CN110554704B - 一种基于无人机的风机叶片自主巡检方法 - Google Patents

一种基于无人机的风机叶片自主巡检方法 Download PDF

Info

Publication number
CN110554704B
CN110554704B CN201910753262.8A CN201910753262A CN110554704B CN 110554704 B CN110554704 B CN 110554704B CN 201910753262 A CN201910753262 A CN 201910753262A CN 110554704 B CN110554704 B CN 110554704B
Authority
CN
China
Prior art keywords
fan
camera
coordinates
coordinate system
inspection
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
CN201910753262.8A
Other languages
English (en)
Other versions
CN110554704A (zh
Inventor
毛翔
潘佳捷
陈龙
张志鹏
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.)
Chengdu Uav Intelligent Science & Technology Co ltd
Original Assignee
Chengdu Uav Intelligent Science & Technology 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 Chengdu Uav Intelligent Science & Technology Co ltd filed Critical Chengdu Uav Intelligent Science & Technology Co ltd
Priority to CN201910753262.8A priority Critical patent/CN110554704B/zh
Publication of CN110554704A publication Critical patent/CN110554704A/zh
Application granted granted Critical
Publication of CN110554704B publication Critical patent/CN110554704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无人机的风机叶片自主巡检方法，包括以下步骤：S1.判断待巡检风机的几何结构是否已知；若是，进入步骤S2；若否，进入步骤S3；S2.对待巡检的风机进行图像拍摄，并结合待巡检风机的几何结构，确定风机上多个巡检点的坐标信息，进入步骤S4，所述巡检点是指巡检时拍摄的目标点；S3.对待巡检风机进行图像拍摄，通过图像处理获取风机上多个巡检点的坐标信息,进入步骤S4；S4.根据巡检点的坐标信息，确定巡航点坐标并生成自主巡航轨迹，所述巡航点是指无人机悬停拍摄的地点，无人机按照自主巡航轨迹完成风机叶片的巡检。本发明能够有效降低自主巡检航线生成时的工作量，提高航线的精确度，提高对风机巡检的效率。

Description

一种基于无人机的风机叶片自主巡检方法
技术领域
本发明涉及风机叶片巡检，特别是涉及一种基于无人机的风机叶片自主巡检方法。
背景技术
在己探知的清洁能源中，风能在所有清洁能源及新能源利用中，是最环保、发电技术最成熟、最具规模性开发利用和商业前景最可观的能源。发展风电对于调整传统化石能源结构，保护绿色生态、防止能源枯竭和实现国家经济的可持续全面发展等方面有着极其重要的意义。进入二十一世纪以来，得益于互联网和物联网的快速发展，各国对清洁能源利用的重视，风力发电机组的全球风电累计总装机容量呈以每年20％-30％的涨幅迅速增加着。
叶片是风力发电机组的一个重要组成部件，由于风机所处环境较为恶劣，叶片在严苛的环境中运行时受到风沙、雨雪、雷电等自然因素的破坏，形成表面脱落、砂眼、雷击、叶边磨损等缺陷，需要通过对叶片进行定期检查和维护以预防缺陷造成的事故发生。传统的叶片检查手段是利用望远镜和绳索垂降人工检测，传统叶片检测有如下缺点：(1)高空作业，检测成本高，危险系数大；(2)检测效率低，工人劳动强度大；(3)检测时间长，停机发电量损失大。随着风电市场的逐渐发展，大型风电机组的相继出现，叶片的长度也由原来的30-40m增长至60-70m，一般来说，风电机组的使用年限为20年，叶片重量的增长和叶片长度的增长给叶片的维护带来了挑战。
随着技术的发展，无人机在巡检工作的应用范围日益广泛。无人机由于具有悬停、低速飞行、操作简便、维护方便、性价比高等特点，因此，将无人机运用到叶片检测中，将大大提高工作效率。除了传统的巡检方式以外，还有由操作人员通过地面站显示的实时图像观察叶片表面状态，当发现可疑点时远程操作无人机采集各角度的画面以便进一步详细检查，这需要不断的操控调整无人机的姿态方便拍摄，需要投入很大的人力，而且操控不好误差会很大。这种叶片巡检方式在解决了巡检效率和人员安全问题的同时也具有一定的局限性：叶片检查需要由专门的运维人员进行，而无人机的操作门槛又相对较高，从而需要培养一批既掌握叶片缺陷知识又具有无人机操作能力的运维人员，无形中加大了人力成本。因此，风机叶片自主巡检系统已成为新的发展趋势，自主巡检的无人机可以确定风机的姿态然后自动按照要求进行飞行和拍摄图片，大大降低人力并且提升效率。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于无人机的风机叶片自主巡检方法，能够有效降低自主巡检航线生成时的工作量，提高航线的精确度，提高对风机巡检的效率。
本发明的目的是通过以下技术方案来实现的：一种基于无人机的风机叶片自主巡检方法，包括以下步骤：
S1.判断待巡检风机的几何结构是否已知；
若是，进入步骤S2；
若否，进入步骤S3；
S2.对待巡检的风机进行图像拍摄，并结合待巡检风机的几何结构，确定风机上多个巡检点的坐标信息，所述巡检点是指巡检时拍摄的目标点,进入步骤S4；
