CN113052339A - 基于线路交叉跨越的无人机巡检方法、装置及存储介质 - Google Patents
基于线路交叉跨越的无人机巡检方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113052339A CN113052339A CN202110353773.8A CN202110353773A CN113052339A CN 113052339 A CN113052339 A CN 113052339A CN 202110353773 A CN202110353773 A CN 202110353773A CN 113052339 A CN113052339 A CN 113052339A
- Authority
- CN
- China
- Prior art keywords
- position data
- crossing
- point
- aerial vehicle
- obtaining
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013210 evaluation model Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 description 22
- 239000003795 chemical substances by application Substances 0.000 description 11
- 230000009471 action Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于线路交叉跨越的无人机巡检方法、装置及存储介质。本申请的基于线路交叉跨越的无人机巡检方法包括:获取的电力塔杆的位置数据;获取交叉跨越处的位置数据及风险值;根据所述电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;获取起点的位置数据、终点的位置数据;根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径;根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径。
Description
技术领域
本申请涉及但不限于无人机巡检领域,尤其是涉及一种基于线路交叉跨越的无人机巡检方法、装置及存储介质。
背景技术
针对电力线路的巡检工作是电力从业人员日常维护的重要内容,巡检方式可分为人工巡检、直升机巡检以及无人机巡检。其中人工巡检是比较传统的巡检方式,人工巡检的巡检效率较低,容易受环境条件的限制;直升机巡检方式的经济成本较大,而且也依赖于人员的使用;无人机巡检方式因其巡检的优势被广泛应用。
现有的无人机巡检方法,在路径规划过程中缺少对线路交叉跨越处的考虑,使得巡检的效率较低。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种基于线路交叉跨越的无人机巡检方法,能够解决巡检效率的问题。
根据本申请第一方面实施例的基于线路交叉跨越的无人机巡检方法,所述方法包括:获取电力塔杆的位置数据;获取交叉跨越处的位置数据及风险值;根据所述电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;获取起点的位置数据、终点的位置数据;根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径;根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径。
根据本申请实施例的基于线路交叉跨越的无人机巡检方法,至少具有如下技术效果:基于线路交叉跨越的无人机巡检方法,引入了交叉跨越处的风险评估技术,并根据不同的风险值设置飞行器的拐弯半径,以匹配不同的巡检轨迹,从而有针对性地对重要区域做详尽的检查,提升了巡检路径规划的效率,提高了巡检工作的质量。
根据本申请的一些实施例,所述获取的电力塔杆的位置数据,包括:获取输电线路的轨迹数据;根据所述输电线路的轨迹数据得到电力塔杆的位置数据。
根据本申请的一些实施例,所述获取交叉跨越处的位置数据及风险值,包括:建立风险值的评估模型;根据所述评估模型得到所述交叉跨越处的风险值。
根据本申请的一些实施例,所述建立风险值的评估模型,包括:获取交叉跨越处风险因素值,所述风险因素值至少包括交叉程度因素值、环境因素值;获取所述风险因素值的权重;根据所述风险因素值、所述风险因素值的权重得到评估模型。
根据本申请的一些实施例,所述获取起点的位置数据、终点的位置数据,包括:以手动输入坐标的方式或地图选点的方式获取起点的位置数据;以手动输入坐标的方式或地图选点的方式获取终点的位置数据。
根据本申请的一些实施例,所述根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径,包括:获取交叉跨越处的风险值;根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径。
