CN111427375B - 无人机巡采巡查的微区域智能划分方法及系统 - Google Patents
无人机巡采巡查的微区域智能划分方法及系统 Download PDFInfo
- Publication number
- CN111427375B CN111427375B CN202010158395.3A CN202010158395A CN111427375B CN 111427375 B CN111427375 B CN 111427375B CN 202010158395 A CN202010158395 A CN 202010158395A CN 111427375 B CN111427375 B CN 111427375B
- Authority
- CN
- China
- Prior art keywords
- geographic
- area
- unmanned aerial
- aerial vehicle
- micro
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000007689 inspection Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000003086 colorant Substances 0.000 description 7
- 241000283690 Bos taurus Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本申请实施例属于人工智能领域，公开了一种无人机巡采巡查的微区域智能划分方法及系统，方法包括：获取待划分区域内的地理特征信息；根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域；根据所述地理特征区域的地理特征信息选择无人机，得到无人机飞行参数；设置无人机往返时间且与所述无人机飞行参数计算得到所述地理特征区域内微区域的个数；基于所述地理特征区域内微区域的个数计算各个所述微区域的边界。通过本申请实施例可以将待划分区域智能划分为微区域，保证无人机在微区域进行巡采巡查时不超出其续航能力，提高了安全性且减少了人工成本。
Description
技术领域
本申请属于人工智能领域，尤其涉及一种无人机巡采巡查的微区域智能划分方法及系统。
背景技术
目前对一区域进行巡采巡查时，主要是使用无人机直接在该区域进行飞行作业，存在无人机续航能力不足以飞行完整个区域的问题，进而导致需要降落无人机给无人机进行更换电池或充电等操作，降低了安全性。例如，无人机对一区域进行巡采巡查，当飞行到一湖泊上空时，出现续航能力不足的情况，需要降落无人机进行更换电池或充电等操作，但若此时降落无人机，无人机则会掉入到湖泊中。
针对上述情况，想到了主要采取人工的方式将该区域划分为多个小区域，再使用无人机分别在这些小区域进行巡采巡查的方案。但是，人工划分区域的方式，一方面需要花费较多的人工成本，另一方面人为因素影响较大，可能带来失误，将区域划分错误，导致出现无人机在小区域进行飞行作业过程时，出现续航能力不足的情况，使得安全性低。
发明内容
本申请实施例提供一种无人机巡采巡查的微区域智能划分方法及系统，将区域智能划分为微区域，保证无人机在微区域进行巡采巡查时，不超出其续航能力，提高了安全性且减少了人工成本。
第一方面，本申请实施例提供一种无人机巡采巡查的微区域智能划分方法，包括：
获取待划分区域内的地理特征信息；
根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域；
根据所述地理特征区域的地理特征信息选择无人机，得到无人机飞行参数；
设置无人机往返时间且与所述无人机飞行参数计算得到所述地理特征区域内微区域的个数；
基于所述地理特征区域内微区域的个数计算各个所述微区域的边界。
本申请实施例通过获取待划分区域内的地理特征信息，再根据地理特征信息对待划分区域进行分类，得到至少一个地理特征区域，然后划分各个地理特征区域，最后得到各个地理特征区域内微区域的个数和各个微区域的边界。通过本申请实施例可以将待划分区域智能划分为一个或多个微区域，保证无人机在微区域进行巡采巡查时不超出其续航能力，提高了安全性且减少了人工成本。
结合第一方面，在一种可能的实现方式中，所述无人机飞行参数包括续航时间和飞行速度；
所述设置无人机往返时间且与所述无人机飞行参数计算得到所述地理特征区域内微区域的个数，包括：
设置小于所述续航时间的时间作为无人机往返时间；
将所述续航时间减去所述无人机往返时间，得到无人机作业时间；
对所述地理特征区域使用航线规划算法，得到覆盖所述地理特征区域的航线；
计算所述地理特征区域的航线长度并除以所述飞行速度，得到所述地理特征区域的航线时间；
将所述航线时间除以所述无人机作业时间且向上取整，得到所述地理特征区域内微区域的个数。
结合第一方面，在一种可能的实现方式中，所述飞行参数包括旁向覆盖率、飞行高度和相机横向视场角；
所述对所述地理特征区域使用航线规划算法前，包括：
计算所述地理特征区域的航线间距；
所述航线间距的计算公式为：
d＝(1-p1)*2*H*tan(Fv1/2)
其中，d表示航线间距，p1表示所述旁向覆盖率，H表示所述飞行高度，Fv1表示所述相机横向视场角。
结合第一方面，在一种可能的实现方式中，计算所述地理特征区域的航线的长度，包括：
获取所述航线的起点、终点和各个转弯拐点的地理位置信息；
根据所述起点、终点和各个转弯拐点的地理位置信息分别计算所述起点到第一个所述转弯拐点、相邻两个所述转弯拐点以及最后一个所述转弯拐点到终点的距离并相加得到所述航线的长度。
或者，
获取所述地理特征区域的纵向长度和横向长度；
通过所述航线间距、所述纵向长度和横向长度计算所述航线的长度，计算公式为：
其中，L为所述地理特征区域的纵向长度；M为所述地理特征区域的横向长度；d为所述航线间距；表示/>的向上取整。
结合第一方面，在一种可能的实现方式中，基于所述地理特征区域内微区域的个数计算各个所述微区域的边界，包括：
在所述地理特征区域内随机初始化多个位置点；
根据所述微区域个数将所述多个位置点分为N蔟，N等于所述地理特征区域内微区域的个数；
根据所述多个位置点的地理位置信息计算所述地理特征区域内各个所述微区域的边界。
结合第一方面，在一种可能的实现方式中，根据所述地理特征信息对所述划分区域进行分类，得到至少一个地理特征区域，包括：
