CN111669501A - 基于无人机的拍摄方法、装置、计算机设备和介质 - Google Patents
基于无人机的拍摄方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN111669501A CN111669501A CN202010559904.3A CN202010559904A CN111669501A CN 111669501 A CN111669501 A CN 111669501A CN 202010559904 A CN202010559904 A CN 202010559904A CN 111669501 A CN111669501 A CN 111669501A
- Authority
- CN
- China
- Prior art keywords
- target object
- target
- shooting
- aerial vehicle
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/62—Control of parameters via user interfaces
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于无人机的拍摄方法、装置、计算机设备和介质，所述基于无人机的拍摄方法通过对所述初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重，使得所有的输入层的权重均处于一个固定的，且相对缩小的数值范围。所述无人机对于所有输入层权重的计算限制于一个固定的且相对较窄的范围内，大大减小了运算量，缩短了计算时间，也就是大大缩短了对所述目标对象的识别时间，提高了对于所述目标对象的识别效率。本申请实施例解决了传统技术中基于无人机的拍摄存在拍摄效率低的技术问题，达到了提高所述无人机对于所述目标对象拍摄效率的技术效果。
Description
技术领域
本申请涉及电力设备技术领域，特别是涉及一种基于无人机的拍摄方法、装置、计算机设备和介质。
背景技术
随着科技的发展，我国无人机产业已经逐渐从军用过渡到民用、商用等领域，其中，无人机的追踪拍摄功能在农业治理、森林火灾检测、火情预测、城市消防、森林检测、电力巡检等领域发挥着重要的作用。无人机的追踪拍摄功能主要是利用图像采集设备等对无人机视野下的目标进行拍摄和追踪。目前主要采用的方案是：先锁定目标并获取该目标的位置信息，然后根据该位置信息进行一系列计算，预估出该目标下一刻可能出现的位置，同时将该预估的位置信息发送至云台，云台调整拍摄角度至该预估的位置对目标进行拍摄。但是传统技术中基于无人机的拍摄存在拍摄效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于无人机的拍摄方法、装置、计算机设备和介质。
一种基于无人机的拍摄方法，所述方法包括：
获取视野图像，所述视野图像中包括目标对象；
根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
根据所述标量结果确定所述目标对象的位置信息；
根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
在其中一个实施例中，所述根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重，包括：
根据所述目标对象的类型确定预设目标权重范围；
根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重。
在其中一个实施例中，所述预设目标权重范围为(0，Nlevels-1)。
在其中一个实施例中，所述基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果，包括：
计算所述多个第一量化权重的权重和；
将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；
根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在其中一个实施例中，所述基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果还包括：
对每个输入层中的每个通道的所述第一量化权重进行量化，得到多个第二量化权重；
计算所述多个第二量化权重的权重和；
将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；
根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在其中一个实施例中，所述视野图像中包括多个目标对象，所述方法还包括：
根据所述目标对象的位置信息依次对多个所述目标对象进行序列标记，以得到所述目标对象的目标序列表；
根据所述目标序列表和每个所述目标对象的位置信息，控制所述图像采集设备依次对每个所述目标对象进行放大拍摄，得到多个所述目标对象的局部图像。
