(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210842134.2 (22)申请日 2022.07.18 (71)申请人 国网湖南省电力有限公司 地址 410000 湖南省长 沙市雨花区韶山北 路388号 申请人 国网湖南省电力有限公司超高压 变 电公司　 国家电网有限公司 (72)发明人 李游　唐信　吴水锋　刘卫东　 张华东　李曲婷　于艺盛　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 专利代理师 钟声 (51)Int.Cl. G06T 7/13(2017.01)G06T 5/50(2006.01) G06V 20/17(2022.01) G06V 10/44(2022.01) G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种无人机巡检图像边缘检测方法、 系统及 存储介质 (57)摘要 本发明涉及图像检测技术领域， 公开了一种 无人机巡检图像边缘检测方法、 系统及存储介 质， 该方法首先提取无人机巡检所采集图像的多 尺度边缘特征， 采用全卷积神经网络构， 建图像 边缘检测模型结构， 优化损失函数， 完成模型的 局部和整体训练， 深度学习输入的多尺度边缘特 征， 采用二阶导数计算该结果的像素边缘概率， 检测图像的弱边缘并生成边缘信息概率图， 计算 无人机巡检图像弱边缘对象 的概率值， 实现图像 边缘细化， 可以有效获取图像中目标对象的边缘 特征， 距离误差指标较小， 能够完整、 可靠获取图 像中不同位置、 物体等目标的边缘结果， 边缘检 测结果更为细化， 细节度极好。 权利要求书3页 说明书8页 附图4页 CN 115330823 A 2022.11.11 CN 115330823 A 1.一种无 人机巡检图像边 缘检测方法， 其特 征在于， 包括： 对无人机的巡检图像进行裁 剪得到N个子图像； 对每一子图像进行边 缘多尺度特 征提取， 得到每一子图像对应的边 缘特征数据； 将边缘特征数据输入预设全卷积神经网络模型中生成边 缘信息概 率图； 对每一边缘信 息概率图进行图像弱边缘细化处理， 并对所有子图像对应的边缘细化处 理结果进行融合， 得到巡检图像的边缘细化结果， 并根据所述巡检图像的边缘细化结果确 定边缘检测结果。 2.根据权利要求1所述的无人机巡检图像边缘检测方法， 其特征在于， 所述对每一子图 像进行边 缘多尺度特 征提取， 得到每一子图像对应的边 缘特征数据， 包括： 设无人机巡检图像的多尺度边 缘轮廓模型为B， 其计算公式为： 式中， H(z)、 D(z)均表示 函数， N表示像素点总数量， G表示卷积； 利用Rayleigh分布模型进行区域像素融合， 满足如下关系式： O＝BG+N   (2) 式中， O表示融合结果； 计算无 人机图像灰度像素 水平集函数， 满足如下关系式： 式中， f1(x)、 f2(x)表示无人机巡检图像边缘检测模板的两个函数， θ和 表示像素的灰 度特征量和灰度项， 表示无人机巡检图像边 缘轮廓曲线； 定义无人机巡检图像目标区域中心点， 并结合小波降噪对图像实行处理， 输出降噪后 的无人机巡检图像的输出 结果， 满足如下关系式： 式中， Zl表示滤波函数， ∫Ω表示降噪函数， 表示无人机巡检图像的多尺度边缘特征 分布正则项， 其计算公式为： 式中， ε表示无 人机巡检图像边 缘模糊特 征分布项， 表示多尺度边 缘特征； 以图像形状轮廓的形变特征为依据， 采用纹理像素集重建方法对图像的所有子带图像 实行二值化拟合处 理， 其公式为： 式中， x表示训练图像， y表示训练图像对应的标签； 依据公式(6)计算各个数据样本的多尺度边 缘特征， 其公式为： 式中， IG表示子带纹 理特征， fiG表示梯度模。权　利　要　求　书 1/3 页 2 CN 115330823 A 23.根据权利要求1所述的无人机巡检图像边缘检测方法， 其特征在于， 所述预设全卷积 神经网络模型在训练过程中对损失函数进行优化处理， 其中， 优化损失函数满足如下关系 式： L( α,t)为优化后的损失函数， w表示权重， i表示神经元节点， 表示样本的均值， δ表示 目标值； n表示样本总数量， ψ表示损失函数。 4.根据权利要求1所述的无人机巡检图像边缘检测方法， 其特征在于， 所述将边缘特征 数据输入预设全卷积神经网络模型中生成边 缘信息概 率图之前， 所述方法还 包括： 训练得到所述预设全卷积神经网络模型， 其中， 训练步骤 包括： 确定网络的训练参数并对其实行训练， 以包含训练图像和对应标签的训练数据集为基 础， 以损失函数最小为目标， 计算模型的权 重w， 其计算公式为： 式中， x和y分别表示训练图像和对应标签， {xi,yi}表示像素点 i的训练数据； 模型包含两部分训练， 有两个输出， 其一是辅助输出， 其二是整体输出， 选择ψ作为两个 输出的损失函数损失函数， 计算公式为： 式中， xi表示像素点， 其第j类 的预测结果用Yj(xi)表示， K表示类别总数量， b表示常数 项， P表示整体输出的预测概 率， e表示自然常数。 无人机巡检图像中， 边缘点属于正样本， 背影区域的点属于负样本， 为正负两种样本分 别设备不同的权 重， 引入比例修 正系数 λj对正负样本的损失函数实行修 正， 其公式为： 模型在训练过程中， λj不发生变化， 以此保证样本均衡， 完成模型训练， 输出检测结果 5.根据权利要求4所述的无人机巡检图像边缘检测方法， 其特征在于， 所述对每一边缘 信息概率图进行图像弱边 缘细化处 理， 包括： 对 进行初始化处 理， 依据其检测的全部边 缘信息结果， 完成边 缘信息概 率图的生成； 求解无人机巡检图像弱边 缘区域像素的平均值， 其计算公式为： 权　利　要　求　书 2/3 页 3 CN 115330823 A 3