一种能够自主导航电力设备巡逻车的制作方法
【专利摘要】本发明一种能够自主导航电力设备巡逻车，包括电力设备巡逻车和与电力设备巡逻车相连的道路检测装置，其中，道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块，所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路区域中，道路自适应检测模块包括直方图阈值粗分割子模块、道路识别子模块、网络训练子模块和车辆引导线提取子模块；本发明大大简化了图像分析和处理的工作量，可以得到比较完整的区域，且识别效率高，达到了对道路进行自适应检测的要求。
【专利说明】
一种能够自主导航电力设备巡逻车
技术领域
[0001]本发明涉及电力设备领域，具体涉及一种能够自主导航电力设备巡逻车。
【背景技术】
[0002] 汽车在给人们生活带来极大方便的同时也带来了很多社会问题:汽车造成的道路 交通事故逐年大幅度增加、汽车造成的道路拥堵日益严重，造成大量的人员伤亡和财产损 失。研究高效的车辆自主导航技术，是降低交通事故发生率的有效手段。在众多的可用于车 辆导航的信息中，视觉信息作为道路及外部环境的感知来源具有其他信息无法比拟的优 势，而对道路进行检测成为摆在其面前的第一大难题。
[0003] 电力设备巡逻车广泛应用于电力领域，对电力设备的维护起着重要作用。
【发明内容】
[0004] 针对上述问题，本发明提供一种能够自主导航电力设备巡逻车。
[0005] 本发明的目的采用以下技术方案来实现：
[0006] 一种能够自主导航电力设备巡逻车，包括电力设备巡逻车和道路检测装置，其中 电力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处理模块和输出模块。
[0007] 优选地，所述处理模块包括建模子模块、概率子模块、更新子模块、初始子模块、最 优解子模块和选择子模块。
[0008] 优选地，建模模块：
[0009] minS= Xm=lmXi = 〇UX i = 0Ub0 ω 〇 Φ〇? i jyi jk+ Σ m= lm Σ i = 〇U Σ i = 0Ub0 ω 〇 ?*-?OHcifijyijk+Tl Σ? = 〇υ(6?-??)+Τ2Σ? = 〇υ(??-〇?)]]>
[0010] 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;b〇 为单位距离碳排放成本；ω Q为碳排放系数；Φ Q为空载时单位距离燃料消耗量;为目的地 Κ? = 1，2，···，υ)到目的地j(j = l，2，-_，U)之间的距离;c为巡逻车的载重量;Η为巡逻车的 最大载重量；为满载时单位距离燃料消耗量；
[0011] h为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡 逻车迟到损失系数，为延迟至时刻0到达目的地i时的成本损失根据目的地的设备具 体情况人为设定。
[0012] 优选地，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块 和道路自适应检测模块；
[0013] 所述图像采集模块用于采集外界信息的彩色图像；
[0014] 所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模 型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三 个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分 量V的信息，其余情况下，采用色调分量Η进行目标提取；
[0015] 所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非 道路区域中；所述道路自适应检测模块包括：
[0016] (1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进 行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置 作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
[0017] SPi为灰度值为i的像素点在预处理后的图像中出现的频率，让其相邻的局部 邻域pt作比较，Pt={Pi-n，.. .，Pi-. . .Pi+n}，参数η的取值范围为[4,8]，表示pt左右邻 域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，
，则i是波谷 点：
，则i不是波谷点，定义谷点函数v(i):
[0019]对选出的所有谷点v(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j 之间的距离表示为d= | i-j |，概率差表示为g= iPi-Pjl，设定距离参数D来反映波谷点之间 应保持的最小距离：
hDmin和Dmax分别为相邻波谷点最小距离和最大 距离，定义距离约束函数d(i):
[0021]设定概率差参数G来反映波谷点间的阈值差：
，Gmin 和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g( i):
[0023] 定义波谷点选择函数为：
[0024] x(i)=v(i) Xd(i) Xg(i)
[0025]式中，当x(i) = l时，表示波谷点被选中；
[0026] (5)道路识别子模块：用于通过多神经网络检测的方式对经直方图阈值粗分割子 模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合 并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，Ne[3,5]，其 中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述多神经网络表示 为{Wi(yi，δι)，W2(li2，δ2)，· · ·，？Ν(μΝ, δΝ)}，μ和δ分别表不对应于神经网络的正训练样本和负 训练样本，则定义网络选取模型为：
[0027] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0028] 其中，W为最终选取的合适网络，Wk(yk?表示合适的神经网络，f(y k)表示神经网 络Wk(yk，3k)的正训练样本窗口检测结果为1，f (δι〇表不Wk(yk，3k)的负训练样本窗口检测结 果为〇;
[0029] (6)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样 本窗口提取的特征对神经网络进行训练；
[0030] (7)车辆引导线提取子模块:用于提取车辆引导线，所述车辆引导线定义为道路区 域和非道路区域的分界线。
