CN109753081B

CN109753081B - 一种基于机器视觉的巷道巡检无人机系统及导航方法

Info

Publication number: CN109753081B
Application number: CN201811532340.3A
Authority: CN
Inventors: 程健; 郭雪亮; 郭一楠; 安鸿波; 陈亮; 李会军
Original assignee: Coal Science Research Institute; China University of Mining and Technology CUMT
Current assignee: Coal Science Research Institute; China University of Mining and Technology CUMT
Priority date: 2018-12-14
Filing date: 2018-12-14
Publication date: 2020-08-21
Anticipated expiration: 2038-12-14
Also published as: CN109753081A

Abstract

本发明公开了一种基于机器视觉的巷道巡检无人机系统及导航方法，采用单目相机获取高质量巷道空间图像，通过机器视觉算法对图像中的管道进行检测和处理，计算出管道中心到相机光心的距离和夹角，进一步得出巡检无人机在巷道中的偏航角，并反馈到无人机飞行控制器调整航向。同时通过超声波距离传感器实时检测同巷道边界和障碍物的距离，确保巡检无人机在巷道内的安全飞行，完成巡检任务。本发明无需在巷道中架设轨道等设备，显著降低巡检机器人的导航成本；另外本发明有效克服巷道环境有限光照条件对导航精度的影响，计算复杂度低，能满足巷道等狭闭空间巡检的实时性要求，从而适用于矿井巷道等狭闭空间中用于危险因素检测的巡检无人机导航和避障。

Description

一种基于机器视觉的巷道巡检无人机系统及导航方法

技术领域

本发明涉及一种基于机器视觉的巷道巡检无人机系统及导航方法，属于导航技术领域。

背景技术

对矿井巷道中聚集的危险气体、积水等危险因素进行日常巡检，是保障矿井生产和人员安全的至关重要环节。巷道中的危险气体通常是指煤炭或含碳质页岩非煤矿床开采过程中，从煤层和岩层中涌出的爆炸性气体。其主要成分主要是甲烷、一氧化碳、硫化氢、二氧化硫和重碳氢化合物，等。巷道积水会使空气潮湿，使井下各类电气生产设备容易产生锈蚀，导致短路故障。因此，对巷道的潜在危险因素进行日常巡检至关重要。目前，巷道巡检通常采用人工巡检方式。文献(李学民.矿用巡检机器人关键技术分析[J].煤矿机械,2018(5).)中提到，人工巡检效率低且主观性强，危险因素判断依赖于工人经验，缺乏科学、客观且准确的判定依据，已不能满足数字矿山的建设需求。

巷道巡检机器人虽然可以最大程度减轻巡检人员的劳动强度，实现比较客观、科学且稳定的危险因素判定，但是由于巷道狭闭空间中传统定位方法存在布局困难、成本昂贵、计算代价高等不足，使巡检机器人导航成为其实施难点。因此，有必要给出一种适用于巷道工作环境的快速简便巡检机器人导航方法。面向类似于巷道的狭闭工作环境，已给出多种其他类型巡检机器人导航方法。专利(曹现刚,靳子浩,殷玉萍,等.井下巷道悬线巡检防爆机器人,2016.)公开了一种悬线巡检机器人，利用预先架设好的钢丝绳来引导机器人在巷道中运动，并进行环境参数的全面监测。文献(裴文良,张树生,李军伟.矿用巡检机器人设计及其应用[J].制造业自动化,2017,39(2):73-74.)研制了一种采用轨道行走的自动巡检机器人，利用预先架设的工字钢轨道对巷道、变电站实现关键监测量巡检。文献(李和平,陈育新.基于物联网的矿井智能巡检机器人控制系统设计[J].机床与液压,2015,43(11):119-122.)采用基于激光雷达的SLAM，建立环境的平面地图，实现机器人定位和导航。专利(刘禹,柳贵东,邹伟,等.基于射频识别技术的自动巡检机器人系统.2005.)通过建立由多个射频识别设备组成的系统，实现巡检机器人自主导航。文献(刘伟军,董再励,郝颖明,等.基于立体视觉的移动机器人自主导航定位系统[J].高技术通讯,2001,11(10):91-94.)采用双目立体视觉SLAM，完成对环境建图，并根据实时计算出的机器人位姿，导引其向目标移动。综上所述，目前的狭闭空间巡检机器人通常采用架设线缆或者轨道引导方式，利用SLAM构建地图或者射频识别方式，实现其运动导航。但是，上述方式在矿井巷道中不易实施，存在基站布局复杂、设备成本高、算法复杂且耗时，易受环境光照条件及噪声影响等问题。考虑到无人机结构紧凑、轻巧可靠，不受巷道地面地形条件限制，可以稳定飞行，并搭载相机等设备实现巷道巡检。此外，采用无人机实现巷道巡检，可以避免架设轨道和额外的巷道施工，省时、高效、巡检成本低。因此如何对巷道巡检无人机系统进行导航是本行业所要解决的问题。

