CN117671545A - 一种基于无人机的水库巡检方法及系统 - Google Patents
一种基于无人机的水库巡检方法及系统 Download PDFInfo
- Publication number
- CN117671545A CN117671545A CN202410136076.0A CN202410136076A CN117671545A CN 117671545 A CN117671545 A CN 117671545A CN 202410136076 A CN202410136076 A CN 202410136076A CN 117671545 A CN117671545 A CN 117671545A
- Authority
- CN
- China
- Prior art keywords
- image
- inspection
- unmanned aerial
- aerial vehicle
- images
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明适用于图像处理技术领域,尤其涉及一种基于无人机的水库巡检方法及系统,所述方法包括:构建水库基础图像,根据水库基础图像构建无人机巡检路径;在巡检过程中进行图像采集,得到实时巡检图像,确定无人机位置信息;裁剪提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像;基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。本发明最大程度消除了光线等因素对采集图像的影响,提高了画面变化的识别率,根据识别率对图像进行筛选,筛选出存在异常的图像,以供人工查验,大大提高了巡检速度和巡检有效性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于无人机的水库巡检方法及系统。
背景技术
水库巡检主要是针对目标水域进行巡逻,从而对水域边缘的异常情况进行识别。一般而言,水库巡检的过程一般由人工完成,人工驾驶巡逻船进行巡逻作业,现有技术也有采用无人机进行巡逻的,无人机在人工控制下在水库上方飞行,从而将实时画面回传至后台,其实质还是人工巡检。
现有技术提供的巡检方式需要人工完成对巡检画面的甄别,对于大水域而言,无人机的巡检时间较长,通过人工进行逐个查看效率低,而且容易出现遗漏的情况,效率也较低。
发明内容
本发明的目的在于提供一种基于无人机的水库巡检方法,旨在解决无人机的巡检时间较长,通过人工进行逐个查看效率低,而且容易出现遗漏的情况,效率也较低的问题。
本发明是这样实现的,一种基于无人机的水库巡检方法,所述方法包括:
构建水库基础图像,根据水库基础图像构建无人机巡检路径,所述无人机巡检路径包含多个巡检节点,巡检节点将无人机巡检路径分割为多个局部路径;
通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息;
基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像,两组所述待对比图像分别为参照图像和校验图像;
基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。
优选的,所述通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息的步骤,具体包括:
基于无人机巡检路径进行巡检,按照预设时间间隔进行图像采集,得到实时巡检图像;
在每得到一组实时巡检图像时,记录对应的无人机位置信息,所述无人机位置信息包括坐标信息和方向信息;
在无人机经过巡检节点时,对巡检路径进行重新规划。
优选的,所述基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像的步骤,具体包括:
根据无人机位置信息确定裁剪中心点,根据实时巡检图像确定裁剪区域尺寸;
根据无人机位置信息对裁剪区域进行调整,通过裁剪得到局域标准图像;
对局域标准图像和实时巡检图像同步进行灰度处理,将其转化为参照图像和校验图像。
优选的,所述基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常的步骤,具体包括:
对参照图像和校验图像进行灰度值统计,基于不同灰度值对应的像素数量确定分级区间,根据分级区间进行拆分,得到多组分级图像;
对分级图像进行配对,对每一对灰度图像进行同步二值化处理,得到二值图像组;
计算每一组二值图像组内不同像素之间的重合数量,并计算像素重合度,通过比较像素重合度和预设值,判定该监测区域是否存在异常。
优选的,进行灰度处理的步骤,具体包括:将图像分解为三组通道图像,基于通道
图像中色彩值进行灰度化转换,得到三组预处理图像,计算三组预处理图像中各个像素点
与周围像素点之间的总差值,确定合成灰度像素,基于合成灰度像素生成灰度图像,总差值
的最大值,其
中,为红色通道对应的预处理图像中像素的灰度值,为绿色通道对应的预处理图像
中像素的灰度值,为蓝色通道对应的预处理图像中像素的灰度值。
本发明的另一目的在于提供一种基于无人机的水库巡检系统,所述系统包括:
巡检路径构建模块,用于构建水库基础图像,根据水库基础图像构建无人机巡检路径,所述无人机巡检路径包含多个巡检节点,巡检节点将无人机巡检路径分割为多个局部路径;
图像采集模块,用于通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息;