[0031] 所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型， 投影公式为：
[0033] 式中，当不满足以7>rS'(.r,.v)<厂时，将色调分量Η投影到V平 面;V(x，y)表示亮度分量V上对应的点，H(x，y)为色调分量Η上对应的点，σ表示用于避免色 调分量Η和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>〇，Τ5为设定的饱和度 阈值，^为设定的亮度阈值。
[0034] 优选地，所述饱和度阈值和亮度阈值的取值分别为=23(X7; =10，Ts = 20。
[0035] 其中，所述网络训练子模块包括：
[0036] (1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小 波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特 征，并量化为4级，以得到22维特征；
[0037] (2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入 层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路 区域，输出为〇时表示非道路区域；
[0038] (3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
[0039]本发明的有益效果为：
[0040] 1、HSV空间把亮度分量单独分离出来，为色彩的处理和识别提供了方便，另外HSV 空间主要是以对颜色的主观感受来描述颜色，所以比较符合人的视觉特征，建立HSV空间中 颜色分量投影模型，把Η分量投影到V平面，鲁棒性较好，而且比较稳定，能够准确的表达目 标固有的颜色特征，经过处理后的彩色图像跟灰度图像一样，都是二维的，数据量较小，大 大简化了图像分析和处理的工作量；
[0041] 2、实际在道路图像中，包含多个目标，背景也较为复杂，在直方图中可能出现具有 多个波峰和波谷的情况，用单阈值分割不能有效的分割出目标区域，直方图中波峰位置表 示对应颜色的像素在图像中出现的频率较高，波谷位置表示对应的颜色像素出现的频率较 小，因此把波谷点位置作为阈值进行分割，可以得到比较完整的区域;相近的波峰点或波谷 点都将被选择出来，这种情况下添加了距离约束条件和概率差约束条件，选出其中合理的 波谷点；
[0042] 3、设置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模 块分割后的区域进行识别，选择合适的神经网络对道路区域进行合并，将剩余区域直接映 射到非道路区域，并定义网络选取模型，提高了识别的效率；
[0043] 4、在车辆运动过程中每隔2s对神经网络进行训练，达到对道路进行自适应检测的 要求。
【附图说明】
[0044] 利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限 制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得 其它的附图。
[0045] 图1是本发明道路检测装置各模块的连接示意图。
[0046] 图2是本发明电力设备巡逻车导航系统连接示意图。
【具体实施方式】
[0047] 结合以下实施例对本发明作进一步描述。
[0048] 实施例1
[0049]参见图1，图2,本实施例一种能够自主导航电力设备巡逻车，包括电力设备巡逻车 和道路检测装置，其中电力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处 理模块和输出模块。
[0050] 优选地，所述处理模块包括建模子模块、概率子模块、更新子模块、初始子模块、最 优解子模块和选择子模块。
[0051] 优选地，建模模块：
[0052] minS= Xm=lmXi = 〇UX i = 0Ub0 ω 〇 Φ〇? i jyi jk+ Σ m= lm Σ i = 〇U Σ i = 0Ub0 ω 〇 ?*-?OHcifijyijk+Tl Σ? = 〇υ(6?-??)+Τ2Σ? = 〇υ(??-〇?)]]>
[0053] 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;bo 为单位距离碳排放成本；ω Q为碳排放系数；Φ Q为空载时单位距离燃料消耗量;为目的地 Κ? = 1，2，···，υ)到目的地j(j = l，2，-_，U)之间的距离;c为巡逻车的载重量;Η为巡逻车的 最大载重量；为满载时单位距离燃料消耗量；
[0054] Ti为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡 逻车迟到损失系数，为延迟至时刻0到达目的地i时的成本损失JhTs根据目的地的设备具 体情况人为设定。
[0055]优选地，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块 和道路自适应检测模块；
[0056]所述图像采集模块用于采集外界信息的彩色图像；
[0057]所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模 型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三 个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分 量V的信息，其余情况下，采用色调分量Η进行目标提取；
[0058]所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非 道路区域中；所述道路自适应检测模块包括：
[0059] (1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进 行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置 作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
[0060]设?,为灰度值为i的像素点在预处理后的图像中出现的频率，让?,与其相邻的局部 邻域Pt作比较，Pt={Pi-n，.. .，Pi-. . .Pi+n}，参数η的取值范围为[4,8]，表示pt左右邻 域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，
，则i是波谷 点，
·则i不是波谷点，定义谷点函数v(i):
[0062]对选出的所有谷点v(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j 之间的距离表示为d= | i-j |，概率差表示为g= iPi-Pjl，设定距离参数D来反映波谷点之间 应保持的最小距离：
