(12)發(fā)明專利(10)授權(quán)公告號(hào)CN114663352B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(73)專利權(quán)人國(guó)網(wǎng)電力空間技術(shù)有限公司地址102209北京市昌平區(qū)未來(lái)科技城濱河大道18號(hào)C座7層(72)發(fā)明人杜偉武藝郭曉冰劉寧白云燦晏武郭峻崧孔令宇孫鴻博李源源周立存高鵬飛(74)專利代理機(jī)構(gòu)北京三友知識(shí)產(chǎn)權(quán)代理有限公司11127專利代理師湯在彥GO6N(56)對(duì)比文件審查員劉海艷一種輸電線路缺陷高精度檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)(57)摘要本申請(qǐng)涉及設(shè)備維護(hù)技術(shù)領(lǐng)域，本申請(qǐng)?zhí)峁┮环N輸電線路缺陷高精度檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，所述方法包括獲取原始圖像數(shù)據(jù)；對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)；針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)果。在獲取原始巡檢圖像數(shù)據(jù)后，通過(guò)變換域和空間域?qū)ρ矙z圖像自適應(yīng)去噪，獲得性能良好的去噪圖像數(shù)據(jù)，然后采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別訓(xùn)練，為輸電線路目標(biāo)檢測(cè)算法高獲取原始圖像數(shù)據(jù)對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)果21.一種輸電線路缺陷高精度檢測(cè)方法，其特征在于，所述輸電線路缺陷高精度檢測(cè)方法包括以下步驟：獲取原始圖像數(shù)據(jù)；對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)；針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)果；對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)，包括：對(duì)獲取的原始圖像數(shù)據(jù)基于變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除，根據(jù)圖像質(zhì)量評(píng)價(jià)規(guī)則以及去噪算法獲取圖片噪聲參數(shù)信息，對(duì)始圖像數(shù)據(jù)中巡檢視頻、圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲取去噪圖像視頻數(shù)據(jù)；基于變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除方法，包括：基于塊和濾波的噪聲參數(shù)評(píng)估，自適應(yīng)估計(jì)混合高斯噪聲參數(shù)；利用估計(jì)得到的噪聲參數(shù)進(jìn)行圖像去噪，將多幅去噪圖像進(jìn)行數(shù)據(jù)融合，獲得去噪圖像；所述噪聲參數(shù)評(píng)估，包括：獲取輸入噪聲圖像，對(duì)所述原始圖像數(shù)據(jù)高通濾波得到高頻圖像；將所述高頻圖像分隔為若干不重疊塊，統(tǒng)計(jì)分塊后圖像的方差得到兩個(gè)方差峰值；對(duì)峰值附近塊的高頻圖像像素值進(jìn)行絕對(duì)值求和并取平均，得到兩個(gè)區(qū)域噪聲方差估計(jì)值；其中，峰值附近塊的高頻圖像像素值是峰值鄰域內(nèi)的高頻圖像像素值。2.根據(jù)權(quán)利要求1所述的輸電線路缺陷高精度檢測(cè)方法，其特征在于，所述原始圖像數(shù)據(jù)為通過(guò)直升機(jī)巡檢獲取的視頻圖像數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述的輸電線路缺陷高精度檢測(cè)方法，其特征在于，所述多幅去噪圖利用噪聲參數(shù)評(píng)估得到的兩個(gè)區(qū)域噪聲方差估計(jì)值對(duì)輸入的噪聲圖像進(jìn)行去噪，得到平滑圖像以及噪聲殘留圖像；對(duì)噪聲殘留圖像進(jìn)行高通濾波，得到噪聲程度；將噪聲程度與預(yù)設(shè)閾值比較，若像素點(diǎn)噪聲程度值大于預(yù)設(shè)閾值，則輸出像素值選擇平滑圖像，否則輸出像素值選擇噪聲殘留圖像；完成數(shù)據(jù)融合，得到輸出去噪圖像。4.根據(jù)權(quán)利要求1所述的輸電線路缺陷高精度檢測(cè)方法，其特征在于，所述輸電線路缺陷高精度檢測(cè)方法，還包括采用Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)輸電線巡檢目標(biāo)跟蹤與檢測(cè)，所述Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入端為原始輸電線巡檢視頻圖像，輸出端為電力目標(biāo)檢測(cè)結(jié)果。