1.一種GIS內(nèi)部典型缺陷圖像自動識別方法，其特征在于，包括：
獲取缺陷圖像；
對所述缺陷圖像進(jìn)行預(yù)處理，獲得目標(biāo)圖像；
對所述目標(biāo)圖像進(jìn)行特征提取，獲得特征數(shù)據(jù)；
從所述特征數(shù)據(jù)中提取特征向量；
采用多類分類器，將所述特征向量作為輸入，對所述特征向量進(jìn)行識別。
2.如權(quán)利要求1所述的方法，其特征在于，所述對所述缺陷圖像進(jìn)行預(yù)處理，獲得目標(biāo)圖像包括：
對所述缺陷圖像進(jìn)行圖像灰度化處理，獲得灰度圖像；
對所述灰度圖像進(jìn)行平滑處理，獲得平滑灰度圖像；
對所述平滑灰度圖像進(jìn)行銳化處理，獲得銳化灰度圖像；
對所述銳化灰度圖像進(jìn)行直方圖均衡化處理，獲得均衡化灰度圖像；
對所述均衡化灰度圖像進(jìn)行圖像分割，提取出目標(biāo)圖像。
3.如權(quán)利要求2所述的方法，其特征在于，所述對所述均衡化灰度圖像進(jìn)行圖像分割包括：
利用閾值分割方法將所述均衡化灰度圖像分割為目標(biāo)圖像和背景圖像。
4.如權(quán)利要求1所述的方法，其特征在于，所述對所述目標(biāo)圖像進(jìn)行特征提取包括：
從所述目標(biāo)圖像中提取灰度特征、紋理特征和HOG方向梯度直方圖特征，其中，所述灰度特征包括均值、方差、歪度、峭度和熵；所述紋理特征包括0°、45°、90°和135°四個方向上的灰度共生矩；所述HOG特征是通過計算所述目標(biāo)圖像的方向梯度直方圖得到。
5.如權(quán)利要求1所述的方法，其特征在于，所述從所述特征數(shù)據(jù)中提取特征向量包括：
從所述特征數(shù)據(jù)中選取一組特征子集構(gòu)成新的特征空間；
通過主成分分析法從所述特征空間中找到一組方差最大的正交向量，作為特征向量。
6.如權(quán)利要求1所述的方法，其特征在于，所述采用多類分類器，將所述特征向量作為輸入，對所述特征向量進(jìn)行識別包括：
將所述特征向量作為識別樣本；
設(shè)置所述多類分類器的篩選分類為第一預(yù)設(shè)缺陷類型；
將符合所述篩選分類的所述識別樣本標(biāo)記為1，不符合所述多類分類器篩選分類的所述識別樣本標(biāo)記為-1；
將標(biāo)記為1的識別樣本進(jìn)行顯示；
判斷是否存在標(biāo)記為-1的樣本；
如果存在標(biāo)記為-1的樣本，則重新設(shè)置所述多類分類器的篩選分類為第二預(yù)設(shè)缺陷類型，將所述標(biāo)記為-1的樣本作為所述多類分類器的輸入，重新進(jìn)行篩選。
7.如權(quán)利要求1所述的方法，其特征在于，構(gòu)造所述多類分類器的方法包括：
構(gòu)造K個SVM支持向量機模型，利用所述K個SVM模型組成多類分類器，其中，K為GIS設(shè)備所有內(nèi)部缺陷類型的數(shù)量；
用已知缺陷類型的歷史缺陷圖像對所述多類分類器進(jìn)行訓(xùn)練；
確定所述多類分類器的核函數(shù)和懲罰因子；
對構(gòu)造完的多類分類器進(jìn)行測試。
8.如權(quán)利要求7所述的方法，其特征在于，所述對構(gòu)造完的多類分類器進(jìn)行測試包括：
選取預(yù)設(shè)數(shù)量的待檢測缺陷圖像輸入所述多類分類器進(jìn)行識別，獲得識別類型；
對所述預(yù)設(shè)數(shù)量的待檢測缺陷圖像進(jìn)行人工識別，確定缺陷類型；
將人工識別的所述缺陷類型與所述識別類型進(jìn)行對比，確定多類分類器的識別精度；
判斷所述識別精度是否滿足工作要求；
如果所述識別精度不滿足工作要求，則繼續(xù)對所述多類分類器進(jìn)行訓(xùn)練。