从卫星遥感地图上选取出多个区域图并根据所述地理特征信息对各个所述区域图进行标注，得到训练数据；
使用所述训练数据训练预先构建的语义分割模型，迭代训练多次，最后得到训练完成的语义分割模型；
将所述待划分区域输入到所述训练完成的语义分割模型，训练完成的所述语义分割模型对所述待划分区域进行分类，得到至少一个地理特征区域。
第二方面，本申请实施例提供一种无人机巡采巡查的微区域智能划分系统，包括：
获取模块，用于获取待划分区域内的地理特征信息；
分类模块，用于根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域；
输入模块，用于根据所述地理特征区域的地理特征信息选择无人机，得到无人机飞行参数；
设置模块，用于设置无人机往返时间且与所述无人机飞行参数计算得到所述地理特征区域内微区域的个数；
边界计算模块，用于基于所述地理特征区域内微区域的个数计算各个所述微区域的边界。
第三方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的提供的一种无人机巡采巡查的微区域智能划分方法的流程示意框图；
图2为本申请实施例提供的将待划分区域划分为地理特征区域的示意图；
图3为本申请实施例提供的步骤S104的具体流程示意框图；
图4为本申请实施例提供的步骤S105的一种具体流程示意框图；
图5为本申请实施例提供的步骤S105的另一种具体流程示意框图；
图6为本申请实施例提供的将待划分区域划分为微区域的示意图；
图7为本申请实施例提供的无人机巡采巡查的微区域智能划分系统的结构框图；
图8为本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。
现有技术中，在对一区域进行巡采巡查时，主要是直接在该区域进行飞行作业，存在无人机续航能力不足以飞行完整个区域的问题，进而导致需要中断飞行过程给无人机进行更换电池或充电等操作，降低了安全性。若主要采取人工的方式将区域划分为几个小区域，一方面需要花费较多的人工成本，另一方面人为因素影响较大，可能带来失误，将区域划分错误，导致无人机在小区域进行采查作业时超出其续航能力，降低了安全性。
本申请实施例中，先获取待划分区域内的地理特征信息；再根据地理特征信息对待划分区域进行分类，得到至少一个地理特征区域；接着根据地理特征区域的地理特征信息选择无人机，得到无人机飞行参数；然后设置无人机往返时间且与无人机飞行参数计算得到地理特征区域内微区域的个数；最后根据地理特征区域内微区域的个数计算得到各个微区域的边界。通过得到待划分区域所包括的微区域的个数和微区域的边界，知悉待划分区域被划分成了几个微区域且各个微区域所在位置，进而得到一个或多个微区域。通过本申请实施例可以将待划分区域智能划分为一个或多个微区域，保证了无人机在微区域进行采查作业时不超出其续航能力，进而不用中断采查作业给无人机进行更换电池或充电等操作，提高了安全性，不采取主要使用人工划分区域的方式，进一步提高了安全性且减少了人工成本。
为了更好地介绍本申请实施例提供的技术方案，下面将通过具体实施例进行介绍。
请参见图1，为本申请实施例的提供的一种无人机巡采巡查的微区域智能划分方法的流程示意框图，该方法可以包括以下步骤：
步骤S101、获取待划分区域内的地理特征信息。
需要说明的是，待划分区域为需要进行航线规划，然后无人机根据规划出的航线进行采查作业的区域。也可理解为待航线规划区域或待勘探区域。例如，无人机需要对A市进行勘探时，待划分区域为A市。
上述地理特征信息包括但不限于地理特征和各个地理特征的位置信息。其中，地理特征包括但不限于森林、水系、公园、楼房、道路和建设工地等，水系包括河流和湖泊等，楼房包括住宅区和办公区等；地理特征的位置信息可具体为地理特征的经纬度信息。例如，B区域包括森林和水系的河流两种地理特征，现要对B区域进行划分，则从B区域获取森林和河流以及森林和河流对应的经纬度信息。
在一些实施例中，可直接从卫星遥感地图上获取待划分区域的地理特征信息。例如，已确定B区域为待划分区域，可直接从卫星遥感地图上查看B区域并获取到B区域包括森林和河流这两个地理特征以及森林和河流的位置信息。
在另一些实施例中，也可通过将待划分区域图输入到深度神经网络里面得到待划分区域所包括的地理特征信息，在此不进行赘述。
步骤S102、根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域。
需要说明的是，根据地理特征信息对待划分区域进行分类后得到的地理特征区域的数量可与待划分区域所包括的地理特征的类别的数量一致(即包括多少种地理特征，就有多少个地理特征区域)，也可不一致。例如，B区域包括森林和河流这两种地理特征，对B区域进行分类得到的地理特征区域的数量可为两个，也可不为两个。
在一些实施例中，可先根据地理特征信息将待划分区域进行分类，得到至少一个目标地理特征区域，然后根据实际情况采用人工的方法去拆分和/或合并目标地理特征区域，进而得到至少一个地理特征区域。
下面将结合图2示出的将待划分区域划分为至少一个地理特征区域的示意图进行介绍。
如图2所示，C区域包括森林、水系、公园、楼房、道路和建设工地六个地理特征。根据地理特征信息对C区域进行分类，得到森林、水系、公园、楼房、道路和建设工地这六个类别的目标地理特征区域，但因为C区域中的森林这个目标地理特征区域为两个不同位置的森林区域组成，中间隔着一条水系，则将森林这个目标地理特征区域进行拆分，最后得到C1、C2、C3、C4、C5、C6和C7这七个地理特征区域。其中，C1和C2为森林这个目标特征区域拆分得到。此时待划分区域得到的地理特征区域的数量与待划分区域所包括的地理特征的类别的数量不一致。
D区域包括水系、森林和楼房三个地理特征。根据地理特征信息对D区域进行分类，得到水系、森林和楼房这三个类别的目标地理特征区域。因为森林这个目标地理特征区域的面积过大，所以将森林这个目标地理特征区域进行拆分，最后得到D1、D2、D3和D4这四个地理特征区域。其中，D2和D3为森林这个目标特征区域拆分得到。此时待划分区域得到的地理特征区域的数量与待划分区域所包括的地理特征的类别的数量也不一致。
E区域包括森林和公园两个地理特征，根据地理特征信息对E区域进行分类，得到森林和公园这两个类别的目标地理特征区域。根据实际情况不对这两个类别的目标地理特征区域进行拆分和/或合并，最后得到E1和E2两个地理特征区域。此时待划分区域得到的地理特征区域的数量与待划分区域所包括的地理特征的类别的数量一致。
