CN116719339A

CN116719339A - 一种基于无人机的电力线路巡检控制方法及系统

Info

Publication number: CN116719339A
Application number: CN202310914509.6A
Authority: CN
Inventors: 何晓杰; 左志敏; 王健; 王锦程; 庞翀; 鞠玲; 王春明; 卜鑫链; 严阳
Original assignee: State Grid Jiangsu Electric Power Co Ltd; Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Current assignee: State Grid Jiangsu Electric Power Co Ltd; Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2023-07-24
Filing date: 2023-07-24
Publication date: 2023-09-08

Abstract

本发明公开了一种基于无人机的电力线路巡检控制方法及系统，方法包括：获取巡检任务，控制无人机采集所有巡检任务对应巡检区域内的杆塔位置坐标信息；根据所述杆塔位置坐标信息生成与巡检任务对应的多个倾斜飞行航线；控制所述无人机按照多个所述倾斜飞行航线飞行，并在飞行过程中采集与倾斜飞行航线对应的点云数据，根据所述点云数据生成飞行航线；对所有飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线；获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，控制所述无人机按照最优飞行航线进行巡检；该方法能够有效提高无人机巡检效率。

Description

一种基于无人机的电力线路巡检控制方法及系统

技术领域

本发明涉及无人机技术领域，尤其涉及一种基于无人机的电力线路巡检控制方法及系统。

背景技术

电力设备中输电线路一般位于崇山峻岭、无人区居多，人工巡视检查的效率较低，而且蛇、虫、蚁等动物咬伤员工的事件也屡见不鲜；另外，输电铁塔、导线、绝缘子等设备位处高空，采用无人机进行巡检，既能避免高空爬塔作业的安全风险，亦可以360°全视角查看设备细节情况，提高巡视质量。

目前无人机的电力巡检中，巡检路径的规划是一个难点，若巡检路径规划不合理，会出现与输电线路相撞、信号传输不稳定、图像采集不到位等情况。专利文献CN109062233A公开了一种输电线路无人机自动驾驶巡检方法，包括以下步骤：S1.计算激光雷达扫描区域面积，根据激光雷达型号、射程、开角、通讯距离，计算激光雷达扫描区域面积；S2.通过千寻精准定位服务，进行RTK激光雷达无人机基站定位；S3.结合雷达扫描区域和输电线路结构尺寸，包括杆塔高度、横担最大长度、最下相导线高度、走向，分别计算输电线路线行中心与无人机保持的水平距离值、无人机与水平地面保持的垂直距离理论值、以及设计无人机与水平地面的高度值；S4.手动操控RTK激光雷达无人机进行输电线路建模，通过数据转换、拟合，激光雷达数据分类、去噪、矢量化处理，形成三维实体模型，自动提取杆塔坐标、杆塔高、呼称高、导地线弧垂、输电线路结构部件尺寸、线路与树木、线路与房屋、线路与线路间距离，并提取输电线路绝缘子挂点、金具挂点位置空间坐标，规划无人机自动驾驶航线；S5.根据激光雷达建模所得输电线路激光点云实体模型，提取输电线路关键位置坐标，包括杆塔中心坐标、地线挂点、绝缘子挂点坐标，规划无人机起降位置、飞行速度、飞行轨迹，通过自动驾驶、智能飞行控制程序，生成无人机精细化巡检和激光雷达建模自动驾驶航线。

上述方法依靠激光雷达数据进行整个输电线路环境的建模，仅仅通过三维模型规划无人机的巡检路径，可靠性不高。

发明内容

本发明提供了一种基于无人机的电力线路巡检控制方法及系统，能够有效规划无人机电力巡检路径，保证无人机巡检的可靠性。

第一方面，本发明提供一种基于无人机的电力线路巡检控制方法，包括：

获取巡检任务，控制无人机采集所有巡检任务对应巡检区域内的杆塔位置坐标信息；

根据所述杆塔位置坐标信息生成与巡检任务对应的多个倾斜飞行航线；

控制所述无人机按照多个所述倾斜飞行航线飞行，并在飞行过程中采集与倾斜飞行航线对应的点云数据，根据所述点云数据生成飞行航线；

对所有飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线；

获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，控制所述无人机按照最优飞行航线进行巡检。

进一步地，根据所述杆塔位置坐标信息生成多个倾斜飞行航线，包括：

根据杆塔位置坐标信息得到与巡检任务对应的的杆塔外形尺寸参数；

根据杆塔外形尺寸参数确定无人机的飞行方向、飞行范围和飞行高度；

根据无人机的飞行方向、飞行范围和飞行高度确定多个飞行航点；

基于多个飞行航点生成与巡检任务对应的倾斜飞行航线。

进一步地，根据所述点云数据生成飞行航线，包括：

根据点云数据的杆塔点云数据得到多个点云线路模型；

根据点云数据的输电线路点云数据，将多个点云线路模型进行串联；

根据巡检任务对串联后的点云线路模型配置巡检点位置和巡检特征动作，生成所述飞行航线。

进一步地，对所有所述飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线，包括：

对每个飞行航线设置多个不同的预设飞行高度，并控制无人机在不同的预设飞行高度下按照所述飞行航线飞行；

飞行过程中，在不同的预设飞行高度下，接收无人机发回的测试信号以及测试图像；

对所述测试信号进行信号强度分析和信号质量分析，对所述测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度；

将所述最优高度与所述飞行航线进行匹配，获得最优飞行航线。

进一步地，对所述测试信号进行信号强度和信号质量分析，对所述测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度，包括：