图像预处理模块,用于基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像,两组所述待对比图像分别为参照图像和校验图像;
异常识别模块,用于基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。
优选的,所述图像采集模块包括:
图像采集单元,用于基于无人机巡检路径进行巡检,按照预设时间间隔进行图像采集,得到实时巡检图像;
位置信息记录单元,用于在每得到一组实时巡检图像时,记录对应的无人机位置信息,所述无人机位置信息包括坐标信息和方向信息;
路径规划单元,用于在无人机经过巡检节点时,对巡检路径进行重新规划。
优选的,所述图像预处理模块包括:
裁剪尺寸识别单元,用于根据无人机位置信息确定裁剪中心点,根据实时巡检图像确定裁剪区域尺寸;
图像裁剪单元,用于根据无人机位置信息对裁剪区域进行调整,通过裁剪得到局域标准图像;
灰度处理单元,用于对局域标准图像和实时巡检图像同步进行灰度处理,将其转化为参照图像和校验图像。
优选的,所述异常识别模块包括:
图像拆分单元,用于对参照图像和校验图像进行灰度值统计,基于不同灰度值对应的像素数量确定分级区间,根据分级区间进行拆分,得到多组分级图像;
二值处理单元,用于对分级图像进行配对,对每一对灰度图像进行同步二值化处理,得到二值图像组;
异常判定单元,用于计算每一组二值图像组内不同像素之间的重合数量,并计算像素重合度,通过比较像素重合度和预设值,判定该监测区域是否存在异常。
优选的,进行灰度处理的步骤,具体包括:将图像分解为三组通道图像,基于通道
图像中色彩值进行灰度化转换,得到三组预处理图像,计算三组预处理图像中各个像素点
与周围像素点之间的总差值,确定合成灰度像素,基于合成灰度像素生成灰度图像,总差值
的最大值,其
中,为红色通道对应的预处理图像中像素的灰度值,为绿色通道对应的预处理图像
中像素的灰度值,为蓝色通道对应的预处理图像中像素的灰度值。
本发明提供的一种基于无人机的水库巡检方法,通过构建水库基础地图,从而在无人机巡检的过程中,基于无人机的位置进行图像比对,在进行比对时,通过进行灰度处理的方式对图像进行分级拆分,从而形成多组二值化图像最大程度上消除了光线等因素对采集图像的影响,提高了画面变化的识别率,根据识别率对图像进行筛选,筛选出存在异常的图像,以供人工查验,大大提高了巡检速度和巡检有效性。
附图说明
图1为本发明实施例提供的一种基于无人机的水库巡检方法的流程图;
图2为本发明实施例提供的通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息的步骤的流程图;
图3为本发明实施例提供的基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像的步骤的流程图;
图4为本发明实施例提供的基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常的步骤的流程图;
图5为本发明实施例提供的一种基于无人机的水库巡检系统的架构图;
图6为本发明实施例提供的一种图像采集模块的架构图;
图7为本发明实施例提供的一种图像预处理模块的架构图;
图8为本发明实施例提供的一种异常识别模块的架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,为本发明实施例提供的一种基于无人机的水库巡检方法的流程图,所述方法包括:
S100,构建水库基础图像,根据水库基础图像构建无人机巡检路径,所述无人机巡检路径包含多个巡检节点,巡检节点将无人机巡检路径分割为多个局部路径。
在本步骤中,构建水库基础图像,水库基础图像是水库的全局图像,水库基础图像的采集方式可以为两种,第一种,通过无人机的方式对水库进行扫描,进行逐点图像采集,从而将采集得到的图像拼接成水库基础图像,第二种,通过高清相机的方式,从水库的上方进行俯拍,以直接得到水库基础图像,对于水域范围较小的水库而言,采用第二种方式生成水库基础图像更为合适,对于水域范围较大的水库,则可以通过第一种方式生成水库基础图像,对于水库巡检,其水岸交界线是需要重点监测的区域,可能存在非法垂钓和边岸形变等情况,对于中心水域,可以通过无人机进行俯拍的方式直接进行观测,以确定范围内是否存在异常点,基于水库基础图像构建二维坐标系,确定水库基础图像中各个像素的坐标,在二维坐标系中标记出无人机基站所在的位置,并确定水岸交界线所在的位置,根据水岸交界线构建无人机巡检路径,所述无人机巡检路径可以与水岸交界线重合,根据无人机巡检路径的长度设置多个巡检节点,相邻巡检节点之间即为局部路径。
S200,通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息。
在本步骤中,通过无人机沿着无人机巡检路径进行巡检,具体的,对局部路径进行编号,无人机根据编号顺序对逐个局部路径进行巡检,在巡检的过程中,需按照预设高度进行飞行,使得其得到的图像画面与水库基础图像具有相同的分辨率,无人机在飞行过程中,验证局部路径进行飞行,并进行实时定位,确定无人机在二维坐标系中的位置,从而确定无人机当前采集的实施巡检图像对应的水库基础图像中的区域,无人机每次进行图像采集时,需要确定其坐标位置,即无人机在二维坐标系中的位置,并且还需要记录无人机的方向,这是由于无人机采集得到的图像为矩形,不同的采集方向其包含的内容不同,因此需要记录坐标信息和方向信息,得到无人机位置信息。
