技术领域
[0001] 本发明涉及电力图像处理领域，尤其是一种无人机巡检图像实时压缩与快速传输方法。
相关背景技术
[0002] 随着无人机技术的快速发展和广泛应用，无人机巡检在电力、石油、交通、农业等领域得到了广泛应用。无人机巡检通过搭载高清摄像头，能够实时采集目标区域的图像，从而实现对目标区域的远程监控和检测。然而，无人机巡检图像的实时压缩与快速传输面临着诸多挑战，主要包括以下几个方面：图像数据量大、传输带宽有限、数据传输可靠性低、缺陷识别难度大等问题。
[0003] 现有的图像压缩算法在压缩效率和图像质量之间难以取得平衡，尤其是在高分辨率图像的压缩过程中，压缩效率较低；现有的传输协议在应对无线传输的不稳定性和信号干扰方面表现不佳，传输可靠性较低；现有的缺陷识别算法在复杂背景和光照变化的情况下，识别准确率较低，难以满足实际应用需求；现有的系统在各模块的协同和优化方面存在困难，难以实现高效的图像采集、压缩、传输和分析。
具体实施方式
[0089] 如图1所示，根据本申请的一个方面，一种无人机巡检图像实时压缩与快速传输方法，包括如下步骤：
[0090] 步骤S1、图像采集与预处理，包括：图像采集，通过无人机搭载高清摄像头采集图像，得到原始图像；图像预处理，对原始图像进行去噪和增强，得到预处理后的图像；
[0091] 步骤S2、图像实时压缩：采用小波变换对预处理后的图像进行分解，得到分解后的图像；并对分解后的图像采用动态调整及多级压缩方法进行压缩，得到压缩后的图像；
[0092] 步骤S3、数据传输优化：采用分块传输策略并结合前向纠错及冗余数据方法，选择UDP协议对压缩后的图像进行传输，用以提升数据传输的可靠性；
[0093] 步骤S4、地面控制站数据处理：地面控制站接收无人机传输的压缩后的图像，采用卷积神经网络进行缺陷识别，并结合历史数据和专家系统，进行缺陷分析和预警；
[0094] 步骤S5、系统性能评估与优化：采用仿真和实际测试相结合的方法，对系统的图像压缩效率、传输速度、缺陷识别准确率进行评估，并根据评估结果对图像压缩算法、传输协议、缺陷识别算法进行优化。
[0095] 在本实施例中，本方案提出了一种无人机巡检图像实时压缩与快速传输方法，通过图像采集与预处理、图像实时压缩、数据传输优化、地面控制站数据处理以及系统性能评估与优化等步骤，实现了高效、可靠的图像采集、压缩、传输和分析。通过无人机搭载高清摄像头采集图像，确保图像的高分辨率和细节丰富度，为后续处理提供高质量的原始数据；对原始图像进行去噪和增强，有效去除图像中的噪声，增强图像的细节和对比度，提高图像的整体质量。采用小波变换对预处理后的图像进行分解，能够将图像分解为不同频率的子带，从而实现高效的图像压缩；对分解后的图像进行动态调整，通过设定阈值去除小波系数中的噪声和冗余信息，进一步减少数据量；采用多级压缩方法对动态调整后的图像进行进一步压缩，通过量化和熵编码减少系数的精度，显著提高压缩效率。将压缩后的图像分成多个小块，分别进行传输，利用多线程或并行处理技术提高传输速度；在传输过程中加入前向纠错码，使得接收端能够检测和纠正传输过程中的错误，提高数据传输的可靠性；在传输过程中加入冗余数据，进一步提高数据传输的可靠性，确保数据的完整性；选择UDP协议对压缩后的图像进行传输，具有较低的延迟和较高的传输速度，适用于实时传输场景。采用预训练的CNN模型进行图像分类和目标检测，能够准确识别图像中的缺陷；将当前识别出的缺陷与历史数据进行对比，分析缺陷的变化趋势，提供更全面的缺陷分析；利用专家系统对缺陷进行分析，提供诊断建议和处理方案，提高缺陷识别的准确性和实用性。根据缺陷的严重程度和变化趋势，触发相应的预警信号，及时通知相关人员进行处理；：通过短信、邮件、APP推送等方式，将预警信息通知相关人员，确保缺陷能够及时得到处理。通过仿真测试评估系统的性能，模拟实际应用场景，记录各项性能指标，为系统优化提供数据支持；在实际环境中进行测试，验证仿真测试结果的准确性，进一步评估系统的性能；对仿真测试和实际测试得到的性能指标进行分析，找出系统的性能瓶颈，为系统优化提供依据；根据性能分析结果，对图像压缩算法、传输协议、缺陷识别算法进行优化，持续提升系统的整体性能。系统能够在短时间内完成图像采集、压缩、传输和分析，满足实时性要求；通过优化图像压缩算法、传输协议和缺陷识别算法，系统能够在保证图像质量的前提下，实现高效的图像处理和传输。
