CN113093798B - 基于电场分布的无人机巡检避险方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种基于电场分布的无人机巡检避险方法、装置及存储介质。本发明的基于电场分布的无人机巡检避险方法包括：获取交叉跨越处的属性信息；根据所述属性信息从预设的三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型；所述三维电场模型簇包括至少一个三维电场模型；根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；根据所述电场分布数据得到风险位置的坐标；根据所述风险位置的坐标得到无人机巡检的安全路径。基于电场分布的无人机巡检避险方法提升了无人机巡检工作的安全性。

Description

基于电场分布的无人机巡检避险方法、装置及存储介质

技术领域

本发明涉及但不限于无人机巡检避险领域，尤其是涉及一种基于电场分布的无人机巡检避险方法、装置及存储介质。

背景技术

在对电力线缆进行巡检的过程中，为减少无人机因路径规划失误，防止突发情况导致无人机损毁，无人机上会适当配备一些避障、避险设备，当前的避险方法主要包括超声波、激光、雷达等，这些避险方法在一定程度上起到了积极的作用，但当无人机在电力线缆的交叉跨越处巡检时，依然容易出现事故，从而使得无人机的巡检工作的安全性降低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于电场分布的无人机巡检避险方法，能够解决无人机的巡检工作的安全性较低的问题。

根据本发明第一方面实施例的基于电场分布的无人机巡检避险方法，所述方法包括：获取交叉跨越处的属性信息；根据所述属性信息从预设的三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型；所述三维电场模型簇包括至少一个三维电场模型；根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；根据所述电场分布数据得到风险位置的坐标；根据所述风险位置的坐标得到无人机巡检的安全路径。

根据本发明实施例的基于电场分布的无人机巡检避险方法，至少具有如下技术效果：基于电场分布的无人机巡检避险方法预先对多种条件下的交叉跨越区域的电场分布情况进行模拟，得到三维电场模型簇，通过实时的信息采集为具体的交叉跨域处分配相适应的三维电场模型，实现对交叉跨越区域的电场分布预测，从而指导无人机重新对路径进行修正，极大地提高了无人机巡检时的避险能力，提升了无人机巡检的安全性。

根据本发明的一些实施例，还包括构建并存储三维电场模型簇，具体包括：构建至少一个所述三维电场模型；根据所述三维电场模型得到所述三维电场模型簇。

根据本发明的一些实施例，所述属性信息至少包括以下任一种：交叉线缆垂直距离、交叉线缆夹角、线缆排列方式，所述获取交叉跨越处的属性信息，包括：获取交叉跨越处的图像信息；根据所述图像信息得到所述交叉线缆垂直距离、所述交叉线缆夹角；获取交叉跨越处的位置信息；根据所述位置信息得到所述线缆排列方式。

根据本发明的一些实施例，所述根据所述属性信息从所述三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型，包括：获取所述属性信息；根据所述属性信息在所述三维电场模型簇中进行匹配选择，得到适用于所述交叉跨越处的三维电场模型。

根据本发明的一些实施例，所述根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据，包括：根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；获取无人机的实时位置，根据所述实时位置、电场分布数据得到无人机所在位置的第一电场强度数据；采集获得无人机所在位置的第二电场强度数据；根据所述第一电场强度数据、第二电场强度数据更新所述三维电场模型。

根据本发明的一些实施例，所述根据所述电场分布数据得到风险位置的坐标，包括：获取预设的电场强度阈值；根据所述电场分布数据、所述电场强度阈值得到风险位置的坐标。

根据本发明的一些实施例，所述根据所述风险位置的坐标得到无人机巡检的安全路径，包括：获取无人机巡检的原始路径；获取风险位置的坐标；根据所述风险位置的坐标、无人机巡检的原始路径得到无人机巡检的安全路径。

根据本发明第二方面实施例的基于电场分布的无人机巡检避险装置，包括：属性信息获取模块，用于获取交叉跨越处的属性信息；模型匹配模块，用于根据所述属性信息从预设的三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型；所述三维电场模型簇包括至少一个三维电场模型；预测模块，用于根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；风险位置生成模块，用于根据所述电场分布数据得到风险位置的坐标；安全路径生成模块，用于根据所述风险位置的坐标得到无人机巡检的安全路径。

