CN109358640B - 一种无人机激光探测实时可视化方法、系统及存储介质 - Google Patents

一种无人机激光探测实时可视化方法、系统及存储介质 Download PDF

Info

Publication number
CN109358640B
CN109358640B CN201811198218.7A CN201811198218A CN109358640B CN 109358640 B CN109358640 B CN 109358640B CN 201811198218 A CN201811198218 A CN 201811198218A CN 109358640 B CN109358640 B CN 109358640B
Authority
CN
China
Prior art keywords
data
unmanned aerial
aerial vehicle
attitude
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811198218.7A
Other languages
English (en)
Other versions
CN109358640A (zh
Inventor
钱金菊
麦晓明
谭金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201811198218.7A priority Critical patent/CN109358640B/zh
Publication of CN109358640A publication Critical patent/CN109358640A/zh
Application granted granted Critical
Publication of CN109358640B publication Critical patent/CN109358640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请实施例公开了一种无人机激光探测实时可视化方法，包括：获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据；将姿态原始数据以及定位原始数据融合，修正得到无人机的航迹数据及姿态数据；将激光扫描数据、航迹数据及姿态数据转换成全局坐标下的实时点云数据；将实时点云数据发送至地面站进行可视化。本申请实施例提供的方法，解决了在无人机激光扫描巡检时，采集到的数据需要先传回处理中心进行可视化，从可视化出的图像中发现安全隐患时需要折回现场处理，导致隐患消除不及时，浪费了时间和人力的技术问题。本申请实施例还提供了一种无人机激光探测实时可视化系统及一种计算机存储介质。

Description

一种无人机激光探测实时可视化方法、系统及存储介质
技术领域
本申请涉及激光探测技术领域，尤其涉及一种无人机激光探测实时可视化方法、系统及存储介质。
背景技术
随着电力系统的发展，电网中的高压电力线路规模不断扩大，线路通道环境也越来越复杂，诸如异物缠挂、线路下方树木、违规施工、违章建筑等情况，容易导致线路安全距离不足而发生短路事故。事故一旦发生，后果严重，巨大的电流可能造成人员严重伤害，故障造成线路设备损坏，跳闸停运，对电网运行造成冲击，同时，故障对城市区域供电造成影响，扰乱企业和居民的正常生产生活秩序，带来重大经济损失。
对于电力线路安全距离的检测，目前常用的方式是电力工人巡线过程中，对线路段进行人工目视判断或全站仪量测，但线路安全距离不足的多发点通常在人迹难至之地，这些测量方式由于树木、建筑等遮挡以及视觉透视偏差，难以对疑似超限点得出准确有效的判断，不能适应现代化电网的发展和安全运行需要。
有人直升机及无人机携带激光扫描系统巡检技术已在电网巡检中逐渐得到应用。机载激光雷达测量系统可以很好地解决空间定位和测量精度等问题，它可直接而快速地采集线路走廊高精度三维激光点云数据，进而快速地获得高精度三维线路走廊的地形、地貌、地物和线路设施的空间信息。随着LiDAR点云数据处理技术的逐渐成熟，大部分无人机电力巡线系统都配备有LiDAR系统。并且，随着传感器技术的进步，激光扫描仪和定位定姿系统都在逐步小型化，LiDAR系统也随之轻小型化，从而能被多旋翼无人机所搭载。但目前基于LiDAR的导线地物安全检测绝大多是事后处理，即先采集整个导线的数据，然后再内业进行处理(包括定位定姿数据处理、LiDAR点云生成，导线提取等)，如此，在发现安全隐患时，又要重新回到隐患所在地才可以处理，浪费了时间和人力，消缺的延时性很大。
发明内容
本申请实施例提供了一种无人机激光探测实时可视化方法、系统及可存储介质，解决了在无人机激光扫描巡检时，采集到的数据需要先传回处理中心进行可视化，从可视化出的图像中发现安全隐患时需要折回现场处理，导致隐患消除不及时，浪费了时间和人力的技术问题。
有鉴于此，本申请第一方面提供了一种无人机激光探测实时可视化方法，包括：
获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据；