在其中一个实施例中，所述方法还包括：
获取所述图像采集设备对同一所述目标对象的拍摄次数；
若所述拍摄次数大于预设次数，且所述图像采集设备未拍摄到所述目标对象，则控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
一种基于无人机的拍摄装置，所述装置包括：
图像获取模块，用于获取视野图像，所述视野图像中包括目标对象；
量化模块，用于根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
标量结果确定模块，用于基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
位置信息确定模块，用于根据所述标量结果确定所述目标对象的位置信息；
拍摄控制模块，用于根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例提供的所述基于无人机的拍摄方法，通过对所述初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重，使得所有的输入层的权重均处于一个固定的，且相对缩小的数值范围。所述无人机对于所有输入层权重的计算限制于一个固定的且相对较窄的范围内，大大减小了运算量，缩短了计算时间，也就是大大缩短了对所述目标对象的识别时间，提高了对于所述目标对象的识别效率。本申请实施例解决了传统技术中基于无人机的拍摄存在拍摄效率低的技术问题，达到了提高所述无人机对于所述目标对象拍摄效率的技术效果。
附图说明
图1为一个实施例中基于无人机的拍摄方法的流程示意图；
图2为一个实施例中基于无人机的拍摄方法的流程示意图；
图3为一个实施例中基于无人机的拍摄方法的流程示意图；
图4为一个实施例中基于无人机的拍摄方法的流程示意图；
图5为一个实施例中基于无人机的拍摄方法的流程示意图；
图6为一个实施例中基于无人机的拍摄方法的流程示意图；
图7为一个实施例中基于无人机的拍摄装置的结构框图；
图8为一个实施例中基于无人机的拍摄方法的应用环境图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请一个实施例提供了一种基于无人机的拍摄方法，可以应用于无人机，用于控制无人机对目标对象进行拍摄。所述无人机可以包括：无人机本体、云台、图像采集设备和控制设备等，所述云台设置于所述无人机本体，所述图像采集设备设置于所述云台，且随着所述云台的旋转而转动；所述控制设备分别与所述云台、所述图像采集设备信号连接，所述控制设备用于控制所述云台和所述图像采集设备工作。请参见图1，以下实施例以该方法应用于所述控制设备，用于控制控制无人机对所述目标对象进行拍摄为例进行说明，包括以下步骤：
S100、获取视野图像，所述视野图像中包括目标对象。
所述视野图像是指通过所述图像采集设备拍摄的包括所述目标对象的图像，所述视野图像中的所述目标对象可以为一个，也可以为多个。所述视野图像可以存储于所述图像采集设备的存储器中，所述控制设备与所述图像采集设备信号连接，从所述图像采集设备的存储器中实时获取所述视野图像，也可以由所述控制设备从所述图像采集设备中实时获取，将获取到的所述视野图像存储于所述控制设备的存储模块。所述视野图像的分辨率可以为720P，也就是有效显示格式为：1280×720.SMPTE，所述视野图像的分辨率还可以为其他，例如：1280×768、1280×800等，本申请实施例对所述视野图像不作具体限定，可根据实际情况具体选择或者设定。所述目标对象是指所述无人机需要进行拍摄的对象，例如电力器件、具有缺陷的电力器件、电气设备、现场工作人员等，本实施例对于所述目标对象不作具体限定，可根据实际情况具体选择或者设定。
S200、根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重。
所述初始识别模型一般包括三个基本层：输入层、隐藏层和输出层，用于对所述视野图像中的所述目标对象进行初步分析处理。其中，所述输入层一般为多个，不同的所述输入层对应不同的权重，所述权重根据所述目标对象的不同具有不同的数值，同时，针对同一所述目标对象不同的所述输入层也对应有不同的所述权重。所述第一量化权重是指对所述输出层的初始权重进行量化后的得到的权重。当把所述视野图像输入至所述初始识别模型时，每层所述输入层均会对所述视野图像进行分析处理。例如可以采用量化器对所有所述的输入层的权重均进行量化，也就是将所有的所述输入层的所述权重值缩小至一个预设范围，例如初始权重的范围为(a1，b1)，对初始权重的范围进行量化后的权重范围为(a2，b2)，其中：a1<a2，b2<b1。所述初始识别模型可以采用yolov3系列模型、ssd系列模型等，本实施例对于所述初始识别模型不作具体的限定，可以根据实际需要具体选择，只需要满足可以实现对所述目标对象的识别功能即可。
S300、基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果。
