CN112649002B - 一种基于边缘计算的野保无人机监测系统 - Google Patents
一种基于边缘计算的野保无人机监测系统 Download PDFInfo
- Publication number
- CN112649002B CN112649002B CN202011441765.0A CN202011441765A CN112649002B CN 112649002 B CN112649002 B CN 112649002B CN 202011441765 A CN202011441765 A CN 202011441765A CN 112649002 B CN112649002 B CN 112649002B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- monitoring
- data
- target
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 241001465754 Metazoa Species 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012806 monitoring device Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Tourism & Hospitality (AREA)
- Radar, Positioning & Navigation (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的一种基于边缘计算的野保无人机监测系统,包括无人机、图像数据采集设备、地面基站三个部分,通过在生态保护区中布置监控设备监测野生动物的出没区域及生活习性,指派无人机组前往监控设备处收集数据并对通过边缘计算设备进行处理,将部分有效数据保存并在返程后上传至数据中心,根据处理后的图像信息,由改进的基于参考点的快速非支配排序方法动态地规划巡航的路径;在巡航结束后根据野生动物的监测状况,重新规划返回路线,决定各个监控设备的开启与关闭,减少不必要的能耗,并对受损设备状态进行评估,上报检修流程,做到森林园区巡航面积最大化,实时监测生物多样性,对生态状况和动态变化监测建立生态监测评估基础数据库。
Description
技术领域
本发明涉及无人机边缘计算技术领域,具体是涉及一种基于边缘计算的野保无人机监测系统。
背景技术
近年来,各地林业局多次举办野生动植物保护和自然保护区交流研讨会,提出了诸多国家公园建设方法和路径,组织实施并指导全国及重点区域生态监测,完善中国保护地体系的生态文明建设举措。多地政府为致力于监测和促进各类保护区生态系统的健康状况,保障各类保护区的保护规划与建设发展,在生态保护区及国家公园设置信息监测系统,实时监测生物多样性,为评估、监督、规划及建设生态区发展提供科学决策依据,防止因人类不合理的利用造成对自然生态的破坏,为我国野生动植物保护及自然保护区管理工作做出更大的贡献。但目前已有监测系统存在信息回收周期长,延迟高,质量差,监控设备续航低,维护周期长等问题,且因地面基站无法及时处理数据信息,存在大量冗余数据,导致信息采集效率较差,维护成本也较为昂贵
发明内容
为解决上述技术问题,本发明提供了一种基于边缘计算的野保无人机监测系统,针对生态保护区的野生动物,通过生态因子传感器、野保相机、远红外视频等监控设备对野生动植物进行调查监测,在无法广泛布置地面基站的环境下,针对已有监测管理系统信息回收周期长、延迟高、码率低、丢包率高、监控设备续航低、维护周期长等问题,指派无人机组收集野生动植物活动轨迹,种群组成及数量等有效数据,结合所携带边缘计算设备的高效处理速度,并基于参考点的非支配排序多目标优化算法动态设计无人机组巡查路径,实时监测生物多样性,对生态状况和动态变化监测建立生态监测评估基础数据库,统计报告监测信息。
本发明所述的一种基于边缘计算的野保无人机监测系统,其采用的技术方案为:包括无人机、监控设备、和地面基站,所述无人机、监控设备及地面基站之间分别通过无线连接;
所述监控设备采集野生动物及环境因子信息,并将采集的数据信息传输给无人机及地面基站;
所述地面基站接收监控设备采集的数据信息及无人机传输的数据信息,同时将所接收到的数据通过无线连接转发给其他各个无人机;
所述无人机通过携带的边缘计算设备对目标监控设备及地面基站传输的数据进行处理并存储有效图像信息,并根据处理后的图像信息及时更新巡航路径。
进一步的,所述无人机对目标监控设备的巡航步骤为:
步骤1、无人机按照事先规划的巡航路径执行飞行任务;
步骤2、无人机到达监控设备处接收数据信息,并将获取的数据信息传输给地面基站;
步骤3、无人机判断是否还有飞行任务,如有执行步骤4,如无,则执行步骤7;
