【调研笔记】寒假记录 无人机巡检 图像处理方法调研总结

寒假任务之一：调研巡检相关的图像处理技术，如根据无人机采集的图像进行自动检测分析是否存在问题。例子：高铁桥梁检测、楼房墙皮破损等。
———————————————分割线——————————————————
就最近阅读的论文，围绕“巡检 图像处理 无人机”三个关键词进行查询，在国内论文搜索上所见相关论文都看了下。国外关键词用了patrol inspection 但是目前没有搜索到相关的技术应用论文，后续若有发现再补充。
顺便这里贴一个传送门：在家中如何免费使用知网等文献库

无人机可算作机器人的范畴，随着近几年无人机的发展，无人机与智能技术的结合在一些方面取得了成功。关于无人机应用与前景分析可参考：无人机与智能前沿技术与应用
将无人机技术和图像处理技术以及大数据、智能学习技术相融合已成为目前大多无人机研究应用的趋势，而巡检是一个合适且有这方面需求的领域。目前国内做巡检的主要是在电力方面，包括电网、输电站、输电线路等巡检，（其中做绝缘子巡检的论文偏多）也有做桥梁、路面裂缝巡检的。按照个人认为的技术发展顺序，我下面分为三类总结我关于国内“巡检”技术应用的调研情况。

1、早期：采集图像+图像处理+人工判定
在相对较早的时候，主要是采用机器人采集需要检测部分的图像，然后进行图像预处理（去噪声、灰度变换、图像增强等），然后通过边缘检测或者图像匹配算法，突出图像关键部位的变化，然后人工进行注意排查检测。

2、近期：采集图像+图像处理、提取特征+机器学习判别
在第一部分的发展上，目前的方法如下：（为了表达清晰 做了个图）

其中1的特征匹配方法可参考：
图像特征提取——在满足分类识别正确率要求的前提下，使用较少的特征就能完成分类设别任务。

利用Bag Feature模型提取特征并构建图像的虚拟字典，其原理是：

a. 利用surf算法生成每幅图像的特征点；

b. 生成每幅图像的向量；

c. 将有疑问的图像向量与图库中图像的向量求夹角，夹角最小的即为匹配成功。

3、发展中：采集图像+图像处理 、提取特征+ 深度学习&大数据智能分析
在这部分主要是第二部分的发展，结合深度学习的方法对无人机采集的大量数据进行训练，或者自动学习更深层次的特征，然后进行检测分类，在数据量充足且特征合适的情况下，提取和识别的准确率预想的比机器学习方法要高。
2的特征分类方法可参考：
图像分类——利用神经网络训练样本数据，在图像识别阶段，只要将图像的特征向量作为神经网络分类器的输入，经过网络计

算，分类器的输出就是识别结果。

神经网络分类器用n个表示的样本送入神经网络，这些分类用二值表示，其原理是：

a. 第一级计算匹配度，然后被平行的通过输出线送到第二级；

b. 第二级中各类均有一个输出，当得到正确的分类结果后，分类器的输出可反馈到第一级；

c. 当样本十分相似时，分类器会做出正确的响应。

目前国内相关的可参考这篇介绍：深度学习在智能电网图像识别与故障检测中的应用

其他参考链接：http://www.ideayapai.com/index.php/article/detail/id/47.html