根据本申请的一些实施例,所述根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径,包括:将所述起点、所述终点、所述途经点的位置数据导入三维坐标系中;根据所述起点、所述终点、所述途经点的位置数据计算过渡点位置数据;利用最短路径算法规划得到巡检路径。
根据本申请第二方面实施例的基于线路交叉跨越的无人机巡检装置,基于线路交叉跨越的无人机巡检装置包括:塔杆位置获取模块,用于获取的电力塔杆的位置数据;交叉跨越处数据获取模块,用于获取交叉跨越处的位置数据及风险值;途径点位置数据生成模块,用于根据所述电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;起始点位置获取模块,用于获取起点的位置数据、终点的位置数据;拐弯半径设置模块,用于根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径;巡检路径生成模块,用于根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径。
根据本申请第三方面实施例的基于线路交叉跨越的无人机巡检装置,基于线路交叉跨越的无人机巡检装置包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:本申请上述第一方面实施例的基于线路交叉跨越的无人机巡检方法。
根据本申请第四方面实施例的计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于:执行上述第一方面实施例的所述的基于线路交叉跨越的无人机巡检方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1是本申请一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图;
图2是本申请另一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图;
图3是本申请另一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图;
图4是本申请另一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图;
图5是本申请另一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图;
图6是本申请另一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图;
图7是本申请另一个实施例提供的基于线路交叉跨越的无人机巡检方法的流程图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
根据本申请实施例的基于线路交叉跨越的无人机巡检方法,方法包括:获取的电力塔杆的位置数据;获取交叉跨越处的位置数据及风险值;根据电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;获取起点的位置数据、终点的位置数据;根据交叉跨越处的风险值得到交叉跨越处的拐弯半径;根据交叉跨越处的拐弯半径、起点、终点、途经点的位置数据得到巡检路径。
在一些实施例中,如图1所示,基于线路交叉跨越的无人机巡检方法包括:
S110,获取电力塔杆的位置数据;
S120,获取交叉跨越处的位置数据及风险值;
S130,根据电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;
S140,获取起点的位置数据、终点的位置数据;
S150,根据交叉跨越处的风险值得到交叉跨越处的拐弯半径;
S160,根据交叉跨越处的拐弯半径、起点、终点、途经点的位置数据得到巡检路径。
在具体的实施例中,步骤S160中采用基于强化学习的无人机路径规划算法进行实现,具体包括:在很多场景中,人们无法了解Agent的决策过程,因此无法产生用于监督学习的完整信息。然而,通过设计Agent的目标和不同环境下相应的奖励信息,可以使Agent通过强化学习获得最优的策略。因此可以说强化学习就是智能体Agent与环境通过交互从而获得某种学习能力的过程。
强化学习是机器学习三大分支之一,除去强化学习外,还有监督式学习和非监督式学习。强化学习(Reinforcement Learning,RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一,用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
强化学习的常见模型是标准的马尔可夫决策过程(Markov Decision Process,MDP)。按给定条件,强化学习可分为基于模式的强化学习(model-based RL)和无模式强化学习(model-free RL),以及主动强化学习(active RL)和被动强化学习(passive RL)。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测系统的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数(value function)算法两类。深度学习模型可以在强化学习中得到使用,形成深度强化学习。