对所述测试信号进行信号强度和信号质量分析，得到第一高度区域，对所述测试图像进行清晰度分析，得到第二高度区域；

基于第一评估条件和第二评估条件分别对第一高度区域和第二高度区域进行筛选，得到第一最佳高度和第二最佳高度；

获取对测试信号进行信号强度和信号质量分析，以及对测试图像进行清晰度分析的权重；

基于获取的权重，以及第一最佳高度和第二最佳高度，得到最优高度。

进一步地，对所述测试信号进行信号强度和信号质量分析，得到第一高度区域，包括：

对不同预设飞行高度下测试信号的信号强度进行统计分析，获得信号强度平均值、最大值和最小值；

基于信号强度的平均值、最大值和最小值，得到不同预设飞行高度下的信号强度变化趋势和同一预设飞行高度下不同时刻的强度差异；

基于信号强度变化趋势和强度差异，得到测试信号的覆盖区域和强度分布；

对测试信号的信号质量进行统计分析，获取其平均值、方差和标准差；

基于信号质量的平均值、方差和标准差，绘制质量变化图；

基于质量变化图，得到不同预设飞行高度下的信号质量的波动范围和预定时间段内的变化率；

基于测试信号的覆盖区域、强度分布、波动范围、变化率以及第一预设参数阈值，得到第一高度区域。

进一步的，对所述测试图像进行清晰度分析，得到第二高度区域，包括：

基于图像处理算法，对不同预设飞行高度下的测试图像进行提取目标的相关特征；

基于提取的相关特征，通过目标检测算法进行测试图像中目标的识别和定位；

获取预定评估指标，并根据识别和定位后的测试图像得到预定评估指标对应的评估参数；

基于第二预设参数阈值对不同预设飞行高度下测试图像的评估参数进行筛选，得到满足条件的测试图像；

根据满足条件的测试图像所对应的预设飞行高度，得到第二高度区域。

进一步地，在提取目标的相关特征之前，还可以对测试图像进行预处理，包括：去噪、增强和几何校正，有助于提高图像质量和准确性。

进一步地，获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，包括：

对所述巡检任务进行特征提取，获得相应的巡检点和巡检特征动作；

将所述巡检点位置和巡检特征动作与巡检任务进行匹配，获得匹配的巡检任务；

根据匹配的巡检任务得到对应的最优飞行航线。

进一步地，控制所述无人机按照最优飞行航线进行巡检之后，还包括：

控制无人机采集巡检图像；

对所述巡检图像进行网格划分，获得网格单元图像；

基于中值滤波算法对所述网格单元图像进行去噪处理，获得去噪网格单元图像；

基于生成对抗网络对所述去噪网格单元图像进行增强，获得增强图像。

进一步地，控制所述无人机按照最优飞行航线进行巡检过程中，还包括：

获取无人机剩余电量；

若所述无人机剩余电量值低于预警值，则生成返航换电命令发送至对应的无人机，控制对应的无人机进行返航换电。

进一步地，在无人机进行返航换电和巡检完成后，还包括：

基于无人机采集降落区域的场景图像；

根据场景图像获取降落区域的位置；

获取无人机的当前位置、当前姿态信息和当前飞行速度；

基于预先构建的预测模型，根据无人机降落区域的位置，结合无人机的当前位置、当前姿态信息和当前飞行速度，得到无人机需要调整的飞行参数；其中，飞行参数包括目标高度、目标飞行速度和目标姿态参数；

控制无人机根据飞行参数实时调整飞行状态，直至完成降落。

进一步的，根据场景图像获取降落区域的位置，包括：

对场景图像依次进行图像处理、目标检测和特征提取，得到降落区域的相关特征；

对降落区域的相关特征进行降维、归一化和关键提取，得到场景图像中降落区域的关键信息；

基于降落区域的关键信息得到降落区域在图像坐标系中的位置；

根据降落区域在的图像坐标系中位置，以及无人机搭载的相机参数，得到降落区域在无人机坐标系中的位置。

其中，预先构建的预测模型，包括：

根据无人机的动力学特性和运动参数，构建自适应卡尔曼滤波预测模型；运动参数包括无人机的位置、飞行速度和飞行姿态；

获取无人机的训练数据，训练数据包括无人机在不同位置对应的实际训练飞行速度和实际训练飞行姿态，以及实际训练目标位置；

基于自适应卡尔曼滤波预测模型，并结合无人机的训练数据，得到无人机在不同位置运动至下一位置时的预测数据，预测数据包括预测高度、预测飞行速度和预测姿态信息；

根据预测数据和训练数据，得到预测数据和训练数据的观测残差；

根据观测残差得到协方差矩阵；

采用卡尔曼增益得到预测值和实际值的权重；

根据观测残差、协方差矩阵和权重，更新自适应卡尔曼滤波预测模型；

重复上述预测和更新步骤，直至达到预定更新阈值，得到最终的自适应卡尔曼滤波预测模型。

其中，通过重复预测和更新步骤，可以降低预测的不确定性，提高对无人机位置、姿态和飞行速度的预测精度，预定更新阈值为自适应卡尔曼滤波预测模型满足预设的不确定性要求。

进一步地，控制对应的无人机进行返航换电，还包括：

根据胶囊机巢的充电机位坐标获得无人机返航目的地；

通过返航目的地生成无人机的返航飞行航线；

根据返航飞行航线控制无人机进行返航；

当无人机停靠在充电机位时，通过胶囊机巢内置的机械臂对无人机进行电池更换。

第二方面，本发明提供一种基于无人机的电力线路巡检控制装置，包括：

杆塔坐标获取模块，用于获取巡检任务，控制无人机采集所有巡检任务对应巡检区域内的杆塔位置坐标信息；

倾斜航线生成模块，用于根据所述杆塔位置坐标信息生成与巡检任务对应多个倾斜飞行航线；

飞行航线生成模块，用于控制所述无人机按照多个所述倾斜飞行航线飞行，并在飞行过程中采集与倾斜飞行航线对应的点云数据，根据所述点云数据生成飞行航线；

高度测试模块，用于对所有所述飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线；

任务匹配模块，用于获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，控制所述无人机按照最优飞行航线进行巡检。

