寒假任務之一：調研巡檢相關的圖像處理技術，如根據無人機採集的圖像進行自動檢測分析是否存在問題。例子：高鐵橋樑檢測、樓房牆皮破損等。
———————————————分割線——————————————————
就最近閱讀的論文，圍繞“巡檢 圖像處理 無人機”三個關鍵詞進行查詢，在國內論文搜索上所見相關論文都看了下。國外關鍵詞用了patrol inspection 但是目前沒有搜索到相關的技術應用論文，後續若有發現再補充。
順便這裏貼一個傳送門：在家中如何免費使用知網等文獻庫
無人機可算作機器人的範疇，隨着近幾年無人機的發展，無人機與智能技術的結合在一些方面取得了成功。關於無人機應用與前景分析可參考：無人機與智能前沿技術與應用
將無人機技術和圖像處理技術以及大數據、智能學習技術相融合已成爲目前大多無人機研究應用的趨勢，而巡檢是一個合適且有這方面需求的領域。目前國內做巡檢的主要是在電力方面，包括電網、輸電站、輸電線路等巡檢，（其中做絕緣子巡檢的論文偏多）也有做橋樑、路面裂縫巡檢的。按照個人認爲的技術發展順序，我下面分爲三類總結我關於國內“巡檢”技術應用的調研情況。
1、早期：採集圖像+圖像處理+人工判定
在相對較早的時候，主要是採用機器人採集需要檢測部分的圖像，然後進行圖像預處理（去噪聲、灰度變換、圖像增強等），然後通過邊緣檢測或者圖像匹配算法，突出圖像關鍵部位的變化，然後人工進行注意排查檢測。
2、近期：採集圖像+圖像處理、提取特徵+機器學習判別
在第一部分的發展上，目前的方法如下：（爲了表達清晰 做了個圖）
其中1的特徵匹配方法可參考：
圖像特徵提取——在滿足分類識別正確率要求的前提下，使用較少的特徵就能完成分類設別任務。
利用Bag Feature模型提取特徵並構建圖像的虛擬字典，其原理是：
a. 利用surf算法生成每幅圖像的特徵點；
b. 生成每幅圖像的向量；
c. 將有疑問的圖像向量與圖庫中圖像的向量求夾角，夾角最小的即爲匹配成功。
3、發展中：採集圖像+圖像處理 、提取特徵+ 深度學習&大數據智能分析
在這部分主要是第二部分的發展，結合深度學習的方法對無人機採集的大量數據進行訓練，或者自動學習更深層次的特徵，然後進行檢測分類，在數據量充足且特徵合適的情況下，提取和識別的準確率預想的比機器學習方法要高。
2的特徵分類方法可參考：
圖像分類——利用神經網絡訓練樣本數據，在圖像識別階段，只要將圖像的特徵向量作爲神經網絡分類器的輸入，經過網絡計
算，分類器的輸出就是識別結果。
神經網絡分類器用n個表示的樣本送入神經網絡，這些分類用二值表示，其原理是：
a. 第一級計算匹配度，然後被平行的通過輸出線送到第二級；
b. 第二級中各類均有一個輸出，當得到正確的分類結果後，分類器的輸出可反饋到第一級；
c. 當樣本十分相似時，分類器會做出正確的響應。
目前國內相關的可參考這篇介紹：深度學習在智能電網圖像識別與故障檢測中的應用
其他參考鏈接：http://www.ideayapai.com/index.php/article/detail/id/47.html