所述标量结果用于表征所述目标对象是否出现在所述视野图像中以及所述目标图像的坐标位置。所述标量结果可以是包括所述目标对象的置信度，所述置信度是指所述目标对象在所述视野图像中出现的概率。例如将所述多个第一量化权重输入至所述初始识别模型的隐藏层，所述隐藏层对所述视野图像进行分析处理后即可输出一个数值，也就是所述置信度。同时，在分析处理过程中也获得了所述目标对象在所述视野图像中的坐标位置。多个所述输入层对所述视野图像进行初步处理时具有不同的第一量化权重，将多个所述第一量化权重输入至隐藏层，例如预设的函数等即可输出所述标量结果。
S400、根据所述标量结果确定所述目标对象的位置信息。
通过所述目标对象在所述视野图像中的坐标位置结合所述视野图像即可确定所述目标对象的具体位置信息。所述标量结果包括所述目标对象的置信度以及所述目标对象的坐标位置，确定所述目标对象的置信度也是基于每个卷积核在所述视野图像各个坐标点出现的概率，因此，在确定所述目标对象的置信度同时也确定了所述目标对象的位置信息。所述根据所述标量结果确定所述目标对象的位置信息可以采用上述的方法确定，也可以采用其他的方法确定，本实施例对于所述目标对象的位置信息的确定方法不作具体限定，可以根据实际情况具体选择。
S500、根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
所述局部图像是指可以展示所述目标对象局部细节特征的图像，例如所述目标对象为电力器件，通过所述局部图像可以清楚的看到所述电力器件的细节形貌，例如是否出现形变、掉色、缺陷等，通过所述形貌特征即可方便且准确的判断出所述电力器件是否存在缺陷或者是否处于正常状态等。所述局部图像通过图像采集设备拍摄得到，所述图像采集设备可以为普通标准相机，也可以为长焦相机。例如步骤S100中可以先利用广角相机拍摄所述视野图像，然后所述控制设备控制所述长焦相机对所述目标对象进行放大拍摄，以得到所述目标对象的局部图像。
本实施例提供的所述基于无人机的拍摄方法，通过对所述初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重，使得所有的输入层的权重均处于一个固定的，且相对缩小的数值范围，。所述无人机对于所有输入层权重的计算限制于一个固定的且相对较窄的范围内，大大减小了运算量，缩短了计算时间，也就是大大缩短了对所述目标对象的识别时间，提高了对于所述目标对象的识别效率。本实施例解决了传统技术中基于无人机的拍摄存在拍摄效率低的技术问题，达到了提高所述无人机对于所述目标对象拍摄效率的技术效果。
请参见图2，在一个实施例中，步骤S200包括：
S210、根据所述目标对象的类型确定预设目标权重范围。
不同输入层对应同种类型的所述目标对象具有不同的权重，不同的所述输入层具有不同数值的权重，例如包括：X1、X2、X3、X4。所述预设目标权重范围是指根据所述目标对象的类型确定的介于Xmin和Xmax之间的一个权重数值范围。所述预设目标权重范围可以根据实际情况具体设定或者选择，本实施例不作任何限定。
S220、根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重。
每个所述输入层针对不同的所述目标对象具有不同的权重，一般所述输入层为多层，多层所述输入层针对同种类型的所述目标对象具有不同的权重，当所述目标对象固定后，所述输入层对应的权重也随之确定。所述预设目标权重范围是指在所述目标对象确定后，不同的所述输入层对应的所述权重也随之确定，不同层的所述输入层对应不同的权重数值，某些输入层的权重数值比较小，某些输入层的权重数值较大，所述权重数值的阈值较宽。在对所述输入层进行分析处理时，识别计算时涉及的阈值范围过宽，计算量过大，计算耗时较长，从而导致所述无人机对于所述目标对象的识别效率低。本实施例通过逐通道量化来提高对于所述目标对象的识别效率，量化过程如下：
xQ＝clamp(O，Nlevels-1，xint)
其中：
同时，逆量化过程如下：xfloat＝(xQ-z)Δ，通过逐通道量化可以在保证精度的情况下实现对于目标识别模型运行速度的提高。其中，x表示每个输入层的权重，Δ表示尺度，z表示零点。通过逐通道量化使得不同所述输入层的所述量化数值介于相对集中的范围内，以减小计算的复杂度，从而提高所述无人机对于所述目标对象的识别效率。需要指出的是，所述量化还可以根据一些预设规则对其进行优化，例如对于单边分布，范围(Xmin，Xmax)需要进一步放宽去包含0点后再进行量化。例如，将范围为(2.1，3.5)的浮点型变量先放宽至(0，3.5)，然后再进行量化处理，确保0没有量化误差，从而提高本实施例对于所述目标对象的识别精度。
在一个实施例中，所述预设目标权重范围可以为(0，Nlevels-1)，所述量化器将一个取值为(Xmin，Xmax)的浮点型变量量化到(0，Nlevels-1)的取值范围，其中，对于8bit精度来讲，Nlevels＝256，使用尺度和零点将浮点型值映射为整型值，通过量化可以将例如32位的浮点型变量转换为8位，从而在保证识别精度的基础上减小运算量，从而提高对于所述目标对象的识别效率。
请参见图3，在一个实施例中，步骤S300包括：