第三方面，本发明还提供一种基于无人机的电力线路巡检控制系统，包括控制平台、无人机以及胶囊机巢，所述胶囊机巢用于存储无人机以及为所述无人机进行充电；所述控制平台包括处理器和存储装置，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行上述的方法。

本发明提供的基于无人机的电力线路巡检控制方法及系统，至少包括如下有益效果：

(1)通过建立激光点云的线路模型规划飞行航线，基于高度测试获得最优飞行航线，保证无人机在巡检过程中的安全、信号传输稳定以及图像采集的可靠性，提高无人机的巡检效率；

(2)基于高度测试获得最优飞行航线过程中，通过信号质量、信号强度和图像清晰度获得的最优飞行航线，使得控制平台对于无人机控制指令延迟较低和获得较为流畅的高清视频，进一步提高了无人机巡检的效率；

(3)通过胶囊机巢对无人机进行电池更换，可以使无人机实现不间断飞行，进一步提高了无人机的工作效率。

附图说明

图1为本发明提供的基于无人机的电力线路巡检控制方法一种实施例的流程图。

图2为本发明提供的基于无人机的电力线路巡检控制方法中高度测试一种实施例的流程图。

图3为本发明提供的基于无人机的电力线路巡检控制装置一种实施例的结构示意图。

图4为本发明提供的基于无人机的电力线路巡检控制系统一种实施例的结构示意图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。

参考图1，在一些实施例中，提供一种基于无人机的电力线路巡检控制方法，包括：

S1、获取巡检任务，控制无人机采集所有巡检任务对应巡检区域内的杆塔位置坐标信息；

S2、根据杆塔位置坐标信息生成与巡检任务对应的多个倾斜飞行航线；

S3、控制无人机按照多个倾斜飞行航线飞行，并在飞行过程中采集与倾斜飞行航线对应的点云数据，根据点云数据生成飞行航线；

S4、对所有飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线；

S5、获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，控制无人机按照最优飞行航线进行巡检。

具体地，上述的方法的执行主体为控制平台，此外，还包括与控制平台连接的胶囊机巢。控制平台设置有通信模块，能够与无人机的通信模块进行信号传输，将操作指令发送到无人机用来控制无人机的具体行动，例如：暂停、悬浮、更改路线，临时返航等。无人机上搭载有图像采集装置，图像采集装置可以是高清变焦相机、红外相机、夜视相机、激光雷达等多种传感器设备，无人机能够将采集到的实时图像信息传送到控制平台。胶囊机巢是指可移动式的无人机基地，可以实现存储无人机、无人机更换电池、无人机维修等功能，例如：无人机胶囊机巢皮卡、无人机机箱等设备，控制平台还可以通过发送控制指令到胶囊机巢来实现胶囊机巢的功能。

具体地，步骤S1中，通过无人机在杆塔上方打点获得巡检区域内输电通道中某个输电杆塔的杆塔位置坐标信息和高度信息。

进一步地，步骤S2中，根据杆塔位置坐标信息生成与巡检任务对应的多个倾斜飞行航线，包括：

根据杆塔位置坐标信息和高度信息得到与巡检任务对应的的杆塔外形尺寸参数；

基于多个飞行航点生成与巡检任务对应的倾斜飞行航线。

进一步地，步骤S3中，控制无人机根据倾斜飞行航线飞行，并通过无人机搭载的三维激光扫描仪采集倾斜飞行航线上杆塔的点云数据信息，通过此方法获得巡检区域内所有杆塔点云数据信息，进一步获得两支杆塔之间输电线路的点云数据信息。由于杆塔从下往上具有一定角度，无人机飞行路线不是垂直的，利用无人机倾斜摄影，可以快速地进行实景还原，从而能用以快速地进行三维实景建模，即倾斜飞行航线为无人机倾斜摄影的路线。

根据点云数据生成飞行航线，包括：

通过所采集的杆塔点云数据构建多个点云线路模型；在配电三维航线规划软件中将多个点云线路模型通过输电线路的点云数据信息串联起来，并根据输电通道巡检任务设置多个巡航点位置和巡检动作，生成输电巡检的飞行航线。通过生成飞行航线，为下一步通过此飞行航线控制无人机进行输电线路自主巡检提供了依据。其中，每个杆塔对应一个点云线路模型。根据两支杆塔之间输电线路的点云数据信息生成线路飞行航线，将点云线路模型进行串联。

进一步地，参考图2，步骤S4中，对所有飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线，包括：

S41、对每个飞行航线设置多个不同的预设飞行高度，并控制无人机在不同的预设飞行高度下按照飞行航线飞行；

S42、飞行过程中，在不同的预设飞行高度下，接收无人机发回的测试信号以及测试图像；

S43、对测试信号进行信号强度分析和信号质量分析，对测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度；

S44、将最优高度与飞行航线进行匹配，获得最优飞行航线。

其中，步骤S43中，对测试信号进行信号强度分析和信号质量分析，对测试图像进行清晰度分析，根据分析结果确定最优高度，包括：

建立飞行高度分析模型，飞行高度分析模型包括输入层、权重计算层、加权计算层以及输出层；

对测试信号进行信号强度和信号质量分析，对测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度，包括：

对测试信号进行信号强度和信号质量分析，得到第一高度区域，对测试图像进行清晰度分析，得到第二高度区域；

其中，对测试信号进行信号强度和信号质量分析，得到第一高度区域，包括：

对测试信号的信号强度进行统计分析，获得其平均值、最大值和最小值；

根据不同的预设飞行高度下，信号强度的平均值、最大值和最小值；

基于信号质量的平均值、方差和标准差，绘制质量变化图；

基于测试信号的覆盖区域、强度分布、波动范围、变化率以及第一预设参数阈值，得到第一高度区域；

对测试图像进行清晰度分析，得到第二高度区域，包括：

其中，信号强度(信号质量)的平均值为每个预设飞行高度下的信号强度(信号质量)之和/对应预设飞行高度下的信号强度(信号质量)的数量；信号质量的方差为所有预设飞行高度下信号质量平均值的平方和/信号质量的数量；信号质量的标准差为信号质量方差的开方。