S3.对待巡检风机进行图像拍摄，通过图像处理获取风机上多个巡检点的坐标信息,进入步骤S4；
S4.根据巡检点的坐标信息，确定巡航点，生成自主巡航轨迹，无人机按照自主巡航轨迹完成风机叶片的巡检,所述巡航点是指无人机悬停拍摄的地点。
进一步地，所述步骤S2包括以下子步骤：
S201.对待巡检的风机叶片拍摄多张照片；
S202.获取关键巡检点在图像中的像素点坐标，所述关键巡检点包括风机轮毂中心及三个叶尖：
方式一、在拍摄完图像之后，从存储卡中导出图像进行标注获取像素坐标；
方式二、在实时回传的视频图像上进行标注获取像素坐标；
S203.对于任一关键巡检点，利用云台姿态、拍摄时相机的三维坐标以及相机内参信息计算出关键巡检点的理论三维坐标：
首先设风机塔底为大地坐标系原点，即参考点，利用相机的RTK数据以及姿态角信息是计算出在设定参考点的大地坐标系下相机坐标P0(X0,Y0,Z0)；所述大地坐标系为北东地坐标系；
计算相机坐标系到大地坐标系的旋转矩阵Rcw：
Figure BDA0002167923410000021
其中下标cw代表相机坐标系转换到大地坐标系的简称，Rcwx(φ)为相机坐标系到大地坐标系需要绕x轴旋转的矩阵，Rcwy(θ)为相机坐标系到大地坐标系需要绕y轴旋转的矩阵，Rcwz(ψ)为相机坐标系到大地坐标系需要绕z轴旋转的矩阵，
Figure BDA0002167923410000022
分别为相机云台姿态的滚转角、俯仰角和偏航角；根据相机的初始朝向，Rcw还需左乘一个初始旋转Rcw0，此时Rcw＝Rcw0·(Rcwx(φ)·Rcwy(θ)·Rcwz(ψ))；式中
Figure BDA0002167923410000031
由相机采集的图像获得巡检点的像素坐标Puv(u,v)，经过相机标定得到相机的内参矩阵：
Figure BDA0002167923410000032
其中fx是由αf合并、fy是由βf合并，f为相机焦距，α,β是像素坐标在u、v坐标轴上缩放倍数，[cx,cy]T是原点的平移量；
则：
Figure BDA0002167923410000033
Pc(Xc,Yc,Zc)为相机坐标系下巡检点的归一化坐标，由上述等式求得：
Figure BDA0002167923410000034
利用求得的Rcw和Pc以及相对于参考点相机平移坐标t(X0,Y0,Z0)，求出关键巡检点在大地坐标系下的理论三维坐标Pw(Xw,Yw,Zw)：
Figure BDA0002167923410000035
重复上述步骤获得每一个关键巡检点的理论三维坐标，也就是风机轮毂中心及三个叶尖的理论三维坐标；
S204.计算出当前风机相对正北方的偏航角、相对正上方的滚转角：
因为像素平面像素点坐标是二维的，所以缺少一个相机坐标系下z方向的坐标，故在步骤S203中，对每一个关键巡检点计算出来的Pw(Xw,Yw,Zw)中均包含有一个未知参数的；设三叶尖的理论坐标Pw1(Xw1,Yw1,Zw1),Pw2(Xw2,Yw2,Zw2),Pw3(Xw3,Yw3,Zw3)；在此基础上，计算出当前风机相对正北方的偏航角、相对正上方的滚转角，作为风机此时的停转状态信息：
在已知结构的条件下，因为参考点选在风机底部，利用此时的大地坐标系，再利用两个旋转角r与p计算出此时风机停转状态下叶尖坐标W1(r,p),W2(r,p),W3(r,p)；
设塔高H，叶片长L，轮毂长D，则：
W1(r,p)＝(-D·cos p-L·sin r·sin p,-D·sin p+L·sin r·cos p,L·cosr-H)
Figure BDA0002167923410000041
Figure BDA0002167923410000042
其中的r与p是未知参数；
然后利用三叶尖的理论坐标Pw1(Xw1,Yw1,Zw1),Pw2(Xw2,Yw2,Zw2),Pw3(Xw3,Yw3,Zw3)分别与相机坐标P0(X0,Y0,Z0)相连，计算出射线l1,l2,l3；其中l1表示经过Pw1(Xw1,Yw1,Zw1)与P0(X0,Y0,Z0)的射线；l2表示经过Pw2(Xw2,Yw2,Zw2)与P0(X0,Y0,Z0)的射线；l3表示经过Pw3(Xw3,Yw3,Zw3)与P0(X0,Y0,Z0)的射线；
计算W1(r,p)与射线l1的距离d1、W2(r,p)与射线l2的距离d2、W3(r,p)与射线l3的距离d3；
利用最小二乘法，计算出满足d1,d2,d3最短的条件下r与p；
S205.根据风机的停转状态和风机的结构信息，确定整个风机所有的巡检点坐标，其中结构信息包括杆塔的高度、轮毂的长度和叶片的长度：
将计算得到的r与p带入步骤S204中的W1(r,p),W2(r,p),W3(r,p)计算公式中，得到三个叶尖的实际坐标：
W1(r,p)＝(xw1,yw1,zw1)，W2(r,p)＝(xw2,yw2,zw2)，W3(r,p)＝(xw3,yw3,zw3)
根据三个叶尖的实际坐标计算出轮毂中心的实际坐标，计算公式如下：
则轮毂中心坐标为：
Figure BDA0002167923410000043
预先设置轮毂中心与每个叶尖点之间线段的分段段数，得到风机三个叶尖和轮毂中心的实际坐标后，利用叶尖点与轮毂中心之间的线段等分分割获取巡检点坐标。
优选地，所述步骤S201拍摄的照片中，风机三个叶尖和轮毂中心位于照片中心附近。
其中，所述步骤S3包括以下子步骤：
S301.在风机前方不同角度拍摄多张照片；
S302.获取关键巡检点在图像中的像素点坐标，所述关键巡检点包括风机轮毂中心及三个叶尖：
方式一、在拍摄完图像之后，从存储卡中导出图像进行标注获取像素坐标；
方式二、在实时回传的视频图像上进行标注获取像素坐标；
S303.对于任一关键巡检点，利用云台姿态、拍摄时相机的三维坐标以及相机内参信息计算出关键巡检点的理论三维坐标，并优化后得到关键巡检点的实际三维坐标：
计算相机坐标系到大地坐标系的旋转矩阵Rcw：
Figure BDA0002167923410000051
其中下标cw代表相机坐标系转换到大地坐标系的简称，Rcwx(φ)为相机坐标系到大地坐标系需要绕x轴旋转的矩阵，Rcwy(θ)为相机坐标系到大地坐标系需要绕y轴旋转的矩阵，Rcwz(ψ)为相机坐标系到大地坐标系需要绕z轴旋转的矩阵，
Figure BDA0002167923410000052
分别为相机云台姿态的滚转角、俯仰角和偏航角；根据相机的初始朝向，Rcw还需左乘一个初始旋转Rcw0，此时Rcw＝Rcw0·(Rcwx(φ)·Rcwy(θ)·Rcwz(ψ))；式中