S300,基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像,两组所述待对比图像分别为参照图像和校验图像。
在本步骤中,基于无人机位置信息对水库基础图像进行裁剪,首先基于无人机位置信息确定无人机在二维坐标系中的对应坐标,随后确定无人机采集得到的实时巡检图像的尺寸,从而构建一个尺寸与实时巡检图像相同的矩形选区,并进一步根据无人机位置信息中记录的方向信息对矩形选区进行旋转,基于旋转后的矩形选区对水库基础图像进行裁剪,以得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,在预处理的过程中,将局域标准图像和实时巡检图像同步转换为灰度图像,上述操作的目的在于减少色彩以及亮度等信息造成的内容干扰,局域标准图像经过预处理得到参照图像,实时巡检图像经过预处理得到校验图像。
S400,基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。
在本步骤中,基于灰度值将参照图像和校验图像分级拆分为多组分级图像,对于参照图像和校验图像而言,其实质上还是受到曝光值的影响,若直接进行灰度值比较,则会由于不同光线下曝光值不同,将两个像素判定为不相同,那么就会出现误识别的情况,或者出现将两个原本不相同的像素识别为相同的像素,此时根据灰度值进行拆分,随后进行二值化处理,能够通过划分灰度值的方式对像素进行分类,随后进行二值化处理,以减少灰度值带来的误差,最后通过进行像素统计,计算像素重合度,判定是否存在异常,若判定存在异常,则对当前实时巡检图像和无人机位置信息进行存储,并回传至后台,那么后台工作人员只需要对无人机发现的异常区域进行人工核查,通过无人机对画面进行筛选,大大提高了巡检效率,也保证了巡检的有效性;对于水库基础图像而言,可以采用动态更新的方式进行存储,如判定A区域存在异常,但是通过人工检测后,发现该区域虽然出现画面变动,但并不是异常情况,如某个区域修建了监测亭,那么则以该实时巡检图像对对应的局域标准图像进行替换,以得到新的水库基础图像。
如图2所示,作为本发明的一个优选实施例,所述通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息的步骤,具体包括:
S201,基于无人机巡检路径进行巡检,按照预设时间间隔进行图像采集,得到实时巡检图像。
在本步骤中,基于无人机巡检路径进行巡检,无人机在进行巡检时,沿着无人机巡检路径上的局部路径进行飞行,随后按照预设的时间间隔进行图像采集,为了保证图像采集质量,每次进行图像采集时,可以使无人机保持悬停状态,图像采集的时间间隔根据无人机的飞行速度决定。
S202,在每得到一组实时巡检图像时,记录对应的无人机位置信息,所述无人机位置信息包括坐标信息和方向信息。
在本步骤中,在每得到一组实时巡检图像时,无人机位置信息进行记录,基于无人机内置的定位模块识别自身的位置,也可以在水库上设置固定基站,以便于进行高精度定位,对无人机当前的朝向进行记录,即对方向信息进行记录。
S203,在无人机经过巡检节点时,对巡检路径进行重新规划。
在本步骤中,在无人机经过巡检节点时,对巡检路径进行重新规划,这是由于无人机在飞行的过程中,可能由于无人机的控制精度不足,导致无人机沿着当前局部路径飞行时偏离路径,那么无人机沿着当前局部路径飞行完成后,其终点不与下一个巡检节点重合,那么就重新规划路线,使得无人机从下一个巡检节点开始飞行。
如图3所示,作为本发明的一个优选实施例,所述基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像的步骤,具体包括:
S301,根据无人机位置信息确定裁剪中心点,根据实时巡检图像确定裁剪区域尺寸。
在本实施例中,根据无人机位置信息确定裁剪中心点,在进行图像采集时,保证了实时巡检图像与水库基础图像具有相同的分辨率,那么在进行裁剪时,裁剪得到的图像无需进行缩放,即可直接使用,裁剪区域尺寸与实时巡检图像相同,如实时巡检图像为10000像素*10000像素,那么裁剪区域尺寸也为10000像素*10000像素。
S302,根据无人机位置信息对裁剪区域进行调整,通过裁剪得到局域标准图像。
在本实施例中,根据无人机位置信息对裁剪区域进行调整,无人机位置信息中包含方向信息,那么根据方向信息即可将裁剪区域调整为到方向与实时巡检图像一致,随后进行裁剪,裁剪得到的局域标准图像即与实时巡检图像具有相同的尺寸和分辨率。
S303,对局域标准图像和实时巡检图像同步进行灰度处理,将其转化为参照图像和校验图像。
在本实施例中,对局域标准图像和实时巡检图像同步进行灰度处理,将图像分解
为三组通道图像,三组通道图像分别为蓝色通道图像、红色通道图像和绿色通道图像,基于
通道图像中色彩值进行灰度化转换,得到三组预处理图像,计算三组预处理图像中各个像
素点与周围像素点之间的总差值,确定合成灰度像素,基于合成灰度像素生成灰度图像,总
差值的最大值,
其中,为红色通道对应的预处理图像中像素的灰度值,为绿色通道对应的预处理图
像中像素的灰度值,为蓝色通道对应的预处理图像中像素的灰度值,、和
分别为当前被选中像素的三个通道的色彩值,每一个被选中的像素其周围都会存在8个周
围像素点(对于位于边缘的像素,不足8个,以预设像素进行填充),、和为第i个
周围像素点的三个通道的色彩值,通过计算总差值的最大值,选择总差值的最大值对应的
通道的色彩值,以该色彩值作为灰度图像中对应点的灰度值,据此确定灰度图像中各个像
素点的灰度值,对局域标准图像和实时巡检图像进行处理后,即得到参照图像和校验图像,