S310、计算所述多个第一量化权重的权重和。
所述权重和是指所述多个第一量化权重的加和，用于表征所述目标对象在所述输入层的信息特性，且作为下一个处理层的输入参数。所述权重和可以为简单的权重之间加和，也可以按照一定的规则进行加权处理然后求和，例如可以和偏置一起求取加和以得到所述权重和。本实施对于所述权重和的确定方式不作具体限定，可根据实际情况具体选择。
S320、将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度。
所述预设传递函数又称激活函数，用于决定如何激活输入信号。所述输入信号就是上述的所述权重和。所述预设传递函数可以选择Sigmoid函数、阶跃函数、ReLu函数等，本实施例不作具体限定，可根据实际情况具体选择。所述置信度是指所述目标对象在所述视野图像中出现的概率，用于反映所述目标对象在所述视野图像中或者所述视野图像中某一个具体的位置出现的可能性大小。在所述视野图像中或者所述视野图像中的某一个具体的位置中出现的概率越大，则证明所述目标对象出现于所述视野图像中的可能性更大，也就是在一定程度上代表所述目标对象出现于所述视野图像中。
S330、根据所述目标对象的置信度确定所述故障检测模型的标量结果。
所述置信度为一个数值，用于表征所述目标对象在所述视野图像或者所述视野图像的某个位置中出现的概率大小。所述置信度越高，则证明所述目标对象出现的概率更大，也就确定所述目标对象存在于所述视野图像中，达到了识别所述目标对象的目的。同时，所述标量结果可以包括所述目标对象是否出现于所述视野图像中，以及所述目标对象的具体坐标位置。
请参见图4，在一个实施例中，步骤S300还包括：
S340、对每个输入层中的每个通道的所述第一量化权重进行量化，得到多个第二量化权重。
本实施例采用逐通道量化对于每个通道均进行量化，每个卷积核都有不同的尺度和零点，同时，对于激活输出我们不考虑逐通道量化，避免导致卷积操作和矩阵乘操作中的内积计算变得复杂，从而延长计算时间，降低对于所述目标对象识别的效率。步骤S220是根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重，以达到提高计算速度的目的。本实施例步骤S340是对每个通道均进行量化，进而提高对于所述输入层的权重的量化的精度，从而提高对于所述目标对象的识别精度，达到提高所述无人机的拍摄效果的目的。本实施例对于每个通道的所述第一量化权重进行量化同步骤S220相同，本实施例不再赘述。
S350、计算所述多个第二量化权重的权重和。
所述权重和同步骤S310相同，用于表征多个所述输入层的信息特性，且作为下一个处理层的输入参数。在本实施例中，所述权重和是指所述多个第二量化权重的加和，所述权重和可以为简单的权重加和，也可以为采用一定规则处理后的权重和，本实施对于所述权重和的确定方式不作具体限定，可根据实际情况具体选择。
S360、将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度。
同步骤S320相同，所述预设传递函数可以选择Sigmoid函数、阶跃函数、ReLu函数等，本实施例不作具体限定，可根据实际情况具体选择。所述置信度是指所述目标对象在所述视野图像中出现的概率，用于反映所述目标对象在所述视野图像中或者所述视野图像中某一个具体的位置出现的可能性大小。在所述视野图像中或者所述视野图像中的某一个具体的位置中出现的概率越大，则证明所述目标对象出现于所述视野图像中的可能性更大，也就是在一定程度上代表所述目标对象出现于所述视野图像中。需要指出的是，本实施例中的所述置信度是通过所述多个第二量化权重得到的，而所述第二量化权重是通过逐通道量化后得到权重，因此相对于逐层量化得到的所述第一量化权重的精度更高。
S370、根据所述目标对象的置信度确定所述故障检测模型的标量结果。
所述置信度为一个数值，用于表征所述目标对象在所述视野图像或者所述视野图像的某个位置中出现的概率大小。所述置信度越高，则证明所述目标对象出现的概率更大，也就确定所述目标对象存在于所述视野图像中，达到了识别所述目标对象的目的。同时，所述标量结果可以包括所述目标对象是否出现于所述视野图像中，以及所述目标对象的具体坐标位置
请参见图5，在一个实施例中，所述视野图像中包括多个目标对象，所述方法还包括：
S600、根据所述目标对象的位置信息依次对多个所述目标对象进行序列标记，以得到所述目标对象的目标序列表。
所述目标序列表是对多个所述目标对象进行排序后获得的序列表，用以确定所述目标对象的拍摄次序。所述目标序列表可以按照所述目标对象距离所述视野图像中心点的距离进行排序，从而减小每次所述图像采集设备移动距离或者旋转角度，从而提高对于所述目标对象的拍摄效率。对于多个所述目标对象进行序列标记的具体方式可以根据实际情况具体选择，本实施例不作具体限制。
S700、根据所述目标序列表和每个所述目标对象的位置信息，控制所述图像采集设备依次对每个所述目标对象进行放大拍摄，得到多个所述目标对象的局部图像。
