基于无人机图像的风力发电机叶片缺陷识别

针对风力发电机叶片人工检测低效,缺陷诊断难的问题,提出一种基于无人机与图像处理的风力发电机叶片缺陷识别方法。通过Halcon 12与Visual Studio 2015的联合开发,实现图像处理流程、检测结果输出以及缺陷回放等功能,包括相机标定、通过快速自适应加权中值滤波处理图像、动态阈值分割叶片图像缺陷特征,利用区域处理识别裂纹和砂眼等缺陷,并对缺陷进行分类与测量以及输出对叶片质量的分析报告等,实现风力发电机叶片表面缺陷的自动检测功能。通过实例验证了该方法在风力发电机叶片表面缺陷检测中的较高精确性与算法稳定性。

基于简单线性迭代聚类优化的无人机图像去雾算法及其在风电场中的应用

针对电力巡检过程中无人机(unmanned aerial vehicle,UAV)载荷因受雾气颗粒影响而导致UAV图像不清晰的问题,提出一种基于简单线性迭代聚类(simple linear iterative clustering,SLIC)优化的UAV图像去雾算法。通过雾天成像物理模型、暗通道先验定律、同质滤波与SLIC算法,改善电力巡检图像中白色区域及不均匀光照的影响,提升UAV图像去雾处理的效率,并对大气光强度参数进行自适应计算,以防止去雾过程中复原失真。实验结果表明提出的算法可有效恢复电力巡检图像的原始细节,并通过主观视觉评估及融合多种客观评价指标的对比,说明该算法相对于传统算法的优越性。

面向仓库巡逻的小样本目标识别方法综述

深度学习在基于图像检测和识别的问题上取得了显著的成果,然而该方法通常需要大量标记的样本进行大规模的预先训练,因而难以解决样本量不足条件下的场景感知和认知问题。以大型仓储库区无人机巡逻为背景,面对有效数据稀缺等真实的挑战,针对数据独立性高的多种机器智能学习方法进行探索。面向以仓库巡逻为代表的遥感领域目标识别,系统阐述了小样本学习、零样本学习、单样本学习的问题定义、基于有限示例的高质量样本生成模型和零样本条件下基于语义信息的未知目标识别方法,基于当前研究中出现的不足及挑战,对未来的研究方向进行了展望。