[0096] 根据本申请的另一个方面，步骤S1进一步为：
[0097] 步骤S11、图像采集：图像采集频率为设置为30fps，得到原始图像，其格式为：
[0098] D＝W×H×F×B；
[0099] 其中，4K宽度W＝3840，4K高度H＝2160，帧率F＝30，RGB格式每像素字节数B＝3；
[0100] 步骤S12、图像去噪：采用高斯滤波器对原始图像进行去噪处理，通过加权平均邻域内的像素值来平滑图像，得到去噪后的图像，具体方法如下：
[0101] I^(x,y)＝∑(i,j)∈ΩI(i,j)·G(i,j)；
[0102] 其中，其中，Ω是像素(x,y)的邻域，I(i,j)是原始图像在(i,j)处的像素值，I^(x,y)是去噪后的图像在(x,y)处的像素值，G(i,j)是高斯核在(i,j)处的权重；
[0103] 步骤S13、图像增强：采用直方图均衡化技术对去噪后的图像进行增强处理，得到增强后的图像，具体方法如下：
[0104] I^(x,y)＝round((I(x,y)‑Imin/(Imax‑Imin)·(L‑1))；
[0105] 其中，Imin和Imax分别是图像的最小和最大灰度值，L是灰度级的数量。
[0106] 根据本申请的另一个方面，步骤S1还可进一步优化包括以下步骤：
[0107] 步骤S14、图像校正：采用几何校正和颜色校正对增强后的图像进行校正，包括：
[0108] 步骤S141、几何校正：通过仿射变换或透视变换，校正图像中的几何畸变，如倾斜、扭曲等；
[0109] 步骤S142、颜色校正：通过颜色校正矩阵或白平衡调整，校正图像中的颜色偏差，确保图像颜色的一致性；
[0110] 步骤S15、图像分割：采用图像分割技术对校正后的图像进行分割，包括：
[0111] 步骤S151、阈值分割：通过设定阈值，将图像分割为前景和背景；
[0112] 步骤S152、边缘检测：通过Canny边缘检测等方法，提取图像中的边缘信息；
[0113] 步骤S153、区域生长：通过种子点生长，将图像分割为不同的区域；
[0114] 步骤S16：图像归一化：采用图像归一化技术对分割后的图像进行归一化处理，包括：
[0115] 步骤S161、灰度归一化：将图像的灰度值归一化到特定范围，如[0,1]或[0,255]；
[0116] 步骤S162、尺寸归一化：将图像的尺寸归一化到特定大小，便于后续的图像处理和分析。
[0117] 图像预处理是无人机巡检图像实时压缩与快速传输方法中的重要环节，通过去噪、增强、校正、分割和归一化等步骤，可以显著提高图像的质量和后续处理的效果。预处理后的图像不仅能够更好地支持图像压缩和传输，还能提高缺陷识别和分析的准确性。
[0118] 如图2所示，根据本申请的另一个方面，所述步骤S2进一步为：
[0119] 步骤S21、图像分解：采用小波变换对预处理后的图像进行分解，包括：
[0120] 步骤S211、小波变换：将图像分解为不同频率的子带，从而实现图像的压缩，具体方法如下：
[0121] W(a,b)＝∫‑∞∞∫‑∞∞I(x,y)·ψa,b(x,y)dxdy；
[0122] 其中，W(a,b)是小波系数，I(x,y)是预处理后的图像，ψa,b(x,y)是小波基函数，a和b分别是尺度和平移参数；
[0123] 步骤S212、分解层数：根据图像的复杂度和压缩需求，选择2到4层分解，方法如下：
[0124] I＝LL+LH+HL+HH；
[0125] 其中，LL是低频子带即近似图像，LH、HL和HH是高频子带即细节图像；
[0126] 步骤S22、动态调整：对分解后的图像进行动态调整，以进一步减少数据量，包括：
[0127] 步骤S221、阈值处理：通过设定阈值，去除小波系数中的噪声和冗余信息，方法如下：
[0128] W^(a,b)＝W(a,b)，若∣W(a,b)∣>T，否则W^(a,b)＝0；
[0129] 其中，T是阈值，W(a,b)是小波系数，W^(a,b)是处理后的小波系数；
[0130] 步骤S222、自适应阈值：根据图像的局部特性动态调整阈值，以提高压缩效果，方法如下：
[0131] T(x,y)＝median(∣W(a,b)∣)·σ；
[0132] 其中，σ是调整因子，通常取值为2.5到3.5；
[0133] 步骤S23、多级压缩：采用多级压缩方法对动态调整后的图像进行进一步压缩，包括：
