基于边缘计算的无人机电力巡检实时分析方法与流程

本发明涉及无人机电力巡检，具体为基于边缘计算的无人机电力巡检实时分析方法。

背景技术：

1、无人机电力巡检中，利用机载边缘计算设备对杆塔区域进行实时图像分析，能够及时发现线路部件破损、脱落、异物搭挂等隐患。现有实时分析方法通常将巡检图像与历史标准图像进行逐像素比对，依据亮度或颜色差异提取异常区域。这类方法对拍摄环境变化高度敏感，杆塔表面因光照角度、天气条件不同而产生的自然外观差异，经常导致大量虚假异常像素团块被检出。这些虚假团块在形状和分布上缺乏规律，直接参与后续分析会耗费计算资源，并造成大量误报警。

2、此外，真实的结构类隐患如部件松动、裂纹扩展等，其表面形变往往伴随细微且非均匀的纹理走向改变，仅依靠像素级差异的幅度难以将其与背景区域的正常纹理起伏区分开。

3、如何从包含大量虚警的初始差异区域中分离出可信的异常目标，以及如何借助纹理结构信息准确判断差异区域是否为真实结构异常，是当前无人机前端实时巡检图像分析中需要解决的问题。

技术实现思路

1、提供一种基于边缘计算的无人机电力巡检实时分析方法，在无人机前端完成图像采集后，能够有效抑制因光照变化、轻微视角差异产生的虚假异常，并从纹理结构变化角度对疑似隐患区域进行可靠确认，减少误报警，提升巡检分析的实时性和准确性。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种基于边缘计算的无人机电力巡检实时分析方法，针对现有技术中杆塔区域巡检图像异常识别易受噪声干扰、隐患区域判定准确性不足的问题，通过边缘曲率筛选与纹理偏差累积量双重校验，提升巡检分析可靠性。

3、该方法包括：获取无人机在巡检航线上采集的杆塔区域的实时巡检图像；

4、根据所述实时巡检图像与所述杆塔区域的标准参考图像，提取所述实时巡检图像中的异常像素团块，获得初始异常团块集合；

5、根据所述初始异常团块集合内各个异常像素团块的边缘曲率变化率，筛选所述初始异常团块集合，获得目标异常团块集合；

6、根据所述目标异常团块集合在所述实时巡检图像中的分布密度，从所述实时巡检图像中分割出待确认隐患区域；

7、根据所述待确认隐患区域内的纹理走向与所述标准参考图像中对应区域的标准纹理走向的夹角序列，计算所述待确认隐患区域的偏差累积量；

8、当所述偏差累积量大于预设偏差累积量阈值时，将所述待确认隐患区域标记为疑似隐患区域；

9、根据所述疑似隐患区域在所述实时巡检图像中的位置，生成巡检告警信号。

10、作为本发明的一个优选技术方案，提取初始异常团块集合的过程包括：将所述实时巡检图像与所述标准参考图像对齐，获得对齐巡检图像；计算所述对齐巡检图像中每个像素点与所述标准参考图像中对应像素点的亮度差值；将所述亮度差值大于预设亮度差阈值的像素点标记为差异像素点；对所述差异像素点执行八邻域连通聚类，获得所述异常像素团块；汇集所述异常像素团块，作为所述初始异常团块集合。该方案在图像对齐基础上逐像素提取差异，并利用八邻域连通聚类将孤立或离散的差异像素聚合成团块，能够更完整地捕捉杆塔区域因异物、破损等产生的微小异常形态，同时避免单个噪声点被误判为异常。

11、作为本发明的一个优选技术方案，从初始异常团块集合中获得目标异常团块集合的过程包括：提取所述初始异常团块集合内每个异常像素团块的边缘轮廓；计算所述边缘轮廓上每个边缘点的曲率值；将所述边缘轮廓上相邻边缘点的曲率值的差值绝对值，作为所述边缘曲率变化率；当所述异常像素团块的所有边缘点的所述边缘曲率变化率均小于预设曲率变化阈值时，保留所述异常像素团块；当所述异常像素团块存在任一边缘点的所述边缘曲率变化率大于或等于所述预设曲率变化阈值时，剔除所述异常像素团块；将保留的所有异常像素团块，作为所述目标异常团块集合。通过边缘曲率变化率的全局一致性判断，能够有效滤除光照变化、阴影或背景纹理引起的边界不规则的虚假异常团块，保留轮廓平滑、疑似真实设备缺陷的目标团块，降低后续处理的虚警率。

12、进一步地，计算所述边缘轮廓上每个边缘点的曲率值时，可对所述边缘轮廓进行参数化样条拟合，计算拟合曲线上每个采样点处的一阶导数和二阶导数，根据所述一阶导数和所述二阶导数计算所述采样点处的曲率值，作为对应边缘点的所述曲率值。样条拟合能平滑轮廓噪声，使曲率计算更稳定，提高异常团块筛选的准确性。