在强化学习领域,有三个最为重要的参数,智能体和环境的交互包含了智能体的动作Action,环境的状态值State以及智能体在当前环境执行动作所获得的奖励值Reward。当智能体Agent执行了某一个动作Action与环境进行了交互之后,会获得一个即时的奖励,同时环境的状态State随之发生改变,而当前动作是否是最优的则可通过奖励Reward来衡量。
具体地,采用Q-Learning算法实现路径规划,Q-Learning是强化学习算法中value-based的算法,Q即为Q(s,a)就是在某一时刻的s状态下(s∈S),采取动作a(a∈A)动作能够获得收益的期望,环境会根据agent的动作反馈相应的回报reward r,所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值,然后根据Q值来选取能够获得最大的收益的动作。
在步骤S110中,电力塔杆的位置数据的获取方式为从输电线路的轨迹数据提取。首先根据电力塔杆的结构特点,查询各塔杆的坐标,从而获取各塔杆顶点的空间坐标;然后由负责人员对电力塔杆的具体位置和定点高度做最后的确认和修改,以避免出现错误,从而干扰后续对巡检路径的规划工作。
在步骤S120中,本申请引入了对线路交叉跨越处风险值的评估过程,将每个线路交叉跨越处的风险量化,从而对风险值较高的交叉跨越处进行重点侦测,比如,在不同风险值的交叉跨越处设置不同的拐弯半径,风险值越大,拐弯半径越小,从而可实现对风险较大的交叉跨越区域进行更加精密、更加准确地检查,保证了巡检工作的效能。
在步骤S140中,起点的位置数据或者终点的位置数据的获取方式至少包括两种,即可以手动输入起点或终点的三维坐标的方式来对起点和终点的位置进行设置,这种方法的自由度较高,能够自由设置巡检的开始和结束位置;也可以以地图选点的方式对起点和终点的位置进行设置,如从坐标系中选择电力塔杆的位置作为起点或者终点,从而实现了起点或终点设置的快捷性,提升了巡检路径规划的效率。
在步骤S150中,依据各自的风险值分配不同的拐弯半径,即依据无人机所在的地理位置的不同实时调整无人机飞行过程中的拐弯半径,拐弯半径越小,距离交叉跨越区域的巡检距离越近,则巡检越详尽和准确,反之亦然。因此,在巡检路径的规划阶段就实现了有针对性地对交叉跨越区域进行巡检。
在步骤S160中,途经点即为每个需巡检的电力塔杆的位置和需巡检的交叉跨越处的位置,连同起点和终点的位置数据一起导入到三维坐标系中,再根据已知的点去计算过渡点的位置,并依据最短路径算法规划得到巡检路径。
基于线路交叉跨越的无人机巡检方法,引入了交叉跨越处的风险评估技术,并根据不同的风险值设置飞行器的拐弯半径,以匹配不同的巡检轨迹,从而有针对性地对重要区域做详尽的检查,提升了巡检路径规划的效率,提高了巡检工作的质量。
根据本申请的一些实施例,获取的电力塔杆的位置数据,包括:获取输电线路的轨迹数据;根据输电线路的轨迹数据得到电力塔杆的位置数据。
在一些实施例中,如图2所示,基于线路交叉跨越的无人机巡检方法,所述获取电力塔杆的位置数据包括:
S210,获取输电线路的轨迹数据;
S220,根据输电线路的轨迹数据得到电力塔杆的位置数据;
在具体的实施例中,电力塔杆的位置数据的获取方式为从输电线路的轨迹数据提取。首先根据电力塔杆的结构特点,查询各塔杆的坐标,从而获取各塔杆顶点的空间坐标;然后由负责人员对电力塔杆的具体位置和定点高度做最后的确认和修改,以避免出现错误,从而干扰后续对巡检路径的规划工作。
根据本申请的一些实施例,获取交叉跨越处的位置数据及风险值,包括:建立风险值的评估模型;根据评估模型得到交叉跨越处的风险值。
在一些实施例中,如图3所示,基于线路交叉跨越的无人机巡检方法,所述获取交叉跨越处的位置数据及风险值包括:
S310,建立风险值的评估模型;
S320,根据评估模型得到交叉跨越处的风险值。
在具体的实施例中,本申请引入了对线路交叉跨越处风险值的评估过程,将每个线路交叉跨越处的风险量化,从而对风险值较高的交叉跨越处进行重点侦测,比如,在不同风险值的交叉跨越处设置不同的拐弯半径,风险值越大,拐弯半径越小,从而可实现对风险较大的交叉跨越区域进行更加精密、更加准确地检查,保证了巡检工作的效能。
根据本申请的一些实施例,建立风险值的评估模型,包括:获取交叉跨越处风险因素值,风险因素值至少包括交叉程度因素值、环境因素值;获取风险因素值的权重;根据风险因素值、风险因素值的权重得到评估模型。
在一些实施例中,如图4所示,基于线路交叉跨越的无人机巡检方法,所述建立风险值的评估模型包括:
S410,获取交叉跨越处风险因素值,风险因素值至少包括交叉程度因素值、环境因素值;
S420,获取风险因素值的权重;
S430,根据风险因素值、风险因素值的权重得到评估模型。
在具体的实施例中,要对每个交叉跨越处的风险值进行评估,就先要选定一些风险因素值,即用哪些因素来对每个交叉跨越处的风险值进行量化。
风险因素值至少包括交叉程度因素值、环境因素值,其中,交叉程度因素值包括但不限于正常交叉、非正常交叉、轻微交叉、严重交叉等;环境因素值包括但不限于高温、低温、高大气压强、低大气压强、高降水量、低降水量、高风速、低风速等。
需要说明的是,风险因素致除了包括上述两种因素之外,也可以为其他与电力线路交叉存在的风险大小相关的因素,如,交叉跨越处的地理类型因素,地理类型因素包括但不限于民房区、楼房区、铁路区、水域区、农田区、森林区等。
