本發明涉及無損檢測與計算機視覺，尤其涉及一種電力鐵塔角鋼智能檢測方法。
背景技術：
1、電力鐵塔作為輸電網絡的核心基礎設施，長期暴露在野外復雜環境中，其結構主材角鋼易發生形變、銹蝕、緊固件丟失等病害。現有技術主要依賴于人工攀爬巡檢，通過望遠鏡觀測或近距離接觸測量，效率低下、危險性高且主觀性強，檢測結果難以量化。
2、近年來，出現了一些基于無人機（uav）影像的檢測方法，但這些方法普遍存在以下固有缺陷：
3、特征單一性與環境干擾的矛盾：現有方法多依賴單一的可見光影像或紅外影像。可見光影像易受光照變化、陰影、背景雜亂干擾；紅外影像則對環境溫度、濕度、角鋼表面涂層（油漆）的發射率極為敏感，導致缺陷特征提取不穩定。
4、三維幾何信息缺失：基于二維圖像的檢測方法無法精確獲取角鋼的彎曲、扭曲等三維空間形變信息，而這類形變是評估鐵塔結構安全性的關鍵指標。
5、多源數據融合膚淺：即便采用了多種傳感器，現有技術往往停留在簡單的圖像疊加或信息并行處理層面，未能實現像素級別的、基于物理意義的深度特征融合，導致對微小或早期缺陷（如淺表銹蝕、輕微翹曲）的識別率低，虛警率高。
6、適應性差：針對角鋼邊緣被遮擋、表面有污漬、或在不同觀測角度下形態變化等情況，現有算法的魯棒性不足，需要大量人工干預進行調參和結果校正。
7、因此，本領域迫切需要一種能夠克服上述缺陷，實現高精度、高魯棒性、全自動化的電力鐵塔角鋼智能檢測方法。
技術實現思路
1、基于上述目的，本發明提供了一種電力鐵塔角鋼智能檢測方法，包括以下步驟：
2、控制搭載可見光相機、紅外熱像儀和激光雷達的無人機平臺對目標鐵塔進行仿形飛行，并同步采集目標角鋼的可見光圖像、紅外熱像和三維激光點云數據；
3、基于預先標定的轉換關系和從數據中提取的角鋼固有結構特征，對所述可見光圖像、所述紅外熱像和所述三維激光點云進行高精度配準，使得不同模態的數據在空間上形成像素級別的對應關系；
4、對配準后的多模態數據進行協同處理，分別提取表征角鋼幾何形變的第一特征映射圖、表征表觀異常的第二特征映射圖和表征熱異常的第三特征映射圖；將所述第一特征映射圖、所述第二特征映射圖和所述第三特征映射圖按預設規則進行融合，生成一個綜合異常分數圖，并通過自適應閾值分割從所述綜合異常分數圖中提取出缺陷候選區域；
5、對于每個所述缺陷候選區域，分析其在所述第一特征映射圖、所述第二特征映射圖和所述第三特征映射圖上的響應模式組合，并根據預定義的、基于多模態特征耦合關系的缺陷判別邏輯，進行缺陷類型的精確識別與分類；
6、輸出包含缺陷類型、等級和量化信息的檢測結果。
7、優選地，所述基于預先標定的轉換關系和從數據中提取的角鋼固有結構特征，對所述可見光圖像、所述紅外熱像和所述三維激光點云進行高精度配準，具體包括：
8、利用所述激光雷達與所述可見光相機和所述紅外熱像儀之間通過離線標定得到的初始轉換矩陣，對所述三維激光點云、所述可見光圖像和所述紅外熱像進行初步的空間對齊；
9、從初步對齊后的所述可見光圖像中，使用基于灰度梯度的邊緣檢測算法提取角鋼的邊緣像素，并采用霍夫變換或概率霍夫直線檢測算法從所述邊緣像素中擬合出代表角鋼棱線的直線段，作為二維圖像特征；
10、從所述三維激光點云中，使用基于歐氏距離的點云聚類算法分離出屬于同一根角鋼的點云簇，并采用隨機采樣一致性算法從所述點云簇中迭代地擬合出多個平面模型，將不同平面的交線提取為三維線段特征，作為三維結構特征；
11、將所述三維線段特征根據所述初始轉換矩陣投影到二維圖像平面，形成投影線段集；將所述投影線段集與從所述可見光圖像中提取的所述二維圖像特征進行迭代最近點優化匹配；該優化過程以投影線段段的端點作為初始點集，以圖像中提取的直線段上最近的點作為目標點集，通過最小化所述初始點集與所述目標點集之間的平均歐氏距離來迭代優化一個精細的旋轉平移變換矩陣；當所述平均歐氏距離的變化量小于一個根據點云精度和圖像分辨率預先推導出的收斂判定閾值時，優化終止；
