(19)國家知識產(chǎn)權(quán)局地址330096江西省南昌市青山湖區(qū)湖濱東路666號電力公司調(diào)度大樓901-909室GO6V(72)發(fā)明人胡兵唐凱王松劉惟言汪慶文邱貞宇有限公司11246GO6V20/17(2022.01)GO6V10/764(2022.01)一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法本發(fā)明提供了一種基于多環(huán)境的無人機(jī)巡巡檢圖像對輕量級雙分類模型進(jìn)行訓(xùn)練和適配，根據(jù)自適應(yīng)圖像評估機(jī)制對輸入的巡檢圖像進(jìn)輸入圖像輸入圖像查標(biāo)準(zhǔn)庫閾值10%淘汰圖清晰度、亮度判定人工復(fù)核合格標(biāo)準(zhǔn)數(shù)據(jù)集增加分類模型直接淘汰2通過無人機(jī)采集不同環(huán)境和天氣下的線路巡檢圖像數(shù)據(jù)，構(gòu)基于環(huán)境分類和天氣分類，構(gòu)建輕量級雙分類模型，并對所輸入無人機(jī)巡檢圖像數(shù)據(jù)，采用自適應(yīng)圖像評估機(jī)制，對所述將篩選不合格的巡檢圖像保存，進(jìn)行人工復(fù)核，將復(fù)核通過后的將采集的圖像進(jìn)行環(huán)境和天氣的標(biāo)注，并根據(jù)不同的環(huán)境和天氣分類輸出分支；將采集的所述巡檢圖像數(shù)據(jù)抽樣80%進(jìn)行所述輕量級雙分類模型的訓(xùn)練適3曝的巡檢圖像；所述精細(xì)判定為對通過初級過濾后的所述巡檢圖像進(jìn)場景分類、獲取閾值和多維度判定。8.根據(jù)權(quán)利要求1所述的一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，其特征在于，所述自適應(yīng)圖像評估機(jī)制還包括實時反饋機(jī)制，所述實時反饋機(jī)制對輸入的所述巡檢圖像進(jìn)行判定，當(dāng)輸入的所述巡檢圖像連續(xù)出現(xiàn)若干張不合格的巡檢圖像時，向無人機(jī)發(fā)送懸停質(zhì)量，暫停巡檢；所述實時反饋機(jī)制用于處理不同場景下的拍攝異常情況。9.根據(jù)權(quán)利要求1所述的一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，其特征在于，所述閉環(huán)優(yōu)化機(jī)制包括在線學(xué)習(xí)機(jī)制，所述在線學(xué)習(xí)機(jī)制定期將人工復(fù)核所述巡檢圖像后的結(jié)果反饋至所述輕量級雙分類模型，對所述輕量級雙分類模型進(jìn)行微調(diào)。10.根據(jù)權(quán)利要求1所述的一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，其特征在于，所述閉環(huán)優(yōu)化機(jī)制還包括閾值動態(tài)更新機(jī)制，所述閾值動態(tài)更新機(jī)制通過滑動窗口算法，維護(hù)一個固定窗口大小的最新圖像樣本緩沖區(qū)，當(dāng)新增數(shù)據(jù)亮達(dá)到窗口大小的10%時，重新計算標(biāo)準(zhǔn)數(shù)據(jù)庫的分布參數(shù)。4技術(shù)領(lǐng)域[0001]本發(fā)明涉及電力線路無人機(jī)巡檢技術(shù)領(lǐng)域，尤其涉及一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法。背景技術(shù)[0002]隨著電網(wǎng)智能化的發(fā)展，目前大量無人設(shè)備被投入到電力線路的巡檢工作中。通過無人機(jī)拍攝的數(shù)字圖像蘊(yùn)含大量有價值的信息，為后續(xù)電力部件識別、缺陷檢測提供主要信息來源。