【技术实现步骤摘要】
本专利技术涉及无人机采集图像，尤其涉及一种无人机采集图像实时增强方法及系统。
技术介绍
1、在工商领域，无人机日益成为研究的焦点，其因具备高机动性、高效率、低成本、可重复利用等特点备受青睐。尤其是应用高精度相机进行航拍巡检，可获取目标区域的影像数据，并通过目标测技术实现精准、实时的影像分析。这项技术可广泛用于交通流量分析、城市建筑规划、输电线路巡检、石油管线巡检、边防巡检等领域。通过无人机航拍，能快速获得探测区域详尽信息，为各行业提供更高效、更精准的数据支持，从而提升工作效率并降低人力成本。
2、传统的无人机图像去模糊方法通常依赖于预先定义的图像处理算法，如直方图均衡化、滤波器或增强器件等。然而，这些方法往往受到光照条件、环境噪声以及图像质量等因素的限制，难以在实时场景中提供稳健的增强效果。此外，针对运动模糊等特定问题的传统方法可能也需要实时配置大量的计算资源或先验知识，限制了其在无人机实时应用中的可行性
技术实现思路
1、针对现有技术中存在的问题，本专利技术实施例提供一种无人机采集图像实时增强方法及系统。
2、本专利技术实施例提供一种无人机采集图像实时增强方法，包括：
3、获取无人机执行巡检任务时采集的巡检图像，以及所述巡检任务对应的巡检线路，结合所述巡检图像中的标识目标，确定所述巡检图像对应的图像位置及所述图像位置的环境信息；
4、检测所述巡检图像的清晰度分数，当所述清晰度分数低于预设分数时，基于所述清晰度分数建立训练图像数据集，
5、将所述环境信息和清晰度分数输入到第二神经网络模型进行训练，迭代训练得到训练后的第二神经网络模型；
6、接收到实时巡检任务时，获取实时巡检任务对应路线的实时环境信息，将所述实时环境信息输入所述第二神经网络模型，输出预估清晰度分数，并基于所述预估清晰度分数配置对应的第一神经网络模型对拍摄图像进行实时增强。
7、在其中一个实施例中，所述方法还包括：
8、获取历史图像数据中低于预设分数的图像作为模糊图像，并确定所述模糊图像对应的图像位置，获取相同图像位置的高于预设分数图像作为清晰图像。
9、在其中一个实施例中，所述方法还包括：
10、以相同清晰度分数的模糊图像为输入数据，相同图像位置的清晰图像为输出数据，反向传播优化权重，得到训练后的第一神经网络，调整所述模糊图像的清晰度分数重新训练，直至所有清晰度分数的模糊图像训练完成。
11、在其中一个实施例中，所述方法还包括：
12、基于预估清晰度分数以及所述实时巡检任务的路线，绘制对应的任务路线图，并在所述任务路线图上标识预估清晰度分数；
13、当接收到所述实时环境信息的变化信息时，基于所述变化信息的位置信息对对应地点的预估清晰度分数，通过所述第二神经网络进行重新训练，得到更新后的预估清晰度分数，并对所述任务路线图上标识预估清晰度分数进行更新。
14、在其中一个实施例中，所述环境信息，包括：
15、光照强度、拍摄角度、可见度、无人机速度
16、本专利技术实施例提供一种无人机采集图像实时增强系统，包括：
17、获取模块，用于获取无人机执行巡检任务时采集的巡检图像，以及所述巡检任务对应的巡检线路，结合所述巡检图像中的标识目标，确定所述巡检图像对应的图像位置及所述图像位置的环境信息；
18、第一训练模块，用于检测所述巡检图像的清晰度分数，当所述清晰度分数低于预设分数时，基于所述清晰度分数建立训练图像数据集，构建第一神经网络模型，以模糊图像为输入数据，清晰图像为输出数据，反向传播优化权重，得到训练后的第一神经网络模型，所述训练图像数据集包括所述模糊图像和清晰图像；
19、第二训练模块，用于将所述环境信息和清晰度分数输入到第二神经网络模型进行训练，迭代训练得到训练后的第二神经网络模型；
20、输出模块，用于接收到实时巡检任务时，获取实时巡检任务对应路线的实时环境信息，将所述实时环境信息输入所述第二神经网络模型，输出预估清晰度分数，并基于所述预估清晰度分数配置对应的第一神经网络模型对拍摄图像进行实时增强。
21、在其中一个实施例中，所述系统还包括：
22、第二获取模块，用于获取历史图像数据中低于预设分数的图像作为模糊图像，并确定所述模糊图像对应的图像位置，获取相同图像位置的高于预设分数图像作为清晰图像。