12、將最終得到的所述精細的旋轉平移變換矩陣應用于所述紅外熱像和所述可見光圖像，完成與所述三維激光點云的像素級高精度配準。
13、優選地，所述提取表征角鋼幾何形變的第一特征映射圖，具體包括：
14、對配準后的所述三維激光點云，以每個激光點為核心，取其周圍一定鄰域范圍內的點集；所述鄰域范圍的大小根據角鋼的物理尺寸和點云密度自適應確定，以確保能覆蓋角鋼的一個局部區域；
15、對取出的每個點集，采用最小二乘法擬合一個理想平面模型；
16、計算該點集中每一個點到其對應的所述理想平面模型的垂直距離；
17、遍歷所述三維激光點云中的所有點，將計算得到的每個點的距離值映射回其對應的像素位置，形成一個二維的灰度圖像，其中每個像素的灰度值代表該空間點在法線方向上的畸變量，此灰度圖像即為所述第一特征映射圖。
18、優選地，所述提取表征表觀異常的第二特征映射圖，具體包括：
19、在配準后的所述可見光圖像上，定義一個滑動窗口；所述滑動窗口的大小根據角鋼在圖像中的成像比例尺進行調整，以確保窗口內能包含足夠的紋理信息；
20、對于所述滑動窗口在圖像上遍歷的每一個位置，計算該窗口內所有像素在顏色空間多個通道上的方差值；所述顏色空間的選擇基于其對銹蝕等表觀變化的敏感性；
21、將計算得到的多個通道的方差值進行加權融合，得到一個綜合的表觀異常強度值；
22、將所述綜合的表觀異常強度值賦予所述滑動窗口的中心像素；
23、遍歷完整幅圖像后，生成一個與原始圖像同尺寸的灰度圖像，其中每個像素的灰度值代表其周邊區域的表觀異常程度，此灰度圖像即為所述第二特征映射圖。
24、優選地，所述提取表征熱異常的第三特征映射圖，具體包括：
25、在配準并完成溫度值轉換的所述紅外熱像上，首先確定角鋼表面的正常溫度區域；所述正常溫度區域是通過對圖像中大面積連續且溫度波動較小的區域進行聚類識別而得到；
26、計算所述正常溫度區域內所有像素溫度值的統計平均值，作為參考正常溫度；
27、定義一個滑動窗口，對于所述滑動窗口在熱像上遍歷的每一個位置，計算該窗口內所有像素溫度值的平均值；
28、計算該窗口的平均溫度與所述參考正常溫度的絕對差值；
29、將所述絕對差值賦予所述滑動窗口的中心像素；
30、遍歷完整幅熱像后，生成一個與熱像同尺寸的灰度圖像，其中每個像素的灰度值代表其周邊區域相對于正常區域的溫度偏離程度，此灰度圖像即為所述第三特征映射圖。
31、優選地，所述將所述第一特征映射圖、所述第二特征映射圖和所述第三特征映射圖按預設規則進行融合，其中的預設規則是：
32、為所述第一特征映射圖、所述第二特征映射圖和所述第三特征映射圖分別分配一個權重系數；所述權重系數的分配策略基于不同缺陷類型所表現出的主導特征：對于形變類缺陷，賦予所述第一特征映射圖最高的權重系數；對于銹蝕類缺陷，賦予所述第二特征映射圖和所述第三特征映射圖較高的權重系數，且兩者間的權重比例根據環境溫度情況進行微調；所述權重系數的具體數值通過對已知缺陷樣本庫進行機器學習訓練優化而得；
33、將三幅特征映射圖的像素灰度值分別乘以對應的所述權重系數后進行線性疊加，得到所述綜合異常分數圖。
34、優選地，所述通過自適應閾值分割從所述綜合異常分數圖中提取出缺陷候選區域，具體是采用最大類間方差法來自適應確定分割閾值：
35、計算所述綜合異常分數圖的灰度直方圖分布；
36、遍歷所有可能的灰度值作為候選閾值，將圖像像素分為前景和背景兩類；
37、分別計算前景和背景類像素的灰度值均值，以及它們各自在圖像中所占的比例；
38、根據前景和背景的類間方差計算公式，計算每一個所述候選閾值對應的類間方差值；所述類間方差值是前景概率、背景概率以及前景均值與背景均值之差的函數；
39、選擇使得所述類間方差值最大的那個候選灰度值作為最終的分割閾值；
