CN113361826B - 一种基于多维特征融合和神经网络的树木生长预测系统 - Google Patents

一种基于多维特征融合和神经网络的树木生长预测系统 Download PDF

Info

Publication number
CN113361826B
CN113361826B CN202110816799.1A CN202110816799A CN113361826B CN 113361826 B CN113361826 B CN 113361826B CN 202110816799 A CN202110816799 A CN 202110816799A CN 113361826 B CN113361826 B CN 113361826B
Authority
CN
China
Prior art keywords
positioning
transmission line
power transmission
matrix
collecting
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
Application number
CN202110816799.1A
Other languages
English (en)
Other versions
CN113361826A (zh
Inventor
戴永东
姚建光
王茂飞
蒋中军
毛锋
仲坚
余万金
丁安琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Zhongxin Hanchuang Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd, Zhongxin Hanchuang Beijing Technology Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110816799.1A priority Critical patent/CN113361826B/zh
Publication of CN113361826A publication Critical patent/CN113361826A/zh
Application granted granted Critical
Publication of CN113361826B publication Critical patent/CN113361826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供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，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；本发明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。

Description

一种基于多维特征融合和神经网络的树木生长预测系统
技术领域
本发明涉及树木检测技术领域，尤其涉及一种基于多维特征融合和神经网络的树木生长预测系统。
背景技术
输电线路作为电能输送的通道，常架设与高山密林之间，因树木高度与输电线路的安全距离不足引起的输电线路跳闸事故时有发生，为保证输电线路的安全、稳定运行，输电线路作业人员需定期开展输电线路巡查作业，以确保输电线路与树木之间有足够的安全距离。
如CN111931976A现有技术公开了一种输电线路走廊区域内树木生长隐患的预测方法，树木与输电线路之间的距离过近会对输电线路的安全运行造成严重威胁，通常输电线路通道的树木隐患依靠人工巡视发现和清理，通过测距仪等仪器辅助判断树木距离电力线是否超过安全距离，但这种方法效率较低，而且只能判断当前状况下树木是否存在隐患，无法预测随时间的推移，树木是否会对输电线路造成威胁，也无法考虑不同树种的生长规律以及气候、地形等因素对树木生长的影响，因而无法预测的树木的生长隐患。经过大量检索发现存在的现有技术如KR101654172B1、 EP2482410B1和US08721167B1，虽然输电线路作业人员需定期开展输电线路巡查作业，但是因树木与输电线路安全距离不足导致的输电线路跳闸事故时有发生，究其原因，主要是输电线路较长，在不同地理环境、不同气候条件、不同树种，树木的生长趋势也不尽相同，输电线路的定期巡视并不能完全掌握输电线路与树木之间安全距离不足的问题。基于以上问题，本发明以一种基于卫星技术的输电线路区域内树木生长趋势预测方法为主，借助卫星遥感技术，准确监测出输电线路区域内树木的生长趋势，为输电线路作业人员提供技术支持，确保输电线路不会因与树木的安全距离不足而发生跳闸事故。
为了解决本领域普遍存在树木生长不能预测、检测精度差、自动检测手段匮乏和数据收集差等等问题，作出了本发明。
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；
通过所述收集探头的图像数据，
假定图像数据中，所述输电线路与树木障碍物的距离存在：
Figure GDA0003690087830000021
其中，M∈Rd*d，且M为变量x与y的协方差阵的逆矩阵；R为d行乘 d列的逆矩阵；
对采集的图像中的障碍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；若对输电线路的障碍目标特征进行优化处理的过程中得到一个度量矩阵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输电线路的障碍目标特征降维，则通过矩阵 M就进行低秩规则化，并计算两点的距离矢量：
Figure GDA0003690087830000031
式中，ωij为两点的距离矢量；Qxi为第xi点的位置；Qxj为第xj点的位置；
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)
式中，f(w)为分类器；ai为校正系数，b为辅助参数，yi(ωi*ω) 为核函数的内积，yi为输电线路与树木障碍物的图像中的像素矩阵；ωi和ω分别为内积的参数；ωi为包含第xi点的距离矢量；ω为不包含第xi点的距离矢量；
通过上式对采样的图像样本进行分类。
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，并与所述收集装置进行数据的实时的传输；所述通信机构用于对所述收集装置与所述定位构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{xn}，分别属于M’个图像差异类别，存在特征种类为
Figure GDA0003690087830000041
n＝1,2，…，M’，其中，M’为图像数据样本中的差异类别数量；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：
Figure GDA0003690087830000042
其中，n＝1,2,…,M’；
所有特征种类图像均值矢量参数为：
Figure GDA0003690087830000043
其中，P为差异类别图像的有效概率，则预测值为
Figure GDA0003690087830000044
其中，Ni为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：
Figure GDA0003690087830000045
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：
Figure GDA0003690087830000046
Figure GDA0003690087830000051
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障碍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：计算两点的距离矢量ωij，形成新的样本集(ωij，yij)并进行 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障碍目标进行最优化处理，得到一个度量矩阵M；
S2：计算两点的距离矢量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。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明的控制流程示意图。
图2为所述无人机的结构示意图。
图3为所述无人机与所述收集装置的结构示意图。
图4为所述无人机与所述转向构件的结构示意图。
图5为所述收集探头与转向构件的结构示意图。
图6为所述转动构件的结构示意图。