步骤4、无人机通过其携带的边缘计算设备对步骤2获取的数据信息进行处理,获取监测时间内野生动物出没的有效数据信息,若无野生动物出没,则执行步骤5;若有野生动物出没,则执行步骤6;
步骤5、若无野生动物出没信息,则到达原规划的巡航路径下一个监控设备处,并重复执行步骤2;
步骤6、若有野生动物出没信息,则联合地面基站传输的其它无人机数据,边缘计算设备通过改进的NSGAIII算法对各目标路径进行优化,模拟无人机动态飞行路径模型,重新规划巡航路径,无人机到达新规划巡航路径的下一个监控设备处,重复执行步骤2;
步骤7、无人机根据已有数据规划返程路径,随返程路径开启或关闭对应的监控设备,并记录监控设备状态;
步骤8、无人机返程后,将有效数据信息及待维修设备状态上传至云端,云端服务器将收到的返回数据存储,并上报检修流程由人工处理;
步骤9、无人机结束飞行任务。
进一步的,步骤4中,所述边缘计算设备对监控设备数据信息进行预处理、判断数据信息是否存在冗余,删去无效信息,对有效信息进行压缩处理,根据大数据训练模型对比,提取有效数据信息并存储。
进一步的,所述改进的NSAGIII算法对各目标路径进行优化的优化方法为:
通过确定每个目标函数的最小值其中Zi表示第i个目标值,构造出理想点M表示目标的个数;生成各目标极值前,对各个目标值fi(x)根据该目标上的最小值和最大值进行归一化:/>其中/>为该目标上的最小值和最大值;
通过比较权重标准化函数ASF(x,w)选取各个目标上的极值,生成参考点后对其修正,将各参考点归一化还原:其中/>为该目标上的最小值和最大值;
计算出每个种群个体到每个参考向量的垂直距离,参考向量最接近种群个体的参考点与该个体相关联;
通过筛选独自关联参考点的方案,找到更具有差异性的Pareto最优解;
无人机在最终的Pareto最优前沿中选择相适应的路径方案,在采集数据过程中,根据模型仿真结果遍历不同的监测设备,并实时根据处理后的有效数据修正路线,途中接收各监测设备报修信号。
进一步的,所述参考点的策略为:在M个目标轴上的截距ai组成的(M-1)维超平面上,每个目标截距ai均匀划分为p份,则参考点的数量为:生成的参考点数量H接近额定种群个数。
本发明所述的有益效果是:在野生动物保护区中布置监控设备,通过无人机组对采集数据进行边缘计算,提高数据传输的精确性,高效处理冗余数据;并根据已有数据对相应的设备进行间歇性开启或关闭,提高监控设备续航能力,提高数据收集的有效性;通过大量无人机组的协同覆盖,优化飞行路径,做到森林园区巡航面积最大化,实时监测生物多样性,对生态状况和动态变化监测建立生态监测评估基础数据库。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明的无人机组工作示意图。
图2是本发明的工作结构示意图。
图3是本发明的无人机工作流程图。
图4是本发明中自适应归一化模型图。
图5是本发明的参考点分布模型图。
图6是本发明的方案筛选模型示意图。
具体实施方式
如图1所示,本发明所述的一种基于边缘计算的野保无人机监测系统,包括无人机、监控设备、和地面基站,所述无人机、监控设备及地面基站之间分别通过无线连接;
所述监控设备包括生态因子传感器、野保相机、远红外视频监控装置等设备,通过视频监控、声音记录等方式收集野生动物活动轨迹,种群组成及数量,发现濒危动植物信息及外来物种信息等,并将所收集的数据存储并反馈给无人机及地面基站;
无人机接收监控设备传输的影像及音像信息,通过携带的边缘计算设备进行处理,根据大数据训练模型对比,获取野生动物的生活习性、种群规模、活动轨迹等有效数据;无人机将相关数据传输给地面基站,地面基站将数据分发给其它无人机,在无人机仍有飞行任务的情况下,协同其他无人机动态地更新飞行路径,保证检测数据收集率、飞行覆盖面积最大化。
边缘计算设备根据收集来的数据,在动物踪迹、巡航距离、待维护设备分布等方面,完成三个或更多目标的路径问题优化。通过本发明中改进的基于参考点的非支配排序多目标优化算法,即改进的NSGAIII算法,选取最优的巡航路径。即将每种飞行路径作为种群个体组成子代种群,通过一组预定义的参考点关联相关个体来实现子代解集的筛选,加速搜索过程,方式如下:
1.通过确定巡航距离、待维护设备数量、野生动物出没概率等每个目标函数的最小值其中Zi表示第i个目标值,构造出理想点/>M表示目标的个数,每个目标值fi(x)通过减去该目标方向上的最小值/>转换为相对目标值fi'(x),即x表示第x种飞行路径,此时相当于将巡航距离最优、维护设备数量最优、野生动物出没最优的方案的值分别作为零点的各个参数,使得理想点/>作为零点,其它各方案均处于零点上方。
2.找到每个目标上的极值点将各函数归一化为/>此时每个目标轴上的最大值/>各目标值的范围为(0,1),便于极值点的生成。
