[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

说明书

本发明提供一种基于深度学习的电力设备在线感知与对焦算法，所述算法包括以下步骤：控制无人机定点巡航，采集影像在线检测和分析，根据分析结果调整相机拍摄角度和焦距；本发明一种基于深度学习的电力设备在线感知与对焦算法用深度学习的手段捕捉典型电力设备在影像中位置，然后用对焦评价函数分析相机焦距设置是否合适，最后综合两者信息调整相机拍摄角度和焦距获得设备位于影像中心的清晰影像，算法的整个过程都是无人机在线完成和调整，无需人工介入，能够提高巡检工作的效率和质量。

技术领域

本发明属于数字图像处理技术领域，具体为一种基于深度学习的电力设备在线感知与对焦算法。

背景技术

大型电力线路需要穿越山川河流，传统的人力巡线的方式成本巨大，效率低下，已经很难满足目前的需要，为了提高电路巡检的自动化程度，多旋翼无人机在输电线路精细化巡检中的应用越来越广泛，但是，受天气、光照和无人机操作员经验影响，机巡图片数据质量参差不齐，采集到的影像常有对焦不准确、拍摄角度不合理、照片模糊等问题，巡检图片的质量不稳定造成两个主要问题，一是在机巡过程中需要对同一个地点进行频繁的补拍和重拍，加大了巡检员的劳动量，降低了工作效率；二是后期海量影像数据处理过程中，需要剔除不符合影像质量要求的照片，增加了后期的人工或自动数据处理的工作难度，基于此，本发明提出一种基于深度学习的电力设备在线感知与对焦算法。

发明内容

为了解决现有技术存在的问题，本发明提供了一种基于深度学习的电力设备在线感知与对焦算法用深度学习的手段捕捉典型电力设备在影像中位置，然后用对焦评价函数分析相机焦距设置是否合适，最后综合两者信息调整相机拍摄角度和焦距获得设备位于影像中心的清晰影像，算法的整个过程都是无人机在线完成和调整，无需人工介入，能够提高巡检工作的效率和质量。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于深度学习的电力设备在线感知与对焦算法，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；