CN109936080B - 一种无人机巡检输电线路的方法 - Google Patents

Abstract

本发明提出了一种无人机巡检输电线路的方法，其步骤如下：将无人机的姿态控制器分为内环角速度控制器和外环角度控制器；将无人机的位置控制器设计为串行PID控制器；通过卡尔曼滤波进行数据融合获取无人机的竖直高度和水平位置；无人机自主起飞；无人机自主航线巡检；绝缘子串的采集和输电线路异物检测与定位；无人机自主返航降落。本发明提高了姿态解算结果的精度，有效提高了系统的抗干扰能力，使用卡尔曼滤波算法分别对气压计数据、GPS数据进行了数据融合滤波，提高了高度数据和水平位置数据的准确性；通过图像处理技术可以有效地对绝缘子串缺陷检测和定位，检测输电线路是否存在异物，由无人机及图像处理技术替代人力完成电力巡检。

Description

一种无人机巡检输电线路的方法

技术领域

本发明涉及输电线路巡检的技术领域，尤其涉及一种无人机巡检输电线路的方法。

背景技术

输电线路是电力系统中重要的组成部分，输电线路主要由线路杆塔、高压输电线、绝缘 子、线路金具等设备构成，架设在地面的电塔之上，主要作用是把电厂输入的电能经过变压 器增压之后输送给用电方。但我国幅员辽阔且地势复杂多样，输电线路多半常年暴露在野外 以及一些荒无人烟的地方，其中一些地方地势复杂自然环境恶劣，输电线路经受雨雪天气、 雷击等恶劣的天气以及鸟类在电塔上筑巢对输电线路造成的破坏以及形成的安全隐患，都是 导致电力系统发生故障的主要因素，一旦电力系统发生故障，会对人们的生活带来很多的不 方便也会导致巨大的经济损失。所以电力系统中输电线路的安全保障是必需的，必须定期的 检查和维护。

电力工人为了保障输电线路的安全，保障人们安全正常的使用家用电器，电力公司会制 定相应的计划，电力工人会定期的巡检输电线路，一般分为线上巡检和登杆巡检。但在一些 恶劣的环境下或是一些特殊的测量和巡检要求下，电力工人身穿防止电压伤害的工作服，在 高空测量一些指定数据以及观察电力器件是否受到损坏，比如输电线路异物，绝缘子串是否 有破损，线夹和接线管是否有异常发热，螺帽螺栓是否松动，以上这些工作都是需要几个工 作人员相互配合才能够安全有效的完成。

传统人工巡检输电线路的方式存在如下缺点：

1.高空作业难度太高。一些需要巡检的电力器件在高架线路上，而目前的高压塔大多在 十米以上，攀爬到如此高的高空中执行巡检的任务，对巡检人员的技术和心理素质都是很大 的考验。在一些恶劣的气候或险峻的地理环境下，即使对有经验的技术人员来说也是一个很 大的挑战。

2.高空巡检作业安全隐患比较多。在十几米的高空中长时间作业，巡检人员若是出现一 些意外状况如安全绳索断裂、注意力不集中、身体不适等都可能会造成人员的伤亡，给国家 单位家庭带来不可挽回的损失。

3.人力巡检精度不高。有些输电线路两端的高压塔相距非常远，巡检人员即使攀登高压 塔之后也只能用望远镜进行观看，由于在高压塔上无法多角度观察器件，光照等因素会导致 产生较大的误差，另外长时间用眼之后眼睛的疲劳也会造成巡检质量的降低。

4.人力成本太高。高空巡检不仅需要巡检人员，还需要地面上的工作人员提供安全支持 来给高空巡检人员提供安全保障。在一些复杂险恶的地势或需要巡检的目标较多时，甚至需 要几组工作人员巡检一处输电线路，很大程度上提高了人力成本。

5.人力巡检效率低下。传统人工巡检需要攀爬十几米的高压电塔，攀爬电塔本身就降低 巡检效率。另外在巡检过程中可能需要多角度的通过望远镜观察电力器件，导致巡检人员在 高空中需要来回的变换位置，这不仅降低了效率，也增加了安全隐患。

近几年随着科学技术的发展，国内外的电力部门和相关企业都在开展无人机巡检输电线 路方面的研究。无人机的英文简称为UAV(Unmanned Aerial Vehicle)，用无人机巡检代替电力 工人在地面或攀爬电塔用肉眼观察巡检有很多方面的好处，如下：

1.降低巡检难度。由于是无人机进行高空巡检作业，所以可以避免攀爬高空电塔等危险 系数高的动作，只需在地面操纵无人机飞行即可，对高压电塔上零部件以及输电线路的观测 可以在无人机上挂载摄像头和云台等设备，可以把无人机检测到的图像通过无线图传传输到 地面端的显示器上，可以清晰观测到一些因为距离和角度导致人眼无法观测到的细节。另外 一些高难度巡检作业任务也可以通过给无人机挂载特殊的外设来解决，如通过喷火器对输电 线路上的异物进行灼烧清除。

2.提高巡检效率。操作无人机进行巡检，避免电力巡检人员攀爬电塔，这已经是一种效 率的提高，电力巡检人员在高压电塔上很难多角度的观测被巡检的器件，而无人机巡检可以 很轻易的做到这一点，通过镜头的缩进能观察到比人力巡检更清晰的画面。

3.降低了人力成本。使用无人机进行输电线路的巡检能大幅度提高巡检效率，以往数组 巡检人员才能够巡检完成的输电线路，只需要一组人员控制飞行器和观察地面站就够了，降 低了人力成本。

发明内容

针对人力巡检方法高空作业难度大，巡检精度不高，成本大，效率低的技术问题，本发 明提出一种无人机巡检输电线路的方法，提高无人机姿态解算精度和抗干扰能力，由无人机 及图像处理技术替代人力完成电力巡检。

为了达到上述目的，本发明的技术方案是这样实现的：一种无人机巡检输电线路的方法， 其步骤如下：

步骤一：将无人机的姿态控制器分为内环角速度控制器和外环角度控制器，内环角速度 控制器为ADRC控制器，外环角度控制为角度PID控制器；将无人机的位置控制器设计为串 行PID控制器，对无人机在水平和竖直高度上的位置、速度、加速度进行控制；

步骤二：实时获取无人机的实际位置：通过卡尔曼滤波将加速度计获取的数据和气压计 获取的数据进行数据融合获取无人机的竖直高度；通过卡尔曼滤波将加速度计获取的数据和 GPS模块得到的位置信息进行数据融合获取无人机的水平位置；

步骤三：无人机自主起飞：将步骤二得到的竖直高度作为位置实际值传送至串级PID控 制器，将起飞的指定高度作为期望位置值，串级PID控制器调整无人机载竖直方向方向上的 位置、速度和加速度自动起飞到指定高度；

步骤四：无人机自主航线巡检：测量各个电塔的坐标并存储在一个数组中；依次读取数 组中的竖直高度或水平位置的位置信息作为期望位置，通过步骤二的卡尔曼滤波进行数据融 合得到的无人机的竖直高度或水平位置作为实际位置，串级PID控制器进行位置、速度、加 速度的PID控制，实现高度PID控制或水平位置PID控制；数组中的位置信息读取完毕，完 成航线飞行；