5.如權(quán)利要求4所述的輸電線路缺陷高精度檢測(cè)方法，其特征在于，所述Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)中目標(biāo)區(qū)域提取層、區(qū)域篩選層與目標(biāo)分析層基于深度學(xué)習(xí)網(wǎng)絡(luò)層開發(fā)，與已有卷積層、全連接層相連，目標(biāo)區(qū)域提取層與區(qū)域篩選層根據(jù)標(biāo)記結(jié)果區(qū)域訓(xùn)練網(wǎng)絡(luò)層參數(shù)，卷積層與目標(biāo)分析層根據(jù)標(biāo)記結(jié)果損失函數(shù)進(jìn)行調(diào)整。6.一種輸電線路缺陷高精度檢測(cè)系統(tǒng)，其特征在于，所述輸電線路缺陷高精度檢測(cè)系統(tǒng)包括：數(shù)據(jù)獲取模塊，用于獲取原始圖像數(shù)據(jù)；圖像去噪模塊，用于對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)；3缺陷識(shí)別模塊，用于針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)果；對(duì)獲取的原始圖像數(shù)據(jù)基于變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除，根據(jù)圖像質(zhì)量評(píng)價(jià)規(guī)則以及去噪算法獲取圖片噪聲參數(shù)信息，對(duì)始圖像數(shù)據(jù)中巡檢視頻、圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲取去噪圖像視頻數(shù)據(jù)；基于變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除方法，包括：基于塊和濾波的噪聲參數(shù)評(píng)估，自適應(yīng)估計(jì)混合高斯噪聲參數(shù)；利用估計(jì)得到的噪聲參數(shù)進(jìn)行圖像去噪，將多幅去噪圖像進(jìn)行數(shù)據(jù)融合，獲得去噪圖像；所述噪聲參數(shù)評(píng)估，包括：獲取輸入噪聲圖像，對(duì)所述原始圖像數(shù)據(jù)高通濾波得到高頻圖像；將所述高頻圖像分隔為若干不重疊塊，統(tǒng)計(jì)分塊后圖像的方差得到兩個(gè)方差峰值；對(duì)峰值附近塊的高頻圖像像素值進(jìn)行絕對(duì)值求和并取平均，得到兩個(gè)區(qū)域噪聲方差估計(jì)值；其中，峰值附近塊的高頻圖像像素值是峰值鄰域內(nèi)的高頻圖像像素值。7.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有輸電線路缺陷高精度檢測(cè)程序，其中所述輸電線路缺陷高精度檢測(cè)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1至5中任一項(xiàng)所述的輸電線路缺陷高精度檢測(cè)方法的步驟。4一種輸電線路缺陷高精度檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)技術(shù)領(lǐng)域[0001]本申請(qǐng)涉及設(shè)備維護(hù)技術(shù)領(lǐng)域，尤其涉及一種基于自適應(yīng)巡檢圖像去噪的輸電線路缺陷高精度檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)。背景技術(shù)[0002]目前電網(wǎng)輸電線路的巡檢方式主要是人工方式、無(wú)人機(jī)巡檢和直升機(jī)巡檢手段，在大霧大雨大風(fēng)等惡劣天氣條件下拍攝的輸電桿塔、關(guān)鍵輸電設(shè)備、桿塔標(biāo)識(shí)牌等輸電設(shè)備巡檢圖像不清晰，噪點(diǎn)高，難以直接用于智能化輸電線路巡檢技術(shù)應(yīng)用中。此外，巡檢圖像的噪聲容易出現(xiàn)銷釘脫落、均壓環(huán)傾斜等安全隱患無(wú)法被及時(shí)發(fā)現(xiàn)，一線線路運(yùn)維人員需要重復(fù)巡檢輸電線路，增加工作負(fù)擔(dān)和線路運(yùn)維成本，因此針對(duì)巡檢圖像的去噪工作十分有必要。[0003]而圖像去噪的目的是通過(guò)技術(shù)手段去除圖像中包含噪點(diǎn)的部分。復(fù)雜拍攝環(huán)境下輸電線路的巡檢圖像在采集、獲取、傳輸過(guò)程中往往會(huì)受到噪聲的污染，噪聲是影響圖像質(zhì)量的主要因素。按照對(duì)信號(hào)的影響，噪聲分為加性和乘性。假設(shè)噪聲與圖像相關(guān)，采用加性方法主要是利用圖像內(nèi)的像素信息，采用局部平均、能量變換、加權(quán)平均等方法，存在去噪效果不佳、無(wú)法實(shí)現(xiàn)自適應(yīng)圖像去噪等問(wèn)題。發(fā)明內(nèi)容[0004]針對(duì)輸電線路巡檢圖像存在噪點(diǎn)、不清晰、抖動(dòng)等問(wèn)題，本申請(qǐng)的主要目的在于提供一種基于自適應(yīng)巡檢圖像去噪的輸電線路缺陷高精度檢測(cè)方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，通過(guò)變換域和空間域自適應(yīng)對(duì)巡檢圖像數(shù)據(jù)去噪，然后再進(jìn)行訓(xùn)練，為輸電線路目標(biāo)檢測(cè)算法高精度研判，提供高質(zhì)量巡檢圖像數(shù)據(jù)，以提升缺陷檢測(cè)精度。