复杂干扰下配电线路无人机巡视目标检测方法研究

配电线路所处环境复杂,传统配电线路无人机巡视目标检测方法无法有效去除外界环境干扰,导致检测结果不可靠。为此,提出一种新的基于视觉感知的配电线路无人机巡视目标检测方法。通过可见光相机与紫外相机对无人机巡线图像进行采集,分析了紫外相机采集原理。通过直方图均衡化处理对采集图像进行增强处理,选用高斯滤波器对采集的配电线路无人机巡视图像进行滤波处理。对配电线路密集度区域和偏心度区域进行提取,获取配电线路无人机巡视目标特征向量。依据得到的特征向量确定无人机巡视目标,求出目标质心坐标,从而实现配电线路无人机巡视目标检测。实验结果表明,所提方法能够在干扰环境下有效实现配电线路无人机巡视目标的检测,检测结果可靠性高。     

基于SIFT算法的无人机烟株图像快速拼接方法

无人机由于受到飞行高度及携带相机焦距的限制,拍摄的图像范围很小,单个图像难以反映实际采集情况,为了获取拍摄区域全景图像,需将多个遥感图像进行拼接。传统的图像拼接算法具有计算量大、拼接耗时等缺点,无法满足无人机图像拼接的实时性要求。本文提出了一种基于SIFT特征向量的烟株遥感图像拼接方法,该方法在对无人机图像畸变进行预处理的基础上,利用相位相关算法确定图像重叠区域并检测该区域特征点,构建特征向量图来进行特征点匹配,最后根据两幅图像中相应特征点的坐标关系,采用RANSAC算法计算最优匹配变换矩阵。按照上述方法对获取的烟株图像进行拼接,结果表明:该方法快速有效,较传统SIFT拼接算法在速度上提高了49.8%。     

多模型融合的输电线路绝缘子自爆故障检测

针对输电线路巡检图像中绝缘子自爆区域小、背景复杂与故障绝缘子类型复杂多样的特点,提出一种多模型融合计算的绝缘子自爆故障检测方法.通过分析现有绝缘子自爆故障检测算法差异性,选取检测性能差异较为明显的三个目标检测算法(Mask rcnn、 Retinanet、 Yolov3),计算得到巡检图像中绝缘子自爆区域坐标及置信度.再利用多模型融合计算,融合各模型检测结果.最后实现架空输电线路无人机巡检图像中绝缘子自爆故障检测,得到绝缘子自爆故障检测综合评价值为94.81%.所提方法在平均准确率、召回率、准确率方面均高于单一模型检测结果.实验结果表明,本方法能有效实现架空输电线路无人机巡检图像中绝缘子自爆故障检测,对输电线路智能化巡检故障诊断具有一定参考价值.     

基于结构相似性粗定位与背景差分细分割的运动目标检测方法

针对抖动相机和静止相机下的运动目标检测问题,本文提出基于结构相似性粗定位与背景差分细分割的运动目标检测方法。首先使用动态模式分解法根据视频序列提取彩色背景图像为粗定位提供基础,提出在小范围内利用相关法对SIFT算子检测到的当前帧图像和彩色背景图像的特征点进行匹配,通过匹配点对的偏移量估计当前帧图像的偏移程度,以达到消除图像抖动的目的;然后利用结构相似性对目标区域粗定位,减少复杂背景的干扰;再对各通道下粗定位彩色背景图像及校正后的当前帧图像背景差分并对其结果进行与操作;最后通过形态学处理得到完整的运动目标。实验结果表明：本文方法不仅有效改善了相机的抖动问题,而且在抖动相机和静止相机两种情况下的检测率有所提高,与GMM等三种算法相比查全率和准确率分别提高1.6%、3.5%和3%以上。     

