圖像識別技術(shù)在無人機巡檢中的應(yīng)用

1、圖像識別技術(shù)在無人機巡檢中的應(yīng)用1.無人機巡檢的優(yōu)勢針對橋梁偏塔、橋梁斜拉鎖保護層脫落、橋梁路面坑槽、裂縫、結(jié)構(gòu)連接件露筋、銹蝕及螺栓脫落的檢測，無人機巡檢具備諸多優(yōu)勢。無人機可以直達檢測部位，無需其它輔助措施,節(jié)省費用；檢測橋墩、橋座、橋腹等危險場所，無需搭架或者吊籃配合人員檢測，極大地提高了安全性；對于部分無法企及的橋腹、拉索等部位，無人機可以抵近觀察了解更多細節(jié)；在橋梁定期檢測時，無需封閉道路中斷交通，僅十分鐘準備時間，隨檢隨走；支持在線即時航線規(guī)劃，可在執(zhí)行飛行前現(xiàn)場新建、修改規(guī)劃；飛行狀態(tài)全程監(jiān)控，添加多種中斷操作和相機控制，確保安全飛行同時獲得更好畫質(zhì)的圖像數(shù)據(jù)。圖1航線規(guī)劃圖2飛

2、行監(jiān)控2.圖像識別在無人機巡檢中應(yīng)用的原理和技術(shù)應(yīng)用原理針對橋梁出現(xiàn)裂縫，露筋，剝落，螺栓脫落等病害，無人機直達檢測部位拍攝病害圖像，針對病害圖像的特點，運用機器視覺對數(shù)字圖像進行增強、去噪、圖像分割、邊緣檢測，采用基于監(jiān)督學習的機器學習算法，對圖像進行病害識別，解決病害分類問題及病害標記的問題。如下圖所示圖3圖像分析圖4裂縫標記技術(shù)（1）圖像增強運用自適應(yīng)的局部增強處理技術(shù)，只增強感興趣區(qū)域的對比度，而模糊其他區(qū)域的清晰程度，實現(xiàn)突出病害部分圖像的目的。采用了拉普拉斯算子，使圖像中的各灰度值得到保留、灰度突變處的對比度得到增強，最終保留圖像背景的前提下，突現(xiàn)出圖像中的小細節(jié)。其原理是：對原圖

3、像進行處理產(chǎn)生描述灰度突變的圖像；將拉普拉斯算子處理圖像與原圖像疊加產(chǎn)生銳化圖像。（2）圖像去噪包括濾除圖像的隨機噪聲、高斯噪聲等，為圖像分割前做平滑處理以減弱噪聲的影響。采用中值濾波法，其原理是：選定窗口為nxn的模版，其中n的大小由原圖像的二階導數(shù)的均值決定,使窗口中心與圖像某點重合；窗口在圖像上逐個像素移動；窗口對應(yīng)像素灰度值大小排序,找出中間值；將中間值作為窗口所在像素的灰度值。（3）圖像分割將圖像背景和目標物體進行分割,通常情況下,目標物體較背景暗,在灰度直方圖上的灰度處在不同的灰度區(qū)間,因此可以選擇一個灰度閾值將物體區(qū)域分割出來。采用局部動態(tài)閾值算法中的Bradley二值化，其原理

4、是：利用自適應(yīng)算法計算圖像中每個像素點對應(yīng)的閾值；利用得到的一個mxn大小的閾值矩陣實現(xiàn)二值化。（4）圖像邊緣檢測邊緣主要存在于目標與目標，目標與背景或區(qū)域與區(qū)域之間，是圖像灰度不連續(xù)性的反映，圖像邊緣檢測是檢測圖像函數(shù)不連續(xù)點的過程表示。采用梯度算子中的Canny算子，其原理是：用高斯濾波器對原始圖像進行平滑去噪；用一階偏導數(shù)的有限差分計算梯度的幅值和方向；采用迭代法得到圖像梯度中的局部極大值點，把其他非局部極大值置零來得到細化的邊緣；用雙閾值算法檢測和連接邊緣。（5）圖像特征提取在滿足分類識別正確率要求的前提下，使用較少的特征就能完成分類設(shè)別任務(wù)。利用BagFeature模型提取特征并構(gòu)建圖像的虛擬字典，其原理是：利用surf算法生成每幅圖像的特征點；生成每幅圖像的向量；將有疑問的圖像向量與圖庫中圖像的向量求夾角，夾角最小的即為匹配成功。（6）圖像分類利用神經(jīng)網(wǎng)絡(luò)訓練樣本數(shù)據(jù)，在圖像識別階段，只要將圖像的特征向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入，經(jīng)過網(wǎng)絡(luò)計算，分類器的輸出就是識別結(jié)果。神經(jīng)網(wǎng)絡(luò)分類器用n個表示的樣本送入神經(jīng)網(wǎng)絡(luò)，這些分類用二值表示，其原理是：第一級計算匹配度，然后被平