发明内容

本发明提供一种基于机器视觉的巷道巡检无人机系统及导航方法，采用单目相机拍摄得到的巷道环境图像信息及超声波距离传感器的反馈信息对无人机在巷道巡检时的实时导航，无需采用SLAM构建地图，降低了巡检导航方法的计算复杂性，削弱了光照不均等噪声对导航精度的影响。

为了实现上述的目的，本发明采用如下的技术方案：

一种基于机器视觉的巷道巡检无人机系统，包括无人机载体、超声波距离传感器、控制板、单目相机、机载处理器、飞行控制器和照明灯；所述超声波距离传感器分别安装在巡检无人机的上、下、左、右、前、后六个方向，所有的超声波距离传感器通过RS485总线和控制板相连，获取与巷道边界的距离信息；所述控制板通过USART收发器与无人机飞行控制器相连；所述单目相机通过USB接口，连接无人机机载处理器，实时获取和处理图像，并计算无人机偏航角；所述机载处理器通过USART收发器与无人机飞行控制器相连，实时更新无人机的航向信息，调整其位姿；所述照明灯安装在无人机载体的正前方，实现单目相机的光照补偿，改善获取图像质量。

一种基于机器视觉的巷道巡检无人机系统导航方法，包括如下步骤：

步骤1)建立巷道巡检无人机系统；

步骤2)结合步骤1)所构建的巷道巡检无人机系统，建立单目相机的小孔成像模型，并对相机参数进行标定；

步骤3)根据单目相机获得的巷道环境图像，提取巷道中的管道轮廓信息，判定巡检无人机的偏航角；

步骤4)根据超声波距离传感器的检测信息，判定巡检无人机与巷道边界和障碍物的距离；

步骤5)根据获取的巡检无人机位置信息，实施其航向调节。

进一步，所述步骤2)的具体过程为：

21)采用单目相机采集棋盘格标定板图像；

22)对相机参数进行标定，获得相机内参矩阵

和畸变向量V_dist＝[k_tan1 k_tan2 k_tan3 q_rad1 q_rad2]；其中，f_x、f_y分别表示单目相机在X和Y方向上的焦距，(c_x,c_y)表示单目相机主光轴在像素坐标系下的坐标，k_tan1、k_tan2、k_tan3为单目相机切向畸变系数，q_rad1、q_rad2为单目相机径向畸变系数；

进一步，所述步骤3)的具体步骤为：

31)将单目相机采集的巷道RGB图像，沿竖直方向分割成

张小图，记RGB图像中某一像素的值为r、g、b，转换到HSV颜色空间之后的像素值为h,s,v。对r、g、b归一化为r′＝r/255,g′＝g/255,b′＝b/255，中间变量

C_max＝max(r′,g′,b′)、C_min＝min(r′,g′,b′)、Δ＝C_max-C_min，

v＝C_max；遍历RGB图像上所有的像素点，采用上述公式能够转换到HSV颜色空间；

32)在H、S、V三个颜色通道上选择合适的阈值对图像进行阈值化处理，得到相应的二值图。该阈值满足能够使符合管道颜色特征的像素值为255，其余像素值为0；

33)采用Canny算法，检测二值图中的边缘轮廓，得到满足颜色特征的轮廓；

34)设轮廓面积与其最小包围矩形面积之比的阈值为0.8；根据该阈值，对所有的轮廓进行判定，剔除非管道轮廓，得到满足颜色特征的管道轮廓，且数量记为N₂，若N₂小于2，则返回步骤3)；