信号强度变化趋势表明信号强度的增加方向，例如，信号强度随飞行高度增加而增加，或信号强度随飞行高度增加而减小。强度差异表示前后时刻的信号强度差值，差值越大说明强度差异越大，通过比较不同预设飞行高度下的强度差异，可以判断信号强度的分布是否均匀。

测试信号的覆盖区域表示存在预定强度测试信号的区域范围，强度分布表示覆盖区域内的信号强度分布情况。测试信号的覆盖区域和强度分布对于无人机的飞行路径规划、通信设备部署和信号优化都非常重要。

质量变化图包括折线图和箱线图，箱线图包括统计中位数、上下四分位数的等信息。变化率表示某一预设飞行高度的信号质量变化情况，变化率越小，则说明波动越小、变化较为平稳。

第一预设参数阈值包括预先设定的覆盖区域阈值(预定的高度范围)、预设的强度阈值、预设的波动阈值、预设的变化率阈值。

图像处理算法包括方向梯度直方图(Histogram of Oriented Gradients，HOG)和卷积神经网络(Convolutional Neural Networks，CNN)。目标的相关特征可以包括颜色、纹理、形状和边缘。目标检测算法可以采用深度学习方法，包括卷积神经网络。

预定评估指标包括准确率、召回率、精确度和F1分数，可以通过与真实标签或人工标注进行提高评估参数的精度。

图像亮度：

灰度值(单通道图像)：B＝(R+G+B)/3；

亮度值(单通道图像)：Y＝0.299*R+0.587*G+0.114*B；

图像对比度：

对比度值(单通道图像)：C＝(Imax-Imin)/(Imax+Imin)；

图像清晰度：

方差(单通道图像)：Var＝(1/N)*Σ[(I(x,y)-mean)^2],其中N表示像素数，I(x,y)表示像素的灰度值，mean表示灰度均值。

图像纹理：

共生矩阵(灰度共生矩阵)：计算测试图像灰度级之间的相对位置和频率关系。

Gabor滤波器：应用于测试图像的多个尺度和方向的Gabor滤波器用于提取纹理特征。

预定评估指标：

准确率(Precision)：P＝TP/(TP+FP)

召回率(Recall)：R＝TP/(TP+FN)

F1分数(F1-Score)：F1＝2*(P*R)/(P+R),其中TP表示真阳性(正确检测到的正样本数)，FP表示假阳性(错误地将负样本预测为正样本数)，FN表示假阴性(错误地将正样本预测为负样本数)。

第二预设参数阈值为预设的评估参数定值，将满足预设的评估参数定值的评估参数进行筛选出来后，通过筛选的评估参数获得与其对应的测试图像，获得的该测试图像即为满足条件的测试图像。

第一评估条件和第二评估条件可以通过分析覆盖区域、强度分布、波动范围、变化率以及评估参数，确定第一高度区域内和第二高度区域内的第一最佳高度和第二最佳高度。可以通过将覆盖区域、强度分布、波动范围、变化率以及评估参数进行等级划分，通过等级划分结果确定第一最佳高度和第二最佳高度。还可以对覆盖区域、强度分布、波动范围、变化率进行赋予权重，以及将评估参数中的各参数赋予权重，通过权重和不同预设飞行高度下的实际值分别得到最优的预设飞行高度，该分别得到的最优的预设飞行高度即为第一最佳高度和第二最佳高度。

对测试信号进行信号强度和信号质量分析的权重1，以及对测试图像进行清晰度分析的权重2，总和为1。最优高度＝第一最佳高度*权重1+第二最佳高度*权重2。

(1)信号强度分析：

采集测试信号强度数据：无人机搭载相应的接收设备，获取测试信号的强度数据。这可以通过接收设备的API或接口来实现。

对测试信号强度数据进行处理：根据接收到的测试信号强度数据，可以进行平均值、最大值、最小值等统计分析，以获取信号强度的整体情况。

分析测试信号强度变化：通过比较不同位置或时间点的测试信号强度数据，分析测试信号的变化趋势和强度差异，以确定测试信号覆盖的区域和强度分布。

(2)信号质量分析：

采集测试信号质量数据：通过测试设备或传感器，获取测试信号的质量相关参数，如信噪比(SNR)、误码率(BER)等。

分析测试信号质量数据：根据采集到的测试信号质量数据，进行统计分析和对比，评估测试信号的可靠性和稳定性。

根据测试信号质量评估确定最优高度：基于测试信号质量的分析结果，判断测试信号强度和质量较好的高度区域，从而确定无人机在巡检过程中的第一高度区域。

(3)清晰度分析：

采集测试图像数据：使用无人机搭载的摄像头或传感器，获取测试图像数据。

图像清晰度评估：应用图像处理算法或指标，如锐度、对比度、模糊度等，对测试图像进行清晰度分析和评估。

根据清晰度评估确定最优高度：根据图像清晰度的分析结果，确定图像质量较高的高度区域，从而确定无人机在巡检过程中的第二高度区域。

具体地，设置多个飞行高度，例如：30米、50米、70米、90米等，根据飞行航线控制无人机通过不同的飞行高度进行自主巡检测试，获得不同高度下无人机的信号强度和信号质量。进一步通过无人机上搭载的图像采集装置获得不同飞行高度情况下无人机采集的测试图像，对测试图像进行清晰度分析，获得测试图像的清晰度分析结果，测试图像的清晰度分析结果用图像清晰度指数表示，图像越清晰，分辨率越高，则图像清晰度指数越高。构建飞行高度分析模型，飞行高度分析模型用来获得最佳的飞行高度，由输入层、权重计算层、加权计算层、输出层组成，对信号强度、信号质量和图像清晰度分析结果进行权重分配，进一步通过加权计算获得输出结果即最优飞行高度，然后通过获得的最优飞行高度和飞行航线获得最优飞行航线即最佳飞行高度的飞行航线，通过获得该最优飞行航线，可以使控制平台对无人机的控制指令延迟较低和获得较为流畅的高清视频，进一步提高了无人机巡检的效率。