两者均为灰度图像。
如图4所示,作为本发明的一个优选实施例,所述基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常的步骤,具体包括:
S401,对参照图像和校验图像进行灰度值统计,基于不同灰度值对应的像素数量确定分级区间,根据分级区间进行拆分,得到多组分级图像。
在本步骤中,对参照图像和校验图像进行灰度值统计,确定参照图像和校验图像中的灰度值分布范围,即统计每一个灰度值对应的像素数量,按照灰度值进行排序,从而将灰度值划分为多个梯度,使得每一个梯度包含得灰度值对应得像素数量相同或者差值在预设范围内,如将灰度值划分为4个梯度,0-63、64-127、128-191和192-255,四个梯度对应得像素数量均在(M/4)*(1±0.05)范围内,其中,M为参照图像或校验图像的总像素数量,根据上述梯度,对参照图像和校验图像均进行像素提取,如对于第一梯度1-63,识别参照图像中位于第一梯度的像素,并记录其位置,生成一张分级图像,分级图像与参照图像或校验图像具有相同分辨率和尺寸,根据识别得到的像素的位置对该分级图像进行填充,未填充的像素为空白像素,那么参照图像经过分级得到四张分级图像分别为A1、A2、A3和A4,校验图像经过处理后得到四张分级图像分别为B1、B2、B3和B4。
S402,对分级图像进行配对,对每一对灰度图像进行同步二值化处理,得到二值图像组。
在本步骤中,对分级图像进行配对,那么A1对应B1,A2对应B2,A3对应B3,A4对应B4,以每一个梯度内像素的灰度值平均值为阈值将该梯度内的所有像素划分两部分,分别赋予第一色彩值和第二色彩值,可以为白色和黑色,空白像素不予处理或统计,即得到四组二值图像组。
S403,计算每一组二值图像组内不同像素之间的重合数量,并计算像素重合度,通过比较像素重合度和预设值,判定该监测区域是否存在异常。
在本步骤中,计算每一组二值图像组内不同像素之间的重合数量,以一组二值图
像组为例,二值图像组包含a1二值图像和b2二值图像,两者分别对应A1和B1,遍历a1二值图
像和b2二值图像,统计其中位置重合的第一色彩值对应的像素数量W1和第二色彩值对应的
像素数量Q1,那么四组二值图像组处理完后得到W1、W2、W3和W4,以及Q1、Q2、Q3和Q4,那么计
算像素重合度,通过比较像
素重合度和预设值,判定该监测区域是否存在异常,将像素重合度低于预设值时,则判定存
在异常,反之则视为无异常。
如图5所示,为本发明实施例提供的一种基于无人机的水库巡检系统,所述系统包括:
巡检路径构建模块100,用于构建水库基础图像,根据水库基础图像构建无人机巡检路径,所述无人机巡检路径包含多个巡检节点,巡检节点将无人机巡检路径分割为多个局部路径。
在本系统中,巡检路径构建模块100构建水库基础图像,水库基础图像是水库的全局图像,水库基础图像的采集方式可以为两种,第一种,通过无人机的方式对水库进行扫描,进行逐点图像采集,从而将采集得到的图像拼接成水库基础图像,第二种,通过高清相机的方式,从水库的上方进行俯拍,以直接得到水库基础图像,对于水域范围较小的水库而言,采用第二种方式生成水库基础图像更为合适,对于水域范围较大的水库,则可以通过第一种方式生成水库基础图像,对于水库巡检,其水岸交界线是需要重点监测的区域,可能存在非法垂钓和边岸形变等情况,对于中心水域,可以通过无人机进行俯拍的方式直接进行观测,以确定范围内是否存在异常点,基于水库基础图像构建二维坐标系,确定水库基础图像中各个像素的坐标,在二维坐标系中标记出无人机基站所在的位置,并确定水岸交界线所在的位置,根据水岸交界线构建无人机巡检路径,所述无人机巡检路径可以与水岸交界线重合,根据无人机巡检路径的长度设置多个巡检节点,相邻巡检节点之间即为局部路径。
图像采集模块200,用于通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息。
在本系统中,图像采集模块200通过无人机沿着无人机巡检路径进行巡检,具体的,对局部路径进行编号,无人机根据编号顺序对逐个局部路径进行巡检,在巡检的过程中,需按照预设高度进行飞行,使得其得到的图像画面与水库基础图像具有相同的分辨率,无人机在飞行过程中,验证局部路径进行飞行,并进行实时定位,确定无人机在二维坐标系中的位置,从而确定无人机当前采集的实施巡检图像对应的水库基础图像中的区域,无人机每次进行图像采集时,需要确定其坐标位置,即无人机在二维坐标系中的位置,并且还需要记录无人机的方向,这是由于无人机采集得到的图像为矩形,不同的采集方向其包含的内容不同,因此需要记录坐标信息和方向信息,得到无人机位置信息。
图像预处理模块300,用于基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像,两组所述待对比图像分别为参照图像和校验图像。
在本系统中,图像预处理模块300基于无人机位置信息对水库基础图像进行裁剪,首先基于无人机位置信息确定无人机在二维坐标系中的对应坐标,随后确定无人机采集得到的实时巡检图像的尺寸,从而构建一个尺寸与实时巡检图像相同的矩形选区,并进一步根据无人机位置信息中记录的方向信息对矩形选区进行旋转,基于旋转后的矩形选区对水库基础图像进行裁剪,以得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,在预处理的过程中,将局域标准图像和实时巡检图像同步转换为灰度图像,上述操作的目的在于减少色彩以及亮度等信息造成的内容干扰,局域标准图像经过预处理得到参照图像,实时巡检图像经过预处理得到校验图像。