電力線路往往分布于高山、林區(qū)等復(fù)雜地形中，在電力巡檢過程中，無人機(jī)拍攝的圖像為可見光或者紅外波段的光強(qiáng)圖像，這類圖像的清晰程度受外界環(huán)境的影響較于巡檢任務(wù)大多在戶外，光照強(qiáng)度大的白天可能導(dǎo)致圖像曝光，而傍晚或夜間等低光照環(huán)境下，又會導(dǎo)致圖像過暗；另外，由于無人機(jī)相對運(yùn)動的復(fù)雜性和隨機(jī)性，會導(dǎo)致拍攝圖像圖像數(shù)據(jù)規(guī)模龐大。[0003]因此，對數(shù)量規(guī)模龐大、質(zhì)量場次不齊的巡檢圖像進(jìn)行質(zhì)量評價，篩選過濾掉質(zhì)量不佳的圖像必不可少?？梢蕴岣吆罄m(xù)過程中目標(biāo)識別、缺陷檢測的準(zhǔn)確率，減少模型誤報，以及減少算力使用，對電網(wǎng)智能巡檢有重大意義。[0004]現(xiàn)有的無人機(jī)巡檢圖像篩選方式主要有基于人工檢查方式和基于算法模型的自動篩選方式。[0005]現(xiàn)有技術(shù)的問題主要涉及兩點(diǎn)：首先，人工定期檢查篩選方式，需專業(yè)人員目視篩查劣化圖像(如模糊、過曝等),此方式耗費(fèi)大量時間且效率低下，而且存在因視覺疲勞導(dǎo)致的漏檢誤檢問題。[0006]其次，基于算法模型的自動篩選方式則存在環(huán)境適應(yīng)性差，無法適應(yīng)山地、平原等不同地形及晴雨雪等復(fù)雜天氣下的圖像特性差異，導(dǎo)致誤判率高的問題。[0008]本發(fā)明的目的在于提供一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，解決了目前無人機(jī)巡檢圖像質(zhì)量評估中存在的環(huán)境適應(yīng)性查、人工依賴性強(qiáng)、復(fù)雜場景魯棒性不足的問題。[0009]本發(fā)明提供的一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，采用如下的技術(shù)方一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，具體包括以下步驟：通過無人機(jī)采集不同環(huán)境和天氣下的線路巡檢圖像數(shù)據(jù)，構(gòu)建巡檢圖像的多維度標(biāo)準(zhǔn)數(shù)據(jù)庫；基于環(huán)境分類和天氣分類，構(gòu)建輕量級雙分類模型，并對所述輕量級雙分類模型5建輕量級雙分類模型，通過采集的電力線路巡檢圖像對輕量級雙分類模型進(jìn)行訓(xùn)練和適[0011]本發(fā)明采用環(huán)境-天氣耦合的自適應(yīng)圖像質(zhì)量評估閾值體系，可以通過統(tǒng)計學(xué)方將采集的圖像進(jìn)行環(huán)境和天氣的標(biāo)注，并根據(jù)不同的環(huán)境和天氣進(jìn)行分類組合，分類輸出分支和天氣分類輸出分支；將采集的所述巡檢圖像數(shù)據(jù)抽樣80%進(jìn)行所述輕量級6雙分類模型的訓(xùn)練適配，驗證剩余20%的所述巡檢圖像數(shù)據(jù)。[0021]可選地，所述自適應(yīng)圖像評估機(jī)制包括兩級判斷機(jī)制，所述兩級判斷機(jī)制對輸入的所述巡檢圖像數(shù)據(jù)進(jìn)行初級過濾和精細(xì)判定；所述初級過濾基于巡檢圖像的亮度直方圖，排除極端過暗或過曝的巡檢圖像；所述精細(xì)判定為對通過初級過濾后的所述巡檢圖像進(jìn)場景分類、獲取閾值和多維度判定。