3.设Sx为所有飞行路径的集合,通过权重标准化函数ASF(x,w)找出第x个飞行路径中,除目标值Zj外其它各目标值中的最大值,其中wi=(ω1,ω2,...,ωM),ωj=10-6(1≤j≤M,j≠i,j∈N),ωi=1,wj为标准化各个目标值权重,,此公式即为除第i目标外,其它目标值均除以10-6,M表示目标的个数,再比较选出所有目标值中的最大值。对比后选择ASF(x,w)值最小的个体作为极值点/>即即在巡航距离相同的情况下,比较维护设备的收益和寻找观察野生动物的效益之间的关系,选择更高的一方作为参数,再将方案的参数与其他方案比较筛选出最小值作为巡航距离目标轴下的极大值,其他目标同理;利用这些M个极值向量构成(M-1)维超平面,并计算第i个目标轴和该超平面的截距ai。
例如三个方案在目标上的参数分别为甲(0.8,0.7,1.5),乙(1.2,1.1,0.9),丙(1.0,1.8,0.5),同时除以w=(1,10-6,10-6),则计算结果为甲(0.8,0.7*106,1.5*106),乙(1.2,1.1*106,0.9*106),丙(1.0,1.8*106,0.5*106),即在选择巡航距离为目标时,比较y,z两个方向上的最大值,结果分别为1.5*106,1.1*106,1.8*106,在三个方案中选择最小的值为1.1*106,故选取乙(1.2,1.1,0.9)作为巡航距离上的极值方案,即极值点,其他目标同理;利用这3个极值点构成二维平面,并计算第i个目标轴和该超平面的截距ai,如图4所示。
4.参考点生成的策略如下:设种群数量N=100,在3个目标轴上的截距ai组成的二维平面上,每个目标截距ai均匀划分为13份,则参考点的数量为:此时为减少额外参考点的产生,通过产生内层和外层两个参考点的平面,取参数P=8和P=9,则两个平面参考点为45和55,总数量等于种群数量N,并同时保证参考点的广泛分布,如图5所示。
5.将参考点映射到上述构造的归一化超平面,由于归一化过程和超平面的创建都是在每一代中使用从开始就找到的极值点来完成的,因此所提出的NSGA-III算法在每一代种群个体组成的空间中自适应地保持多样性,这使得NSGA-III算法能够用一个目标值可能不同的Pareto(帕累托)最优前沿来解决问题。故定义超平面上的每个参考点与原点连接起来所形成的向量为相对应的参考向量,在此之前各参考点归一化还原然后计算出每个种群个体到每个参考向量的垂直距离,参考向量最接近种群个体的参考点与该个体相关联。由于每个参考点可以有一个或多个种群个体与其关联,每个种群个体代表一种无人机的路径规划方案,拥有相应的路径距离、待处理设备数量、动物出没轨迹等参数。
6.通过筛选独自关联参考点的方案,找到更具有差异性的Pareto(帕累托)最优解,使得该方法在决策和多目标优化相结合的角度得到更多的应用。模型采用基于参考点的非支配排序方法来进化多目标优化NSGA-III算法,以动物出没轨迹、待处理设备位置,无人机续航能力为输入,以飞行规划路线作为输出。NSGA-III算法在三目标问题中解集的分布如图6。
无人机在最终的Pareto(帕累托)最优前沿中选择相适应的路径方案,在采集数据过程中,根据模型仿真结果遍历不同的监测设备,并实时根据处理后的有效数据修正路线,途中接收各监测设备报修信号。
在完成采集任务后,即将返程前,依据已有数据规划出最优返程路线,在途中对相关监测设备进行关闭或开启,并将已损坏设备的状态记录并在返程上报至检修部门,缩短维修周期,并上传有效数据至云端服务器,等待人工处理。
如图2和图3所示,所述无人机工作流程为:
步骤1、无人机按照事先规划的巡航路径执行飞行任务;
步骤2、无人机到达监控设备处接收数据信息,并将获取的数据信息传输给地面基站;
步骤3、无人机判断是否还有飞行任务,如有执行步骤4,如无,则执行步骤7;
步骤4、无人机通过其携带的边缘计算设备对步骤2获取的数据信息进行处理、比对,获取监测时间内目标生物的出没信息,在对采集的图像信息进行处理后,判断图像数据是否存在冗余,删去无效信息,对有效信息进行压缩处理,对比大数据训练模型,提取有效数据信息并存储,若无野生动物出没,则执行步骤5;若有野生动物出没,则执行步骤6;
步骤5、若无野生动物出没信息,则到达原规划的巡航路径下一个监控设备处,并重复执行步骤2;
步骤6、若有野生动物出没信息,则联合地面基站传输的其它无人机数据,根据野生动物出没轨迹模拟行动路线,通过改进的NSGAIII算法模拟无人机动态飞行路径模型并对比对优化方案,在效率、能耗、巡航面积覆盖率等多个角度重新动态地规划无人机组巡航路径,无人机到达新规划巡航路径的下一个监控设备处,重复执行步骤2;
步骤7、无人机根据已有数据规划返程路径,随返程路径开启或关闭对应的监控设备,如果存在监控设备损坏的情况,记录待维修设的状态;
步骤8、无人机返程后,将有效数据信息及待维修设备状态上传至云端,云端服务器将收到的返回数据存储,部分问题上报人工处理;
