[发明专利]一种基于深度学习的电力设备在线感知与对焦算法

权利要求书

1.一种基于深度学习的电力设备在线感知与对焦算法，其特征在于，所述算法包括以下步骤：

步骤一：控制无人机定点巡航；在电力巡检过程中，无人机操作人员控制无人机飞行至典型电力设备附近，飞行过程中，保证无人机周围没有障碍物遮挡，相机能大致拍摄到典型电力设备整体轮廓，满足以上条件后，无人机操作人员控制无人机在该点定点停留一段时间，开始采集影像，将影像数据传送至本地设备实施检测和分析；

步骤二：采集影像在线检测和分析；在线检测和分析由设备检测与感知模块和影像质量评价模块两个模块完成，实现过程如下：

①：设备检测与感知模块；设备检测与感知模块负责检测典型电力设备在影像中的位置和拍摄角度，其实现过程如下：

1）：图像降采样；首先，因为无人机实时影像像幅一般较大，而本地设备的计算能力有限，大像幅影像无法做到实时检测的效果，因此要对原始影像做降采样处理，降低影像分辨率和大小，减少神经网络计算量，减少检测算法运行时间，实现实时检测的目的；

2）：电力设备样本集；其次，为了能够用深度学习的方法识别出影像中设备的种类和位置，需要在训练样本上标注设备位置，建设设备样本集数据库（包括训练样本集和测试样本集），这里我们用标注软件在原始影像中标注出典型设备的位置信息，保存标注信息；

3）：训练神经网络模型；有了足够多的训练样本集后，我们需要训练专有的神经网络模型来检测设备位置，一般大型网络架构如VGG、ResNet由于参数巨大，无法适应本地实时计算的要求，因此这里我们采用适用于移动设备上的小型神经网络，其设计思路类似于MobileNet的网络架构，将传统卷积神经网络中的卷积操作分离为一个深度卷积和一个点卷积，从而在不损失精度的情况下，大大降低了神经网络的参数量和计算量，按照无人机输入影像的大小，我们设计网络各层大小，调整神经网络的超参数，直至在测试集中预测结果达到要求；

4）：电力设备感知和电力设备定位；得到最后神经网络模型后，就可以将其应用于典型电力设备的感知和定位了，先将无人机传输的影像降采样，然后将其送入神经网络模型即可预测出电力设备在影像中可能存在的位置和概率；

②：影像质量评价；影像质量评价模块负责评价影像质量是否符合工作要求，相机焦距设置是否合理，其实现过程如下：

1）：对焦窗口；首先，为了减少计算量的同时减少背景信息的干扰，自动对焦过程中，只对所关心的目标对焦，需要在影像中选取一个固定的窗口，对焦窗口选取的具体方法是根据神经网络识别的设备位置作一个包围这些设备的最大外接矩形；

2）：图像清晰度评价；为了评价对焦窗口内的影像质量，我们需要引入三种评价指标来衡量相机对焦状况，这三个指标分别是Tenengrad梯度、Laplace梯度和方差梯度；

步骤三：根据分析结果调整相机拍摄角度和焦距；在步骤二中，算法通过本地在线处理得到了典型电力设备在影像中的位置信息和影像质量信息，从得到的位置信息，我们可以判断相机拍摄角度和方向，典型电力设备是否位于影像中心，从得到的影像质量信息可以分析出电力设备在影像中清晰程度，从而判断影像是否符合实际生产需求，是否需要调整相机焦距和拍照角度，在本地设备上综合两者信息，分析影像是否符合要求，将必要的调整策略反馈至无人机控制系统，实时调整无人机拍摄角度和相机焦距，最后得到完整清晰的电力设备影像。

2.根据权利要求1所述的一种基于深度学习的电力设备在线感知与对焦算法，其特征在于：在设备检测与感知模块的图像降采样过程中，使用Hermite插值，样条插值，双线性插值的方法对原始影像插值，最后得到影像长宽分别为原来四分之一的低分辨率影像。

3.根据权利要求1所述的一种基于深度学习的电力设备在线感知与对焦算法，其特征在于：在设备检测与感知模块的电力设备样本集中，标注信息的保存格式为PASCALVOC数据集。