40、使用該最終閾值對所述綜合異常分數圖進行二值化處理，并對連通區域進行篩選，將面積大于預設下限值的區域標記為所述缺陷候選區域；所述面積預設下限值根據圖像分辨率和最小缺陷的物理尺寸要求換算得到。
41、優選地，所述預定義的、基于多模態特征耦合關系的缺陷判別邏輯中，對于銹蝕缺陷的判定邏輯為：
42、首先檢查所述缺陷候選區域在所述第二特征映射圖上的平均響應強度是否超過第一動態閾值；所述第一動態閾值是通過統計整個所述第二特征映射圖中所有像素值的分布，取一定百分位數對應的值作為閾值；
43、同時檢查所述缺陷候選區域在所述第三特征映射圖上的平均響應強度是否超過第二動態閾值；所述第二動態閾值的確定方法與所述第一動態閾值相同，但基于所述第三特征映射圖的全局統計分布；
44、還需檢查所述缺陷候選區域在所述第一特征映射圖上的平均響應強度是否低于第三動態閾值；所述第三動態閾值的確定方法與上述閾值類似；
45、當且僅當上述三個條件同時滿足時，才判定該候選區域為銹蝕缺陷。
46、優選地，所述預定義的、基于多模態特征耦合關系的缺陷判別邏輯中，對于形變缺陷的判定邏輯為：
47、首先檢查所述缺陷候選區域在所述第一特征映射圖上的平均響應強度是否超過第四動態閾值；所述第四動態閾值是通過統計整個所述第一特征映射圖中所有像素值的分布，取一定百分位數對應的值作為閾值；
48、檢查所述缺陷候選區域在所述第一特征映射圖上的響應分布是否呈現連續且有方向性的梯度變化，該檢查是通過計算區域內部像素值的標準差和梯度方向一致性來完成的；
49、同時檢查所述缺陷候選區域在所述第二特征映射圖和所述第三特征映射圖上的平均響應強度是否均低于第五動態閾值和第六動態閾值；
50、當且僅當上述條件同時滿足時，才判定該候選區域為形變缺陷。
51、優選地，所述輸出包含缺陷類型、等級和量化信息的檢測結果中，缺陷等級的劃分依據為：
52、對于銹蝕缺陷，其等級根據所述缺陷候選區域在所述第二特征映射圖上的平均響應強度值所處的預定義強度區間以及該區域的像素面積所屬的預定義面積區間，通過查表法綜合確定；
53、對于形變缺陷，其等級根據所述缺陷候選區域在所述第一特征映射圖中的最大畸變值所處的預定義深度區間以及該區域的像素面積所屬的預定義面積區間，通過查表法綜合確定；
54、所述預定義強度區間、深度區間和面積區間的邊界值，是通過對歷史檢測數據中已知缺陷的嚴重程度進行統計分析并結合領域專家的經驗知識而標定出來的。
55、本發明的有益效果：
56、1、本發明通過多模態數據融合，采用了可見光圖像、紅外熱像和三維激光點云相結合的方式。這種多源數據的結合可以彌補單一圖像模式的不足：可見光圖像提供了豐富的外觀信息，紅外圖像有助于檢測熱異常，三維激光點云則精確捕捉角鋼的幾何信息。通過高精度配準和協同處理，使得這些信息互為補充，能夠有效降低環境干擾，提升特征提取的穩定性和準確性。
57、2、本發明采用了三維激光點云的技術，通過精確獲取角鋼的幾何形變，不僅可以獲取更為細致的空間結構信息，還能更準確地評估鐵塔結構的安全性。此外，通過將三維激光點云與其他傳感器數據進行融合，使得缺陷檢測不僅僅依賴于表面信息，還能夠通過幾何變形來評估潛在的結構問題。
58、3、本發明通過對三種模態進行像素級配準與深度特征融合，使得每種模態的優勢得到最大化。利用紅外圖像的溫度異常檢測熱缺陷，結合三維點云對幾何形變的精確提取，實現了對早期缺陷的高識別率，極大地降低了虛警率。
59、4、本發明通過基于多模態特征耦合的缺陷判別邏輯，提高了算法對復雜場景的適應能力。對于被遮擋或表面有污漬的情況，依然能夠通過三維激光點云補充幾何信息，紅外熱像則可以捕捉到表面溫度異常，降低了因圖像質量問題導致的誤判。同時，本發明的算法能夠自動適應不同觀測角度和環境條件，無需過多的人工干預，顯著提升了系統的魯棒性和自適應性。