1.一种基于无人机的线路检修费计算方法,应用于服务器,其特征在于,该方法包括:
获取步骤:获取拍摄终端上传的第一线路图像,所述第一线路图像中包括至少一种预设故障类型,为每种所述预设故障类型分配唯一的第一标签,对带有所述第一标签的第一线路图像进行预处理得到第二线路图像,其中,所述预处理方式包括归一化处理,通过将所述第一线路图像的像素值统一转化到[0,1]区间,以得到消除第一线路图像受光照不均匀影响的第二线路图像;
第一处理步骤:将所述得到的第二线路图像输入预先训练的图像特征提取模型,得到与所述第二线路图像对应的图像特征图;
第二处理步骤:将所述得到的图像特征图输入预先训练的ssd模型,得到带有预设数量的目标框的第三线路图像,其中,所述目标框基于第三方标记库绘制,每个所述目标框对应一种所述预设故障类型;
第一反馈步骤:分别统计所述第三线路图像上每种所述预设故障类型的数量,并将所述统计的数量及预设故障类型的名称在所述第三线路图像上显示后反馈至客户端;及
计算步骤:在数据库中预先创建所述预设故障类型与检修费用之间的映射关系,获取所述第三线路图像上预设故障类型对应的数量及名称,基于所述映射关系从数据库中找到与所述预设故障类型对应的检修费用,计算得出每张所述第三线路图像中各种预设故障类型的总检修费用反馈至所述客户端。
2.如权利要求1所述的基于无人机的线路检修费计算方法,其特征在于,所述将所述得到的图像特征图输入预先训练的ssd模型,得到带有预设数量的目标框的第三线路图像包括:
基于所述ssd模型对所述图像特征图中每一个像素点分别生成对应的默认框,并获取各所述默认框在图像特征图中的位置坐标,以及对应于不同预设故障类别的概率评分,并将各所述默认框的概率评分最大者作为初级置信度;
对所述初级置信度对应的默认框按照概率评分从大到小进行排序,以所述概率评分最大者对应的默认框为起始点,依次获取预设数量的所述默认框作为目标候选框,基于各所述目标候选框的位置坐标进行包围盒回归分析,得到对应于各目标候选框的区域大小;
对各所述目标候选框的概率评分进行softmax分类,得到各所述目标候选框对应于不同预设故障类型分类的最终置信度;及
基于非极大值抑制算法,获取预设数量重叠度高于预设阈值的目标候选框作为目标框。
3.如权利要求2所述的基于无人机的线路检修费计算方法,其特征在于,所述ssd模型的训练过程包括:
获取预设数量的图像特征图样本,基于所述ssd模型对所述图像特征图样本中的每个像素点分别生成对应的默认框样本,并获取各默认框样本在该图像特征图样本中的坐标位置,以及对应于不同预设故障类型的概率评分;
基于每个默认框样本的所述位置坐标和概率评分,分别计算各默认框样本的softmax分类损失和包围盒回归损失之和;及
对所述softmax分类损失和包围盒回归损失之和按照从大到小进行排序,以所述softmax分类损失和包围盒回归损失之和最小者对应的默认框样本为起始点,依次获取预设数量的所述默认框样本,计算所述预设数量的默认框样本多任务损失,并将计算出的所述预设数量的默认框样本的多任务损失,在所述ssd模型中反向传播,以对所述ssd模型的各层网络的权重值进行更新,训练得到该ssd模型;
所述多任务损失通过以下公式计算:
其中,
4.如权利要求1所述的基于无人机的线路检修费计算方法,其特征在于,该方法还包括第二反馈步骤:
获取每张所述第三线路图像对应的拍摄位置信息,将属于同一拍摄位置的所述第三线路图像归为一类图像集,分别统计每一类所述图像集上所述预设故障类型的总数量,将每一类所述图像集按照预设故障类型的总数量从大到小进行排序,为每一类所述图像集分配唯一的第二标签,基于所述拍摄位置信息及第二标签建立数据展示图反馈至所述客户端。
5.如权利要求1-4任一项所述的基于无人机的线路检修费计算方法,其特征在于,所述图像特征提取模型由mobilenetv2网络模型训练得到,所述mobilenetv2网络模型的网络结构包括依次连接的53层卷积层、1层池化层以及1层全连接层。
