CN116009581A - 输电线路的无人机巡检方法、无人机控制终端及存储介质 - Google Patents
输电线路的无人机巡检方法、无人机控制终端及存储介质 Download PDFInfo
- Publication number
- CN116009581A CN116009581A CN202211643414.7A CN202211643414A CN116009581A CN 116009581 A CN116009581 A CN 116009581A CN 202211643414 A CN202211643414 A CN 202211643414A CN 116009581 A CN116009581 A CN 116009581A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- inspection
- path
- transmission line
- 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.)
- Pending
Links
Images
Classifications
-
- 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
Abstract
本发明提供一种输电线路的无人机巡检方法、无人机控制终端及存储介质,上述方法包括:获取目标输电线路的起点坐标及终点坐标,并根据起点坐标及终点坐标控制无人机进行一次巡检;在一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到无人机的最优路径;控制无人机按照最优路径对目标输电线路进行巡检。本发明采用视觉识别技术进行一次巡检,可实现无人机的智能巡检。且在一次巡检过程中获取各个杆塔的坐标,进而根据坐标规划最优巡检路径,第二次巡检可直接根据坐标进行,使得巡检更加的简单有效。
Description
技术领域
本发明涉及输电线路巡检技术领域,尤其涉及一种输电线路的无人机巡检方法、无人机控制终端及存储介质。
背景技术
电力是保障国民经济发展与人民生活正常进行的重要基础设施之一,需定期进行巡检,以保证电力系统的安全性及稳定性。
现有技术中,由于配电线路越来越复杂,通常采用无人机对配电线路进行巡检。但无人机巡检难以实现自动化,需要靠人工介入控制无人机飞行进行巡检,效率低,且受人为因素影响较大。
发明内容
本发明实施例提供了一种输电线路的无人机巡检方法、无人机控制终端及存储介质,以解决现有技术中人工控制无人机飞行进行巡检,效率低的问题。
第一方面,本发明实施例提供了一种输电线路的无人机巡检方法,包括:
获取目标输电线路的起点坐标及终点坐标,并根据起点坐标及终点坐标,基于图像识别控制无人机进行一次巡检;
在一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到无人机的最优路径;
控制无人机按照最优路径对目标输电线路进行巡检。
第二方面,本发明实施例提供了一种无人机控制终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式输电线路的无人机巡检方法的步骤。
第三方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式输电线路的无人机巡检方法的步骤。
本发明实施例提供一种输电线路的无人机巡检方法、无人机控制终端及存储介质,上述方法包括:获取目标输电线路的起点坐标及终点坐标,并根据起点坐标及终点坐标控制无人机进行一次巡检;在一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到无人机的最优路径;控制无人机按照最优路径对目标输电线路进行巡检。本发明采用视觉识别技术进行一次巡检,可实现无人机的智能巡检。且在一次巡检过程中获取各个杆塔的坐标,进而根据坐标规划最优巡检路径,第二次巡检可直接根据坐标进行,使得巡检更佳的简单有效。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种输电线路的无人机巡检方法的实现流程图;
图2是本发明实施例提供的一种输电线路的无人机巡检方法的应用场景示意图;
图3是DeepLabv3+网络模型的结构示意图;
图4是YOLOv5算法的结构示意图;
图5是本发明实施例提供的输电线路的无人机巡检装置的结构示意图;
图6是本发明实施例提供的无人机控制终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的一种输电线路的无人机巡检方法的实现流程图,详述如下:
S101:获取目标输电线路的起点坐标及终点坐标,并根据起点坐标及终点坐标,基于图像识别控制无人机进行一次巡检;