总体而言，具体而言，巡检任务是指通过无人机去执行的具体的巡检任务，例如：输电杆塔巡检、输电通道巡检、变电站巡检、配电巡检、应急巡检等不同任务。生成飞行航线的方法为对每个巡检任务进行特征提取，获得多个该任务特有的航点和巡检特征动作。通过配电三维航线规划软件获得多个飞行航线，对多个飞行航线分别进行高度测试，获得多个最优飞行航线，且一个巡检任务对应一个最优飞行航线，通过生成多个最优飞行航线，可以通过系统控制无人机完成不同的巡检任务，提高无人机的工作效率。

进一步地，步骤S5中，获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，包括：

对目标巡检任务进行特征提取，获得相应的巡检点位置和巡检特征动作；

将巡检点位置和巡检特征动作与巡检任务进行匹配，获得匹配的巡检任务；

根据匹配的巡检任务得到对应的最优飞行航线。

进一步地，步骤S5中，确定最优飞行航线，控制无人机按照最优飞行航线进行巡检，控制平台生成飞行航线指令，并将飞行航线指令发送到无人机，无人机接收指令后控制无人机自动起飞去执行该任务，完成自主巡检，通过控制平台远程控制无人机进行自主巡检，可以减少人力资源的使用，提高无人机的工作效率。

本发明的无人机在按照最优飞行航线进行巡检时，采用PID控制器进行闭环控制，实现无人机的位置、速度和加速度调整，包括：

根据巡检任务和最优分型航线确定无人机的目标位置和飞行过程中的目标速度；

实时获取无人机飞行过程中的实时位置、实时速度和实时加速度；

将目标位置与实时位置，目标速度与实时速度进行比较，得到误差信号；

通过PID控制器结合误差信号和预设加速度范围，对无人机的位置、速度和加速度进行调整；

重复上述步骤，直至无人机达到目标位置。

具体的，闭环控制过程包括：

(1)确定目标位置和转速限制：在无人机的控制系统中，根据巡检任务和最优飞行航线确定所需的目标位置和转速限制，即期望无人机达到的位置和速度。

(2)实时获取位置、速度和加速度信息：通过无人机内置的传感器，如GPS、陀螺仪和加速度计，实时获取当前的位置、速度和加速度信息。

(3)计算误差信号：将确定的目标位置和速度与实际获取的位置和速度进行比较，计算误差信号，即期望值与实际值之间的差异。

(4)应用PID控制器：将误差信号输入到PID(比例-积分-微分)控制器中，根据预定的参数和算法计算出控制信号。

比例(P)控制器：根据误差信号的大小，产生与误差成比例的输出，用于快速响应误差的变化。

积分(I)控制器：根据误差信号的累积量，产生积分项输出，用于消除持续性误差和稳定系统。

微分(D)控制器：根据误差信号的变化率，产生微分项输出，用于抑制系统的震荡和提高响应速度。

(5)根据控制信号进行调整：将PID控制器输出的控制信号应用于无人机的执行机构，如电机或舵机，以调整无人机的位置、速度和加速度。

(6)不断迭代：通过反馈机制，持续地监测和调整无人机的位置和速度，使其逐渐接近设定的目标位置和转速限制，实现闭环控制。

在闭环控制过程中，可以根据实际需要通过控制信号来调节无人机的加速度，以实现精确的加速度控制。具体方法可以包括：

通过PID控制器中的参数调整：在PID控制器中，可以通过调整比例(P)、积分(I)和微分(D)参数，使控制信号更加敏感或稳定，从而影响加速度的变化。

设定加速度限制：在闭环控制系统中，可以设置加速度的上限或范围，限制无人机的加速度变化速率，以确保安全和稳定。

根据实时监测的加速度信息进行反馈控制：通过实时监测无人机的加速度，可以根据预设的加速度范围进行反馈控制，及时调整控制信号，以实现精确的加速度控制。

本发明的无人机在按照最优飞行航线进行巡检，并实现闭环控制过程之前，通过重复更新目标位置的预测估计方法，可以提高目标位置的估计精确度。其中的预测估计方法与无人机进行降落时，进行调整飞行参数所采用的的预测估计方法相同。

进一步的，预测估计过程为：

(1)自适应卡尔曼滤波：自适应卡尔曼滤波是一种常用的状态估计算法，用于根据传感器测量值和系统动力学模型，进行最优估计的状态估计。在这种情况下，使用自适应卡尔曼滤波可以估计无人机的高度等参数。

(2)设定状态变量：将无人机的高度作为状态变量，即需要估计的物理状态。

(3)系统动力学模型：根据无人机的运动特性和环境条件，建立一个动力学模型，描述无人机高度的变化规律。

(4)传感器测量值：引导系统提供的加速度位置数据作为测量值，用于校正和修正估计值。

(5)卡尔曼滤波迭代过程：根据卡尔曼滤波的迭代过程，利用先验估计和测量值，计算最优估计的高度。

预测阶段：利用系统动力学模型和先验估计，通过预测模型预测无人机高度的变化。

更新阶段：将实际测量值与预测值进行比较，根据测量误差和协方差矩阵的权重，对预测值进行修正，得到更准确的高度估计。

迭代：重复进行预测和更新阶段，不断修正估计值，使估计值逐渐逼近真实的高度。

(6)最优估计的初始高度：经过多次迭代，自适应卡尔曼滤波可以提供一个最优的初始高度估计，用于后续的测量和计算过程。

通过分析运算和自适应卡尔曼滤波，可以获取对无人机初始高度的最优估计。可以判断初始高度是否满足预设值，并在满足初始高度后，进行后续的测量、计算和控制操作。可以提高无人机的定位精度和飞行稳定性。