异常识别模块400,用于基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。
在本系统中,异常识别模块400基于灰度值将参照图像和校验图像分级拆分为多组分级图像,对于参照图像和校验图像而言,其实质上还是受到曝光值的影响,若直接进行灰度值比较,则会由于不同光线下曝光值不同,将两个像素判定为不相同,那么就会出现误识别的情况,或者出现将两个原本不相同的像素识别为相同的像素,此时根据灰度值进行拆分,随后进行二值化处理,能够通过划分灰度值的方式对像素进行分类,随后进行二值化处理,以减少灰度值带来的误差,最后通过进行像素统计,计算像素重合度,判定是否存在异常,若判定存在异常,则对当前实时巡检图像和无人机位置信息进行存储,并回传至后台,那么后台工作人员只需要对无人机发现的异常区域进行人工核查,通过无人机对画面进行筛选,大大提高了巡检效率,也保证了巡检的有效性;对于水库基础图像而言,可以采用动态更新的方式进行存储,如判定A区域存在异常,但是通过人工检测后,发现该区域虽然出现画面变动,但并不是异常情况,如某个区域修建了监测亭,那么则以该实时巡检图像对对应的局域标准图像进行替换,以得到新的水库基础图像。
如图6所示,作为本发明的一个优选实施例,所述图像采集模块200包括:
图像采集单元201,用于基于无人机巡检路径进行巡检,按照预设时间间隔进行图像采集,得到实时巡检图像。
在本模块中,图像采集单元201基于无人机巡检路径进行巡检,无人机在进行巡检时,沿着无人机巡检路径上的局部路径进行飞行,随后按照预设的时间间隔进行图像采集,为了保证图像采集质量,每次进行图像采集时,可以使无人机保持悬停状态,图像采集的时间间隔根据无人机的飞行速度决定。
位置信息记录单元202,用于在每得到一组实时巡检图像时,记录对应的无人机位置信息,所述无人机位置信息包括坐标信息和方向信息。
在本模块中,位置信息记录单元202在每得到一组实时巡检图像时,无人机位置信息进行记录,基于无人机内置的定位模块识别自身的位置,也可以在水库上设置固定基站,以便于进行高精度定位,对无人机当前的朝向进行记录,即对方向信息进行记录。
路径规划单元203,用于在无人机经过巡检节点时,对巡检路径进行重新规划。
在本模块中,路径规划单元203在无人机经过巡检节点时,对巡检路径进行重新规划,这是由于无人机在飞行的过程中,可能由于无人机的控制精度不足,导致无人机沿着当前局部路径飞行时偏离路径,那么无人机沿着当前局部路径飞行完成后,其终点不与下一个巡检节点重合,那么就重新规划路线,使得无人机从下一个巡检节点开始飞行。
如图7所示,作为本发明的一个优选实施例,所述图像预处理模块300包括:
裁剪尺寸识别单元301,用于根据无人机位置信息确定裁剪中心点,根据实时巡检图像确定裁剪区域尺寸。
在本模块中,裁剪尺寸识别单元301根据无人机位置信息确定裁剪中心点,在进行图像采集时,保证了实时巡检图像与水库基础图像具有相同的分辨率,那么在进行裁剪时,裁剪得到的图像无需进行缩放,即可直接使用,裁剪区域尺寸与实时巡检图像相同,如实时巡检图像为10000像素*10000像素,那么裁剪区域尺寸也为10000像素*10000像素。
图像裁剪单元302,用于根据无人机位置信息对裁剪区域进行调整,通过裁剪得到局域标准图像。
在本模块中,图像裁剪单元302根据无人机位置信息对裁剪区域进行调整,无人机位置信息中包含方向信息,那么根据方向信息即可将裁剪区域调整为到方向与实时巡检图像一致,随后进行裁剪,裁剪得到的局域标准图像即与实时巡检图像具有相同的尺寸和分辨率。
灰度处理单元303,用于对局域标准图像和实时巡检图像同步进行灰度处理,将其转化为参照图像和校验图像。
在本模块中,灰度处理单元303对局域标准图像和实时巡检图像同步进行灰度处
理,将图像分解为三组通道图像,三组通道图像分别为蓝色通道图像、红色通道图像和绿色
通道图像,基于通道图像中色彩值进行灰度化转换,得到三组预处理图像,计算三组预处理
图像中各个像素点与周围像素点之间的总差值,确定合成灰度像素,基于合成灰度像素生
成灰度图像,总差值的最大值,其
中,为红色通道对应的预处理图像中像素的灰度值,为绿色通道对应的预处理图像
中像素的灰度值,为蓝色通道对应的预处理图像中像素的灰度值,、和分
别为当前被选中像素的三个通道的色彩值,每一个被选中的像素其周围都会存在8个周围
像素点(对于位于边缘的像素,不足8个,以预设像素进行填充),、和为第i个周
围像素点的三个通道的色彩值,通过计算总差值的最大值,选择总差值的最大值对应的通
道的色彩值,以该色彩值作为灰度图像中对应点的灰度值,据此确定灰度图像中各个像素
点的灰度值,对局域标准图像和实时巡检图像进行处理后,即得到参照图像和校验图像,两
者均为灰度图像。
如图8所示,作为本发明的一个优选实施例,所述异常识别模块400包括:
图像拆分单元401,用于对参照图像和校验图像进行灰度值统计,基于不同灰度值对应的像素数量确定分级区间,根据分级区间进行拆分,得到多组分级图像。