步骤五：绝缘子串的采集和输电线路异物检测与定位：无人机载杆塔上悬停10秒对电力 器件进行图像采集，进行预处理后传输至地面显示器；无人机上搭载的Openmv模块，实时 采集输电线路的图像并检测输电线路上是否有异物存在；

步骤六：自主返航降落：设定期望返航高度为10米，串级PID控制器进行高度PID控制； 将起飞前的初始坐标点作为水平位置的期望值，串级PID控制器进行水平位置控制，如果无 人机的实际水平位置和初始坐标点误差小于一定阈值，串级PID控制器进行高度PID控制， 若串级PID控制器持续检测到速度反馈值和加速度反馈值为0，则判定无人机降落至地面。

所述姿态控制器的角度期望值和角度实际值作差后传送至角度PID控制器的输入端，角 度PID控制器输出端的输出值作为期望和角速度测量单元的数据作差后传送到ADRC控制器 的进行控制。

所述串行PID控制器包括位置PID控制器、速度PID控制器和加速度PID控制器，加速 度计测量的数据即其积分计算出的速度和位置信息作为反馈分别与位置PID控制器、速度PID 控制器和加速度PID控制器的输入端相连接，位置期望值与位置PID控制器的输入端相连接， 位置PID控制器的输出值作为速度PID控制器的期望，速度PID控制器的输出值作为加速度 PID控制器的期望，加速度PID控制器的输出端与无人机的飞行控制器相连接，飞行控制器 的PWM输出值调整电机转速，从而调整在竖直方向或水平方向的位置、速度、加速度。

所述步骤二中通过卡尔曼滤波进行数据融合获取无人机的竖直高度的方法是：将加速度 计采集的数据作为状态量，气压计采集的数据作为观测量，基于卡尔曼滤波建立无人机竖直 高度的数学模型为：

状态方程：

观测方程：

其中，T₀为采样时间，s(k)为无人机在kT₀时刻的真实位置，x(k+1)为下一时刻的状态值，s(k+1)为下一时刻的真实位置，

和

分别表示当前时刻的速度和下一时刻的速度，y(k)为在kT₀时刻处气压计观测到的观测值；u(k)为竖直方向上的真实加速度， w(k)为加速度计本身的过程噪声，设过程噪声是零均值且方差为Q的白噪声，方差Q可通 过大量的加速度计的试验数据统计得到；

根据卡尔曼滤波算法对无人机竖直高度的数学模型进行求解：

预测过程：

x(k|k-1)＝Ax(k-1|k-1)+Bu(k)+Γw(k)，

P(k|k-1)＝AP(k-1|k-1)A^T+Q；

更新过程：

Kg(k)＝P(k|k-1)H^T/(HP(k|k-1)H^T+R)，

x(k|k)＝x(k|k-1)+Kg(k)(Z(k)-Hx(k|k-1))，

P(k|k)＝(I-Kg(k)H)P(k|k-1)；

其中，x(k|k-1)为系统下一时刻的预测结果，x(k-1|k-1)为系统上一时刻的最优估计 值；P(k|k-1)为预测结果x(k|k-1)对应的协方差，P(k|k)表示当前时刻协方差，A^T为矩 阵A的转置；x(k|k)为当前状态的最佳估计值，Z(k)为系统的观测值y(k)，R表示测量噪声方差；Kg(k)为系统当前时刻的卡尔曼增益，H^T为矩阵H的转置矩阵，I为单位矩阵， 且矩阵A、矩阵B、矩阵H分别为：

H＝[1 0]。

所述步骤二中通过卡尔曼滤波进行数据融合获取无人机的水平位置的方法是：将加速度 计采集的数据作为状态量，将GPS模块采集的GPS数据作为观测量，GPS数据包括位置和 速度信息，无人机在正东方向上位置的系统状态空间模型为：

其中，x_N(k)为系统当前在正东方向上的位置状态量，y_N(k)表示系统当前在正东方向 上的位置测量值，x_N(k+1)表示系统下一时刻在正东方向上的位置状态估计值；矩阵

矩阵

矩阵

m(k)为GPS数据中位置和速度的观 测噪声，设观测噪声是均值为零的白噪声，噪声的方差可以通过GPS数据的试验数据统计得到；利用卡尔曼滤波的融合滤波同理迭代更新正北方向上的位置数据；正东方向上的位置数 据融合与正北方向的计算方法相同。

所述串级PID控制器实现高度PID控制或水平位置PID控制的方法是：位置PID控制器 的期望值为设定的高度或水平位置、反馈值为步骤二中卡尔曼滤波后获得的高度值或水平位 置坐标；速度PID控制器的期望值为位置PID控制器的输出值、反馈值为加速度计获取数据 的转换坐标系后进行积分得到的速度；加速度PID控制器的期望值为速度PID控制器的的输 出值、反馈值为加速度计获取数据的转换坐标系后的数据。

所述步骤五中的预处理的方法是：把无人机搭载的摄像头拍摄的航拍图像从RGB格式转 换至LAB空间，并分割出B通道分量得到分割后的绝缘子串图像；对预处理后的绝缘子串 图像进行阈值分割和形态学运算滤波得到纯净绝缘子串图像的方法是：阈值分割：利用改进 的OTSU算法分别对绝缘子串图像和航拍图像的灰度图像进行阈值分割，得到分割后的前景 类图像；形态学运算滤波：将绝缘子串图像和航拍图像的灰度图像的前景类图像进行“与” 操作，然后对处理后的图像先进行开运算再进行闭运算得到纯净绝缘子串图像。

所述改进的OTSU算法的实现方法为：根据灰度平均值m_G把待处理整幅图像的像素点分 为S₁和S₂两部分，然后计算S₁和S₂的平均值分别为T₁和T₂，即：

其中，i表示灰度值，n_i表示灰度值为i的像素点数量；

在区间[T₁，T₂]上重新计算平均灰度值m：

其中，p_i表示像素点灰度值为i的概率、k表示分割阈值；

计算前景类和背景类的方差σ_k ²为：

遍历在[T₁，T₂]区间上所有的k值，得到最大方差的k值进行图像的阈值分割使前景类图像和 背景类图像的分割效果最好。

对纯净绝缘子串图像进行处理检测和定位破损绝缘子的方法为：

(1)遍历纯净绝缘子串图像中的所有像素点，采用最小二乘法拟合出绝缘子串所在的直 线L的方程；根据直线L的方程在纯净绝缘子串图像中绘制直线L；

(2)找到与直线L垂直的一条直线D，根据直线D上的像素点个数找到绝缘子串的起点和终点；

(3)根据绝缘子串起点和终点的距离计算出每个绝缘子的中心和与直线D上像素的个 数n，如果个数n小于破损缺陷阈值，则判定该绝缘子为破损，记录下该绝缘子的位置，若 个数n大于等于破损缺陷阈值，直线D的截距增加或者减小一个像素单位，继续扫描；

