CN112286230A - 无人机视觉图像算法、避障步骤及其信息融合处理系统 - Google Patents
无人机视觉图像算法、避障步骤及其信息融合处理系统 Download PDFInfo
- Publication number
- CN112286230A CN112286230A CN202011266461.5A CN202011266461A CN112286230A CN 112286230 A CN112286230 A CN 112286230A CN 202011266461 A CN202011266461 A CN 202011266461A CN 112286230 A CN112286230 A CN 112286230A
- Authority
- CN
- China
- Prior art keywords
- module
- unmanned aerial
- aerial vehicle
- information
- gray
- 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.)
- Pending
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 79
- 238000007499 fusion processing Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 230000003287 optical effect Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 49
- 238000009499 grossing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000004888 barrier function Effects 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 1
Images
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
- G05D1/12—Target-seeking control
Abstract
本发明涉及涉及无人机视觉图像算法、避障步骤及其信息融合处理系统,信息融合处理系统包括高精度定位模块、视觉跟踪模块、采集与计算模块、信息融合处理模块和控制模块;视觉图像算法包括开始、输入图像序列、图像预处理、检测图像中的角点、计算角点的光流向量、阈值分割和均值聚类光流向量及识别障碍物、输入障碍物大小和危险距离和完成;避障步骤包括开始、启动无人机、航线飞行、判断是否有障碍物、更新障碍物位置信息、判断距离是否小于设定值、视觉测角与信息融合、执行规避飞行和完成。本发明利用无人机信息融合处理模块对高精度定位模块与视觉跟踪模块输出的数字信息进行计算后,向控制模块输出控制数字信息,从而实现无人机自主避障。
Description
技术领域
本发明涉及无人机领域,具体涉及无人机视觉图像算法、避障步骤及其信息融合处理系统。
背景技术
随着无人机成本的逐渐降低、智能化水平逐渐提升,其在电力领域也得到了快速的发展,目前在输电通道巡视、输电设备精细化巡检等方面,无人机已成为较为有力可靠的任务执行者;通常在无人机领域相关的诸多研究,多以无人机自身的设计为主,包括机体结构设计、无人机控制器设计等,基于复杂任务的研究仍十分有限。
当无人机在执行输电巡检任务时,由于输电设备较为复杂,飞行中的无人机是依靠飞手手动操作为主的,因此需要飞手具有丰富的经验和高度的注意力操作无人机;由于精细化巡检任务要求较高、巡检塔形较多、地理环境较为复杂,手动操作无人机执行任务容易发生碰塔、碰线、撞树等问题导致无人机损坏。
发明内容
针对上述技术问题,本发明第一提出的无人机信息融合处理系统包括高精度定位模块1、视觉跟踪模块2、采集与计算模块3、信息融合处理模块4和控制模块5;其中:
所述高精度定位模块1用于采集无人机在航行中的实时位置信息,其输出端与信息融合处理模块4的输入端连接,输出无人机在航行中实时位置的数字信息;
所述视觉跟踪模块2用于采集无人机在航行中正前方所拍摄的视觉图像,其输出端与采集与计算模块3的输入端连接,输出无人机在航行中的视觉图像;
所述采集与计算模块3采集视觉跟踪模块2所输出的视觉图像并进行计算,其输出端与信息融合处理模块4的输入端连接,输出经采集与计算模块3计算出的无人机在航行中正前方出现的障碍物的位置及距离的数字信息;
所述信息融合处理模块4的输出端与控制模块5连接,并将高精度定位模块1和采集与计算模块3所输出的视觉图像算法数字信息进行数据融合计算,从而向控制模块5输出飞行避障步骤的数字信息;