基于Jetson-TX2的输电线路设备实时巡检系统

针对输电线路及设备巡检效率低的问题,设计了一种基于Jetson-TX2的输电线路设备实时巡检系统。该系统包括基于YOLO v3算法的Jetson-TX2主控模块和云台相机控制模块。Jetson-TX2主控模块通过TensorRT加速库,对YOLO v3算法模型进行优化加速,完成视频流目标实时识别与定位;采用 PID算法控制云台(PTZ)相机,实现设备的高清图像采集。该系统对输电线路设备整体识别准确率达95%,可实现对视频流的实时检测,有效提高输电线路巡检效率。     

软间隔最大化在露天矿爆破区域人员疏散自动巡查中的应用研究

针对露天矿抛掷爆破前,危险区域人工巡查效率低、巡查员自身也存在安全风险的问题,通过无人机获取的航拍图像应用机器视觉进行处理,实现区域人员撤离后的自动巡查可以有效解决这些问题。由于当前目标检测算法对小目标识别率较低,不能满足巡查需要。图像超分辨率处理后,再进行目标检测可以显著提升目标的检出率。但是,考虑到实际应用中图像的超分辨率处理,需要的运算量较大,消耗的时间较长,影响巡查的效率。本文通过软间隔最大化支持向量机算法,在图像中筛选符合巡查目标成像轮廓的区域,在确保80%以上识别率的前提下,可以缩小图像中需要超分辨率处理的区域,提升巡查效率。     

基于云台相机的四旋翼无人机跟踪控制系统

针对四旋翼无人机跟拍过程中视角固定,易丢失目标的问题,设计了一种基于云台相机的四旋翼无人机跟踪控制系统。首先,使用云台相机对地面移动目标进行拍摄,通过对目标的颜色特征和形状特征进行检测识别,使用核相关滤波( KCF: Kernel Correlation Filter) 方法进行视觉跟踪,得到地面移动目标在图像坐标系的位置。然后,通过建立针孔模型,解算出在云台相机带有俯仰角时的无人机与地面目标的相对位置关系。最后,设计了离散串级比例-积分-微分( PID: Proportion-Integral-Differential) 踪控制器,实现对无人机的位移控制,使四旋翼无人机可对地面移动目标进行稳定跟踪。同时设计了串级比例-微分( PD: Proportion-Differential) 控制器以实现云台相机的视角跟踪,增大了无人机的跟踪范围,降低了丢失目标的风险。实验结果表明,所设计的四旋翼无人机跟踪控制系统可实现对地面移动目标的稳定跟踪。     

一种改进的Harris-RANSAC长焦相机标定算法

长焦相机采集近距离棋盘格图像时易出现相机离焦现象，导致棋盘格图像产生散焦模糊，极大地增加了相机标定的难度，同时传统的Harris角点检测算法对散焦模糊的棋盘格图像进行角点检测的结果即使经过非极大值抑制处理也仍然存在大量冗余角点.针对上述问题，基于随机抽样一致(random sample consensus, RANSAC)算法提出一种改进的Harris-RANSAC长焦相机标定算法.首先，引入感兴趣区域将Harris角点检测的区域缩小到棋盘格区域以避免背景干扰；其次，采用随机抽样一致算法替代传统的非极大值抑制方法剔除冗余角点；最后，针对模糊棋盘格图像的特性构造新的响应函数，进行亚像素级角点定位，从而得到精确的角点坐标.结果表明，改进的Harris-RANSAC算法对模糊棋盘格图像进行角点检测时耗时短且精度较高，角点检测的反投影误差仅为0.432像素.     