[0005]為實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)峁┮环N輸電線路缺陷高精度檢測(cè)方法，通過(guò)變換域和空間域自適應(yīng)對(duì)巡檢圖像數(shù)據(jù)去噪，然后再進(jìn)行訓(xùn)練，所述輸電線路缺陷高精度檢測(cè)方法[0006]獲取原始圖像數(shù)據(jù)；[0008]針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)[0009]可選的，所述原始圖像數(shù)據(jù)為通過(guò)直升機(jī)巡檢獲取的視頻圖像數(shù)據(jù)。[0010]可選的，對(duì)獲取的原始圖像數(shù)據(jù)基于變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除，根據(jù)圖像質(zhì)量評(píng)價(jià)規(guī)則以及去噪算法獲取圖片噪聲參數(shù)信息，對(duì)始圖像數(shù)據(jù)中巡檢視5[0012]基于塊和濾波的噪聲參數(shù)評(píng)估，自適應(yīng)估計(jì)混合高斯噪聲參數(shù)；利用估計(jì)得到的噪聲參數(shù)進(jìn)行圖像去噪，將多幅去噪圖像進(jìn)行數(shù)據(jù)融合，獲得去噪圖像。[0014]獲取輸入噪聲圖像，對(duì)所述噪聲圖像的原圖高通濾波得到高頻圖像；[0015]將所述高頻圖像分隔為若干不重疊塊，統(tǒng)計(jì)分塊后圖像的方差峰值；[0016]對(duì)峰值附近塊的高頻圖像像素值進(jìn)行絕對(duì)值求和并取平均，得到兩個(gè)區(qū)域噪聲方差估計(jì)值。[0018]利用噪聲參數(shù)評(píng)估得到的兩個(gè)區(qū)域噪聲方差估計(jì)值對(duì)輸入的聲圖像進(jìn)行去噪，得到平滑圖像以及噪聲殘留圖像；[0019]對(duì)噪聲殘留圖像進(jìn)行高通濾波，得到噪聲程度；[0020]將噪聲程度與預(yù)設(shè)閾值比較，若像素點(diǎn)噪聲程度值大于預(yù)設(shè)閾值，則輸出像素值選擇平滑圖像，否則輸出像素值選擇噪聲殘留圖像；[0022]可選的，所述輸電線路缺陷高精度檢測(cè)方法，還包括采用Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)輸電線巡檢目標(biāo)跟蹤與檢測(cè)，所述Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入端為原始輸電線巡檢視頻圖像，輸出端為電力目標(biāo)檢測(cè)結(jié)果。[0023]可選的，所述Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)中目標(biāo)區(qū)域提取層、區(qū)域篩選層與目標(biāo)分析層基于深度學(xué)習(xí)網(wǎng)絡(luò)層開發(fā)，與已有卷積層、全連接層相連，目標(biāo)區(qū)域提取層與區(qū)域篩選層根據(jù)標(biāo)記結(jié)果區(qū)域訓(xùn)練網(wǎng)絡(luò)層參數(shù)，卷積層與目標(biāo)分析層根據(jù)標(biāo)記結(jié)果損失函數(shù)進(jìn)行調(diào)[0024]此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提供一種輸電線路缺陷高精度檢測(cè)系統(tǒng)，所述輸電線路缺陷高精度檢測(cè)系統(tǒng)包括：數(shù)據(jù)獲取模塊，用于獲取原始圖像數(shù)據(jù)；圖像去噪模塊，用于對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)；缺陷識(shí)別模塊，用于針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)果。[0025]此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提供一種輸電線路缺陷高精度檢測(cè)設(shè)備，所述輸電線路缺陷高精度檢測(cè)設(shè)備包括處理器、存儲(chǔ)器、以及存儲(chǔ)在所述存儲(chǔ)器上并可被所述處理器執(zhí)行的輸電線路缺陷高精度檢測(cè)程序，其中所述輸電線路缺陷高精度檢測(cè)程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述的輸電線路缺陷高精度檢測(cè)方法的步驟。[0026]此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有輸電線路缺陷高精度檢測(cè)程序，其中所述輸電線路缺陷高精度檢測(cè)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述的輸電線路缺陷高精度檢測(cè)方法的步驟。