图7为所述定位的结构示意图。
图8为图7中A处的放大示意图。
图9为对图像数据处理的控制流程示意图。
图10为所述树木与所述校准机构的结构示意图。
图11为所述支撑环与所述变形环的结构示意图。
图12为所述变形环的细节示意图。
附图标号说明：1-定位构件；2-卡接轨道；3-支撑座；4-收集探头； 5-转向构件；6-支撑架；7-驱动部；8-纠偏件；9-通信机构；10-转动构件；11-支撑环；12-变形环；13-定位探头；14-转动杆；15-距离检测件； 16-转动齿轮；17-转动驱动机构；18-树木；19-无人机。
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1-12，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；
通过所述收集探头的图像数据，
假定图像数据中，所述输电线路与树木障碍物的距离存在：
Figure GDA0003690087830000081
其中，M∈Rd*d，且M为变量x与y的协方差阵的逆矩阵；R为d行乘 d列的逆矩阵；
对采集的图像中的障碍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；若对输电线路的障碍目标特征进行优化处理的过程中得到一个度量矩阵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输电线路的障碍目标特征降维，则通过矩阵M就进行低秩规则化，并计算两点的距离矢量：
Figure GDA0003690087830000091
式中，ωij为两点的距离矢量；Qxi为第xi点的位置；Qxj为第xj点的位置；
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；f(w)为分类器；ai为校正系数，b为辅助参数，通过上式对采样的图像样品进行分类；yi(ωi*ω) 为核函数的内积，yi为输电线路与树木障碍物的图像中的像素矩阵；ωi和ω分别为内积的参数；ωi为包含第xi点的距离矢量；ω为不包含第xi点的距离矢量；
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，并与所述收集装置进行数据的实时的传输；所述通信机构用于对所述收集装置与所述定位构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{xn}，分别属于M’个图像差异类别，存在特征种类为
Figure GDA0003690087830000101
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：
Figure GDA0003690087830000102
其中，n＝1,2,…,M’；
所有特征种类图像均值矢量参数为：
Figure GDA0003690087830000103
其中，P为差异类别图像的有效概率，则预测值为
Figure GDA0003690087830000104
其中，Ni为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：
Figure GDA0003690087830000105
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：
Figure GDA0003690087830000111
Figure GDA0003690087830000112
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障碍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：计算两点的距离矢量ωij，形成新的样本集(ωij，yij)并进行 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障碍目标进行最优化处理，得到一个度量矩阵M；
S2：计算两点的距离矢量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1-12，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；所述收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收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，使得所述收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；
通过所述收集探头的图像数据，假定图像数据中，所述输电线路与树木障碍物的距离存在：
Figure GDA0003690087830000151
其中，M∈Rd*d，且M为变量x与y的协方差阵的逆矩阵；
对采集的图像中的障碍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；若对输电线路的障碍目标特征进行优化处理的过程中得到一个度量矩阵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输电线路的障碍目标特征降维，则通过矩阵 M就进行低秩规则化，并计算两点的距离矢量：
Figure GDA0003690087830000161
式中，ωij为两点的距离矢量；Qxi为第xi点的位置；Qxj为第xj点的位置；
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；yi(ωi* ω)为核函数的内积，yi为输电线路与树木障碍物的图像中的像素矩阵；ωi和ω分别为内积的参数；ωi为包含第xi点的距离矢量；ω为不包含第 xi点的距离矢量，即：ω为第xj点的距离矢量；
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，并与所述收集装置进行数据的实时的传输；所述通信机构用于对所述收集装置与所述定位构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{xn}，分别属于M’个图像差异类别，存在特征种类为
Figure GDA0003690087830000171
Figure GDA0003690087830000172
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：
Figure GDA0003690087830000173
其中，n＝1,2,…,M’；
所有特征种类图像均值矢量参数为：
Figure GDA0003690087830000174
其中，P为差异类别图像的有效概率，则预测值为
Figure GDA0003690087830000181
其中，Ni为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：
Figure GDA0003690087830000182
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：
Figure GDA0003690087830000183
Figure GDA0003690087830000184
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障碍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：计算两点的距离矢量ωij，形成新的样本集(ωij，yij)并进行 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障碍目标进行最优化处理，得到一个度量矩阵M；
S2：计算两点的距离矢量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1-12，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：
Figure GDA0003690087830000211
其中，f(x)为x个定位探头的分布方向；且
Figure GDA0003690087830000212
若存在：
Figure GDA0003690087830000213
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；
Figure GDA0003690087830000214
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。