所述控制模块5接收信息融合处理模块4的数据,并向无人机发出相应的飞行动作控制指令。
进一步的,所述高精度定位模块1是无人机自带的功能模块,从而减少了无人机系统模块设计单元。
进一步的,所述控制模块是无人机自带的功能模块,从而减少了无人机系统模块设计单元。
本发明第二提出的无人机视觉图像算法为:
S201开始:采集视觉图像,采用机载相机进行图像拍摄,并将拍摄到图像通过SDK传输到内部处理模块;
S202输入图像序列:对视觉图像依次编码得到序列视觉图像,通过opencv算法,将多图像进行数组转换,则图像转换为[x,y,z]三维度的数组对象;
S203图像预处理:视觉图像预处理是障碍物检测的核心,在处理过程中,首先是对采集到的视觉图像进行预处理,其次是计算并提取视觉图像中的障碍物信息,最后是向信息融合处理模块4输出数字信息;为了使采集到的视觉图像信息满足后续的处理要求,采集与计算模块3的预处理主要包括灰度图转化、平滑和降噪,即:
S203-1灰度图转化:视频采集模块2通过CMOS相机采集无人机正前方视角的环境信息,由于彩色图像不能直接用于视觉图像的算法计算,因此需要对该视觉图像进行灰度化处理;其算法在于,通过RGB(R、G、B)色彩标准构建的彩色图,将像素点的颜色包含R、G、B三个分量进行灰度化计算,即将颜色中的三个分量R、G、B值替换为一个统一的灰度分量Gray-R、Gray-G、Gray-B,从而构建出新的灰度图像Gray(Gray-R、Gray-G、Gray-B),即:
平均值法:Gray=(R+G+B)/3;
此外,还可以采取的转化方法有以下四种:
1)浮点算法:Gray=R*0.3+G*0.59+B*0.11;
2)整数方法:Gray=(R*30+G*59+B*11)/100;
3)移位方法:Gray =(R*28+G*151+B*77)>>8;
4)仅取绿色:Gray=G;
S203-2图像平滑处理:通过线性平滑算法对灰度图像Gray进行平滑处理,剔除其像素出现的奇异点或者突变值,并平缓其亮度梯度,从而改善灰度图像Gray的质量,即:
采用邻域平均法对灰度图像Gray进行平滑处理;
此外,还可以采取的平滑处理方法为以下二种:
1)领域加权平均法,
2)选择式掩模法;
S203-3图像降噪处理:通过均值滤波对改善灰度图像Gray中出现的高斯噪声进行处理,从而得到满足障碍物提取需求的灰度图像Gray,所述均值滤波方法为均值滤波器(Median Filter)用其NxN邻域的中位数替换每个像素;
S204检测图像中的角点:灰度图像Gray中并非所有区域均反应避障危险区域,通过计算角点的光流向量,以此来完成对障碍物的检测;
S205计算角点的光流向量:障碍物检测,需要提取障碍物的大小和相对距离信息,无人机在飞行过程中首先要对障碍物进行识别,通过Lucas-Kanade方法算法计算目标场景的光流场,可推导两个等式未知向量的方式来进行求解来估测障碍物的信息,即:
S206阈值分割和均值聚类光流向量,识别障碍物:通过阈值分割和均值K-means聚类光流向量的计算,从而得到障碍物的数字信息;
S207输入障碍物大小和危险距离:将障碍物大小、距离的数字信息输入到无人机飞行数据中,并建立危险距离的逻辑数字信息;
S208完成:向信息融合处理模块4输出数字信息。
本发明第三提出的无人机避障步骤为:
S101开始:确定执行巡检的任务,准备无人机并做飞行前的常规性检查是否正常,包括机体、叶片、轴、随机电源的电量等,如正常执行下一步;
S102启动无人机:启动电源,无人机自动执行初始化系统并检查高精度定位模块1、视觉跟踪模块2、采集与计算模块3、信息融合处理模块4、控制模块5的工作状态是否正常,如正常执行下一步;
S103航线飞行:初始化完毕后,无人机依托高精度定位模块1进入自主飞行状态,同时依托视觉跟踪模块2实时检测障碍物信息,并向采集与计算模块3输出信息,经采集与计算模块3对障碍物的视觉图像处理后将数字信息输入到信息融合处理模块4,经信息融合处理模块4计算后向控制模块5输出信息;
S104判断是否有障碍物:当视觉跟踪模块2实时未检测到障碍物信息时,按照S103继续航线飞行;当视觉跟踪模块2实时检测到障碍物信息时,基于光流场计算结果对障碍物按下一步执行;
S105更新障碍物位置信息:障碍物最近距离大于安全距离时,不采取操作干预飞行;即当障碍物距离大于安全距离设定值时,控制模块5输出继续航线飞行的指令;
S106判断距离是否小于设定值:当障碍物距离小于安全距离设定值时,执行下一步;
S107视觉测角与信息融合:信息融合处理模块4向控制模块5发出避障指令,即当计算出无人机与障碍物之间的距离小于安全距离时,则根据高精度定位模块1规划出避障路线,在完成避障路线后,控制无人机对障碍物进行躲避,完成一次避障飞行任务后,无人机返回原始航线继续飞行,最终完成输电线路巡检任务;