[0027]本申請(qǐng)?zhí)峁┮环N輸電線路缺陷高精度檢測(cè)方法，所述方法獲取原始圖像數(shù)據(jù)；圖像自適應(yīng)去噪，獲得性能良好的去噪圖像數(shù)據(jù)；針對(duì)去噪后的圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別訓(xùn)練。在獲取原始巡檢圖像數(shù)據(jù)后，通過(guò)變換域和空間域?qū)ρ矙z圖像自適應(yīng)去噪，獲得性能良好的去噪圖像數(shù)據(jù)，然后采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別訓(xùn)練。[0028]本申請(qǐng)的這些方面或其他方面在以下實(shí)施例的描述中會(huì)更加簡(jiǎn)明易懂。應(yīng)當(dāng)理解6的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本申請(qǐng)。附圖說(shuō)明[0029]為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請(qǐng)的一些實(shí)施例。在附圖中：[0030]圖1為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法的流程圖；[0031]圖2為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中噪聲參數(shù)評(píng)估的流程圖；[0032]圖3為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中噪聲參數(shù)估計(jì)的流程框圖；[0033]圖4為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中數(shù)據(jù)融合的流程圖；[0034]圖5為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中圖像去噪及融合流程的流程框圖；[0035]圖6為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中FasterR-CNN模型的結(jié)構(gòu)示意性框[0036]圖7為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中RPN的結(jié)構(gòu)示意圖；[0037]圖8為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法中Classification部分網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；[0038]圖9為本申請(qǐng)輸電線路缺陷高精度檢測(cè)系統(tǒng)的系統(tǒng)框圖；[0039]圖10為本申請(qǐng)輸電線路缺陷高精度檢測(cè)設(shè)備的結(jié)構(gòu)示意性框圖。[0040]本申請(qǐng)目的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說(shuō)明。具體實(shí)施方式[0041]下面，結(jié)合附圖以及具體實(shí)施方式，對(duì)本申請(qǐng)做進(jìn)一步描述，需要說(shuō)明的是，在不相沖突的前提下，以下描述的各實(shí)施例之間或各技術(shù)特征之間可以任意組合形成新的實(shí)施[0042]應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本申請(qǐng)，并不用于限定本申請(qǐng)。[0043]下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)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(shí)施例是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。[0044]附圖中所示的流程圖僅是示例說(shuō)明，不是必須包括所有的內(nèi)容和操作/步驟，也不是必須按所描述的順序執(zhí)行。例如，有的操作/步驟還可以分解、組合或部分合并，因此實(shí)際執(zhí)行的順序有可能根據(jù)實(shí)際情況改變。[0045]應(yīng)當(dāng)理解，在此本申請(qǐng)說(shuō)明書中所使用的術(shù)語(yǔ)僅僅是出于描述特定實(shí)施例的目的而并不意在限制本申請(qǐng)。如在本申請(qǐng)說(shuō)明書和所附權(quán)利要求書中所使用的那樣，除非上下[0046]下面結(jié)合附圖，對(duì)本申請(qǐng)的一些實(shí)施方式作詳細(xì)說(shuō)明。在不沖突的情況下，下述的實(shí)施例及實(shí)施例中的特征可以相互組合。[0047]本申請(qǐng)的實(shí)施例提供了一種輸電線路缺陷高精度檢測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，不同于以往的利用圖像內(nèi)的像素信息，采用局部平均、能量變換、加權(quán)平均等方法進(jìn)行去噪，7針對(duì)輸電線路巡檢圖像存在噪點(diǎn)、不清晰、抖動(dòng)等問(wèn)題。