将所述姿态原始数据以及所述定位原始数据融合，修正得到无人机的航迹数据及姿态数据；
将所述激光扫描数据、所述航迹数据及所述姿态数据转换成全局坐标下的实时点云数据；
将所述实时点云数据发送至地面站进行可视化。
优选地，所述将所述姿态原始数据以及定位原始数据融合，修正得到无人机的航迹数据及姿态数据具体包括：
将所述姿态原始数据以及所述定位原始数据通过卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据。
优选地，所述将所述姿态原始数据以及所述定位原始数据通过卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据具体包括：
将所述姿态原始数据以及所述定位原始数据通过扩展卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据。
优选地，所述将所述姿态原始数据以及所述定位原始数据通过扩展卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据具体包括：
将所述姿态原始数据以及所述定位原始数据作为系统观测向量输入预设非线性系统状态估计值方程，根据滤波结果修正当前结果，递归优化出无人机的航迹数据及姿态数据。
优选地，所述将所述实时点云数据发送至地面站进行可视化具体包括：
将所述实时点云数据通过用户数据报协议UDP将所述实时点云数据发送至地面站进行可视化。
优选地，所述获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据具体包括：
获取到无人机IMU系统提供的姿态原始数据、无人机RTK系统提供的定位原始数据以及激光扫描数据。
优选地，所述将所述激光扫描数据、所述航迹数据及所述姿态数据转换成全局坐标下的实时点云数据具体包括：
将所述激光扫描数据映射到所述航迹数据及所述姿态数据上，形成全局坐标下的实时点云数据。
本申请第二方面提供一种无人机激光探测实时可视化系统，包括：
无人机、CORS系统及地面站；
所述无人机内设置有控制芯片，所述控制芯片用于上述第一方面任一项所述的方法；
所述无人机还搭载有IMU系统、RTK系统以及激光雷达系统；
所述CORS系统，与所述无人机通信连接，通过所述无人机的RTK系统实现差分定位；
地面站，用于接收所述无人机发送的实时点云数据并进行可视化。
优选地，所述控制芯片具体为FPGA。
本申请第三方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种无人机激光探测实时可视化方法，包括：获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据；将姿态原始数据以及定位原始数据融合，修正得到无人机的航迹数据及姿态数据；将激光扫描数据、航迹数据及姿态数据转换成全局坐标下的实时点云数据；将实时点云数据发送至地面站进行可视化。
本申请实施例中，通过将姿态原始数据以及定位原始数据融合，修正得到准确的无人机的航迹数据及姿态数据，在结合激光扫描数据，将三种数据转换融合成全局坐标下的实时点云数据，将实时点云数据发送给地面站进行可视化。解决了在无人机激光扫描巡检时，采集到的数据只能先传回处理中心进行可视化，再从可视化出的图像中寻找安全隐患，若发现安全隐患，需要重新折回现场处理，导致隐患消除不及时，浪费了时间和人力的技术问题。
附图说明
图1为本申请第一个实施例提供的一种无人机激光探测实时可视化方法的流程示意图；
图2为本申请第二个实施例提供的一种无人机激光探测实时可视化方法的流程示意图；
图3为本申请实施例提供的IMU/RTK组合导航系统的卡尔曼滤波器的信号流示意图；
图4为图3所示卡尔曼滤波器的信号流示意图；
图5为本申请实施例提供的一种无人机激光探测实时可视化系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
电力巡检人员在对电力线路进行巡检时，通常会操控无人机，利用其配备的LiDAR系统对电力线路进行激光探测。由于无人机的有一定的操控范围，因此电力巡检人员需要到线路现场对无人机进行操控，才可完成整个线路的巡检工作。然而，由于现有的激光雷达探测系统均为事后处理，没有能够一种能够实时可视化的方法，因此采集到的数据只能先传回地面站(数据处理中心)进行可视化处理，如此，电力巡检人员在通过可视化出的图像发现线路上的安全隐患后，又要重新折回隐患所在地进行处理，导致了隐患处理延迟性答，并且造成时间与人力的浪费。
请参阅图1，图1为本申请第一个实施例提供的一种无人机激光探测实时可视化方法的流程示意图，包括：
步骤101、获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据。
无人机可以配备相应的IMU系统以及定位系统，从而通过IMU系统以及定位系统可以获得无人机的姿态原始数据以及定位原始数据。而激光扫描数据可以通过激光雷达扫描获得。
步骤102、将姿态原始数据以及定位原始数据融合，修正得到无人机的航迹数据及姿态数据。