[0134] 步骤S231、量化：对小波系数进行量化，减少系数的精度，方法如下：
[0135] W^(a,b)＝round(W(a,b)/Q)·Q；
[0136] 其中，Q是量化步长；
[0137] 步骤S232、熵编码：采用熵编码方法对量化后的系数进行编码，进一步减少数据量，方法如下：
[0138] C＝encode(W^(a,b))；
[0139] 其中，C是编码后的数据；
[0140] 步骤S233、分块压缩：将图像分成多个小块，分别进行压缩，以提高压缩效率和并行处理能力，方法如下：
[0141] I＝∪i＝1NBi；
[0142] 其中，Bi是第i个图像块，N是图像块的数量；
[0143] 步骤S24、压缩图像重建：对压缩后的图像进行重建，得到压缩后的图像，包括：
[0144] 步骤步骤S241、小波逆变换：对压缩后的小波系数进行小波逆变换，重建图像，方法为：
[0145] I^(x,y)＝∑a,bW^(a,b)·ψa,b(x,y)；
[0146] 其中，I^(x,y)是重建后的图像；
[0147] 步骤步骤S242、图像后处理：对重建后的图像进行后处理，如去块效应、增强对比度等，以提高图像质量，方法如下：
[0148] I^(x,y)＝postprocess(I^(x,y))。
[0149] 图像实时压缩通过小波变换、动态调整和多级压缩等步骤，能够显著减少图像的数据量，从而提高传输效率和降低存储成本。压缩后的图像不仅能够更好地支持实时传输，还能提高后续图像分析和识别的效率。
[0150] 如图3所示，根据本申请的另一个方面，所述步骤S3进一步为：
[0151] 步骤S31、分块传输策略：将压缩后的图像分成多个小块，分别进行传输，包括：
[0152] 步骤S311、分块策略：根据图像的大小和网络带宽，将图像分成多个小块，方法为：
[0153] I＝∪i＝1NBi；
[0154] 其中，I是压缩后的图像，Bi是第i个图像块，N是图像块的数量；
[0155] 步骤S312、并行传输：利用多线程或并行处理技术，同时传输多个图像块，以提高传输速度，方法为：
[0156] Speed＝∑i＝1NSpeedi；；
[0157] 其中，Speedi是第i个图像块的传输速度；
[0158] 步骤S32、前向纠错：在传输过程中加入前向纠错码，以提高数据传输的可靠性，包括：
[0159] 步骤S321、FEC编码：在每个图像块中加入冗余数据，使得接收端能够检测和纠正传输过程中的错误，方法为：
[0160] Bi′＝Bi+Ei；
[0161] 其中，Bi′是加入FEC编码后的图像块，Ei是FEC编码产生的冗余数据；
[0162] 步骤S322、FEC解码：在接收端对传输后的图像块进行FEC解码，检测和纠正错误，方法为：
[0163] B^i＝decode(Bi′)；
[0164] 其中，B^i是解码后的图像块；
[0165] 步骤S33、冗余数据：在传输过程中加入冗余数据，以提高数据传输的可靠性，包括：
[0166] 步骤S331、冗余数据生成：在每个图像块中加入一定比例的冗余数据，使得接收端能够检测和纠正传输过程中的错误，方法如下：
[0167] Bi′＝Bi+Ri；
[0168] 其中，Ri是生成的冗余数据；
[0169] 步骤S332、冗余数据检测：在接收端对传输后的图像块进行冗余数据检测，检测和纠正错误，方法如下：
[0170] B^i＝detect(Bi′)；
[0171] 其中，B^i是检测后的图像块；
[0172] 步骤S34、选择UDP协议：选择UDP协议对压缩后的图像进行传输，以提高传输速度和实时性；
[0173] 步骤S35、传输调度：采用传输调度算法，优化图像块的传输顺序和优先级，包括：
[0174] 优先级调度：根据图像块的重要性和紧急程度，动态调整传输顺序和优先级；
[0175] 动态调度：根据网络状况和传输进度，动态调整传输策略，以提高传输效率。
[0176] 根据本申请的另一个方面，步骤S35中的优先级调度和动态调度具体为：
[0177] 优先级调度：根据图像块的重要性和紧急程度，动态调整传输顺序和优先级：
[0178] Priority(Bi)＝importance(Bi)·urgency(Bi)；
[0179] 其中，Priority(Bi)是第i个图像块的优先级，importance(Bi)是图像块的重要性，urgency(Bi)是图像块的紧急程度；