Claims (6)

1.一种基于多维特征融合和神经网络的树木生长预测系统，其特征在于，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的图像进行采集；所述定位装置用于对所述输电线路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图像数据进行采集；
假定图像数据中，所述输电线路与树木障碍物的距离存在：
Figure FDA0003690087820000011
其中，M∈Rd*d，且M为变量x与y的协方差阵的逆矩阵；R为d行乘d列的逆矩阵；
对采集的图像中的障碍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；若对输电线路的障碍目标特征进行优化处理的过程中得到一个度量矩阵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输电线路的障碍目标特征降维，则通过矩阵M就进行低秩规则化，并计算两点的距离矢量：
Figure FDA0003690087820000021
式中，ωij为两点的距离矢量；Qxi为第xi点的位置；Qxj为第xj点的位置；
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)
其中，f(w)为分类器；ai为校正系数，b为辅助参数，通过上式对采样的图像样品进行分类；yi(ωi*ω)为核函数的内积，yi为输电线路与树木障碍物的图像中的像素矩阵；ωi和ω分别为内积的参数；ωi为包含第xi点的距离矢量；ω为不包含第xi点的距离矢量；
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{xn}，分别属于M’个图像差异类别，存在特征种类为
Figure FDA0003690087820000022
n＝1,2，…，M’，其中，M’为图像数据样本中的差异类别数量；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mi为：
Figure FDA0003690087820000023
其中，n＝1,2,…,M’；
所有特征种类图像均值矢量参数m为：
Figure FDA0003690087820000024
其中，P为差异类别图像的有效概率，则预测值为
Figure FDA0003690087820000025
其中，Ni为有效的特征种类的数量；识别出来的图像数据样本的差异矩阵表示为：
Figure FDA0003690087820000031
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：
Figure FDA0003690087820000032
Figure FDA0003690087820000033
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。
2.根据权利要求1所述的一种基于多维特征融合和神经网络的树木生长预测系统，其特征在于，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，并与所述收集装置进行数据的实时的传输；所述通信机构用于对所述收集装置与所述定位构件的定位数据进行传输。
3.根据权利要求2所述的一种基于多维特征融合和神经网络的树木生长预测系统，其特征在于，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障碍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：计算两点的距离矢量ωij，形成新的样本集(ωij，yij)并进行f(ω)训练；
S4：利用训练的f(ω)，得到参数集(ai，b)。
4.根据权利要求3所述的一种基于多维特征融合和神经网络的树木生长预测系统，其特征在于，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。
5.根据权利要求4所述的一种基于多维特征融合和神经网络的树木生长预测系统，其特征在于，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。
6.一种适用于多维特征融合和神经网络的树木生长预测系统的计算机可读存储介质，其特征在于，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，实现如权利要求1至5中任一项所述适用于多维特征融合和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。
CN202110816799.1A 2021-07-20 2021-07-20 一种基于多维特征融合和神经网络的树木生长预测系统 Active CN113361826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110816799.1A CN113361826B (zh) 2021-07-20 2021-07-20 一种基于多维特征融合和神经网络的树木生长预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110816799.1A CN113361826B (zh) 2021-07-20 2021-07-20 一种基于多维特征融合和神经网络的树木生长预测系统