考虑到IMU系统提供的姿态原始数据经过了二次积分，有比较大的误差，因此可以通过定位原始数据去修正姿态原始数据。该过程可以看作是两种数据的互相作用过程，或者说是一种融合的过程，可以通过系统状态估计算法将两种数据的作用过程考虑进去，估计出系统状态的最优值。
具体的，可以通过卡尔曼滤波算法将两种数据进行融合。卡尔曼滤波可以考虑两者的互相作用，通过不断的修正递归，优化出系统的最优状态，此时，相应的，也可以得到最优系统状态下无人机准确的航迹数据及姿态数据。
步骤103、将激光扫描数据、航迹数据及姿态数据转换成全局坐标下的实时点云数据。
由于无人机的激光扫描数据、航迹数据以及姿态数据均是相对于无人机而言的局部坐标下的数据，因此，需要将其转换成全局坐标下的实时点云数据，以方便后续的可视化。
步骤104、将实时点云数据发送至地面站进行可视化。
实时点云数据已经包含了可视化的信息，因此地面站在接收到实时点云数据后可以容易的实现可视化。
本申请实施例中，提供了一种无人机激光探测实时可视化方法，包括：获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据；将姿态原始数据以及定位原始数据融合，修正得到无人机的航迹数据及姿态数据；将激光扫描数据、航迹数据及姿态数据转换成全局坐标下的实时点云数据；将实时点云数据发送至地面站进行可视化。
本申请实施例中，通过将姿态原始数据以及定位原始数据融合，修正得到准确的无人机的航迹数据及姿态数据，再结合激光扫描数据，将三种数据转换融合成全局坐标下的实时点云数据，将实时点云数据发送给地面站进行可视化。解决了在无人机激光扫描巡检时，采集到的数据只能先传回处理中心进行可视化，再从可视化出的图像中寻找安全隐患，若发现安全隐患，需要重新折回现场处理，导致隐患消除不及时，浪费了时间和人力的技术问题。
请参阅图2，图2为本申请第二个实施例提供的一种无人机激光探测实时可视化方法的流程示意图，包括：
步骤201、获取到无人机IMU系统提供的姿态原始数据、无人机RTK系统提供的定位原始数据以及激光扫描数据。
在实时可视化过程中，考虑到现有的GPS定位通常也是后处理，可以应用网络RTK技术，搭建实时动态探测网络，从而实现定位的实时性。并且与普通的GPS定位相比，网络RTK的差分定位具有更好的精确度，可以实现更高质量的可视化。
步骤202、将姿态原始数据以及定位原始数据作为系统观测向量输入预设非线性系统状态估计值方程，根据滤波结果修正当前结果，递归优化出无人机的航迹数据及姿态数据。
需要说明的是，考虑到实际应用中系统总存在不同程度的非线性，只是可以近似看成是线性的。为了获取更好的结果，可以在充分考虑非线性因素的情况下，改进使用扩展卡尔曼滤波算法。
下面对如何构建反映实际系统的非线性数学模型进行说明。
通常，非线性系统数学模型如下：
X(k)＝f[Xk-1，k-1]+Γ[Xk-1，k-1]Wk-1 (1)
Z(k)＝h[Xk-1，k-1]+V(k) (2)
式中，W(k)和V(k)均为零均值和白噪声序列，其统计特性如下：
Figure BDA0001829349860000061
根据系统的状态方程(1)，将非线性化函数f[·]围绕滤波值
Figure BDA0001829349860000062
展开成泰勒级数，并且忽略二次以上的高次项，得：
Figure BDA0001829349860000071
假设
Figure BDA0001829349860000072
Figure BDA0001829349860000073
则系统的状态方程为：
Figure BDA0001829349860000074
和随机线性基本卡尔曼滤波方程相比，在已经求得的前一步滤波值
Figure BDA0001829349860000075
的条件下，状态方程增加了非随机的外作用项φ(k-1)。
由观测方程(2)，将非线性函数h[ ]围绕滤波值
Figure BDA0001829349860000076
展开成泰勒级数，并略去二阶以上项，得：
Figure BDA0001829349860000077
假设
Figure BDA0001829349860000078
Figure BDA0001829349860000079
则观测方程为：
Z(k)＝H(k)X(k)+y(k)+V(k) (5)
应用于基本卡尔曼滤波算法，可以得到扩展卡尔曼滤波方程：
1、系统状态一步预测估计方程：
Figure BDA00018293498600000710
2、系统状态估计值方程：
Figure BDA00018293498600000711
3、滤波增益方程：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)]-1 (8)
4、一步预测估计误差方差方程：
Figure BDA0001829349860000081
5、滤波误差方差方程：
P(k)＝[I-K(k)H(k)]P(k|k-1) (10)
在一个滤波周期内，卡尔曼滤波具有两个明显的信息更新过程：时间更新过程和观测更新过程。