S108执行规避飞行:无人机自动进行避障飞行动作并避开障碍物;
S109完成:巡检任务完成后返航。
本发明的有益之处在于:无人机在执行巡检任务过程的飞行路径上,通过高精度定位模块1与视觉跟踪模块2采集信息,对前方障碍物进行检测并提取相关物理信息,信息融合处理模块4对高精度定位模块1与视觉跟踪模块2输出的数字信息进行计算处理后,向控制模块5输出控制数字信息,从而实现无人机自主避障。
由于无人机具有高精度定位和视觉跟踪技术的功能,不仅可以在低空区域平稳的飞行,而且能够在人工无法干预的情况下有效的避开环境中的障碍物,这对减少无人机发生炸机事故具有十分重要的意义;相较于当前单纯的手动避障,通过融合处理技术对高精度定位与视觉跟踪技术的融合,大幅度提高了无人机的自动化、智能化水平,进一步提升了输电线路精细化巡检效率;并且无人机采用了先进的避障策略,根据高精度定位模块1和视觉跟踪模块2融合经信息融合处理模块4融合处理后确定的障碍物在空间中的分布情况,能够寻找障碍物之间的空隙进行障碍物的躲避,障碍物躲避后,能够自动返回规划路线,继续进行输电线路精细化巡检任务。
附图说明
图1:无人机信息融合处理系统结构示意图;
图2:无人机视觉图像算法示意图;
图3:无人机避障步骤示意图。
具体实施方式
实施例1本发明通过以下实施方式实现。
结合附图1:
无人机信息融合处理系统包括高精度定位模块1、视觉跟踪模块2、采集与计算模块3、信息融合处理模块4和控制模块5;其中:
所述高精度定位模块1用于采集无人机在航行中的实时位置信息,其输出端与信息融合处理模块4的输入端连接,输出无人机在航行中实时位置的数字信息;
所述视觉跟踪模块2用于采集无人机在航行中正前方所拍摄的视觉图像,其输出端与采集与计算模块3的输入端连接,输出无人机在航行中的视觉图像;
所述采集与计算模块3采集视觉跟踪模块2所输出的视觉图像并进行计算,其输出端与信息融合处理模块4的输入端连接,输出经采集与计算模块3计算出的无人机在航行中正前方出现的障碍物的位置及距离的数字信息;
所述信息融合处理模块4的输出端与控制模块5连接,并将高精度定位模块1和采集与计算模块3所输出的数字信息进行数据融合计算,从而向控制模块5输出控制数字信息;
所述控制模块5接收信息融合处理模块4的数据,并向无人机发出相应的飞行动作控制指令。
优选的,所述高精度定位模块1是无人机自带的功能模块,从而减少了无人机系统模块设计单元。
优选的,所述控制模块是无人机自带的功能模块,从而减少了无人机系统模块设计单元。
结合附图2:
无人机在进行避障时,需要获取无人机、障碍物和目标点的位置,其中,无人机的当前位置可以通过机载的高精度定位模块1获取,而目标点的位置则是人为设定的,因此,只需要检测障碍物的位置,或者获取可用于确定障碍物位置信息的物理量,并以此来规划无人机的避障路径;附图2中所述的采集与计算模块3的无人机视觉图像算法为:
S201开始:采集视觉图像,采用机载相机进行图像拍摄,并将拍摄到图像通过SDK传输到内部处理模块;
S202输入图像序列:对视觉图像依次编码得到序列视觉图像,通过opencv算法,将多图像进行数组转换,则图像转换为[x,y,z]三维度的数组对象;
S203图像预处理:视觉图像预处理是障碍物检测的核心,在处理过程中,首先是对采集到的视觉图像进行预处理,其次是计算并提取视觉图像中的障碍物信息,最后是向信息融合处理模块4输出数字信息;为了使采集到的视觉图像信息满足后续的处理要求,采集与计算模块3的预处理主要包括灰度图转化、平滑和降噪,具体如下:
S203-1灰度图转化:视频采集模块2通过CMOS相机采集无人机正前方视角的环境信息,由于彩色图像不能直接用于视觉图像的算法计算,因此需要对该视觉图像进行灰度化处理;其算法在于,通过RGB(R、G、B)色彩标准构建的彩色图,将像素点的颜色包含R、G、B三个分量进行灰度化计算,即将颜色中的三个分量R、G、B值替换为一个统一的灰度分量Gray-R、Gray-G、Gray-B,从而构建出新的灰度图像Gray(Gray-R、Gray-G、Gray-B),即:
平均值法:Gray=(R+G+B)/3;
此外,还可以采取的转化方法有以下四种:
1)浮点算法:Gray=R*0.3+G*0.59+B*0.11;
2)整数方法:Gray=(R*30+G*59+B*11)/100;
3)移位方法:Gray =(R*28+G*151+B*77)>>8;
4)仅取绿色:Gray=G;
S203-2图像平滑处理:通过线性平滑算法对灰度图像Gray进行平滑处理,剔除其像素出现的奇异点或者突变值,并平缓其亮度梯度,从而改善灰度图像Gray的质量,即:
采用邻域平均法对灰度图像Gray进行平滑处理;