Figure BDA0002167923410000053
由相机采集的图像获得巡检点的像素坐标Puv(u,v)，经过相机标定得到相机的内参矩阵：
Figure BDA0002167923410000054
其中fx是由αf合并、fy是由βf合并，f为相机焦距，α,β是像素坐标在u、v坐标轴上缩放倍数，[cx,cy]T是原点的平移量；
则：
Figure BDA0002167923410000055
Pc(Xc,Yc,Zc)为相机坐标系下巡检点的归一化坐标，由上述等式求得：
Figure BDA0002167923410000061
利用求得的Rcw和Pc以及相机平移坐标t(X0,Y0,Z0)，求出关键巡检点在大地坐标系下的理论三维坐标Pw(Xw,Yw,Zw)：
Figure BDA0002167923410000062
重复上述步骤获得每一个关键巡检点的理论三维坐标，也就是风机轮毂中心及三个叶尖的理论三维坐标；
对每一个关键巡检点在大地坐标系下的理论三维坐标进行优化得到实际的三维坐标；
S304.根据计算出来的风机关键巡检点坐标，获取沿风机叶片的等间距巡检点坐标信息：
预先设置轮毂中心与每个叶尖点之间线段的分段段数，获取风机关键巡检点坐标，即三个叶尖坐标点与轮毂中心坐标后，再利用叶尖点与轮毂中心之间的线段等分分割获取巡检点坐标。
优选地，所述步骤S301中将风机完全包含在照片中。
所述步骤S303中，对每一个关键巡检点在大地坐标系下的理论三维坐标进行优化得到实际的三维坐标：
利用两张以上对某个关键巡检点不同角度拍摄的图像分别计算得到的理论三维坐标；
利用每一张拍摄图像计算得到的理论三维坐标与该拍摄图像对应的相机三维坐标，计算出经过拍摄点和理论巡检点所在直线的方向向量，
由多张图像就计算出多条直线的方向向量；
Figure BDA0002167923410000063
其中，
Figure BDA0002167923410000064
表示根据第i张拍摄图像计算得到的理论三维坐标与对应的相机三维坐标所得到的方向向量；i＝1,2,...,N，N为对该巡检点拍摄的图像张数；
利用关键巡检点到多条直线距离最短建立数学模型，最终利用最优化算法迭代出巡检点的实际位置，由此计算出所述关键巡检点实际的三维坐标；具体地：
设当前关键巡检点P的三维坐标为(X，Y，Z)，分别计算当前关键点P到
Figure BDA0002167923410000065
的距离d′1,d′2,...,d′N，其中d′i表示当前关键巡检点P到向量
Figure BDA0002167923410000066
的距离；
利用风机叶尖之间距离作为最小二乘法中的惩罚项，建立关键巡检点到多条直线距离最短建立数学模型：
Figure BDA0002167923410000071
其中di,dj,dk分别表示三处叶尖坐标计算过程中点与向量之间的距离，α是预设的惩罚系数，dij,djk,dki分别表示三叶尖点中两两之间的距离；
利用最小二乘优化算法迭代出当前关键巡检点的实际坐标。
本发明的有益效果是：本发明能够有效降低自主巡检航线生成时的工作量，提高航线的精确度，提高对风机巡检的效率。
附图说明
图1为本发明的方法流程图；
图2为风机的滚转角和偏航角示意图；
图3为实施例中巡检点的实际坐标计算原理图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于无人机的风机叶片自主巡检方法，包括以下步骤：
S1.判断待巡检风机的几何结构是否已知；
若是，进入步骤S2；
若否，进入步骤S3；
S2.对待巡检的风机进行图像拍摄，并结合待巡检风机的几何结构，确定风机上多个巡检点的坐标信息，所述巡检点是指巡检时拍摄的目标点,进入步骤S4；
S3.对待巡检风机进行图像拍摄，通过图像处理获取风机上多个巡检点的坐标信息,进入步骤S4；
S4.根据巡检点的坐标信息，确定巡航点，生成自主巡航轨迹，无人机按照自主巡航轨迹完成风机叶片的巡检,所述巡航点是指无人机悬停拍摄的地点。
具体地，在本申请的实施例中，得到巡检点坐标信息后，根据位置约束条件，确定与巡检点数目相同且一一对应的多个巡航点；位置约束条件表示巡航点和巡检点之间的位置关系，为属于已知的预设置条件，每对巡航点和巡检点之间的位置约束条件都是相同的，便于快速确定对应的巡航点，实现在线生成自主巡检航线；例如，约束条件可以设置为：巡检点和巡航点安全距离的长度为8m，以巡航点为圆心半径r＝0.5m的球形为巡航点的范围，由于在实际巡检过程中，可能会产生定位不准和特定巡航位置会有障碍物遮挡等因素导致巡检拍摄失败，该约束条件设置了巡航点的球形范围，使得巡航点位置选择更自由，生成的自主巡检航线更可靠。进一步地，所述步骤S2包括以下子步骤：
S201.对待巡检的风机叶片拍摄多张照片；
S202.获取关键巡检点在图像中的像素点坐标，所述关键巡检点包括风机轮毂中心及三个叶尖：
方式一、在拍摄完图像之后，从存储卡中导出图像进行标注获取像素坐标；
方式二、在实时回传的视频图像上进行标注获取像素坐标；
S203.对于任一关键巡检点，利用云台姿态、拍摄时相机的三维坐标以及相机内参信息计算出关键巡检点的理论三维坐标：
首先设风机塔底为大地坐标系原点，即参考点，利用相机的RTK数据以及姿态角信息是计算出在设定参考点的大地坐标系下相机坐标P0(X0,Y0,Z0)；所述大地坐标系为北东地坐标系；
计算相机坐标系到大地坐标系的旋转矩阵Rcw：
Figure BDA0002167923410000081
其中下标cw代表相机坐标系转换到大地坐标系的简称，Rcwx(φ)为相机坐标系到大地坐标系需要绕x轴旋转的矩阵，Rcwy(θ)为相机坐标系到大地坐标系需要绕y轴旋转的矩阵，Rcwz(ψ)为相机坐标系到大地坐标系需要绕z轴旋转的矩阵，
Figure BDA0002167923410000082
分别为相机云台姿态的滚转角、俯仰角和偏航角；根据相机的初始朝向(一般相机的z轴指向正前方，x轴向右，y轴向下)，Rcw还需左乘一个初始旋转Rcw0，此时Rcw＝Rcw0·(Rcwx(φ)·Rcwy(θ)·Rcwz(ψ))；式中
Figure BDA0002167923410000083
由相机采集的图像获得巡检点的像素坐标Puv(u,v)，经过相机标定得到相机的内参矩阵：
Figure BDA0002167923410000091