，Dmi4PDmax分别为相邻波谷点最小距离和最大 距离，定义距离约束函数d(i):
[0064]设定概率差参数G来反映波谷点间的阈值差，
々min 和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g( i):
[0066] 定义波谷点选择函数为：
[0067] x(i)=v(i)Xd(i)Xg(i)
[0068]式中，当x(i) = l时，表示波谷点被选中；
[0069] (8)道路识别子模块：用于通过多神经网络检测的方式对经直方图阈值粗分割子 模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合 并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，神经网络数 目Ne[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述 多神经网络表不为{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分别表不对应于神经网络的 正训练样本和负训练样本，则定义网络选取模型为：
[0070] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0071] 其中，W为最终选取的合适网络，Wk(ykJk)表示合适的神经网络，f( yk)表示神经网 络Wk(yk，3k)的正训练样本窗口检测结果为1，f (δι〇表不Wk(yk，3k)的负训练样本窗口检测结 果为〇;
[0072] (9)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样 本窗口提取的特征对神经网络进行训练；
[0073] (10)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路 区域和非道路区域的分界线。
[0074]所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型， 投影公式为：
[0076] 式中，当不满足K.v,.v)2 7^ori/(.v，.r)￡： Γ时，将色调分量Η投影到V平 面;V(x，y)表示亮度分量V上对应的点，H(x，y)为色调分量Η上对应的点，σ表示用于避免色 调分量Η和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>〇，Τ5为设定的饱和度 阈值，％、4为设定的亮度阈值。
[0077] 优选地，所述饱和度阈值和亮度阈值的取值分别为：' =230，厂=iO，Ts = 20。
[0078] 其中，所述网络训练子模块包括：
[0079] (1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小 波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特 征，并量化为4级，以得到22维特征；
[0080] (2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入 层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路 区域，输出为〇时表示非道路区域；
[0081] (3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
[0082]本实施例设置彩色图像预处理模块，大大简化了图像分析和处理的工作量;在直 方图阈值粗分割子模块中，把波谷点位置作为阈值进行分割，可以得到比较完整的区域;设 置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区 域进行识别，选择合适的神经网络对道路区域进行合并，将剩余区域直接映射到非道路区 域，并定义网络选取模型，提高了识别的效率，同时在车辆运动过程中每隔2s对神经网络进 行训练，达到对道路进行自适应检测的要求;本实施例参数η取值为4，N取值为3，检测效率 相对提尚了3%。
[0083] 实施例2
[0084]参见图1，图2,本实施例一种能够自主导航电力设备巡逻车，包括电力设备巡逻车 和道路检测装置，其中电力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处 理模块和输出模块。
[0085]优选地，所述处理模块包括建模子模块、概率子模块、更新子模块、初始子模块、最 优解子模块和选择子模块。
[0086]优选地，建模模块：
[0087] minS= Xm=lmXi = 〇UX i = 0Ub0 ω 〇 Φ〇? i jyi jk+ Σ m= lm Σ i = 〇U Σ i = 0Ub0 ω 〇 ?*-?OHcifijyijk+Tl Σ? = 〇υ(6?-??)+Τ2Σ? = 〇υ(??-〇?)]]>
[0088] 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;bo 为单位距离碳排放成本；ω Q为碳排放系数；Φ Q为空载时单位距离燃料消耗量;为目的地 Κ? = 1，2，···，υ)到目的地j(j = l，2，-_，U)之间的距离;c为巡逻车的载重量;Η为巡逻车的 最大载重量；为满载时单位距离燃料消耗量；
[0089] Ti为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡 逻车迟到损失系数，为延迟至时刻〇到达目的地i时的成本损失根据目的地的设备具 体情况人为设定。
[0090] 优选地，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块 和道路自适应检测模块；
[0091] 所述图像采集模块用于采集外界信息的彩色图像；
[0092] 所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模 型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三 个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分 量V的信息，其余情况下，采用色调分量Η进行目标提取；
[0093]所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非 道路区域中；所述道路自适应检测模块包括：
[0094] (1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进 行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置 作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