[0180] 动态调度：根据网络状况和传输进度，动态调整传输策略，以提高传输效率：
[0181] Schedule(Bi)＝optimal(Network Condition,Progress)；
[0182] 其中，Schedule(Bi)是第i个图像块的传输调度策略，Network Condition是网络状况，Progress是传输进度。
[0183] 数据传输优化通过分块传输策略、前向纠错、冗余数据、选择UDP协议和传输调度等步骤，能够显著提高数据传输的可靠性和效率。优化后的传输策略不仅能够更好地支持实时传输，还能提高后续图像分析和识别的效率。
[0184] 如图4所示，根据本申请的另一个方面，所述步骤S4进一步为：
[0185] 步骤S41、图像接收：地面控制站接收无人机传输的压缩后的图像；
[0186] 步骤S42、图像解压缩：对接收到的压缩图像进行解压缩，恢复原始图像；
[0187] 步骤S43、缺陷识别：采用卷积神经网络对解压缩后的图像进行缺陷识别，使用目标检测算法定位图像中的缺陷区域；
[0188] 步骤S44、缺陷分析：结合历史数据和专家系统，对识别出的缺陷进行分析，将当前识别出的缺陷与历史数据进行对比，分析缺陷的变化趋势，利用专家系统对缺陷进行分析，提供诊断建议和处理方案；
[0189] 步骤S45、缺陷预警：根据缺陷分析结果，进行缺陷预警，根据缺陷的严重程度和变化趋势，触发相应的预警信号，通过短信、邮件、APP推送方式，将预警信息通知相关人员。
[0190] 地面控制站数据处理通过图像接收、解压缩、缺陷识别、缺陷分析和缺陷预警等步骤，能够实现对无人机巡检图像的实时处理和监控。通过结合历史数据和专家系统，地面控制站不仅能够准确识别和分析缺陷，还能及时发出预警，从而提高巡检目标的管理效率和安全性。
[0191] 根据本申请的另一个方面，步骤S5系统性能评估与优化是无人机巡检图像实时压缩与快速传输方法中的最后一步，也是确保系统高效运行的关键环节。通过对系统的图像压缩效率、传输速度、缺陷识别准确率等进行评估，并根据评估结果对图像压缩算法、传输协议、缺陷识别算法进行优化，可以进一步提升系统的整体性能，以下是系统性能评估与优化的具体步骤和方法：
[0192] 步骤S51、性能评估指标：确定系统性能评估的关键指标，包括：
[0193] 步骤S511、图像压缩效率：评估图像压缩后的数据量与原始数据量的比率，通常用压缩比(CR)表示：
[0194] CR＝Original Size/Compressed Size；
[0195] 其中，Original Size是原始图像的数据量，Compressed Size是压缩后图像的数据量；
[0196] 步骤S512、传输速度：评估图像数据从无人机传输到地面控制站的速度，通常用传输速率(TR)表示：
[0197] TR＝Data Size/Transmission Time；
[0198] 其中，Data Size是传输的数据量，Transmission Time是传输时间；
[0199] 步骤S513、缺陷识别准确率：评估缺陷识别算法的准确性，通常用准确率(Accuracy)、召回率(Recall)和F1分数(F1‑Score)表示：
[0200] Accuracy＝(TruePositives+TrueNegatives)/TotalSamples；
[0201] Recall＝True Positives/(True Positives+False Negatives)；
[0202] F1‑Score＝2·Precision·Recall/(Precision+Recall)；
[0203] 其中，True Positives是正确识别的缺陷数量，True Negatives是正确识别的无缺陷数量，False Negatives是未识别的缺陷数量，False Positives是错误识别的缺陷数量；
[0204] 步骤S52：仿真测试：通过仿真测试评估系统的性能，包括：
[0205] 步骤S521、仿真环境搭建：搭建与实际应用场景相似的仿真环境，包括无人机、地面控制站、网络环境等：
[0206] Simulated Environment＝Setup(Drone,Ground Station,Network)；