35)记m∈[0,N₂)；矩形ABCD为第m个管道轮廓最小外接矩形，A、B、C、D为矩形顶点，E为矩形中心点，对角线所在直线为l_1m:y＝k_1mx+b_1m和l_2m:y＝k_2mx+b_2m，k_1m和k_2m为对角线斜率，b_1m和b_2m为对角线在y轴上的截距；点集UP_m、DOWN_m为第m个管道轮廓在△ADE、△BCE所包围区域内的像素点集合，△ADE为由A、D、E围成的三角形，△BCE为由B、C、E围成的三角形；记p(x_mj,y_mj)为第m个管道轮廓上第j个像素点，S_m为第m个管道轮廓上的像素点规模，则遍历第m个管道轮廓上的所有像素点，

有

(0≤j<S_m)，得到像素点集UP_m和DOWN_m；

36)采用最小二乘法，拟合得到像素点集UP_m和DOWN_m所对应的直线l_upm:y＝k_umx+b_um和l_downm:y＝k_dmx+b_dm，其中，k_um和k_dm分别表示直线l_upm和l_downm的斜率，b_um和b_dm分别表示直线l_upm和l_downm在y轴上的截距；以像素点集UP_m所对应的直线l_upm为例，记p_um(x_mi,y_mi)，0≤i<S_pm为UP_m像素点集中的第i个像素点，S_pm为相应像素点集规模，其在直线l_upm上的误差函数，记为E_mi＝y_mi-(k_umx_mi+b_um)，根据最小化代价函数

计算得到直线l_upm的斜率k_um和截距值b_um；

37)记第m个管道轮廓所对应直线l_um和l_dm之间的斜率差绝对值为e_m＝|k_um-k_dm|，根据e_m的大小对N₂个管道轮廓依次做升序排列，记其序值为k＝sort(e_m)，且有k|_miniem＝0；选取k＝1的管道轮廓，假设其对应的斜率差绝对值为e_M，记阈值ε为直线l_upm和l_downm的平行度，若满足e_M>ε，则返回步骤3)；

38)对k＝0和k＝1的两个管道轮廓，分别计算其中心点C₀(x_c0,y_c0)和C₁(x_c1,y_c1)，和中心点到相机光心的距离L₀、L₁，以及C₀和C₁在相机坐标系下的真实坐标P₀和P₁；

39)设O-XYZ为相机坐标系，在该坐标系中，管道所在向量为

相机光轴单位向量为

两者夹角为

进而得到偏航角

W为单目相机采集图像的图像宽度(图像宽度以水平像素值计)。

进一步，所述步骤38)的具体步骤为：

381)计算中心点C₀(x_c0,y_c0)和C₁(x_c1,y_c1)，以k＝0的管道轮廓为例，其中心点坐标满足

假设一条穿过中心点C₀的线段，与直线l_upm和l_downm相交于像素点M(x_M0,y_M0)和N(x_N0,y_N0)，且满足以下约束：k_um*x_M0+b_um＝y_M0，k_dm*x_N0+b_dm＝y_N0，(y_M0-y_c0)/(x_M0-x_c0)＝(y_N0-y_c0)/(x_N0-x_c0)，选取具有最小线段长度

的点，记为M(x_M0,y_M0)和N(x_N0,y_N0)；同样，能够选取k＝1的管道轮廓相对应的像素点M(x_M1,y_M1)和N(x_N1,y_N1)；

382)对图像上任意一像素点p(x_i,y_i)，记其在相机归一化平面上的坐标为(x_n,y_n,1)，有x_n＝(x_i-c_x)/f_x，y_n＝(y_i-c_y)/f_y；对其进行径向和切向畸变矫正之后，得到矫正后的坐标为(x_cor,y_cor,1)，有

其中，

将矫正后的像素点重投影到图像平面上，得到畸变矫正之后的像素坐标为(x_rep,y_rep)，有x_rep＝f_xx_cor+c_x，x_rep＝f_yx_cor+c_y；

383)以M(x_M0,y_M0)和N(x_N0,y_N0)为例，代入步骤382)，得到其畸变矫正之后的像素坐标为M(x_Mrep0,y_Mrep0)和N(x_Nrep0,y_Nrep0)，进而得到相应线段长度为

k＝0的管道轮廓在单目相机小孔成像模型中，△EOF与△MON相似，则得到线段MN到相机光心的距离为L₀＝D/d_MN0，其中，D为巷道中通信或电力传输管道的直径；同样，代入M(x_M1,y_M1)和N(x_N1,y_N1)得到L₁；

