[发明专利]一种基于无人机电力巡检的缺陷检测系统及方法

权利要求书

1.一种基于无人机电力巡检的缺陷检测系统，其特征在于，包括无人机和机巢侧智能分析服务器，所述无人机上设置有摄像头、机载端侧智能分析服务器和飞控平台；

所述无人机按照预设巡检路径飞行，并在每个巡航点通过摄像头采集视频数据并发送至机载端侧智能分析服务器；

机载端侧智能分析服务器用于根据所述视频数据提取视频图像并识别待拍摄的目标物，根据视频图像计算生成调整控制信号并发送至无人机的飞控平台，所述飞控平台根据所述调整控制信号调整无人机的飞行姿态，使得目标物位于摄像头视野的中心，之后通过摄像头采集目标物图像；

无人机完成巡检时将所述目标物图像发送至所述机巢侧智能分析服务器，所述机巢侧智能分析服务器用于根据所述目标物图像进行缺陷检测；

所述机巢侧智能分析服务器基于知识蒸馏的非均匀量化的FCOS目标检测算法训练获得缺陷检测模型，根据所述缺陷检测模型进行目标物的缺陷检测；

所述机巢侧智能分析服务器还用于：

采集目标物缺陷的样本图像，并创建训练集；

构建基于FCOS算法的全精度模型和低精度模型，所述全精度模型和低精度模型包括骨架网络层、特征融合层以及检测头层；

根据所述训练集，对所述全精度模型进行训练，直到所述全精度模型收敛；

根据所述训练集和收敛后的全精度模型，对所述低精度模型进行联合训练，将收敛之后的低精度模型作为所述缺陷检测模型；

所述机巢侧智能分析服务器还用于：

将所述训练集输入至全精度模型，通过所述全精度模型的骨架网络层提取特征，通过特征融合层对各级特征进行融合，之后通过检测头层在各级特征每个位置上对目标物缺陷进行回归和分类，获得缺陷的预测结果；针对预测结果计算损失函数，根据损失函数的计算结果进行反向传播，更新所述全精度模型的参数，直到满足收敛条件；

所述机巢侧智能分析服务器还用于：

将所述训练集输入至所述低精度模型和收敛后的全精度模型，分别通过所述低精度模型和全精度模型的骨架网络层、特征融合层、检测头层，获得所述低精度模型和全精度模型对缺陷的预测结果；将收敛后的全精度模型对于缺陷的预测结果作为软标签与所述低精度模型进行交叉熵损失计算，根据交叉熵损失计算结果更新所述低精度模型和全精度模型，直到所述低精度模型和全精度模型均收敛，获得的低精度模型为所述缺陷检测模型。

2.如权利要求1所述的系统，其特征在于，所述目标物位于摄像头视野中心，为所述目标物的几何中心坐标与摄像头视野中心坐标重合，或者所述目标物的几何中心坐标位于摄像头视野中心坐标周围预设范围内。

3.如权利要求1或2所述的系统，其特征在于，所述机载端侧智能分析服务器用于从所述视频数据中提取多帧视频图像，采用知识蒸馏的非均匀量化的FCOS目标检测算法检测所述视频图像，获得多个预测边框以及预测边框中目标物的所属类别置信度；根据所述类别置信度，计算平均所属类别置信度，根据所述平均所述类别置信度以及预测边框在视频图像中的位置坐标，确定无人机的调整方向和调整角度，根据所述调整方向和调整角度，生成所述调整控制信号。

4.根据权利要求3所述的系统，所述机载端侧智能分析服务器用于根据所述所属类别置信度，统计多帧视频图像中同一预测边框的每一种所属类别的数量；选取同一预测边框中数量最多的所属类别对应的所属类别置信度并对其计算平均值，获得平均所属类别置信度；根据选取的预测边框在视频图像中的位置坐标，计算其中心度；将所述平均所述类别置信度与各个选取的预测边框的中心度相乘，获得最终置信度；按照最终置信度从大到小的顺序以及对应的预测边框的中心度，依次计算无人机的调整方向和调整角度。

5.如权利要求1或2所述的系统，其特征在于，所述机巢侧智能分析服务器还用于根据目标物图像的灰度方差函数和图像熵函数，对采集的目标物图像进行图像质量计算，对同一目标物选取图像质量最高的目标物图像进行缺陷检测。

6.一种采用如权利要求1-5任一所述系统的无人机电力巡检的缺陷检测方法，其特征在于，包括：

无人机按照预设巡检路径飞行，并在每个巡航点通过摄像头采集视频数据并发送至机载端侧智能分析服务器；

机载端侧智能分析服务器根据所述视频数据提取视频图像并识别待拍摄的目标物，根据视频图像计算生成调整控制信号并发送至无人机的飞控平台，所述飞控平台根据所述调整控制信号调整无人机的飞行姿态，使得目标物位于摄像头视野的中心，之后通过摄像头采集目标物图像；

无人机完成巡检时将所述目标物图像发送至所述机巢侧智能分析服务器，所述机巢侧智能分析服务器根据所述目标物图像进行缺陷检测。