[0022]可選地，所述自適應(yīng)圖像評估機(jī)制還包括實時反饋機(jī)制，所述實時反饋機(jī)制對輸入的所述巡檢圖像進(jìn)行判定，當(dāng)輸入的所述巡檢圖像連續(xù)出現(xiàn)若干張不合格的巡檢圖像時，向無人機(jī)發(fā)送懸停質(zhì)量，暫停巡檢；所述實時反饋機(jī)制用于處理不同場景下的拍攝異常[0023]可選地，所述閉環(huán)優(yōu)化機(jī)制包括在線學(xué)習(xí)機(jī)制，所述在線學(xué)習(xí)機(jī)制定期將人工復(fù)核所述巡檢圖像后的結(jié)果反饋至所述輕量級雙分類模型，對所述輕量級雙分類模型進(jìn)行微調(diào)。[0024]可選地，所述閉環(huán)優(yōu)化機(jī)制還包括閾值動態(tài)更新機(jī)制，所述閾值動態(tài)更新機(jī)制通過滑動窗口算法，維護(hù)一個固定窗口大小的最新圖像樣本緩沖區(qū)，當(dāng)新增數(shù)據(jù)亮達(dá)到窗口大小的10%時，重新計算標(biāo)準(zhǔn)數(shù)據(jù)庫的分布參數(shù)。[0025]本發(fā)明的有益效果為：一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，通過無人機(jī)采集不同環(huán)境和天氣下的電力線路巡檢圖像，構(gòu)建巡檢圖像的多維度標(biāo)準(zhǔn)數(shù)據(jù)庫，基于環(huán)境和天氣的不同分類，構(gòu)建輕量級雙分類模型，通過采集的電力線路巡檢圖像對輕量級雙分類模型進(jìn)行訓(xùn)練和適配，再根據(jù)自適應(yīng)圖像評估機(jī)制對輸入的巡檢圖像進(jìn)行高效快速的質(zhì)量評估，利用閉環(huán)優(yōu)化機(jī)制對所述輕量級雙分類模型進(jìn)行微調(diào)和迭代優(yōu)化，實現(xiàn)閾值的動態(tài)更新演進(jìn)，能夠快速、智能、自動的篩選電力無人機(jī)采集的巡檢圖像，提高目標(biāo)識別和缺陷檢測的準(zhǔn)確率，減少算力使用，大幅降低了響應(yīng)延遲，為后續(xù)電力線路缺陷檢測和故障診斷提供高質(zhì)量的圖像數(shù)據(jù)。本發(fā)明解決了無人機(jī)巡檢圖像質(zhì)量評估中存在的環(huán)境適應(yīng)性附圖說明[0026]圖1為本發(fā)明提供的基于多環(huán)境的無人機(jī)巡檢圖像評估方法流程示意圖；圖2為本發(fā)明的輕量級雙分類模型架構(gòu)示意圖；圖3為本發(fā)明的初級過濾流程示意圖；圖4為本發(fā)明的精細(xì)判定流程示意圖；圖5為本發(fā)明的模型迭代優(yōu)化的流程示意圖。具體實施方式[0027]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。除非另外定義，此處使用的技術(shù)術(shù)語或者科學(xué)術(shù)語應(yīng)當(dāng)為本發(fā)明所屬領(lǐng)域內(nèi)具有一般技能的人士所理解的通常意義。本文中使用的“包括”等類似的詞語意指出現(xiàn)該詞前面的元件或者物件涵蓋出現(xiàn)在該詞后面列舉7的元件或者物件及其等同，而不排除其他元件或者物件。[0029]如圖1所示，本發(fā)明實施例提供了一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，具體包括以下步驟：S1、通過無人機(jī)采集不同環(huán)境和天氣下的線路巡檢圖像數(shù)據(jù)，構(gòu)建巡檢圖像的多維度標(biāo)準(zhǔn)數(shù)據(jù)庫；S2、基于環(huán)境分類和天氣分類，構(gòu)建輕量級雙分類模型，并對所述輕量級雙分類模型進(jìn)行訓(xùn)練適配；S3、輸入無人機(jī)巡檢圖像數(shù)據(jù)，采用自適應(yīng)圖像評估機(jī)制，對所述無人機(jī)巡檢圖像進(jìn)行過濾和精細(xì)判定；S4、將篩選不合格的巡檢圖像保存，進(jìn)行人工復(fù)核，將復(fù)核通過后的巡檢圖像輸入到所述輕量級雙分類模型中，采用閉環(huán)優(yōu)化機(jī)制對所述輕量級雙分類模型迭代優(yōu)化。