所述目标序列表确定了对多个所述目标对象拍摄的次序，所述目标序列表存储于所述控制设备中，同时通过步骤S400确定的每个所述目标对象的所述位置信息也存储于所述控制设备中。所述控制设备按照所述目标序列表和所述位置信息控制所述图像采集设备旋转至所述目标对象的位置，对所述目标对象进行放大拍摄，以获得当前所述目标对象的局部图像。如此类推，所述控制设备按照所述目标序列表控制所述图像采集设备依次对多个所述目标对象进行放大拍摄，以得到多个所述目标对象的局部图像。
请参见图6，在一个实施例中，所述方法还包括：
S800、获取所述图像采集设备对同一所述目标对象的拍摄次数。
在本实施例中，所述拍摄次数是指所述图像采集设备对同一个所述目标对象的拍摄次数，所述拍摄次数可以通过计数器、计数电路等进行采集，所述控制设备实时获取所述拍摄次数并进行记录和存储。本实施例对于所述拍摄次次数的采集方式不作具体限定，可以根据实际情况具体选择。
S900、若所述拍摄次数大于预设次数，且所述图像采集设备未拍摄到所述目标对象，则控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
所述视野图像的获取和对所述目标对象的放大拍摄非同时进行，因此会有一定的间隔时间，在这个时间间隔内，所述无人机可能会因环境的影响而发生抖动或者所述目标对象因风等发生晃动。若仅是因为抖动等原因导致所述目标对象发生晃动等，所述图像采集设备一直对所述目标对象的初始位置进行放大拍摄，在一定拍摄次数内，所述目标对象定会回到初始位置，所述图像采集设备便可拍摄到所述目标对象的局部图像。但若所述图像采集设备在预设次数内仍未拍摄到所述目标对象，则证明所述目标对象已经发生移动，不再处于初始位置，因此，此时所述控制设备应该控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图7，本申请一个实施例提供了一种基于无人机的拍摄装置10，所述装置包括：图像获取模块100、量化模块200、标量结果确定模块300和位置信息确定模块400和拍摄控制模块500。
所述图像获取模块100用于获取视野图像，所述视野图像中包括目标对象；
所述量化模块200用于根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
所述标量结果确定模块300用于基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
所述位置信息确定模块400用于根据所述标量结果确定所述目标对象的位置信息；
所述拍摄控制模块500用于根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
在一个实施例中，所述量化模块200还用于根据所述目标对象的类型确定预设目标权重范围；根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重。
在一个实施例中，所述预设目标权重范围为(0，Nlevels-1)。
在一个实施例中，所述标量结果确定模块300还用于计算所述多个第一量化权重的权重和；将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在一个实施例中，所述标量结果确定模块300还用于对每个输入层中的每个通道的所述第一量化权重进行量化，得到多个第二量化权重；计算所述多个第二量化权重的权重和；将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在一个实施例中，所述视野图像中包括多个目标对象，所述基于无人机的拍摄装置10还包括：目标序列表确定模块600。
在一个实施例中，所述目标序列表确定模块600用于根据所述目标对象的位置信息依次对多个所述目标对象进行序列标记，以得到所述目标对象的目标序列表；根据所述目标序列表和每个所述目标对象的位置信息，控制所述图像采集设备依次对每个所述目标对象进行放大拍摄，得到多个所述目标对象的局部图像。
在一个实施例中，所述拍摄控制模块500还用于获取所述图像采集设备对同一所述目标对象的拍摄次数；若所述拍摄次数大于预设次数，且所述图像采集设备未拍摄到所述目标对象，则控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
关于基于无人机的拍摄装置10的具体限定可以参见上文中对于器件缺陷检测方法的限定，在此不再赘述。上述基于无人机的拍摄装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括：包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取视野图像，所述视野图像中包括目标对象；
根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
根据所述标量结果确定所述目标对象的位置信息；
根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