[0095] SPi为灰度值为i的像素点在预处理后的图像中出现的频率，让?1与其相邻的局部 邻域Pt作比较，Pt={Pi-n，.. .，Pi-. . .Pi+n}，参数η的取值范围为[4,8]，表示pt左右邻 域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，
，则i是波谷 点，
，则i不是波谷点，定义谷点函数v( i):
[0097]对选出的所有谷点v(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j 之间的距离表示为d= | i-j |，概率差表示为g= iPi-Pjl，设定距离参数D来反映波谷点之间 应保持的最小距离
-，Dmin和Dmax分别为相邻波谷点最小距离和最大 距离，定义距离约束函数d(i):
[0099]设定概率差参数G来反映波谷点间的阈值差，
，Gmin 和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g( i):
[0101 ]定义波谷点选择函数为：
[0102] x(i)=v(i) Xd(i) Xg(i)
[0103] 式中，当x(i) = l时，表示波谷点被选中；
[0104] (11)道路识别子模块:用于通过多神经网络检测的方式对经直方图阈值粗分割子 模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合 并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，神经网络数 目Ne[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述 多神经网络表不为{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分别表不对应于神经网络的 正训练样本和负训练样本，则定义网络选取模型为：
[0105] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0106] 其中，W为最终选取的合适网络，Wk(yk?表示合适的神经网络，f(y k)表示神经网 络Wk(yk，3k)的正训练样本窗口检测结果为1，f (δι〇表不Wk(yk，3k)的负训练样本窗口检测结 果为〇;
[0107] (12)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样 本窗口提取的特征对神经网络进行训练；
[0108] (13)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路 区域和非道路区域的分界线。
[0109] 所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型， 投影公式为：
[0111] 式中，当不满足7(1，.)^7>10?1(;';,3^7；. 2〇/^(1，7)<：3"时，将色调分量!1投影到￥平 面;V(x，y)表示亮度分量V上对应的点，H(x，y)为色调分量Η上对应的点，σ表示用于避免色 调分量Η和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>〇，Τ5为设定的饱和度 阈值，巧、L为设定的亮度阈值。
[0112] 优选地，所述饱和度阈值和亮度阈值的取值分别为=230，Γγ: = 10Ts = 2〇。
[0113] 其中，所述网络训练子模块包括：
[0114] (1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小 波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特 征，并量化为4级，以得到22维特征；
[0115] (2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入 层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路 区域，输出为〇时表示非道路区域；
[0116] (3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
[0117]本实施例设置彩色图像预处理模块，大大简化了图像分析和处理的工作量;在直 方图阈值粗分割子模块中，把波谷点位置作为阈值进行分割，可以得到比较完整的区域;设 置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区 域进行识别，选择合适的神经网络对道路区域进行合并，将剩余区域直接映射到非道路区 域，并定义网络选取模型，提高了识别的效率，同时在车辆运动过程中每隔2s对神经网络进 行训练，达到对道路进行自适应检测的要求;本实施例参数η取值为5，N取值为3，检测效率 相对提高了3.2%。
[0118] 实施例3
[0119]参见图1，图2,本实施例一种能够自主导航电力设备巡逻车，包括电力设备巡逻车 和道路检测装置，其中电力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处 理模块和输出模块。
[0120]优选地，所述处理模块包括建模子模块、概率子模块、更新子模块、初始子模块、最 优解子模块和选择子模块。
[0121] 优选地，建模模块：
[0122] minS= Sm=lmSi = 〇US i = 0Ub0 ω 0 Φ〇? i jyi jk+ Σ m= lm Σ i = 〇U Σ i = 0Ub0 ω 〇 ?*-?OHcifijyijk+Tl Σ? = 〇υ(6?-??)+Τ2Σ? = 〇υ(??-〇?)]]>
[0123] 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;bo 为单位距离碳排放成本；ω Q为碳排放系数；Φ Q为空载时单位距离燃料消耗量;为目的地 Κ? = 1，2，···，υ)到目的地j(j = l，2，-_，U)之间的距离;c为巡逻车的载重量;Η为巡逻车的 最大载重量；为满载时单位距离燃料消耗量；
[0124] Ti为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡 逻车迟到损失系数，为延迟至时刻〇到达目的地i时的成本损失根据目的地的设备具 体情况人为设定。
[0125] 优选地，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块 和道路自适应检测模块；
[0126] 所述图像采集模块用于采集外界信息的彩色图像；