[0030]一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，通過無人機(jī)采集不同環(huán)境和天氣下的電力線路巡檢圖像，構(gòu)建巡檢圖像的多維度標(biāo)準(zhǔn)數(shù)據(jù)庫，基于環(huán)境和天氣的不同分類，構(gòu)建輕量級雙分類模型，通過采集的電力線路巡檢圖像對輕量級雙分類模型進(jìn)行訓(xùn)練和適配，再根據(jù)自適應(yīng)圖像評估機(jī)制對輸入的巡檢圖像進(jìn)行高效快速的質(zhì)量評估，利用閉環(huán)優(yōu)化機(jī)制對所述輕量級雙分類模型進(jìn)行微調(diào)和迭代優(yōu)化，實現(xiàn)閾值的動態(tài)更新演進(jìn)，能夠快速、智能、自動的篩選電力無人機(jī)采集的巡檢圖像，提高目標(biāo)識別和缺陷檢測的準(zhǔn)確率，減少算力使用，為后續(xù)電力線路缺陷檢測和故障診斷提供高質(zhì)量的圖像數(shù)據(jù)。[0031]本發(fā)明采用環(huán)境-天氣耦合的自適應(yīng)圖像質(zhì)量評估閾值體系，可以通過統(tǒng)計學(xué)方法建立地形與氣象聯(lián)合影響下的質(zhì)量評估標(biāo)準(zhǔn)。同時，本發(fā)明還采用了物理-深度學(xué)習(xí)模型混合判別方法，將圖像處理特征與深度學(xué)習(xí)分類有機(jī)結(jié)合，利用動態(tài)閾值生成策略，通過正態(tài)分布參數(shù)動態(tài)調(diào)整判定標(biāo)準(zhǔn)，實現(xiàn)閾值的動態(tài)更新演進(jìn)，并且基于無人機(jī)還可以實現(xiàn)邊緣-云端處理機(jī)制，在無人機(jī)端完成80%無效數(shù)據(jù)過濾，減少80%帶寬消耗，大幅降低了響應(yīng)延遲。[0032]在一些實施例中，所述構(gòu)建巡檢圖像的多維度標(biāo)準(zhǔn)數(shù)據(jù)庫具體包括：將采集的圖像進(jìn)行環(huán)境和天氣的標(biāo)注，并根據(jù)不同的環(huán)境和天氣進(jìn)行分類組合，獲取多維度標(biāo)準(zhǔn)數(shù)據(jù)庫的原始圖像集；計算每一種組合中每一張圖像的拉普拉斯方差和亮度均值，形成數(shù)據(jù)集；[0033]進(jìn)一步的，該標(biāo)準(zhǔn)數(shù)據(jù)庫包括環(huán)境-天氣矩陣采樣、物理特征量化、動態(tài)閾值生成三個維度。環(huán)境-天氣矩陣采樣維度覆蓋4類地形(山地/丘陵/平原/市區(qū))×5類天氣(晴/陰/雨/雪/霧)的完整組合，每種組合采集≥500張正常拍攝、畫面清晰的原始圖像；物理特征量化維度包括灰度拉普拉斯方差計算(反映圖像清晰度)、HSV空間亮度均值(檢測低光/過曝);動態(tài)閾值生成維度對每類環(huán)境-天氣組合計算特征值的正態(tài)分布參數(shù)，選擇正態(tài)分[0034]所述計算正態(tài)分布參數(shù)包括，計算每組數(shù)據(jù)集的拉普拉斯方差正態(tài)分布的均值和標(biāo)準(zhǔn)差，計算每組數(shù)據(jù)集的亮度的正態(tài)分布的均值和標(biāo)準(zhǔn)差。[0035]在一些實施例中，所述構(gòu)建巡檢圖像的多維度標(biāo)準(zhǔn)數(shù)據(jù)庫具體步驟可表示為：8i∈{山地，丘陵，平原，市區(qū)},j∈{晴天，陰天，雨天，雪天，霧天}。素點(diǎn)坐標(biāo)對應(yīng)的HSV空間亮度值。按環(huán)境-天氣組合分組存儲特征值，得到數(shù)據(jù)集9[0051]其中，α取0.9,μold為上一次使用的閾值，μcurrent為當(dāng)前閾值。