(4)显示绝缘子串上破损绝缘子的个数和位置。

所述Openmv模块对输电线路上异物的检测方法是：

S1：将无人机上航拍采集的输电线路图像转化为灰度图像，对灰度图像进行阈值分割， 输电线路的二值化图像；

S2：通过霍夫变换检测到二值化图像中的直线数量及所有直线的斜率的信息；

S3：对霍夫变换检测出的所有直线的斜率进行平均值滤波得到平均斜率，根据平均斜率 计算出旋转角度，根据旋转角度对二值化图像进行旋转，使得旋转后图像中的直线垂直于水 平方向；

S4：遍历旋转后图像中的所有像素点，计算白色像素点个数及每根输电线路上的白色像 素点的均值；然后遍历每一行，计算白色像素点数量，如若连续三行的白色像素点数量都低 于阈值，则判定当前行为异物的上边界；同理，求出异物在旋转后图像中的下边界，对异物 进行定位。

本发明的有益效果：(1)在搭建的巡检无人机平台上实现两种姿态解算算法，提高了姿 态解算结果的精度；对巡检无人机的姿态控制器进行改进，采用双闭环控制器，相较于传统 串级PID控制器，PID-ADRC控制器有效提高了系统的抗干扰能力。

(2)由于在高空中气压计数据易受到风力干扰，GPS数据精度不能达到电力巡检的要求， 使用惯性导航器件的数据作为状态量，使用卡尔曼算法分别对气压计数据、GPS数据进行了 数据融合滤波，提高了高度数据和水平位置数据的准确性。设计基于四旋翼无人机的电力巡 检方案，包括自主起飞、自动降落、航线飞行、检测物体识别拍照、图像处理等流程。

(3)巡检图像处理中，在绝缘子缺陷检测部分，对已有的最大类间方差算法进行改进优 化，减少算法的计算量，在图像处理过程中提高处理速度。对绝缘子串图像预处理、使用改 进后的OTSU算法阈值分割、形态学滤波处理，最后对缺陷检测和定位。在异物检测部分， 使用霍夫变换提取巡检图像中的输电线路，得到输电线路所在直线信息后对图像进行旋转以 及像素的填充，遍历图像，通过判断像素点个数是否达到阈值来检测输电线路是否存在异物。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术 描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一 些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些 附图获得其他的附图。

图1为本发明的结构示意图。

图2为本发明姿态控制器的原理图。

图3为本发明位置控制器的原理图。

图4为本发明无人机自主起飞的流程图。

图5为本发明无人机自主航线巡检的流程图。

图6为绝缘子串航拍图像的B通道图像。

图7为改机的OTSU算法对绝缘子串航拍图像的阈值分割的结果图，其中，(a)为绝缘 子串航拍图像的灰度图像，(b)为LAB空间的B通道图像。

图8为本发明形态学滤波的结果图，，其中，(a)为“与”运算的结果图，(b)为开、闭运算的结果图。

图9为本发明定位破损绝缘子的结果图，其中，(a)为绝缘子串的直线拟合示意图，(b) 为绝缘子串的起点和终点的结构示意图，(c)为定位每个绝缘子的中心点位置示意图，(d) 为定位破损绝缘子位置结果。

图10为本发明异物检测与定位的结果图，其中，(a)为输电线路的灰度空间图像，(b) 为输电线路的阈值分割结果图，(c)为旋转后的输电线路的图像，(d)为异物检测定位结果。

图11为本发明无人机自动返航降落的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

如图1所示，一种无人机巡检输电线路的方法，其步骤如下：

步骤一：将无人机的姿态控制器分为内环角速度控制器和外环角速度控制器，内环角速 度控制器为ADRC控制器，外环角速度控制为角度PID控制器；将无人机的位置控制器设计 为串行PID控制器，对无人机在水平和竖直高度上的位置、速度、加速度进行控制。

所述无人机为四旋翼飞行器，四旋翼飞行器的位置控制的基础是姿态控制，通过姿态控 制使飞行器完成导航坐标系中位置的变化。PID控制器是一种经典的控制理论，但传统的单 级PID适合线性系统，而四旋翼飞行器是一个非线性系统，所以本发明采用PID-ADRC控制 器进行姿态控制。ADRC(Active Disturbance Rejection Control)控制器即自抗扰控制器，相 较于传统的PID控制器，ADRC控制器继承了传统PID控制器脱离模型的优点，同时也对传 统PID控制器进行了改进，如增加了跟踪微分器，安排过渡过程，同时还可以得到给定信号 和其微分信号的跟踪信号；设计了扩张状态观测器实现系统总扰动(内扰动和外扰动)的估 计与补偿，从而进行控制量的动态补偿，消除各种扰动对系统稳定性的影响；非线性反馈控 制律是比传统的线性组合更有效的控制律。

本发明的姿态控制器分为内环角速度控制器和外环角度控制器，内环角速度控制器为 ADRC控制器，控制角速度，能够有效防止控制的风力干扰；外环角度控制器为角度PID控 制器，用来控制角度，总体框图如图2所示。所述姿态控制器的角速度期望值和角速度实际 值作为反馈传送至角度PID控制器的输入端，角度PID控制器的输出端的输出值作为期望和 ADRC控制器输出端的输出值作为反馈传送到ADRC控制器的输入端。角度PID控制器的输 出作为内环ADRC的输入，构成一个串级结构。利用本发明的姿态控制器进行角度控制所得 的反馈值和期望值基本相同。

位置控制器设计为串级PID控制器，对无人机在水平和竖直高度上的位置、速度、加速 度进行控制，控制器结构如图3所示。所述串行PID控制器包括位置PID控制器、速度PID 控制器和加速度PID控制器，加速度计测量的数据即其积分计算出的速度和位置信息作为反 馈分别与位置PID控制器、速度PID控制器和加速度PID控制器的输入端相连接，位置期望 值与位置PID控制器的输入端相连接，位置PID控制器的输出值作为速度PID控制器的期望， 速度PID控制器的输出值作为加速度PID控制器的期望，加速度PID控制器的输出端与无人 机的飞行控制器相连接，飞行控制器的PWM输出值调整电机转速，从而调整在竖直方向或 水平方向的位置、速度、加速度。相较于普通的位置控制，串级PID控制器同时对无人机当 前的位置、速度、加速度进行闭环控制，位置PID控制器所构成的闭环为位置环，速度PID 控制器所构成的闭环为位置环，加速度PID控制器所构成的闭环为加速度环，利用加速度计 数据及其积分计算出的速度和位置信息作为位置环、速度环、加速度环的PID控制器的反馈 值，同时位置环的输出作为速度环的期望，速度环输出则为加速度环的期望，以此构成的三 级闭环控制器，相较于单级PID位置控制器，能在很大程度上增强无人机在巡检过程中的抗 干扰能力。

步骤二：实时获取无人机的实际位置：通过卡尔曼滤波将加速度计获取的数据和气压计 获取的数据进行数据融合获取无人机的竖直高度；通过卡尔曼滤波将加速度计获取的数据和 GPS模块得到的位置信息进行数据融合获取无人机的水平位置。