[0127] 所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模 型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三 个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分 量V的信息，其余情况下，采用色调分量Η进行目标提取；
[0128] 所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非 道路区域中；所述道路自适应检测模块包括：
[0129] (1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进 行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置 作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
[0130] 设?,为灰度值为i的像素点在预处理后的图像中出现的频率，让?,与其相邻的局部 邻域Pt作比较，Pt={Pi-n，.. .，Pi-. . .Pi+n}，参数η的取值范围为[4,8]，表示pt左右邻 域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins
，则i是波谷 点：
，则i不是波谷点，定义谷点函数v(i):
[0132]对选出的所有谷点v(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j 之间的距离表示为d= | i-j |，概率差表示为g= iPi-Pjl，设定距离参数D来反映波谷点之间 应保持的最小距离，
，Dmi4PDmax分别为相邻波谷点最小距离和最大 距离，定义距离约束函数d(i):
[0134]设定概率差参数G来反映波谷点间的阈值差，
，Gmin 和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g( i):
[0136] 定义波谷点选择函数为：
[0137] x(i)=v(i)Xd(i)Xg(i)
[0138]式中，当x(i) = l时，表示波谷点被选中；
[0139] (14)道路识别子模块:用于通过多神经网络检测的方式对经直方图阈值粗分割子 模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合 并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，神经网络数 目Ne[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述 多神经网络表不为{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分别表不对应于神经网络的 正训练样本和负训练样本，则定义网络选取模型为：
[0140] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0141] 其中，W为最终选取的合适网络，Wk(yk?表示合适的神经网络，f( yk)表示神经网 络Wk(yk，3k)的正训练样本窗口检测结果为1，f (δι〇表不Wk(yk，3k)的负训练样本窗口检测结 果为〇;
[0142] (15)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样 本窗口提取的特征对神经网络进行训练；
[0143] (16)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路 区域和非道路区域的分界线。
[0144] 所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型， 投影公式为：
[0146] 式中，当不满足7;，/4$%.1')以;,5'(.\%)')< Γ时，将色调分量Η投影到V平 面;V(x，y)表示亮度分量V上对应的点，H(x，y)为色调分量Η上对应的点，σ表示用于避免色 调分量Η和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>〇，Τ5为设定的饱和度 阈值，％为设定的亮度阈值。
[0147] 优选地，所述饱和度阈值和亮度阈值的取值分别为=M，Ts = 20。
[0148] 其中，所述网络训练子模块包括：
[0149] (1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小 波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特 征，并量化为4级，以得到22维特征；
[0150] (2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入 层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路 区域，输出为〇时表示非道路区域；
[0151] (3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
[0152]本实施例设置彩色图像预处理模块，大大简化了图像分析和处理的工作量;在直 方图阈值粗分割子模块中，把波谷点位置作为阈值进行分割，可以得到比较完整的区域;设 置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区 域进行识别，选择合适的神经网络对道路区域进行合并，将剩余区域直接映射到非道路区 域，并定义网络选取模型，提高了识别的效率，同时在车辆运动过程中每隔2s对神经网络进 行训练，达到对道路进行自适应检测的要求;本实施例参数η取值为6，N取值为4，检测效率 相对提高了3.5%。
[0153] 实施例4
[0154]参见图1，图2,本实施例一种能够自主导航电力设备巡逻车，包括电力设备巡逻车 和道路检测装置，其中电力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处 理模块和输出模块。
[0155]优选地，所述处理模块包括建模子模块、概率子模块、更新子模块、初始子模块、最 优解子模块和选择子模块。
[0156] 优选地，建模模块：
[0157] minS= Xm=lmXi = 〇UX i = 0Ub0 ω 〇 Φ〇? i jyi jk+ Σ m= lm Σ i = 〇U Σ i = 0Ub0 ω 〇 ?*-?OHcifijyijk+Tl Σ? = 〇υ(6?-??)+Τ2Σ? = 〇υ(??-〇?)]]>