本申請(qǐng)目的在于研究基于變換域和空間域方法相結(jié)合的自適應(yīng)視頻、圖像去噪技術(shù)，根據(jù)圖像質(zhì)量評(píng)價(jià)規(guī)則以及去噪算法獲取圖片噪聲參數(shù)信息，對(duì)巡檢視頻、圖像數(shù)據(jù)進(jìn)行預(yù)處理，去除編碼噪聲對(duì)數(shù)據(jù)的影響，獲取高質(zhì)量去噪圖像視頻數(shù)據(jù)。采用Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)輸電線巡檢目標(biāo)的跟蹤[0048]在一些實(shí)施方式中，輸電線路缺陷高精度檢測(cè)方法可以應(yīng)用在輸電線路缺陷高精度檢測(cè)設(shè)備，該輸電線路缺陷高精度檢測(cè)設(shè)備可以是PC、便攜計(jì)算機(jī)、移動(dòng)終端等具有顯示和處理功能的設(shè)備，當(dāng)然也不限于此。[0049]請(qǐng)參照?qǐng)D1,圖1為本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法第一實(shí)施例的流程示意圖。本申請(qǐng)的實(shí)施例中，所述輸電線路缺陷高精度檢測(cè)方法包括以下步驟：[0050]步驟S10,獲取原始圖像數(shù)據(jù)。[0051]在一些實(shí)施例中，原始圖像數(shù)據(jù)為通過(guò)直升機(jī)巡檢獲取的視頻圖像數(shù)據(jù)。[0052]步驟S20,對(duì)獲取的原始圖像數(shù)據(jù)自適應(yīng)去噪，獲得去噪圖像數(shù)據(jù)。[0054]步驟S30,針對(duì)所述去噪圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)中輸入去噪圖像數(shù)據(jù)后輸出電力目標(biāo)檢測(cè)結(jié)果。[0055]在一些實(shí)施例中，針對(duì)去噪后的圖像數(shù)據(jù)，采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別訓(xùn)練。[0056]本申請(qǐng)的實(shí)施例提供的一種輸電線路缺陷高精度檢測(cè)方法，在獲取原始巡檢圖像數(shù)據(jù)后，通過(guò)變換域和空間域?qū)ρ矙z圖像自適應(yīng)去噪，獲得性能良好的去噪圖像數(shù)據(jù)，然后采用兩階段目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)算法對(duì)輸電線路缺陷識(shí)別訓(xùn)練。[0057]基于上述圖1所示實(shí)施例，本申請(qǐng)的一實(shí)施例中，所述步驟S20中，所述輸電線路缺[0058]對(duì)獲取的原始圖像數(shù)據(jù)基于變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除，根據(jù)圖像質(zhì)量評(píng)價(jià)規(guī)則以及去噪算法獲取圖片噪聲參數(shù)信息，對(duì)始圖像數(shù)據(jù)中巡檢視頻、圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲取去噪圖像視頻數(shù)據(jù)。[0059]由于直升機(jī)巡檢視頻圖像數(shù)據(jù)在數(shù)字化和傳輸過(guò)程中常受到成像設(shè)備與外部環(huán)境噪聲干擾等影響，往往會(huì)產(chǎn)生含噪圖像。同時(shí)圖像的不同區(qū)域，通常會(huì)受到不同強(qiáng)度的噪聲污染。本項(xiàng)目綜合變換域和空間域去噪方法對(duì)直升機(jī)巡檢視頻圖像數(shù)據(jù)進(jìn)行去噪處理，剔除背景噪聲對(duì)巡檢圖像缺陷識(shí)別任務(wù)的影響。[0060]在本申請(qǐng)實(shí)施例中，采用一種將變換域和空間域方法相結(jié)合的自適應(yīng)噪聲去除方法。這種方法首先采用基于塊和濾波的噪聲參數(shù)估計(jì)，自適應(yīng)的估計(jì)混合高斯噪聲參數(shù)，然后利用估計(jì)得到的噪聲參數(shù)進(jìn)行圖像去噪，將多幅去噪圖像進(jìn)行簡(jiǎn)單的數(shù)據(jù)融合，最終獲得性能良好的去噪圖像。[0062]基于塊和濾波的噪聲參數(shù)評(píng)估，自適應(yīng)估計(jì)混合高斯噪聲參數(shù)；利用估計(jì)得到的噪聲參數(shù)進(jìn)行圖像去噪，將多幅去噪圖像進(jìn)行數(shù)據(jù)融合，獲得去噪圖像。8[0064]S201、獲取輸入噪聲圖像，對(duì)所述噪聲圖像的原圖高通濾波得到高頻圖像；[0065]S202、將所述高頻圖像分隔為若干不重疊塊，統(tǒng)計(jì)分塊后圖像的方差峰值；[0066]S203、對(duì)峰值附近塊的高頻圖像像素值進(jìn)行絕對(duì)值求和并取平均，得到兩個(gè)區(qū)域噪聲方差估計(jì)值。[0067]參見圖3所示，第一步進(jìn)行噪聲參數(shù)估計(jì)，首先輸入噪聲圖像F,得到高頻圖像G.然后將高頻圖像分為若干不重疊塊。第三步對(duì)分塊后圖像的方差進(jìn)行統(tǒng)計(jì)得到兩個(gè)方差峰值，對(duì)峰值領(lǐng)域內(nèi)的高頻圖像像素值進(jìn)行絕對(duì)值求和取平均，得到區(qū)域噪聲的方差估計(jì)值。