384)求解C₀和C₁以及其在相机坐标系下的真实坐标P₀和P₁；已知任意一个像素点p(x_i,y_i)在相机归一化平面去畸变之后的坐标为(x_cor,y_cor,1)；中心点C₀在相机归一化平面去畸变之后的坐标为(x_cor0,y_cor0,1)，且该点到相机坐标系原点的距离为L₀；记其在相机坐标系下的真实坐标为P₀(X₀,Y₀,Z₀)，其同相机归一化平面上坐标缩放系数为

有X₀＝s₀x_cor0，Y₀＝s₀y_cor0，Z₀＝s₀；同样重复上述过程，中心点C₁在相机归一化平面去畸变之后的坐标为(x_cor1,y_cor1,1)，且该点到相机坐标系原点的距离为L₁；记其在相机坐标系下的真实坐标为P₁(X₁,Y₁,Z₁)，其同相机归一化平面上坐标缩放系数为

有X₁＝s₁x_cor1，Y₁＝s₁y_cor1，Z₁＝s₁。

与现有技术相比，本发明的采用单目相机拍摄图像得到巷道环境图像信息，实现快速、高效的巷道环境检测和飞行方向指导，能满足巡检无人机导航实时性要求，适用于矿井巷道等狭闭空间中用于危险因素检测的巡检无人机导航和避障。另外巷道巡检无人机系统可以避免在巷道中架设轨道施、安装激光雷达等设备，显著降低巡检机器人的导航成本，具有良好的可操作性；基于机器视觉的导航方法可以根据巷道的显著标志物实现无人机的飞行轨迹指导，有效克服巷道环境有限光照条件对导航精度的影响，计算复杂度低，能满足巷道等狭闭空间巡检的实时性要求。这种方式对实现矿井机器人化和智能化具有深远意义。

附图说明

图1是原始采集图像划分N₁示意图；

图2是提取管道上下边沿轮廓及拟合直线示意图；

图3是单目相机小孔成像原理图；

图4是巡检无人机偏航角计算原理图。

具体实施方式

下面结合附图对本发明做进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明所涉及的基于机器视觉的巷道巡检无人机系统为，无人机载体上的锂电池为整个系统提供动力来源；通电后，所有的部件进行初始化，包括无人机IMU初始化和机载处理器自启动等；初始化成功之后巡检无人机起飞并悬停到合适高度，机载处理器实时处理单目相机采集到的图像，检测巷道环境中的管道并计算偏航角，实时引导无人机进行巡检工作。

本专利采用基于视觉的巷道巡检无人机系统后，采用的导航方法如下：

步骤1)建立巷道巡检无人机系统；

步骤2)结合步骤1)所构建的巷道巡检无人机系统，建立单目相机的小孔成像模型，并对相机参数进行标定。具体步骤为：

21)采用单目相机采集棋盘格标定板图像；

22)对相机参数进行标定，获得相机内参矩阵

和畸变向量V_dist＝[k_tan1 k_tan2 k_tan3 q_rad1 q_rad2]。其中，f_x、f_y分别表示单目相机在X和Y方向上的焦距，(c_x,c_y)表示单目相机主光轴在像素坐标系下的坐标，k_tan1、k_tan2、k_tan3为单目相机切向畸变系数，q_rad1、q_rad2为单目相机径向畸变系数；

步骤3)根据单目相机获得的巷道环境图像，提取巷道中的管道轮廓信息，判定巡检无人机的偏航角。具体步骤为：

31)将单目相机采集的巷道RGB图像，沿竖直方向分割成

张小图，记RGB图像中某一像素的值为r、g、b，转换到HSV颜色空间之后的像素值为h,s,v。对r、g、b归一化为r′＝r/255,g′＝g/255,b′＝b/255，

中间变量C_max＝max(r′,g′,b′)、C_min＝min(r′,g′,b′)、Δ＝C_max-C_min，h＝

34)设轮廓面积与其最小包围矩形面积之比的阈值为0.8；根据该阈值，对所有的轮廓进行判定，剔除非管道轮廓，得到满足颜色特征的管道轮廓，且数量记为N₂，若N₂小于2，则返回步骤3；