[0052]在一些實施例中，如圖2所示，所述構(gòu)建輕量級雙分類模型，并對所述輕量級雙分類模型進(jìn)行訓(xùn)練適配包括，將輕量級模型YOLOv8作為主干模型，在所述輕量級模型YOLOv8的頸部并行設(shè)置環(huán)境分類輸出分支和天氣分類輸出分支；將采集的所述巡檢圖像數(shù)據(jù)抽樣80%進(jìn)行所述輕量級雙分類模型的訓(xùn)練適配，驗證剩余20%的所述巡檢圖像數(shù)據(jù)。增加兩個分類分支，并行輸出環(huán)境分類(4類)和天氣分類(5類)。將采集到的樣本圖像抽樣80%用于模型的訓(xùn)練，剩余20%進(jìn)行驗證。在模型的訓(xùn)練中，使用針對性的數(shù)據(jù)增強(qiáng)策略。對于光照擾動因素，對訓(xùn)練圖像做±30%亮度變化處理；對于雨雪等特定場景，模擬雨雪噪聲，添加泊松噪聲擴(kuò)充訓(xùn)練數(shù)據(jù)集。[0054]為滿足較低的計算需求和較快的推理速度，適配不同設(shè)備部署要求，對模型權(quán)重量化至INT8精度，滿足不大于100MB內(nèi)存占用。輕量級雙分類模型架構(gòu)基于YOLOv8改進(jìn)，在輸出的特征圖經(jīng)全局平均池化(GAP)、全連接層(FC)后輸出分類結(jié)果。(1)模型輸入尺寸：640×640×3(RGB圖像);(2)經(jīng)骨干網(wǎng)絡(luò)輸出多尺度特征：80×80×256(淺層特征：邊緣/紋理);40×40×512(中層特征：部件級);(3)經(jīng)特征金字塔網(wǎng)絡(luò)(PAN-FPN)輸出尺寸：20×20×256;(4)經(jīng)全局平均池化(GAP)輸出尺寸：1×1×256;(5)經(jīng)全連接層(FC)后得到分類結(jié)果：1×1×4或1×1×5。[0057]進(jìn)一步的，在一些實施例中，所述自適應(yīng)圖像評估機(jī)制包括兩級判斷機(jī)制，所述兩級判斷機(jī)制對輸入的所述巡檢圖像數(shù)據(jù)進(jìn)行初級過濾和精細(xì)判定；所述初級過濾基于巡檢圖像的亮度直方圖，排除極端過暗或過曝的巡檢圖像；所述精細(xì)判定為對通過初級過濾后的所述巡檢圖像進(jìn)場景分類、獲取閾值和多維度判定。[0058]具體的，初級過濾基于圖像亮度直方圖排除極端過暗/過曝圖像。首先將圖像轉(zhuǎn)換為HSV(色相、飽和度、明度)顏色空間，其中V通道直接[0059]平均亮度反應(yīng)圖像整體明暗程度，閾值范圍μ∈[30,220],超過閾值范圍則判定[0061]低亮度占比反應(yīng)圖像暗區(qū)像素比例，大度值為i的像素數(shù)量。[0064]高亮度占比反應(yīng)圖像亮區(qū)像素占比，大于30%則判定不合格[0066]其中，N為圖像像素總數(shù)量，Phigh為高亮度占比反應(yīng)圖像暗區(qū)像素比例，H(i)為亮度值為i的像素數(shù)量。度直方圖。基于亮度直方圖，進(jìn)行三個計算步驟：計算平均亮度、計算低亮度占比以及計算高亮度占比。對于平均亮度，如果其值在30到220的范圍內(nèi)，則判定圖像為合格。對于低亮度占比，如果其值小于40%,則判定圖像為合格，否則為不合格。對于高亮度占比，如果其值小于30%,則判定圖像為合格，否則為不合格。整個流程通過這些計算和判斷步驟，綜合評估圖像的亮度特性，以確定其是否符合特定的亮度標(biāo)準(zhǔn)。類通過將圖像輸入到雙分類模型中得到圖像的環(huán)境、天氣類別；再根據(jù)環(huán)境、天氣類別獲取標(biāo)準(zhǔn)數(shù)據(jù)庫中對應(yīng)的拉普拉斯方差閾值和亮度閾值范圍。