卡尔曼滤波是基于模型的数据融合方法，所述步骤二中通过卡尔曼滤波进行数据融合获 取无人机的竖直高度的方法是：将加速度计采集的数据作为状态量，气压计采集的数据作为 观测量，基于卡尔曼滤波建立无人机竖直高度的数学模型为：

状态方程：

观测方程：

其中，T₀为采样时间，s(k)为无人机在kT₀时刻的真实位置，x(k+1)为下一时刻的状态 值，s(k+1)为下一时刻的真实位置，

和

分别表示当前时刻的速度和下一时刻的速 度，y(k)为在kT₀时刻处气压计观测到的观测值；u(k)为竖直方向上的真实加速度，w(k)为 加速度计本身的过程噪声，设过程噪声是零均值且方差为Q的白噪声，方差Q可通过大量的 加速度计的试验数据统计得到；

根据卡尔曼滤波算法对无人机竖直高度的数学模型进行求解：

预测过程：

x(k|k-1)＝Ax(k-1|k-1)+Bu(k)+Γw(k)，

P(k|k-1)＝AP(k-1|k-1)A^T+Q；

更新过程：

Kg(k)＝P(k|k-1)H^T/(HP(k|k-1)H^T+R)，

x(k|k)＝x(k|k-1)+Kg(k)(Z(k)-Hx(k|k-1))，

P(k|k)＝(I-Kg(k)H)P(k|k-1)；

其中，x(k|k-1)为系统下一时刻的预测结果，x(k-1|k-1)为系统上一时刻的最优估计 值；P(k|k-1)为预测结果x(k|k-1)对应的协方差，P(k|k)表示当前时刻协方差，A^T为矩 阵A的转置；x(k|k)为当前状态的最佳估计值，Z(k)为系统的观测值y(k)，R表示测量噪声方差；；Kg(k)为系统当前时刻的卡尔曼增益，H^T为矩阵H的转置矩阵，I为单位矩阵， 且矩阵A、矩阵B、矩阵H分别为：

H＝[1 0]。

所述步骤二中通过卡尔曼滤波进行数据融合获取无人机的水平位置的方法是：将加速度 计采集的数据作为状态量，将GPS模块采集的GPS数据作为观测量，使用卡尔曼滤波得到 较为精确的位置信息。在进入水平位置控制时，以无人机在导航系中的当前位置作为坐标原 点，对无人机在导航系中正东方向上的位置进行数据融合滤波，无人机在正北方向的位置数 据融合滤波与正东方向上的数据融合滤波过程相同。

将GPS数据中包括位置和速度信息作为观测值，无人机在正东方向上位置的系统状态空 间模型为：

其中，x_N(k)为系统当前在正东方向上的位置状态量，y_N(k)表示系统当前在正东方向 上的位置测量值，x_N(k+1)表示系统下一时刻在正东方向上的位置状态估计值；矩阵

矩阵

矩阵

m(k)为GPS数据中位置和速度的观 测噪声，设观测噪声是均值为零的白噪声，噪声的方差可以通过GPS数据的试验数据统计得到；利用卡尔曼滤波的融合滤波同理迭代更新正北方向上的位置数据；正东方向上的位置数 据融合与正北方向的计算方法相同。

在实际飞行中，在无人机底部系上绳子连接在重物上，防止数据融合时出错导致无人机 失控，造成人身财产的损失。在无人机飞行中，机载的数传模块和地面电脑端进行无线传输， 使用地面站软件查看竖直高度融合效果，并导出气压计的高度观测值和卡尔曼滤波数据融合 滤波后的高度估计值，在MATLAB上作图显示，竖直高度上气压计观测高度与气压计数据 和惯性导航数据经过卡尔曼数据融合后的高度，可以观察到气压计原始数据观测到的高度存 在很大的噪声，不利于后续的高度控制，经过卡尔曼数据滤波后的高度数据更加接近真实高 度，且过滤掉了噪声扰动，较气压计原始数据观测出的高度值更可信。

正北方向上的GPS数据与惯性导航传感器数据的融合效果作图，标记GPS观测位置与 GPS数据和惯性导航数据经过卡尔曼滤波数据融合后的高度的曲线，可以观察到GPS原始数 据观测到的位置存在较大的噪声，在四旋翼飞行器高速运动时会出现较大的误差，不能直接 用于电力巡检的位置控制中，经过卡尔曼数据滤波后的位置数据更加接近真实位置，且过滤 掉了噪声扰动，较GPS原始数据观测出的位置观测值更可信。

步骤三：无人机自主起飞：将步骤二得到的竖直高度作为位置实际值传送至串级PID控 制器，将起飞的指定高度作为期望位置值，串级PID控制器调整无人机载竖直方向方向上的 位置、速度和加速度自动起飞到指定高度。

在无人机中设计自主起飞模块，无人机在收到起飞指令自动起飞到指定高度，在GPS模 块精度足够的情况下也可以自动起飞到指定水平位置。如图4所示，在起飞阶段，无人机自 动起飞到设定位置。无人机在解锁之后根据当前时刻的气压计数据，计算出气压计观测高度。 同时把加速度计数据进行坐标系转换，从载体系转换到导航系，通过对导航系下的加速度计 数据进行积分得到高度的状态量，进行卡尔曼滤波后得到无人机的真实高度。判定无人机高 度是否达到设定的高度，若达到，则重新进行上述高度检测。若未达到，则对无人机竖直方 向上的位置、速度、加速度进行控制。

在对无人机的高度进行控制时采用了串级PID控制器，即对竖直方向上的高度、速度、 加速度进行PID控制，进行高度控制时位置环为高度环。高度环PID控制器的期望值即设定 的高度，反馈值为卡尔曼滤波后的高度值。速度环PID控制器的期望值为高度环的输出值， 反馈值为加速度计数据转换坐标系后进行积分得到的速度。加速度环PID控制器的期望值为 速度环的输出，反馈值为加速度计转换坐标系后的数据。通过调整飞行控制器的PWM输出 值来调整电机转速，进而调整四旋翼无人机在竖直方向上的位置、速度、加速度。竖直方向 上的位置变化后重新采集计算气压计观测高度和惯性导航器件的积分高度，并开始下次控制。 图4为无人机自动起飞到指定位置的流程图。

步骤四：无人机自主航线巡检：测量各个电塔的坐标并存储在一个数组中；依次读取数 组中的竖直高度或水平位置的位置信息作为期望位置，通过步骤二的卡尔曼滤波进行数据融 合得到的无人机的竖直高度或水平位置作为实际位置，串级PID控制器进行位置、速度、加 速度的PID控制，实现高度PID控制或水平位置PID控制；数组中的位置信息读取完毕，完 成航线飞行。