在一个实施例中，处理器执行计算机程序时还实现：根据所述目标对象的类型确定预设目标权重范围；根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重。
在一个实施例中，处理器执行计算机程序时还实现：所述预设目标权重范围为(0，Nlevels-1)。
在一个实施例中，处理器执行计算机程序时还实现：计算所述多个第一量化权重的权重和；将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在一个实施例中，处理器执行计算机程序时还实现：对每个输入层中的每个通道的所述第一量化权重进行量化，得到多个第二量化权重；计算所述多个第二量化权重的权重和；将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在一个实施例中，处理器执行计算机程序时还实现：根据所述目标对象的位置信息依次对多个所述目标对象进行序列标记，以得到所述目标对象的目标序列表；根据所述目标序列表和每个所述目标对象的位置信息，控制所述图像采集设备依次对每个所述目标对象进行放大拍摄，得到多个所述目标对象的局部图像。
在一个实施例中，处理器执行计算机程序时还实现：获取所述图像采集设备对同一所述目标对象的拍摄次数；若所述拍摄次数大于预设次数，且所述图像采集设备未拍摄到所述目标对象，则控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取视野图像，所述视野图像中包括目标对象；
根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
根据所述标量结果确定所述目标对象的位置信息；
根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
在一个实施例中，计算机程序被处理器执行时还实现：根据所述目标对象的类型确定预设目标权重范围；根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重。
在一个实施例中，计算机程序被处理器执行时还实现：所述预设目标权重范围为(0，Nlevels-1)。
在一个实施例中，计算机程序被处理器执行时还实现：计算所述多个第一量化权重的权重和；将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在一个实施例中，计算机程序被处理器执行时还实现：对每个输入层中的每个通道的所述第一量化权重进行量化，得到多个第二量化权重；计算所述多个第二量化权重的权重和；将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；根据所述目标对象的置信度确定所述故障检测模型的标量结果。
在一个实施例中，计算机程序被处理器执行时还实现：根据所述目标对象的位置信息依次对多个所述目标对象进行序列标记，以得到所述目标对象的目标序列表；根据所述目标序列表和每个所述目标对象的位置信息，控制所述图像采集设备依次对每个所述目标对象进行放大拍摄，得到多个所述目标对象的局部图像。
在一个实施例中，计算机程序被处理器执行时还实现：获取所述图像采集设备对同一所述目标对象的拍摄次数；若所述拍摄次数大于预设次数，且所述图像采集设备未拍摄到所述目标对象，则控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
请参见图8，本申请实施例提供的一种基于无人机的拍摄方法可以应用于计算机设备，该计算机设备的内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于无人机的拍摄方法。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于无人机的拍摄方法，其特征在于，所述方法包括：
获取视野图像，所述视野图像中包括目标对象；
根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
根据所述标量结果确定所述目标对象的位置信息；
根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
2.根据权利要求1所述的基于无人机的拍摄方法，其特征在于，所述根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重，包括：
根据所述目标对象的类型确定预设目标权重范围；
根据所述预设目标权重范围对每个输入层的权重值进行量化，得到所述多个第一量化权重。
3.根据权利要求2所述的基于无人机的拍摄方法，其特征在于，所述预设目标权重范围为(0，Nlevels-1)。
4.根据权利要求1所述的基于无人机的拍摄方法，其特征在于，所述基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果，包括：
计算所述多个第一量化权重的权重和；
将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；
根据所述目标对象的置信度确定所述故障检测模型的标量结果。