进一步地，控制无人机按照最优飞行航线进行巡检之后，还包括：

控制无人机采集巡检图像；

对巡检图像进行网格划分，获得网格单元图像；

基于中值滤波算法对网格单元图像进行去噪处理，获得去噪网格单元图像；

基于生成对抗网络对去噪网格单元图像进行增强，获得增强图像。

其中，去噪处理包括对网格单元图像依次去除高斯噪声、椒盐噪声和运动模糊；具体的，

去除高斯噪声：使用高斯滤波器等平滑滤波器来减少网格单元图像中的高斯噪声，提高网格单元图像的清晰度。

去除椒盐噪声：使用中值滤波器等非线性滤波器来降低网格单元图像中的椒盐噪声，恢复网格单元图像的细节和质量。

去除运动模糊：对于由相机晃动或目标运动引起的模糊图像，可以应用去模糊算法，如逆滤波或盲去模糊方法。

去噪网格单元图像的增强处理包括依次进行对比度增强、锐化处理、色彩校正和去除图像伪影；具体的，

对比度增强：通过直方图均衡化或自适应对比度增强等算法，调整去噪网格单元图像的像素值分布，增加去噪网格单元图像的对比度和视觉效果。

锐化处理：利用图像锐化滤波器(如拉普拉斯滤波器或高提升滤波器)来增强去噪网格单元图像的边缘和细节。

色彩校正：根据去噪网格单元图像的色彩特征，进行色彩校正和颜色平衡，使去噪网格单元图像呈现真实的颜色表现。

去除图像伪影：针对特定应用场景中可能出现的图像伪影或光照不均匀问题，可以采用图像修复或背景光照校正算法。

具体而言，获得无人机回传的巡检图像信息，对巡检图像信息进行网格划分，网格划分是指把巡检图像信息按照网格划分成很多小的单元。然后根据中值滤波算法对多个巡检图像网格划分单元进行去噪处理，中值滤波算法是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，主要是将数字图像中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点，获得去噪巡检图像信息。通过生成对抗网络对去噪巡检图像信息进行图像增强，生成对抗网络是深度学习领域的一个重要生成模型，即生成器和鉴别器在同一时间训练并且在极小化极大算法中进行竞争，获得巡检图像信息处理结果。通过获得巡检图像信息处理结果，可以获得更加清晰和直观的巡检图像信息，提高了无人机的巡检质量。

进一步地，控制无人机按照最优飞行航线进行巡检过程中，还包括：

获取无人机剩余电量；

若无人机剩余电量值低于预警值，则生成返航换电命令发送至对应的无人机，控制对应的无人机进行返航换电。

具体地，获得无人机飞行状态的电池的实时电量值(剩余电量)，设置告警电量值(预警值)，告警电量值基于巡检区域内胶囊机巢的数量和密度来设置，基于大数据进行测试，获得合理的告警电量值。当无人机电池的实时电量值低于告警电量值时，控制平台自动生成返航换电命令。控制平台生成返航换电命令后，第一时间将返航换电命令同时发送到无人机和胶囊机巢，根据胶囊机巢充电机位的坐标获得无人机的返航目的坐标，将返航目的坐标发送至无人机，控制无人机进行返航，当无人机降落在胶囊机巢的充电机位时，胶囊机巢通过传感器获得无人机电池位置，通过内置机械臂对无人机进行电池更换，通过胶囊机巢对无人机进行电池更换，可以使无人机实现不间断飞行，进一步提高了无人机的工作效率。

本发明在无人机进行返航换电和巡检完成后，还包括：

基于无人机采集降落区域的场景图像；

根据场景图像获取降落区域的位置；

获取无人机的当前位置、当前姿态信息和当前飞行速度；

基于预先构建的预测模型，根据无人机降落区域的位置，并结合无人机的当前位置、当前姿态信息和当前飞行速度，得到无人机需要调整的飞行参数；其中，飞行参数包括目标高度、目标飞行速度和目标姿态参数；

其中，预先构建的自适应卡尔曼滤波预测模型，包括：

根据观测残差得到协方差矩阵；

采用卡尔曼增益得到预测值和实际值的权重；

自适应卡尔曼滤波预测模型为采用自适应卡尔曼滤波器算法的模型，该自适应卡尔曼滤波器算法为现有算法，再次不做赘述。

进一步的，根据场景图像获取降落区域的位置，包括：

根据降落区域在的图像坐标系中位置，以及无人机搭载的相机参数，得到降落区域在无人机坐标系中的位置；

其中，图像处理包括对场景图像进行剪切操作，例如，包括去噪、调整场景图像大小和恢复，目标检测包括采用目标检测算法对场景图像进行处理，以识别降落区域，该目标检测算法可以采用基于深度学习的方法，检测场景图像中的目标瞄准(降落区域)，并标注其位置和边界框，例如，YOLO(You Only Look Once)、Faster R-CNN(Region-basedConvolutional Neural Networks)，特征提取包括提取颜色直方图、纹理特征和形状特征，通过特征提取可以描述降落区域的属性，以便后续的决策和控制。

在将图像坐标系中的位置信息与无人机坐标系中的位置信息进行关联转换时，通常采用浮动形成计、传感器融合或地标识别等技术。

具体的，根据降落区域在的图像坐标系中位置，以及无人机搭载的相机参数，得到降落区域在无人机坐标系中的位置，包括：

获取无人机搭载的相机的内参矩阵和外参矩阵；

根据降落区域在的图像坐标系中位置，以及相机的内参矩阵和外参矩阵，得到降落区域在无人机坐标系中的位置。

其中，通过相机的内参矩阵和外参矩阵对降落区域在的图像坐标系中位置进行转换为常规坐标系转换方法。无人机坐标系为：无人机坐标系以无人机为参考点建立的坐标系，通常以无人机的车载点为原点，以无人机的飞行方向为参考轴，例如，选择X轴指向前方，Y轴指向右侧，Z轴指向下方，在无人机坐标系中，可以描述无人机的位置、姿势和运动。图像坐标系为：图像坐标系以图像的像素为参考建立的坐标系，在图像坐标系中，以图像的左上角为原点，图像的水平方向为X轴，垂直方向为Y轴，图像坐标系中的像素坐标可以用来描述物体的位置和尺寸。