步骤9、无人机结束飞行任务。
由于生态保护区的环境影响,其通信环境受限制,多数监控设备无法与地面基站建立良好的通信联系,数据传输速率及数据传输效果较差,使得需要无人机巡航帮助收集数据。考虑到部分监控设备可能由于自然条件影响,从无法与地面基站建立联系到可以向地面基站传输数据,或者反之,从可以传输到无法传输,故监控设备需要同时具备与地面基站和无人机传输数据的能力;且生态区环境复杂变化,监控设备的状态无法保证健康完整,需要拥有向地面基站发送救援信号的能力,保证后期无人机能够找到该监控设备。
本发明通过监控设备采集野生动物、环境因子的各种信息并存储,将采集的数据传输给无人机及地面基站;地面基站接收采集设备及无人机传输的数据,同时将数据转发给各无人机;所述无人机通过所携带的边缘计算设备对采集设备和地面基站传输的数据进行预处理、再处理,存储有效数据返程后上传至云端,根据已收集信息及基站传输的其它无人机组数据分析动物踪迹、路径距离、设备维护等多个方面,提高数据传输的精确性,提高监控设备续航能力,利用改进的基于参考点的非支配排序多目标优化算法动态更新无人机飞行路线,各无人机协同覆盖,做到巡航面积最大化。
以上所述仅为本发明的优选方案,并非作为对本发明的进一步限定,凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。
Claims (3)
1.一种基于边缘计算的野保无人机监测系统,包括无人机、监控设备、和地面基站,所述无人机、监控设备及地面基站之间分别通过无线连接;
所述监控设备采集野生动物及环境因子信息,并将采集的数据信息传输给无人机及地面基站;
所述地面基站接收监控设备采集的数据信息及无人机传输的数据信息,同时将所接收到的数据通过无线连接转发给其他各个无人机;
所述无人机通过携带的边缘计算设备对目标监控设备及地面基站传输的数据进行处理并存储有效图像信息,并根据处理后的图像信息及时更新巡航路线;
所述无人机对目标监控设备的巡航步骤为:
步骤1、无人机按照事先规划的巡航路径执行飞行任务;
步骤2、无人机到达监控设备处接收数据信息,并将获取的数据信息传输给地面基站;
步骤3、无人机判断是否还有飞行任务,如有执行步骤4,如无,则执行步骤7;
步骤4、无人机通过其携带的边缘计算设备对步骤2获取的数据信息进行处理,获取监测时间内野生动物出没的有效数据信息,若无野生动物出没,则执行步骤5;若有野生动物出没,则执行步骤6;
步骤5、若无野生动物出没信息,则到达原规划的巡航路径下一个监控设备处,并重复执行步骤2;
步骤6、若有野生动物出没信息,则联合地面基站传输的其它无人机数据,边缘计算设备通过改进的NSGAIII算法对各目标路径进行优化,模拟无人机动态飞行路径模型,重新规划巡航路径,无人机到达新规划巡航路径的下一个监控设备处,重复执行步骤2;
步骤7、无人机根据已有数据规划返程路径,随返程路径开启或关闭对应的监控设备,并记录监控设备状态;
步骤8、无人机返程后,将有效数据信息及待维修设备状态上传至云端,云端服务器将收到的返回数据存储,并上报检修流程由人工处理;
步骤9、无人机结束飞行任务;
其中,所述改进的NSAGIII算法对各目标路径进行优化的优化方法为:
通过确定每个目标函数的最小值Zi min,其中Zi表示第i个目标值,构造出理想点M表示目标的个数;生成各目标极值前,对各个目标值fi(x)根据该目标上的最小值和最大值进行归一化:/>其中/> 为该目标上的最小值和最大值,fi′(x)表示相对目标值;
通过比较ASF(x,ω)函数选取各个目标上的极值,生成参考点后对其修正,将各参考点归一化还原:其中/> 为该目标上的最小值和最大值;
计算出每个种群个体到每个参考向量的垂直距离,参考向量最接近种群个体的参考点与该个体相关联;
通过筛选独自关联参考点的方案,找到更具有差异性的Pareto最优解;
无人机在最终的Pareto最优前沿中选择相适应的路径方案,在采集数据过程中,根据模型仿真结果遍历不同的监测设备,并实时根据处理后的有效数据修正路线,途中接收各监测设备报修信号。
2.根据权利要求1所述的一种基于边缘计算的野保无人机监测系统,其特征在于,步骤4中,所述边缘计算设备对监控设备数据信息进行预处理、判断数据信息是否存在冗余,删去无效信息,对有效信息进行压缩处理,根据大数据训练模型对比,提取有效数据信息并存储。