其中fx是由αf合并、fy是由βf合并，f为相机焦距，α,β是像素坐标在u、v坐标轴上缩放倍数，[cx,cy]T是原点的平移量；
则：
Figure BDA0002167923410000092
Pc(Xc,Yc,Zc)为相机坐标系下巡检点的归一化坐标，由上述等式求得：
Figure BDA0002167923410000093
利用求得的Rcw和Pc以及相对于参考点相机平移坐标t(X0,Y0,Z0)，求出关键巡检点在大地坐标系下的理论三维坐标Pw(Xw,Yw,Zw)：
Figure BDA0002167923410000094
重复上述步骤获得每一个关键巡检点的理论三维坐标，也就是风机轮毂中心及三个叶尖的理论三维坐标；
S204.计算出当前风机相对正北方的偏航角、相对正上方的滚转角：
如图2所示，因为像素平面像素点坐标是二维的，所以缺少一个相机坐标系下z方向的坐标，故在步骤S203中，对每一个关键巡检点计算出来的Pw(Xw,Yw,Zw)中均包含有一个未知参数的；设三叶尖的理论坐标Pw1(Xw1,Yw1,Zw1),Pw2(Xw2,Yw2,Zw2),Pw3(Xw3,Yw3,Zw3)；在此基础上，计算出当前风机相对正北方的偏航角、相对正上方的滚转角，作为风机此时的停转状态信息：
在已知结构的条件下，因为参考点选在风机底部，利用此时的大地坐标系，再利用两个旋转角r与p计算出此时风机停转状态下叶尖坐标W1(r,p),W2(r,p),W3(r,p)；
设塔高H，叶片长L，轮毂长D，则：
W1(r,p)＝(-D·cos p-L·sin r·sin p,-D·sin p+L·sin r·cos p,L·cosr-H)
Figure BDA0002167923410000101
Figure BDA0002167923410000102
其中的r与p是未知参数；
然后利用三叶尖的理论坐标Pw1(Xw1,Yw1,Zw1),Pw2(Xw2,Yw2,Zw2),Pw3(Xw3,Yw3,Zw3)分别与相机坐标P0(X0,Y0,Z0)相连，计算出射线l1,l2,l3；其中l1表示经过Pw1(Xw1,Yw1,Zw1)与P0(X0,Y0,Z0)的射线；l2表示经过Pw2(Xw2,Yw2,Zw2)与P0(X0,Y0,Z0)的射线；l3表示经过Pw3(Xw3,Yw3,Zw3)与P0(X0,Y0,Z0)的射线；
计算W1(r,p)与射线l1的距离d1、W2(r,p)与射线l2的距离d2、W3(r,p)与射线l3的距离d3；
利用最小二乘法，计算出满足d1,d2,d3最短的条件下r与p；
S205.根据风机的停转状态和风机的结构信息，确定整个风机所有的巡检点坐标，其中结构信息包括杆塔的高度、轮毂的长度和叶片的长度：
将计算得到的r与p带入步骤S204中的W1(r,p),W2(r,p),W3(r,p)计算公式中，得到三个叶尖的实际坐标：
W1(r,p)＝(xw1,yw1,zw1)，W2(r,p)＝(xw2,yw2,zw2)，W3(r,p)＝(xw3,yw3,zw3)
根据三个叶尖的实际坐标计算出轮毂中心的实际坐标，计算公式如下：
则轮毂中心坐标为：
Figure BDA0002167923410000103
预先设置轮毂中心与每个叶尖点之间线段的分段段数，得到风机三个叶尖和轮毂中心的实际坐标后，利用叶尖点与轮毂中心之间的线段等分分割获取巡检点坐标。
优选地，所述步骤S201拍摄的照片中，风机三个叶尖和轮毂中心位于照片中心附近。
其中，所述步骤S3包括以下子步骤：
S301.在风机前方不同角度拍摄多张照片；
S302.获取关键巡检点在图像中的像素点坐标，所述关键巡检点包括风机轮毂中心及三个叶尖：
方式一、在拍摄完图像之后，从存储卡中导出图像进行标注获取像素坐标；
方式二、在实时回传的视频图像上进行标注获取像素坐标；
S303.对于任一关键巡检点，利用云台姿态、拍摄时相机的三维坐标以及相机内参信息计算出关键巡检点的理论三维坐标，并优化后得到关键巡检点的实际三维坐标：
计算相机坐标系到大地坐标系的旋转矩阵Rcw：
Figure BDA0002167923410000111
其中下标cw代表相机坐标系转换到大地坐标系的简称，Rcwx(φ)为相机坐标系到大地坐标系需要绕x轴旋转的矩阵，Rcwy(θ)为相机坐标系到大地坐标系需要绕y轴旋转的矩阵，Rcwz(ψ)为相机坐标系到大地坐标系需要绕z轴旋转的矩阵，
Figure BDA0002167923410000112
分别为相机云台姿态的滚转角、俯仰角和偏航角；根据相机的初始朝向(一般相机的z轴指向正前方，x轴向右，y轴向下)，Rcw还需左乘一个初始旋转Rcw0，此时Rcw＝Rcw0·(Rcwx(φ)·Rcwy(θ)·Rcwz(ψ))；式中
Figure BDA0002167923410000113
由相机采集的图像获得巡检点的像素坐标Puv(u,v)，经过相机标定得到相机的内参矩阵：
Figure BDA0002167923410000114
其中fx是由αf合并、fy是由βf合并，f为相机焦距，α,β是像素坐标在u、v坐标轴上缩放倍数，[cx,cy]T是原点的平移量；
则：
Figure BDA0002167923410000115
Pc(Xc,Yc,Zc)为相机坐标系下巡检点的归一化坐标，由上述等式求得：
Figure BDA0002167923410000121
利用求得的Rcw和Pc以及相机平移坐标t(X0,Y0,Z0)，求出关键巡检点在大地坐标系下的理论三维坐标Pw(Xw,Yw,Zw)：
Figure BDA0002167923410000122
重复上述步骤获得每一个关键巡检点的理论三维坐标，也就是风机轮毂中心及三个叶尖的理论三维坐标；
对每一个关键巡检点在大地坐标系下的理论三维坐标进行优化得到实际的三维坐标；
S304.根据计算出来的风机关键巡检点坐标，获取沿风机叶片的等间距巡检点坐标信息：
预先设置轮毂中心与每个叶尖点之间线段的分段段数，获取风机关键巡检点坐标，即三个叶尖坐标点与轮毂中心坐标后，再利用叶尖点与轮毂中心之间的线段等分分割获取巡检点坐标。
优选地，所述步骤S301中将风机完全包含在照片中。
所述步骤S303中，对每一个关键巡检点在大地坐标系下的理论三维坐标进行优化得到实际的三维坐标：
利用两张以上对某个关键巡检点不同角度拍摄的图像分别计算得到的理论三维坐标；
利用每一张拍摄图像计算得到的理论三维坐标与该拍摄图像对应的相机三维坐标，计算出经过拍摄点和理论巡检点所在直线的方向向量，
由多张图像就计算出多条直线的方向向量；