无人机晃动下基于相位的视觉振动检测

针对无人机平台视觉振动检测不准确的问题，文章提出一种抗无人机晃动的视觉振动检测算法，用于实现无人机拍摄镜头不稳定情况下的振动检测。该算法利用目标振动的局部性和无人机晃动的全局性，从源视频的混合信号中提取出目标振动。首先根据像素点亮度变化的剧烈程度实现目标振动区域与背景区域的分离；其次对图像的背景区域进行特征点提取，并求解背景区域的运动矩阵；然后对目标区域进行运动矫正，去除其包含的背景信号分量，即晃动信号分量；最后提取目标振动区域的局部相位序列，构建振动信号，并检测其振动频率。为了验证该算法的准确性，使用无人机在不同晃动幅度下拍摄多组视频并检测其振动频率。实验结果表明，该算法具有较高的准确性与鲁棒性，能够有效去除无人机晃动干扰，准确提取出视频中的目标振动信号。     

面向光伏发电功率预报的云层图像采集与分割研究

设计了一种跟踪太阳的机械装置,能够利用全景相机采集天空图像,并确保太阳在图像的中心区域,以获取更多更有效的云层信息。依据采集图像中白色云层与蓝色天空所含颜色分量的不同,提出一种基于颜色特征的云层检测方法,可以将云层从全景图像中分割出来,并对不同类型的云层进行处理。试验结果表明,设计的图像采集装置能有效获取太阳能电站区域的天空全景图像,设计的图像处理算法能有效分割云层区域,从而为后续的太阳能预报打下基础。     

双目视觉法测量接触线几何参数的图像处理方法研究

给出一种通过图像处理实现接触线几何参数测量的双目视觉方法。该方法无需激光辅助照明指引,通过对双目视觉系统中两相机采集的图像进行区域框选和平滑去噪,有效减小图像噪声和视场中承力索的干扰;利用亚像素边缘检测和最小二乘法对接触线的图像边缘进行直线拟合,提高了被测点在两相机中成像点位置的计算精度,从而提高了接触线几何参数的测量精度。测量实验表明,导高和拉出值的测量精度分别达到±4mm和±2mm,为接触线几何参数的快速高精度测量提供了一种切实可行的方案。     

基于颜色不变量和轮廓特征的地面多圆形目标检测

研究了一种室外环境旋翼无人机对地面多圆形目标检测的方法。考虑室外环境光照变化、阴影等自然因素以及无人机飞行高度、姿态变化等因素对目标检测带来的不利影响,首先引入颜色不变量特征;并采用改进K-means算法进行图像分割;其次根据目标轮廓特征,设置面积与圆形度阈值滤除干扰区域;最后,采用基于对称性的最小二乘法与残差度确定目标位置。实际实验及无人飞行器大赛验证了所研究方法的实时性和准确性。     

基于轻量级深度卷积神经网络的绝缘子检测

在无人机巡检图像中,检测出绝缘子是实现输电线路状态分析的关键.本研究采用轻量级卷积神经网络代替传统的人工特征提取器,获取输入图像的深层特征;利用深度学习目标检测网络对所提取特征进行处理和训练学习,实现多尺度、多种类的绝缘子目标检测.实验结果表明:该方法可以准确快速地识别出以山林背景为主的瓷质和复合两类绝缘子,其检测精度...     

基于深度学习的无人机单目视觉避障算法

针对基于单目视觉的无人机(UAV)避障问题,本研究提出基于单目深度估计和目标检测的四旋翼自主避障方法。其中,单目深度估计模型提供障碍物像素级别的深度信息,目标检测模型提供障碍物的位置信息。单张红绿蓝(RGB)图像的深度图和目标检测结果由卷积神经网络(CNN)获得;图像的区域划分以目标检测结果为依据,区域深度以深度估计结果为计算依据;规划算法依据区域深度和区域划分结果计算无人机的线速度和角速度,实现无人机的自主避障。为验证算法的自主避障性能,采用Parrot Bebop2无人机对本研究提出的算法与直飞算法进行实飞对比实验。结果表明:本研究提出的算法可用于四旋翼无人机的低速自主避障。     

基于机器视觉的环形工件表面字符的提取识别

文章针对工件环形表面字符检测的困难提出一种视觉检测算法.首先对相机采集的照片进行空间滤波、二值化处理的预处理操作,得到便于处理的圆形轮廓区域;然后对圆形轮廓进行基于梯度算法的轮廓查找、极坐标变换展开,使用基于连通域的方法对待检测区域实现字符区域定位,重复使用该方法分割单个字符图像;最后基于卷积神经网络识别算法对分割后的...     

