CN115318760B - 一种输电铁塔的无人机激光清洗方法及系统 - Google Patents
一种输电铁塔的无人机激光清洗方法及系统 Download PDFInfo
- Publication number
- CN115318760B CN115318760B CN202210912294.XA CN202210912294A CN115318760B CN 115318760 B CN115318760 B CN 115318760B CN 202210912294 A CN202210912294 A CN 202210912294A CN 115318760 B CN115318760 B CN 115318760B
- Authority
- CN
- China
- Prior art keywords
- power transmission
- transmission tower
- aerial vehicle
- unmanned aerial
- cleaning
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 208
- 238000004140 cleaning Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 64
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 230000007797 corrosion Effects 0.000 claims abstract description 40
- 238000005260 corrosion Methods 0.000 claims abstract description 40
- 239000000428 dust Substances 0.000 claims abstract description 21
- 230000007547 defect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000003112 inhibitor Substances 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B7/00—Cleaning by methods not provided for in a single other subclass or a single group in this subclass
- B08B7/0035—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by radiant energy, e.g. UV, laser, light beam or the like
- B08B7/0042—Cleaning by methods not provided for in a single other subclass or a single group in this subclass by radiant energy, e.g. UV, laser, light beam or the like by laser
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Optics & Photonics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明涉及一种输电铁塔的无人机激光清洗方法及系统,该方法包括:基于锈蚀检测模型识别所述待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;基于路径规划模型根据所述输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;根据所述无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;当无人机激光清洗完成后,对输电铁塔进行损伤检测。本发明提供的一种输电铁塔的无人机激光清洗方法及系统,识别出输电铁塔的锈蚀部位,通过无人机对输电铁塔的锈蚀部位进行清洗,清洗效率高,实现了对输电铁塔锈蚀部位的精准清洗,且对输电铁塔损害小。
Description
技术领域
本发明涉及激光清洗技术领域,尤其涉及一种输电铁塔的无人机激光清洗方法及系统。
背景技术
输电铁塔则是架空线路的支撑点,是输电线路的重要环节,输电铁塔构件锈蚀是输电铁塔损伤的主要形式之一,锈蚀会影响输电铁塔结构的承载能力,影响结构安全性,因此,对输电铁塔的锈蚀进行清洗具有重要意义。
现有技术中,对输电铁塔的锈蚀进行清洗主要通过传统的机械清洗方法或者化学清洗方法。机械清洗方法主要通过机械设备对输电铁塔上的锈蚀进行清洗;化学清洗方法主要通过化学用品对输电铁塔上的锈蚀进行化学反应,以达到清洗的效果。
但是,使用机械清洗方法或者化学清洗方法时,需要人为进行操作,而通过人为操作需要先确定好锈蚀点,然后进行对应的清洗,有时候甚至需要让输电铁塔断电才能进行,而且需要登入到输电铁塔上对应的锈蚀点处才能进行清洗,而这就导致清洗的效率降低,并且存在一些安全隐患。且机械清洗方法多通过刮、蹭等操作将锈蚀去除,化学清洗方法多通过化学用品与锈蚀进行化学反应实现清洗锈蚀,这些方法的清洗精度低,而且都有可能对输电铁塔产生损害,而这些损害在这些清洗方法中难以引起注意,从而使得输电铁塔的使用寿命降低产生大量的经济损失,更有可能会产生安全隐患。