3.根据权利要求1所述的一种基于边缘计算的野保无人机监测系统,其特征在于,所述参考点的策略为:在M个目标轴上的截距ai组成的(M-1)维超平面上,每个目标截距ai均匀划分为p份,则参考点的数量为:生成的参考点数量H接近额定种群个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441765.0A CN112649002B (zh) | 2020-12-11 | 2020-12-11 | 一种基于边缘计算的野保无人机监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441765.0A CN112649002B (zh) | 2020-12-11 | 2020-12-11 | 一种基于边缘计算的野保无人机监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112649002A CN112649002A (zh) | 2021-04-13 |
CN112649002B true CN112649002B (zh) | 2024-02-02 |
Family
ID=75350748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011441765.0A Active CN112649002B (zh) | 2020-12-11 | 2020-12-11 | 一种基于边缘计算的野保无人机监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649002B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282671B (zh) * | 2021-12-28 | 2022-10-18 | 河北农业大学 | 一种基于加速度传感器行为识别的种鸡群序确定方法 |
CN114531193B (zh) * | 2022-01-04 | 2023-11-10 | 无锡市市政设施养护管理有限公司 | 基于无人机蜂窝拓扑组网和移动边缘计算的桥梁状态监测方法 |
CN114442665B (zh) * | 2022-01-20 | 2023-12-08 | 北京华能新锐控制技术有限公司 | 基于无人机的风电叶片巡检线路规划方法 |
CN114581855B (zh) * | 2022-04-29 | 2022-08-02 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
CN115861821B (zh) * | 2023-01-10 | 2024-04-26 | 三峡高科信息技术有限责任公司 | 一种基于多目标优化的生态环境监测保护方法 |
CN116320303B (zh) * | 2023-03-07 | 2023-08-18 | 吉林省林业科学研究院 | 一种基于人工智能的监测样地位置调节系统及方法 |
CN116320831B (zh) * | 2023-05-19 | 2024-01-02 | 南京迅集科技有限公司 | 基于边缘计算的园区智能安防系统 |
CN116736890B (zh) * | 2023-08-11 | 2024-05-31 | 深圳星网信通科技股份有限公司 | 无人机的调度方法、调度系统及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110166110A (zh) * | 2019-05-22 | 2019-08-23 | 南京理工大学 | 基于边缘计算的无人机路径规划方法 |
CN110207712A (zh) * | 2019-07-02 | 2019-09-06 | 南京理工大学 | 基于边缘计算动态任务到达的无人机路径规划方法 |
CN110390431A (zh) * | 2019-07-19 | 2019-10-29 | 大连海事大学 | 一种基于无人设备群体智能算法的搜救网及其调度方法 |
CN110989670A (zh) * | 2019-12-11 | 2020-04-10 | 国网陕西省电力公司电力科学研究院 | 一种用于输变电工程环水保监测的无人机系统及其航拍方法 |
CN111932813A (zh) * | 2020-08-14 | 2020-11-13 | 南京邮电大学 | 一种基于边缘计算的无人机森林火灾侦察系统及工作方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017152067A1 (en) * | 2016-03-04 | 2017-09-08 | Animusoft Llc | Drone and robot control systems and methods |
-
2020
- 2020-12-11 CN CN202011441765.0A patent/CN112649002B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110166110A (zh) * | 2019-05-22 | 2019-08-23 | 南京理工大学 | 基于边缘计算的无人机路径规划方法 |