根据本发明第三方面实施例的基于电场分布的无人机巡检避险装置，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：本发明上述第一方面实施例的基于电场分布的无人机巡检避险方法。

根据本发明第四方面实施例的存储介质，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电场分布的无人机巡检避险方法。

本发明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发明做进一步的说明，其中：

图1是本发明一个实施例提供的基于电场分布的无人机巡检避险方法的流程图；

图2是本发明另一个实施例提供的基于电场分布的无人机巡检避险方法的流程图；

图3是本发明另一个实施例提供的基于电场分布的无人机巡检避险方法的流程图；

图4是本发明另一个实施例提供的基于电场分布的无人机巡检避险方法的流程图；

图5是本发明另一个实施例提供的基于电场分布的无人机巡检避险方法的流程图；

图6是本发明另一个实施例提供的基于电场分布的无人机巡检避险方法的流程图；

图7是本发明另一个实施例提供的基于电场分布的无人机巡检避险方法的流程图。

具体实施方式

下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，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发明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。

根据本发明实施例的基于电场分布的无人机巡检避险方法，方法包括：获取并存储三维电场模型簇；三维电场模型簇包括至少一个三维电场模型；获取交叉跨越处的属性信息；根据属性信息从三维电场模型簇中得到适用于交叉跨越处的三维电场模型；根据三维电场模型预测得到交叉跨越处的电场分布数据；根据电场分布数据得到风险位置的坐标；根据风险位置的坐标得到无人机巡检的安全路径。

如图1所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S110，获取交叉跨越处的属性信息；

S120，根据属性信息从预设的三维电场模型簇中得到适用于交叉跨越处的三维电场模型；

S130，根据三维电场模型预测得到交叉跨越处的电场分布数据；

S140，根据电场分布数据得到风险位置的坐标；

S150，根据风险位置的坐标得到无人机巡检的安全路径。

在步骤S120中，三维电场模型簇包括至少一个三维电场模型。

在具体的实施例中，基于电场分布的无人机巡检避险方法先模拟不同情况下的三维电场模型，形成三维电场模型簇，并将数据存储在无人机内，进而在无人机飞行至交叉跨越处时采集属性信息，为交叉跨越处分配适应性的三维电场模型，对电场分布数据进行预测，得到风险位置的坐标，从而得到无人机巡检的安全路径，实现了无人机的巡检避险。

基于电场分布的无人机巡检避险方法预先对多种条件下的交叉跨越区域的电场分布情况进行模拟，得到三维电场模型簇，通过实时的信息采集为具体的交叉跨越处分配相适应的三维电场模型，实现对交叉跨越区域的电场分布预测，从而指导无人机重新对路径进行修正，极大地提高了无人机巡检时的避险能力，提升了无人机巡检的安全性。

根据本发明的一些实施例，构建三维电场模型簇，具体包括：构建至少一个三维电场模型；根据至少一个三维电场模型得到三维电场模型簇。

如图2所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S210，构建至少一个三维电场模型；

S220，根据至少一个三维电场模型得到三维电场模型簇。

在一些实施例中，在模型的构建过程中，需要运用基于超算平台的输电线路的三维实景重构与模型数据管理原型系统，其硬件设施甚至可以是数台高性能的联网工作站，即利用云计算技术，为密集型三维实景重建运算提供强有力的基础设施支撑。分析当前可视化相关技术，探索基于GeoVRML技术的大规模地形数据(DEM)快速提取、实时动态三维可视化显示和空间分析方法。输电线路全景环境可视化搭建系统主要是通过硬件和软件自主研发结合来有机集成实现。将GeoVRML和空间图形数据库有机结合，解决大规模地形数据(DEM)到GeoVRML数据文件格式的转换技术，利用GeoVRML对大型地形数据进行简化与多分辨率表达，实现海量数据快速、准确、实时动态显示。地面数据处理软件采用摄影测量、遥感的数据处理方法和技术流程，在已有工作的基础上，对多种传感器获取的可见光、红外影像、点云、坐标、姿态数据处理系统，实现多种数据自动化为主的高精度几何处理。在此基础上，针对输电导线、杆塔、绝缘子等及其附属部件的特点，研制实用化三维实景重构与模型数据管理系统，为进一步廊道数据分析及深化应用奠定基础。