可以理解的是，对待划分区域进行分类得到的地理特征区域的类别的数量可与待划分区域所包括的地理特征的类别的数量一致，也可以不一致，具体是根据实际情况去确定是否对分类后得到的目标特征区域进行拆分和/或合并等操作，进而得到地理特征区域。
其中，目标地理特征区域指对待划分区域进行分类后，还未采取人工方式确定是否进行拆分和/或合并等操作得到的区域。地理特征区域则为已采取人工方式确定是否对目标地理特征区域进行拆分和/或合并等操作得到的区域。
在一些实施例中，可使用训练完成的语义分割模型对待划分区域进行语义分割(即分类)。而得到训练完成的语义分割模型的过程为：
(1)从卫星遥感地图上选取出多个区域图并根据地理特征信息对各个所述区域图进行标注，得到训练数据；
具体应用中，可从卫星遥感地图上随机选取出多个区域图并从卫星遥感地图上获取各个区域图所包括的地理特征信息，使用不同的颜色表示不同的特征，再采用人工的方式对各个区域图所包括的地理特征标注对应的颜色，最后得到由多个标注的区域图组成的训练数据；或者，从卫星遥感地图上随机选取出多个区域图并获取各个区域图包括的地理特征信息，再将各个区域图切割成多个图像块，使用不同的颜色表示不同的地理特征，接着采用人工的方式对各个图像块标注对应的颜色，最后得到由多个标注的区域图像块组成的训练数据。
例如，F区域为从卫星遥感地图上选取出的一个区域图，从卫星遥感地图上获取到F区域图包括三种地理特征，分别使用红、黄和紫代表这三种地理特征，然后使用人工的方式对F区域图的这三个地理特征所在位置标注对应的颜色，最后得到包括至少一个红色区域、至少一个黄色区域和至少一个紫色区域的F区域图。
需要说明的是，将区域图切割成图像块不仅可增加数据量，也可避免出现图片过大导致不能输入到语义分割模型中去训练该模型的问题出现。
在一些实施例中，也可通过对区域图或图像块进行旋转、模糊、调整亮度和/或增加噪声等操作去增加训练数据的数据量。另外，将一张区域图切割成多个图像块，各个所述图像块的大小可相同，也可不同。
(2)使用训练数据训练预先构建的语义分割模型，迭代训练多次，最后得到训练完成的语义分割模型。
具体应用中，可先获取训练数据，然后将训练数据中的区域图或者区域图像块分别输入到预先构建的语义分割模型去训练该模型，迭代训练多次，直到Loss值最小或模型趋于收敛，得到训练完成的语义分割模型。其中，Loss值最小指的是所标注的各个颜色的Loss值都达到最小或者各个颜色的Loss总值达到最小。
上述预先构建的语义分割模型的可具体为SegNet网络，也可为其他，在此不作限定。
得到训练完成的语义分割模型后，将待划分区域输入到训练完成的语义分割模型，语义分割模型对该待划分区域进行分类(即标注颜色)，进而得到标注不同颜色的目标地理特征区域，然后根据实际情况需要确定是否对目标地理特征区域进行拆分或合并等操作，最后得到一个或多个地理特征区域。
例如，G区域为待划分区域，其包括森林和水系的河流两个地理特征，将G区域图输入到训练完成的语义分割模型，训练完成的语义分割模型先对G区进行语义分割(即标注颜色)，进而得到标注两个颜色的两个目标地理特征区域，然后根据实际情况不对这两个目标特征区域进行拆分或合并的操作，最后得到包括绿色区域和白色区域这两个地理特征区域。
步骤S103、根据所述地理特征区域的地理特征信息选择无人机，得到无人机飞行参数。
在一些实施例中，可先采取人工的方式根据地理特征区域内的地理特征信息选择无人机机型，然后得到所选择的无人机的飞行参数的范围值，最后在飞行参数的范围值内选择一个具体值，进而得到无人机飞行参数。无人机飞行参数包括但不限于飞行速度、飞行高度、续航时间、航向覆盖率、旁向覆盖率、横向视场角和纵向视场角。
例如，上文将E区域进行分类得到E1和E2两个地理特征区域，E1为森林区域，现采用人工的方式根据E1的森林的高度选择无人机机型，选择好无人机机型后，再从该无人机的飞行参数的范围值内选择一个具体值输入，最后得到无人机飞行参数的具体值。
需要说明的是，飞行参数的续航时间可为范围值的最大值，但飞行速度和飞行高度则不能超过最大值。
步骤S104、设置无人机往返时间且与所述无人机飞行参数计算得到所述地理特征区域内微区域的个数。
微区域指其在地理特征区域内且面积小于或等于地理特征区域，而地理特征区域则指其在待划分区域内且面积小于或等于待划分区域。
在一些实施例中，参见图3示出的步骤S104的具体流程示意框图，上述步骤S104的具体过程可以包括：
步骤S301、设置小于续航时间的时间作为无人机往返时间。
无人机往返时间为无人机起飞点到微区域的航线的起点与该微区域的航线的终点到无人机起飞点的时间。
需要说明的是，设置小于无人机续航时间的时间作为无人机往返时间，可使得无人机起飞点只能设置在一定的区域范围内，而不能随意设置在任何位置。设置这一条件，可保证无人机对一个微区域进行采查作业时，不超出其续航时间。另外，设置无人机往返时间时还未得到微区域以及微区域的航线，设置无人机往返时间的目的在于得到微区域，最后再对微区域使用航线规划算法得到微区域的航线。
步骤S302、将续航时间减去无人机往返时间，得到无人机作业时间。
需要说明的是，此处的无人机作业时间表示无人机对一个微区域进行采查作业所用的时间，在此为理论值，其通过续航时间减去设置的无人机往返时间得到，计算得到无人机作业时间目的也是为了得到微区域。即，此时无人机作业时间并非是将待划分区域划分为微区域后，对微区域使用航线规划算法得到该微区域的航线，无人机再沿着该航线对该微区域进行巡采巡查的飞行作业时间。
步骤S303、对地理特征区域使用航线规划算法，得到覆盖地理特征区域的航线。
具体应用中，在对地理特征区域使用航线规划算法前，需使用无人机的飞行参数计算出地理特征区域的航线间距，而航线间距是通过无人机飞行参数的旁向覆盖率、飞行高度和相机横向视场角计算得到。航线间距的计算公式如下式1计算得到。
d＝(1-p1)*2*H*tan(Fv1/2) (1)
其中，d表示航线间距，p1表示旁向覆盖率，H表示飞行高度，Fv1表示相机横向视场角。
在计算得到地理特征区域的航线间距后，根据该航线间距对该地理特征区域使用航线规划算法，得到覆盖该地理特征区域的航线。航线规划算法可为牛耕往复算法，也可为其他航线规划算法，在此不作限定。