5.根据权利要求1所述的基于无人机的拍摄方法，其特征在于，所述基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果还包括：
对每个输入层中的每个通道的所述第一量化权重进行量化，得到多个第二量化权重；
计算所述多个第二量化权重的权重和；
将所述权重和输入预设传递函数，得到所述目标对象在所述视野图像中的置信度；
根据所述目标对象的置信度确定所述故障检测模型的标量结果。
6.根据权利要求1所述的基于无人机的拍摄方法，其特征在于，所述视野图像中包括多个目标对象，所述方法还包括：
根据所述目标对象的位置信息依次对多个所述目标对象进行序列标记，以得到所述目标对象的目标序列表；
根据所述目标序列表和每个所述目标对象的位置信息，控制所述图像采集设备依次对每个所述目标对象进行放大拍摄，得到多个所述目标对象的局部图像。
7.根据权利要求6所述的基于无人机的拍摄方法，其特征在于，所述方法还包括：
获取所述图像采集设备对同一所述目标对象的拍摄次数；
若所述拍摄次数大于预设次数，且所述图像采集设备未拍摄到所述目标对象，则控制所述图像采集设备按照所述目标序列表顺次对下一个所述目标对象进行放大拍摄。
8.一种基于无人机的拍摄装置，其特征在于，所述装置包括：
图像获取模块，用于获取视野图像，所述视野图像中包括目标对象；
量化模块，用于根据所述目标对象的类型对初始识别模型中的每个输入层的权重值进行量化，得到多个第一量化权重；
标量结果确定模块，用于基于所述多个第一量化权重对所述视野图像进行处理，得到所述目标对象的标量结果；
位置信息确定模块，用于根据所述标量结果确定所述目标对象的位置信息；
拍摄控制模块，用于根据所述位置信息控制无人机的图像采集设备对所述目标对象进行放大拍摄，得到所述目标对象的局部图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010559904.3A CN111669501B (zh) | 2020-06-18 | 2020-06-18 | 基于无人机的拍摄方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010559904.3A CN111669501B (zh) | 2020-06-18 | 2020-06-18 | 基于无人机的拍摄方法、装置、计算机设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111669501A true CN111669501A (zh) | 2020-09-15 |
| CN111669501B CN111669501B (zh) | 2021-10-22 |
Family
ID=72388744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010559904.3A Active CN111669501B (zh) | 2020-06-18 | 2020-06-18 | 基于无人机的拍摄方法、装置、计算机设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111669501B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734264A (zh) * | 2017-04-21 | 2018-11-02 | 展讯通信（上海）有限公司 | 深度神经网络模型压缩方法及装置、存储介质、终端 |
| CN108803668A (zh) * | 2018-06-22 | 2018-11-13 | 航天图景（北京）科技有限公司 | 一种静态目标监测的智能巡检无人机吊舱系统 |
| CN109902803A (zh) * | 2019-01-31 | 2019-06-18 | 东软睿驰汽车技术（沈阳）有限公司 | 一种神经网络参数量化的方法及系统 |
| US20190251436A1 (en) * | 2018-02-14 | 2019-08-15 | Samsung Electronics Co., Ltd. | High-speed processing method of neural network and apparatus using the high-speed processing method |
| CN110866472A (zh) * | 2019-11-04 | 2020-03-06 | 西北工业大学 | 一种无人机地面运动目标识别与图像增强系统及方法 |
-
2020
- 2020-06-18 CN CN202010559904.3A patent/CN111669501B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734264A (zh) * | 2017-04-21 | 2018-11-02 | 展讯通信（上海）有限公司 | 深度神经网络模型压缩方法及装置、存储介质、终端 |