所述串级PID控制器实现高度PID控制或水平位置PID控制的方法是：位置PID控制器 的期望值为设定的高度或水平位置、反馈值为步骤二中卡尔曼滤波后获得的高度值或水平位 置坐标；速度PID控制器的期望值为位置PID控制器的输出值、反馈值为加速度计获取数据 的转换坐标系后进行积分得到的速度；加速度PID控制器的期望值为速度PID控制器的的输 出值、反馈值为加速度计获取数据的转换坐标系后的数据。

在巡检无人机自动起飞到指定位置后，开始进入航线模式，依次对电塔坐标进行巡检。 事先测量好电塔坐标，记录在一个数组X中。在GPS数据(搜到的卫星数量以及数据精度) 达到要求以后，巡检无人机自主起飞到指定高度，然后切换到巡检模式，这时在高度控制的 基础上加入了位置控制。

如图5所示，设定的高度和经纬度作为竖直方向和水平方向上的期望值，进行位置、速 度、加速度的串级PID控制。GPS数据和加速度计得到的位置、速度数据进行卡尔曼数据融 合，得到巡检无人机在导航坐标系中的实际位置，作为水平方向位置和速度的反馈值，位置 环的输出值作为速度环的期望值。加速度环PID控制器的期望值为速度环的输出值，加速度 计数据进行坐标系转换后的值作为控制器的反馈值。依次对数组X中的数据(竖直高度、水 平位置)进行读取，作为期望位置对四旋翼无人机进行控制，使之完成航线飞行。在杆塔上 空悬停10秒进行电力器件图像的采集，并进行图像处理。

步骤五：绝缘子串的采集和输电线路异物检测与定位：无人机载杆塔上悬停10秒对电力 器件进行图像采集，进行预处理后传输至地面显示器；无人机上搭载的Openmv模块，实时 采集输电线路的图像并检测输电线路上是否有异物存在。

在无人机巡检过程中，虽然可以由巡检人员控制拍摄角度，但由于成像、记录、传输系 统等因素，依然存在严重的图像退化现象，导致对航拍图像中的目标进行提取分析较为困难。 所以在对航拍图像分析前需要进行图像的预处理，这一步骤的效果好坏程度也会影响之后绝 缘子缺陷检测定位的效果。无人机上搭载的摄像头正常拍摄的航拍照片是RGB格式，但由于 在户外拍摄时光照条件不断在变化，并且无人机的拍摄角度也会导致光照的不同，所以在图 像处理中不适合用RGB格式的图像。本发明采用的是LAB空间图像进行图像处理，L通道 表示亮度，取值范围为[0,100]，表示从黑色到白色；A通道表示从绿色到红色，取值范围为 [-128,127]；B通道分量表示从蓝色到黄色，取值范围是[-128,127]。光照变化只会对L通道产 生影响，对A通道和B通道两个颜色通道无影响。

所述步骤五中的预处理的方法是：把无人机搭载的摄像头拍摄的航拍图像从RGB格式转 换至LAB空间，并分割出B通道分量得到分割后的绝缘子串图像；由于玻璃绝缘子串多为 蓝色，提取航拍图像的B通道经行分析可以很好地分割出绝缘子串图像。把航拍图像从RGB 格式转换至LAB空间后，分割出B通道分量，如图6所示。

对预处理后的绝缘子串图像进行阈值分割和形态学运算滤波得到纯净绝缘子串图像的方 法是：阈值分割：利用改进的OTSU算法分别对绝缘子串图像和航拍图像的灰度图像进行阈 值分割，得到分割后的前景类图像；形态学运算滤波：将绝缘子串图像和航拍图像的灰度图 像的前景类图像进行“与”操作，然后对处理后的图像先进行开运算再进行闭运算得到纯净 绝缘子串图像。

最大类间方差法OTSU是由日本学者在1979年提出，也被称为OTSU算法或大津法。在图像处理过程中，经常把图片从灰度空间转换成二值图，常用的有迭代法和OTSU算法。巡检图像中绝缘子串一般与其他物体差异较大，所以处理巡检图像一般采用后者，OTSU算法根据灰度图片中各灰度级像素的数量和概率来计算方差，并确定最佳的分割阈值来分割前 景和背景。

假设航拍图像灰度化后是由M×N像素点矩阵组成的图像，共有L个灰度级，n_i表示图 像中灰度值为i的像素点的个数，可以得到：M×N＝n₀+n₁+n₂+…+n_L-1。

假设由计算得到的分割阈值为k，p_i是灰度值为i的像素点数量所占的比例，灰度值小于 k的为前景类C₁，灰度值大于k的归类为C₂，即C₁＝[0,k]，C₂＝[k+1,L-1]，像素点属于前 景类C₁的概率为P₁(k)，属于背景类C₂的概率为P₂(k)，其中P₁(k)和P₂(k)的关系为：

前景类C₁中所有像素点的灰度平均值设为m₁(k)，p(i/C₁)表示前景类C₁中灰度值为i的 概率，且：

根据贝叶斯公式可知，上式可以简化为：

同理可得背景类C₂的灰度平均值为：

设所有像素点的灰度平均值为m_G，则有：

前文假设分割阈值为k，所以设前景类和背景类的方差用σ_k ²表示，根据上述公式可得：

在运行中对k的取值进行遍历(取值范围为[0,255])，记录下方差σ_k ²最小时的k值，则此 时k为最佳的图像分割阈值，使用k作为分割阈值实现OTSU算法，使得前景类和背景类的 分割效果最好。

以上为经典的OTSU算法，但在实际应用中由于其需要对k值进行遍历，需要消耗大量 的计算时间，所以提出一种对OTSU算法改进的阈值分割算法，对原有方法进行了优化，在 保有最佳阈值不变的情况下减少了计算量。

所述改进的OTSU算法的实现方法为：根据灰度平均值m_G把待处理整幅图像的像素点分 为S₁和S₂两部分，然后计算S₁和S₂的平均值分别为T₁和T₂，即：

其中，i表示灰度值，n_i表示灰度值为i的像素点数量。

在区间[T₁，T₂]上重新计算平均灰度值m：

其中，p_i表示像素点灰度值为i的概率、k表示分割阈值。

计算前景类和背景类的方差σ_k ²为：

遍历在[T₁，T₂]区间上所有的k值，得到最大方差的k值进行图像的阈值分割使前景类图 像和背景类图像的分割效果最好。使用改进的OTSU算法，分别对绝缘子串航拍图像的灰度 图像和LAB空间的B通道图像阈值分割，得到分割出的前景类图像如图7(a)和(b)所示。

本发明改进的OTSU算法与原先OTSU算法在全部灰度级上搜索，很大程度上减小了计 算量。为了对比验证算法改进的OTSU算法的效果，在Visual studio环境下采用Opencv库对 改进的OTSU算法进行实现，给出灰度图像和B通道图像的处理结果，实验数据如表1所示。

表1数据比较

数学形态学包括了二值化图像的腐蚀、膨胀，开运算，闭运算，“与”运算这几个基本 运算。腐蚀处理的主要功能有消除噪声和分割出独立元素，求出图像中局部最小值。膨胀的 作用和腐蚀相反。开运算是先腐蚀后膨胀的运算，一般用于消除小物体。而闭运算相反，先 膨胀后腐蚀，一般用于添补小型漏洞。“与”运算一般用于综合两幅图像来消除干扰。

