[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

权利要求书

1.一种电网无人机巡检影像缺陷智能识别自学习训练方法，其特征在于，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，公式如下：

其中，F_fps代表该模型的综合评估分数，α表示检测速度的权重，β则表示发现率的权重是误报率的β倍，x′、y′、z′分别表示发现率、误报率和检测速度经归一化处理后的值；

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。

2.根据权利要求1所述的一种电网无人机巡检影像缺陷智能识别自学习训练方法，其特征在于，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高的图像剔除。

3.根据权利要求2所述的一种电网无人机巡检影像缺陷智能识别自学习训练方法，其特征在于，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。

4.根据权利要求1所述的一种电网无人机巡检影像缺陷智能识别自学习训练方法，其特征在于，采用如下公式对缺陷图像进行筛选：

D(f)＝∑_y∑_x|f(x,y)-μ|²

其中：D(f)表示图像的清晰度，f(x,y)表示图像对应像素点(x,y)的灰度值，μ表示整张图像的平均灰度值；

如果巡检图像的清晰度值小于阈值，则认为该图像模糊，将其筛除。

5.根据权利要求1所述的一种电网无人机巡检影像缺陷智能识别自学习训练方法，其特征在于，基于缺陷分类先验知识，使用标注工具LabelImage对缺陷图像进行标注。

6.根据权利要求1所述的一种电网无人机巡检影像缺陷智能识别自学习训练方法，其特征在于，对缺陷图像进行筛选标注后，再进行数据预处理，所述数据预处理包括数据增强和缺陷模拟。

7.一种电网无人机巡检影像缺陷智能识别自学习训练系统，其特征在于，包括：缺陷数据采集平台、数据管理平台、算法训练平台、模型管理平台、缺陷识别服务平台和检测图像上传平台；

所述缺陷数据采集平台用于收集无人机在巡检过程中拍摄的缺陷图像；

所述数据管理平台用于对缺陷图像进行筛选并标注，建立缺陷样本库；

所述算法训练平台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；

所述模型管理平台用于对生成的识别模型进行评估，公式如下：

其中，F_fps代表该模型的综合评估分数，α表示检测速度的权重，β则表示发现率的权重是误报率的β倍，x′、y′、z′分别表示发现率、误报率和检测速度经归一化处理后的值；

并根据评估结果对模型库进行更新；

所述缺陷识别服务平台用于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通过人工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，所述算法训练平台从缺陷样本库提取样本构成新的数据集，进行新一轮算法模型训练，所述缺陷识别服务平台从模型库调用更新的识别模型对所述检测图像上传平台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。