针对同一因素的不同的类型,设置不同的数值,从而便于对风险值进行评估,如正常交叉的数值设置为200、非正常交叉300、轻微交叉100、严重交叉500。
针对不同的因素,也需要设置权重来提升评估模型的科学性、真实性、准确性。比如,将交叉程度因素值的权重设置为1.21,将环境因素值的权重设置为1.54,将地理类型因素的权重设置为1.39。
根据本申请的一些实施例,获取起点的位置数据、终点的位置数据,包括:以手动输入坐标的方式或地图选点的方式获取起点的位置数据;以手动输入坐标的方式或地图选点的方式获取终点的位置数据。
在一些实施例中,如图5所示,基于线路交叉跨越的无人机巡检方法,所述获取起点的位置数据、终点的位置数据包括:
S510,以手动输入坐标的方式或地图选点的方式获取起点的位置数据;
S520,以手动输入坐标的方式或地图选点的方式获取终点的位置数据。
在具体的实施例中,起点的位置数据或者终点的位置数据的获取方式至少包括两种,即可以手动输入起点或终点的三维坐标的方式来对起点和终点的位置进行设置,这种方法的自由度较高,能够自由设置巡检的开始和结束位置;也可以以地图选点的方式对起点和终点的位置进行设置,如从坐标系中选择电力塔杆的位置作为起点或者终点,从而实现了起点或终点设置的快捷性,提升了巡检路径规划的效率。
根据本申请的一些实施例,根据交叉跨越处的风险值得到交叉跨越处的拐弯半径,包括:获取交叉跨越处的风险值;根据交叉跨越处的风险值得到交叉跨越处的拐弯半径。
在一些实施例中,如图6所示,基于线路交叉跨越的无人机巡检方法,所述根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径包括:
S610,获取交叉跨越处的风险值;
S620,根据交叉跨越处的风险值得到交叉跨越处的拐弯半径。
在具体的实施例中,评估得到的不同交叉跨越处有不同的风险值,依据各自的风险值分配不同的拐弯半径,即依据无人机所在的地理位置的不同实时调整无人机飞行过程中的拐弯半径,拐弯半径越小,距离交叉跨越区域的巡检距离越近,则巡检越详尽和准确,反之亦然。因此,在巡检路径的规划阶段就实现了有针对性地对交叉跨越区域进行巡检。
根据本申请的一些实施例,根据交叉跨越处的拐弯半径、起点、终点、途经点的位置数据得到巡检路径,包括:将起点、终点、途经点的位置数据导入三维坐标系中;根据起点、终点、途经点的位置数据计算过渡点位置数据;利用最短路径算法规划得到巡检路径。
在一些实施例中,如图7所示,基于线路交叉跨越的无人机巡检方法,所述根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径包括:
S710,将起点、终点、途经点的位置数据导入三维坐标系中;
S720,根据起点、终点、途经点的位置数据计算过渡点位置数据;
S730,利用最短路径算法规划得到巡检路径。
在具体的实施例中,途经点即为每个需巡检的电力塔杆的位置和需巡检的交叉跨越处的位置,连同起点和终点的位置数据一起导入到三维坐标系中,再根据已知的点去计算过渡点的位置,并依据最短路径算法规划得到巡检路径。
根据本申请实施例的基于线路交叉跨越的无人机巡检装置,基于线路交叉跨越的无人机巡检装置包括:塔杆位置获取模块,用于获取的电力塔杆的位置数据;交叉跨越处数据获取模块,用于获取交叉跨越处的位置数据及风险值;途径点位置数据生成模块,用于根据电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;起始点位置获取模块,用于获取起点的位置数据、终点的位置数据;拐弯半径设置模块,用于根据交叉跨越处的风险值得到交叉跨越处的拐弯半径;巡检路径生成模块,用于根据交叉跨越处的拐弯半径、起点、终点、途经点的位置数据得到巡检路径。
根据本申请实施例的基于线路交叉跨越的无人机巡检装置,基于线路交叉跨越的无人机巡检装置包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现:本申请上述任一实施例的基于线路交叉跨越的无人机巡检方法。
基于线路交叉跨越的无人机巡检装置实现了基于线路交叉跨越的无人机巡检方法,引入了交叉跨越处的风险评估技术,并根据不同的风险值设置飞行器的拐弯半径,以匹配不同的巡检轨迹,从而有针对性地对重要区域做详尽的检查,提升了巡检路径规划的效率,提高了巡检工作的质量。
根据本申请第四方面实施例的计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于:执行上述任一实施例的基于线路交叉跨越的无人机巡检方法。
以上所描述的装置实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (10)
1.基于线路交叉跨越的无人机巡检方法,其特征在于,包括:
获取电力塔杆的位置数据;
获取交叉跨越处的位置数据及风险值;
根据所述电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;
获取起点的位置数据、终点的位置数据;
根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径;
根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径。