[0158] 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;bo 为单位距离碳排放成本；ω Q为碳排放系数；Φ Q为空载时单位距离燃料消耗量;为目的地 Κ? = 1，2，···，υ)到目的地j(j = l，2，-_，U)之间的距离;c为巡逻车的载重量;Η为巡逻车的 最大载重量；为满载时单位距离燃料消耗量；
[0159] Ti为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡 逻车迟到损失系数，为延迟至时刻〇到达目的地i时的成本损失根据目的地的设备具 体情况人为设定。
[0160] 优选地，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块 和道路自适应检测模块；
[0161]所述图像采集模块用于采集外界信息的彩色图像；
[0162] 所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模 型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三 个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分 量V的信息，其余情况下，采用色调分量Η进行目标提取；
[0163] 所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非 道路区域中；所述道路自适应检测模块包括：
[0164] (1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进 行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置 作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
[0165] SPi为灰度值为i的像素点在预处理后的图像中出现的频率，让?1与其相邻的局部 邻域Pt作比较，Pt={Pi-n，.. .，Pi-. . .Pi+n}，参数η的取值范围为[4,8]，表示pt左右邻 域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，.则i是波谷 点，
，则i不是波谷点，定义谷点函数v(i):
[0167]对选出的所有谷点v(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j 之间的距离表示为d= I i-j I，概率差表示为g= iPi-Pjl，设定距离参数D来反映波谷点之间 应保持的最小距离，
，Dmi4PDmax分别为相邻波谷点最小距离和最大 距离，定义距离约束函数d(i):
[0169]设定概率差参数G来反映波谷点间的阈值差
，:Gmin 和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g( i):
[0171] 定义波谷点选择函数为：
[0172] x(i)=v(i)Xd(i)Xg(i)
[0173] 式中，当x(i) = l时，表示波谷点被选中；
[0174] (17)道路识别子模块:用于通过多神经网络检测的方式对经直方图阈值粗分割子 模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合 并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，神经网络数 目Ne[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述 多神经网络表不为{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分别表不对应于神经网络的 正训练样本和负训练样本，则定义网络选取模型为：
[0175] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0176] 其中，W为最终选取的合适网络，Wk(yk?表示合适的神经网络，f(yk)表示神经网 络Wk(yk，3k)的正训练样本窗口检测结果为1，f (δι〇表不Wk(yk，3k)的负训练样本窗口检测结 果为〇;
[0177] (18)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样 本窗口提取的特征对神经网络进行训练；
[0178] (19)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路 区域和非道路区域的分界线。
[0179]所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型， 投影公式为：
[0181] 式中，当不满足以rri〇rF(x,y)< 7；-，外^)< Γ时，将色调分量Η投影到V平 面;V(x，y)表示亮度分量V上对应的点，H(x，y)为色调分量Η上对应的点，σ表示用于避免色 调分量Η和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>〇，Τ5为设定的饱和度 阈值，Α、巧2为设定的亮度阈值。
[0182] 优选地，所述饱和度阈值和亮度阈值的取值分别为A, =23(VC =1%TS = 20。
[0183] 其中，所述网络训练子模块包括：
[0184] (1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小 波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特 征，并量化为4级，以得到22维特征；
[0185] (2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入 层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路 区域，输出为〇时表示非道路区域；
[0186] (3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
[0187] 本实施例设置彩色图像预处理模块，大大简化了图像分析和处理的工作量;在直 方图阈值粗分割子模块中，把波谷点位置作为阈值进行分割，可以得到比较完整的区域;设 置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区 域进行识别，选择合适的神经网络对道路区域进行合并，将剩余区域直接映射到非道路区 域，并定义网络选取模型，提高了识别的效率，同时在车辆运动过程中每隔2s对神经网络进 行训练，达到对道路进行自适应检测的要求;本实施例参数η取值为7，N取值为4，检测效率 相对提尚了3.8%。
[0188] 实施例5
[0189] 参见图1，图2,本实施例一种能够自主导航电力设备巡逻车，包括电力设备巡逻车 和道路检测装置，其中电力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处 理模块和输出模块。