CN110207712A (zh) * | 2019-07-02 | 2019-09-06 | 南京理工大学 | 基于边缘计算动态任务到达的无人机路径规划方法 |
CN110390431A (zh) * | 2019-07-19 | 2019-10-29 | 大连海事大学 | 一种基于无人设备群体智能算法的搜救网及其调度方法 |
CN110989670A (zh) * | 2019-12-11 | 2020-04-10 | 国网陕西省电力公司电力科学研究院 | 一种用于输变电工程环水保监测的无人机系统及其航拍方法 |
CN111932813A (zh) * | 2020-08-14 | 2020-11-13 | 南京邮电大学 | 一种基于边缘计算的无人机森林火灾侦察系统及工作方法 |
Non-Patent Citations (2)
Title |
---|
Energy-efficient Resource Allocation for UAV-empowered Mobile Edge Computing System;Cheng Yu et al.;《2020 IEEE/ACM 13TH INTERNATIONAL CONFERENCE ON UTILITY AND CLOUD COMPUTING (UCC 2020)》;408-413 * |
基于无人机的边缘智能计算研究综述;董超;沈赟;屈毓锛;;智能科学与技术学报(第03期);26-38 * |
Also Published As
Publication number | Publication date |
---|---|
CN112649002A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112649002B (zh) | 一种基于边缘计算的野保无人机监测系统 | |
Huang et al. | Hybrid deep neural model for hourly solar irradiance forecasting | |
Zhang et al. | Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning | |
Bilal et al. | Wind turbine power output prediction model design based on artificial neural networks and climatic spatiotemporal data | |
CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及系统 | |
CN116011608B (zh) | 光伏功率超短期预测方法及装置、电子设备、存储介质 | |
CN114092769B (zh) | 基于联邦学习的变电站多场景巡检分析方法 | |
Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
CN110705727A (zh) | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
CN114879702B (zh) | 多智能体巡检控制方法、装置、系统、设备及介质 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN104219682A (zh) | 农田混合供电无线传感器网络的网络层次构建方法及系统 | |
Alonso-Betanzos et al. | A neural network approach for forestal fire risk estimation | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN113988189B (zh) | 一种跨风电机组的迁移故障诊断方法 | |
Ahmed et al. | Wind speed prediction from site meteorological data using artificial neural network | |
CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
Fortuna et al. | One day ahead prediction of wind speed class by statistical models | |
CN111046321B (zh) | 光伏电站运维策略优化方法和装置 |
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 |