在步骤S210中，三维电场模型的获取方式是实验模拟，在具体的实施例中，采用以有限元法为原理的ansys软件进行仿真，实现对三维空间电场的计算。

具体地，交叉跨越处的电场分布情况与交叉线缆垂直距离、交叉线缆夹角、线缆排列方式密切相关，因此在不同的条件下所模拟出的三维电场模型存在差异；首先设置不同的条件，如不同的交叉线缆垂直距离(如1m、3m、5m等)；不同的交叉线缆夹角(如30度、60度、90度等)；不同的线缆排列方式(如单回路水平排列、单回路三角形排列、双回路鼓形排列、双回路伞形排列、双回路垂直排列、双回路倒伞形排列等)，从而得到不同条件下的三维电场模型，每一种模型对应实际的交叉跨越处的一种场景，从而能够实现对不同场景的交叉跨越处的电场分布情况的模拟。

需要说明的是，交叉跨越处的电场分布情况的影响因素有很多，除了上述三种之外，还包括线路间隔，线缆架空高度、环境信息、气候信息等等，本发明选取其中主要的三个因素，其他因素的影响在构建三维电场模型时暂时忽略。

需要说明的是，交叉线缆垂直距离和交叉线缆夹角的数值和颗粒度的设置，可根据实际巡检的电力线缆参数的具体特征进行适应性修改，线缆排列方式亦是如此。

三维电场模型中包括具体位置的电场强度信息，从而便于后续对无人机实际位置的电场强度的预测。

在步骤S220中，将步骤S210中得到的多个三维电场模型汇总得到三维电场模型簇，便于根据不同的场景和条件对三维电场模型进行选择，从而是预测数据更为精准，进而为无人机巡检提供准确的避险数据，提升了无人机巡检的安全性。

根据本发明的一些实施例，属性信息至少包括以下任一种：交叉线缆垂直距离、交叉线缆夹角、线缆排列方式，获取交叉跨越处的属性信息，包括：获取交叉跨越处的图像信息；根据图像信息得到交叉线缆垂直距离、交叉线缆夹角；获取交叉跨越处的位置信息；根据位置信息得到线缆排列方式。

如图3所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S310，获取交叉跨越处的图像信息；

S320，根据图像信息得到交叉线缆垂直距离、交叉线缆夹角；

S330，获取交叉跨越处的位置信息；

S340，根据位置信息得到线缆排列方式。

在步骤S310至S320中，采用Fast R-CNN和Faster RCNN来从无人机巡检的图像中提取信息，以检测并识别目标，在用卷积神经网络提取了机巡数据的图像特征后，再接一个区域提议层，优化了提取可能含有目标区域的方式并改进识别目标的分类器，使目标的检测和识别几乎实时，从而识别出交叉线缆垂直距离和交叉线缆夹角。

Malik团队的轮廓检测及层次图像分割方法和多尺度组合聚合(MultiscaleCombinatorial Grouping，MCG)方法，以及Uijlings等提出的基于选择性搜索(SelectiveSearch)的目标识别方法给出了将多种低层次特征进行全局优化并构建层次结构模型的范式，提高了准确率，但这些方法尚不具备随样本数量增多提升识别准确率的能力。在此基础上，2017年，王万国等人研究了深度学习在电力部件识别中的应用。Fast R-CNN和Faster RCNN利用CNN网络提取图像特征，后接一个区域提议层，优化了提取可能含有目标区域的方式并改进识别目标的分类器，使目标的检测和识别几乎实时。此外他们采用优化算法对参数进行调优，并比较了DPM(DeformablePart Models)、基于RCNN(Regionbased Convolutional Neural Network)的SPPnet(Spatialpyramid pooling networks和Faster R-CNN 3种算法，针对电力小部件识别问题分析了不同算法的效果和性能。

为了提升图像识别的效率，在具体实施例中采用基于海量融合机巡数据的知识自动学习方法，具体包括：

对已有大量的、种类和来源复杂的数据进行深层发现和分析，抽取数据关系，构建知识图谱；每当新增数据时，并不需要重建所有的知识库，而是在原有知识库的基础上，仅对由于新增数据所引起的变化进行更新。框架最核心的内容是处理新数据与已存储知识相似性评价方法，即新知识的判定机制。因为该方法决定觉察新知识并增加知识库的方式，它影响着知识的增长。

框架设计是原则如下：可以从新数据中学习新知识；以前已经处理过的数据不需要重复处理；每次只有一个训练观测样本被看到和学习；学习新知识的同时能保存以前学习到的大部分知识；一旦学习完成后训练观测样本被丢弃；学习系统没有关于整个训练样本的先验知识。

对新增机巡数据实现自动聚合，分类，判别，实现无监督自组织学习。利用所有样本(包含标记样本和无标记样本)学习出样本的隐特征或隐含变量表示，在此基础上利用有监督分类器对无标记样本所对应的隐特征进行分类，从而间接地对无标记样本进行分类。在获得隐特征基础上，通过自组织增量学习神经网络(SOINN)对新获取数据进行自组织学习。通过一种基于竞争学习的两层神经网络，它能够发现数据流中出现的新模式并进行学习，同时不影响之前学习的结果。SOINN是两层结构(不包括输入层)的竞争性神经网络，它以自组织的方式对输入数据进行在线聚类和拓扑表示。第1层网络接收原始数据的输入，以在线的方式自适应地生成原型神经元来表示输入数据。这些节点和它们之间的连接反映了原始数据的分布情况；第2层根据第1层网络的结果估计出原始数据的类间距离与类内距离，并以此作为参数，把第1层生成的神经元作为输入再运行一次SOINN算法，以稳定学习结果。通过无监督特征学习与自组织增量网络，来实现对于未知数据的智能化学习。

对于故障样本容量小、无法满足深度模型训练要求的数据集，通过判别生成网络生成相似故障样本图片，对故障样本数据扩容，形成可靠的深度模型训练集。生成式对抗网络GAN中，通过让生成器和判决器来相互竞争达到平衡状态来无监督地训练网络。在标记样本较少的情况下，利用GAN所学到的样本内容分布和强大的竞争学习能力来提高网络分类性能，使得生成的虚拟样本类别分布与真实样本类别分布相匹配，以此来增加故障样本缺少情况，减轻不平衡数据集带来的影响。

在步骤S310至S320中，在具体的实施例中，利用无人机上的图像采集模块对交叉跨越处的图像信息进行采集，通过对采集到的图像信息进行识别得到交叉跨越处的交叉线缆垂直距离和交叉线缆夹角，将识别到的信息当作选择匹配三维电场模型的标签，从而实现对三维电场模型的适应性选择。

需要说明的是，交叉线缆垂直距离和交叉线缆夹角的获取也可以采用其他方式，比如直接查询所在地的线缆编号和塔杆编号，从而根据线缆编号和塔杆编号找到交叉跨越处的参数信息，这些参数信息在电力线缆设计、施工时都有保存，数据更加准确。

在步骤S330至S340中，在具体的实施例中，利用无人机上的位置采集模块对交叉跨越处的位置信息进行采集，利用位置信息确定附近的线缆编号和塔杆编号，从而根据线缆编号和塔杆编号找到交叉跨越处的线缆排列方式，从而用于对三维电场模型的选择。

根据本发明的一些实施例，根据属性信息从三维电场模型簇中得到适用于交叉跨越处的三维电场模型，包括：获取属性信息；根据属性信息在三维电场模型簇中进行匹配选择，得到适用于交叉跨越处的三维电场模型。

如图4所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S410，获取属性信息；

S420，根据属性信息在三维电场模型簇中进行匹配选择，得到适用于交叉跨越处的三维电场模型。

在具体的实施例中，匹配的过程即选择与实际的属性信息最为接近的三维电场模型，具体地，如检测得到交叉线缆垂直距离为1.42m；交叉线缆夹角为42度；线缆的排列方式为双回路倒伞形排列；而交叉线缆垂直距离包括1m、3m、5m，不同的交叉线缆夹角包括30度、60度、90度，不同的线缆排列方式包括单回路水平排列、单回路三角形排列、双回路鼓形排列、双回路伞形排列、双回路垂直排列、双回路倒伞形排列，则选用交叉线缆垂直距离为1m，交叉线缆夹角为30度，线缆排列方式为双回路倒伞形排列三个条件所对应的三维电场模型，从而实现了三维电场模型的适用性选择，提升了预测数据的准确性。

除此之外，本发明没有采用对交叉跨越处的电场分布情况做实时的模型构建，而是采用提前构建模型，实时匹配选用的模型，极大地提升了数据的预测效率，也节省了多大量数据采集的时间和资源消耗，只有采集少量的信息即可完成对电场分布情况的预测，从而降低了无人机的资源消耗，提升了无人机巡检的效率。

根据本发明的一些实施例，根据三维电场模型预测得到交叉跨越处的电场分布数据，包括：根据三维电场模型预测得到交叉跨越处的电场分布数据；获取无人机的实时位置，根据实时位置、电场分布数据得到无人机所在位置的第一电场强度数据；采集获得无人机所在位置的第二电场强度数据；根据第一电场强度数据、第二电场强度数据更新三维电场模型。

如图5所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S510，根据三维电场模型预测得到交叉跨越处的电场分布数据；

S520，获取无人机的实时位置，根据实时位置、电场分布数据得到无人机所在位置的第一电场强度数据；

S530，采集获得无人机所在位置的第二电场强度数据；

S540，根据第一电场强度数据、第二电场强度数据更新三维电场模型。

在具体的实施例中，先利用匹配好的三维电场模型对无人机所在的交叉跨越处的电场分布情况作出预测，即得到了相对位置的相对电场强度信息的对应关系，从而根据无人机的实时位置得到无人机所在位置的第一电场强度数据(预测到的电场强度)，再通过无人机上配备的电场强度传感器对实时数据进行采集，得到第二电场强度数据(实时采集的电场强度)，进而根据二者差异的大小，来判断所选用的三维电场模型是否合理。

具体的，设置电场强度的差值阈值，若第一电场强度数据、第二电场强度数据差值大于差值阈值，则重新对三维电场模型进行匹配选择；若第一电场强度数据、第二电场强度数据差值小于差值阈值，则继续采用该三维电场模型进行预测。

本发明不仅利用模型对电场强度数据进行预测，还采集实时数据以保证预测的合理性、真实性、可用性。

根据本发明的一些实施例，根据电场分布数据得到风险位置的坐标，包括：获取预设的电场强度阈值；根据电场分布数据、电场强度阈值得到风险位置的坐标。

如图6所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S610，获取预设的电场强度阈值；

S620，根据电场分布数据、电场强度阈值得到风险位置的坐标。

在具体的实施例中，在预测得到的电场的分布数据中，若某个位置的电场强度大于电场强度阈值，则该位置的风险较大，将该位置标记为风险位置，并记录该位置的坐标；若某个位置的电场强度小于电场强度阈值，则该位置的风险较小，不将该位置标记为风险位置；最后，将所有风险位置的坐标进行合并，确定风险路线或风险区域，进而用于对无人机巡检路线的更新，保证无人机能及时避开电场的危险区域，实现成功避险。

根据本发明的一些实施例，根据风险位置的坐标得到无人机巡检的安全路径，包括：获取无人机巡检的原始路径；获取风险位置的坐标；根据风险位置的坐标、无人机巡检的原始路径得到无人机巡检的安全路径。

如图7所示，在一些实施例中，基于电场分布的无人机巡检避险方法包括：

S710，获取无人机巡检的原始路径；

S720，获取风险位置的坐标；

S730，根据风险位置的坐标、无人机巡检的原始路径得到无人机巡检的安全路径。

在具体的实施例中，无人机在巡检时有原始路径，即飞行时规划好的飞行路径，根据风险位置的坐标，可对无人机巡检的原始路径进行修正，得到安全路径，从而实现无人机的巡检避险工作，保证了无人机巡检的安全性。

根据本发明实施例的基于电场分布的无人机巡检避险装置，包括：属性信息获取模块，用于获取交叉跨越处的属性信息；模型匹配模块，用于根据属性信息从预设的三维电场模型簇中得到适用于交叉跨越处的三维电场模型；三维电场模型簇包括至少一个三维电场模型；预测模块，用于根据三维电场模型预测得到交叉跨越处的电场分布数据；风险位置生成模块，用于根据电场分布数据得到风险位置的坐标；安全路径生成模块，用于根据风险位置的坐标得到无人机巡检的安全路径。

根据本发明实施例的基于电场分布的无人机巡检避险装置，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：本发明上述任一实施例的基于电场分布的无人机巡检避险方法。

基于电场分布的无人机巡检避险装置实现了基于电场分布的无人机巡检避险方法，预先对多种条件下的交叉跨越区域的电场分布情况进行模拟，得到三维电场模型簇，通过实时的信息采集为具体的交叉跨越处分配相适应的三维电场模型，实现对交叉跨越区域的电场分布预测，从而指导无人机重新对路径进行修正，极大地提高了无人机巡检时的避险能力，提升了无人机巡检的安全性。

根据本发明实施例的存储介质，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电场分布的无人机巡检避险方法。

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。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (9)

1.一种基于电场分布的无人机巡检避险方法，其特征在于，包括：

获取交叉跨越处的属性信息；

根据所述属性信息从预设的三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型；所述三维电场模型簇包括至少一个三维电场模型；

根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；其中；根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；获取无人机的实时位置，根据所述实时位置、电场分布数据得到无人机所在位置的第一电场强度数据；采集获得无人机所在位置的第二电场强度数据；根据所述第一电场强度数据、第二电场强度数据更新所述三维电场模型；

根据所述电场分布数据得到风险位置的坐标；

根据所述风险位置的坐标得到无人机巡检的安全路径。

2.根据权利要求1所述的基于电场分布的无人机巡检避险方法，其特征在于，还包括构建三维电场模型簇，具体包括：

构建至少一个所述三维电场模型；

根据所述至少一个三维电场模型得到所述三维电场模型簇。

3.根据权利要求1所述的基于电场分布的无人机巡检避险方法，其特征在于，所述属性信息至少包括以下任一种：交叉线缆垂直距离、交叉线缆夹角、线缆排列方式，所述获取交叉跨越处的属性信息，包括：

获取交叉跨越处的图像信息；

根据所述图像信息得到所述交叉线缆垂直距离、所述交叉线缆夹角；

获取交叉跨越处的位置信息；

根据所述位置信息得到所述线缆排列方式。

4.根据权利要求1所述的基于电场分布的无人机巡检避险方法，其特征在于，所述根据所述属性信息从所述三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型，包括：

获取所述属性信息；

根据所述属性信息在所述三维电场模型簇中进行匹配选择，得到适用于所述交叉跨越处的三维电场模型。

5.根据权利要求1所述的基于电场分布的无人机巡检避险方法，其特征在于，所述根据所述电场分布数据得到风险位置的坐标，包括：

获取预设的电场强度阈值；

根据所述电场分布数据、所述电场强度阈值得到风险位置的坐标。

6.根据权利要求1所述的基于电场分布的无人机巡检避险方法，其特征在于，所述根据所述风险位置的坐标得到无人机巡检的安全路径，包括：

获取无人机巡检的原始路径；

获取风险位置的坐标；

根据所述风险位置的坐标、无人机巡检的原始路径得到无人机巡检的安全路径。

7.基于电场分布的无人机巡检避险装置，其特征在于，包括：

属性信息获取模块，用于获取交叉跨越处的属性信息；

模型匹配模块，用于根据所述属性信息从预设的三维电场模型簇中得到适用于所述交叉跨越处的三维电场模型；所述三维电场模型簇包括至少一个三维电场模型；

预测模块，用于根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；其中，根据所述三维电场模型预测得到所述交叉跨越处的电场分布数据；获取无人机的实时位置，根据所述实时位置、电场分布数据得到无人机所在位置的第一电场强度数据；采集获得无人机所在位置的第二电场强度数据；根据所述第一电场强度数据、第二电场强度数据更新所述三维电场模型；

风险位置生成模块，用于根据所述电场分布数据得到风险位置的坐标；

安全路径生成模块，用于根据所述风险位置的坐标得到无人机巡检的安全路径。

8.一种基于电场分布的无人机巡检避险装置，其特征在于，所述基于电场分布的无人机巡检避险装置包括：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6中任一项所述的基于电场分布的无人机巡检避险方法。

9.一种存储介质，其特征在于，所述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6中任一项所述的基于电场分布的无人机巡检避险方法。