CN119512146A 一种基于多光融合的无人机绝缘子巡检系统及其方法 （国网青海省电力公司海北供电公司）

一种基于多光融合的无人机绝缘子巡检系是一种基于多光融合的无人机绝缘子巡检系统通过三光融合技术能够在早期阶段发现潜在的在各种环境条件下都能保持较高的检测可靠性2控制模块，与地面控制站通过通信模块连通，接收地面控制站数据处理模块，用于对多光融合传感器模块采集的数据进行处所述图像配准单元用于寻找一个空间变换模型，使得可见光所述图像处理单元用于对图像配准单元配准后的图像进行预处理，包所述图像融合单元用于对图像处理单元处理后的图像进行融合操作，使可见光传感步骤二：通过优化搜索算法对空间变换矩阵进行更步骤三：根据变换矩阵实现对紫外光图像的空间变换使其在空间上与可见光图像配3yy步骤二：所有输出量和R,通过分解输出为SD_MSR分量R",R,",armarmarmarm)armarmarm)是多光融合传感器模块的当前位置，θarm是多光融合传感器模块的角多光融合传感器模块搭载于无人机平台上，采用PID控制精确调整多光融合传感器模块的4armarmarm)是多光融合传感器模块的当前位置，θarm是多光融合传感器模块的角所述损伤检测单元采用YOLOv8中YOLOv8n作为基础网络，将YOLOv8网络结构划分为Input层作为整个结构的起始部分，将输入图像进行处理后再传入到模型当中，采用Backbone层沿用了YOLOv5中的CSPNet结构，采用C2f模块；所述C2fHead层作为检测头部分，对输入的图片特征进行检测，将YOLOv步骤四：缺陷识别，将融合后的图像输入到预先训练步骤五：结果传输与显示，数据处理模块将缺陷识56[0022]步骤四：用融合后的图像和红外图像再做一次互信息作为相似性测度的图像配[0026]中值滤波法根据噪音的变化幅度来相应调整窗口数值，以获7R",R,R,"和然后根据上一小节所述的子带分解同态滤波分量融合方法进行融[0045]所述损伤检测单元采用YOLOv8中YOLOv8n作为基础网络，将YOLOv8网络结构划分[0047]Backbone层沿用了YOLOv5中的CSPNet结构，采用C2f模块；所述C2f模块是在YOLOv5的C3模块进行修改的，并且借助了YOLOv7中采用的ELAN模块的思想进行对C2f模块8绝缘子故障误判的可能性，并在各种环境条件下都能保持较高的检测可靠性而且更加高9式(LBP)纹理特征和纵向灰度分析法识别绝缘子自爆故障，基于灰度梯度和横向对比的改图像与可见光图像之间的互信息，然后通过优化搜索算法对空间变换矩阵进行更新迭代，从中找出使两幅图像相似性测度互信息最大的最优变换矩阵T，最后根据变换矩阵实现对[0104]本发明通过红外热像仪获取设备的温度信息，可见光传提高双视频系统在复杂的电磁环境下的识别能力，融合图像也可以展现更多的信息细节，[0113]上式中：Rn′和分别表示Retinex输出分量和子带分解后的Retinex输出分量[0119]假设图像A在尺度n下的SD_MSR输出分量表示为和图像在尺度下的SD_SD_MSR输出分量瓦表示图像的细节纹理，而通过最大值σn得出的SD_MSR输出分量则表SD_MSR分量尺度越高，加权系数W"、W*、"和之间趋[0127]通过加权系数和SD_MSR输出分量的结合运算可最终得到尺度n空间的融合后的子具有互补特性的Retinex输出量R,"和R,(或R,"R,",R,,R,"和R,"通过分解输出为SD_MSR分量R,",R,,R"和R",然后根据上一小节所述的子带分解同态滤波分量融合方法进行融后得到初始融合图像；由于得到的初始融合图像像素值可能未完全落在图像动态范围内，入学习模型对纹理特征进行精确的分类又没有其必要，所以本发明根据绝缘子图像的特致单相接地，影响正常供电。为了防止上述情况的发生，需要定期测量并找出破损的绝缘子；理、日盲型紫外成像设备的工作与成像原理,通过绝缘子紫外检测图像的噪声退化与复原模型.以NSE,MSE,SNR,PSNR作为去噪效果的客观评价标准,通过自适应中值滤波算法实现电区域的有效辨识与判别；通过Otsu法进行图像的阈值分割,再进行数学形态学的二值开运算并通过Canny边缘检测算子实现紫外光斑的边缘检测与轮廓提取,同步计算出光斑面[0157]用第i个项目层的第j个评判指标Cij对绝缘子污闪状态进行评估，评语集中的状2j3j4j[0171]a).Input层作为整个结构的起始部分，将输入图像进行处理后再传入到模型当中，为了提高模型训练的效率，采用了Mosaic增强、Mixup增强、空间扰动(randomperspective)以及颜色扰动(HSVa在YOLOv5的C3模块进行修改，并借助YOLOv7中采用的ELAN模块的思想进行对C2f模块进行解了因深度模型导致的梯度分流问题，提高了浅层特征信息的重复利用；该模块是由n个[0175]YOLOv8采用了AnchorFree的设计，不再需要预先定义锚框就能够准确预测边界[0178]CIouLoss函数主要用于衡量模型对目标类别的分类准确性，在YOLOv8当中主要