而牛耕往复算法指的是在一地理特征区域内，采用往复行走的方式在地理特征区域内进行飞行作业，当路程和转弯次数较优时，得到覆盖该地理特征区域的较优航线。当作业方式的横向长度不为航线间距的整数倍时，采用向上取整的方式得到覆盖地理特征区域的航线，以确保整个特征区域被航线覆盖。覆盖地理特征区域的航线的长度和转弯次数的计算公式如下式2。
其中，S表示路程(即航线的长度)，L为特征区域的纵向长度；M为特征区域的横向长度；d为航线间距；表示/>的向上取整，Y表示航线在特征区域内的转弯次数。
步骤S304、计算出地理特征区域的航线长度并除以飞行速度，得到地理特征区域的航线时间。
需要说明的是，计算地理特征区域的航线的长度的方法可以是先获取航线各点的地理位置信息，再根据航线各点的地理位置信息去计算得到航线的长度；也可以是使用牛耕往复算法先得到覆盖地理特征区域的航线，然后根据航线间距、地理特征区域的横向长度和纵向长度计算出航线的长度；亦可以是其他能够计算得到航线长度的方法，在此不作限定。
计算航线长度的方法不同，过程也不同，下面将介绍两种计算航线长度的方法。
第一种：根据航线各点的地理位置信息计算航线的长度。
具体地，先获取覆盖地理特征区域的航线的起点、终点和各个转弯拐点的地理位置信息；然后根据起点、终点和各个转弯拐点的地理位置信息分别计算起点到第一个转弯拐点、相邻两个转弯拐点以及最后一个转弯拐点到终点的距离，最后将各个距离相加得到航线的长度。航线的起点、终点和各个转弯拐点的地理位置信息可具体为航线的起点、终点和各个转弯拐点的经纬度信息。
可以理解的是，上述第一个转弯拐点为地理特征区域内的航线从起点开始的第一个转弯所产生的靠近起点的拐点，最后一个转弯拐点为最后一次转弯所产生的靠近终点的拐点。
其中，两点间的距离的计算公式可如下式3。
其中，Z表示两点间的距离(即点到点的距离)，R表示地球的近似半径；WA表示A点的纬度值，WB表示B点的纬度值，JA表示A点的经度值，JB表示B点的经度值。
例如，根据航线规划算法得到一条覆盖地理特征区域的航线X，航线X包括起点、两个转弯拐点(拐点1和拐点2)和终点；其中，拐点1为航线X的第一个转弯拐点且靠近起点，拐点2为航线的最后一个转弯拐点且靠近终点；然后获取航线X的起点、拐点1、拐点2和终点的经纬度信息，再根据两点间的距离的计算公式分别计算起点到拐点1、拐点1到拐点2和拐点2到终点的距离，最后将各个距离相加得到航线的长度。
第二种：根据航线间距、地理特征区域的横向长度和纵向长度去计算出航线的长度。
具体应用中，先计算得到航线间距，再获取地理特征区域的纵向长度和横向长度，然后计算出航线的长度。
航线的长度的计算公式可为上述公式2，即：
其中，S表示航线的长度，L为地理特征区域的纵向长度；M为地理特征区域的横向长度；d为航线间距；表示/>的向上取整。
步骤S305、将航线时间除以所述无人机作业时间且向上取整，得到所述地理特征区域内微区域的个数。
地理特征区域内的航线时间通过覆盖该地理特征区域的航线的长度除以无人机飞行参数的飞行速度计算得到。然后将该地理特征区域的航线时间除以无人机作业时间得到该地理特征区域内微区域的个数。
具体应用中，先根据上述步骤S302计算得到无人机作业时间，再根据步骤S303得到航线，进而计算得到航线时间，最后将航线时间除以无人机作业时间且向上取整得到地理特征区域内微区域的个数。地理特征区域内微区域个数的计算公式如下式4所示：
其中，N表示所述微区域的个数，T表示所述航线时间，t1表示所述无人机作业时间，表示/>的向上取整。
需要说明的是，通过将无人机续航时间减去无人机往返时间得到无人机作业时间，再将航线时间除以无人机作业时间且向上取整得到地理特征区域内微区域的个数，可保证无人机飞行一个微区域的时间不超出该无人机的续航时间。另外，通过向上取整得到地理特征区域内微区域的个数可使得该地理特征区域被划分完。例如，将航线时间除以无人机作业时间得到2.1，向上取整得到微区域的个数为3。
步骤S105、基于所述地理特征区域内微区域的个数计算各个所述微区域的边界。
具体地，基于地理特征区域内微区域的个数使用聚类算法后，计算地理特征区域内各个微区域的边界。聚类算法可具体为K-means算法，也可是其他聚类算法。
参见图4示出的步骤S105的一种具体流程示意框图，上述步骤S105的一种具体过程可以包括：
步骤S401、在地理特征区域内随机初始化多个位置点。
需要说明的是，初始化的位置点越多越好。
步骤S402、根据微区域个数将多个位置点分为N蔟，N等于特征区域内微区域的个数。
具体地，根据微区域个数使用聚类算法将多个位置点分为N蔟，N等于特征区域内微区域的个数。例如，某个地理特征区域所包括的微区域的个数为10，根据微区域个数使用聚类算法将多个位置点分为10蔟。
其中，聚类算法可具体为K-means算法，也可是其他聚类算法。
步骤S403、根据多个位置点的地理位置信息计算地理特征区域内各个微区域的边界。
具体应用中，先在该地理特征区域内随机初始化多个位置点，使得各个位置点在该地理特征区域的边界内，假设该地理特征区域包括N个微区域，再使用聚类算法将随机初始化的多个位置点分为N蔟，然后根据多个位置点的地理位置信息，分别计算得到每一蔟的边界上的多个位置点的经纬度信息，即计算得到每个微区域的边界上的多个位置点的经纬度信息，最后根据得到的每一蔟边界的多个位置点的经纬度信息得到N个微区域。而位置点的地理位置信息可具体为位置点的经纬度信息。
在一些实施例中，可根据多个位置点的地理位置信息使用经度梯度方法或纬度梯度方法计算得到地理特征区域内各个微区域的边界，即可使用经纬度梯度方法计算出每一蔟的边界上的多个位置点的经纬度信息。具体过程是：先分别将每一蔟中所有的位置点按照经度值或纬度值的大小分为多段，假设按照经度梯度去计算，先获取到该蔟的最大经度和最小经度，再求出该蔟每段的最大纬度和最小纬度，通过计算得到每段经度的中值，然后将得到的经度中值与最大纬度和最小纬度形成的两个坐标点，以此类推最后得到其他段的坐标点，最后多段的多个坐标点形成微区域边界，即多段的多个坐标点为微区域边界上多个点的经纬度信息。另外，按照纬度梯度去计算得到边界上多个坐标点(即位置点的经纬度)的过程与上述按照经度梯度的过程基本相同，在此不再赘述。
例如，某蔟的最大经度为16，最小经度为0，按照经度梯度去计算，将该蔟分为多段，如16段：[0,1]、[1,2]、[2,3]......[15,16]。从[0,1]段得到最大纬度y1和最小纬度y'1，并求出该段的经度中值为0.5(即)，进而得到该段经纬度坐标点(0.5,y1)和(0.5，y′1)，从[1,2]段得到最大纬度y2和最小纬度y'2，并求出该段的中值1.5，进而得到该段的经纬度坐标点(1.5,y2)和(1.5,y'2),以此类推，分别得到剩余段的经纬度坐标点，最终将各段得到的经纬度坐标点连接起来形成微区域。