[0207] 其中，Simulated Environment是仿真环境，Drone是无人机，Ground Station是地面控制站，Network是网络环境；
[0208] 步骤S522、步骤仿真测试执行：在仿真环境中执行图像采集、压缩、传输、解压缩、缺陷识别等步骤，记录各项性能指标：
[0209] Performance Metrics＝Execute(Simulated Environment)；
[0210] 其中，Performance Metrics是仿真测试得到的性能指标；
[0211] 步骤S53、实际测试：通过实际测试评估系统的性能，包括：
[0212] 步骤S531、实际环境部署：在实际应用场景中部署无人机和地面控制站，进行图像采集、压缩、传输、解压缩、缺陷识别等操作：
[0213] Actual Environment＝Deploy(Drone,Ground Station)；
[0214] 其中，Actual Environment是实际环境；
[0215] 步骤S532、实际测试执行：在实际环境中执行图像采集、压缩、传输、解压缩、缺陷识别等步骤，记录各项性能指标：
[0216] Performance Metrics＝Execute(Actual Environment)；
[0217] 其中，Performance Metrics是实际测试得到的性能指标；
[0218] 步骤S54、性能分析：对仿真测试和实际测试得到的性能指标进行分析，包括：
[0219] 步骤S541、数据对比：将仿真测试和实际测试得到的性能指标进行对比，分析差异原因：
[0220] Difference＝Compare(Simulated Performance,Actual Performance)；
[0221] 其中，Difference是仿真测试和实际测试的性能差异，Simulated Performance是仿真测试的性能指标，Actual Performance是实际测试的性能指标；
[0222] 步骤S542、性能瓶颈分析：根据性能指标，分析系统的性能瓶颈，如图像压缩效率低、传输速度慢、缺陷识别准确率不高等：
[0223] Bottleneck＝Analyze(Performance Metrics)；
[0224] 其中，Bottleneck是系统的性能瓶颈；
[0225] 步骤S55、系统优化：根据性能分析结果，对系统进行优化，包括：
[0226] 步骤S551、图像压缩算法优化：调整小波变换的参数、优化动态调整策略、改进多级压缩方法，以提高图像压缩效率：
[0227] Optimized Compression＝Optimize(Wavelet Transform,Dynamic Adjustment,Multi‑level Compression)；
[0228] 其中，Optimized Compression是优化后的图像压缩算法；
[0229] 步骤S552、传输协议优化：调整UDP协议的参数、优化分块传输策略、改进前向纠错和冗余数据策略，以提高传输速度和可靠性：
[0230] Optimized Transmission＝Optimize(UDP Parameters,Block Transmission,FEC,Redunda ncy)；
[0231] 其中，Optimized Transmission是优化后的传输协议；
[0232] 步骤S553、缺陷识别算法优化：调整CNN模型的结构、优化目标检测算法、改进历史数据和专家系统分析方法，以提高缺陷识别准确率：
[0233] Optimized Detection＝Optimize(CNN Model,Object Detection,Historical Data,Expert Sy stem)；
[0234] 其中，Optimized Detection是优化后的缺陷识别算法。
[0235] 系统性能评估与优化通过仿真测试、实际测试、性能分析和系统优化等步骤，能够全面评估和提升系统的整体性能。通过不断优化图像压缩算法、传输协议和缺陷识别算法，系统能够更好地支持实时图像采集、压缩、传输和分析，从而提高巡检目标的管理效率和安全性。
[0236] 需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