设I(i,j)和M(i,j)分别为进行“与”运算的两幅基本图像，即B通道图像和灰度空间图 像，W和H为图像每行每列的像素点个数。R(i,j)为进行“与”操作后得到的图像。对于OTSU算法分割B通道和灰度空间得到图像进行“与”操作，如图8(a)所示。

膨胀运算和腐蚀运算首先需要定义一个目标元素，然后将该目标元素在图像中有规律性 的移动，在移动过程中令目标元素与原图像做相应的逻辑运算，以达到图像形态学处理的目 的。

设目标元素S和图像A是定义在Z²上的两个集合，S属于A，把腐蚀操作记为AΘS。令目标元素S在A平面上移动，在当前位置若S集合中的元素全部在A平面对应位置，则满足 该条件的点的集合即为S对A进行腐蚀运算的结果为：

和腐蚀运算操作对应，膨胀运算令和腐蚀运算操作对应，膨胀运算令目标元素S在A平 面上移动，在当前位置若有S集合中的元素落在A集合的范围内，则满足该条件的点的集合 即为S对A进行膨胀运算的结果为：

开运算操作为先进行腐蚀运算后进行膨胀运算，闭运算为先进行膨胀运算后进行腐蚀运 算。先作开运算消除噪声干扰，再作闭运算添补小漏洞，如图8(b)所示。

进过形态学滤波后得到纯净的绝缘子串图像，需要进行检测绝缘子串中玻璃绝缘子是否 存在破损、爆裂等缺陷，对存在缺陷的绝缘子位置进行定位以方便电力巡检人员进行更换或 者维修。经过预处理、阈值分割和形态学运算滤波后的纯净绝缘子串图像，绝缘子串为白色 像素点(值为255)，其他的无关元素全部为黑色像素点(值为0)，因此纯净的绝缘子串图像 为二值图像。对纯净绝缘子串图像进行处理检测和定位破损绝缘子的方法为：

(1)遍历纯净绝缘子串图像中的所有像素点，采用最小二乘法拟合出绝缘子串所在的直 线L的方程；根据直线L的方程在纯净绝缘子串图像中绘制直线L。

在绝缘子串所处的二值图像中，以左上角作为坐标原点，向右为X轴正方向，向下为Y 轴正方向建立坐标系。以该坐标系为基础，遍历整个二值图像上的像素点，把像素点值255 (白色)的像素点即绝缘子串的坐标存入数组X1。遍历结束后，进行直线拟合。对该数组里 所有的坐标使用最小二乘法，计算得出绝缘子串所在直线L的直线方程。首先假设直线L的 方程为：y＝bx+a。其中，b为斜率，a为截距。

最小二乘法拟合出直线的原理为把所有观测点的数据(x_j,y_j),j＝1,2...N代入直线L的直 线方程，使之达到最小值，继而求出最佳估计值

和

并可以得到拟合出的直线L方程。根 据直线L的方程，在二值图像中绘制出直线L，如图9(a)所示。

(2)找到与直线L垂直的一条直线D，根据直线D上的像素点个数找到绝缘子串的起点和终点。

在上一步的坐标系中，直线D和直线L垂直，已知直线L的斜率，可以求得直线D的斜率。起点和终点的阈值为

设直线D过零点，然后遍历数组X1，若坐标在直线D上的元素超过指定阈值Ave_threshold，则直线D和直线L的交点 即为起点，若不符合，则直线D的截距加一，继续重复上一步操作，直到扫描出绝缘子串的 起点为止。找终点的方法和找起点一样，只不过直线D反向扫描(截距减一)，直到找到终 点为止。图9(b)为找到绝缘子串的两个端点。

(3)根据绝缘子串起点和终点的距离计算出每个绝缘子的中心和与直线D上像素的个 数n，如果个数n小于破损缺陷阈值，则判定该绝缘子为破损，记录下该绝缘子的位置，若 个数n大于等于破损缺陷阈值，直线D的截距增加或者减小一个像素单位，继续扫描。

已知绝缘子的固定数量和起点终点坐标，且等距分布，由上可得出每个绝缘子(包括破损爆裂的绝缘子)的中心，如图9(c)所示。破损缺陷阈值为

j＝1、2...N。计算直线D经过这些点时，数组X1 中符合阈值imp_threshold的绝缘子像素点坐标的数量num(j)，若未达到阈值，则为破损爆 裂的绝缘子。

(4)显示绝缘子串上破损绝缘子的个数和位置。

由于知道每个绝缘子中心点的坐标，所以计算第三步若检测出破损的绝缘子，则直接把 该绝缘子的位置计入数组，并且破损个数加一，最后输出绝缘子位置如图9(d)所示，输出 总破损的绝缘子个数。

在巡线过程中，从一个电塔坐标到下一个电塔坐标之间，由四旋翼无人机上搭载的 Openmv模块，进行实时采集图像并检测输电线路上是否有异物存在。首先需要对Openmv进行配置，主要分为硬件配置和驱动初始化两部分：

硬件部分：根据巡检无人机和输电线路的相对巡检高度设置配置镜头焦距，openmv模块 搭载在巡检无人机底部，通过串口和四旋翼无人机进行通信。

软件部分：首先导入sensor、image等模块。使用上述模块中的函数分别初始化相机传感 器、设置图像的分辨率高度和宽度、设置相机模块的像素模式、使用相机拍摄照片、软件矫 正相机镜头的鱼眼效果等一系列软件配置操作。

所述Openmv模块对输电线路上异物的检测方法是：

S1：将无人机上航拍采集的输电线路图像转化为灰度图像，对灰度图像进行阈值分割， 输电线路的二值化图像。

经过初始化后的相机拍摄到的输电线路图像为RGB格式，需要转化为灰度图像减小图像 处理时的计算量，方便后续处理。转换到灰度空间后的图像如图10(a)所示。将航拍图像 从RGB格式转换到灰度图后，进行阈值分割，相较于之前的绝缘子串的阈值分割，输电线路 图像的阈值分割较为简单，直接对灰度空间图像进行阈值分割，经测试得到输电线路的阈值， 在阈值分割过程中令输电线路为白色(值为255)，其他像素点值为黑色(黑色)，得到输电 线路的二值化图像如图10(b)所示。

S2：通过霍夫变换检测到二值化图像中的直线数量及所有直线的斜率的信息。

经过阈值分割，图10(b)中只剩下由黑色像素点组成的输电线路，为了得到输电线路 所在直线的信息，如数量、倾角等，需要对下图进行霍夫直线变换，霍夫直线变换原理如下：

一条直线在二维图像空间中由两个变量组成，在笛卡尔坐标系中使用斜率和截距(k,b)来 表示，而在极坐标系中使用极径和极角(ρ,θ)表示。在霍夫变换中使用极坐标系的表达形式 来进行计算，直线的表达形式为：