6.一种服务器,该服务器包括存储器及处理器,其特征在于,所述存储器上存储基于无人机的线路检修费计算程序,所述基于无人机的线路检修费计算程序被所述处理器执行,实现如下步骤:
获取步骤:获取拍摄终端上传的第一线路图像,所述第一线路图像中包括至少一种预设故障类型,为每种所述预设故障类型分配唯一的第一标签,对带有所述第一标签的第一线路图像进行预处理得到第二线路图像,其中,所述预处理方式包括归一化处理,通过将所述第一线路图像的像素值统一转化到[0,1]区间,以得到消除第一线路图像受光照不均匀影响的第二线路图像;
第一处理步骤:将所述得到的第二线路图像输入预先训练的图像特征提取模型,得到与所述第二线路图像对应的图像特征图;
第二处理步骤:将所述得到的图像特征图输入预先训练的ssd模型,得到带有预设数量的目标框的第三线路图像,其中,所述目标框基于第三方标记库绘制,每个所述目标框对应一种所述预设故障类型;
第一反馈步骤:分别统计所述第三线路图像上每种所述预设故障类型的数量,并将所述统计的数量及预设故障类型的名称在所述第三线路图像上显示后反馈至客户端;及
计算步骤:在数据库中预先创建所述预设故障类型与检修费用之间的映射关系,获取所述第三线路图像上预设故障类型对应的数量及名称,基于所述映射关系从数据库中找到与所述预设故障类型对应的检修费用,计算得出每张所述第三线路图像中各种预设故障类型的总检修费用反馈至所述客户端。
7.如权利要求6所述的服务器,其特征在于,所述将所述得到的图像特征图输入预先训练的ssd模型,得到带有预设数量的目标框的第三线路图像包括:
基于所述ssd模型对所述图像特征图中每一个像素点分别生成对应的默认框,并获取各所述默认框在图像特征图中的位置坐标,以及对应于不同预设故障类别的概率评分,并将各所述默认框的概率评分最大者作为初级置信度;
对所述初级置信度对应的默认框按照概率评分从大到小进行排序,以所述概率评分最大者对应的默认框为起始点,依次获取预设数量的所述默认框作为目标候选框,基于各所述目标候选框的位置坐标进行包围盒回归分析,得到对应于各目标候选框的区域大小;
对各所述目标候选框的概率评分进行softmax分类,得到各所述目标候选框对应于不同预设故障类型分类的最终置信度;及
基于非极大值抑制算法,获取预设数量重叠度高于预设阈值的目标候选框作为目标框。
8.如权利要求7所述的服务器,其特征在于,所述ssd模型的训练过程包括:
获取预设数量的图像特征图样本,基于所述ssd模型对所述图像特征图样本中的每个像素点分别生成对应的默认框样本,并获取各默认框样本在该图像特征图样本中的坐标位置,以及对应于不同预设故障类型的概率评分;
基于每个默认框样本的所述位置坐标和概率评分,分别计算各默认框样本的softmax分类损失和包围盒回归损失之和;及
对所述softmax分类损失和包围盒回归损失之和按照从大到小进行排序,以所述softmax分类损失和包围盒回归损失之和最小者对应的默认框样本为起始点,依次获取预设数量的所述默认框样本,计算所述预设数量的默认框样本多任务损失,并将计算出的所述预设数量的默认框样本的多任务损失,在所述ssd模型中反向传播,以对所述ssd模型的各层网络的权重值进行更新,训练得到该ssd模型;
所述多任务损失通过以下公式计算:
其中,
9.如权利要求6-8任一项所述的服务器,其特征在于,该程序还执行第二反馈步骤:
获取每张所述第三线路图像对应的拍摄位置信息,将属于同一拍摄位置的所述第三线路图像归为一类图像集,分别统计每一类所述图像集上所述预设故障类型的总数量,将每一类所述图像集按照预设故障类型的总数量从大到小进行排序,为每一类所述图像集分配唯一的第二标签,基于所述拍摄位置信息及第二标签建立数据展示图反馈至所述客户端。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于无人机的线路检修费计算程序,所述基于无人机的线路检修费计算程序被处理器执行时,实现如权利要求1至5中任一项所述基于无人机的线路检修费计算方法的步骤。