在本模块中,图像拆分单元401对参照图像和校验图像进行灰度值统计,确定参照图像和校验图像中的灰度值分布范围,即统计每一个灰度值对应的像素数量,按照灰度值进行排序,从而将灰度值划分为多个梯度,使得每一个梯度包含得灰度值对应得像素数量相同或者差值在预设范围内,如将灰度值划分为4个梯度,0-63、64-127、128-191和192-255,四个梯度对应得像素数量均在(M/4)*(1±0.05)范围内,其中,M为参照图像或校验图像的总像素数量,根据上述梯度,对参照图像和校验图像均进行像素提取,如对于第一梯度1-63,识别参照图像中位于第一梯度的像素,并记录其位置,生成一张分级图像,分级图像与参照图像或校验图像具有相同分辨率和尺寸,根据识别得到的像素的位置对该分级图像进行填充,未填充的像素为空白像素,那么参照图像经过分级得到四张分级图像分别为A1、A2、A3和A4,校验图像经过处理后得到四张分级图像分别为B1、B2、B3和B4。
二值处理单元402,用于对分级图像进行配对,对每一对灰度图像进行同步二值化处理,得到二值图像组。
在本模块中,二值处理单元402对分级图像进行配对,那么A1对应B1,A2对应B2,A3对应B3,A4对应B4,以每一个梯度内像素的灰度值平均值为阈值将该梯度内的所有像素划分两部分,分别赋予第一色彩值和第二色彩值,可以为白色和黑色,空白像素不予处理或统计,即得到四组二值图像组。
异常判定单元303,用于计算每一组二值图像组内不同像素之间的重合数量,并计算像素重合度,通过比较像素重合度和预设值,判定该监测区域是否存在异常。
在本模块中,异常判定单元303计算每一组二值图像组内不同像素之间的重合数
量,以一组二值图像组为例,二值图像组包含a1二值图像和b2二值图像,两者分别对应A1和
B1,遍历a1二值图像和b2二值图像,统计其中位置重合的第一色彩值对应的像素数量W1和
第二色彩值对应的像素数量Q1,那么四组二值图像组处理完后得到W1、W2、W3和W4,以及Q1、
Q2、Q3和Q4,那么计算像素重合度,通
过比较像素重合度和预设值,判定该监测区域是否存在异常,将像素重合度低于预设值时,
则判定存在异常,反之则视为无异常。
应该理解的是,虽然本发明各实施例的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,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述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发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于无人机的水库巡检方法,其特征在于,所述方法包括:
构建水库基础图像,根据水库基础图像构建无人机巡检路径,所述无人机巡检路径包含多个巡检节点,巡检节点将无人机巡检路径分割为多个局部路径;
通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息;
基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像,两组所述待对比图像分别为参照图像和校验图像;
基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。
2.根据权利要求1所述的基于无人机的水库巡检方法,其特征在于,所述通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息的步骤,具体包括:
基于无人机巡检路径进行巡检,按照预设时间间隔进行图像采集,得到实时巡检图像;
在每得到一组实时巡检图像时,记录对应的无人机位置信息,所述无人机位置信息包括坐标信息和方向信息;
在无人机经过巡检节点时,对巡检路径进行重新规划。
3.根据权利要求1所述的基于无人机的水库巡检方法,其特征在于,所述基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像的步骤,具体包括:
根据无人机位置信息确定裁剪中心点,根据实时巡检图像确定裁剪区域尺寸;
根据无人机位置信息对裁剪区域进行调整,通过裁剪得到局域标准图像;
对局域标准图像和实时巡检图像同步进行灰度处理,将其转化为参照图像和校验图像。
4.根据权利要求1所述的基于无人机的水库巡检方法,其特征在于,所述基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常的步骤,具体包括:
对参照图像和校验图像进行灰度值统计,基于不同灰度值对应的像素数量确定分级区间,根据分级区间进行拆分,得到多组分级图像;
对分级图像进行配对,对每一对灰度图像进行同步二值化处理,得到二值图像组;
计算每一组二值图像组内不同像素之间的重合数量,并计算像素重合度,通过比较像素重合度和预设值,判定该监测区域是否存在异常。
5.根据权利要求3所述的基于无人机的水库巡检方法,其特征在于,进行灰度处理的步骤,具体包括:将图像分解为三组通道图像,基于通道图像中色彩值进行灰度化转换,得到三组预处理图像,计算三组预处理图像中各个像素点与周围像素点之间的总差值,确定合成灰度像素,基于合成灰度像素生成灰度图像,总差值的最大值,其中,/>为红色通道对应的预处理图像中像素的灰度值,/>为绿色通道对应的预处理图像中像素的灰度值,/>为蓝色通道对应的预处理图像中像素的灰度值。
6.一种基于无人机的水库巡检系统,其特征在于,所述系统包括:
巡检路径构建模块,用于构建水库基础图像,根据水库基础图像构建无人机巡检路径,所述无人机巡检路径包含多个巡检节点,巡检节点将无人机巡检路径分割为多个局部路径;
图像采集模块,用于通过无人机沿着无人机巡检路径进行巡检,在巡检过程中进行图像采集,得到实时巡检图像,确定每一组实时巡检图像对应的无人机位置信息;
图像预处理模块,用于基于无人机位置信息对水库基础图像进行裁剪,提取得到局域标准图像,对局域标准图像和实时巡检图像进行预处理,得到两组待对比图像,两组所述待对比图像分别为参照图像和校验图像;
