摘要: 针对输电线路巡检采集的螺栓图像存在模糊、分辨率低等问题,本文根据螺栓之间相似度较高的特点,提出了一种基于特征迁移的螺栓图像超分辨率处理方法。本文首次将特征迁移引入螺栓图像超分中,先对比低分辨率图像与清晰参考图像的特征区域,将图像之间相似度高的区域进行特征迁移,并根据迁移特征的相似度调整迁移特征的比例,然后在感知损失函数中加入迁移特征相似度的约束,保证迁移特征的准确性。不同超分模型的螺栓图像超分实验结果表明,本方法的螺栓超分图像更清晰,峰值信噪比、结构相似性指标更优;此外,超分前后螺栓图像的缺陷识别实验对比结果表明,超分后螺栓的缺陷识别准确率提升了3.61%,实验结果验证了本文方法的有效性。
- 关键词:
- 螺栓 /
- 图像超分辨率 /
- 深度学习 /
- 特征迁移 /
- 输电线路 /
- 缺陷检测 /
- 神经网络 /
- 智能巡检
螺栓作为固定与连接输电线路各部件的重要部分,是输电线路必不可少的紧固件。由于输电线路长期在野外工作,受环境及螺栓自身张力的影响,螺栓易产生缺销、螺母松动、螺母缺失等缺陷,影响输电线路的安全运行[1]。所以实时有效地识别出螺栓缺陷并排除输电隐患,对保证输电线路的安全稳定十分重要。
目前,无人机巡检已成为输电线路主要的巡检手段[2],受环境与航拍设备自身抖动的影响,航拍采集到的螺栓图像中存在大量模糊、分辨率低的样本,这些样本限制了螺栓识别的准确率。虽然近年一些螺