Publications (2)

Publication Number Publication Date
CN113361826A CN113361826A (zh) 2021-09-07
CN113361826B true CN113361826B (zh) 2022-07-22

Family

ID=77539888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110816799.1A Active CN113361826B (zh) 2021-07-20 2021-07-20 一种基于多维特征融合和神经网络的树木生长预测系统

Country Status (1)

Country Link
CN (1) CN113361826B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115188091B (zh) * 2022-07-13 2023-10-13 国网江苏省电力有限公司泰州供电分公司 一种融合电力输变配设备的无人机网格化巡检系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766749A (zh) * 2019-11-05 2020-02-07 国网四川省电力公司内江供电公司 一种高压输电线路两侧树木生长预警及清理系统
CN111259835A (zh) * 2020-01-20 2020-06-09 云南电网有限责任公司电力科学研究院 一种基于卫星技术的输电线路区域内树木生长趋势预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766749A (zh) * 2019-11-05 2020-02-07 国网四川省电力公司内江供电公司 一种高压输电线路两侧树木生长预警及清理系统
CN111259835A (zh) * 2020-01-20 2020-06-09 云南电网有限责任公司电力科学研究院 一种基于卫星技术的输电线路区域内树木生长趋势预测方法

Also Published As

Publication number Publication date
CN113361826A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
KR102257610B1 (ko) 자율 주행 시스템을 위한 복수의 3차원 라이다 센서의 외부 파리미터 보정 방법
CN107392247B (zh) 一种电力线下方地物安全距离实时检测方法
CN109829908B (zh) 基于双目影像的电力线下方地物安全距离检测方法及设备
CN110418957A (zh) 对具有运行机构的设施进行状态监控的方法和装置
CN111311967A (zh) 基于无人机的电力线路巡检系统及方法
CN106708075B (zh) 基于固定翼无人机的大范围油菜田spad值遥感系统及采集方法
CN113985907B (zh) 一种基于无人机多载荷数据的树障风险预测和优化方法
CN113361826B (zh) 一种基于多维特征融合和神经网络的树木生长预测系统
CN113066120B (zh) 一种基于机器视觉的智能杆塔倾斜检测方法
CN113449688B (zh) 一种基于影像和激光点云数据融合的输电树障识别系统
CN102452081A (zh) 机械手臂系统参数的校正方法与校正装置
CN109146880A (zh) 一种基于深度学习的电力设备检测方法
CN113205116A (zh) 输电线路无人机巡检拍摄目标点自动提取及航迹规划方法
CN113076899B (zh) 一种基于目标跟踪算法的高压输电线路异物检测方法
Nasseri et al. Power line detection and tracking using hough transform and particle filter
CN115049663B (zh) 基于无人机双光融合绝缘子缺陷检测方法及系统
CN113778137A (zh) 输电线路的无人机自主巡检方法
Brunner et al. Rapid detection of stand density, tree positions, and tree diameter with a 2D terrestrial laser scanner
CN116086408B (zh) 一种基于工业相机的智能测绘系统
CN113780246A (zh) 无人机三维航迹监测方法、系统以及三维监测装置
CN115471555A (zh) 一种基于图像特征点匹配的无人机红外巡检位姿确定方法
Park et al. Vehicular multi-camera sensor system for automated visual inspection of electric power distribution equipment
CN111402324A (zh) 一种目标测量方法、电子设备以及计算机存储介质
KR102310900B1 (ko) 무인항공기를 이용한 송전설비의 진단장치 및 그 방법
CN116400263B (zh) 一种基于rtk的无人机载紫外漏电检测系统及方法

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
TR01 Transfer of patent right

Effective date of registration: 20220805

Address after: 225700 No. 2, Fenghuang West Road, Taizhou City, Jiangsu Province

Patentee after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. TAIZHOU POWER SUPPLY BRANCH

Address before: 225300 Taizhou Power Supply Branch of State Grid Jiangsu Electric Power Co., Ltd., No. 2, Fenghuang West Road, Taizhou City, Jiangsu Province

Patentee before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. TAIZHOU POWER SUPPLY BRANCH

Patentee before: ZHONGXIN HANCHUANG (BEIJING) TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right