S102:在一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到无人机的最优路径;
S103:控制无人机按照最优路径对目标输电线路进行巡检。
本发明实施例中首先对目标输电线路进行一次巡检,基于图像识别规划路径,可实现无人机的智能巡检。同时在第一次巡检过程中获取各个杆塔的坐标,确定最优巡检路径,再次进行巡检时无需再通过图像进行路径规划,根据最优巡检路径巡检即可。图2示出了输电线路的无人机巡检方法的应用场景图,无人机沿最优路径完成对目标输电线路的巡检,无需人为控制,实现了智能化巡检。
其中,起点坐标和终点坐标可人为测量得到。图像可通过无人机携带的图像采集装置(摄像机)采集得到,各个杆塔的坐标可通过无人机携带的定位装置采集得到。
在一种可能的实施方式中,S101可以包括:
S1011:控制无人机至起点坐标处,并控制无人机直线上升预设高度,获取当前视觉区域的图像;
S1012:根据当前视觉区域的图像进行路径规划,得到当前的巡检路径;
S1013控制无人机按照当前的巡检路径进行巡检;
S1014:控制无人机获取当前的巡检路径中的最后一个杆塔的坐标,并确定最后一个杆塔的坐标与终点坐标是否相同;
S1015:若最后一个杆塔的坐标与终点坐标不同,则控制无人机直线上升预设高度,获取当前视觉区域的图像,并跳转至S1012继续执行;
S1016:若最后一个杆塔的坐标与终点坐标相同,则巡检结束。
本发明实施例中,由于无人机携带的图像采集装置视野范围有限,不能拍摄到目标输电线路的全景,因此无法进行全局的线路规划。因此,本发明实施例中分块进行线路巡检,从起点开始,获取当前视觉区域的图像并规划路径巡检,巡检完成后采集下一个视觉区域的图像并规划路径巡检,直至全部巡检完成。
其中,当无人机进行下一个视觉区域进行路径规划巡检时,需结合上一个视觉区域的图像,剔除已经巡检完成的杆塔及线路,避免重复巡检。
在一种可能的实施方式中,S1012可以包括:
1、对当前视觉区域的图像中的杆塔及线路进行识别,建立当前视觉区域的输电线路拓扑图;
2、根据当前视觉区域的输电线路拓扑图进行路径规划,得到当前的巡检路径。
本发明实施例中,可对图像进行识别,得到输电线路的拓扑图,进而规划巡检路径。
在一种可能的实施方式中,对当前视觉区域的图像中的杆塔及线路进行识别,建立当前视觉区域的输电线路拓扑图,可以包括:
1)将当前视觉区域的图像输入图像分割模型,得到目标掩膜;
2)根据目标掩膜生成当前视觉区域的输电线路拓扑图。
掩膜是与当前视觉区域的图像大小相同的图像,标记了每个像素属于前景和背景的概率,包含了待识别图像的特征信息,应用于图像分割。本发明实施例中采用图像分割技术,将当前视觉区域的图像输入图像分割模型,得到目标掩膜。其中,目标掩膜包含杆塔及线路的掩膜特征信息,将预测出的杆塔作为拓扑图的节点,线路作为节点之间的无向路径,得到输电线路拓扑图。
在一种可能的实施方式中,图像分割模型可以为DeepLabv3+网络模型。
参考图3,DeepLabv3+网络模型整体分为Encoder(编码)和Decoder(解码)两部分。Encoder的主体是带有空洞卷积的DCNN(Dynamic Convolution Neural Network,动态卷积神经网络),采用常用的分类网络ResNet(残差网络)及带有空洞卷积的空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP),主要是为了引入多尺度信息;相比DeepLabv3,DeepLabv3+引入了Decoder模块,其将底层特征与高层特征进一步融合,提升了分割边界准确度。
DeepLabv3+网络模型中的空洞卷积(Atrous Convolution)可以在不改变特征图大小的同时控制感受野,有利于提取多尺度信息。其中rate(扩张率)控制着感受野的大小,rate越大感受野越大。将输入图片与输出特征图的尺度之比记为output_stride,通常的CNN分类网络的output_stride=32,若使得output_stride=16,需将最后一个下采样层的stride设置为1,并且后面所有卷积层的rate设置为2,这样保证感受野没有发生变化。
DeepLabv3+中的ASPP采用不同rate的空洞卷积来实现。ASPP模块主要包含以下几个部分:(1)一个1×1卷积层,以及三个3x3的空洞卷积,对于output_stride=16,其rate为(6,12,18),这些卷积层的输出channel数均为256,并且含有BN层;(2)一个全局平均池化层得到image-level特征,然后送入1x1卷积层,输出256个channel,并双线性插值到原始大小;(3)将(1)和(2)得到的4个不同尺度的特征在channel维度拼接在一起,然后送入1x1的卷积进行融合并得到256个channel的新特征。