发明内容
有鉴于此,有必要提供一种输电铁塔的无人机激光清洗方法及系统,用以解决现有技术中输电铁塔清洗效率低、清洗精度低且清洗时容易对输电铁塔造成损害的问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供了一种输电铁塔的无人机激光清洗方法,包括:
基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
当无人机激光清洗完成后,对输电铁塔进行损伤检测。
优选的,基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息,包括:
基于YOLOV5网络和注意力机制建立初始检测模型,对初始检测模型进行训练得到锈蚀检测模型;
获取待清洗输电铁塔图像信息,将待清洗输电铁塔图像信息输入至锈蚀检测模型得到输电铁塔锈蚀信息;
基于坐标转换规则,根据输电铁塔锈蚀信息得到输电铁塔锈蚀的真实坐标。
优选的,基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径,包括:
基于快速随机探索树路径规划算法,根据无人机初始位置和真实坐标确定无人机清洗路径;
根据无人机清洗路径构造埃尔米特曲线;
基于埃尔米特曲线优化无人机清洗路径得到目标无人机清洗路径。
优选的,根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘,包括:
根据无人机清洗路径对待清洗输电铁塔的锈蚀位置进行清洗以及冷却处理;
无人机对待清洗输电铁塔的锈蚀进行清洗时,吸取锈蚀清洗产生的粉尘。
优选的,当无人机激光清洗完成后,对输电铁塔进行损伤检测,包括:
根据待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行表面缺陷检测;
对待清洗输电铁塔进行超声波探伤得到待清洗输电铁塔的损伤信息。
优选的,根据待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行表面缺陷检测,包括:
采集待清洗输电铁塔清洗完成后锈蚀位置的图像数据;
对待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行预处理得到灰度图像数据;
通过局部二值模式对灰度图像数据进行局部特征统计得到局部特征统计信息;
基于支持向量机分类器,对局部特征统计信息进行训练分类得到表面缺陷检测结果。
优选的,对待清洗输电铁塔进行超声波探伤得到待清洗输电铁塔的损伤信息,包括:
对待清洗输电铁塔发出超声波并采集返回的超声波,并根据返回的超声波得到检测电信号;
根据检测电信号生成超声波检测图像;
基于超声波检测图像确定待清洗输电铁塔的损伤信息。
第二方面,本发明还提供了一种输电铁塔的无人机激光清洗系统,包括:
图像识别模块,用于基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
路径规划模块,用于基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
清洗模块,用于根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
损伤检测模块,用于当无人机激光清洗完成后,对输电铁塔进行损伤检测。
第三方面,本发明还提供了一种电子设备,包括存储器和处理器,其中,
存储器,用于存储程序;
处理器,与存储器耦合,用于执行存储器中存储的程序,以实现上述任一种实现方式中的输电铁塔的无人机激光清洗方法中的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述任一种实现方式中的输电铁塔的无人机激光清洗方法中的步骤。
采用上述实施例的有益效果是:本发明提供的一种输电铁塔的无人机激光清洗方法及系统,对待清洗输电铁塔进行图像识别得到输电铁塔锈蚀信息,根据输电铁塔锈蚀信息进行无人机的清洗路径规划,无人机再根据规划的清洗路径对输电铁塔的锈蚀部位进行激光清洗,并在清洗后回收清洗产生的粉尘,然后对输电铁塔进行损伤检测,判断是否对输电铁塔造成损伤。本方案对输电铁塔的锈蚀部位进行识别得到输电铁塔锈蚀信息,根据锈蚀信息进行清洗路径规划,并进行清洗,实现了对输电铁塔锈蚀部位的精确清洗,且通过无人机清洗提高了输电铁塔的锈蚀清洗效率,在清洗的过程中进一步降低了对输电铁塔的损害,提高了输电铁塔的安全性。
附图说明
图1为本发明提供的输电铁塔的无人机激光清洗方法的一实施例的流程示意图;
图2为本发明提供的识别输电铁塔锈蚀信息的一实施例的流程示意图;
图3为本发明提供的无人机清洗路径规划的一实施例的流程示意图;
图4为本发明提供的表面缺陷检测的一实施例的流程示意图;
图5为本发明提供的超声波探伤的一实施例的流程示意图;
图6为本发明提供的输电铁塔的无人机激光清洗装置的一实施例的结构示意图;
图7为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种输电铁塔的无人机激光清洗方法及系统,以下分别进行说明。
请参阅图1,图1为本发明提供的输电铁塔的无人机激光清洗方法的一实施例的流程示意图,本发明的一个具体实施例,公开了一种输电铁塔的无人机激光清洗方法,包括:
S101、基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
S102、基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
S103、根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
S104、当无人机激光清洗完成后,对输电铁塔进行损伤检测。
在上述实施例中,需要先建立初始锈蚀检测模型,对初始锈蚀检测模型进行训练得到能够识别出清洗输电铁塔锈蚀部位的锈蚀检测模型,然后通过安装在无人机上的深度摄像头识别陶瓷片获取输电铁塔的图像信息,并输入至锈蚀检测模型进行识别,得到输电铁塔锈蚀信息。
路径规划模型根据得到的锈蚀部位的真实坐标以及无人机的初始坐标进行路径规划,提高无人机的清洗效率,以及避免无人机在清洗的过程中因为碰撞出现损坏。
与现有技术相比,本实施例提供的一种输电铁塔的无人机激光清洗方法,对待清洗输电铁塔进行图像识别得到输电铁塔锈蚀信息,根据输电铁塔锈蚀信息进行无人机的清洗路径规划,无人机再根据规划的清洗路径对输电铁塔的锈蚀部位进行激光清洗,并在清洗后回收清洗产生的粉尘,然后对输电铁塔进行损伤检测,判断是否对输电铁塔造成损伤。本方案对输电铁塔的锈蚀部位进行识别得到输电铁塔锈蚀信息,根据锈蚀信息进行清洗路径规划,并进行清洗,实现了对输电铁塔锈蚀部位的精确清洗,且通过无人机清洗提高了输电铁塔的锈蚀清洗效率,在清洗的过程中进一步降低了对输电铁塔的损害,提高了输电铁塔的安全性。
请参阅图2,图2为本发明提供的识别输电铁塔锈蚀信息的一实施例的流程示意图,在本发明的一些实施例中,基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息,包括:
S201、基于YOLOV5网络和注意力机制建立初始检测模型,对初始检测模型进行训练得到锈蚀检测模型;
S202、获取待清洗输电铁塔图像信息,将待清洗输电铁塔图像信息输入至锈蚀检测模型得到输电铁塔锈蚀信息;
S203、基于坐标转换规则,根据输电铁塔锈蚀信息得到输电铁塔锈蚀的真实坐标。
在上述实施例中,在原有的YOLOV5网络结构上结合注意力机制,形成新的网络结构,同时通过安装在无人机上的摄像头对目标对象进行图像采集,然后将图像进行预处理并对所有图像标记标签框,得到图像样本集,再划分训练集和测试集,最后再配置好的环境上进行训练得到检测目标对象的模型。
初始锈蚀检测模型的输入是一个高×宽×通道数的特征图,对模型的训练包括全局平均池化、全连接、激活和全乘四个部分,具体如下:
全局平均池化:首先对输入进行的特征图进行全局平均池化,由全局池化(池化卷积核大小为和输入的特征图大小一致)的操作可以得到一个的特征图,其中c是通道数;
全连接:然后进行两次全连接,第一个全连接层的神经元个数为,进行了降维,第二个全连接层又升维到了原通道数的神经元个数,这样可以增加更多非线性处理过程,可以拟合通道之间复杂的相关性;
激活:再接一个激活函数层,具体的,激活函数为Sigmod,从而得到的特征图;
全乘:一个原始大小的特征图和的特征图全乘的操作,这样可以得到不同通道重要性不一样的特征图。
通过反复的训练,当达到设定的识别精度时,则得到满足识别要求的锈蚀检测模型。设定的识别精度可以根据实际需要进行调整,本发明在此不做进一步限制。
通过安装在无人机上的深度摄像头识别陶瓷片得到待清洗输电铁塔图像信息,然后通过深度摄像头将所有检测到的目标对象的相机坐标信息转为真实世界的坐标,并将其传回车载控制器,为无人机做轨迹规划提供坐标信息。
需要说明的是,得到输电铁塔锈蚀信息之后,根据坐标转换规则将输电铁塔的锈蚀部位以及相机坐标系进行坐标转换,得到锈蚀部位的真实坐标也即世界坐标系中的坐标位置,而坐标转换规则在现有技术中已有详细方案,本方案在此不做进一步赘述。
请参阅图3,图3为本发明提供的无人机清洗路径规划的一实施例的流程示意图,在本发明的一些实施例中,基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径,包括:
S301、基于快速随机探索树路径规划算法,根据无人机初始位置和真实坐标确定无人机清洗路径;
S302、根据无人机清洗路径构造埃尔米特曲线;
S303、基于埃尔米特曲线优化无人机清洗路径得到目标无人机清洗路径。
在上述实施例中,快速随机探索树路径规划算法包括如下步骤:
初始化探索树T,探测步长ds,无人机最大转向角θ和转动角度α;
查找无人机随机探索方向点tdir,公式如下:
tdir=p*tgoal+(1-p)*trand,(0<p<1);
其中tdir为树的随机探索方向点,tgoal和trand分别是任务目标点和空间中的随机点,P是0到1之间的随机数是任务目标点和空间中的随机点。
计算无人机每次探索步长d,公式如下:
其中,fj是未搜索到下一位置的次数或无效位置的次数;
计算选择无人机探索树的生长点tgrow,公式如下:
ωi=Ii/di;
di=||ti-tdir||;
tgrow=argmax(ωi),ti∈T;
dij=||tj-ti||;
其中,I是搜索失败节点的抑制因子之和,Ii是任意节点的抑制因子,dij是节点ti和tj之间的距离,ωi是权重,di是节点ti和探测方向点tdir的距离;
查找无人机探索树的新节点tnew,公式如下:
确定tnew是否是未探索的节点。如果是,计算转动角度α,tj=tgrow,fj+1,并重新查找无人机随机探索方向点tdir;否则,tnew被添加到探索树中,tj=NULL并且fj=1,tj是搜索失败节点。最终得到若干个可能的无人机清洗路径。
假设T为当前路径,每一条路径由n+1个轨迹点t(i)(i=0,1,2...n)组成,取4条相邻轨迹,由此构造出埃尔米特曲线。已知起始位置f(0)、结束位置f(1)的参数方程f(p)和一阶导数f′(0)、f′(1)的值,则可以构造出埃尔米特曲线,具体如下:
埃尔米特(Hermite)优化可以消除原路径上那些相对危险且无法飞行的轨迹,避免弯道速度突然变化导致的飞行漂移,并对规划的路径进行平滑和优化。其中,T(p)是函数f(p)的Hermite插值多项式,t(i)是第i个轨迹点,p是属于(0,1)之间的随机数,H为Hermite矩阵。
为了降低计算量及优化速度,我们采取如下公式中的参数设计。
f(0)=t(i),f(1)=t(i+1);
f′(0)=t(i)-t(i-1);
f′(1)=t(i+2)-t(i+1);
在本发明的一些实施例中,根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘,包括:
根据无人机清洗路径对待清洗输电铁塔的锈蚀位置进行清洗以及冷却处理;
无人机对待清洗输电铁塔的锈蚀进行清洗时,吸取锈蚀清洗产生的粉尘。
在上述实施例中,激光清洗模块主要包括三个步骤:激光清洗、冷却、吸附回收,具体步骤如下:
激光清洗:激光清洗装置由光纤输出臂、云台、激光发射器、光纤激光器、光纤与电缆束、电缆束万向连接器组成。搭载在无人机上的摄像头通过YoloV5进行实时目标检测并将实时画面无线传输到车载控制器中;接收到实时画面后,车载控制器经光纤传输至光纤激光器上;再将光纤激光器上的信号传输到光纤输出臂,从而使激光输出臂按照规划好的路径进行运动,激光头则实现全方位的清洗作业。
冷却:通过循环泵工作将存储腔内的制冷液通过进液管输送到制冷盘管的内部,这时可以将激光清洗作业产生的热量通过热传递效应传递到制冷盘管内部的制冷液中;在存储箱内划分不同的存储腔可对制冷液进行循环利用,降低成本。
吸附回收:当激光头清洗待清洗目标时,吸尘头也同时启动,其产生负压而吸取回收清洗时产生的粉尘;吸取的粉尘然后顺从吸附回收管路收集到吸尘过滤回收装置。
在本发明的一些实施例中,当无人机激光清洗完成后,对输电铁塔进行损伤检测,包括:
根据待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行表面缺陷检测;
对待清洗输电铁塔进行超声波探伤得到待清洗输电铁塔的损伤信息。
在上述实施例中,当激光清洗完成之后,进行表面缺陷检测和内部超声探伤检测。对输电铁塔进行损伤检测可以防止输电铁塔出现故障,使得对整个供电线路产生巨大损失。
请参阅图4,图4为本发明提供的表面缺陷检测的一实施例的流程示意图,在本发明的一些实施例中,根据待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行表面缺陷检测,包括:
S401、采集待清洗输电铁塔清洗完成后锈蚀位置的图像数据;
S402、对待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行预处理得到灰度图像数据;
S403、通过局部二值模式对灰度图像数据进行局部特征统计得到局部特征统计信息;
S404、基于支持向量机分类器,对局部特征统计信息进行训练分类得到表面缺陷检测结果。
在上述实施例中,表面缺陷检测包括图像采集、图像预处理、表面缺陷检测,具体步骤如下:
图像采集:无人机通过摄像头采集清洗完成之后的目标图像。
图像预处理:在采集图片时,可能会出现各种随机的干扰,导致图像中存在较多的噪声,因此需要对图像进行预处理,尽可能去除噪声。
利用最大值法,基于RGB(红绿蓝)颜色模型,将图像矩阵中三个分量中亮度的最大值作为该处的新灰度值,从而构成一幅新的灰度图像。然后对灰度图像进行增强,去除大部分噪点。
表面缺陷检测:通过LPB(局部二值模式)使得到结果值包含局部特征统计信息。然后采用SVM(支持向量机)分类器对提取的特征向量进行训练分类,实现缺陷检测。其中,决策函数公式如下所示:
其中,和/>分别为权值向量和测试样本,/>和yt分别为训练样本和标签,/>和b为训练得到的参数,k(xt,x)为选取的核函数,sgn(x)为阶跃函数,x是函数自变量。
核函数为双曲正切核函数,具体如下:
其中,k,c为自定义参数。
请参阅图5,图5为本发明提供的超声波探伤的一实施例的流程示意图,在本发明的一些实施例中,对待清洗输电铁塔进行超声波探伤得到待清洗输电铁塔的损伤信息,包括:
S501、对待清洗输电铁塔发出超声波并采集返回的超声波,并根据返回的超声波得到检测电信号;
S502、根据检测电信号生成超声波检测图像;
S503、基于超声波检测图像确定待清洗输电铁塔的损伤信息。
在上述实施例中,超声波探伤包括激光雷达扫描、超声波检测和损伤分析,超声波探伤的具体步骤如下:
基于激光雷达的扫描,可以在导航过程中避开无人机周围的障碍物。在着陆阶段,激光雷达向下放置。由于激光雷达是2D的,扫描显示目标的一部分,因此可以将无人机置于目标的中心。
地面控制中心通过无线传输发出激励信号,无人机超声发射探头受到激励电路作用,由于逆压电效应产生超声波,超声波在目标工件中传播,遇到缺陷或底面时反射回来。被接受探头接受到后由于压电效应再次转化为电信号。