异常识别模块,用于基于灰度值将参照图像和校验图像分级拆分为多组分级图像,通过二值化处理,计算具有匹配关系的灰度图像之间的像素重合度,判定是否存在异常。
7.根据权利要求6所述的基于无人机的水库巡检系统,其特征在于,所述图像采集模块包括:
图像采集单元,用于基于无人机巡检路径进行巡检,按照预设时间间隔进行图像采集,得到实时巡检图像;
位置信息记录单元,用于在每得到一组实时巡检图像时,记录对应的无人机位置信息,所述无人机位置信息包括坐标信息和方向信息;
路径规划单元,用于在无人机经过巡检节点时,对巡检路径进行重新规划。
8.根据权利要求6所述的基于无人机的水库巡检系统,其特征在于,所述图像预处理模块包括:
裁剪尺寸识别单元,用于根据无人机位置信息确定裁剪中心点,根据实时巡检图像确定裁剪区域尺寸;
图像裁剪单元,用于根据无人机位置信息对裁剪区域进行调整,通过裁剪得到局域标准图像;
灰度处理单元,用于对局域标准图像和实时巡检图像同步进行灰度处理,将其转化为参照图像和校验图像。
9.根据权利要求6所述的基于无人机的水库巡检系统,其特征在于,所述异常识别模块包括:
图像拆分单元,用于对参照图像和校验图像进行灰度值统计,基于不同灰度值对应的像素数量确定分级区间,根据分级区间进行拆分,得到多组分级图像;
二值处理单元,用于对分级图像进行配对,对每一对灰度图像进行同步二值化处理,得到二值图像组;
异常判定单元,用于计算每一组二值图像组内不同像素之间的重合数量,并计算像素重合度,通过比较像素重合度和预设值,判定该监测区域是否存在异常。
10.根据权利要求8所述的基于无人机的水库巡检系统,其特征在于,进行灰度处理的步骤,具体包括:将图像分解为三组通道图像,基于通道图像中色彩值进行灰度化转换,得到三组预处理图像,计算三组预处理图像中各个像素点与周围像素点之间的总差值,确定合成灰度像素,基于合成灰度像素生成灰度图像,总差值的最大值,其中,/>为红色通道对应的预处理图像中像素的灰度值,/>为绿色通道对应的预处理图像中像素的灰度值,/>为蓝色通道对应的预处理图像中像素的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410136076.0A CN117671545B (zh) | 2024-01-31 | 2024-01-31 | 一种基于无人机的水库巡检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410136076.0A CN117671545B (zh) | 2024-01-31 | 2024-01-31 | 一种基于无人机的水库巡检方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671545A true CN117671545A (zh) | 2024-03-08 |
CN117671545B CN117671545B (zh) | 2024-04-19 |
Family
ID=90082918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410136076.0A Active CN117671545B (zh) | 2024-01-31 | 2024-01-31 | 一种基于无人机的水库巡检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671545B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0952548A2 (en) * | 1998-04-17 | 1999-10-27 | Nec Corporation | Method and apparatus for multi-level rounding and pattern inspection |
CN110463199A (zh) * | 2018-04-10 | 2019-11-15 | 深圳市大疆创新科技有限公司 | 图像传感器坏点检测方法、拍摄装置、无人机及存储介质 |
WO2021142902A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于DANet的无人机海岸线漂浮垃圾巡检系统 |
WO2023044071A1 (en) * | 2021-09-17 | 2023-03-23 | 10X Genomics, Inc. | Systems and methods for image registration or alignment |
CN115909093A (zh) * | 2022-10-21 | 2023-04-04 | 前郭富汇风能有限公司 | 一种基于无人机巡检和红外图像语义分割的电力设备故障检测方法 |
CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
-
2024
- 2024-01-31 CN CN202410136076.0A patent/CN117671545B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0952548A2 (en) * | 1998-04-17 | 1999-10-27 | Nec Corporation | Method and apparatus for multi-level rounding and pattern inspection |