DeepLabv3+中的Decoder部分首先将Encoder得到的特征双线性插值得到4×的特征,然后与Encoder中对应大小的低级特征进行拼接,拼接前,先采用1x1卷积对低级特征进行降维。两个特征拼接后,再采用3x3卷积进一步融合特征,最后经过双线性插值得到与原始图片相同大小的掩膜。
DeepLabv3+用一个简单有效的解码器模块扩展DeepLabv3优化细分结果,尤其是沿目标边界,有效提高了图像分割的精确度及运行速度。
在一种可能的实施方式中,根据当前视觉区域的输电线路拓扑图进行路径规划,得到当前的巡检路径,可以包括:
1)根据当前视觉区域的输电线路拓扑图,以路径最短为目标函数建立第一巡检路径优化模型;
2)采用模拟退火算法对第一巡检路径优化模型求解,得到当前的巡检路径。
模拟退火算法(Simulated Annealing,SA)是通过赋予搜索过程一种时变且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。模拟退火算法具有描述简单、使用灵活、运用广泛、运行效率高且较少受到初始条件约束等特点,非常适用于路径规划。本发明实施例中采用模拟退火算法确定最优的巡检路径,规划合理,速度快。
具体流程如下:
(1)产生一条新的巡检路径P(i+1),计算巡检路径P(i+1)的长度L(P(i+1));
(2)若L(P(i+1))<L(P(i)),则接受P(i+1)为新的巡检路径,否则以模拟退火的概率接受P(i+1),并降温;
(3)重复步骤(1)至(2)直至满足退出条件。
在一种可能的实施方式中,S102可以包括:
S1021:在一次巡检过程中实时获取无人机采集到的图像,识别无人机采集到的图像中的杆塔,并通过无人机的定位模块获取得到各个杆塔的坐标;
S1022:根据各个杆塔的坐标建立第二巡检路径规划模型,并对第二巡检路径规划模型求解,得到无人机的最优路径。
一次巡检过程中已经获取得到各个杆塔的坐标,可直接根据杆塔坐标进行路径规划,用于以后的巡检。
在一种可能的实施方式中,S1021可以包括:
1、采用YOLOv5算法识别无人机采集到的图像中的杆塔。
YOLOv5算法的结构参考图4,主干网络使用CSPDarknet53结构,Conv模块由卷积、BN和SiLU激活函数三者组成。C3模块首先经过一条Conv+Bottleneck*n的支路,再与一条经过卷积核大小1×1的Conv的支路进行拼接,最后使用卷积核大小1×1的Conv调整通道数。Bottleneck模块(瓶颈模块)首先使用卷积核大小1×1的Conv调整通道数,再经过卷积核大小3×3的Conv,再与一条shortcut支路进行add逐元素相加操作。SPPF模块首先经过卷积核大小1×1的Conv模块压缩通道数,在经过三个Maxpool最大池化层,并且将每一个Maxpool层的输出和Conv模块的输出进行拼接,最后再经过卷积核大小1×1的Conv层进行通道数调整。
YOLOv5算法的特征融合部分采用FPN+PAN结构,首先进行自顶向下的FPN结构,融合P3、P4和P5特征层,再经过自底向上的PAN结构进一步融合P3、P4和P5特征层。通过上采样和卷积核大小为3×3步距为2的Conv模块,实现特征图尺寸大小的调整,以便不同尺度特征进行拼接。
YOLOv5算法的预测头中的主体部分是三个Detect检测器,利用基于网格的anchor在不同尺度的特征图上进行目标检测。当输入图像大小为640*640时,三个尺度上的特征图分别为:80x80、40x40、20x20。
YOLOv5算法采用GIoU作为Bounding box的损失函数,如下:
其中,Ac为预测框与真实框的最小外接矩形的面积。在目标检测的预测结果处理阶段,需对众多重复的预测框进行筛选,采用加权NMS操作,删除重复的预测框,保留最优的预测框。
其中,无人机巡检过程中沿线路飞行,实时获取目标输电线路的图像,输入缺陷检测模型识别电杆金具、导线、绝缘子、线夹及过引线等部位的缺陷,实现目标输电线路的检测。其中,缺陷检测模型为预先训练完成的模型,同样可以为YOLOv5网络模型。
本发明实施例中,为保证缺陷图像检测的准确性,无人机在巡检过程中位于目标输电线路的上方,且通过云台控制保证杆塔及线路位于画面中央。无人机采用全方位云台,既能左右旋转又能上下旋转。当线路或杆塔位于画面偏上位置时,云台控制垂直向上旋转镜头直到配电线位于画面中央,当配电线位于画面偏下、偏左和偏右位置时同理。
进一步的,无人机在巡检过程中使用双目视觉避障方法避免撞机发生,保证无人机巡检的安全。双目测距主要利用目标点在左右两幅视图上成像的横向坐标直接存在的差异(即视差)进行测距。无人机携带的摄像机经过对同一场景进行取景后,通过摄像机标定获得的内、外参数对两个图像进行矫正、获得视差,进而得到物体在三维空间中的坐标,从而得到摄像头与物体之间的距离。在确定前方障碍物前,预先设定无人机的安全距离L以及一个标准的点数N,在计算每一个匹配点到摄像机的距离后,会得到n个距离大于L的匹配点,如果n>N,则可视为无人前方有障碍物,于是无人机可以在横向平面的任意方向水平运动,直到n<N。