[0069]S211、利用噪聲參數(shù)評(píng)估得到的兩個(gè)區(qū)域噪聲方差估計(jì)值對(duì)輸入的聲圖像進(jìn)行去噪，得到平滑圖像以及噪聲殘留圖像；[0071]S213、將噪聲程度與預(yù)設(shè)閾值比較，若像素點(diǎn)噪聲程度值大于預(yù)設(shè)閾值，則輸出像素值選擇平滑圖像，否則輸出像素值選擇噪聲殘留圖像；完成數(shù)據(jù)融合，得到輸出去噪圖[0072]如圖5所示，首先利用噪聲估計(jì)部分得到的兩個(gè)方差估計(jì)值對(duì)噪聲圖像F進(jìn)行第一步去噪操作，得到對(duì)大強(qiáng)度噪聲去噪效果較好的過(guò)平滑圖像以及對(duì)小強(qiáng)度噪聲去噪效果較好的噪聲殘留圖像。第二步對(duì)噪聲殘留圖像進(jìn)行高通濾波，得到噪聲程度。將噪聲程度與閾值比較，若像素點(diǎn)噪聲程度值大于閾值，則輸出像素值選擇平滑圖像，否則輸出像素值選擇[0073]在一些實(shí)施例中，所述輸電線路缺陷高精度檢測(cè)方法，還包括采用Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)輸電線巡檢目標(biāo)跟蹤與檢測(cè)，所述Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入端為原始輸電線巡檢視頻圖像，輸出端為電力目標(biāo)檢測(cè)結(jié)果。[0074]在本實(shí)施例中，在Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)的深度學(xué)習(xí)架構(gòu)中，輸入端為原始輸電線巡檢視頻圖像，輸出端為電力目標(biāo)檢測(cè)結(jié)果。其中輸入圖像不經(jīng)過(guò)經(jīng)驗(yàn)?zāi)Ｐ头治?，直接通過(guò)深度卷積層提取高緯度特征圖。輸出特征圖用于支持三方面功能：[0075]1)目標(biāo)區(qū)域提取層根據(jù)特征圖向量提取特征圖中潛在的目標(biāo)區(qū)域，并將目標(biāo)區(qū)域[0076]2)區(qū)域篩選層提取讀取目標(biāo)區(qū)域提取曾輸出與高維特征圖，按提取區(qū)域中出現(xiàn)目標(biāo)物體的概率進(jìn)行排序，并輸出高概率特征圖區(qū)域；[0077]3)目標(biāo)分析層根據(jù)區(qū)域篩選層輸出，對(duì)于區(qū)域目標(biāo)進(jìn)行分析、分類，可根據(jù)分類要[0078]所述Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)中目標(biāo)區(qū)域提取層、區(qū)域篩選層與目標(biāo)分析層基于深度學(xué)習(xí)網(wǎng)絡(luò)層開發(fā)，與已有卷積層、全連接層相連，目標(biāo)區(qū)域提取層與區(qū)域篩選層根據(jù)標(biāo)記結(jié)果區(qū)域訓(xùn)練網(wǎng)絡(luò)層參數(shù)，卷積層與目標(biāo)分析層根據(jù)標(biāo)記結(jié)果損失函數(shù)進(jìn)行調(diào)整。[0079]在本申請(qǐng)的實(shí)施例中，該深度學(xué)習(xí)網(wǎng)絡(luò)中目標(biāo)區(qū)域提取層、區(qū)域篩選層與目標(biāo)分析層基于深度學(xué)習(xí)網(wǎng)絡(luò)層開發(fā)，與已有卷積層、全連接層相連。端到端深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)經(jīng)由大量圖像進(jìn)行訓(xùn)練，其中目標(biāo)區(qū)域提取層與篩選層根據(jù)標(biāo)記結(jié)果區(qū)域訓(xùn)練網(wǎng)絡(luò)層參數(shù)，卷積層與目標(biāo)分析層根據(jù)標(biāo)記結(jié)果損失函數(shù)進(jìn)行調(diào)整。[0080]在卷積域中，參見圖6所示，所有的卷積層都是：kernel_size=3,pad=1,所有的9卷積都做了擴(kuò)邊處理(pad=1,即填充一圈0),導(dǎo)致原圖(MxN)變?yōu)?M+2)x(N+2)大小，再做同樣，所有的pooling層kernel_size=2,strid都會(huì)變?yōu)?M/2)*(N/2)大小。[0081]綜上所述，在整個(gè)Convlayers中，conv和relu層不改變輸入輸出大小，只有變?yōu)?M/16)x(N/16),這樣卷積域生成的featuuremap中都可以和原圖對(duì)應(yīng)起來(lái)，減少目標(biāo)丟失或遺漏的可能性。[0082]由于經(jīng)典的目標(biāo)檢測(cè)方法生成檢測(cè)框都非常耗時(shí)，如OpenCVadaboost使用滑動(dòng)窗口+圖像金字塔生成檢測(cè)框；或如RCNN使用SS(SelectiveSearch)方法生成檢測(cè)框。而本申請(qǐng)的FasterR-CNN則拋棄了傳統(tǒng)的滑動(dòng)窗口和SS方法，直接使用RPN生成檢測(cè)框，這也是FasterR-CNN的巨大優(yōu)勢(shì)，能極大提升檢測(cè)框的生成速度。