此外,还可以采取的平滑处理方法为以下二种:
1)领域加权平均法,
2)选择式掩模法;
S203-3图像降噪处理:通过均值滤波方法对改善灰度图像Gray中出现的高斯噪声进行处理,从而得到满足障碍物提取需求的灰度图像Gray,所述均值滤波方法为均值滤波器(Median Filter)用其NxN邻域的中位数替换每个像素;
S204检测图像中的角点:灰度图像Gray中并非所有区域均反应避障危险区域,通过计算角点的光流向量,以此来完成对障碍物的检测;
S205计算角点的光流向量:障碍物检测,需要提取障碍物的大小和相对距离信息,无人机在飞行过程中首先要对障碍物进行识别,通过Lucas-Kanade方法算法计算目标场景的光流场,可推导两个等式未知向量的方式来进行求解来估测障碍物的信息,即
S206阈值分割和均值聚类光流向量,识别障碍物:通过阈值分割和均值K-means聚类光流向量的计算,从而得到障碍物的数字信息;
S207输入障碍物大小和危险距离:将障碍物大小、距离的数字信息输入到无人机飞行数据中,并建立危险距离的逻辑数字信息;
S208完成:向信息融合处理模块4输出数字信息。
结合附图3:
无人机在执行输电线路巡检任务时,一般是设定为在指定开始点和指定终止点之间的飞行,而无人机要从开始点飞向终止点并且能够自主避开飞行中的障碍物,是采取分解成有限次两点之间的定点飞行任务;为了实现无人机在输电巡检任务过程中自主识别并躲避障碍物的目的,从而顺利完成巡检任务;无人机避障步骤为:
S101开始:确定执行巡检的任务,准备无人机并做飞行前的常规性检查是否正常,包括机体、叶片、轴、随机电源的电量等,如正常执行下一步;
S102启动无人机:启动电源,无人机自动执行初始化系统并检查高精度定位模块1、视觉跟踪模块2、采集与计算模块3、信息融合处理模块4、控制模块5的工作状态是否正常,如正常执行下一步;
S103航线飞行:初始化完毕后,无人机依托高精度定位模块1进入自主飞行状态,同时依托视觉跟踪模块2实时检测障碍物信息,并向采集与计算模块3输出信息,经采集与计算模块3对障碍物的视觉图像处理后将数字信息输入到信息融合处理模块4,经信息融合处理模块4计算后向控制模块5输出信息;
S104判断是否有障碍物:当视觉跟踪模块2实时未检测到障碍物信息时,按照S103继续航线飞行;当视觉跟踪模块2实时检测到障碍物信息时,基于光流场计算结果对障碍物按下一步执行;
S105更新障碍物位置信息:障碍物最近距离大于安全距离时,不采取操作干预飞行;即当障碍物距离大于安全距离设定值时,控制模块5输出继续航线飞行的指令;
S106判断距离是否小于设定值:当障碍物距离小于安全距离设定值时,执行下一步;
S107视觉测角与信息融合:信息融合处理模块4向控制模块5发出避障指令,即当计算出无人机与障碍物之间的距离小于安全距离时,则根据高精度定位模块1规划出避障路线,在完成避障路线后,控制无人机对障碍物进行躲避,完成一次避障飞行任务后,无人机返回原始航线继续飞行,最终完成输电线路巡检任务;
S108执行规避飞行:无人机自动进行避障飞行动作并避开障碍物;
S109完成:巡检任务完成后返航。
Claims (5)
1.无人机信息融合处理系统包括高精度定位模块(1)、视觉跟踪模块(2)、采集与计算模块(3)、信息融合处理模块(4)和控制模块(5),其特征在于,其中:
所述高精度定位模块(1)用于采集无人机在航行中的实时位置信息,其输出端与信息融合处理模块(4)的输入端连接,输出无人机在航行中实时位置的数字信息;
所述视觉跟踪模块(2)用于采集无人机在航行中正前方所拍摄的视觉图像,其输出端与采集与计算模块(3)的输入端连接,输出无人机在航行中的视觉图像;
所述采集与计算模块(3)采集视觉跟踪模块(2)所输出的视觉图像并进行计算,其输出端与信息融合处理模块(4)的输入端连接,输出经采集与计算模块(3)计算出的无人机在航行中正前方出现的障碍物的位置及距离的数字信息;
所述信息融合处理模块(4)的输出端与控制模块(5)连接,其将高精度定位模块(1)和采集与计算模块(3)所输出的视觉图像算法数字信息进行数据融合计算,并向控制模块(5)输出飞行避障步骤的数字信息;
所述控制模块(5)接收信息融合处理模块(4)的数据,并向无人机发出相应的飞行动作控制指令。
2.根据权利要求1所述的无人机信息融合处理系统,其特征在于,所述高精度定位模块1是无人机自带的功能模块。
3.根据权利要求1所述的无人机信息融合处理系统,其特征在于,所述控制模块是无人机自带的功能模块。
4.无人机视觉图像算法,其特征在于:
S201开始:采集视觉图像,采用机载相机进行图像拍摄,并将拍摄到图像通过SDK传输到内部处理模块;
S202输入图像序列:对视觉图像依次编码得到序列视觉图像,通过opencv算法,将多图像进行数组转换,则图像转换为[x,y,z]三维度的数组对象;