Figure BDA0002167923410000123
其中，
Figure BDA0002167923410000124
表示根据第i张拍摄图像计算得到的理论三维坐标与对应的相机三维坐标所得到的方向向量；i＝1,2,...,N，N为对该巡检点拍摄的图像张数；
利用关键巡检点到多条直线距离最短建立数学模型，最终利用最优化算法迭代出巡检点的实际位置，由此计算出所述关键巡检点实际的三维坐标；具体地：
设当前关键巡检点P的三维坐标为(X，Y，Z)，分别计算当前关键点P到
Figure BDA0002167923410000125
的距离d′1,d′2,...,d′N，其中d′i表示当前关键巡检点P到向量
Figure BDA0002167923410000126
的距离；
利用风机叶尖之间距离作为最小二乘法中的惩罚项，建立关键巡检点到多条直线距离最短建立数学模型：
Figure BDA0002167923410000131
其中di,dj,dk分别表示三处叶尖坐标计算过程中点与向量之间的距离，α是预设的惩罚系数，dij,djk,dki分别表示三叶尖点中两两之间的距离；
利用最小二乘优化算法迭代出当前关键巡检点的实际坐标。
在本申请的实施例中，当前关键巡检点的实际坐标可以理解为多条直线的交叉处三维坐标，计算原理图如图3所示，图像1、图像2、图像3……是相机对同一巡检点在不同角度拍摄的若干图像，直线1、直线2、直线3……的方向向量是由相机拍摄图像时相机的三维坐标和通过相机成像原理计算出未知z轴数值的巡检点坐标计算出的。所得到的若干条直线之间的交叉点位置就是该巡检点实际坐标位置；图中省略号表示所拍摄图像有若干张，具体数量取决于对巡检点拍摄的张数(两张以上)，直线数量与图像张数相同。
最后需要说明的是，以上所述是本发明的优选实施方式，应当理解本发明并非局限于所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于无人机的风机叶片自主巡检方法，其特征在于：包括以下步骤：
S1.判断待巡检风机的几何结构是否已知；
若是，进入步骤S2；
若否，进入步骤S3；
S2.对待巡检的风机进行图像拍摄，并结合待巡检风机的几何结构，确定风机上多个巡检点的坐标信息，所述巡检点是指巡检时拍摄的目标点,进入步骤S4；
所述步骤S2包括以下子步骤：
S201.对待巡检的风机叶片拍摄多张照片；
S202.获取关键巡检点在图像中的像素点坐标，所述关键巡检点包括风机轮毂中心及三个叶尖：
方式一、在拍摄完图像之后，从存储卡中导出图像进行标注获取像素坐标；
方式二、在实时回传的视频图像上进行标注获取像素坐标；
S203.对于任一关键巡检点，利用云台姿态、拍摄时相机的三维坐标以及相机内参信息计算出关键巡检点的理论三维坐标：
首先设风机塔底为大地坐标系原点，即参考点，利用相机的RTK数据以及姿态角信息是计算出在设定参考点的大地坐标系下相机坐标P0(X0,Y0,Z0)；所述大地坐标系为北东地坐标系；
计算相机坐标系到大地坐标系的旋转矩阵Rcw：
Figure FDA0003539093430000011
其中下标cw代表相机坐标系转换到大地坐标系的简称，Rcwx(φ)为相机坐标系到大地坐标系需要绕x轴旋转的矩阵，Rcwy(θ)为相机坐标系到大地坐标系需要绕y轴旋转的矩阵，Rcwz(ψ)为相机坐标系到大地坐标系需要绕z轴旋转的矩阵，
Figure FDA0003539093430000012
分别为相机云台姿态的滚转角、俯仰角和偏航角；根据相机的初始朝向，Rcw还需左乘一个初始旋转Rcw0，此时Rcw＝Rcw0·(Rcwx(φ)·Rcwy(θ)·Rcwz(ψ))；式中
Figure FDA0003539093430000013
由相机采集的图像获得巡检点的像素坐标Puv(u,v)，经过相机标定得到相机的内参矩阵：
Figure FDA0003539093430000021
其中fx是由αf合并、fy是由βf合并，f为相机焦距，α,β是像素坐标在u、v坐标轴上缩放倍数，[cx,cy]T是原点的平移量；
则：
Figure FDA0003539093430000022
Pc(Xc,Yc,Zc)为相机坐标系下巡检点的归一化坐标，由上述等式求得：
Figure FDA0003539093430000023
利用求得的Rcw和Pc以及相对于参考点相机平移坐标t(X0,Y0,Z0)，求出关键巡检点在大地坐标系下的理论三维坐标Pw(Xw,Yw,Zw)：
Figure FDA0003539093430000024
重复上述步骤获得每一个关键巡检点的理论三维坐标，也就是风机轮毂中心及三个叶尖的理论三维坐标；
S204.计算出当前风机相对正北方的偏航角、相对正上方的滚转角：
因为像素平面像素点坐标是二维的，所以缺少一个相机坐标系下z方向的坐标，故在步骤S203中，对每一个关键巡检点计算出来的Pw(Xw,Yw,Zw)中均包含有一个未知参数的；设三叶尖的理论坐标Pw1(Xw1,Yw1,Zw1),Pw2(Xw2,Yw2,Zw2),Pw3(Xw3,Yw3,Zw3)；在此基础上，计算出当前风机相对正北方的偏航角、相对正上方的滚转角，作为风机此时的停转状态信息：
在已知结构的条件下，因为参考点选在风机底部，利用此时的大地坐标系，再利用两个旋转角r与p计算出此时风机停转状态下叶尖坐标W1(r,p),W2(r,p),W3(r,p)；
设塔高H，叶片长L，轮毂长D，则：
W1(r,p)＝(-D·cosp-L·sinr·sinp,-D·sinp+L·sinr·cosp,L·cosr-H)
Figure FDA0003539093430000031
Figure FDA0003539093430000032
其中的r与p是未知参数；
然后利用三叶尖的理论坐标Pw1(Xw1,Yw1,Zw1),Pw2(Xw2,Yw2,Zw2),Pw3(Xw3,Yw3,Zw3)分别与相机坐标P0(X0,Y0,Z0)相连，计算出射线l1,l2,l3；其中l1表示经过Pw1(Xw1,Yw1,Zw1)与P0(X0,Y0,Z0)的射线；l2表示经过Pw2(Xw2,Yw2,Zw2)与P0(X0,Y0,Z0)的射线；l3表示经过Pw3(Xw3,Yw3,Zw3)与P0(X0,Y0,Z0)的射线；
计算W1(r,p)与射线l1的距离d1、W2(r,p)与射线l2的距离d2、W3(r,p)与射线l3的距离d3；
利用最小二乘法，计算出满足d1,d2,d3最短的条件下r与p；