接受到的电信号经过前置放大器的放大和检波后,由数据采集卡收集,之后通过无线传输传入控制台,并且在显示屏上生成声波图像。通过声波图像可以分辨缺陷波和底波,由此判断出缺陷的幅度大小。
为了更好实施本发明实施例中的输电铁塔的无人机激光清洗方法,在输电铁塔的无人机激光清洗方法基础之上,对应的,请参阅图6,图6为本发明提供的输电铁塔的无人机激光清洗系统的一实施例的结构示意图,本发明实施例提供了一种输电铁塔的无人机激光清洗系统600,包括:
图像识别模块601,用于基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
路径规划模块602,用于基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
清洗模块603,用于根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
损伤检测模块604,用于当无人机激光清洗完成后,对输电铁塔进行损伤检测。
这里需要说明的是:上述实施例提供的系统600可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
请参阅图7,图7为本发明实施例提供的电子设备的结构示意图。基于上述输电铁塔的无人机激光清洗方法,本发明还相应提供了一种输电铁塔的无人机激光清洗设备,输电铁塔的无人机激光清洗设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该输电铁塔的无人机激光清洗设备包括处理器710、存储器720及显示器730。图7仅示出了电子设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器720在一些实施例中可以是输电铁塔的无人机激光清洗设备的内部存储单元,例如输电铁塔的无人机激光清洗设备的硬盘或内存。存储器720在另一些实施例中也可以是输电铁塔的无人机激光清洗设备的外部存储设备,例如输电铁塔的无人机激光清洗设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器720还可以既包括输电铁塔的无人机激光清洗设备的内部存储单元也包括外部存储设备。存储器720用于存储安装于输电铁塔的无人机激光清洗设备的应用软件及各类数据,例如安装输电铁塔的无人机激光清洗设备的程序代码等。存储器720还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器720上存储有输电铁塔的无人机激光清洗程序740,该输电铁塔的无人机激光清洗程序740可被处理器710所执行,从而实现本申请各实施例的输电铁塔的无人机激光清洗方法。
处理器710在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器720中存储的程序代码或处理数据,例如执行输电铁塔的无人机激光清洗方法等。
显示器730在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器730用于显示在输电铁塔的无人机激光清洗设备的信息以及用于显示可视化的用户界面。输电铁塔的无人机激光清洗设备的部件710-730通过系统总线相互通信。
在一实施例中,当处理器710执行存储器720中输电铁塔的无人机激光清洗程序740时实现如上的输电铁塔的无人机激光清洗方法中的步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有输电铁塔的无人机激光清洗程序,该输电铁塔的无人机激光清洗程序被处理器执行时实现以下步骤:
基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
基于路径规划模型根据输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
根据无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
当无人机激光清洗完成后,对输电铁塔进行损伤检测。
综上,本实施例提供的一种输电铁塔的无人机激光清洗方法及系统,对待清洗输电铁塔进行图像识别得到输电铁塔锈蚀信息,根据输电铁塔锈蚀信息进行无人机的清洗路径规划,无人机再根据规划的清洗路径对输电铁塔的锈蚀部位进行激光清洗,并在清洗后回收清洗产生的粉尘,然后对输电铁塔进行损伤检测,判断是否对输电铁塔造成损伤。本方案对输电铁塔的锈蚀部位进行识别得到输电铁塔锈蚀信息,根据锈蚀信息进行清洗路径规划,并进行清洗,实现了对输电铁塔锈蚀部位的精确清洗,且通过无人机清洗提高了输电铁塔的锈蚀清洗效率,在清洗的过程中进一步降低了对输电铁塔的损害,提高了输电铁塔的安全性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种输电铁塔的无人机激光清洗方法,其特征在于,包括:
基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
基于路径规划模型根据所述输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
根据所述无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
当无人机激光清洗完成后,对输电铁塔进行损伤检测;
其中,所述基于路径规划模型根据所述输电铁塔锈蚀信息进行路径规划得到无人机清洗路径,包括:
基于快速随机探索树路径规划算法,根据无人机初始位置和真实坐标确定无人机清洗路径;
根据所述无人机清洗路径构造埃尔米特曲线;
基于所述埃尔米特曲线优化所述无人机清洗路径得到目标无人机清洗路径;
快速随机探索树路径规划算法包括如下步骤:
初始化探索树T,探测步长ds,无人机最大转向角和转动角度/>;
查找无人机随机探索方向点,公式如下:
,/>;
其中为树的随机探索方向点,/>和/>分别是任务目标点和空间中的随机点,P是0到1之间的随机数是任务目标点和空间中的随机点;
计算无人机每次探索步长d,公式如下:
;
其中,是未搜索到下一位置的次数或无效位置的次数;
计算选择无人机探索树的生长点,公式如下:
;
;
;
;
;
其中,是搜索失败节点的抑制因子之和,/>是任意节点的抑制因子,/>是节点/>和/>之间的距离,/>是权重,/>是节点/>和探测方向点/>的距离;
查找无人机探索树的新节点,公式如下:
;
确定是否是未探索的节点,如果是,计算转动角度/>,/>,/>,并重新查找无人机随机探索方向点/>;否则,/>被添加到探索树中,/>并且/>,是搜索失败节点;
已知起始位置、结束位置/>的参数方程/>和一阶导数/>、/>的值,则可以构造出埃尔米特曲线,具体如下:
;
其中,是函数/>的Hermite插值多项式,/>是第i个轨迹点,p是属于(0,1)之间的随机数,H为Hermite矩阵;
参数设计如下:
。
2.根据权利要求1所述的输电铁塔的无人机激光清洗方法,其特征在于,所述基于锈蚀检测模型识别所述待清洗输电铁塔图像信息得到输电铁塔锈蚀信息,包括:
基于YOLOV5网络和注意力机制建立初始检测模型,对所述初始检测模型进行训练得到锈蚀检测模型;
获取待清洗输电铁塔图像信息,将所述待清洗输电铁塔图像信息输入至所述锈蚀检测模型得到输电铁塔锈蚀信息;
基于坐标转换规则,根据所述输电铁塔锈蚀信息得到输电铁塔锈蚀的真实坐标。
3.根据权利要求1所述的输电铁塔的无人机激光清洗方法,其特征在于,所述根据所述无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘,包括:
根据所述目标无人机清洗路径对所述待清洗输电铁塔的锈蚀位置进行清洗以及冷却处理;
无人机对所述待清洗输电铁塔的锈蚀进行清洗时,吸取锈蚀清洗产生的粉尘。
4.根据权利要求2所述的输电铁塔的无人机激光清洗方法,其特征在于,所述当无人机激光清洗完成后,对输电铁塔进行损伤检测,包括:
根据所述待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行表面缺陷检测;
对所述待清洗输电铁塔进行超声波探伤得到所述待清洗输电铁塔的损伤信息。
5.根据权利要求4所述的输电铁塔的无人机激光清洗方法,其特征在于,所述根据所述待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行表面缺陷检测,包括:
采集所述待清洗输电铁塔清洗完成后锈蚀位置的图像数据;
对所述待清洗输电铁塔清洗完成后锈蚀位置的图像数据进行预处理得到灰度图像数据;
通过局部二值模式对所述灰度图像数据进行局部特征统计得到局部特征统计信息;
基于支持向量机分类器,对所述局部特征统计信息进行训练分类得到表面缺陷检测结果。
6.根据权利要求4所述的输电铁塔的无人机激光清洗方法,其特征在于,所述对所述待清洗输电铁塔进行超声波探伤得到所述待清洗输电铁塔的损伤信息,包括:
对所述待清洗输电铁塔发出超声波并采集返回的超声波,并根据所述返回的超声波得到检测电信号;
根据所述检测电信号生成超声波检测图像;
基于所述超声波检测图像确定所述待清洗输电铁塔的损伤信息。
7.一种输电铁塔的无人机激光清洗系统,其特征在于,包括:
图像识别模块,用于基于锈蚀检测模型识别待清洗输电铁塔图像信息得到输电铁塔锈蚀信息;
路径规划模块,用于基于路径规划模型根据所述输电铁塔锈蚀信息进行路径规划得到无人机清洗路径;
清洗模块,用于根据所述无人机清洗路径对输电铁塔的锈蚀进行激光清洗并回收锈蚀粉尘;
损伤检测模块,用于当无人机激光清洗完成后,对输电铁塔进行损伤检测;
其中,所述基于路径规划模型根据所述输电铁塔锈蚀信息进行路径规划得到无人机清洗路径,包括:
基于快速随机探索树路径规划算法,根据无人机初始位置和真实坐标确定无人机清洗路径;
根据所述无人机清洗路径构造埃尔米特曲线;
基于所述埃尔米特曲线优化所述无人机清洗路径得到目标无人机清洗路径;
快速随机探索树路径规划算法包括如下步骤:
初始化探索树T,探测步长ds,无人机最大转向角和转动角度/>;
查找无人机随机探索方向点,公式如下:
,/>;
其中为树的随机探索方向点,/>和/>分别是任务目标点和空间中的随机点,P是0到1之间的随机数是任务目标点和空间中的随机点;
计算无人机每次探索步长d,公式如下:
;
其中,是未搜索到下一位置的次数或无效位置的次数;
计算选择无人机探索树的生长点,公式如下:
;
;
;
;
;
其中,是搜索失败节点的抑制因子之和,/>是任意节点的抑制因子,/>是节点/>和/>之间的距离,/>是权重,/>是节点/>和探测方向点/>的距离;
查找无人机探索树的新节点,公式如下:
;
确定是否是未探索的节点,如果是,计算转动角度/>,/>,/>,并重新查找无人机随机探索方向点/>;否则,/>被添加到探索树中,/>并且/>,是搜索失败节点;
已知起始位置、结束位置/>的参数方程/>和一阶导数/>、/>的值,则可以构造出埃尔米特曲线,具体如下:
;
其中,是函数/>的Hermite插值多项式,/>是第i个轨迹点,p是属于(0,1)之间的随机数,H为Hermite矩阵;
参数设计如下:
。
8.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至6中任一项所述输电铁塔的无人机激光清洗方法中的步骤。
9.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至6中任一项所述输电铁塔的无人机激光清洗方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210912294.XA CN115318760B (zh) | 2022-07-29 | 2022-07-29 | 一种输电铁塔的无人机激光清洗方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210912294.XA CN115318760B (zh) | 2022-07-29 | 2022-07-29 | 一种输电铁塔的无人机激光清洗方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115318760A CN115318760A (zh) | 2022-11-11 |
CN115318760B true CN115318760B (zh) | 2024-04-16 |
Family
ID=83919698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210912294.XA Active CN115318760B (zh) | 2022-07-29 | 2022-07-29 | 一种输电铁塔的无人机激光清洗方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115318760B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115739438B (zh) * | 2022-12-12 | 2023-07-21 | 中大智能科技股份有限公司 | 基于无人机的建筑物外立面外观修复方法及系统 |
CN117943680B (zh) * | 2024-03-14 | 2024-09-06 | 拓达世纪信息产业有限公司 | 一种激光销毁硬盘盘片的方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206627451U (zh) * | 2017-04-17 | 2017-11-10 | 四川为天建设工程检测有限公司 | 一种多功能检测无人机 |
CN107622231A (zh) * | 2017-09-08 | 2018-01-23 | 内蒙古大学 | 一种水天一体智能漂浮物收集系统及其收集方法 |
CA3065858A1 (en) * | 2019-02-11 | 2020-08-11 | The Boeing Company | Robotic laser and vacuum cleaning for environmental gains |
CN112819766A (zh) * | 2021-01-25 | 2021-05-18 | 武汉理工大学 | 一种桥梁缺陷检修方法、设备、系统及存储介质 |
CN213535109U (zh) * | 2020-11-12 | 2021-06-25 | 苏交科集团股份有限公司 | 一种基于无人机的移动激光除锈装置 |
CN113096075A (zh) * | 2021-03-25 | 2021-07-09 | 南京理工大学 | 输电线路缠绕异物清除器的入侵物检测方法及系统 |
CN113963276A (zh) * | 2021-10-22 | 2022-01-21 | 云南电网有限责任公司电力科学研究院 | 一种输电线路无人机自主巡检方法及系统 |
CN113972586A (zh) * | 2021-10-29 | 2022-01-25 | 国网山东省电力公司梁山县供电公司 | 一种高压输电线路无人机搭载激光异物清除系统及方法 |
CN114226358A (zh) * | 2021-11-29 | 2022-03-25 | 西南交通大学 | 一种用于铁塔除锈和喷漆的方法 |
CN114299475A (zh) * | 2021-12-23 | 2022-04-08 | 北京中电普华信息技术有限公司 | 一种防振锤锈蚀检测方法及相关设备 |
-
2022
- 2022-07-29 CN CN202210912294.XA patent/CN115318760B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206627451U (zh) * | 2017-04-17 | 2017-11-10 | 四川为天建设工程检测有限公司 | 一种多功能检测无人机 |
CN107622231A (zh) * | 2017-09-08 | 2018-01-23 | 内蒙古大学 | 一种水天一体智能漂浮物收集系统及其收集方法 |
CA3065858A1 (en) * | 2019-02-11 | 2020-08-11 | The Boeing Company | Robotic laser and vacuum cleaning for environmental gains |