S203图像预处理:视觉图像预处理是障碍物检测的核心,在处理过程中,首先是对采集到的视觉图像进行预处理,其次是计算并提取视觉图像中的障碍物信息,最后是向信息融合处理模块(4)输出数字信息;为了使采集到的视觉图像信息满足后续的处理要求,采集与计算模块(3)的预处理主要包括灰度图转化、平滑和降噪,即:
S203-1灰度图转化:视频采集模块(2)通过CMOS相机采集无人机正前方视角的环境信息,由于彩色图像不能直接用于视觉图像的算法计算,因此需要对该视觉图像进行灰度化处理;其算法在于,通过RGB(R、G、B)色彩标准构建的彩色图,将像素点的颜色包含R、G、B三个分量进行灰度化计算,即将颜色中的三个分量R、G、B值替换为一个统一的灰度分量Gray-R、Gray-G、Gray-B,从而构建出新的灰度图像Gray(Gray-R、Gray-G、Gray-B),即:
平均值法:Gray=(R+G+B)/3;
此外,还可以采取的转化方法有以下四种:
1)浮点算法:Gray=R*0.3+G*0.59+B*0.11;
2)整数方法:Gray=(R*30+G*59+B*11)/100;
3)移位方法:Gray =(R*28+G*151+B*77)>>8;
4)仅取绿色:Gray=G;
S203-2图像平滑处理:通过线性平滑算法对灰度图像Gray进行平滑处理,剔除其像素出现的奇异点或者突变值,并平缓其亮度梯度,从而改善灰度图像Gray的质量,即:
采用邻域平均法对灰度图像Gray进行平滑处理;
此外,还可以采取的平滑处理方法为以下二种:
1)领域加权平均法,
2)选择式掩模法;
S203-3图像降噪处理:通过均值滤波对改善灰度图像Gray中出现的高斯噪声进行处理,从而得到满足障碍物提取需求的灰度图像Gray,所述均值滤波方法为均值滤波器(Median Filter)用其NxN邻域的中位数替换每个像素;
S204检测图像中的角点:灰度图像Gray中并非所有区域均反应避障危险区域,通过计算角点的光流向量,以此来完成对障碍物的检测;
S205计算角点的光流向量:障碍物检测,需要提取障碍物的大小和相对距离信息,无人机在飞行过程中首先要对障碍物进行识别,通过Lucas-Kanade方法算法计算目标场景的光流场,可推导两个等式未知向量的方式来进行求解来估测障碍物的信息,即:
S206阈值分割和均值聚类光流向量,识别障碍物:通过阈值分割和均值K-means聚类光流向量的计算,从而得到障碍物的数字信息;
S207输入障碍物大小和危险距离:将障碍物大小、距离的数字信息输入到无人机飞行数据中,并建立危险距离的逻辑数字信息;
S208完成:向信息融合处理模块(4)输出数字信息。
5.无人机避障步骤,其特征在于:
S101开始:确定执行巡检的任务,准备无人机并做飞行前的常规性检查是否正常,包括机体、叶片、轴、随机电源的电量等,如正常执行下一步;
S102启动无人机:启动电源,无人机自动执行初始化系统并检查高精度定位模块(1)、视觉跟踪模块(2)、采集与计算模块(3)、信息融合处理模块(4)、控制模块(5)的工作状态是否正常,如正常执行下一步;
S103航线飞行:初始化完毕后,无人机依托高精度定位模块(1)进入自主飞行状态,同时依托视觉跟踪模块(2)实时检测障碍物信息,并向采集与计算模块(3)输出信息,经采集与计算模块(3)对障碍物的视觉图像处理后将数字信息输入到信息融合处理模块(4),经信息融合处理模块(4)计算后向控制模块(5)输出信息;
S104判断是否有障碍物:当视觉跟踪模块(2)实时未检测到障碍物信息时,按照S103继续航线飞行;当视觉跟踪模块(2)实时检测到障碍物信息时,基于光流场计算结果对障碍物按下一步执行;
S105更新障碍物位置信息:障碍物最近距离大于安全距离时,不采取操作干预飞行;即当障碍物距离大于安全距离设定值时,控制模块(5)输出继续航线飞行的指令;
S106判断距离是否小于设定值:当障碍物距离小于安全距离设定值时,执行下一步;
S107视觉测角与信息融合:信息融合处理模块(4)向控制模块(5)发出避障指令,即当计算出无人机与障碍物之间的距离小于安全距离时,则根据高精度定位模块(1)规划出避障路线,在完成避障路线后,控制无人机对障碍物进行躲避,完成一次避障飞行任务后,无人机返回原始航线继续飞行,最终完成输电线路巡检任务;
S108执行规避飞行:无人机自动进行避障飞行动作并避开障碍物;