S205.根据风机的停转状态和风机的结构信息，确定整个风机所有的巡检点坐标，其中结构信息包括杆塔的高度、轮毂的长度和叶片的长度：
将计算得到的r与p带入步骤S204中的W1(r,p),W2(r,p),W3(r,p)计算公式中，得到三个叶尖的实际坐标：
W1(r,p)＝(xw1,yw1,zw1)，W2(r,p)＝(xw2,yw2,zw2)，W3(r,p)＝(xw3,yw3,zw3)
根据三个叶尖的实际坐标计算出轮毂中心的实际坐标，计算公式如下：
则轮毂中心坐标为：
Figure FDA0003539093430000033
预先设置轮毂中心与每个叶尖点之间线段的分段段数，得到风机三个叶尖和轮毂中心的实际坐标后，利用叶尖点与轮毂中心之间的线段等分分割获取巡检点坐标；
S3.对待巡检风机进行图像拍摄，通过图像处理获取风机上多个巡检点的坐标信息,进入步骤S4；
所述步骤S3包括以下子步骤：
S301.在风机前方不同角度拍摄多张照片；
S302.获取关键巡检点在图像中的像素点坐标，所述关键巡检点包括风机轮毂中心及三个叶尖：
方式一、在拍摄完图像之后，从存储卡中导出图像进行标注获取像素坐标；
方式二、在实时回传的视频图像上进行标注获取像素坐标；
S303.对于任一关键巡检点，利用云台姿态、拍摄时相机的三维坐标以及相机内参信息计算出关键巡检点的理论三维坐标，并优化后得到关键巡检点的实际三维坐标：
计算相机坐标系到大地坐标系的旋转矩阵Rcw：
Figure FDA0003539093430000041
其中下标cw代表相机坐标系转换到大地坐标系的简称，Rcwx(φ)为相机坐标系到大地坐标系需要绕x轴旋转的矩阵，Rcwy(θ)为相机坐标系到大地坐标系需要绕y轴旋转的矩阵，Rcwz(ψ)为相机坐标系到大地坐标系需要绕z轴旋转的矩阵，
Figure FDA0003539093430000042
分别为相机云台姿态的滚转角、俯仰角和偏航角；根据相机的初始朝向，Rcw还需左乘一个初始旋转Rcw0，此时Rcw＝Rcw0·(Rcwx(φ)·Rcwy(θ)·Rcwz(ψ))；式中
Figure FDA0003539093430000043
由相机采集的图像获得巡检点的像素坐标Puv(u,v)，经过相机标定得到相机的内参矩阵：
Figure FDA0003539093430000044
其中fx是由αf合并、fy是由βf合并，f为相机焦距，α,β是像素坐标在u、v坐标轴上缩放倍数，[cx,cy]T是原点的平移量；
则：
Figure FDA0003539093430000045
Pc(Xc,Yc,Zc)为相机坐标系下巡检点的归一化坐标，由上述等式求得：
Figure FDA0003539093430000051
利用求得的Rcw和Pc以及相机平移坐标t(X0,Y0,Z0)，求出关键巡检点在大地坐标系下的理论三维坐标Pw(Xw,Yw,Zw)：
Figure FDA0003539093430000052
重复上述步骤获得每一个关键巡检点的理论三维坐标，也就是风机轮毂中心及三个叶尖的理论三维坐标；
对每一个关键巡检点在大地坐标系下的理论三维坐标进行优化得到实际的三维坐标；
S304.根据计算出来的风机关键巡检点坐标，获取沿风机叶片的等间距巡检点坐标信息：
预先设置轮毂中心与每个叶尖点之间线段的分段段数，获取风机关键巡检点坐标，即三个叶尖坐标点与轮毂中心坐标后，再利用叶尖点与轮毂中心之间的线段等分分割获取巡检点坐标；
S4.根据巡检点的坐标信息，确定巡航点，生成自主巡航轨迹，无人机按照自主巡航轨迹完成风机叶片的巡检,所述巡航点是指无人机悬停拍摄的地点。
2.根据权利要求1所述的一种基于无人机的风机叶片自主巡检方法，其特征在于：所述步骤S201拍摄的照片中，风机三个叶尖和轮毂中心位于照片中心附近。
3.根据权利要求1所述的一种基于无人机的风机叶片自主巡检方法，其特征在于：所述步骤S301中将风机完全包含在照片中。
4.根据权利要求1所述的一种基于无人机的风机叶片自主巡检方法，其特征在于：所述步骤S303中，对每一个关键巡检点在大地坐标系下的理论三维坐标进行优化得到实际的三维坐标：
利用两张以上对某个关键巡检点不同角度拍摄的图像分别计算得到的理论三维坐标；
利用每一张拍摄图像计算得到的理论三维坐标与该拍摄图像对应的相机三维坐标，计算出经过拍摄点和理论巡检点所在直线的方向向量，
由多张图像就计算出多条直线的方向向量；
Figure FDA0003539093430000053
其中，
Figure FDA0003539093430000054
表示根据第i张拍摄图像计算得到的理论三维坐标与对应的相机三维坐标所得到的方向向量；i＝1,2,...,N，N为对该巡检点拍摄的图像张数；
利用关键巡检点到多条直线距离最短建立数学模型，最终利用最优化算法迭代出巡检点的实际位置，由此计算出所述关键巡检点实际的三维坐标；具体地：
设当前关键巡检点P的三维坐标为(X，Y，Z)，分别计算当前关键点P到
Figure FDA0003539093430000061
的距离d′1,d′2,...,d′N，其中d′i表示当前关键巡检点P到向量
Figure FDA0003539093430000062
的距离；
利用风机叶尖之间距离作为最小二乘法中的惩罚项，建立关键巡检点到多条直线距离最短建立数学模型：
Figure FDA0003539093430000063
其中di,dj,dk分别表示三处叶尖坐标计算过程中点与向量之间的距离，α是预设的惩罚系数，dij,djk,dki分别表示三叶尖点中两两之间的距离；
利用最小二乘优化算法迭代出当前关键巡检点的实际坐标。
CN201910753262.8A 2019-08-15 2019-08-15 一种基于无人机的风机叶片自主巡检方法 Active CN110554704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910753262.8A CN110554704B (zh) 2019-08-15 2019-08-15 一种基于无人机的风机叶片自主巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910753262.8A CN110554704B (zh) 2019-08-15 2019-08-15 一种基于无人机的风机叶片自主巡检方法

Publications (2)

Publication Number Publication Date