需要说明的是，一个待划分区域可包括一个微区域，也可包括多个微区域；一个地理特征区域可包括一个微区域，也可包括多个微区域。
如图5所示，D区域为待划分区域，先将D区域分为地理特征区域D1、D2、D3和D4，再分别将地理特征区域D1、D2、D3和D4划分为微区域。其中，D1包括微区域D11，D2包括微区域D21和D22，D3包括微区域D31和D32，D4包括微区域D41。微区域D11即为地理特征区域D1，微区域D4即为地理特征区域D41。也就是说，对地理特征区域进行划分后，地理特征区域可包括一个微区域，也可包括多个微区域。
H区域为待划分区域，先将H区域划分为地理特征区域H1，再将地理特征区域H1划分为微区域，得到微区域H11。微区域H11即为地理特征区域H1，也为待划分区域。也就是说，一个待划分区域可包括一个微区域，也可包括多个微区域。
本申请实施例通过得到各个地理特征区域内的微区域的个数和微区域的边界，进而得到待划分区域所包括的微区域的个数和各个微区域的边界等信息，以此知悉待划分区域被划分了几个微区域且各个微区域所在的位置，保证了无人机在微区域进行采查作业而不超出其续航能力，进而不用中断采查作业给无人机更换电池或充电，提高了安全性。通过使用语义分割、航线规划和聚类等算法将待划分区域智能划分为一个或多个微区域，不采取主要使用人工去划分区域的方式，避免了人工划分区域所带来的失误，进一步提高了安全性且减少了人工成本。
另外，本申请实施例可选择输出待划分区域包括的微区域个数、微区域边界和微区域的面积等信息。至于微区域的面积可使用凸多边形面积算法，根据凸多边形的顶点坐标来计算面积，此为现有技术，在此不进行详细描述。
除了直接根据地理特征区域包括的微区域的个数计算地理特征区域内各个微区域的边界外，在另一些实施例中，可根据地理特征区域包括的微区域个数和障碍物信息计算地理特征区域内各个微区域的边界，进而得到一个或多个微区域。加入障碍物去划分得到微区域，尽可能不将障碍物划分到微区域内，进一步提高无人机进行采查作业的安全性。
参见图6示出的步骤S105的另一种具体流程示意框图，上述步骤S105的另一种具体过程可以包括：
步骤S601、在地理特征区域内随机初始化多个位置点。
需要说明的是，初始化的位置点越多越好。
步骤S602、获取地理特征区域内的障碍物信息，障碍物信息包括障碍物的地理位置信息。
上述障碍物信息包括但不限于障碍物的地理位置信息和障碍物的高度，障碍物地理位置信息可具体为障碍物的经纬度信息。障碍物信息可从多个渠道获取，例如根据第三方的录入去获取，或者从已进行的采集作业去获取，在此不作限定。
步骤S603、根据微区域个数和障碍物地理位置信息将多个位置点分为N蔟，N等于地理特征区域内微区域的个数。
具体应用中，可根据微区域个数和障碍物地理位置信息使用聚类算法将多个位置点分为N蔟，N等于地理特征区域内微区域的个数。首先在地理特征区域内随机初始化多个位置点，使得各个位置点在地理特征区域内，假设该地理特征区域内的微区域个数为N，再使用聚类算法根据微区域的个数和该地理特征区域内的障碍物地理位置信息将多个位置点分为N蔟，使得障碍物尽可能不在蔟内。N的数量等于该地理特征区域内微区域个数。例如，某个地理特征区域所包括的微区域的个数为8，根据微区域个数使用聚类算法将多个位置点分为8蔟。
其中，聚类算法可具体为K-means算法，也可是其他聚类算法，在此不作限定。
步骤S604、根据多个位置点的地理位置信息计算地理特征区域内各个微区域的边界。
具体地，先获取地理特征区域内的多个位置点的地理位置信息，再根据多个位置点的地理位置信息，计算得到地理特征区域内每一蔟边界上多个位置点的地理位置信息，最后根据每一蔟边界上多个位置点的地理位置信息分别将每一蔟边界上对应的多个位置点连接起来形成微区域。其中，多个位置点的地理位置信息可具体为多个位置点的经纬度信息。
在一些实施例中，可根据多个位置点的地理位置信息使用经纬度梯度方法计算出每一蔟的边界上的多个位置点的经纬度信息。具体过程是：先分别将每一蔟中所有的位置点按照经度值或纬度值的大小分为多段，假设按照经度梯度去计算，先获取到该蔟的最大经度和最小经度，再求出该蔟每段的最大纬度和最小纬度，通过计算得到每段经度的中值，然后将得到的经度中值与最大纬度和最小纬度形成的两个坐标点，以此类推最后得到其他段的坐标点，最后多段的多个坐标点形成微区域边界，即多段的多个坐标点为微区域边界上多个点的经纬度信息。另外，按照纬度梯度去计算得到边界上多个坐标点(即位置点的经纬度)的过程与上述按照经度梯度的过程基本相同，在此不再赘述。
例如，某蔟的最大经度为16，最小经度为0，按照经度梯度去计算，将该蔟分为多段，如16段：[0,1]、[1,2]、[2,3]......[15,16]。从[0,1]段得到最大纬度和最小纬度，并求出该段的经度中值为0.5(即)，进而得到该段经纬度坐标点(0.5,)和(0.5，)，从[1,2]段得到最大纬度和最小纬度，并求出该段的中值1.5，进而得到该段的经纬度坐标点(1.5,)和(1.5,),以此类推，分别得到剩余段的经纬度坐标点，最终将各段得到的经纬度坐标点连接起来形成微区域。
对应于上文实施例所述的无人机巡采巡查的微区域智能划分方法，图7示出了本申请实施例提供的无人机巡采巡查的微区域智能划分系统的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：
获取模块71，用于获取待划分区域内的地理特征信息；
分类模块72，用于根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域；
输入模块73，用于根据所述地理特征信息输入无人机飞行参数；
设置模块74，用于设置无人机往返时间且与所述无人机飞行参数计算得到所述地理特征区域内微区域的个数；
边界计算模块75，用于基于所述地理特征区域内微区域的个数计算各个所述微区域的边界。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8为本申请一实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个方法实施例中的步骤。