CN213535109U (zh) * | 2020-11-12 | 2021-06-25 | 苏交科集团股份有限公司 | 一种基于无人机的移动激光除锈装置 |
CN112819766A (zh) * | 2021-01-25 | 2021-05-18 | 武汉理工大学 | 一种桥梁缺陷检修方法、设备、系统及存储介质 |
CN113096075A (zh) * | 2021-03-25 | 2021-07-09 | 南京理工大学 | 输电线路缠绕异物清除器的入侵物检测方法及系统 |
CN113963276A (zh) * | 2021-10-22 | 2022-01-21 | 云南电网有限责任公司电力科学研究院 | 一种输电线路无人机自主巡检方法及系统 |
CN113972586A (zh) * | 2021-10-29 | 2022-01-25 | 国网山东省电力公司梁山县供电公司 | 一种高压输电线路无人机搭载激光异物清除系统及方法 |
CN114226358A (zh) * | 2021-11-29 | 2022-03-25 | 西南交通大学 | 一种用于铁塔除锈和喷漆的方法 |
CN114299475A (zh) * | 2021-12-23 | 2022-04-08 | 北京中电普华信息技术有限公司 | 一种防振锤锈蚀检测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115318760A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115318760B (zh) | 一种输电铁塔的无人机激光清洗方法及系统 | |
US11192250B1 (en) | Methods and apparatus for determining the pose of an object based on point cloud data | |
EP3660618B1 (en) | Map building and positioning of robot | |
CN109900712B (zh) | 基于摄像测量的风电叶片机械故障在线检测系统及其方法 | |
CN112115874B (zh) | 一种融合云端的视觉slam系统及方法 | |
CN111179324A (zh) | 基于颜色和深度信息融合的物体六自由度位姿估计方法 | |
US8942062B2 (en) | Detecting structural changes to underwater structures | |
US10611028B1 (en) | Map building and positioning of robot | |
CN111624622B (zh) | 障碍物检测方法、装置 | |
WO2019060125A1 (en) | THREE-DIMENSIONAL DELIMITATION FRAMEWORK BASED ON TWO-DIMENSIONAL IMAGE DATA AND CLOUD OF POINTS | |
US20210062653A1 (en) | Method and device for acquiring three-dimensional coordinates of ore based on mining process | |
CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN115409808A (zh) | 焊缝识别方法、装置、焊接机器人及存储介质 | |
CN115409809A (zh) | 焊缝识别方法、装置、焊接机器人及存储介质 | |
Yu et al. | Dual-branch framework: AUV-based target recognition method for marine survey | |
CN110517354B (zh) | 用于三维点云分割的方法、装置、系统及介质 | |
Akremi et al. | Visual navigation of uavs in indoor corridor environments using deep learning | |
CN117419719A (zh) | 一种融合imu的三维激光雷达定位与建图方法 | |
Zhou et al. | 3d visual tracking framework with deep learning for asteroid exploration | |
CN110853098A (zh) | 机器人定位方法、装置、设备及存储介质 | |
CN113935946B (zh) | 实时检测地下障碍物的方法及装置 | |
CN115318759B (zh) | 一种基于无人机的绝缘子激光清洗方法及系统 | |
Marine et al. | Pothole Detection on Urban Roads Using YOLOv8 | |
CN112365500A (zh) | 轮廓数据补全方法、装置、电子设备及存储介质 | |
CN115248032B (zh) | 一种三维激光点云房屋信息自动化提取方法 |
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 |