CN110554704A CN110554704A (zh) 2019-12-10
CN110554704B true CN110554704B (zh) 2022-04-29

Family

ID=68737606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910753262.8A Active CN110554704B (zh) 2019-08-15 2019-08-15 一种基于无人机的风机叶片自主巡检方法

Country Status (1)

Country Link
CN (1) CN110554704B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111038721B (zh) * 2019-12-30 2023-10-10 无锡风电设计研究院有限公司 一种基于图像识别的风力机叶片巡检无人机和巡检方法
CN111290417A (zh) * 2020-02-25 2020-06-16 国电电力内蒙古新能源开发有限公司 风机巡检航线的生成方法、装置、计算机设备及存储介质
CN111289533B (zh) * 2020-02-25 2023-06-23 国电电力内蒙古新能源开发有限公司 风机叶片的巡检方法、装置、无人机和存储介质
CN111830845A (zh) * 2020-04-30 2020-10-27 航天图景（北京）科技有限公司 一种无人机风机叶片自动巡检仿真系统及方法
CN111561914B (zh) * 2020-04-30 2024-01-23 国网浙江省电力有限公司 一种基于rtk的用于基坑检测的无人机及检测方法
CN111930133A (zh) * 2020-07-20 2020-11-13 贵州电网有限责任公司 一种基于旋翼无人机的变电站二次屏柜巡检方法
CN112363526B (zh) * 2020-08-21 2021-10-01 云南电网有限责任公司昆明供电局 一种无人机巡检精细航线自动规划系统和方法
CN112230235B (zh) * 2020-09-24 2021-12-10 北京京能能源技术研究有限责任公司 风机叶片定位方法、系统、计算机设备及可读存储介质
CN112360699A (zh) * 2020-10-22 2021-02-12 华能大理风力发电有限公司 一种全自动风力发电机组叶片智能巡视及诊断分析方法
CN112483330B (zh) * 2020-11-13 2021-09-10 江苏科技大学 一种匹配在役风力机状态的无人巡检轨迹程控方法
CN112558632B (zh) * 2020-12-03 2023-03-14 上海扩博智能技术有限公司 无人机巡检路径转换方法、系统、设备和存储介质
CN112700498A (zh) * 2021-01-14 2021-04-23 中广核风电有限公司 一种基于深度学习的风力发电机叶尖定位方法及系统
CN112904877A (zh) * 2021-01-14 2021-06-04 星闪世图(台州)科技有限公司 一种基于无人机的风机叶片自动巡检系统及方法
CN112905955B (zh) * 2021-01-27 2022-08-02 天津航天中为数据系统科技有限公司 一种风机正反面自主巡检规划方法
CN113050693B (zh) * 2021-03-26 2022-04-19 厦门理工学院 一种用于风电叶片检测的无人机巡检方法和装置以及设备
CN113359815A (zh) * 2021-05-19 2021-09-07 上海电机学院 基于rtk定位的风机叶片无人机自主避障巡检方法及系统
CN113885580A (zh) * 2021-11-17 2022-01-04 国能定边新能源有限公司 基于无人机实现自动化巡检风机的路径规划方法及系统
CN114020033A (zh) * 2021-11-25 2022-02-08 苏州热工研究院有限公司 一种基于风力发电机组叶片的无人机检测系统及方法
CN115097867B (zh) * 2022-08-23 2022-11-15 无锡海纳智能科技有限公司 一种风机巡检航线下无人机拍摄姿态的确定方法
CN115115631B (zh) * 2022-08-29 2022-12-09 深圳市信润富联数字科技有限公司 轮毂缺陷检测方法、装置、设备及计算机可读介质
CN115480589B (zh) * 2022-09-06 2023-07-25 中科云尚(南京)智能技术有限公司 基于无人机的风机巡检航线生成方法及系统
CN115908049B (zh) * 2022-11-18 2023-11-21 众芯汉创（北京）科技有限公司 一种基于智能识别的风机叶片悬停位置动态识别系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425810A (zh) * 2015-12-29 2016-03-23 国家电网公司 一种巡检用无人机
CN105651780A (zh) * 2015-12-28 2016-06-08 新疆金风科技股份有限公司 通过无人机检测风机叶片状态的方法、装置及系统
CN105717934A (zh) * 2016-04-25 2016-06-29 华北电力大学（保定） 自主无人机巡检风机叶片系统及方法
CN205620817U (zh) * 2016-04-25 2016-10-05 华北电力大学（保定） 自主无人机巡检风机叶片系统
EP3220227A1 (en) * 2016-03-18 2017-09-20 Balyo Inspection system and method for performing inspections in a storage facility
CN107656537A (zh) * 2016-07-25 2018-02-02 新疆金风科技股份有限公司 无人机航线规划方法及装置、基于无人机的风机叶片检查方法及系统
CN108109437A (zh) * 2018-01-24 2018-06-01 广东容祺智能科技有限公司 一种基于地图特征的无人机自主航线提取生成方法
CN108733079A (zh) * 2018-06-19 2018-11-02 上海扩博智能技术有限公司 通过无人机对风机进行自动巡检飞行路径确定方法及系统