35)记m∈[0,N₂)；如图1所示,矩形ABCD为第m个管道轮廓最小外接矩形，A、B、C、D为矩形顶点，E为矩形中心点，对角线所在直线为l_1m:y＝k_1mx+b_1m和l_2m:y＝k_2mx+b_2m，k_1m和k_2m为对角线斜率，b_1m和b_2m为对角线在y轴上的截距；点集UP_m、DOWN_m为第m个管道轮廓在△ADE、△BCE所包围区域内的像素点集合，△ADE为由A、D、E围成的三角形，△BCE为由B、C、E围成的三角形；记p(x_mj,y_mj)为第m个管道轮廓上第j个像素点，S_m为第m个管道轮廓上的像素点规模，则遍历第m个管道轮廓上的所有像素点，

有

(0≤j<S_m)，得到像素点集UP_m和DOWN_m；

计算得到直线l_upm的斜率k_um和截距值b_um；

37)记第m个管道轮廓所对应直线l_um和l_dm之间的斜率差绝对值为e_m＝|k_um-k_dm|，根据e_m的大小对N₂个管道轮廓依次做升序排列，记其序值为k＝sort(e_m)，且有

选取k＝1的管道轮廓，假设其对应的斜率差绝对值为e_M，记阈值ε为直线l_upm和l_downm的平行度，若满足e_M>ε，则返回步骤3)；

38)对k＝0和k＝1的两个管道轮廓，分别计算其中心点C₀(x_c0,y_c0)和C₁(x_c1,y_c1)，和中心点到相机光心的距离L₀、L₁，以及C₀和C₁在相机坐标系下的真实坐标P₀和P₁；具体过程为：

其中，

以k＝0的管道轮廓为例，在图3所示的单目相机小孔成像模型中，△EOF与△MON相似，则得到线段MN到相机光心的距离为L₀＝D/d_MN0，其中，D为巷道中通信或电力传输管道的直径；同样，代入M(x_M1,y_M1)和N(x_N1,y_N1)得到L₁；

有X₁＝s₁x_cor1，Y₁＝s₁y_cor1，Z₁＝s₁。

39)图2中，设O-XYZ为相机坐标系，在该坐标系中，管道所在向量为

相机光轴单位向量为

两者夹角为

进而得到偏航角

W为单目相机采集图像的图像宽度；

步骤5)根据获取的巡检无人机位置信息，实施其航向调节。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims

1.一种基于机器视觉的巷道巡检无人机导航方法，其特征是，包括如下步骤：

步骤1)建立巷道巡检无人机系统；所述巷道巡检无人机系统包括无人机载体、超声波距离传感器、控制板、单目相机、机载处理器、飞行控制器和照明灯；

所述超声波距离传感器分别安装在巡检无人机的上、下、左、右、前、后六个方向，所有的超声波距离传感器通过RS485总线和控制板相连，获取与巷道边界的距离信息；

所述控制板通过USART收发器与无人机飞行控制器相连；

所述单目相机通过USB接口连接无人机机载处理器，实时获取和处理图像，并计算无人机偏航角；

所述机载处理器通过USART收发器与无人机飞行控制器相连，实时更新无人机的航向信息，调整其位姿；

所述照明灯安装在无人机载体的正前方，实现单目相机的光照补偿；

步骤2)结合步骤1)所构建的巷道巡检无人机系统，建立单目相机的小孔成像模型，并对单目相机参数进行标定；

步骤3)根据单目相机获得的巷道环境图像，提取巷道中的管道轮廓信息，判定巡检无人机的偏航角，具体过程为：

31)将单目相机采集的巷道RGB图像，沿竖直方向分割成

张小图，W为单目相机采集图像的图像宽度；记RGB图像中某一像素的值为r、g、b，转换到HSV颜色空间之后的像素值为h,s,v；对r、g、b归一化为r′＝r/255,g′＝g/255,b′＝b/255，中间变量C_max＝max(r′,g′,b′)、C_min＝min(r′,g′,b′)、Δ＝C_max-C_min，

32)在H、S、V三个颜色通道上选择合适的阈值对图像进行阈值化处理，得到相应的二值图，该阈值满足能够使符合管道颜色特征的像素值为255，其余像素值为0；

34)设轮廓面积与其最小包围矩形面积之比的阈值为0.8；根据该阈值，对所有的轮廓进行判定，剔除非管道轮廓，得到满足颜色特征的管道轮廓，且数量记为N₂，若N₂小于2，则返回步骤31)；