所述终端设备8可以是笔记本、掌上电脑或云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述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，均应包含在本申请的保护范围之内。
Claims (8)
1.一种无人机巡采巡查的微区域智能划分方法，其特征在于，包括：
获取待划分区域内的地理特征信息，并根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域；
根据所述地理特征区域的地理特征信息选择无人机，得到无人机飞行参数，所述无人机飞行参数包括续航时间和飞行速度；
设置小于所述续航时间的时间作为无人机往返时间，并将所述续航时间减去所述无人机往返时间，得到无人机作业时间；
对所述地理特征区域使用航线规划算法，得到覆盖所述地理特征区域的航线；
计算所述地理特征区域的航线长度并除以所述飞行速度，得到所述地理特征区域的航线时间，将所述航线时间除以所述无人机作业时间且向上取整，得到所述地理特征区域内微区域的个数；
在所述地理特征区域内随机初始化多个位置点，并根据所述微区域个数将所述多个位置点分为N蔟，或者根据所述微区域个数和障碍物的地理位置信息将多个位置点分为N簇，所述障碍物位于所述地理特征区域内，N等于所述地理特征区域内微区域的个数；
根据所述多个位置点的地理位置信息计算所述N簇中每一簇边界上各个位置点的地理位置信息后，根据每一簇边界上各个位置点的地理位置信息将每一簇边界上的多个位置点连接起来，以获得所述地理特征区域内各个所述微区域的边界。
2.如权利要求1所述的方法，其特征在于，所述无人机飞行参数包括旁向覆盖率、飞行高度和相机横向视场角；
所述对所述地理特征区域使用航线规划算法前，包括：
计算所述地理特征区域的航线间距；
所述航线间距的计算公式为：
d＝(1-p1)*2*H*tan(Fv1/2)
其中，d表示航线间距，p1表示所述旁向覆盖率，H表示所述飞行高度，Fv1表示所述相机横向视场角。
3.如权利要求2所述的方法，其特征在于，计算所述地理特征区域的航线的长度，包括：
获取所述航线的起点、终点和各个转弯拐点的地理位置信息；
根据所述起点、终点和各个转弯拐点的地理位置信息分别计算所述起点到第一个所述转弯拐点、相邻两个所述转弯拐点以及最后一个所述转弯拐点到终点的距离并相加得到所述航线的长度。
4.如权利要求2所述的方法，其特征在于，计算所述地理特征区域的航线的长度，包括：
获取所述地理特征区域的纵向长度和横向长度；
通过所述航线间距、所述纵向长度和横向长度计算所述航线长度，计算公式为：
其中，L为所述地理特征区域的纵向长度；M为所述地理特征区域的横向长度；d为所述航线间距；表示/>的向上取整。
5.如权利要求1所述的方法，其特征在于，所述根据所述地理特征信息对所述划分区域进行分类，得到至少一个地理特征区域，包括：
从卫星遥感地图上选取出多个区域图并根据所述地理特征信息对各个所述区域图进行标注，得到训练数据；
使用所述训练数据训练预先构建的语义分割模型，迭代训练多次，最后得到训练完成的语义分割模型；
将所述待划分区域输入到所述训练完成的语义分割模型，训练完成的所述语义分割模型对所述待划分区域进行分类，得到至少一个地理特征区域。
6.一种无人机巡采巡查的微区域智能划分系统，其特征在于，包括：
获取模块，用于获取待划分区域内的地理特征信息；
分类模块，用于根据所述地理特征信息对所述待划分区域进行分类，得到至少一个地理特征区域；
输入模块，用于根据所述地理特征区域的地理特征信息选择无人机，得到无人机飞行参数，所述无人机飞行参数包括续航时间和飞行速度；
设置模块，用于设置小于所述续航时间的时间作为无人机往返时间，并将所述续航时间减去所述无人机往返时间，得到无人机作业时间；对所述地理特征区域使用航线规划算法，得到覆盖所述地理特征区域的航线；计算所述地理特征区域的航线长度并除以所述飞行速度，得到所述地理特征区域的航线时间，将所述航线时间除以所述无人机作业时间且向上取整，得到所述地理特征区域内微区域的个数；
边界计算模块用于：在所述地理特征区域内随机初始化多个位置点；根据所述微区域个数将所述多个位置点分为N蔟，或者根据所述微区域个数和障碍物的地理位置信息将多个位置点分为N簇，所述障碍物位于所述地理特征区域内，N等于所述地理特征区域内微区域的个数；根据所述多个位置点的地理位置信息计算所述N簇中每一簇边界上各个位置点的地理位置信息后，根据每一簇边界上各个位置点的地理位置信息将每一簇边界上的多个位置点连接起来，以获得所述地理特征区域内各个所述微区域的边界。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010158395.3A CN111427375B (zh) | 2020-03-09 | 2020-03-09 | 无人机巡采巡查的微区域智能划分方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010158395.3A CN111427375B (zh) | 2020-03-09 | 2020-03-09 | 无人机巡采巡查的微区域智能划分方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111427375A CN111427375A (zh) | 2020-07-17 |
| CN111427375B true CN111427375B (zh) | 2024-01-09 |
Family
ID=71546239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010158395.3A Active CN111427375B (zh) | 2020-03-09 | 2020-03-09 | 无人机巡采巡查的微区域智能划分方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111427375B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111918032B (zh) * | 2020-07-24 | 2021-12-31 | 深圳市云洲创新科技有限公司 | 基于无人艇的水上监管方法、系统、装置及智能设备 |
