像；最后，从预处理可见光图像和预处理红外图像分割出各个关键部件的当前图像并输入所述异常识别模型，分析该关键部件是否存在异常，若该关键部件存在异常，则进行报警提示。通过上述方式，提高了对电路中关键部件异常识别的准确性。

技术领域

本发明涉及电力巡检技术领域，具体而言，涉及一种无人机电路巡检照片中关键部件的异常监控方法及系统。

背景技术

目前，无人机巡线在输电线路巡检中发挥着越来越重要的作用，大大减轻电力服务人员的工作负荷，减少可能发生的人员危险的机率，降低电力设备的维护成本，提高电网的安全性和可靠性。无人机巡检过程中，通过拍摄的电力线路塔杆等照片，识别照片中电力设备零件等是否异常，从而来判断电力线路是否正常，但是现有的无人机巡检方案对关键部件进行异常监控时准确性较差。因此需要提供一种方案以提高对电路中关键部件异常识别的准确性。

发明内容

本发明的目的在于提供一种无人机电路巡检照片中关键部件的异常监控方法及系统，用以实现提高对电路中关键部件异常识别的准确性的技术效果。

第一方面，本发明提供了一种无人机电路巡检照片中关键部件的异常监控方法，包括：S1.获取包含电路中各个关键部件的图形数据库、无人机在历史巡检过程中采集到的各个关键部件的历史巡检数据及所述历史巡检数据对应的历史诊断数据；所述历史巡检数据包括各个关键部件的历史可见光图像和历史红外图像；所述历史诊断数据包括各个关键部件在所述历史可见光图像和所述历史红外图像中的位置、分割图像以及诊断结果；

S2.根据所述图形数据库、所述历史巡检数据、所述历史诊断数据通过深度神经网络进行训练得到各个关键部件的异常识别模型；

S3.获取无人机在巡检过程中采集到的当前巡检数据；所述当前巡检数据包括各个关键部件的当前可见光图像和当前红外图像；

S4.通过提升小波算法对当前可见光图像和当前红外图像进行多次滤波处理后再通过中值滤波算法进行滤波处理，得到滤波后的预处理可见光图像和预处理红外图像；

S5.从所述预处理可见光图像和预处理红外图像中分割出各个关键部件的当前图像并输入所述异常识别模型；

S6.通过所述异常识别模型分析各个所述关键部件是否存在异常，若所述关键部件存在异常，则进行报警提示。

进一步地，所述S5中分割各个关键部件的当前图像通过形态学分水岭算法、图像边缘分割算法、图像阈值分割算法中的任意一种方式进行处理。

进一步地，所述方法还包括：S7.将所述报警提示信息发送给远程后台管理终端以及与所述远程后台管理终端连接的移动终端。

进一步地，所述方法还包括：接收用户提交查询指令并根据所述查询指令获取各个关键部件的历史报警提示信息。

进一步地，所述方法还包括：通过无人机上设置的光照传感器检测无人机巡检区域的光照强度是否低于预设值；若无人机巡检区域的光照强度低于预设值，则启动无人机上安装的照明灯，对巡检区域进行照明。

第二方面，本发明提供了一种无人机电路巡检照片中关键部件的异常监控系统，包括无人机以及与所述无人机连接的服务器；所述无人机安装有红外相机和可见光相机；所述服务器包括：