[0083]在本申請(qǐng)的實(shí)施例中，RPN網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖7所示。可以看到RPN網(wǎng)絡(luò)實(shí)際分為2條線，上面一條通過(guò)softmax分類anchors獲得foreground和background(檢測(cè)目標(biāo)是foreground),下面一條用于計(jì)算對(duì)于anchors的boundingboxregression偏移量，以獲得精確的proposal。而最后的Proposal層則負(fù)責(zé)綜合foregroundanchors和boundingboxregression偏移量獲取proposals,同時(shí)剔除太小和超出邊界的proposals。整個(gè)網(wǎng)絡(luò)到了ProposalLayer這里，基本完成動(dòng)態(tài)目標(biāo)[0084]在本申請(qǐng)的實(shí)施例中，F(xiàn)asterR-CNN中Classification部分利用已經(jīng)獲得的proposalfeaturemaps,通過(guò)fullconnect層與softmax計(jì)算每個(gè)proposal具體屬于那個(gè)獲得每個(gè)proposal的位置偏移量bbox_pred,用于回歸更加精確的目標(biāo)檢測(cè)框，從而實(shí)現(xiàn)運(yùn)動(dòng)狀態(tài)下多目標(biāo)的精確識(shí)別檢測(cè)。Classification部分網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。[0085]在本申請(qǐng)的一些實(shí)施例中，由于航拍巡檢時(shí)由于氣象條件或大氣污染等因素霧霾天較多，室外獲取的圖像經(jīng)過(guò)空氣中水滴、塵埃等粒子的吸收和散射作用后形成了降質(zhì)的圖像。由于干擾使圖像的對(duì)比度和分辨率均較差，影響了圖像分析和理解等后續(xù)工作。[0086]在本申請(qǐng)實(shí)施例中，還包括圖像去霧，圖像去霧技術(shù)的主要任務(wù)是去除天氣因素對(duì)圖像質(zhì)量的影響，主要分為兩類：霧天圖像復(fù)原和霧天圖像增強(qiáng)。霧天圖像的增強(qiáng)方法從提高圖像對(duì)比度入手，只是普通增強(qiáng)算法在霧天圖像的應(yīng)用，目的是圖像對(duì)比度加強(qiáng)后更適合于人眼的視覺(jué)習(xí)慣與機(jī)器視覺(jué)的輸入習(xí)慣，并不是真正意義上的去霧，常出現(xiàn)邊緣信息損失或過(guò)飽和現(xiàn)象。[0087]在本申請(qǐng)實(shí)施例中，霧天圖像復(fù)原方法基于霧天圖像退化的物理過(guò)程，建立描述圖像降質(zhì)的模型，通過(guò)相關(guān)算法，結(jié)合降質(zhì)模型，利用暗通道先驗(yàn)算法獲取霧天圖像成像模型的相關(guān)參數(shù)，進(jìn)而反推出場(chǎng)景真實(shí)信息，反演圖像退化過(guò)程，從而復(fù)原由霧而導(dǎo)致的霧天模糊，這樣的處理方法是真正從物理意義上的去霧，還原圖像真實(shí)自然，一般不會(huì)有信息損失。霧天圖像的去霧一般過(guò)程是基于物理模型的圖像復(fù)原方法進(jìn)行霧天降質(zhì)圖像的清晰化處理。[0088]在一些實(shí)施例中，基于暗通道優(yōu)先算法對(duì)視頻圖像去霧。其中，暗通道優(yōu)先去霧方法是建立在戶外自然場(chǎng)景暗通道優(yōu)先法則的基礎(chǔ)上的去霧方法。暗通道優(yōu)先法則認(rèn)為無(wú)霧的戶外自然場(chǎng)景圖像，在非天空區(qū)域中，某一些像素至少有一個(gè)顏色通道具有很低的值。[0089]在采用暗通道優(yōu)先算法對(duì)視頻圖像去霧時(shí)，包括以下步驟：為中心，分別取RGB三個(gè)通道內(nèi)窗口Ω內(nèi)的最小值，再取三個(gè)通道的最小值作為像素點(diǎn)x的暗通道的值。暗通道優(yōu)先法則認(rèn)為在經(jīng)過(guò)暗通道優(yōu)先處理之后，圖像J的暗通道值將接近零，如果暗通道圖像中存在大量亮度較高的像素，那么這些亮度應(yīng)來(lái)自于空氣中的霧氣或[0091]第二步，抽樣暗通道內(nèi)圖像總像素點(diǎn)個(gè)數(shù)千分之一個(gè)最亮的像素點(diǎn)，并記錄這些像素點(diǎn)(x,y)坐標(biāo)，根據(jù)這些點(diǎn)的坐標(biāo)找到有霧圖像I對(duì)應(yīng)像素點(diǎn)，并求各點(diǎn)RGB通道平均[0092]第三步，根據(jù)有霧圖像的大氣光照模型由有霧圖像及大氣光照值求解透射率圖，透射率圖中亮度越高的地方表示此處場(chǎng)景色彩的通過(guò)性越好，也可以理解為距離視點(diǎn)越[0093]第四步，在細(xì)化透射率后，由暗通道優(yōu)先退化公式求解得到去霧后圖像J。[0094]因此，本申請(qǐng)的輸電線路缺陷高精度檢測(cè)方法，基于變換域和空間域方法相結(jié)合的自適應(yīng)視頻、圖像去噪技術(shù)，根據(jù)圖像質(zhì)量評(píng)價(jià)規(guī)則以及去噪算法獲取圖片噪聲參數(shù)信息，對(duì)巡檢視頻、圖像數(shù)據(jù)進(jìn)行預(yù)處理，去除編碼噪聲對(duì)數(shù)據(jù)的影響，獲取高質(zhì)量去噪圖像視頻數(shù)據(jù)。