在一种可能的实施方式中,实时获取无人机的电池容量,若无人机的电池容量小于预设容量,则获取无人机返航位置坐标,并控制无人机返航。
进一步的,可控制其他无人机飞抵上一台无人机返航位置处,继续按照最优巡检路径进行巡检,直至目标输电线路全部巡检完成。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的输电线路的无人机巡检装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图5所示,输电线路的无人机巡检装置包括:
一次巡检模块21,用于获取目标输电线路的起点坐标及终点坐标,并根据起点坐标及终点坐标,基于图像识别控制无人机进行一次巡检;
最优路径规划模块22,用于在一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到无人机的最优路径;
常规巡检模块23,用于控制无人机按照最优路径对目标输电线路进行巡检。
在一种可能的实施方式中,一次巡检模块21可以包括:
第一图像获取单元,用于控制无人机至起点坐标处,并控制无人机直线上升预设高度,获取当前视觉区域的图像;
第一路径规划单元,用于根据当前视觉区域的图像进行路径规划,得到当前的巡检路径;
巡检单元,用于控制无人机按照当前的巡检路径进行巡检;
判断单元,用于控制无人机获取当前的巡检路径中的最后一个杆塔的坐标,并确定最后一个杆塔的坐标与终点坐标是否相同;
循环单元,用于若最后一个杆塔的坐标与终点坐标不同,则控制无人机直线上升预设高度,获取当前视觉区域的图像,并跳转至根据当前视觉区域的图像进行路径规划,得到当前的巡检路径的步骤继续执行;
结束单元,用于若最后一个杆塔的坐标与终点坐标相同,则巡检结束。
在一种可能的实施方式中,路径规划单元可以包括:
拓扑图建立子单元,用于对当前视觉区域的图像中的杆塔及线路进行识别,建立当前视觉区域的输电线路拓扑图;
路径输出子单元,用于根据当前视觉区域的输电线路拓扑图进行路径规划,得到当前的巡检路径。
在一种可能的实施方式中,拓扑图建立子单元可以具体用于:
1、将当前视觉区域的图像输入图像分割模型,得到目标掩膜;
2、根据目标掩膜生成当前视觉区域的输电线路拓扑图。
在一种可能的实施方式中,图像分割模型可以为DeepLabv3+网络模型。
在一种可能的实施方式中,路径输出子单元可以具体用于:
1、根据当前视觉区域的输电线路拓扑图,以路径最短为目标函数建立第一巡检路径优化模型;
2、采用模拟退火算法对第一巡检路径优化模型求解,得到当前的巡检路径。
在一种可能的实施方式中,最优路径规划模块22包括:
杆塔坐标获取单元,用于在一次巡检过程中实时获取无人机采集到的图像,识别无人机采集到的图像中的杆塔,并通过无人机的定位模块获取得到各个杆塔的坐标;
第二路径规划单元,用于根据各个杆塔的坐标建立第二巡检路径规划模型,并对第二巡检路径规划模型求解,得到无人机的最优路径。
在一种可能的实施方式中,杆塔坐标获取单元可以具体用于:
采用YOLOv5算法识别无人机采集到的图像中的杆塔。
图6是本发明实施例提供的无人机控制终端的示意图。如图6所示,该实施例的无人机控制终端3包括:处理器30和存储器31。存储器31用于存储计算机程序32,处理器30用于调用并运行存储器31中存储的计算机程序32,执行上述各个输电线路的无人机巡检方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器30用于调用并运行存储器31中存储的计算机程序32,实现上述各装置实施例中各模块/单元的功能,例如图5所示模块21至23的功能。
示例性的,计算机程序32可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器31中,并由处理器30执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序32在无人机控制终端3中的执行过程。例如,计算机程序32可以被分割成图5所示的模块/单元21至23。
