CN113744270B 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 （南京市特种设备安全监督检验研究院）

起重机复杂钢结构表面缺陷的无人机视觉本发明公开了一种起重机复杂钢结构表面机、深度卷积网络和生成式对抗网络的分类算2步骤三、基于无人机对起重机进行检测：无人机采用牛耕构建融合支持向量机、深度卷积网络和生成式对抗利用基于多因子复杂度的结构误检区域排除算法和非极大值抑制方法去除误检目标2.根据权利要求1所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，33.根据权利要求1所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，图像旋转和FancyPCA数据扩充方法扩充训练样本数量，通过对不同场景中目标区域的切4.根据权利要求1所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，5.根据权利要求4所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，所述畸变校正包括通过利用基于单参数除式模型标定的变焦6.根据权利要求1所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，7.根据权利要求1所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，2）采用多点激光测距方法获取任意倾斜角度的8.根据权利要求7所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，图像物理坐标系o-xy：该坐标系的原点位于摄像机光轴与图像平面的交点即主点位4yc轴与v轴平行；23P2，P3为3个激光测距传感器发出的光线与起重机钢结构表面的交点，x22233,51,v1)为根据除式畸变模型标定的相机内参数矩阵和畸变系数9.根据权利要求8所述的起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法，6[0002]大型起重机结构尺寸达几十米甚至上百米，有些部位例如门式起重机主梁下盖[0005]现有基于无人机的起重机检测系统大多仅完成图像采集、传输存在对微小缺陷和色差不明显缺陷不敏感、易漏检微弱缺陷以及长时间检测疲劳等问题，7栓缺失等多尺度多种类缺陷进行检测分类，并提出基于多点激光测距与图像分割的裂纹、标注成本。拟利用嵌入朴素贝叶斯分类器的密集连接条件随机场模型(Conditional8[0026]利用基于多因子复杂度的结构误检区域排除算法和非极大值抑制方法去除误检9c轴与v轴平行；[0043]2）、在摄像机坐标系FC下，根据3个激光测距传感器发出的光线方向向量PP3为3个激光测距传感器发出的光线与起重机钢结构表面的交点，x22233投影中心G的激光测距距离；1,v1)为根据除式畸变模型标定的相机内参数矩阵和畸变1,v1)像素投影到地图坐标系的实际物K一K进一步计算畸变校正后图像中每个像素代表的实际物理尺寸，建立与图像尺寸相螺栓缺失等多尺度多种类缺陷进行检测分类，并提出基于多点激光测距与图像分割的裂[0077]无人机搭载的相机支持机载端4K高清视频存储和1080P高清视频无线传输到地面[0082]步骤1-1：确定畸变系数k1和畸变中心坐标(u0,v0)的范围，设图像大小为w×hu0=2/(N1D2=q条直线0v0为优化后的最佳值。[0102]利用基于多因子复杂度的结构误检区域排除算法和非极大值抑制(NonMaximumSuppression，NMS)方法去除误检目标框。利用基于深度卷积生成式对抗网络(Deep[0107]2）采用多点激光测距方法获取任意倾斜角度的结构表面上3点与相机光心的距c轴与v轴平行；[0117]2）在摄像机坐标系FC下，根据3个激光测距传感器发出的光线方向向量PP3为3个激光测距传感器发出的光线与起重机钢结构表面的交点，x22233投影中心G的激光测距距离；1,v1)为根据除式畸变模型标定的相机内参数矩阵和畸变v1)像素投影到地图坐标系的实际物理尺寸，即该像素位置的像素当量为K一K用英文字母neg来标记裂纹，用英文字母rust来标记锈蚀，用英文字母bolt来标记螺栓缺CT