观测更新过程：系统状态一步预测估计方程说明根据k-1时刻的状态估计预测k时刻状态的方法，一步预测误差估计方差方程对这种预测的质量优劣做了定量的描述。这两个式子的计算中仅仅使用了与系统的动态特征有关的信息，例如系统状态进一步转移矩阵、系统噪声输入阵、系统过程噪声方差阵、系统观测噪声方程阵。
时间更新过程：从时间推移的过程来看，系统状态一步预测估计方程和一步预测误差估计方差方程将系统时间从k-1时刻推进到k时刻，描述了卡尔曼滤波的时间更新过程。系统状态估计值方程、滤波增益方程和滤波误差方差方程用来计算对时间更新值的修正量，这个修正量是由时间更新的质量优劣P(k|k-1)、观测信息的质量优劣R(k)、观测与状态的关系H(k)以及具体的观测信息Z(k)来确定。
通过以上对扩展卡尔曼滤波算法的说明，可以构建出适合无人机激光雷达探测系统的非线性系统状态方程，将姿态原始数据以及定位原始数据作为系统观测向量输入该预设非线性系统状态估计值方程，再根据滤波结果修正当前结果，递归优化出无人机的航迹数据及姿态数据。
卡尔曼滤波算法的实现可以通过在无人机中设置FPGA，以FPGA为载体承载扩展卡尔曼滤波算法。具体的，可以参考图3与图4，图3为本申请实施例提供的IMU/RTK组合导航系统的卡尔曼滤波器的信号流示意图，图4为图3所示卡尔曼滤波器的信号流示意图。
图4中，FPGA包括一个系统状态的输入，该输入为系统的观测向量Z(k)，时钟输入CLK和重置信号RESET，还包括一个系统状态的输出，为系统的状态估计值
Figure BDA0001829349860000082
RESET是一个复位信号，其主要功能是在高电平是把系统的初始值赋给系统的观测向量Z(k)，以便卡尔曼滤波算法以最优估计输出值无限递归下去。
步骤203、将激光扫描数据映射到航迹数据及姿态数据上，形成全局坐标下的实时点云数据。
激光扫描数据的实质可以认为是点数据的集合，航迹数据包含有坐标信息，姿态数据也包含有坐标信息，将三者转换成全局坐标下的点云数据时，具体的，可以将激光扫描数据映射到航迹数据及姿态数据上。
步骤204、将实时点云数据通过用户数据报协议UDP将所述实时点云数据发送至地面站进行可视化。
在通信中，可以使用用户数据报协议UDP数据包进行处理，生成实时激光点云数据后，利用该网络协议实时透传，将激光点云实时数据传输回地面站，实现实时激光点云数据的可视化呈现。
本申请实施例中，将姿态原始数据以及定位原始数据通过扩展卡尔曼滤波算法融合，修正得到准确的无人机的航迹数据及姿态数据，再结合激光扫描数据，将三种数据转换融合成全局坐标下的实时点云数据，将实时点云数据发送给地面站进行可视化。解决了在无人机激光扫描巡检时，采集到的数据只能先传回处理中心进行可视化，再从可视化出的图像中寻找安全隐患，若发现安全隐患，需要重新折回现场处理，导致隐患消除不及时，浪费了时间和人力的技术问题。
请参阅图5，图5为本申请实施例提供的一种无人机激光探测实时可视化系统的结构示意图，包括：无人机501、CORS系统502及地面站503。
其中，无人机内设置有控制芯片5011，控制芯片5011用于执行上述实施例提供的任一种方法。
具体的，控制芯片5011可以为FPGA。
无人机还搭载有IMU系统5012、RTK系统5013以及激光雷达系统5014。
为了与RTK系统5013配套实现差分定位，该系统还包括CORS系统502，其与无人机501中的RTK系统5013通信连接。
地面站503，用于接收无人机501发送的实时点云数据并进行可视化。
具体的，可以参见下表，表中为本申请实施例提供的一种无人机激光探测实时可视化系统的应用例的重要参数。
Figure BDA0001829349860000101
本申请实施例提供的无人机激光探测实时可视化系统，通过无人机、CORS系统实现高精度的差分定位DGPS，结合控制芯片执行的无人机激光探测实时可视化方法，实现实时生成实时点云数据，通过通信手段发送给地面站，在地面站实现激光探测的实时可视化。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种无人机激光探测实时可视化方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (6)

1.一种无人机激光探测实时可视化方法，其特征在于，包括：
获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据；
将所述姿态原始数据以及所述定位原始数据融合，修正得到无人机的航迹数据及姿态数据；
将所述激光扫描数据、所述航迹数据及所述姿态数据转换成全局坐标下的实时点云数据；
将所述实时点云数据发送至地面站进行可视化；
所述获取到无人机的姿态原始数据、定位原始数据以及激光扫描数据具体包括：
获取到无人机IMU系统提供的姿态原始数据、无人机RTK系统提供的定位原始数据以及激光扫描数据；
所述将所述姿态原始数据以及定位原始数据融合，修正得到无人机的航迹数据及姿态数据具体包括：
将所述姿态原始数据以及所述定位原始数据通过卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据；
