机器视觉辅助的输电塔锈蚀缺陷智能识别方法及系统与流程
本发明涉及ai视觉,具体涉及机器视觉辅助的输电塔锈蚀缺陷智能识别方法及系统。
背景技术:
1、输电塔长期暴露于户外环境,受风载、雨雪、工业污染及温湿度变化等影响,易发生锈蚀缺陷。螺栓节点板、角钢主材、横担、塔脚及爬梯等关键部件一旦严重锈蚀,将直接威胁输电线路的运行安全。传统锈蚀检测主要依赖人工登塔巡检或望远镜地面观察,存在劳动强度大、作业风险高、检测效率低、锈蚀程度判断主观性强等问题。
2、随着无人机航拍技术与机器视觉技术的发展,基于图像的输电塔锈蚀自动检测方法逐渐受到关注。然而,现有视觉检测方法仍存在诸多不足:第一,输电塔结构复杂,不同部件在图像中的尺度差异大、遮挡严重,锈蚀区域与正常区域的对比度受光照影响显著,单一特征检测方法的鲁棒性不足。第二,不同部件的结构重要性和锈蚀风险存在差异,例如塔脚的锈蚀危害远大于爬梯,但现有方法缺乏基于部件类型的差异化判定机制。第三,航拍图像中部件边缘清晰度影响锈蚀特征的提取质量,边缘模糊区域的特征可信度较低,现有方法未将该因素纳入决策。第四,现有方法采用固定阈值判定锈蚀,无法适应不同场景下锈蚀特征的分布差异。因此,亟需一种融合多维度锈蚀特征、考虑部件重要性差异、自适应图像质量影响的锈蚀智能识别方法。
技术实现思路
1、本发明针对现有技术中锈蚀检测依赖人工效率低、单一特征鲁棒性不足、缺乏基于部件重要性的差异化判定机制、未考虑图像边缘清晰度对特征可信度的影响,以及采用固定阈值无法适应不同场景分布差异的技术问题,提供机器视觉辅助的输电塔锈蚀缺陷智能识别方法及系统。
2、本发明解决上述技术问题的技术方案如下:
3、第一方面,本发明提供了机器视觉辅助的输电塔锈蚀缺陷智能识别方法,包括:
4、获取输电塔的多视角航拍图像,并对所述航拍图像进行部件分割,得到各部件的位置区域、部件类型和部件边缘清晰度;
5、提取各部件区域的多维锈蚀特征,所述多维锈蚀特征包括纹理特征、颜色特征和形状特征,并根据所述部件边缘清晰度确定各特征的锈蚀特征可信度;
6、根据各部件的部件类型和位置区域,确定各部件对应的初始关键节点层数,并根据所述锈蚀特征可信度对所述初始关键节点层数进行修正,得到目标关键节点层数;
7、获取锈蚀异常分类器,将各部件的多维锈蚀特征输入所述锈蚀异常分类器进行多层划分,判断各部件是否被目标关键节点层数及以下层数的分类节点划分为异常锈蚀,获得各部件对应的锈蚀异常判定结果;
8、根据各部件对应的锈蚀异常判定结果,输出锈蚀缺陷检测报告。
9、第二方面,本发明提供了机器视觉辅助的输电塔锈蚀缺陷智能识别系统,包括:
10、图像分割模块,用于获取输电塔的多视角航拍图像,并对所述航拍图像进行部件分割,得到各部件的位置区域、部件类型和部件边缘清晰度;
11、特征提取模块,用于提取各部件区域的多维锈蚀特征,所述多维锈蚀特征包括纹理特征、颜色特征和形状特征,并根据所述部件边缘清晰度确定各特征的锈蚀特征可信度;
12、层数修正模块,用于根据各部件的部件类型和位置区域,确定各部件对应的初始关键节点层数,并根据所述锈蚀特征可信度对所述初始关键节点层数进行修正,得到目标关键节点层数;
13、异常判定模块,用于获取锈蚀异常分类器,将各部件的多维锈蚀特征输入所述锈蚀异常分类器进行多层划分,判断各部件是否被目标关键节点层数及以下层数的分类节点划分为异常锈蚀,获得各部件对应的锈蚀异常判定结果;
14、报告输出模块,用于根据各部件对应的锈蚀异常判定结果,输出锈蚀缺陷检测报告。
15、本发明的有益效果是:
16、相较于现有技术,本发明首先通过部件分割获取部件类型、位置区域及边缘清晰度,建立了锈蚀检测的空间定位与图像质量评估基础。其次,融合纹理、颜色和形状三种特征,并依据边缘清晰度自适应计算特征可信度,在图像模糊时自动降低特征权重,提升了检测的鲁棒性。再次,综合考虑部件结构承重占比、海拔高度以及锈蚀特征可信度,动态计算目标关键节点层数,使结构重要性高、图像质量好的部件承受更严格的检测门槛,实现差异化判定。进而,利用锈蚀异常分类器对多维特征进行多层划分,通过判断是否在目标关键节点层数内被划分为异常以识别锈蚀,将部件重要性与异常判定的严格程度直接关联。最后,输出包含锈蚀位置分布、锈蚀等级统计和重点监测建议的检测报告。本发明解决了现有技术中特征单一、未考虑图像质量及部件重要性差异、固定阈值适应性差的问题。
1.机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,包括:
2.根据权利要求1所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,获取输电塔的多视角航拍图像,并对所述航拍图像进行部件分割,得到各部件的位置区域、部件类型和部件边缘清晰度,包括:
3.根据权利要求1所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,提取各部件区域的多维锈蚀特征,所述多维锈蚀特征包括纹理特征、颜色特征和形状特征,并根据所述部件边缘清晰度确定各特征的锈蚀特征可信度,包括:
4.根据权利要求1所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,根据各部件的部件类型和位置区域,确定各部件对应的初始关键节点层数,并根据所述锈蚀特征可信度对所述初始关键节点层数进行修正,得到目标关键节点层数,包括:
5.根据权利要求1所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,锈蚀异常分类器的构建步骤包括:
6.根据权利要求1所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,获取锈蚀异常分类器,将各部件的多维锈蚀特征输入所述锈蚀异常分类器进行多层划分,判断各部件是否被目标关键节点层数及以下层数的分类节点划分为异常锈蚀,获得各部件对应的锈蚀异常判定结果,包括:
7.根据权利要求6所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,判断各部件是否被目标关键节点层数及以下层数的分类节点划分为异常锈蚀,包括:
8.根据权利要求6所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,所述异常阈值的计算步骤包括:
9.根据权利要求1所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,其特征在于,根据各部件对应的锈蚀异常判定结果,输出锈蚀缺陷检测报告,包括:
10.机器视觉辅助的输电塔锈蚀缺陷智能识别系统,其特征在于,用于执行权利要求1至9任一项所述的机器视觉辅助的输电塔锈蚀缺陷智能识别方法,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com