2.根据权利要求1所述的基于线路交叉跨越的无人机巡检方法,其特征在于,所述获取电力塔杆的位置数据,包括:
获取输电线路的轨迹数据;
根据所述输电线路的轨迹数据得到电力塔杆的位置数据。
3.根据权利要求1所述的基于线路交叉跨越的无人机巡检方法,其特征在于,所述获取交叉跨越处的位置数据及风险值,包括:
建立风险值的评估模型;
根据所述评估模型得到所述交叉跨越处的风险值。
4.根据权利要求3所述的基于线路交叉跨越的无人机巡检方法,其特征在于,所述建立风险值的评估模型,包括:
获取交叉跨越处风险因素值,所述风险因素值至少包括交叉程度因素值、环境因素值;
获取所述风险因素值的权重;
根据所述风险因素值、所述风险因素值的权重得到评估模型。
5.根据权利要求1所述的基于线路交叉跨越的无人机巡检方法,其特征在于,所述获取起点的位置数据、终点的位置数据,包括:
以手动输入坐标的方式或地图选点的方式获取起点的位置数据;
以手动输入坐标的方式或地图选点的方式获取终点的位置数据。
6.根据权利要求1所述的基于线路交叉跨越的无人机巡检方法,其特征在于,所述根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径,包括:
获取交叉跨越处的风险值;
根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径。
7.根据权利要求1所述的基于线路交叉跨越的无人机巡检方法,其特征在于,所述根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径,包括:
将所述起点、所述终点、所述途经点的位置数据导入三维坐标系中;
根据所述起点、所述终点、所述途经点的位置数据计算过渡点位置数据;
利用最短路径算法规划得到巡检路径。
8.基于线路交叉跨越的无人机巡检装置,其特征在于,包括:
塔杆位置获取模块,用于获取的电力塔杆的位置数据;
交叉跨越处数据获取模块,用于获取交叉跨越处的位置数据及风险值;
途径点位置数据生成模块,用于根据所述电力塔杆的位置数据、交叉跨越处的位置数据得到途径点的位置数据;
起始点位置获取模块,用于获取起点的位置数据、终点的位置数据;
拐弯半径设置模块,用于根据所述交叉跨越处的风险值得到所述交叉跨越处的拐弯半径;
巡检路径生成模块,用于根据所述交叉跨越处的拐弯半径、所述起点、所述终点、所述途经点的位置数据得到巡检路径。
9.基于线路交叉跨越的无人机巡检装置,其特征在于,所述基于线路交叉跨越的无人机巡检装置包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:
如权利要求1至7中任一项所述的基于线路交叉跨越的无人机巡检方法。
10.存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于:
执行权利要求1至7中任一项所述的基于线路交叉跨越的无人机巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353773.8A CN113052339B (zh) | 2021-03-31 | 2021-03-31 | 基于线路交叉跨越的无人机巡检方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110353773.8A CN113052339B (zh) | 2021-03-31 | 2021-03-31 | 基于线路交叉跨越的无人机巡检方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052339A true CN113052339A (zh) | 2021-06-29 |
CN113052339B CN113052339B (zh) | 2023-04-07 |
Family
ID=76517362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110353773.8A Active CN113052339B (zh) | 2021-03-31 | 2021-03-31 | 基于线路交叉跨越的无人机巡检方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052339B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045274A (zh) * | 2015-04-30 | 2015-11-11 | 南方电网科学研究院有限责任公司 | 一种用于无人机巡检航迹规划的智能杆塔连通图构建方法 |
CN106371456A (zh) * | 2016-08-31 | 2017-02-01 | 中测新图(北京)遥感技术有限责任公司 | 一种无人机巡线方法及系统 |
CN106774392A (zh) * | 2016-12-13 | 2017-05-31 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力线路巡检过程中飞行路径的动态规划方法 |
CN109358644A (zh) * | 2018-11-13 | 2019-02-19 | 广州优飞信息科技有限公司 | 无人机自动巡视航线的生成方法和装置 |
CN110674966A (zh) * | 2019-06-05 | 2020-01-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种电力电缆巡检路径优化方法及装置 |
-
2021
- 2021-03-31 CN CN202110353773.8A patent/CN113052339B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045274A (zh) * | 2015-04-30 | 2015-11-11 | 南方电网科学研究院有限责任公司 | 一种用于无人机巡检航迹规划的智能杆塔连通图构建方法 |
CN106371456A (zh) * | 2016-08-31 | 2017-02-01 | 中测新图(北京)遥感技术有限责任公司 | 一种无人机巡线方法及系统 |
CN106774392A (zh) * | 2016-12-13 | 2017-05-31 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力线路巡检过程中飞行路径的动态规划方法 |
CN109358644A (zh) * | 2018-11-13 | 2019-02-19 | 广州优飞信息科技有限公司 | 无人机自动巡视航线的生成方法和装置 |
CN110674966A (zh) * | 2019-06-05 | 2020-01-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种电力电缆巡检路径优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113052339B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967486B (zh) | 一种周边车辆行为识别方法 | |
US20210333108A1 (en) | Path Planning Method And Device And Mobile Device | |
WO2022007179A1 (zh) | 一种多agv运动规划方法、装置和系统 | |
CN107113764B (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN110989352B (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
CN105445733B (zh) | 融合处理ssr航管与iff多模式协同航迹的方法 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN110008851A (zh) | 一种车道线检测的方法及设备 | |
CN108894919B (zh) | 风力发电机组的启动控制方法和装置、存储介质 | |
CN113470089B (zh) | 一种基于三维点云的跨域协同定位和建图方法及系统 | |
CN108092319A (zh) | 一种短期风电功率预测的不确定性分析方法及装置 | |
CN110515055A (zh) | 利用半径搜索优化激光雷达定位的方法 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN106959700A (zh) | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 | |
CN107193060A (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
CN105608276A (zh) | 输电线路路径自动选择方法及元胞自动机模型 | |
CN109492756A (zh) | 基于深度学习的多要素导线舞动预警方法及相关装置 | |
CN109063891B (zh) | 一种无人机调度路线规划方法 | |
Carrabs et al. | An adaptive heuristic approach to compute upper and lower bounds for the close-enough traveling salesman problem | |
CN116518960A (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN117032311A (zh) | 一种输电线路无人机巡检任务自动规划方法、装置、设备及介质 | |
CN113052339B (zh) | 基于线路交叉跨越的无人机巡检方法、装置及存储介质 | |
CN112633591B (zh) | 一种基于深度强化学习的空间搜索方法及设备 | |
CN116820121B (zh) | 一种无人机群体联合侦查策略生成方法及终端 | |
CN117213489A (zh) | 复杂风环境影响下的无人机路径规划方法、装置及系统 |
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 |