閾值范圍依據(jù)正態(tài)分布的3σ原則[0070]亮度合格判據(jù)公式為：[0072]其中，為拉普拉斯方差正態(tài)分布的均值，為拉普拉斯方差正態(tài)分布的標(biāo)準(zhǔn)[0073]最后計算輸入圖像的拉普拉斯方差和亮度值，通過對比標(biāo)準(zhǔn)數(shù)據(jù)庫閾值判定圖像是否合格。用雙分類模型對圖像進(jìn)行分類識別，這一步驟旨在初步區(qū)分圖像的類別或特征，為后續(xù)的方面查詢標(biāo)準(zhǔn)拉普拉斯方差閾值，并據(jù)此對圖像進(jìn)行拉普拉斯方差判定，拉普拉斯方差常用于衡量圖像的清晰度，通過與標(biāo)準(zhǔn)閾值對比，可判斷圖像在清晰度方面是否達(dá)標(biāo)；另一方面查詢標(biāo)準(zhǔn)亮度閾值，并基于該閾值進(jìn)行亮度判定，以確定圖像的亮度是否符合要求。最后，綜合拉普拉斯方差判定和亮度判定的結(jié)果，若兩者均達(dá)標(biāo)，則判定圖像合格；若其中任一判定不達(dá)標(biāo)，則判定圖像不合格。整個流程通過多步驟的分析與判定，全面評估圖像的質(zhì)量。[0075]進(jìn)一步的，所述自適應(yīng)圖像評估機(jī)制還包括實時反饋機(jī)制，所述實時反饋機(jī)制對輸入的所述巡檢圖像進(jìn)行判定，當(dāng)輸入的所述巡檢圖像連續(xù)出現(xiàn)若干張不合格的巡檢圖像時，向無人機(jī)發(fā)送懸停質(zhì)量，暫停巡檢；所述實時反饋機(jī)制用于處理不同場景下的拍攝異常11[0076]實時反饋機(jī)制主要針對無人機(jī)拍攝過程中，在不同的場景下對可能出現(xiàn)的拍攝異常情況進(jìn)行處理。當(dāng)輸入的巡檢圖像連續(xù)出現(xiàn)大于5張判定為不合格的圖像時，向無人機(jī)發(fā)送懸停指令，暫停巡檢等待人工介入，避免持[0077]具體的，所述閉環(huán)優(yōu)化機(jī)制包括在線學(xué)習(xí)機(jī)制，所述在線學(xué)習(xí)機(jī)制定期將人工復(fù)核所述巡檢圖像后的結(jié)果反饋至所述輕量級雙分類模型，對所述輕量級雙分類模型進(jìn)行微調(diào)。在線學(xué)習(xí)機(jī)制負(fù)責(zé)定期將人工復(fù)核結(jié)果(約10%淘汰圖像標(biāo)注集)反饋至模型微調(diào)。[0078]進(jìn)一步的，所述閉環(huán)優(yōu)化機(jī)制還包括閾值動態(tài)更新機(jī)制，所述閾值動態(tài)更新機(jī)制通過滑動窗口算法，維護(hù)一個固定窗口大小的最新圖像樣本緩沖區(qū)，當(dāng)新增數(shù)據(jù)亮達(dá)到窗口大小的10%時，重新計算標(biāo)準(zhǔn)數(shù)據(jù)庫的分布參數(shù)。閾值動態(tài)更新機(jī)制通過兩類策略實現(xiàn)。一類是采用滑動窗口算法實現(xiàn)，維護(hù)一個固定窗口大小的最新圖像樣本緩沖區(qū)，當(dāng)新增數(shù)據(jù)量達(dá)到窗口大小的10%時，重新計算標(biāo)準(zhǔn)數(shù)據(jù)庫的分布參數(shù)。另一類通過記錄圖像篩選過S1,從省級無人機(jī)平臺采集全省不同天氣和不同環(huán)境下的電力無人機(jī)拍攝的線路巡檢圖像樣本。[0082]S3,構(gòu)建多維度標(biāo)準(zhǔn)數(shù)據(jù)庫，覆蓋4類地形(山地、丘陵、平原、市區(qū))×5類天氣(晴[0083]S31,計算每一組合中每一張圖像的拉普拉斯方差、亮度均值，按照環(huán)境-天氣組合分組存儲特征值，形成數(shù)據(jù)集。[0084]S32,計算每個組合特征值的分布參數(shù)。[0085]S33,依據(jù)正態(tài)分布的3σ原則(覆蓋99.7%正常數(shù)據(jù)),設(shè)定特征閾值范圍。