所述将所述姿态原始数据以及所述定位原始数据通过卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据具体包括：
将所述姿态原始数据以及所述定位原始数据通过扩展卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据；
所述将所述姿态原始数据以及所述定位原始数据通过扩展卡尔曼滤波算法融合，修正得到无人机的航迹数据及姿态数据具体包括：
将所述姿态原始数据以及所述定位原始数据作为系统观测向量输入预设非线性系统状态估计值方程，根据滤波结果修正当前结果，递归优化出无人机的航迹数据及姿态数据，其中，所述非线性系统状态估计值方程为
Figure FDA0003381270780000011
Figure FDA0003381270780000012
Figure FDA0003381270780000013
为k时刻的滤波值，h[]为非线性函数，Z(k)为k时刻的观测信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述实时点云数据发送至地面站进行可视化具体包括：
将所述实时点云数据通过用户数据报协议UDP将所述实时点云数据发送至地面站进行可视化。
3.根据权利要求1所述的方法，其特征在于，所述将所述激光扫描数据、所述航迹数据及所述姿态数据转换成全局坐标下的实时点云数据具体包括：
将所述激光扫描数据映射到所述航迹数据及所述姿态数据上，形成全局坐标下的实时点云数据。
4.一种无人机激光探测实时可视化系统，其特征在于，包括：
无人机、CORS系统及地面站；
所述无人机内设置有控制芯片，所述控制芯片用于执行权利要求1至3任一项所述的方法；
所述无人机还搭载有IMU系统、RTK系统以及激光雷达系统；
所述CORS系统与所述无人机通信连接，通过所述无人机的RTK系统实现差分定位；
地面站，用于接收所述无人机发送的实时点云数据并进行可视化。
5.根据权利要求4所述的系统，其特征在于，所述控制芯片具体为FPGA。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-3任一项所述的无人机激光探测实时可视化方法。
CN201811198218.7A 2018-10-15 2018-10-15 一种无人机激光探测实时可视化方法、系统及存储介质 Active CN109358640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811198218.7A CN109358640B (zh) 2018-10-15 2018-10-15 一种无人机激光探测实时可视化方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811198218.7A CN109358640B (zh) 2018-10-15 2018-10-15 一种无人机激光探测实时可视化方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN109358640A CN109358640A (zh) 2019-02-19
CN109358640B true CN109358640B (zh) 2022-03-04

Family

ID=65349459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811198218.7A Active CN109358640B (zh) 2018-10-15 2018-10-15 一种无人机激光探测实时可视化方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN109358640B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337913B (zh) * 2020-05-19 2020-09-29 北京数字绿土科技有限公司 一种移动测量系统作业中数据实时显示装置及方法
CN111812668B (zh) * 2020-07-16 2023-04-14 南京航空航天大学 绕机检查装置及其定位方法、存储介质
CN114512005B (zh) * 2022-02-15 2023-04-04 复亚智能科技(太仓)有限公司 一种道路自巡检方法、装置、无人机及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104638562A (zh) * 2014-12-25 2015-05-20 国网通用航空有限公司 直升机电力巡检系统及方法
CN105372671A (zh) * 2015-12-11 2016-03-02 国网四川省电力公司电力应急中心 一种基于无人机的电力线三维重建系统
CN106774410A (zh) * 2016-12-30 2017-05-31 易瓦特科技股份公司 无人机自动巡检方法和装置
CN107990876A (zh) * 2017-11-20 2018-05-04 北京科技大学 基于无人飞行器的地下矿山采空区快速扫描装置及方法