一种运动目标单独识别的方法研究

利用不同人体之间纹理特征相异的特点提出一种检测特定目标的方法。首先,在背景差分图像中标识不同的运动区域,确定这些区域的极大概率、能量和熵3种特征向量;再把这3种向量进行相似性处理;最后比较处理数据的相似程度,从而达到对特定运动目标识别的目的。通过实验表明,这种方法不止在单幅图像中能识别出其中的特定目标,而且能计算序列图像中同一特定目标的相关性。     

高动态多光照环境下图像灰度校正方法研究

在高动态多光照环境下,采集的图像通常存在光照不均匀的现象,需对其进行灰度校正处理。当前图像灰度校正方法无法有效分离高动态多光照环境下图像的目标点与背景点,图像灰度校正效果不佳。为此,提出一种新的图像灰度校正方法,依据Retinex中的照度和反射模型对高动态多光照环境下的图像进行描述,通过投影思想对高动态多光照环境下的图像区域进行分割。针对页白区域,将其置为背景色;针对均匀区,通过全局处理方式对其进行灰度校正处理;针对阴影区域,通过采样法对其进行灰度校正处理,给出高动态多光照环境下图像灰度校正的详细过程。实验结果表明,采用所提方法对图像进行灰度校正处理后,图像质量高,细节丢失少,且处理速度快。     

输电线路除冰机器人基于小波矩及SVM的障碍物识别研究

障碍物检测与识别是高压输电线路除冰机器人自主越障和行走的前提条件.本文根据除冰机器人自身结构以及高压线路工作环境的要求,设计了一种障碍物智能识别方法.首先对机器人在线拍摄的障碍物图像进行预处理、最佳阈值处理,然后用小波模极大值计算二值图像边缘,再计算具有不变性的图像小波矩,把优化后的小波矩特征输入支持向量机(SVM)进行分类,从而实现对障碍物的识别.实验表明:障碍物的小波矩特征向量稳定可靠,SVM目标识别准确率高,利用两者优势对障碍物进行识别是一种切实可行的方法。     

基于深度图像的带式输送机煤量检测方法

针对现有的带式输送机煤量检测方法会受到井下昏暗环境的影响,识别精度不高的问题,提出一种适用于井下环境的带式输送机煤量检测方法。基于深度图像的获取不受井下昏暗环境影响的特点,以深度相机获取的不同煤量深度图像为研究对象,对其进行滤波处理以滤除干扰信息并增强特征信息,提出一种DID-CNN识别网络对滤波后的煤量深度图像进行特征提取,并最终将煤量分为3个不同类别作为检测结果,该结果可用于胶带机带速的分级调控。结果表明：所提出的煤量检测模型的准确率达到99.3%,模型的F1分数为0.991,平均检测每张图片的时间为0.024 3 s。基于深度图像的带式输送机煤量检测方法可以有效消除井下昏暗环境对煤量检测造成的干扰,具有较高的检测精度和较快的处理速度。该方法可为提高带式输送机运输效率、实现节能降耗以及延长设备使用寿命等方面提供支持。     

面向图像的有效目标区域提取方法

针对图像标注、目标识别等实际应用中图像的前景目标定位不够准确的问题,提出了一种图像中的有效目标区域提取方法。该方法以提取图像的前景目标为目的,将目标区域提取问题转化为二分类问题,实现了对图像中有效目标区域的提取,主要包括4个步骤:利用选择性搜索算法生成图像中的候选目标区域;通过对像素值的差值化处理来进行图像区域的特征增强;基于深度学习实现对候选目标区域进行分类;区域选择与融合。在MSCOCO数据集上进行实验,结果表明,该方法在保证较高召回率的基础上,达到了比现有多种算法更加准确的目标区域定位结果。