S109完成:巡检任务完成后返航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011266461.5A CN112286230A (zh) | 2020-11-13 | 2020-11-13 | 无人机视觉图像算法、避障步骤及其信息融合处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011266461.5A CN112286230A (zh) | 2020-11-13 | 2020-11-13 | 无人机视觉图像算法、避障步骤及其信息融合处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112286230A true CN112286230A (zh) | 2021-01-29 |
Family
ID=74397812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011266461.5A Pending CN112286230A (zh) | 2020-11-13 | 2020-11-13 | 无人机视觉图像算法、避障步骤及其信息融合处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112286230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088580A (zh) * | 2023-02-15 | 2023-05-09 | 北京拙河科技有限公司 | 一种飞行物体跟踪方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749927A (zh) * | 2012-07-20 | 2012-10-24 | 常州大学 | 无人飞机自动规避障碍物的系统及其规避方法 |
CN103116747A (zh) * | 2013-03-11 | 2013-05-22 | 山东农业大学 | 自动识别玉米茎叶图像的方法和系统 |
CN106843282A (zh) * | 2017-03-17 | 2017-06-13 | 东南大学 | 基于m100开发平台的区域完全搜索与避障系统及方法 |
CN107065920A (zh) * | 2016-12-26 | 2017-08-18 | 歌尔科技有限公司 | 避障控制方法、装置及无人机 |
CN108733064A (zh) * | 2017-04-18 | 2018-11-02 | 中交遥感载荷(北京)科技有限公司 | 一种无人机的视觉定位避障系统及其方法 |
CN109358637A (zh) * | 2018-05-25 | 2019-02-19 | 武汉科技大学 | 一种基于预设航线的地表近距离自主探查无人机的三维避障方法 |
CN110007313A (zh) * | 2019-03-08 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 基于无人机的障碍物检测方法及装置 |
CN110147764A (zh) * | 2019-05-17 | 2019-08-20 | 天津科技大学 | 一种基于机器学习的静态手势识别方法 |
-
2020
- 2020-11-13 CN CN202011266461.5A patent/CN112286230A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749927A (zh) * | 2012-07-20 | 2012-10-24 | 常州大学 | 无人飞机自动规避障碍物的系统及其规避方法 |
CN103116747A (zh) * | 2013-03-11 | 2013-05-22 | 山东农业大学 | 自动识别玉米茎叶图像的方法和系统 |
CN107065920A (zh) * | 2016-12-26 | 2017-08-18 | 歌尔科技有限公司 | 避障控制方法、装置及无人机 |
CN106843282A (zh) * | 2017-03-17 | 2017-06-13 | 东南大学 | 基于m100开发平台的区域完全搜索与避障系统及方法 |
CN108733064A (zh) * | 2017-04-18 | 2018-11-02 | 中交遥感载荷(北京)科技有限公司 | 一种无人机的视觉定位避障系统及其方法 |
CN109358637A (zh) * | 2018-05-25 | 2019-02-19 | 武汉科技大学 | 一种基于预设航线的地表近距离自主探查无人机的三维避障方法 |
CN110007313A (zh) * | 2019-03-08 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 基于无人机的障碍物检测方法及装置 |
CN110147764A (zh) * | 2019-05-17 | 2019-08-20 | 天津科技大学 | 一种基于机器学习的静态手势识别方法 |
