中期答辩基于深度学习的图像模式识别技术在无人机电力线路巡线中的应用研究.pptx

基于深度学习的图像模式识别技术在无人机电力线路巡线中的应用研究 背景知识 项目情况 识别流程 不足与对策 待完成的内容 目录 背景知识 输电线路的巡线工作是我国电网工作中的一项重大组成部分，需要耗费巨大的人力和物力，仍不能获得非常满意的效果，而本项目旨在探究利用对图像的模式识别技术，并将其运用在无人机上，在对电力线路进行无人机巡线时，可以由无人机拍摄并传回的视频信号进行识别并通过计算机找出可能存在的电力设施损坏等情况，减少了人工巡线可能存在的诸如巡线效率低、在复杂电力输送环境中的巡线难度和危险性高等情况，并可通过无人机巡线并自动识别坏点，减少人工参与度，降低电力工作人员劳动强度和危险度。本项目拟采用图像模式识别技术，对无人机巡线时所传回的视频图像予以解析，从图像中识别出电力设施（引流线、杆塔、绝缘子、防震锤、线夹、导线）并对其情况进行初步检测，标志出可能存在的故障点，待找出潜在故障点后再派出修复人员进行有针对的检修，减少了巡线效率低、巡线难度大等困难。 发展情况 目前国内外已有一定的无人机巡线的技术与实例运用，也有基于机器视觉的无人机电力巡线技术，但其研究的方向仅仅是对传回图像的基本处理，如降噪和大体的识别等，并没有将其使用算法来进行程序实现以获得更高精度的线路自动识别和坏点标注，所以本项目旨在运用基于基于深度学习的图像模式识别的技术，对其进行算法编制、优化以及程序实现。 项目情况 本项目旨在运用基于深度学习的图像模式识别的技术，首先通过基于模式识别的图像分析技术了解巡线技术的基本原理和实现步骤，在此基础上对巡线技术进行图像模式识别的探究，然后用计算机程序的形式对算法予以实现，最后通过测试和项目优化，得出项目的科创研究报告。 识别流程 电力线大致区域定位 线路特征区域定位 判断电力线损坏情况 识别环节 线路大致区域定位 图像采集 即通过可见光摄像头获取到电力线的真实图像 光线补偿 为避免采光环境差，对采集到的图像进行亮度和对比度的调节 获取电力线大致区域 通过图像处理算法从图像中寻找到电力线存在的大致区域，包括转换、膨胀、腐蚀等图像处理算法。 识别环节 线路特征区域定位 图像灰度化 将图像由彩色转换为灰度图像，便于下一步二值化 Grey = (299∗R + 587∗G + 114∗B + 500) /1000 图像二值化 即将灰度图像通过一定的阈值限制，转换为仅有黑白两色的线路图像 去除非特征区域 通过图像中黑色区域的形态判断，排除不具有光滑直线形态的区域 识别环节 线路特征区域定位 线路定位 从去除了非特征区域的图像中定位出电力线的一系列像素点坐标 获取特征区域 将定位到的线路的像素点转换为区域，以区域为单位进行特征提取 识别环节 判断电力线损坏情况 将特征区域与正常情况的特征进行对比 识别、训练和修正，提高准确度 不足与对策 若电力线在颜色复杂的地形地貌上方，会造成识别准确度下降？ 考虑采用从下向上，以天空为背景来拍摄图像 某些树枝的枝干可能会被误认为电力线而被识别出？ 考虑采用新的判定标准作为电力线的特征，如线状图像的光滑度等 当遇到两根及以上电线出现在同一图像时如何处理？ 考虑一次只识别一根，或根据上一段电线的走向判断当前交错的电线中哪一根是正在被检查的线路 待完成的内容 以C++语言程序的形式将各环节采用相应数据结构和算法予以实现 特征参数的提取和保存 经过多次识别、训练和修正特征参数，逐渐提高准确度 使用真正的无人机在实验室条件下进行实时图像回传及识别电力线 出错情况下的处理 文档的撰写和完善 谢谢！