[0086]S34,記錄每一組合圖像特征閾值范圍，保存至文件，形成標(biāo)準(zhǔn)特征數(shù)據(jù)庫文件由于拉普拉斯方差值越大，圖像清晰程度越好，所以該特征值只設(shè)置了最小值。lap_var_min為拉普拉斯方差最小值，brightness_min為亮度最小值，brightness_max為亮度最大值。環(huán)境天氣山地雪天平原晴天[0089]S4,將步驟S2標(biāo)注的數(shù)據(jù)集輸入到輕量級雙分類模型中迭代訓(xùn)練，得到一個可以識別環(huán)境類別、天氣類別的分類模型。[0091]S6,根據(jù)S5計算結(jié)果進(jìn)行初級篩選，同時滿足平均亮度在[30,220]范圍內(nèi)，低亮度占比小于40%,高亮度占比小于30%則通過初級篩選。強(qiáng)反光過曝圖像，計算得到高亮度占比60%,判定結(jié)果：不合格。[0093]S7,對通過初級篩選的圖像進(jìn)行精細(xì)判定，將圖像輸入到步驟S4訓(xùn)練好的分類模型中，識別圖像的環(huán)境類別和天氣類別。[0094]S8,查詢標(biāo)準(zhǔn)數(shù)據(jù)庫中，對應(yīng)環(huán)境-天氣類別的特征值閾值，包括拉普拉斯方差最[0095]具體的，以山地雪天為例，輸入圖像。計算圖像特征值為lap_var=25.3,brightness=82,根據(jù)上表所示，進(jìn)行(60,180),判定結(jié)果為：不通過(清晰度不達(dá)標(biāo))。[0096]S9,將不合格圖片存入本地文件系統(tǒng)，定期(每月)選取10%進(jìn)行人工復(fù)核，將復(fù)核后的圖片輸入到輕量級雙分類模型中，進(jìn)行微調(diào)訓(xùn)練，學(xué)習(xí)率調(diào)整為上次的1/2,迭代更新模型。模型訓(xùn)練的基礎(chǔ)數(shù)據(jù)來源。接著，對采集到的樣本進(jìn)行篩選與標(biāo)注，篩選的目的是去除不符合要求或質(zhì)量不佳的樣本，標(biāo)注則是為每個樣本添加相應(yīng)的標(biāo)簽，以便模型能夠?qū)W習(xí)到不同圖像的特征和類別。[0098]隨后，對篩選與標(biāo)注后的樣本進(jìn)行數(shù)據(jù)預(yù)處理和數(shù)據(jù)增強(qiáng)操作。數(shù)據(jù)預(yù)處理可能包括圖像的歸一化、尺寸調(diào)整等，以確保數(shù)據(jù)的一致性和規(guī)范性；數(shù)據(jù)增強(qiáng)則通過亮度變[0099]在數(shù)據(jù)預(yù)處理和增強(qiáng)之后，使用這些處理過的數(shù)據(jù)以及部分原始標(biāo)注數(shù)據(jù)(10%數(shù)據(jù)迭代訓(xùn)練)進(jìn)行輕量級雙分支模型的訓(xùn)練。10%數(shù)據(jù)迭代訓(xùn)練意味著在訓(xùn)練過程中，會不斷循環(huán)使用部分?jǐn)?shù)據(jù)來更新模型參數(shù)，逐步優(yōu)化模型的性能。整個流程從數(shù)據(jù)采集、處理到模型訓(xùn)練，形成了一個完整的圖像識別模型訓(xùn)練體系，旨在構(gòu)建一個能夠準(zhǔn)確識別巡檢圖像的模型。[0100]S10,將合格的圖片按類別存入步驟S2中的數(shù)據(jù)集。維護(hù)一個固定容量(N=2000)的數(shù)據(jù)集緩沖窗口，當(dāng)新存入的數(shù)據(jù)達(dá)到窗口大小的10%時，重復(fù)步驟S3,重新計算特征的分布參數(shù)，實現(xiàn)動態(tài)調(diào)整圖像特征標(biāo)準(zhǔn)閾值。[0101]S11,記錄每次輸入圖像的判定結(jié)果，當(dāng)連續(xù)5張圖片判定不合格時，觸發(fā)閾值重新[0102]一種基于多環(huán)境的無人機(jī)巡檢圖像評估方法，通過無人機(jī)采集不同環(huán)境和天氣