35)记m∈[0,N₂)；设矩形ABCD为第m个管道轮廓最小外接矩形，A、B、C、D为矩形顶点，E为矩形中心点，对角线所在直线为l_1m:y＝k_1mx+b_1m和l_2m:y＝k_2mx+b_2m，k_1m和k_2m为对角线斜率，b_1m和b_2m为对角线在y轴上的截距；点集UP_m、DOWN_m为第m个管道轮廓在△ADE、△BCE所包围区域内的像素点集合，△ADE为由A、D、E围成的三角形，△BCE为由B、C、E围成的三角形；记p(x_mj,y_mj)为第m个管道轮廓上第j个像素点，S_m为第m个管道轮廓上的像素点规模，则遍历第m个管道轮廓上的所有像素点，

有

(0≤j<S_m)，得到像素点集UP_m和DOWN_m；

36)采用最小二乘法，拟合得到像素点集UP_m和DOWN_m分别所对应的直线l_upm:y＝k_umx+b_um和l_downm:y＝k_dmx+b_dm，其中，k_um和k_dm分别表示直线l_upm和l_downm的斜率，b_um和b_dm分别表示直线l_upm和l_downm在y轴上的截距；以像素点集UP_m所对应的直线l_upm为例，记p_um(x_mi,y_mi)，0≤i<S_pm为UP_m像素点集中的第i个像素点，S_pm为相应像素点集规模，其在直线l_upm上的误差函数，记为E_mi＝y_mi-(k_umx_mi+b_um)，根据最小化代价函数

计算得到直线l_upm的斜率k_um和截距值b_um；

37)记第m个管道轮廓所对应直线l_um和l_dm之间的斜率差绝对值为e_m＝|k_um-k_dm|，根据e_m的大小对N₂个管道轮廓依次做升序排列，记其序值为k＝sort(e_m)，且有k|_miniem＝0；选取k＝1的管道轮廓，假设其对应的斜率差绝对值为e_M，记阈值ε为直线l_upm和l_downm的平行度，若满足e_M>ε，则返回步骤31)；

38)对k＝0和k＝1的两个管道轮廓，分别计算其中心点C₀(x_c0,y_c0)和C₁(x_c1,y_c1)，和中心点到相机光心的距离L₀、L₁，以及C₀和C₁在相机坐标系下的真实坐标P₀和P₁，具体过程为：

381)计算中心点C₀(x_c0,y_c0)和C₁(x_c1,y_c1)，设k＝0的管道轮廓，其中心点坐标满足

的点，记为M(x_M0,y_M0)和N(x_N0,y_N0)；同样重复上述过程，能够选取k＝1的管道轮廓相对应的像素点M(x_M1,y_M1)和N(x_N1,y_N1)；

其中，

383)将M(x_M0,y_M0)和N(x_N0,y_N0)代入步骤382)，得到其畸变矫正之后的像素坐标为M(x_Mrep0,y_Mrep0)和N(x_Nrep0,y_Nrep0)，进而得到相应线段长度为

k＝0的管道轮廓在单目相机小孔成像模型中，△EOF与△MON相似，则得到线段MN到相机光心的距离为L₀＝D/d_MN0，其中，D为巷道中通信或电力传输管道的直径；同样重复上述过程，代入M(x_M1,y_M1)和N(x_N1,y_N1)得到L₁；

有X₁＝s₁x_cor1，Y₁＝s₁y_cor1，Z₁＝s₁；

39)设O-XYZ为相机坐标系，在该坐标系中，管道所在向量为

相机光轴单位向量为

两者夹角为

进而得到偏航角

W为单目相机采集图像的图像宽度；

步骤5)根据步骤3)和步骤4)获取的巡检无人机实时位置信息，实施其航向调节。

2.根据权利要求1所述的一种基于机器视觉的巷道巡检无人机导航方法，其特征是，所述步骤2)的具体过程为：

21)单目相机采用棋盘格标定板的方式采集图像；

22)对单目相机参数进行标定，获得相机内参矩阵

和畸变向量V_dist＝[k_tan1 k_tan2 k_tan3 q_rad1 q_rad2]；其中，f_x、f_y分别表示单目相机在X和Y方向上的焦距，(c_x,c_y)表示单目相机主光轴在像素坐标系下的坐标，k_tan1、k_tan2、k_tan3为单目相机切向畸变系数，q_rad1、q_rad2为单目相机径向畸变系数。