采用Faster-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)輸電線巡檢目標(biāo)的跟蹤與檢測(cè)，直接使用RPN生成檢測(cè)框，提升輸電線路缺陷識(shí)別檢測(cè)框的生成速度。[0095]此外，本申請(qǐng)實(shí)施例還提供了一種輸電線路缺陷高精度檢測(cè)系統(tǒng)。[0096]參照?qǐng)D9,圖9為本申請(qǐng)輸電線路缺陷高精度檢測(cè)系統(tǒng)第一實(shí)施例的功能模塊示意[0097]本申請(qǐng)的實(shí)施例中，所述輸電線路缺陷高精度檢測(cè)系統(tǒng)包括：[0098]數(shù)據(jù)獲取模塊10,用于獲取原始圖像數(shù)據(jù)；[0099]圖像去噪模塊20,用于根據(jù)所述投入產(chǎn)出數(shù)據(jù)計(jì)算所述目標(biāo)區(qū)域的隱含碳排放量的驅(qū)動(dòng)因子，其中，所述驅(qū)動(dòng)因子包括行業(yè)最終需求、完全消耗系數(shù)以及直接碳排放強(qiáng)度；[0100]缺陷識(shí)別模塊30,用于根據(jù)所述驅(qū)動(dòng)因子核算由最終需求數(shù)據(jù)所引起的隱含碳排放量。[0101]其中，上述輸電線路缺陷高精度檢測(cè)系統(tǒng)中各個(gè)模塊與上述輸電線路缺陷高精度檢測(cè)方法實(shí)施例中各步驟相對(duì)應(yīng)，其功能和實(shí)現(xiàn)過(guò)程在此處不再一一贅述。[0102]本申請(qǐng)的輸電線路缺陷高精度檢測(cè)方法、裝置可以實(shí)現(xiàn)為一種計(jì)算機(jī)程序的形式，該計(jì)算機(jī)程序可以在如圖10所示的輸電線路缺陷高精度檢測(cè)設(shè)備上運(yùn)行。[0103]請(qǐng)參閱圖10,圖10是本申請(qǐng)輸電線路缺陷高精度檢測(cè)設(shè)備的結(jié)構(gòu)示意性框圖。[0104]請(qǐng)參閱圖10,該輸電線路缺陷高精度檢測(cè)設(shè)備包括通過(guò)系統(tǒng)總線連接的處理器和存儲(chǔ)器，其中，存儲(chǔ)器可以包括非易失性存儲(chǔ)介質(zhì)和內(nèi)存儲(chǔ)器。[0105]處理器用于提供計(jì)算和控制能力，支撐整個(gè)輸電線路缺陷高精度檢測(cè)設(shè)備的運(yùn)[0106]內(nèi)存儲(chǔ)器為非易失性存儲(chǔ)介質(zhì)中的計(jì)算機(jī)程序的運(yùn)行提供環(huán)境，該計(jì)算機(jī)程序被11處理器執(zhí)行時(shí)，可使得處理器執(zhí)行任意一種輸電線路缺陷高精度檢測(cè)方法。[0107]應(yīng)當(dāng)理解的是，處理器可以是中央處理單元(CentralProcessingUnit,CPU),該處理器還可以是其他通用處理器、數(shù)字信號(hào)處理器(DigitalSignalProcessor,DSP)、專用集成電路(ApplicationSpecificIntegratedCircuit,ASIC)、現(xiàn)場(chǎng)可編程門陣列(Field-ProgrammableGateArray,FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件等。其中，通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。[0108]其中，所述處理器用于運(yùn)行存儲(chǔ)在存儲(chǔ)器中的計(jì)算機(jī)程序，以實(shí)現(xiàn)本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法的各個(gè)實(shí)施例，此處不再贅述。[0109]此外，本申請(qǐng)實(shí)施例還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。[0110]本申請(qǐng)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有輸電線路缺陷高精度檢測(cè)程序，其中所述輸電線路缺陷高精度檢測(cè)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述的輸電線路缺陷高精度檢測(cè)方法的步驟。[0111]其中，輸電線路缺陷高精度檢測(cè)程序被執(zhí)行時(shí)所實(shí)現(xiàn)的方法可參照本申請(qǐng)輸電線路缺陷高精度檢測(cè)方法的各個(gè)實(shí)施例，此處不再贅述。他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者系統(tǒng)不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者系統(tǒng)所固有要素的過(guò)程、方法、物品或者系統(tǒng)中還存在另外的相同要素。[0113]上述本申請(qǐng)實(shí)施例序號(hào)僅僅為了描述，不