[0190]优选地，所述处理模块包括建模子模块、概率子模块、更新子模块、初始子模块、最 优解子模块和选择子模块。
[0191] 优选地，建模模块：
[0192] minS= Xm=lmXi = 〇UX i = 0Ub0 ω 〇 Φ〇? i jyi jk+ Σ m= lm Σ i = 〇U Σ i = 0Ub0 ω 〇 ?*-?OHcifijyijk+Tl Σ? = 〇υ(6?-??)+Τ2Σ? = 〇υ(??-〇?)]]>
[0193] 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;bo 为单位距离碳排放成本；ω Q为碳排放系数；Φ Q为空载时单位距离燃料消耗量;为目的地 Κ? = 1，2，···，υ)到目的地j(j = l，2，-_，U)之间的距离;c为巡逻车的载重量;Η为巡逻车的 最大载重量；Φ*为满载时单位距离燃料消耗量；
[0194] Ti为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡 逻车迟到损失系数，为延迟至时刻0到达目的地i时的成本损失JhTs根据目的地的设备具 体情况人为设定。
[0195] 优选地，所述道路检测装置包括依次连接的图像采集模块、彩色图像预处理模块 和道路自适应检测模块；
[0196] 所述图像采集模块用于采集外界信息的彩色图像；
[0197] 所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模 型，彩色图像的预处理结果根据亮度分量V的数值在色调分量H、饱和度分量S、亮度分量V三 个分量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分 量V的信息，其余情况下，采用色调分量Η进行目标提取；
[0198] 所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非 道路区域中；所述道路自适应检测模块包括：
[0199] (1)直方图阈值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进 行粗分割，其对预处理后的图像进行直方图构造，并采用直方图多阈值法、以波谷点的位置 作为阈值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择：
[0200] 设?,为灰度值为i的像素点在预处理后的图像中出现的频率，让?,与其相邻的局部 邻域Pt作比较，Pt={Pi-n，.. .，Pi-. . .Pi+n}，参数η的取值范围为[4,8]，表示pt左右邻 域像频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，
则i是波谷 点：
，.则i不是波谷点，定义谷点函数v(i):
[0202]对选出的所有谷点v(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j 之间的距离表示为d= | i-j |，概率差表示为g= iPi-Pjl，设定距离参数D来反映波谷点之间 应保持的最小距离，
，Dmi4PDmax分别为相邻波谷点最小距离和最大 距离，定义距离约束函数d(i):
[0204]设定概率差参数G来反映波谷点间的阈值差，
，Gmin 和Gmax分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g( i):
[0206] 定义波谷点选择函数为：
[0207] x(i)=v(i)Xd(i)Xg(i)
[0208]式中，当x(i) = l时，表示波谷点被选中；
[0209] (20)道路识别子模块:用于通过多神经网络检测的方式对经直方图阈值粗分割子 模块分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合 并，并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，神经网络数 目Ne[3,5]，其中每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述 多神经网络表不为{Wi(yi，5i)，ψ2(μ2，δ2)，· · ·，？Ν(μΝ，δΝ)}，μ和δ分别表不对应于神经网络的 正训练样本和负训练样本，则定义网络选取模型为：
[0210] ff= {ffk(yk,5k) ,f (yk) = 1 ,f (5k) =0,ke [1 ,Ν]}
[0211] 其中，w为最终选取的合适网络，Wk(yk，sk)表示合适的神经网络，f(y k)表示神经网 络Wk(yk，3k)的正训练样本窗口检测结果为1，f (δι〇表不Wk(yk，3k)的负训练样本窗口检测结 果为0;
[0212] (21)网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样 本窗口提取的特征对神经网络进行训练；
[0213] (22)车辆引导线提取子模块：用于提取车辆引导线，所述车辆引导线定义为道路 区域和非道路区域的分界线。
[0214]所述彩色图像预处理模块中，进行目标提取时基于HSV空间中颜色分量投影模型， 投影公式为：
[0216] 式中，当不满足F(x,兄^ Γηο#(Λ·,7;.:onS(x, J)< Γ时，将色调分量Η投影到V平 面;V(x，y)表示亮度分量V上对应的点，H(x，y)为色调分量Η上对应的点，σ表示用于避免色 调分量Η和亮度分量V重合的拉伸因子，ξ是投影以后数值的分段，ξ>〇，Τ5为设定的饱和度 阈值，义为设定的亮度阈值。
[0217] 优选地，所述饱和度阈值和亮度阈值的取值分别为:Γγ，230,Γγ: =lU,Ts = 20。
[0218] 其中，所述网络训练子模块包括：
[0219] (1)特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小 波变换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特 征，并量化为4级，以得到22维特征；
[0220] (2)神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入 层、中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路 区域，输出为〇时表示非道路区域；
[0221] (3)网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