对上式化简可得：

r＝x cosθ+y sinθ

将经过点(x₀,y₀)的直线定义为：

r_θ＝x₀ cosθ+y₀ sinθ

上式中的每个(r_θ,θ)都代表一条经过(x₀,y₀)的直线。若在极坐标系中绘制出所有通过点 (x₀,y₀)的直线，则得到一条正弦曲线。如果有两个点，绘制出经过这两点的所有直线，两个 曲线的交点(r₁,θ₁)表示同时经过这两点的曲线。同理，对图像上所有的像素点进行上述操作， 越多的曲线交于一点，则该交点表示的直线经过了越多的点。设定一个阈值，若交于一点的 曲线量超过此阈值，则判定该交点(r_θ,θ)在原图像中为一条直线。

由霍夫直线变换可以检测到航拍图像中的直线数量以及斜率等信息，用于接下来的异物 检测和定位。

S3：对霍夫变换检测出的所有直线的斜率进行平均值滤波得到平均斜率，根据平均斜率 计算出旋转角度，根据旋转角度对二值化图像进行旋转，使得旋转后图像中的直线垂直于水 平方向。

由霍夫变换检测出航拍图像中的所有直线(即输电线路)后，得到图像中所有直线的斜 率，根据所有直线的斜率对图像进行旋转，使图像中的直线垂直于水平方向，方便后续计算， 如下图。在旋转图像之前，需要得到旋转的角度(和图像中直线的斜率相关)，需要对霍夫 变换检测出的所有直线的斜率进行平均值滤波，根据平均斜率计算出角度并旋转图像，得到 的图像如图10(c)。

在图像旋转中用到了仿射变换的原理，仿射变换是二维平面中一种重要的变换方法，其 保持了二维图像的平直性(直线变换后依然是直线，平行线依然是平行线且直线上点的位置 顺序不变)。图像的旋转实质上是一种线性变换，即：

T₁＝A·X

其中，A₁表示转换矩阵，X₁中的[x y]^T表示原二维图像的像素坐标，T₁表示转换后的像素坐标。其中，a₀₀，a₀₁，a₁₀，a₁₁的取值为：

其中，cθ为cosθ，sθ为sinθ的简写。

S4：遍历旋转后图像中的所有像素点，计算白色像素点个数及每根输电线路上的白色像 素点的均值；然后遍历每一行，计算白色像素点数量，如若连续三行的白色像素点数量都低 于阈值，则判定当前行为异物的上边界；同理，求出异物在旋转后图像中的下边界，对异物 进行定位。

在航拍图像中的直线旋转到竖直方向后，则开始对图像中的异物进行检测。首先遍历图 像中所有像素点，计算白色像素点个数以及每根输电线路上的白色像素点的均值。然后遍历 每一行，计算白色像素点数量，如若连续三行的白色像素点数量都低于阈值，则判定当前行 为异物的上边界。同理可以求出异物在图像中的下边界。由上述方法判定航拍图像中的输电 线路上是否存在异物，并对异物进行定位，检测定位结果如图10(d)所示。

步骤六：自主返航降落：设定期望返航高度为10米，串级PID控制器进行高度PID控制； 将起飞前的初始坐标点作为水平位置的期望值，串级PID控制器进行水平位置控制，如果无 人机的实际水平位置和初始坐标点误差小于一定阈值，串级PID控制器进行高度PID控制， 若串级PID控制器持续检测到速度反馈值和加速度反馈值为0，则判定无人机降落至地面。

在无人机完成航线飞行之后，进入返航模式，返航至初始起飞坐标点并自动降落。自动 返航降落流程图如图11所示。在巡检无人机起飞之前保存当前GPS数据，即经纬度。在完 成巡线任务时，首先进行高度控制，设定期望返航高度为10米，达到返航高度后加入水平位 置控制，设置起飞前的初始坐标点作为水平位置的期望值。当前时刻的水平位置和初始起飞 位置误差小于一定阈值的时候，判定返航到初始起飞位置，开始进行竖直高度控制。在自动 下降的高度控制里，只使用了速度控制和加速度控制的串级PID，速度环PID控制器的期望 值为设定的下降速度，反馈值为加速度计数据转换坐标系后的积分值。加速度环PID控制器 的期望值为速度环的输出值，反馈值为加速度计数据转换坐标系后的值。若持续检测到当前 速度反馈值和加速度反馈值为0，则判定四旋翼飞行器已经降落至地面。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原 则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无人机巡检输电线路的方法，其特征在于，其步骤如下：

步骤一：将无人机的姿态控制器分为内环角速度控制器和外环角度控制器，内环角速度控制器为ADRC控制器，外环角度控制为角度PID控制器；将无人机的位置控制器设计为串行PID控制器，对无人机在水平和竖直高度上的位置、速度、加速度进行控制；

步骤二：实时获取无人机的实际位置：通过卡尔曼滤波将加速度计获取的数据和气压计获取的数据进行数据融合获取无人机的竖直高度；通过卡尔曼滤波将加速度计获取的数据和GPS模块得到的位置信息进行数据融合获取无人机的水平位置；

步骤三：无人机自主起飞：将步骤二得到的竖直高度作为位置实际值传送至串级PID控制器，将起飞的指定高度作为期望位置值，串级PID控制器调整无人机在竖直方向方向上的位置、速度和加速度自动起飞到指定高度；

步骤四：无人机自主航线巡检：测量各个电塔的坐标并存储在一个数组中；依次读取数组中的竖直高度或水平位置的位置信息作为期望位置，通过步骤二的卡尔曼滤波进行数据融合得到的无人机的竖直高度或水平位置作为实际位置，串级PID控制器进行位置、速度、加速度的PID控制，实现高度PID控制或水平位置PID控制；数组中的位置信息读取完毕，完成航线飞行；

步骤五：绝缘子串的采集和输电线路异物检测与定位：无人机在杆塔上悬停10秒对电力器件进行图像采集，进行预处理后传输至地面显示器；无人机上搭载的Openmv模块，实时采集输电线路的图像并检测输电线路上是否有异物存在；

步骤六：自主返航降落：设定期望返航高度为10米，串级PID控制器进行高度PID控制；将起飞前的初始坐标点作为水平位置的期望值，串级PID控制器进行水平位置控制，如果无人机的实际水平位置和初始坐标点误差小于一定阈值，串级PID控制器进行高度PID控制，若串级PID控制器持续检测到速度反馈值和加速度反馈值为0，则判定无人机降落至地面。

2.根据权利要求1所述的无人机巡检输电线路的方法，其特征在于，所述姿态控制器的角度期望值和角度实际值作差后传送至角度PID控制器的输入端，角度P ID控制器输出端的输出值作为期望和角速度测量单元的数据作差后传送到ADRC控制器的进行控制。

3.根据权利要求1或2所述的无人机巡检输电线路的方法，其特征在于，所述串行PID控制器包括位置PID控制器、速度PID控制器和加速度PID控制器，加速度计测量的数据即其积分计算出的速度和位置信息作为反馈分别与位置PID控制器、速度PID控制器和加速度PID控制器的输入端相连接，位置期望值与位置PID控制器的输入端相连接，位置PID控制器的输出值作为速度PID控制器的期望，速度PID控制器的输出值作为加速度PID控制器的期望，加速度PID控制器的输出端与无人机的飞行控制器相连接，飞行控制器的PWM输出值调整电机转速，从而调整在竖直方向或水平方向的位置、速度、加速度。