无人机控制终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。无人机控制终端3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图6仅仅是无人机控制终端3的示例,并不构成对无人机控制终端3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是无人机控制终端3的内部存储单元,例如无人机控制终端3的硬盘或内存。存储器31也可以是无人机控制终端3的外部存储设备,例如无人机控制终端3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器31还可以既包括无人机控制终端3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及终端所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输电线路的无人机巡检方法,其特征在于,包括:
获取目标输电线路的起点坐标及终点坐标,并根据所述起点坐标及所述终点坐标,基于图像识别控制所述无人机进行一次巡检;
在所述一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到所述无人机的最优路径;
控制所述无人机按照所述最优路径对所述目标输电线路进行巡检。
2.根据权利要求1所述的输电线路的无人机巡检方法,其特征在于,所述根据所述起点坐标及所述终点坐标,基于图像识别控制所述无人机进行一次巡检,包括:
控制所述无人机至所述起点坐标处,并控制所述无人机直线上升预设高度,获取当前视觉区域的图像;
根据当前视觉区域的图像进行路径规划,得到当前的巡检路径;
控制所述无人机按照当前的巡检路径进行巡检;
控制所述无人机获取当前的巡检路径中的最后一个杆塔的坐标,并确定所述最后一个杆塔的坐标与所述终点坐标是否相同;
若所述最后一个杆塔的坐标与所述终点坐标不同,则控制所述无人机直线上升所述预设高度,获取当前视觉区域的图像,并跳转至所述根据当前视觉区域的图像进行路径规划,得到当前的巡检路径的步骤继续执行;
若所述最后一个杆塔的坐标与所述终点坐标相同,则巡检结束。
3.根据权利要求2所述的输电线路的无人机巡检方法,其特征在于,所述根据当前视觉区域的图像进行路径规划,得到当前的巡检路径,包括:
对当前视觉区域的图像中的杆塔及线路进行识别,建立当前视觉区域的输电线路拓扑图;
根据当前视觉区域的输电线路拓扑图进行路径规划,得到当前的巡检路径。
4.根据权利要求3所述的输电线路的无人机巡检方法,其特征在于,所述对当前视觉区域的图像中的杆塔及线路进行识别,建立当前视觉区域的输电线路拓扑图,包括:
将当前视觉区域的图像输入图像分割模型,得到目标掩膜;
根据所述目标掩膜生成当前视觉区域的输电线路拓扑图。
5.根据权利要求4所述的输电线路的无人机巡检方法,其特征在于,所述图像分割模型为DeepLabv3+网络模型。
6.根据权利要求3所述的输电线路的无人机巡检方法,其特征在于,所述根据当前视觉区域的输电线路拓扑图进行路径规划,得到当前的巡检路径,包括:
根据当前视觉区域的输电线路拓扑图,以路径最短为目标函数建立第一巡检路径优化模型;
采用模拟退火算法对所述第一巡检路径优化模型求解,得到当前的巡检路径。
7.根据权利要求1至6任一项所述的输电线路的无人机巡检方法,其特征在于,所述在所述一次巡检过程中采集各个杆塔的坐标,并根据各个杆塔的坐标进行路径规划,得到所述无人机的最优路径,包括:
在所述一次巡检过程中实时获取所述无人机采集到的图像,识别所述无人机采集到的图像中的杆塔,并通过所述无人机的定位模块获取得到各个杆塔的坐标;
根据各个杆塔的坐标建立第二巡检路径规划模型,并对所述第二巡检路径规划模型求解,得到所述无人机的最优路径。
8.根据权利要求7所述的输电线路的无人机巡检方法,其特征在于,所述识别所述无人机采集到的图像中的杆塔,包括:
采用YOLOv5算法识别所述无人机采集到的图像中的杆塔。
9.一种无人机控制终端,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至8中任一项所述的输电线路的无人机巡检方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述的输电线路的无人机巡检方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643414.7A CN116009581A (zh) | 2022-12-20 | 2022-12-20 | 输电线路的无人机巡检方法、无人机控制终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643414.7A CN116009581A (zh) | 2022-12-20 | 2022-12-20 | 输电线路的无人机巡检方法、无人机控制终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116009581A true CN116009581A (zh) | 2023-04-25 |