进一步的，获取无人机的当前位置、当前姿态信息和当前飞行速度，包括：

通过GPS定位获取无人机的当前位置；

通过GPS、惯性传感器或地速传感器，获取无人机的当前飞行速度；

通过陀螺仪、速度计或磁力计，获取无人机的当前姿态信息。

本发明通过结合视觉识别和GPS定位的方式实现无人机的精准降落。具体的，

(1)视觉识别：

使用无人机搭载的相机或传感器，获取场景图像或视频，获取的场景视频包含连续的场景图像。

利用计算机视觉技术，如图像处理、目标检测和特征提取，对图像进行处理和分析，以识别降落区域的相关特征。

通过提取特征，例如边缘、角点、颜色等，进行目标检测和跟踪，以确定降落区域的位置和姿态。

视觉识别的优化：通过使用先进的计算机视觉算法和深度学习模型，可以提高目标检测和特征提取的准确性和鲁棒性，从而更准确地识别降落区域的位置和姿态。

目标位置估计公式：根据相机图像中检测到的目标特征点，估计目标在图像中的位置。

距离估计公式：根据目标在图像中的尺寸和已知的物理参数，估计目标与无人机之间的距离。

基于几何关系的目标位置估计常用的方法之一是使用单目相机的相机投影模型。下面是一个简化的基于几何关系的目标位置估计公式示例：

无人机搭载的单目相机参数为：

相机内参矩阵：K＝[[f_x,0,c_x],[0,f_y,c_y],[0,0,1]]

相机外参矩阵(无人机相对于世界坐标系的变换矩阵)：T_wd＝[[R_wd,t_wd],[0,1]]

其中，f_x和f_y是相机的焦距，c_x和c_y是相机的光心坐标。R_wd是旋转矩阵，t_wd是平移向量。

目标在无人机坐标系中的位置为P_td＝[X_t,Y_t,Z_t,1]，表示目标在相机坐标系中的位置为P_cd＝[X_c,Y_c,Z_c,1]。

目标在相机坐标系中的位置可以通过相机投影模型转换到图像坐标系中：

P_id＝K*T_wd*P_td

其中，P_id＝[u,v,1]是目标在图像坐标系中的位置，u和v是目标在图像上的投影位置。

通过上述公式，结合无人机姿态和位置信息，可以将目标在相机坐标系中的位置转换为图像坐标系中的位置，从而估计目标在图像中的位置。

需要注意的是，实际应用中还需要考虑畸变校正、相机的非线性因素以及优化方法等因素。本发明的公式示例中的变量和矩阵表示仅为说明目的，实际应用需要根据具体的相机参数和场景进行适当的调整和扩展。