CN110463199A (zh) * | 2018-04-10 | 2019-11-15 | 深圳市大疆创新科技有限公司 | 图像传感器坏点检测方法、拍摄装置、无人机及存储介质 |
WO2021142902A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于DANet的无人机海岸线漂浮垃圾巡检系统 |
WO2023044071A1 (en) * | 2021-09-17 | 2023-03-23 | 10X Genomics, Inc. | Systems and methods for image registration or alignment |
CN115909093A (zh) * | 2022-10-21 | 2023-04-04 | 前郭富汇风能有限公司 | 一种基于无人机巡检和红外图像语义分割的电力设备故障检测方法 |
CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
Non-Patent Citations (2)
Title |
---|
DAOLIANG LI 等: "Path Planning Technologies for Autonomous Underwater Vehicles-A Review", DIGITAL OBJECT IDENTIFIER, vol. 7, 19 December 2018 (2018-12-19), pages 9745 - 9768, XP011707057, DOI: 10.1109/ACCESS.2018.2888617 * |
黄少雄 等: "基于无人机视频的公路桥梁边坡异常检测", 地理空间信息, vol. 22, no. 1, 28 January 2024 (2024-01-28), pages 78 - 81 * |
Also Published As
Publication number | Publication date |
---|---|
CN117671545B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961057B (zh) | 一种车辆位置获得方法及装置 | |
CN108776772B (zh) | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 | |
CN114981840A (zh) | 基于点云数据的地面分割方法、装置和计算机设备 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
WO2022226831A1 (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
CN110910360B (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN112488083B (zh) | 基于heatmap提取关键点的交通信号灯的识别方法、装置、介质 | |
CN108805864A (zh) | 基于图像数据的违章建筑物的获取方法以及装置 | |
CN115066708A (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
CN114638853B (zh) | 一种基于路侧固态激光雷达的背景过滤方法和系统 | |
CN105574485A (zh) | 一种车辆信息识别方法及系统 | |
CN112418081A (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
JP6364565B1 (ja) | 解析装置、ひび割れ検出処理装置、および解析プログラム | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN112396044A (zh) | 车道线属性信息检测模型训练、车道线属性信息检测方法 | |
US9953238B2 (en) | Image processing method and system for extracting distorted circular image elements | |
CN115861408A (zh) | 基于激光点跟踪的无人机巡检路面坑洞方法及其应用 | |
CN117671545B (zh) | 一种基于无人机的水库巡检方法及系统 | |
CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
CN116863711B (zh) | 基于公路监控的车道流量检测方法、装置、设备及介质 | |
CN110751639A (zh) | 一种基于深度学习的水稻倒伏智能评估定损系统及其评估定损方法 | |
CN115410105A (zh) | 集装箱标记识别方法、装置、计算机设备和存储介质 | |
CN112149656A (zh) | 箱体透气罩区域确定方法、装置、计算机设备和存储介质 | |
CN112001344A (zh) | 机动车目标检测装置及方法 | |
CN113807125A (zh) | 应急车道占用检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |