CN115115950A - 一种基于图像直方图特征的无人机图像查重方法 - Google Patents
一种基于图像直方图特征的无人机图像查重方法 Download PDFInfo
- Publication number
- CN115115950A CN115115950A CN202210556614.2A CN202210556614A CN115115950A CN 115115950 A CN115115950 A CN 115115950A CN 202210556614 A CN202210556614 A CN 202210556614A CN 115115950 A CN115115950 A CN 115115950A
- Authority
- CN
- China
- Prior art keywords
- image
- unmanned aerial
- aerial vehicle
- images
- histogram
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像直方图特征的无人机图像查重方法,本发明中提出的方法使用计算图像直方图特征,直方图特征在提取过程中只涉及到对图像灰度值的计数统计,未进行复杂的浮点数运行操作,算法时间复杂度和空间复杂度较低,运行效率高,非常识别在边缘端设备部署。同时,本发明使用图像直方图特征匹配对无人机拍摄的图像进行查重处理,减少了无人机对图像存储操作,降低了耗电量,减少了数据存储量,减轻了后期对巡检图像查阅的人力物力投入。
Description
技术领域
本发明涉及无人机图像相关技术领域,特别是一种基于图像直方图特征的无人机图像查重方法。
背景技术
目前,无人机在输电线路巡检中的应用效果十分显著,已经在电网广泛应用并取得了良好的效果。但由于无人机高精度巡检对飞控操作人员要求高、培训周期长,制约了无人机巡视作业模式的推广。
现有的无人机巡检方式对无线信号传输有着严重的依赖,山地、丘陵地区输电线路无人机巡检运维工作存在无信号的情况导致有效作业距离小,无网络条件下的无人机巡检模式是亟待解决的问题。在无网络情况下,不能采用人工操作无人机进行巡检导致巡检照片数据标准不统一、数据质量参差不齐、存在大量重复拍摄的照片,大量低质量或重复巡检图像的产生,不仅消耗了无人机上有限的电能资源而且也加大了后期数据存储量和图像查阅的工作量。
因此,我们需要研究一种高精度且时间复杂度和空间复杂度较低能够运行在边缘终端设备上的图像查重方法。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的无人机高精度巡检中存在的问题,提出了本发明。
因此,本发明其中的一个目的是提供一种基于图像直方图特征的无人机图像查重方法,无人机作业过程依赖无线网络获取到作业及飞行指令,在无网络条件下的输电线路巡检中由于没有人为干预,无人机将拍摄大量重复冗余的巡检图像,由于拍摄大量无效图像导致无人机有效巡检时间变短,对无人机存储量要求增大,同时也加大了后期图像查看的人力物力投入。
为解决上述技术问题,本发明提供如下技术方案:一种基于图像直方图特征的无人机图像查重方法,其包括,无人机搭载成像设备进行巡视;对输入视频进行实时检测,对检测到的区域采用直方图特征作为图像匹配查重;采用图像直方图特征向量之间的相关系数来衡量图像之间的重复性,利用阈值化方法对无人机所拍摄的图像进行筛选;最终判断是否在数据库中,若是,则重新进行检测;若否,则存储图片。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:对图像物体进行检测中,将标记好的数据集进行随机抽样,将数据划分为训练部分和验证部分,并对图像进行缩放处理,将图像缩放到640*640的分辨率。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:采用均值模板对原始图像进行卷积运算,进行降采样和平滑,其卷积运算数学表达式如下所示,
I(x,y)=S(x,y)*T(x,y)
其中,I表示卷积操作的输出结果,T表示卷积模板,S代表输入的原始图像。x和y分别图像中的目标的像素横、纵坐标。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:对缩放后的图像进行非线性的增强,减小因光线变化对图像物体检测过程的影响,采用对数变换对图像中低灰度值区域进行扩展,将其高灰度值部分压缩,从而强调图像低灰度区域;其对数变换表达式如下所示,
其中,c缩放系数,r控制像素增强的对比度,v为输入像素值,S为对数增强后的像素值。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:将预处理后的图像传入模型的输入层,该模型将检测的过程设置为回归问题,把输入的图像分割成N*N个网格,为每个网格预测B个边框以及每个边框对应的信度值,还预测相似于每个待检测类的概率。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:模型检测到当前图片中包含输电线路常见部件后对图像进行直方图特征提取,灰度级为[0,L-1]范围的数字图像的直方图是离散函数,公式如下所示,
h(rk)=nk
通过直方图公式,给出归一化的直方图,其公式如下所示,
其中,k=0,1,2...,L-1,rk是第k级灰度,nk是图像中灰度级为rk的像素个数,n表示图像中像素的总数,p(rk)给出了灰度级为rk发生的概率值,归一化直方图的所有部分概率之和等于1,对图像进行直方图归一化处理后,使得直方图特征具有尺度不变性,提升图像查重算法场景适应性。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:通过计算两幅图像直方图特征向量之间的相关系数,来表征两幅图像之间的相似程度,随机变量的协方差及相关系数计算公式,如下所示,
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}
其中,E{}是求随机变量的数学期望,D(X)和D(Y)是求随机变量的方差,Cov(X,Y)是计算随机变量的协方差,X和Y分别代表两张待对比图像的归一化后直方图曲线,ρxy:代表计算随机变量的相关系数。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:将当前图像与三个标准模板图像的RGB三个通道特征向量依次输入随机变量的协方差及相关系数计算公式中,可计算得到两幅图像对应三个通道之间的相关系数,其中,通过判断图像的相关系数来实现了图像之间相似度的量化描述,相关系数的取值范围在[-1,1]之间,相关系数越靠近1,判定两个直方图之间的相关性越大,图像之间相关性越大,重复越高。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:设置过滤阈值来控制保存拍摄图像的数量,过滤阈值判定图像是否为重复出现,进而判断图像是否需要保存,判断公式如下所示,
其中,ρxy:代表计算随机变量的相关系数,T是两张对比图像是否满足重复的判断阈值,通常将T的值设为0.9。
作为本发明所述基于图像直方图特征的无人机图像查重方法的一种优选方案,其中:在实时检测前可以对模型进行训练,将训练部分的数据输入数据库;人工筛选输电线路部件图像,对常见部件区域进行标注,对标注后的常见部件数据进行统计分析;基于深度学习的识别模型设计,剔除小目标,对训练数据进行增强,增加检测层数量,增加锚点数量;利用样本库中的数据对模型进行训练,将训练完成的输电线路部件识别模型部署到终端计算设备中对输入视频进行实时检测。
本发明的有益效果:本发明中提出的方法使用计算图像直方图特征,直方图特征在提取过程中只涉及到对图像灰度值的计数统计,未进行复杂的浮点数运行操作,算法时间复杂度和空间复杂度较低,运行效率高,非常识别在边缘端设备部署。同时,本发明使用图像直方图特征匹配对无人机拍摄的图像进行查重处理,减少了无人机对图像存储操作,降低了耗电量,减少了数据存储量,减轻了后期对巡检图像查阅的人力物力投入。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为实施例所述基于图像直方图特征的无人机图像查重方法的流程图。
图2为实施例所述基于图像直方图特征的无人机图像查重方法的示例图像及对应直方图。
图3为实施例所述基于图像直方图特征的无人机图像查重方法对数增强后的像素值趋势图。
图4为实施例所述基于图像直方图特征的无人机图像查重方法的模型训练流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1~3,为本发明第一个实施例,该实施例提供了一种基于图像直方图特征的无人机图像查重方法,目前无人机技术在输电线路巡检作业中得到了广泛应用,相比于传统的人工巡检方向,在工作效率方面有了很大的提升。但是无人机作业过程依赖无线网络获取到作业及飞行指令,在无网络条件下的输电线路巡检中由于没有人为干预,无人机将拍摄大量重复冗余的巡检图像,由于拍摄大量无效图像导致无人机有效巡检时间变短,对无人机存储量要求增大,同时也加大了后期图像查看的人力物力投入。
基于上述问题,本发明研究一种高精度且时间复杂度和空间复杂度较低能够运行在边缘终端设备上的图像查重方法。详细步骤如下:
S1:无人机搭载成像设备进行巡视。
无人机获取可见光图像。由于图像数据有无接触、远距离、信息量丰富、硬件成本较低的特点,所以被广泛的应用在各行各业中。在巡检无人飞机上的云台上搭载了可见光成像设备来实时的获取输电线路上的图像数据。可以通过云台来控制相机的拍摄角度及拍摄速度,通过无人飞机上搭载的终端计算设备对图像进行实时检测分析。
建立基于yolov5的物体检测模型。随着模式识别理论和硬件数据处理单元的性能提升,使得我们能够对多参数的大型物体检测模型进行训练和使用。
1、输电线路样本图像收集
本发明所使用的图像数据均来自于大疆精灵4及M300系列无人机巡检输电线路师所拍摄的图像。共计收集了988张图像对其中的5个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子、复合绝缘子、连接金具、均压环和屏蔽环五种部件的子集进行测试实验,以及研究这些因素与模型最终识别精度的相关性。
关于图像物体检测模型选择,图像物体检测的问题包含两个方面的内容首先是定位出图像中物体所出现的位置,其次是确定物体的类型。可以将基于图像的物体检测方法分为两个大的类型:基于图像特征提取和滑动窗口的方法;基于深度神经网络的回归方法。
基于特征工程的物体检测方法包括区域选择、特征提取、分类三个步骤,算法的运算量较大,区域选择的策略效果差,手工提取特征的自适应程度低,导致算法的时间和空间复杂度较高,而且物体的检测精度最高只能达到35.1%(VOC数据集)。
由于通过增加神经网络的节点数量可以拟合任意形式的函数,基于神经网络的物体检测算法利用神经网络的强大拟合能力,可以自动的学习到图像中待检测目标的特征,将神经网络提取的特征输入到全连接网络中,对其进行位置回归和分类,在电网输电线路的图像数据集上可以达到92%的识别精度。在检测精度和处理速度的相互权衡下,本发明中选择了YOLO检测框架作为实时物体检测的方法。
S2:对输入图像进行实时检测,对检测到的区域采用直方图特征作为图像匹配查重。
本发明将标记好的数据集进行随机抽样,将数据划分为两个部分训练部分和验证部分。对图像进行缩放处理将图像缩放到640*640的分辨率(这个分辨率只要是32的倍数即可)。在缩放时采用均值模板对验证部分的原始图像进行卷积运算,这样既可以对图像进行降采样又可以对图像进行平滑。
采用均值模板对原始图像进行卷积运算,进行降采样和平滑,其卷积运算数学表达式如下所示,
I(x,y)=S(x,y)*T(x,y)
其中,I表示卷积操作的输出结果,T表示卷积模板,S代表输入的原始图像。
对缩放后的图像进行非线性的增强,减小因光线变化对图像物体检测过程的影响,采用对数变换对图像中低灰度值区域进行扩展,将其高灰度值部分压缩,从而强调图像低灰度区域;其对数变换表达式如下所示,
其中,c缩放系数,r控制像素增强的对比度,
v为输入像素值,S为对数增强后的像素值。
当设定的缩放系统C=255时,控制像素增强的对比度选择r=0.7,V为输入像素值,S为对数增强后的像素值。其输入像素值V和输出像素值S趋势图如图3所述。通过图3可以看出不同的对比度,其对数增强后的像素值S不同。
将预处理后的图像传入模型的输入层,该模型将检测的过程设置为回归问题,把输入的图像分割成N*N个网格,为每个网格预测B个边框以及每个边框对应的信度值,还预测相似于每个待检测类的概率。
模型检测到当前图片中包含输电线路常见部件后对图像进行直方图特征提取,灰度级为[0,L-1]范围的数字图像的直方图是离散函数,公式如下所示,
h(rk)=nk
通过直方图公式,给出归一化的直方图,其公式如下所示,
其中,k=0,1,2...,L-1,rk是第k级灰度,nk是图像中灰度级为rk的像素个数,n表示图像中像素的总数;
p(rk)给出了灰度级为rk发生的概率值,归一化直方图的所有部分概率之和等于1,对图像进行直方图归一化处理后,使得直方图特征具有尺度不变性,提升图像查重算法场景适应性。
在无人机搭载的yolov5模型检测到当前图片中包含输电线路常见部件后对图像进行直方图特征提取构成图像的直方图特征向量3个256维的特征向量,如图2中右边曲线图所示,其中红、绿、蓝对应于图像的R、G、B三个通道。图2中我们可以看到将原始图像进行顺时针旋转90后图像的直方图特征与旋转之前的直方图特征曲线完全一致,故直方图特征具有旋转不变性,能够很好过滤掉相似特征的图像。
S3:采用图像直方图特征向量之间的相关系数来衡量图像之间的重复性,利用阈值化方法对无人机所拍摄的图像进行筛选。
通过计算两幅图像直方图特征向量之间的相关系数,来表征两幅图像之间的相似程度,随机变量的协方差及相关系数计算公式,如下所示,
Cov(X,Y)=E{[X-E(X)-[Y-E(Y)-}
其中,E{}是求随机变量的数学期望,D(X)和D(Y)是求随机变量的方差,
Cov(X,Y)是计算随机变量的协方差,X和Y分别代表两张待对比图像的归一化后直方图曲线,ρxy:代表计算随机变量的相关系数。
将当前图像与三个标准模板图像的RGB三个通道特征向量依次输入随机变量的协方差及相关系数计算公式中,可计算得到两幅图像对应三个通道之间的相关系数,其中,通过判断图像的相关系数来实现了图像之间相似度的量化描述,相关系数的取值范围在[-1,1]之间,相关系数越靠近1,判定两个直方图之间的相关性越大,图像之间相关性越大,重复越高。
随机变量的协方差及相关系数计算方法如公式3所示,在本发明中将当前图像与三个标准模板图像的RGB三个通道特征向量依次输入公式中,可计算得到两幅图像对应三个通道之间的相关系数,由于相关系数的取值范围在[-1,1]之间,相关系数越靠近1说明两个直方图之间的相关性越大,图像之间相关性越大,说明两张对比图像之间的重复度越高,相关系数的作用是实现了图像之间相似度的量化描述。
设置过滤阈值来控制保存拍摄图像的数量,过滤阈值判定图像是否为重复出现,进而判断图像是否需要保存,判断公式如下所示,
其中,ρxy:代表计算随机变量的相关系数,T是两张对比图像是否满足重复的判断阈值,通常将T的值设为0.9。
在实践中通过阈值来判断图像是否为重复出现,进而判断图像是否需要保存,判断方法如上述阈值公式所示。其中T是两张对比图像是否满足重复的判断阈值,根据实践经验我们常将T的值设为0.9,相关系数通过计算可以得到具体数据,通过与T进行对比可以对重复度进行判断。
S4:最终判断是否在数据库中,若是,则重新进行检测;若否,则存储图像。
通过上述公式判断图像是否在数据库中,若存在数据库中则表明存在重复性,即公式出现误差,则需要重新进行检测排出掉重复性的图像。若不存在重复性的图像则认定本图像无人机最新拍摄的图像。减少了无人机对图像存储操作,降低了耗电量,减少了数据存储量,减轻了后期对巡检图像查阅的人力物力投入。
实施例2
参照图4,本实施例子提供了一种针对本方法的训练识别模型,可以通过将训练数据输入训练模型中,提高识别模型的识别效率。具体步骤如下:
在实时检测前可以对模型进行训练,将训练部分的数据输入数据库;
通过在巡检飞机上的云台上搭载了可见光成像设备来实时的获取输电线路上的图像数据。同时随着模式识别理论和硬件数据处理单元的性能提升,使得能够对多参数的大型物体检测模型进行训练和使用。
人工筛选输电线路部件图像,对常见部件区域进行标注,对标注后的常见部件数据进行统计分析;
本发明所使用的图像数据均来自于大疆精灵4及M300系列无人机巡检输电线路师所拍摄的图像。共计收集了988张图像对其中的5个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子、复合绝缘子、连接金具、均压环和屏蔽环五种部件的子集进行测试实验,以及研究这些因素与模型最终识别精度的相关性。
基于深度学习的识别模型设计,剔除小目标,对训练数据进行增强,增加检测层数量,增加锚点数量;
利用样本库中的数据对模型进行训练,将训练完成的输电线路部件识别模型部署到终端计算设备中对输入图像进行实时检测。
进一步的,为了对本方法中采用的技术效果加以验证说明,本实施例选择传统的技术方案和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
表1:检测结果。
由上表可见,本方法相较于传统的技术方案,能够及时准确地检测图像重复率,且满足实时性要求。
本发明中提出的方法使用计算图像直方图特征,直方图特征在提取过程中只涉及到对图像灰度值的计数统计,未进行复杂的浮点数运行操作,算法时间复杂度和空间复杂度较低,运行效率高,非常识别在边缘端设备部署。通过使用图像直方图特征匹配对无人机拍摄的图像进行查重处理,减少了无人机对图像存储操作,降低了耗电量,减少了数据存储量,减轻了后期对巡检图像查阅的人力物力投入。另一方面,本发明采用了图像直方图特征作为图像匹配查重的输入。采用图像直方图特征向量之间的相关系数来衡量图像之间的重复性,实现了对图像重复性的定量描述并将图像重复性度量值范围映射到[-1,1]。采用阈值化方法对无人机所拍摄的图像进行筛选,实现了算法低空间时间复杂度的特性,可方便在低功耗设备上进行部署。
重要的是,应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于图像直方图特征的无人机图像查重方法,其特征在于:包括,
无人机搭载成像设备进行巡视;
对输入图像进行实时检测,对检测到的区域采用直方图特征作为图像匹配查重;
采用图像直方图特征向量之间的相关系数来衡量图像之间的重复性,利用阈值化方法对无人机所拍摄的图像进行筛选;
最终判断是否在数据库中,若是,则重新进行检测;
若否,则存储图片。
2.如权利要求1所述的基于图像直方图特征的无人机图像查重方法,其特征在于:对图像物体进行检测中,将标记好的数据集进行随机抽样,将数据划分为训练部分和验证部分,并对图像进行缩放处理,将图像缩放到640*640的分辨率。
3.如权利要求2所述的基于图像直方图特征的无人机图像查重方法,其特征在于:采用均值模板对验证部分的原始图像进行卷积运算,进行降采样和平滑,其卷积运算数学表达式如下所示,
I(x,y)=S(x,y)*T(x,y)
其中,I表示卷积操作的输出结果,
T表示卷积模板,S代表输入的原始图像。
5.如权利要求4所述的基于图像直方图特征的无人机图像查重方法,其特征在于:将预处理后的图像传入检测模型的输入层,该检测模型将检测的过程设置为回归问题,把输入的图像分割成N*N个网格,为每个网格预测B个边框以及每个边框对应的信度值,还预测相似于每个待检测类的概率。
8.如权利要求7所述的基于图像直方图特征的无人机图像查重方法,其特征在于:将当前图像与三个标准模板图像的RGB三个通道特征向量依次输入随机变量的协方差及相关系数计算公式中,可计算得到两幅图像对应三个通道之间的相关系数,
其中,通过判断图像的相关系数来实现了图像之间相似度的量化描述,相关系数的取值范围在[-1,1]之间,相关系数越靠近1,判定两个直方图之间的相关性越大,图像之间相关性越大,重复越高。
10.如权利要求9所述的基于图像直方图特征的无人机图像查重系方法,其特征在于:在实时检测前可以对检测模型进行训练,将训练部分的数据输入数据库;
人工筛选输电线路部件图像,对常见部件区域进行标注,对标注后的常见部件数据进行统计分析;
基于深度学习的识别模型设计,剔除小目标,对训练数据进行增强,增加检测层数量,增加锚点数量;
利用样本库中的数据对模型进行训练,将训练完成的输电线路部件识别模型部署到终端计算设备中对输入图像进行实时检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556614.2A CN115115950A (zh) | 2022-05-19 | 2022-05-19 | 一种基于图像直方图特征的无人机图像查重方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556614.2A CN115115950A (zh) | 2022-05-19 | 2022-05-19 | 一种基于图像直方图特征的无人机图像查重方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115950A true CN115115950A (zh) | 2022-09-27 |
Family
ID=83327239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210556614.2A Pending CN115115950A (zh) | 2022-05-19 | 2022-05-19 | 一种基于图像直方图特征的无人机图像查重方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115950A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546241A (zh) * | 2022-12-06 | 2022-12-30 | 成都数之联科技股份有限公司 | 边缘检测方法、装置、电子设备及计算机可读存储介质 |
CN117115478A (zh) * | 2023-08-01 | 2023-11-24 | 南京林业大学 | 一种基于双流孪生网络的装配防错检测方法 |
-
2022
- 2022-05-19 CN CN202210556614.2A patent/CN115115950A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546241A (zh) * | 2022-12-06 | 2022-12-30 | 成都数之联科技股份有限公司 | 边缘检测方法、装置、电子设备及计算机可读存储介质 |
CN117115478A (zh) * | 2023-08-01 | 2023-11-24 | 南京林业大学 | 一种基于双流孪生网络的装配防错检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780508B (zh) | 用于归一化图像的系统和方法 | |
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN107944396B (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN115115950A (zh) | 一种基于图像直方图特征的无人机图像查重方法 | |
CN109753878B (zh) | 一种恶劣天气下的成像识别方法及系统 | |
CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN113139521A (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN112347805A (zh) | 一种多目标二维码检测识别方法、系统、装置及存储介质 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN115661720A (zh) | 一种被遮挡车辆的目标跟踪识别方法及系统 | |
CN114445467A (zh) | 基于视觉的四旋翼无人机特定目标识别与追踪系统 | |
CN113673515A (zh) | 一种计算机视觉目标检测算法 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN113326734A (zh) | 一种基于YOLOv5的旋转目标检测方法 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN110728316A (zh) | 一种课堂行为检测方法、系统、装置和存储介质 | |
CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
CN112767427A (zh) | 一种补偿边缘信息的低分辨率图像识别算法 |
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 |