4.根据权利要求1所述的无人机巡检输电线路的方法，其特征在于，所述步骤二中通过卡尔曼滤波进行数据融合获取无人机的竖直高度的方法是：将加速度计采集的数据作为状态量，气压计采集的数据作为观测量，基于卡尔曼滤波建立无人机竖直高度的数学模型为：

状态方程：

观测方程：

其中，T₀为采样时间，s(k)为无人机在kT₀时刻的真实位置，x(k+1)为下一时刻的状态值，s(k+1)为下一时刻的真实位置，

和

分别表示当前时刻的速度和下一时刻的速度，y(k)为在kT₀时刻处气压计观测到的观测值；u(k)为竖直方向上的真实加速度，w(k)为加速度计本身的过程噪声，设过程噪声是零均值且方差为Q的白噪声，方差Q可通过大量的加速度计的试验数据统计得到；

根据卡尔曼滤波算法对无人机竖直高度的数学模型进行求解：

预测过程：

x(k|k-1)＝Ax(k-1|k-1)+Bu(k)+Γw(k)，

P(k|k-1)＝AP(k-1|k-1)A^T+Q；

更新过程：

Kg(k)＝P(k|k-1)H^T/(HP(k|k-1)H^T+R)，

x(k|k)＝x(k|k-1)+Kg(k)(Z(k)-Hx(k|k-1))，

P(k|k)＝(I-Kg(k)H)P(k|k-1)；

其中，x(k|k-1)为系统下一时刻的预测结果，x(k-1|k-1)为系统上一时刻的最优估计值；P(k|k-1)为预测结果x(k|k-1)对应的协方差，P(k|k)表示当前时刻协方差，A^T为矩阵A的转置；x(k|k)为当前状态的最佳估计值，Z(k)为系统的观测值y(k)，R表示测量噪声方差；Kg(k)为系统当前时刻的卡尔曼增益，H^T为矩阵H的转置矩阵，I为单位矩阵，且矩阵A、矩阵B、矩阵H分别为：

H＝[1 0]。

5.根据权利要求4所述的无人机巡检输电线路的方法，其特征在于，所述步骤二中通过卡尔曼滤波进行数据融合获取无人机的水平位置的方法是：将加速度计采集的数据作为状态量，将GPS模块采集的GPS数据作为观测量，GPS数据包括位置和速度信息，无人机在正东方向上位置的系统状态空间模型为：

其中，x_N(k)为系统当前在正东方向上的位置状态量，y_N(k)表示系统当前在正东方向上的位置测量值，x_N(k+1)表示系统下一时刻在正东方向上的位置状态估计值；矩阵

矩阵

矩阵

m(k)为GPS数据中位置和速度的观测噪声，设观测噪声是均值为零的白噪声，噪声的方差可以通过GPS数据的试验数据统计得到；利用卡尔曼滤波的融合滤波同理迭代更新正北方向上的位置数据；正东方向上的位置数据融合与正北方向的计算方法相同。

6.根据权利要求3所述的无人机巡检输电线路的方法，其特征在于，所述串级PID控制器实现高度PID控制或水平位置PID控制的方法是：位置PID控制器的期望值为设定的高度或水平位置、反馈值为步骤二中卡尔曼滤波后获得的高度值或水平位置坐标；速度PID控制器的期望值为位置PID控制器的输出值、反馈值为加速度计获取数据的转换坐标系后进行积分得到的速度；加速度PID控制器的期望值为速度PID控制器的的输出值、反馈值为加速度计获取数据的转换坐标系后的数据。

7.根据权利要求1所述的无人机巡检输电线路的方法，其特征在于，所述步骤五中的预处理的方法是：把无人机搭载的摄像头拍摄的航拍图像从RGB格式转换至LAB空间，并分割出B通道分量得到分割后的绝缘子串图像；对预处理后的绝缘子串图像进行阈值分割和形态学运算滤波得到纯净绝缘子串图像的方法是：阈值分割：利用改进的OTSU算法分别对绝缘子串图像和航拍图像的灰度图像进行阈值分割，得到分割后的前景类图像；形态学运算滤波：将绝缘子串图像和航拍图像的灰度图像的前景类图像进行“与”操作，然后对处理后的图像先进行开运算再进行闭运算得到纯净绝缘子串图像。

8.根据权利要求7所述的无人机巡检输电线路的方法，其特征在于，所述改进的OTSU算法的实现方法为：根据灰度平均值m_G把待处理整幅图像的像素点分为S₁和S₂两部分，然后计算S₁和S₂的平均值分别为T₁和T₂，即：

其中，i表示灰度值，n_i表示灰度值为i的像素点数量；

在区间[T₁，T₂]上重新计算平均灰度值m：

其中，p_i表示像素点灰度值为i的概率、k表示分割阈值；

计算前景类和背景类的方差σ_k ²为：

遍历在[T₁，T₂]区间上所有的k值，得到最大方差的k值进行图像的阈值分割使前景类图像和背景类图像的分割效果最好。

9.根据权利要求7或8所述的无人机巡检输电线路的方法，其特征在于，对纯净绝缘子串图像进行处理检测和定位破损绝缘子的方法为：

(1)遍历纯净绝缘子串图像中的所有像素点，采用最小二乘法拟合出绝缘子串所在的直线L的方程；根据直线L的方程在纯净绝缘子串图像中绘制直线L；

(2)找到与直线L垂直的一条直线D，根据直线D上的像素点个数找到绝缘子串的起点和终点；

(3)根据绝缘子串起点和终点的距离计算出每个绝缘子的中心和与直线D上像素的个数n，如果个数n小于破损缺陷阈值，则判定该绝缘子为破损，记录下该绝缘子的位置，若个数n大于等于破损缺陷阈值，直线D的截距增加或者减小一个像素单位，继续扫描；

(4)显示绝缘子串上破损绝缘子的个数和位置。

10.根据权利要求1所述的无人机巡检输电线路的方法，其特征在于，所述Openmv模块对输电线路上异物的检测方法是：

S1：将无人机上航拍采集的输电线路图像转化为灰度图像，对灰度图像进行阈值分割，输电线路的二值化图像；

S2：通过霍夫变换检测到二值化图像中的直线数量及所有直线的斜率的信息；

S3：对霍夫变换检测出的所有直线的斜率进行平均值滤波得到平均斜率，根据平均斜率计算出旋转角度，根据旋转角度对二值化图像进行旋转，使得旋转后图像中的直线垂直于水平方向；

S4：遍历旋转后图像中的所有像素点，计算白色像素点个数及每根输电线路上的白色像素点的均值；然后遍历每一行，计算白色像素点数量，如若连续三行的白色像素点数量都低于阈值，则判定当前行为异物的上边界；同理，求出异物在旋转后图像中的下边界，对异物进行定位。

Images