Non-Patent Citations (1)
Title |
---|
史浩明: "基于嵌入式平台的无人机视觉跟踪避障方法研究", 《中国优秀硕士论文全文数据库》, pages 29 - 35 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088580A (zh) * | 2023-02-15 | 2023-05-09 | 北京拙河科技有限公司 | 一种飞行物体跟踪方法及装置 |
CN116088580B (zh) * | 2023-02-15 | 2023-11-07 | 北京拙河科技有限公司 | 一种飞行物体跟踪方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626217B (zh) | 一种基于二维图片和三维点云融合的目标检测和追踪方法 | |
CN112396650B (zh) | 一种基于图像和激光雷达融合的目标测距系统及方法 | |
CN108132675B (zh) | 一种工厂巡视无人机自主路径巡航以及智能避障方法 | |
Xu et al. | Power line-guided automatic electric transmission line inspection system | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
WO2020150904A1 (en) | Neural network based obstacle detection for mobile platforms, and associated systems and methods | |
CN111316284A (zh) | 车道线检测方法、装置、系统与车辆、存储介质 | |
CN111563415A (zh) | 一种基于双目视觉的三维目标检测系统及方法 | |
CA2950791A1 (en) | Binocular visual navigation system and method based on power robot | |
EP4058984A1 (en) | Geometry-aware instance segmentation in stereo image capture processes | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
Ruf et al. | Real-time on-board obstacle avoidance for UAVs based on embedded stereo vision | |
CN111598952A (zh) | 一种多尺度合作靶标设计与在线检测识别方法及系统 | |
WO2021083151A1 (zh) | 目标检测方法、装置、存储介质及无人机 | |
CN112683228A (zh) | 单目相机测距方法及装置 | |
CN109885091B (zh) | 一种无人机自主飞行控制方法及系统 | |
Truong et al. | New lane detection algorithm for autonomous vehicles using computer vision | |
Xiong et al. | Road-Model-Based road boundary extraction for high definition map via LIDAR | |
CN112286230A (zh) | 无人机视觉图像算法、避障步骤及其信息融合处理系统 | |
CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
CN112542800A (zh) | 一种输电线路故障识别的方法及其系统 | |
CN112529011A (zh) | 目标检测方法及相关装置 | |
CN115686073B (zh) | 一种基于无人机的输电线路巡检控制方法及系统 | |
WO2020154911A1 (en) | Sky determination in environment detection for mobile platforms, and associated systems and methods | |
Bian et al. | A robust vanishing point detection method for UAV autonomous 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 |