JP2019007964A (ja) * 2018-07-24 2019-01-17 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ Ｕａｖの位置を推定するシステム及び方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105651780A (zh) * 2015-12-28 2016-06-08 新疆金风科技股份有限公司 通过无人机检测风机叶片状态的方法、装置及系统
CN105425810A (zh) * 2015-12-29 2016-03-23 国家电网公司 一种巡检用无人机
EP3220227A1 (en) * 2016-03-18 2017-09-20 Balyo Inspection system and method for performing inspections in a storage facility
CN105717934A (zh) * 2016-04-25 2016-06-29 华北电力大学（保定） 自主无人机巡检风机叶片系统及方法
CN205620817U (zh) * 2016-04-25 2016-10-05 华北电力大学（保定） 自主无人机巡检风机叶片系统
CN107656537A (zh) * 2016-07-25 2018-02-02 新疆金风科技股份有限公司 无人机航线规划方法及装置、基于无人机的风机叶片检查方法及系统
CN108109437A (zh) * 2018-01-24 2018-06-01 广东容祺智能科技有限公司 一种基于地图特征的无人机自主航线提取生成方法
CN108733079A (zh) * 2018-06-19 2018-11-02 上海扩博智能技术有限公司 通过无人机对风机进行自动巡检飞行路径确定方法及系统
JP2019007964A (ja) * 2018-07-24 2019-01-17 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ Ｕａｖの位置を推定するシステム及び方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Rapid Convergent Descent Method for Minimization;R.Fletcher等;《The Computer Journal 》;19631231;全文 *
Automatic Detection of Wind Turbine Blade Surface Cracks Based on UAV Taken Images;L.Wang等;《IEEE Transaction on Industrial Electronics》;20171231;全文 *
无人机智能巡检在风电光伏故障检测中的应用;徐进等;《设备管理与维修》;20190406(第07期);全文 *
面向电网巡检的多旋翼无人机航测系统关键技术研究及应用;汤坚等;《测绘通报》;20170525(第05期);全文 *

Also Published As

Publication number Publication date
CN110554704A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110554704B (zh) 一种基于无人机的风机叶片自主巡检方法
CN110580717B (zh) 一种针对电力杆塔的无人机自主巡检航线生成方法
CN110879601B (zh) 一种对于未知风机结构的无人机巡检方法
He et al. Research of multi-rotor UAVs detailed autonomous inspection technology of transmission lines based on route planning
CN109936080B (zh) 一种无人机巡检输电线路的方法
CN112904877A (zh) 一种基于无人机的风机叶片自动巡检系统及方法
CN110908401B (zh) 一种针对未知杆塔结构的无人机自主巡检方法
CN108894933B (zh) 通过无人机对风机叶尖跟踪检测时跟丢再捕捉方法及系统
CN108733079A (zh) 通过无人机对风机进行自动巡检飞行路径确定方法及系统
CN110244766A (zh) 一种光伏电站无人机巡检航线的规划方法及系统
CN109946564B (zh) 一种配网架空线路巡检数据采集方法及巡检系统
CN109976339B (zh) 一种车载配网巡检数据采集方法与巡检系统
CN114743021A (zh) 一种输电线路图像与点云数据的融合方法及系统
CN109389056B (zh) 一种空基多视角协同的轨道周边环境检测方法
CN115442532B (zh) 风机不停机巡检的方法、系统、设备及存储介质
CN111830845A (zh) 一种无人机风机叶片自动巡检仿真系统及方法
Xi et al. A vision-based inspection strategy for large-scale photovoltaic farms using an autonomous UAV
CN114397900B (zh) 一种无人机航拍图片中心点经纬度误差优化方法
EP4097354A1 (en) Method of imaging a wind turbine rotor blade
CN114944816B (zh) 一种应用于光伏组件的智能巡检系统
CN112577606A (zh) 一种双无人机搭载主动热成像的风机叶片巡检方法
CN115326075A (zh) 一种基于无人机实现风场全域自动化巡检的路径规划方法
CN116501091A (zh) 基于无人机自动调整航线的风机巡检控制方法和装置
CN117631694A (zh) 一种风电机组无人机巡检路径规划方法及系统装置
Fang et al. A framework of power pylon detection for UAV-based power line inspection

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