(2)GPS定位：

使用GPS接收器获取无人机的当前位置和姿态信息。

结合惯性测量单元(IMU)等传感器数据，进行位置和姿态的滤波和融合，以提高定位的准确性和稳定性。

GPS定位的优化：结合IMU等传感器数据，采用滤波和融合算法，可以减少GPS信号的噪声和不确定性，提高定位的准确性和稳定性。

位置滤波公式：使用卡尔曼滤波或扩展卡尔曼滤波等方法，结合GPS和IMU数据，对无人机的位置进行滤波和融合。

位置修正公式：通过与预先存储的地标或地图进行匹配，根据GPS定位误差进行位置修正。

(3)识别-计算-降落过程：

识别阶段：基于视觉识别和GPS定位的结果，确定降落区域的位置、大小和姿态。

计算阶段：根据降落区域的位置和姿态，结合无人机的当前状态，计算无人机需要调整的飞行参数，例如高度、速度、姿态控制等。

降落阶段：无人机根据计算出的飞行参数，通过自动控制系统进行精确的降落操作，包括高度的控制、水平位置的调整和姿态的稳定。

优化后的算法能够实现精准降落的原因如下：

高度控制公式：根据无人机当前高度与目标降落高度之间的误差，计算高度控制指令。

横向位置控制公式：根据无人机当前位置与目标降落位置之间的误差，计算横向位置控制指令。

姿态控制公式：根据无人机当前姿态与目标降落姿态之间的误差，计算姿态控制指令。

算法的优化：通过优化识别、计算和降落过程中的算法，例如使用优化算法求解最优控制问题，可以在保证降落精度的同时，提高降落速度和稳定性。

除了实现精准降落，优化后的算法还可能具有以下效果：

抗干扰能力提升：通过识别阶段的优化，算法可以更好地处理降落区域的复杂环境，例如避免误识别障碍物或处理光照变化等情况。

实时性改善：通过算法的优化和性能提升，可以减少识别、计算和控制的延迟，提高降落过程的实时性和响应能力。

鲁棒性增强：优化后的算法对于不同降落区域的变化和未知环境具有更好的适应性和鲁棒性，提高了无人机在各种条件下的降落能力。

参考图3，在一些实施例中，还提供一种基于无人机的电力线路巡检控制装置，包括：

杆塔坐标获取模块201，用于获取巡检任务，控制无人机采集所有巡检任务对应巡检区域内的杆塔位置坐标信息；

倾斜航线生成模块202，用于根据杆塔位置坐标信息生成与巡检任务对应多个倾斜飞行航线；

飞行航线生成模块203，用于控制无人机按照多个倾斜飞行航线飞行，并在飞行过程中采集与倾斜飞行航线对应的点云数据，根据点云数据生成飞行航线；

高度测试模块204，用于对所有飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线；

任务匹配模块205，用于获取目标巡检任务，并匹配与目标巡检任务对应的最优飞行航线，控制无人机按照最优飞行航线进行巡检。

本发明解决了传统人工操作的无人机巡检模式工作效率低且巡检质量不高的技术问题，通过实现无人机自主巡检、胶囊机巢智能更换电池可以提高无人机巡检的效率，通过测试最佳飞行高度可以使无人机传输的巡检图像信息更加流畅，通过巡检图像信息进行去噪和加强处理，可以提高无人机巡检的质量，进一步加强区域供电的可靠性。另外，通过获得最优飞行航线，可以使控制平台对无人机的控制指令延迟较低和获得较为流畅的高清视频；通过控制平台远程控制无人机进行自主巡检，可以减少人力资源的使用；通过胶囊机巢对无人机进行电池更换，可以使无人机实现不间断飞行，极大的提高了无人机巡检的效率。

进一步地，高度测试模块204对所有飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线，包括：

对每个飞行航线设置多个不同的预设飞行高度，并控制无人机在不同的预设飞行高度下按照飞行航线飞行；

对测试信号进行信号强度分析和信号质量分析，对测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度；

将最优高度与飞行航线进行匹配，获得最优飞行航线。

参考图4，在一些实施例中，还提供一种基于无人机的电力线路巡检控制系统，包括控制平台1、无人机2以及胶囊机巢3，胶囊机巢3用于存储无人机以及为无人机进行充电；控制平台1包括处理器和存储装置，存储器存储有多条指令，处理器用于读取指令并执行上述的方法。

胶囊机巢与控制平台之间采用5G数据传输。

其中，胶囊机巢在接收无人机的巡检图片后，会将巡检图片进行处理后发送给控制平台，具体的处理过程为：

(1)图片压缩：使用合适的压缩算法(例如JPEG、WebP等)对巡检图片进行压缩，减少数据量，从而降低传输延迟和带宽消耗。

(2)图片切片：将巡检图片切分为多个小块或瓦片，以便在传输过程中并行发送，提高传输效率。

(3)错误纠正编码：引入纠错码，例如Reed-Solomon编码，在数据传输过程中检测和修复传输中的错误，提高数据的完整性和可靠性。

控制平台在接收胶囊机巢发送的巡检图片数据后，会对其进行相应处理，具体的处理过程为为：

(1)图片拼接：将接收到的巡检图片的瓦片按照规定顺序进行拼接，还原成完整的原始巡检图片。

(2)图片解压缩：对接收到的压缩图片进行解压缩，还原成原始的高质量图片。

(3)图片裁剪：根据需求对接收到的巡检图片进行裁剪，提取感兴趣的区域，减少数据处理的开销。

通过胶囊机巢和控制平台采用上述操作提高传输质量过程中，可以采用以下操作达到相应效果，具体的，

(1)图片压缩率控制：选择适当的压缩参数和算法，以平衡图像质量和数据压缩率。较低的压缩率可以保留更多的细节和图像质量，但会增加数据传输量和传输延迟。

(2)无损压缩算法：使用无损压缩算法(如PNG)可以避免压缩造成的图像质量损失，但通常会导致较高的数据传输量。

(3)高效编码算法：选择先进的编码算法(如HEVC、AV1)，以提高图像压缩率和传输效率，同时保持较高的图像质量。

(4)图像增强算法：在传输前对图像进行增强处理，例如去噪、增强对比度、锐化等，以改善图像的视觉质量。

(5)错误纠正编码：使用错误纠正编码(如RS码)可以在传输过程中检测和修复传输中的错误，确保图像数据的完整性，从而提高图像质量。

综上，上述实施例提供的基于无人机的电力线路巡检控制方法及系统，至少包括如下有益效果：

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种基于无人机的电力线路巡检控制方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，根据所述杆塔位置坐标信息生成与巡检任务对应的多个倾斜飞行航线，包括：

基于多个飞行航点生成与巡检任务对应的倾斜飞行航线。

3.根据权利要求1所述的方法，其特征在于，根据所述点云数据生成飞行航线，包括：

根据点云数据的杆塔点云数据得到多个点云线路模型；

4.根据权利要求1所述的方法，其特征在于，控制所述无人机按照最优飞行航线进行巡检过程中，还包括：

获取无人机剩余电量；

5.根据权利要求4所述的方法，其特征在于，在无人机进行返航换电和巡检完成后，还包括：

基于无人机采集降落区域的场景图像；

根据场景图像获取降落区域的位置；

获取无人机的当前位置、当前姿态信息和当前飞行速度；

根据无人机降落区域的位置，结合无人机的当前位置、当前姿态信息和当前飞行速度，得到无人机需要调整的飞行参数；其中，飞行参数包括目标高度、目标飞行速度和目标姿态参数；

6.根据权利要求1所述的方法，其特征在于，对所有所述飞行航线进行高度测试，获得与巡检任务对应的最优飞行航线，包括：

对所述测试信号进行信号强度和信号质量分析，对所述测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度；

7.根据权利要求6所述的方法，其特征在于，对所述测试信号进行信号强度和信号质量分析，对所述测试图像进行清晰度分析，根据分析结果确定每个飞行航线的最优高度，包括：

8.根据权利要求7所述的方法，其特征在于，对所述测试信号进行信号强度和信号质量分析，得到第一高度区域，包括：

基于信号质量的平均值、方差和标准差，绘制质量变化图；

9.根据权利要求7或8所述的方法，其特征在于，对所述测试图像进行清晰度分析，得到第二高度区域，包括：

10.一种基于无人机的电力线路巡检控制系统，其特征在于，包括控制平台、无人机以及胶囊机巢，所述胶囊机巢用于存储无人机以及为所述无人机进行充电；所述控制平台包括处理器和存储装置，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-9任一所述的方法。