[发明专利]一种高精度电网无人机巡检图像缺陷识别方法及系统

说明书

本发明公开一种高精度电网无人机巡检图像缺陷识别方法及系统，包括步骤一、无人机飞行拍摄并上传飞行图像数据，步骤二、根据飞行图像调整无人机数据获取更精准巡检目标图像，步骤三、对获取的巡检目标图像通过卡尔曼滤波法并结合BayesShrink阈值和WindowShrink阈值的多阈值去噪方法进行降噪去噪处理，同时基于小波包变换和数学形态的方法进行图像的特征提取处理，步骤四、将处理后的图像与故障缺模型进行比对判断并输出识别结果，步骤五、分类统计后安排检修；本发明通过先对无人机获取的图像进行降噪去噪处理后进行特征提取，从而有效消除环境天气等因素对拍摄图片的影响，然后将其与故障缺陷模型进行比对从而识别出巡检目标缺陷类型，令识别的结果更加精准，识别效率更高，同时系统的故障图片数据库自更新，在识别到新故障类型时自动对数据库进行更新扩展，使得后续故障对比效率更高。

技术领域

本发明涉及电网无人机巡检技术领域，尤其涉及一种高精度电网无人机巡检图像缺陷识别方法及系统。

背景技术

随着社会发展及新能源载具的兴起，人们对电力能源的需求逐年增加，因此，保证输电网络的安全畅通尤为重要，现今随着特高压技术的成熟，高压输电网络密度不断加大，导致电力巡检任务繁重，而随着无人机技术的逐渐成熟，使用无人机进行电力巡检代替人工电力巡检不仅可以克服地理因素的困难，同时可以大大提高巡检效率；

对于巡检无人机获取的巡检图像传统处理识别方法采用简单的卷积神经网络算法来对图片进行识别处理，而在无人机获取图像时会受到很多因素的影响，导致获取的图片无法精确识别出巡检目标，从而影响对巡检目标的缺陷识别判断，因此，本发明提出一种高精度电网无人机巡检图像缺陷识别方法及系统以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种高精度电网无人机巡检图像缺陷识别方法及系统，该高精度电网无人机巡检图像缺陷识别方法及系统通过先对无人机获取的图像进行降噪去噪处理后进行特征提取，从而有效消除环境天气等因素对拍摄图片的影响，然后将其与故障缺陷模型进行比对从而识别出巡检目标缺陷类型，令识别的结果更加精准，识别效率更高，同时系统的故障图片数据库自更新在识别到新故障类型时自动对数据库进行更新扩展，使得后续故障对比效率更高。

为实现本发明的目的，本发明通过以下技术方案实现：一种高精度电网无人机巡检图像缺陷识别方法，包括以下步骤：

步骤一、图像获取，巡检无人机基于无人机巡检航线及航点飞行到指定位置后调整航向角、飞行角度和相机拍摄角度获取巡检对象的图像数据，并将图像数据上传；

步骤二、无人机调整，电力巡检缺陷检测系统接收巡检对象的图像数据后，识别图像中有无巡检目标对象，再对巡检无人机及摄像头进行适应性调节，并由摄像头拍摄获取更精准清晰的巡检目标图像；

步骤三、图像处理，通过电力巡检缺陷检测系统对拍摄到的清晰图像进行降噪去噪处理，随后对图像进行特征提取，获取巡检对象特征图；

步骤四、图像比对判断，将处理后的巡检对象特征图与系统的故障缺陷模型进行比对，并判断输出故障缺陷识别结果；

步骤五、分类统计安排检修，待巡检无人机将巡检航线上的所有巡检航点巡检判断完成后将故障结果进行分类统计，随后根据统计结果分析安排故障缺陷检修。

进一步改进在于：所述步骤二中当识别图像中有巡检目标对象时，电力巡检缺陷检测系统自动修改无人机当前位置、相机的焦距和拍摄角度的参数，并使摄像头对焦在巡检目标对象上获取清晰图像；当识别图像中没有巡检目标对象时，电力巡检缺陷检测系统对当前图像特征进行分析，并与无人机巡检航线的3D模型进行比对，获取巡检目标对象位置后，自动调整巡检无人机位置、相机的焦距和拍摄角度的参数，从而获取清晰地巡检目标对象的图像。

进一步改进在于：所述步骤三中进行图像处理时先通过卡尔曼滤波法对获取的图像进行降噪处理，随后使用结合BayesShrink阈值和WindowShrink阈值的多阈值去噪方法对降噪后的图像再次进行去噪处理，得到降噪去噪后的图像。