13、作为本发明的一个优选技术方案，从所述实时巡检图像中分割出待确认隐患区域的过程包括：计算所述目标异常团块集合中每个目标异常团块的中心点；对全部所述中心点执行德劳内三角剖分，获得三角剖分网格；计算所述三角剖分网格中每个三角形的面积；将面积小于预设面积阈值的三角形所覆盖的区域，标记为高密度分布区域；在所述实时巡检图像中截取包含所述高密度分布区域的最小外接矩形，作为所述待确认隐患区域。利用德劳内三角剖分根据团块中心点构建空间邻接关系，通过三角形面积度量局部聚集程度，能够精准定位异常团块紧密聚集的高风险区域，避免对稀疏分散团块进行冗余分析，提升隐患区域定位效率。

14、作为本发明的一个优选技术方案，计算所述待确认隐患区域的偏差累积量的过程包括：在所述待确认隐患区域内按照预设步长采样多个第一纹理采样点；计算每个所述第一纹理采样点处的纹理走向角；在所述标准参考图像中与所述待确认隐患区域对应的区域内，按照所述预设步长采样多个第二纹理采样点；计算每个所述第二纹理采样点处的标准纹理走向角；计算同一采样位置处的所述纹理走向角与所述标准纹理走向角的差值的绝对值，作为夹角值；将全部采样位置处的所述夹角值按照采样顺序排列，获得所述夹角序列；对所述夹角序列中所有夹角值求和，获得所述偏差累积量。该方式通过对比隐患候选区与标准参考区在相同位置下的纹理走向，将局部走向差异累积为全局偏差量，能够敏感地反映设备结构变形、部件位移等引起的纹理规律性变化，提升隐患判别的灵敏度。

15、进一步地，计算每个所述第一纹理采样点处的纹理走向角时，可以所述第一纹理采样点为中心，建立预设尺寸的局部窗口；计算所述局部窗口内每个像素点的水平梯度和垂直梯度；根据所述水平梯度和所述垂直梯度，计算所述局部窗口的结构张量矩阵；提取所述结构张量矩阵的主特征向量；将所述主特征向量的方向角，作为所述第一纹理采样点处的所述纹理走向角。基于结构张量的主方向估计对图像对比度变化鲁棒，能稳定提取纹理优势方向，保证纹理走向角计算的可靠性。

16、作为本发明的一个优选技术方案，将所述待确认隐患区域标记为疑似隐患区域的过程包括：获取所述待确认隐患区域的第一面积值；根据所述第一面积值，查询面积-阈值映射表，获得与所述第一面积值对应的所述预设偏差累积量阈值；当所述偏差累积量大于所述预设偏差累积量阈值时，将所述待确认隐患区域标记为所述疑似隐患区域。通过面积自适应阈值设定，使得判定标准与隐患区域尺寸相关联，不同尺度的候选区域采用差异化判决门限，有效兼顾对小面积显著隐患和大面积轻微形变的准确识别。

17、作为本发明的一个优选技术方案，生成巡检告警信号的过程包括：获取所述疑似隐患区域在所述实时巡检图像中的像素坐标；根据所述无人机在采集所述实时巡检图像时的拍摄参数，将所述像素坐标转换为所述杆塔区域中的实际空间坐标；根据所述实际空间坐标和所述实时巡检图像的采集时间戳，生成所述巡检告警信号；将所述巡检告警信号发送至地面监控终端。通过将图像坐标反算为实际空间坐标，使告警信息直接包含隐患在杆塔上的真实位置，便于运维人员快速定位和处置，提高巡检闭环效率。

18、与现有技术相比，本发明通过对差异像素团块进行边缘曲率一致性筛选，剔除轮廓突变噪声团块，再通过目标团块空间分布密度提取待确认隐患区域，并利用纹理走向偏差累积量进行精细校验，在边缘计算资源受限条件下实现了从粗检到精判的多级异常分析，有效抑制了光照变化、背景干扰和局部噪声引起的误报，同时增强了对杆塔结构微小形变、异物附着等真实隐患的识别能力，为电力线路无人机自主巡检提供了高可靠性的实时分析方法。

19、在上述技术方案中，本发明提供的技术效果和优点：

20、通过边缘曲率变化率对初始异常团块进行筛选。提取每个异常像素团块的边缘轮廓并计算各边缘点的曲率值，将相邻边缘点曲率差值绝对值作为边缘曲率变化率。当团块中所有边缘点的该变化率均小于预设阈值时，予以保留，否则剔除。光线变化或配准误差产生的虚假差异区域通常具有不规则、剧烈抖动的边缘，其曲率变化率大；而真实结构缺陷如裂纹、部件缺损的边缘变化相对平缓连续。该筛选操作能够滤除因光照不均匀、阴影、轻微错位等引起的虚警团块，得到更具可信度的目标异常团块集合，减少后续步骤的无效计算，降低误检输出。

21、利用目标异常团块的分布密度与纹理走向偏差累积量进行隐患确认。通过对目标异常团块中心点执行德劳内三角剖分，将面积小于预设阈值的三角形覆盖区域标定为高密度分布区域，进而截取待确认隐患区域。在此基础上，同步采样该区域与标准参考图像对应区域的纹理走向角，构建夹角序列并求和得到偏差累积量。纹理走向的累积偏差能够反映杆塔表面结构的非均匀形变、错位或异常物体引入的走向扰动，将单纯依赖团块密度定位与结构纹理验证相结合，使得对真实结构异常的分割和判定更加准确，避免仅依靠团块分布密度造成的位置误判，在光照变化和复杂背景下依然能够稳定识别隐患。