| CN112068592B (zh) * | 2020-08-31 | 2021-10-26 | 南京航空航天大学 | 一种基于可充电无人机实现栅栏覆盖的调度方法 |
| CN113256839B (zh) * | 2021-05-17 | 2022-05-17 | 深圳得讯信息技术有限公司 | 一种基于ai的配电网智能巡检系统 |
| CN114320862A (zh) * | 2021-11-23 | 2022-04-12 | 国网浙江省电力有限公司嘉兴供电公司 | 一种空压机节能优化方法 |
| CN114442603A (zh) * | 2021-12-15 | 2022-05-06 | 深圳创动科技有限公司 | 巡检路径规划的方法、装置、系统及计算机可读存储装置 |
| CN114326804B (zh) * | 2021-12-28 | 2023-06-09 | 广州极飞科技股份有限公司 | 航线规划方法、作业控制方法及相关装置 |
| CN115272129A (zh) * | 2022-08-18 | 2022-11-01 | 中国人民公安大学 | 遥感图像处理方法、装置、设备及存储介质 |
| CN116088584B (zh) * | 2023-04-07 | 2023-07-18 | 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） | 一种测绘协同作业方法、系统及一种电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107924188A (zh) * | 2016-07-04 | 2018-04-17 | 深圳市大疆创新科技有限公司 | 一种无人机的飞行路径规划、控制方法及系统 |
| WO2018094661A1 (zh) * | 2016-11-24 | 2018-05-31 | 深圳市大疆创新科技有限公司 | 农业无人飞行器的航线规划方法及地面控制端 |
| CN108253971A (zh) * | 2017-12-29 | 2018-07-06 | 深圳创动科技有限公司 | 一种巡检方法及系统 |
| CN108319292A (zh) * | 2017-12-29 | 2018-07-24 | 深圳创动科技有限公司 | 一种无人飞行器的控制方法、控制台、飞行器及控制系统 |
| CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
| CN109934384A (zh) * | 2019-01-28 | 2019-06-25 | 沈阳无距科技有限公司 | 一种多边形地块分割方法、装置、存储介质及电子设备 |
| CN109931934A (zh) * | 2017-12-19 | 2019-06-25 | 杭州海康机器人技术有限公司 | 无人机作业任务的规划方法及装置 |
| CN110275544A (zh) * | 2019-04-16 | 2019-09-24 | 上海大学 | 一种植保无人机航线规划方法 |
| CN110749323A (zh) * | 2019-10-22 | 2020-02-04 | 广州极飞科技有限公司 | 一种作业路线的确定方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9390105B2 (en) * | 2013-08-20 | 2016-07-12 | Raytheon Company | System and methods for storing and analyzing geographically-referenced data |
-
2020
- 2020-03-09 CN CN202010158395.3A patent/CN111427375B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107924188A (zh) * | 2016-07-04 | 2018-04-17 | 深圳市大疆创新科技有限公司 | 一种无人机的飞行路径规划、控制方法及系统 |
| WO2018094661A1 (zh) * | 2016-11-24 | 2018-05-31 | 深圳市大疆创新科技有限公司 | 农业无人飞行器的航线规划方法及地面控制端 |
| CN109931934A (zh) * | 2017-12-19 | 2019-06-25 | 杭州海康机器人技术有限公司 | 无人机作业任务的规划方法及装置 |
| CN108253971A (zh) * | 2017-12-29 | 2018-07-06 | 深圳创动科技有限公司 | 一种巡检方法及系统 |
| CN108319292A (zh) * | 2017-12-29 | 2018-07-24 | 深圳创动科技有限公司 | 一种无人飞行器的控制方法、控制台、飞行器及控制系统 |
| CN109711446A (zh) * | 2018-12-18 | 2019-05-03 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
| CN109934384A (zh) * | 2019-01-28 | 2019-06-25 | 沈阳无距科技有限公司 | 一种多边形地块分割方法、装置、存储介质及电子设备 |
| CN110275544A (zh) * | 2019-04-16 | 2019-09-24 | 上海大学 | 一种植保无人机航线规划方法 |
| CN110749323A (zh) * | 2019-10-22 | 2020-02-04 | 广州极飞科技有限公司 | 一种作业路线的确定方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 田萱.《基于深度学习的图像语义分割技术》.北京海洋出版社,2019,3.3.1基于候选区域的图像语义分割方法. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111427375A (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111427375B (zh) | 无人机巡采巡查的微区域智能划分方法及系统 | |