23、在其中一个实施例中，所述系统还包括：
24、调整模块，用于以相同清晰度分数的模糊图像为输入数据，相同图像位置的清晰图像为输出数据，反向传播优化权重，得到训练后的第一神经网络，调整所述模糊图像的清晰度分数重新训练，直至所有清晰度分数的模糊图像训练完成。
25、本专利技术实施例提供一种电子设备，包括处理器以及存储器；
26、所述处理器与所述存储器相连；
27、所述存储器，用于存储可执行程序代码；
28、所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行一个或多个实施例所述的方法。
29、本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述无人机采集图像实时增强方法的步骤。
30、鉴于上述，在本说明书一个或多个实施例中，获取无人机执行巡检任务时采集的巡检图像，以及巡检任务对应的巡检线路，结合巡检图像中的标识目标，确定巡检图像对应的图像位置及图像位置的环境信息；检测巡检图像的清晰度分数，当清晰度分数低于预设分数时，基于清晰度分数建立训练图像数据集，构建第一神经网络模型，以模糊图像为输入数据，清晰图像为输出数据，反向传播优化权重，得到训练后的第一神经网络模型，训练图像数据集包括模糊图像和清晰图像；将环境信息和清晰度分数输入到第二神经网络模型进行训练，迭代训练得到训练后的第二神经网络模型；接收到实时巡检任务时，获取实时巡检任务对应路线的实时环境信息，将实时环境信息输入第二神经网络模型，输出预估清晰度分数，并基于预估清晰度分数配置对应的第一神经网络模型对拍摄图像进行实时增强。这样能够针对不同环境信息进行对应性的图像增强算法，避免了环境因素影响的同时，也提高了图像增强结果的准确性，另外，还可以对巡检任务中需要配置的资源进行预估，从而避免了资源浪费。
本文档来自技高网...【技术保护点】
1.一种无人机采集图像实时增强方法，其特征在于，包括：
2.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述基于所述清晰度分数建立训练图像数据集，包括：
3.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述以模糊图像为输入数据，清晰图像为输出数据，反向传播优化权重，得到训练后的第一神经网络模型，包括：
4.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述输出预估清晰度分数之后，还包括：
5.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述环境信息，包括：
6.一种无人机采集图像实时增强系统，其特征在于，所述系统包括：
7.根据权利要求1所述的无人机采集图像实时增强系统，其特征在于，所述系统还包括：
8.根据权利要求1所述的无人机采集图像实时增强系统，其特征在于，所述系统还包括：
9.一种电子设备，包括处理器以及存储器；
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要
...【技术特征摘要】
1.一种无人机采集图像实时增强方法，其特征在于，包括：
2.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述基于所述清晰度分数建立训练图像数据集，包括：
3.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述以模糊图像为输入数据，清晰图像为输出数据，反向传播优化权重，得到训练后的第一神经网络模型，包括：
4.根据权利要求1所述的无人机采集图像实时增强方法，其特征在于，所述输出预估清晰度分数之后，还包括：
5.根据权利要求1所述的无...
【专利技术属性】
技术研发人员：顾沈明，谭小球，苗家明，张春慧，管林挺，
申请(专利权)人：浙江海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。