[0222]本实施例设置彩色图像预处理模块，大大简化了图像分析和处理的工作量;在直 方图阈值粗分割子模块中，把波谷点位置作为阈值进行分割，可以得到比较完整的区域;设 置道路识别子模块，通过多神经网络检测的方式对经直方图阈值粗分割子模块分割后的区 域进行识别，选择合适的神经网络对道路区域进行合并，将剩余区域直接映射到非道路区 域，并定义网络选取模型，提高了识别的效率，同时在车辆运动过程中每隔2s对神经网络进 行训练，达到对道路进行自适应检测的要求;本实施例参数η取值为8，N取值为5，检测效率 相对提尚了3.4%。
[0223]最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保 护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应 当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实 质和范围。
【主权项】
1. 一种能够自主导航电力设备巡逻车，包括电力设备巡逻车和道路检测装置，其中电 力设备巡逻车上安装有导航系统，所述导航系统包括信号模块、处理模块和输出模块。2. 根据权利要求1所述的一种能够自主导航电力设备巡逻车，其特征是，所述处理模块 包括建模子模块、概率子模块、更新子模块、初始子模块、最优解子模块和选择子模块。3. 根据权利要求2所述的一种能够自主导航电力设备巡逻车，其特征是，建模模块： minS= Σm=lmΣi=0UΣi=0Ub0ω0巫0fijyijk+Σm=lmΣi = 0UΣi=0Ub0ω0巫*- 巫0Hcifijyijk+TlΣi=0U(Gi-ti)+T2Σi=0U(ti-0i)]]〉 其中，minS为巡逻过程中的最低成本;m为当前巡逻车的总数;U为目的地数量;bo为单位 距离碳排放成本；ω〇为碳排放系数；Φ〇为空载时单位距离燃料消耗量;fu为目的地i(i = 1，2，-'，1])到目的地^'〇' = 1，2，-，，1])之间的距离;(3为巡逻车的载重量山为巡逻车的最大载 重量；满载时单位距离燃料消耗量； Τι为巡逻车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失;Τ2为巡逻车 迟到损失系数，为延迟至时刻0到达目的地i时的成本损失;Τ?、Τ2根据目的地的设备具体情 况人为设定。4. 根据权利要求3所述的一种能够自主导航电力设备巡逻车，其特征是，道路检测装置 包括依次连接的图像采集模块、彩色图像预处理模块和道路自适应检测模块； 所述图像采集模块用于采集外界信息的彩色图像； 所述彩色图像预处理模块用于对彩色图像进行投影预处理，预处理时采用HSV模型，彩 色图像的预处理结果根据亮度分量V的数值在色调分量Η、饱和度分量S、亮度分量νΞ个分 量之间选择，当存在饱和度过低或者亮度过低或者过高时，图像分割主要依靠亮度分量V的 信息，其余情况下，采用色调分量Η进行目标提取； 所述道路自适应检测模块用于检测、合并道路区域，并将剩余区域全部映射到非道路 区域中；所述道路自适应检测模块包括： (1)直方图阔值粗分割子模块，用于对由彩色图像预处理模块预处理后的图像进行粗 分割，其对预处理后的图像进行直方图构造，并采用直方图多阔值法、W波谷点的位置作为 阔值对预处理后的图像进行粗分割，采用如下算法对所述波谷点进行选择： 设Pi为灰度值为i的像素点在预处理后的图像中出现的频率，让Pi与其相邻的局部邻域 Pt作比较，Pt= {Pi-n，. . .，Pi-i，Pi+i，. . .Pi+n}，参数η的取值范围为[4,引，表示Pt左右邻域像 频范围，Pt中最小频率值为Ptmin，次最小频率值为Ptmins，老柳i是波谷点， 若，则i不是波谷点，定义谷点函数V(i)对选出的所有谷点V(i) = l，增加距离约束条件和概率约束条件，若相邻谷点i和j之间 的距离表示为d= I i-j I，概率差表示为g= |Pi-Pj I，设定距离参数D来反映波谷点之间应保 持的最小距离，且.i Dmin和Dmax分别为相邻波谷点最小距离和最大距 离，定义距离约束函数d(i):设定概率差参数G来反映波谷点间的阔值差，且Gmin和Gmax 分别为相邻波谷点间的最小概率差和最大概率差，定义概率差约束函数g(i):定义波谷点选择函数为： x(i)=v(i)Xd(i)Xg(i) 式中，当x(i) = l时，表示波谷点被选中； (2) 道路识别子模块：用于通过多神经网络检测的方式对经直方图阔值粗分割子模块 分割后的区域进行识别，进而在多神经网络中选择合适的神经网络对道路区域进行合并， 并将剩余区域直接映射到非道路区域，所述多神经网络包括N个神经网络，Ne[3,5]，其中 每个神经网络的正负训练样本来自放置在不同区域的多个窗口，设所述多神经网络表示为 (Κι(μι，δι) ,Κ2(μ2，δ2)，. . .，ΚΝ(μΝ，δΝ)}，μ和δ分别表示对应于神经网络的正训练样本和负训 练样本，则定义网络选取模型为： W= {Wk(]ik，Sk) ,f (]ik) = l,f (Sk) = 0,ke [1 ,Ν]} 其中，W为最终选取的合适网络，Wk(yk，Sk)表示合适的神经网络，?·(μι〇表示神经网络Wk (yk，Sk)的正训练样本窗口检测结果为l，f(Sk)表示Wk(yk，Sk)的负训练样本窗口检测结果为 0； (3) 网络训练子模块，用于在道路识别子模块运作的同时使用合适网络的训练样本窗 口提取的特征对神经网络进行训练； (4) 车辆引导线提取子模块:用于提取车辆引导线，所述车辆引导线定义为道路区域和 非道路区域的分界线。5. 根据权利要求4所述的一种能够自主导航电力设备巡逻车，其特征是，所述彩色图像 预处理模块中，进行 目标提取时基于HSV空间中颜色分量投影模型，投影公式为：式中，当不满足7^/记(-、-〇')< Γ时，将色调分量Η投影到V平面；V (X，y)表示亮度分量V上对应的点，Η( X，y)为色调分量Η上对应的点，σ表示用于避免色调分 量Η和亮度分量V重合的拉伸因子，ξ是投影W后数值的分段，C>〇，Ts为设定的饱和度阔值， 7;,、7^,为设定的亮度阔值。6. 根据权利要求5所述的一种能够自主导航电力设备巡逻车，其特征是，所述饱和度阔 值和亮度阔值的取值分别为：馬=23〇, ^ = 10,= 2()。7. 根据权利要求6所述的一种能够自主导航电力设备巡逻车，其特征是，所述网络训练 子模块包括： (1) 特征提取单元，其采用3个尺度和6个方向构成的18个小波滤波器进行Gabor小波变 换，提取预处理后的图像的纹理特征，同时采用10窗口提取预处理后的图像的颜色特征，并 量化为4级，W得到22维特征； (2) 神经网络构建单元，用于根据所述22维特征构建神经网络，神经网络包括输入层、 中间层和输出层，输入层设置22个神经元，输出层设置1个神经元，输出为1时表示道路区 域，输出为加寸表示非道路区域； (3) 网络训练单元，用于在车辆运动过程中每隔2s对神经网络进行训练。
【文档编号】G06K9/00GK106094827SQ201610514692
【公开日】2016年11月9日
【申请日】2016年7月1日
【发明人】不公告发明人
【申请人】蔡雄