| US10846874B2 (en) | Method and apparatus for processing point cloud data and storage medium | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| Chen et al. | Pointlanenet: Efficient end-to-end cnns for accurate real-time lane detection | |
| CN105629989B (zh) | 基于最小外包圆和最大内接圆的障碍区域划分方法 | |
| WO2018006454A1 (zh) | 一种无人机的飞行路径规划、控制方法及系统 | |
| CN117073704A (zh) | 使用电子地平线导航交通工具 | |
| CN115631356B (zh) | 道路设施缺失识别方法、装置、存储介质及电子装置 | |
| CN113343858B (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
| WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
| DE112021006299T5 (de) | Verfahren und Systeme zur Bodensegmentierung mittels Graphenschnitten | |
| CN113924459A (zh) | 用于车辆导航的动态传感器范围检测 | |
| CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
| US11893897B2 (en) | Movement space information processing system, movement space information processing method, and communication device | |
| EP4095812A1 (en) | Method for predicting a trajectory of an agent in a vicinity of a self-driving vehicle based on ranking | |
| CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
| CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
| CN116340307B (zh) | 坡道图层生成方法和装置、高精度地图及电子设备 | |
| WO2023192397A1 (en) | Capturing and simulating radar data for autonomous driving systems | |
| US20220244068A1 (en) | Dynamic map generation with focus on construction and localization field of technology | |
| Han et al. | Fully Convolutional Neural Networks for Road Detection with Multiple Cues Integration | |
| CN109657556A (zh) | 道路及其周边地物的分类方法及系统 | |
| CN113870421A (zh) | 一种竞速无人机的轨道智能定位方法、装置及设备 | |
| CN114821517A (zh) | 用于学习神经网络以确定环境中车辆姿态的方法和系统 | |
| Kong et al. | UAV LiDAR Data-based Lane-level Road Network Generation for Urban Scene HD Maps |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220223 Address after: 518000 2515, building 2, Huilong business center, North Station community, Minzhi street, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Zhongke Baotai Aerospace Technology Co.,Ltd. Address before: Room 1101-1102, building 1, Changfu Jinmao building, No.5, Shihua Road, free trade zone, Fubao street, Futian District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Zhongke Baotai Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230116 Address after: 1602, 16th floor, building B, Datang times commercial complex, 2203 Meilong Avenue, Qinghua community, Longhua street, Longhua District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Woven Brain Intelligence Technology Co.,Ltd. Address before: 518000 2515, building 2, Huilong business center, North Station community, Minzhi street, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Zhongke Baotai Aerospace Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |