发明内容
本发明的目的在于,针对目前树木生长预测所存在的不足,提出了一 种基于多维特征融合和神经网络的树木生长预测系统。
为了克服现有技术的不足,本发明采用如下技术方案:
一种基于多维特征融合和神经网络的树木生长预测系统,其包括收集 装置、无人机、定位装置、预测装置和处理器,所述无人机用于对所述收 集装置进行调整;所述收集装置用于对输电线路与所述树木进行采集;所 述定位装置用于对所述输电线路的与所述树木的干涉范围进行定位;所述 预测装置基于所述收集装置和所述定位装置的数据进行预测;所述收集装 置包括收集机构和校准机构,所述收集机构用于对所述输电线路和所述树木进行图像数据的采集;所述校准机构用于对输电架进行定位或校准,并 基于所述定位装置的数据对所述无人机的位置进行校准;所述收集机构包 括收集探头和转向构件,所述转向构件对所述收集探头的角度或者姿势进 行调整;所述收集探头用于对所述输电线路和所述树木的数据进行采集;
通过所述采集探头的图像数据,
假定图像数据中,所述输电线路与树木障碍物的距离存在:
其中,M∈Rd*d,且M为变量x与y的协方差阵的逆矩阵;
对采集的图像中的特定目标进行最优化处理,得到一个度量矩阵M或 者一个线性变换的矩阵Q;若对特定特征进行优化处理的过程中得到一个 个度量矩阵M,则通过平方根法分解得到线性变换矩阵Q,平方根法如下:
M=QT*Q
其中,M∈Rd*d,Q∈Rr*d,r为对应的度量矩阵M的秩,且r≤d;若 在经过度量矩阵线性变换之后特定特征降维,则通过矩阵M就进行低秩规 则化,并计算两点的距离矢量:
然后,根据上式得出距离空间,并对其进行训练,得出分类器
f(ω)=mark(aiyi(ωi*ω)+b)
通过上式对采样的图像样品进行分类。
可选的,所述定位装置包括定位机构和通信机构,所述定位机构用于 对所述输电线路或者输电架的位置进行标记;所述定位机构包括若干个定 位构件,各个所述定位构件对所述输电线路的横向区域进行标记,并与所 述采集装置进行数据的实时的传输;所述通信机构用于对所述采集装置与 所述定位件的定位数据进行传输。
可选的,所述预测装置包括预测机构,所述预测机构基于所述收集装 置和所述定位装置的数据进行预测;所述预测机构包括预测模块,所述预 测模块采集所述收集装置和所述定位装置的N个图像数据样本{x
n},分别 属于M个图像差异类别,存在特征种类为
n=1,2,…,M,其中,N为第n个图像样本的具体数量,则存在ρ个特征 种类的平均矢量为:
其中,i=1,2,…,M;
所有特征种类图像均值矢量参数为:
其中,P为差异类别图像的有效概率,则预测值为
其中,Ni有效的特征种类的数量;在识别出来的图像数据样本的差异 矩阵表示为:
在识别出来的图像数据样本的提取特征种类间距矩阵表示为:
其中,tr为图像的迹;若存在G的值低于设定的最小距离值,则对 所述输电线路周围的树木进行修理。
可选的,通过测试样本T,M=QT*Q(或者线性变换的矩阵Q)和 分类器进行训练方法包括:
S1:输入成对的样品训练集D,基于所述训练集D中的数据对采集的 图像中的特定目标进行最优化处理,得到一个度量矩阵M;
S2:对矩阵M进行平方根法分解,得到线性变换矩阵Q;并利用线性 变换矩阵Q将训练样本集线性映射到另一空间中;
S3:计算距离向量ωij,形成新的样本集(ωij,yij)并对进行f(ω)训 练;
S4:利用训练的f(ω),得到参数集(ai,b)。
可选的,通过测试样本T,M=QT*Q(或者线性变换的矩阵Q)和 分类器进行分类的方法包括:
S1:输入成对的样品训练集D,基于所述训练集D中的数据对采集的 图像中的特定目标进行最优化处理,得到一个度量矩阵M;
S2:计算距离向量ωij;
S3:利用训练的f(ω),计算出分类的结果。
可选的,所述定位构件还包括支撑杆、支撑座、以及若干个纠偏件, 所述支撑座设置在所述支撑杆的一端并对所述支撑杆进行支撑;各个所述 纠偏件设置在所述支撑座上,并对所述支撑杆在径向方向进行支撑。
可选的,所述支撑座本体上设置有供各个所述纠偏件限位卡接的轨道; 各个所述纠偏件的一端端部与所述轨道限位卡接,并在所述轨道的任意位 置对所述支撑杆进行支撑。
本发明还提供一种适用于多维特征融合和深度神经网络的树木生长预 测系统的计算机可读存储介质,所述计算机可读存储介质中包括所述适用 于多维特征融合和深度神经网络的树木生长预测系统的控制方法和数据处 理程序,所述多维特征融合和深度神经网络的树木生长预测系统控制方法 和数据处理程序被处理器执行时,实现适用于多维特征融合和深度神经网 络的树木生长预测系统的控制方法和数据处理的步骤。
本发明所取得的有益效果是:
1.通过采用收集装置和定位装置的数据进行预测操作,保证对输电线 路的维护人员能够基于预测装置的预测数据进行树障的清理或者维护;
2.通过采用转向构件与检测机构的相互配合,使得收集探头的采集角 度能够被调整,使得采集角度进行采集的过程中能够进行精准的采集操作;
3.通过采用定位装置还能够对输电线路的特定区域中的位置进行定位, 使得无人机能够依据限定的区域进行检测或者采集;
4.通过采用角度检测件检测转动杆转动的差值,并把该差值与处理器 进行传输,并通过无人机的转向操作,调整无人机的姿势,并对该区域范 围内的图像数据进行采集:
5.通过采用定位机构与通信机构相互配合,使得定位机构能够通过通 信机构与无人机进行传输,使得无人机能够依托各个定位机构形成的定位 网络对无人机的移动路径或者检测路径进行导向。
具体实施方式
为了使得本发明的目的.技术方案及优点更加清楚明白,以下结合其 实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实 施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而 言,在查阅以下详细描述之后,本实施例的其它系统.方法和/或特征将变 得显而易见。旨在所有此类附加的系统.方法.特征和优点都包括在本说明 书内.包括在本发明的范围内,并且受所附权利要求书的保护。在以下详 细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详 细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在 本发明的描述中,需要理解的是,若有术语“上”.“下”.“左”.“右”等指示的方 位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发 明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位. 以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性 说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可 以根据具体情况理解上述术语的具体含义。
实施例一:结合附图1-图12,本实施例提供一种基于多维特征融合 和神经网络的树木生长预测系统,包括收集装置、无人机、定位装置、预 测装置和处理器,所述无人机用于对所述收集装置进行调整;所述收集装 置用于对输电线路与所述树木进行采集;所述定位装置用于对所述输电线 路的与所述树木的干涉范围进行定位;所述预测装置基于所述收集装置和 所述定位装置的数据进行预测;所述收集装置包括收集机构和校准机构, 所述收集机构用于对所述输电线路和所述树木进行图像数据的采集;所述 校准机构用于对输电架进行定位或校准,并基于所述定位装置的数据对所 述无人机的位置进行校准;所述收集机构包括收集探头和转向构件,所述 转向构件对所述收集探头的角度或者姿势进行调整;所述收集探头用于对 所述输电线路和所述树木的数据进行采集;
通过所述采集探头的图像数据,
假定图像数据中,所述输电线路与树木障碍物的距离存在:
其中,M∈Rd*d,且M为变量x与y的协方差阵的逆矩阵;
对采集的图像中的特定目标进行最优化处理,得到一个度量矩阵M或 者一个线性变换的矩阵Q;若对特定特征进行优化处理的过程中得到一个 个度量矩阵M,则通过平方根法分解得到线性变换矩阵Q,平方根法如下:
M=QT*Q
其中,M∈Rd*d,Q∈Rr*d,r为对应的度量矩阵M的秩,且r≤d;若 在经过度量矩阵线性变换之后特定特征降维,则通过矩阵M就进行低秩规 则化,并计算两点的距离矢量:
然后,根据上式得出距离空间,并对其进行训练,得出分类器
f(ω)=mark(aiyi(ωi*ω)+b)
通过上式对采样的图像样品进行分类;
进一步的,所述定位装置包括定位机构和通信机构,所述定位机构用 于对所述输电线路或者输电架的位置进行标记;所述定位机构包括若干个 定位构件,各个所述定位构件对所述输电线路的横向区域进行标记,并与 所述采集装置进行数据的实时的传输;所述通信机构用于对所述采集装置 与所述定位件的定位数据进行传输;
进一步的,所述预测装置包括预测机构,所述预测机构基于所述收集 装置和所述定位装置的数据进行预测;所述预测机构包括预测模块,所述 预测模块采集所述收集装置和所述定位装置的N个图像数据样本{x
n},分 别属于M个图像差异类别,存在特征种类为
n=1,2,…,M,其中,N为第n个图像样本的具体数量,则存在ρ个特征 种类的平均矢量为:
其中,i=1,2,…,M;
所有特征种类图像均值矢量参数为:
其中,P为差异类别图像的有效概率,则预测值为
其中,Ni有效的特征种类的数量;在识别出来的图像数据样本的差异 矩阵表示为:
在识别出来的图像数据样本的提取特征种类间距矩阵表示为:
其中,tr为图像的迹;若存在G的值低于设定的最小距离值,则对 所述输电线路周围的树木进行修理;
进一步的,通过测试样本T,M=QT*Q(或者线性变换的矩阵Q) 和分类器进行训练方法包括:
S1:输入成对的样品训练集D,基于所述训练集D中的数据对采集的 图像中的特定目标进行最优化处理,得到一个度量矩阵M;
S2:对矩阵M进行平方根法分解,得到线性变换矩阵Q;并利用线性 变换矩阵Q将训练样本集线性映射到另一空间中;
S3:计算距离向量ωij,形成新的样本集(ωij,yij)并对进行f(ω)训 练;
S4:利用训练的f(ω),得到参数集(ai,b);
进一步的,通过测试样本T,M=QT*Q(或者线性变换的矩阵Q) 和分类器进行分类的方法包括:
S1:输入成对的样品训练集D,基于所述训练集D中的数据对采集的 图像中的特定目标进行最优化处理,得到一个度量矩阵M;
S2:计算距离向量ωij;
S3:利用训练的f(ω),计算出分类的结果;
进一步的,所述定位构件还包括支撑杆、支撑座、以及若干个纠偏件, 所述支撑座设置在所述支撑杆的一端并对所述支撑杆进行支撑;各个所述 纠偏件设置在所述支撑座上,并对所述支撑杆在径向方向进行支撑;
进一步的,所述支撑座本体上设置有供各个所述纠偏件限位卡接的轨 道;各个所述纠偏件的一端端部与所述轨道限位卡接,并在所述轨道的任 意位置对所述支撑杆进行支撑;
本发明还提供一种适用于多维特征融合和深度神经网络的树木生长预 测系统的计算机可读存储介质,所述计算机可读存储介质中包括所述适用 于多维特征融合和深度神经网络的树木生长预测系统的控制方法和数据处 理程序,所述多维特征融合和深度神经网络的树木生长预测系统控制方法 和数据处理程序被处理器执行时,实现适用于多维特征融合和深度神经网 络的树木生长预测系统的控制方法和数据处理的步骤。
实施例二:本实施例应当理解为至少包含前述任一一个实施例的全部 特征,并在其基础上进一步改进,结合附图1-图12,本实施例提供一种 基于多维特征融合和神经网络的树木生长预测系统,包括收集装置、无人 机、定位装置、预测装置和处理器,所述无人机用于对所述收集装置进行 调整;所述收集装置用于对输电线路与所述树木进行采集;所述定位装置 用于对所述输电线路的与所述树木的干涉范围进行定位;所述预测装置基 于所述收集装置和所述定位装置的数据进行预测;所述处理器分别与所述 收集装置、所述无人机、所述定位装置和所述预测装置控制连接,并基于 所述处理器的集中控制对整个对所述树木生长的预测进行精准的预测;另 外,所述收集装置与所述定位装置相互配合,使得所述输电线路上的所述 树木生长的数据能够被进行出来;所述预测装置与所述收集装置、所述定 位装置进行配合,使得所述预测装置基于所述收集装置和所述定位装置的 数据进行预测操作,保证对所述输电线路的维护人员能够基于预测装置的 预测数据进行树障的清理或者维护;另外,所述收集装置设置在所述无人 机上,并在所述无人机的移动的特性进行移动,使得在限定区域中的输电 线路或者与所述输电线路相关的数据能够进行采集;另外,所述定位装置 还能够对输电线路的特定区域中的位置进行定位,使得所述无人机能够依 据限定的区域进行检测或者采集;
所述收集装置包括收集机构和校准机构,所述收集机构用于对所述输 电线路和所述树木进行图像数据的采集;所述校准机构用于对输电架进行 定位或校准,并基于所述定位装置的数据对所述无人机的位置进行校准; 所述收集机构包括收集探头和转向构件,所述转向构件对所述收集探头的 角度或者姿势进行调整;所述收集探头用于对所述输电线路和所述树木的 数据进行采集;所述采集探头包括但是不局限于以下列举的几种:摄像机、 照相机、视觉传感器或者检测雷达等用于采集所述树木或者输电线路图像 的仪器;所述转向构件与所述检测机构的相互配合,使得所述收集探头的 采集角度能够被调整,使得所述采集角度进行采集的过程中能够进行精准 的采集操作;
另外,所述转向构件包括支撑架、一组转动件、转动驱动机构和角度 检测件,所述支撑架用于对所述采样探头进行支撑;一组所述转动件设置 在所述支撑架的两侧,并对所述支撑架进行调整;所述转动驱动机构分别 与一组所述转动件驱动连接形成驱动部,所述驱动部对所述支撑架进行同 步的驱动;所述角度检测件对所述驱动部的转动角度进行检测;另外,所 述处理器与所述驱动部控制连接,并控制所述驱动部驱动所述支撑架,使 得设置在所述支撑架上的采集探头的检测角度能够被调整;另外,所述无 人机的上设有供所述转向机构和所述采样探头进行容纳的空腔;另外,所 述空腔朝向所述无人机的下底部设置有开口,用于对所述采样探头的镜头 进行放置,使得所述采集探头能够对所述无人机的移动过程中的进行数据 的采集;
所述校准机构包括定位探头和距离检测件,所述定位探头与所述距离 检测件相互配合,使得所述无人机在进行移动的过程中,能够对所述无人 机的移动的方向进行导引;所述定位探头与所述距离检测件配合使用,所 述定位探头设置在所述输电架上,所述距离检测件设置在所述无人机上, 使得所述无人机在进行移动的过程中,保持安全的距离阈值,保证所述无 人机的飞行安全;所述校准机构还包括转动构件,所述转动构件基于所述 定位探头的方向进行转动,并在所述定位探头的方向信号进行移动方向的 确定;所述转动构件包括转动杆、角度检测件、转动齿轮和转动驱动机构, 所述转向齿轮设置在所述转动杆的一端端部且与所述转动驱动机构驱动连 接形成驱动部;所述距离检测件设置在所述转动杆上,并在所述驱动部的 驱动操作下沿着所述转动杆自身轴线进行转动;所述角度检测件用于对所 述转动杆的转动角度检测检测;所述转动杆、所述角度检测件、所述驱动 部、所述处理器之间形成一个闭环,当设置在所述转动杆上的所述距离检 测件检测到所述定位探头的位置后,通过所述驱动部对所述转动杆进行转 动,此时,所述角度检测件检测所述转动杆转动的差值,并把该差值与所 述处理器进行传输,并通过所述无人机的转向操作,调整所述无人机的姿 势,并对该区域范围内的图像数据进行采集;另外,所述无人机进行姿势 的调整或者角度的调整后,所述定位探头也会跟随所述无人机的姿势的调 整进行图像的采集;另外,所述定位探头也可以设置在树木上,使得所述 无人机能够基于所述定位探头的位置进行转向,从而对所述树木进行图像 数据的采集;另外,各个所述定位探头设置有对应的编码,且在所述距离 检测件对所述定位探头的位置进行检测的过程中;依次对所述定位探头的 位置进行定位,使得各个位置的数据能够被采集;
所述校准机构还包括绑定构件,所述绑定构件用于对所述定位探头进 行支撑,并与绑定位置进行可拆卸连接;所述绑定构件包括支撑环、变形 环、限制槽、卡接凸起,所述支撑环与所述变形环嵌套,并通过所述限制 槽限位卡接;所述卡接凸起设置在所述变形环的周侧形成限制部;所述限 制槽的两侧壁设置有限制轨道,所述限制轨道沿着所述限制槽的轨道方向 延伸;另外,所述限制部与所述限制轨道适配且限制卡接;所述变形环设 置有柔性材质制成,且在绑定时产生一定程度的变形使得所述定位探头能 够固定在绑定位置上;在使用的过程中,通过所述支撑环与所述树木的只 枝干进行抵靠,并通过所述变形环进行限位卡接;通过在所述支撑环、所 述变形环进行限位卡接后,通过限位块对所述支撑环与所述变形环之间的 位置进行限制;或者通过所述限位块插入所述限制槽内,限制所述支撑环 与所述变形环之间的相对移动;
通过所述采集探头的图像数据,假定图像数据中,所述输电线路与树 木障碍物的距离存在:
其中,M∈Rd*d,且M为变量x与y的协方差阵的逆矩阵;
对采集的图像中的特定目标进行最优化处理,得到一个度量矩阵M或 者一个线性变换的矩阵Q;若对特定特征进行优化处理的过程中得到一个 个度量矩阵M,则通过平方根法分解得到线性变换矩阵Q,平方根法如下:
M=QT*Q
其中,M∈Rd*d,Q∈Rr*d,r为对应的度量矩阵M的秩,且r≤d;若 在经过度量矩阵线性变换之后特定特征降维,则通过矩阵M就进行低秩规 则化,并计算两点的距离矢量:
然后,根据上式得出距离空间,并对其进行训练,得出分类器
f(ω)=mark(aiyi(ωi*ω)+b)
通过上式对采样的图像样品进行分类;ai为校正系数取值为正整数且 在采样图像中;b为辅助参数,且满足aix+b=0为训练集的平面;
所述定位装置包括定位机构和通信机构,所述定位机构用于对所述输 电线路或者输电架的位置进行标记;所述定位机构包括若干个定位构件, 各个所述定位构件对所述输电线路的横向区域进行标记,并与所述采集装 置进行数据的实时的传输;所述通信机构用于对所述采集装置与所述定位 件的定位数据进行传输;所述横向区域设置为与输电线路的方向相垂直, 使得所述树木生长的方向能够被精准的检测出来;所述定位装置与所述收 集装置相互配合,使得所述无人机在进行检测的过程中能够依据所述定位 装置的数据进行检测,使得所述无人机的检测角度能够被精准的把控;另 外,所述定位机构与所述通信机构相互配合,使得所述定位机构能够通过 所述通信机构与所述无人机进行传输,使得所述无人机能够依托各个所述 定位机构形成的定位网络对所述无人机的移动路径或者检测路径进行导向;
所述定位构件还包括支撑杆、支撑座、以及若干个纠偏件,所述支撑 座设置在所述支撑杆的一端并对所述支撑杆进行支撑;各个所述纠偏件设 置在所述支撑座上,并对所述支撑杆在径向方向进行支撑;各个所述纠偏 件用于对所述支撑杆进行辅助支撑,使得所述支撑杆能够一端插入地面; 另外,所述支撑座设置为半环状且所述支撑座与所述支撑杆的杆身进行嵌 套;各个所述纠偏进行纠偏的过程中,通过在所述支撑杆的周侧进行辅助支撑,使得所述支撑杆能保持竖直向上的状态;所述支撑座本体上设置有 供各个所述纠偏件限位的卡接轨道;各个所述纠偏件的一端端部与所述卡 接轨道限位卡接,并在所述卡接轨道的任意位置对所述支撑杆进行支撑; 各个所述纠偏件通过所述卡接轨道进行滑动限位卡接,使得所述定位构件 在不同的地势进行竖立,也保证所述支撑杆的稳定性;所述支撑杆远离各 个所所述纠偏件的一端端部设置有定位感应件,所述定位感应件通过所述 通信机构与所述无人机进行数据传输,提升对各个定位位置的检测能够进 行检测;
所述预测装置包括预测机构,所述预测机构基于所述收集装置和所述 定位装置的数据进行预测;所述预测机构包括预测模块,所述预测模块采 集所述收集装置和所述定位装置的N个图像数据样本{x
n},分别属于M个 图像差异类别,存在特征种类为
n=1,2,…,M, 其中,N为第n个图像样本的具体数量,则存在ρ个特征种类的平均矢量 为:
其中,i=1,2,…,M;
所有特征种类图像均值矢量参数为:
其中,P为差异类别图像的有效概率,则预测值为
其中,Ni有效的特征种类的数量;在识别出来的图像数据样本的差异 矩阵表示为:
在识别出来的图像数据样本的提取特征种类间距矩阵表示为:
其中,tr为图像的迹;若存在G的值低于设定的最小距离值,则对 所述输电线路周围的树木进行修理;
通过测试样本T,M=QT*Q(或者线性变换的矩阵Q)和分类器进 行训练方法包括:
S1:输入成对的样品训练集D,基于所述训练集D中的数据对采集的 图像中的特定目标进行最优化处理,得到一个度量矩阵M;
S2:对矩阵M进行平方根法分解,得到线性变换矩阵Q;并利用线性 变换矩阵Q将训练样本集线性映射到另一空间中;
S3:计算距离向量ωij,形成新的样本集(ωij,yij)并对进行f(ω)训 练;
S4:利用训练的f(ω),得到参数集(ai,b);
通过测试样本T,M=QT*Q(或者线性变换的矩阵Q)和分类器进 行分类的方法包括:
S1:输入成对的样品训练集D,基于所述训练集D中的数据对采集的 图像中的特定目标进行最优化处理,得到一个度量矩阵M;
S2:计算距离向量ωij;
S3:利用训练的f(ω),计算出分类的结果;
本发明还提供一种适用于多维特征融合和深度神经网络的树木生长预 测系统的计算机可读存储介质,所述计算机可读存储介质中包括所述适用 于多维特征融合和深度神经网络的树木生长预测系统的控制方法和数据处 理程序,所述多维特征融合和深度神经网络的树木生长预测系统控制方法 和数据处理程序被处理器执行时,实现适用于多维特征融合和深度神经网 络的树木生长预测系统的控制方法和数据处理的步骤。
实施例三:本实施例应当理解为至少包含前述任一一个实施例的全部 特征,并在其基础上进一步改进,结合附图1-图12,本实施例提供一种 基于多维特征融合和神经网络的树木生长预测系统,包括收集装置、无人 机、定位装置、预测装置和处理器,所述无人机用于对所述收集装置进行 调整;所述收集装置用于对输电线路与所述树木进行采集;所述定位装置 用于对所述输电线路的与所述树木的干涉范围进行定位;所述预测装置基 于所述收集装置和所述定位装置的数据进行预测;所述处理器分别与所述 收集装置、所述无人机、所述定位装置和所述预测装置控制连接,并基于 所述处理器的集中控制对整个对所述树木生长的预测进行精准的预测;另 外,所述收集装置与所述定位装置相互配合,使得所述输电线路上的所述 树木生长的数据能够被进行出来;所述预测装置与所述收集装置、所述定 位装置进行配合,使得所述预测装置基于所述收集装置和所述定位装置的 数据进行预测操作,保证对所述输电线路的维护人员能够基于预测装置的 预测数据进行树障的清理或者维护;另外,所述收集装置设置在所述无人 机上,并在所述无人机的移动的特性进行移动,使得在限定区域中的输电 线路或者与所述输电线路相关的数据能够进行采集;另外,所述定位装置 还能够对输电线路的特定区域中的位置进行定位,使得所述无人机能够依 据限定的区域进行检测或者采集;
所述校准机构包括定位探头和距离检测件,所述定位探头与所述距离 检测件相互配合,使得所述无人机在进行移动的过程中,能够对所述无人 机的移动的方向进行导引;所述定位探头与所述距离检测件配合使用,所 述定位探头设置在所述输电架上,所述距离检测件设置在所述无人机上, 使得所述无人机在进行移动的过程中,保持安全的距离阈值,保证所述无 人机的飞行安全;所述校准机构还包括转动构件,所述转动构件基于所述 定位探头的方向进行转动,并在所述定位探头的方向信号进行移动方向的 确定;所述转动构件包括转动杆、角度检测件、转动齿轮和转动驱动机构, 所述转向齿轮设置在所述转动杆的一端端部且与所述转动驱动机构驱动连 接形成驱动部;所述距离检测件设置在所述转动杆上,并在所述驱动部的 驱动操作下沿着所述转动杆自身轴线进行转动;所述角度检测件用于对所 述转动杆的转动角度检测检测;所述转动杆、所述角度检测件、所述驱动 部、所述处理器之间形成一个闭环,当设置在所述转动杆上的所述距离检 测件检测到所述定位探头的位置后,通过所述驱动部对所述转动杆进行转 动,此时,所述角度检测件检测所述转动杆转动的差值,并把该差值与所 述处理器进行传输,并通过所述无人机的转向操作,调整所述无人机的姿 势,并对该区域范围内的图像数据进行采集;另外,所述无人机进行姿势 的调整或者角度的调整后,所述定位探头也会跟随所述无人机的姿势的调 整进行图像的采集;另外,所述定位探头也可以设置在树木上,使得所述 无人机能够基于所述定位探头的位置进行转向,从而对所述树木进行图像 数据的采集;另外,各个所述定位探头设置有对应的编码,且在所述距离 检测件对所述定位探头的位置进行检测的过程中;依次对所述定位探头的 位置进行定位,使得各个位置的数据能够被采集;
在空间坐标中,在k个方向中,选取第一个定位探头的方向,第m 方向被选中作为当前方向概率为:
若存在:
其中,m=1,2,…k;r为k个方向中的分布半径;
另外,所述驱动部还依据转动策略进行转动,并保证所述距离检测件能够 对各个方向的定位探头进行检测;将各个设置在所述转动杆上的距离检测 件与各个所述采样探头的平均距离l作为距离的阈值,各个定位探头X的 自适应惯性权值的转动调整策略根据下面公式进行调整;
其中,pg是当前的定位探头的方向;ωmax和ωmin为最大的距离值和最小值; e是自然常数,值为2.71828,ln为自然对数函数;选择ln函数来调整惯 性权值,可让平均距离内距离当前方向较近的方向位置获得变化较大的惯 性权值,而让平均距离当前方向较远的方向位置获得变化较小的惯性权值, 避免惯性权值与距离为线性关系。
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。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱 离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论 的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种 过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执 行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置 描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不 同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是 示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理 解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了 众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免 模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性 或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描 述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元 件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应 当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明 的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明 作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定 的范围。