| US20190251436A1 (en) * | 2018-02-14 | 2019-08-15 | Samsung Electronics Co., Ltd. | High-speed processing method of neural network and apparatus using the high-speed processing method |
| CN108803668A (zh) * | 2018-06-22 | 2018-11-13 | 航天图景（北京）科技有限公司 | 一种静态目标监测的智能巡检无人机吊舱系统 |
| CN109902803A (zh) * | 2019-01-31 | 2019-06-18 | 东软睿驰汽车技术（沈阳）有限公司 | 一种神经网络参数量化的方法及系统 |
| CN110866472A (zh) * | 2019-11-04 | 2020-03-06 | 西北工业大学 | 一种无人机地面运动目标识别与图像增强系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111669501B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871909B (zh) | 图像识别方法及装置 | |
| CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
| CN109671020B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
| CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
| CN111985458A (zh) | 一种检测多目标的方法、电子设备及存储介质 | |
| CN115049717B (zh) | 一种深度估计方法及装置 | |
| CN110807833A (zh) | 一种网状拓扑获得方法、装置、电子设备及存储介质 | |
| CN111373436A (zh) | 图像处理方法、终端设备及存储介质 | |
| CN113191270B (zh) | 抛洒事件检测方法、装置、电子设备及存储介质 | |
| CN116992946B (zh) | 模型压缩方法、装置、存储介质和程序产品 | |
| CN111669501B (zh) | 基于无人机的拍摄方法、装置、计算机设备和介质 | |
| CN115883969B (zh) | 一种无人机拍摄方法、装置、设备及介质 | |
| CN112991429A (zh) | 箱体体积测量方法、装置、计算机设备和存储介质 | |
| CN116385369A (zh) | 深度图像质量评价方法、装置、电子设备及存储介质 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN114820755A (zh) | 一种深度图估计方法及系统 | |
| CN111178299B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN114494682A (zh) | 一种物体位置预测方法、装置、设备及存储介质 | |
| CN112733681A (zh) | 图像处理方法、模型训练方法、装置、设备和存储介质 | |
| CN113034553A (zh) | 图像配准算法的评估方法、终端及存储介质 | |
| CN109146966A (zh) | 视觉slam前端处理方法、系统、存储介质及计算机设备 | |
| CN109000622A (zh) | 一种基于深度学习的水下定位方法及系统 | |
| CN116843683B (zh) | 设备成像清晰度评估方法、系统和装置 | |
| CN112288748A (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
| CN115880486B (zh) | 一种目标检测网络蒸馏方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Address before: 511458 Room 1301, Chengtou Building, 106 Fengze East Road, Nansha District, Guangzhou City, Guangdong Province (self-compiled 1301-12159) Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230404 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Patentee after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| TR01 | Transfer of patent right |