Family
ID=86034738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211643414.7A Pending CN116009581A (zh) | 2022-12-20 | 2022-12-20 | 输电线路的无人机巡检方法、无人机控制终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116009581A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237286A (zh) * | 2023-09-02 | 2023-12-15 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
CN117237286B (zh) * | 2023-09-02 | 2024-05-17 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
-
2022
- 2022-12-20 CN CN202211643414.7A patent/CN116009581A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237286A (zh) * | 2023-09-02 | 2023-12-15 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
CN117237286B (zh) * | 2023-09-02 | 2024-05-17 | 国网山东省电力公司淄博供电公司 | 一种气体绝缘开关设备内部缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741257B (zh) | 全景图全自动拍摄、拼接系统及方法 | |
CN109003297B (zh) | 一种单目深度估计方法、装置、终端和存储介质 | |
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
US20230237666A1 (en) | Image data processing method and apparatus | |
CN109584299B (zh) | 一种定位方法、定位装置、终端及存储介质 | |
CN111738036B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN108259764A (zh) | 摄像机、应用于摄像机的图像处理方法及装置 | |
CN115641519A (zh) | 输电线路检查方法、装置及非易失性存储介质 | |
CN115690765A (zh) | 车牌识别方法、装置、电子设备、可读介质和程序产品 | |
CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
CN116258756B (zh) | 一种自监督单目深度估计方法及系统 | |
CN111292331A (zh) | 图像处理的方法与装置 | |
CN116259040A (zh) | 识别交通标志的方法、装置和电子设备 | |
CN114611635B (zh) | 一种对象的识别方法、装置、存储介质及电子装置 | |
CN116009581A (zh) | 输电线路的无人机巡检方法、无人机控制终端及存储介质 | |
CN115620264A (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN111222522A (zh) | 神经网络训练、路面检测、智能驾驶控制方法和装置 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN115240133A (zh) | 一种公交车拥挤度分析方法、装置和设备 | |
CN114998570A (zh) | 一种对象检测框的确定方法、装置、存储介质及电子装置 | |
CN114219073A (zh) | 属性信息的确定方法、装置、存储介质及电子装置 | |
CN109284687B (zh) | 一种基于室内机会信号增强的场景识别方法及装置 | |
CN109376653B (zh) | 用于定位车辆的方法、装置、设备和介质 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN114677859B (zh) | 无人机航线自动校正方法和装置 |
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 |