CN108303710A (zh) * 2018-06-12 2018-07-20 江苏中科院智能科学技术应用研究院 基于三维激光雷达的无人机多场景定位建图方法
CN108375370A (zh) * 2018-07-02 2018-08-07 江苏中科院智能科学技术应用研究院 一种面向智能巡防无人机的复合导航系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106502262A (zh) * 2015-09-08 2017-03-15 中国农业机械化科学研究院 一种农用无人机飞行平台及其控制系统和控制方法
CN108318040A (zh) * 2018-02-06 2018-07-24 贵州电网有限责任公司 一种面向输电线路巡检的多旋翼航迹规划系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104638562A (zh) * 2014-12-25 2015-05-20 国网通用航空有限公司 直升机电力巡检系统及方法
CN105372671A (zh) * 2015-12-11 2016-03-02 国网四川省电力公司电力应急中心 一种基于无人机的电力线三维重建系统
CN106774410A (zh) * 2016-12-30 2017-05-31 易瓦特科技股份公司 无人机自动巡检方法和装置
CN107990876A (zh) * 2017-11-20 2018-05-04 北京科技大学 基于无人飞行器的地下矿山采空区快速扫描装置及方法
CN108303710A (zh) * 2018-06-12 2018-07-20 江苏中科院智能科学技术应用研究院 基于三维激光雷达的无人机多场景定位建图方法
CN108375370A (zh) * 2018-07-02 2018-08-07 江苏中科院智能科学技术应用研究院 一种面向智能巡防无人机的复合导航系统

Also Published As

Publication number Publication date
CN109358640A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
US11869192B2 (en) System and method for vegetation modeling using satellite imagery and/or aerial imagery
CN112327920B (zh) 一种无人机自主避障巡检路径规划方法及装置
CN109358640B (zh) 一种无人机激光探测实时可视化方法、系统及存储介质
CN111537515A (zh) 基于三维实景模型的铁塔螺栓缺陷展示方法和系统
CN109461142B (zh) 线路隐患分析方法、装置及电子终端
CN113954066B (zh) 一种基于数字孪生系统的配网作业机器人控制方法及装置
CN110254722B (zh) 一种飞行器系统及其方法、计算机可读存储介质
CN109829908B (zh) 基于双目影像的电力线下方地物安全距离检测方法及设备
CN109816780B (zh) 一种双目序列影像的输电线路三维点云生成方法及装置
CN113075938A (zh) 一种输电线路远距离智能巡检系统及方法
CN111244822B (zh) 一种复杂地理环境的固定翼无人机巡线方法、系统和装置
CN111578861A (zh) 一种配电网树障检测方法及系统
Skarlatos et al. Vegetation removal from UAV derived DSMS, using combination of RGB and NIR imagery
CN114820800A (zh) 一种用于输电线路的实时巡检方法及设备
CN117387603B (zh) 电力巡检地图导航方法及装置、介质、电子设备
CN115167524A (zh) 无人机巡视航线规划方法、装置、设备及存储介质
CN113111714A (zh) 一种应用于输电现场作业的风险防控系统
CN117891274B (zh) 用于水利测绘的无人机航线大数据规划系统及方法
US20240103537A1 (en) Methods, systems, and devices for inspecting structures and objects
CN114531700A (zh) 一种非人工的基站天线工参采集系统及方法
CN113223155A (zh) 一种距离预测方法、装置、设备及介质
CN114387424A (zh) 室内分布系统故障定位方法、装置、设备及可读介质
CN115346081A (zh) 基于多数据融合的输电线路点云数据分类方法
CN115409903A (zh) 相机标定方法、设备及计算机存储介质
CN113052474B (zh) 基于电网的交叉跨越关键部位预警方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant