CN117970943A - 一种基于人工智能的建筑巡检无人机路径规划方法及系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的建筑巡检无人机路径规划方法及系统，涉及变量调节控制领域，设定起始坐标和终点坐标，计算得到区域影响级别集；采用遗传算法对最优路径进行确定，本发明通过对这些因素的综合考虑，可以最大可能的避免无人机在飞行过程中因外界影响因素的原因导致无人机出现故障情况的发生；通过对飞行区域进行划分，更加精确的对影响因素的出现进行预测，更好的保障了无人的正常飞行；通过采用遗传算法，提高了确定最优飞行路径的效率以及准确性，从而提高了整个对建筑进行巡检的效率，同时在无人机飞行过程中采用图像分析算法对遇到的障碍物进行识别，使得无人机可以及时的避开障碍物，防止无人机与障碍物发生碰撞的情况出现。

Description

一种基于人工智能的建筑巡检无人机路径规划方法及系统

技术领域

本发明属于变量调节控制领域，具体来说，特别涉及一种基于人工智能建筑巡检无人机路径规划方法及系统。

背景技术

建筑巡检是指对建筑物的定期或不定期进行检查和巡查，以确保建筑物的安全性、功能性和可靠性；它通常由专业的巡检人员或管理人员负责进行，目的是及时发现、记录和解决建筑物中存在的问题和隐患，预防事故和损坏，保障建筑物的正常运行和使用；建筑巡检的主要内容包括：设备和设施检查、结构和外观检查、安全设施和环境检查、工作区域和办公环境检查、消防安全检查和清洁和卫生检查；通过建筑巡检，可以及时发现和解决建筑物中存在的问题和隐患，减少事故发生的可能性，延长建筑物的使用寿命，提高用户的满意度和安全性。

中国专利CN116088569A公开了一种基于优化算法的建筑巡检无人机路径规划方法，具体包括如下步骤：创建建筑虚拟模型，获取巡检无人机路径的起点与终点，获取路径规划结果，以快速随机搜索树算法从起点出发规划至终点，并在规划过程中始终判断每一步是否与建筑虚拟模型碰撞，若存在路径在预设迭代数内到达终点，则将该路径作为巡检无人机路径，否则判定为无法到达终点，发明的方法能够适配建筑的最小外拓简化模型，自动创建从起点出发到达终点的避障路径，从而实现建筑的三维范围自动巡检。

现有的无人机在对建筑进行巡检的过程中，由于飞行途中会有障碍物以及各种外界影响因素的存在，若在对无人机的飞行路径进行规划时没有考虑到障碍物以及各种外界因素对无人机飞行产生的影响，则会对无人机的飞行造成很大的隐患，使得无人机不能完成建筑巡检任务，严重时会对无人机造成损害，对企业造成了损失。

发明内容

针对相关技术中的问题，本发明提出一种基于人工智能的建筑巡检无人机路径规划方法及系统，以克服现有相关技术所存在的上述技术问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于人工智能的建筑巡检无人机路径规划方法，包括以下步骤：

S1、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行巡检的建筑物位置的三维坐标，记为终点坐标；根据所述起始坐标和终点坐标设定飞行路径范围总区域，记为第一区域，将所述第一区域进行划分，得到飞行区域集；

S2、设定影响因素集；计算所述影响因素集中的影响因素对无人机飞行的影响程度，得到单一影响程度数据集；收集历史影响因素发生情况数据，根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中是否会发生的情况进行预测，得到第一矩阵；根据所述第一矩阵和单一影响程度数据集计算得到最终影响程度数据矩阵；根据所述最终影响程度数据矩阵得到区域影响级别集；

S3、根据所述起始坐标、终点坐标以及最终影响程度数据矩阵构建最终飞行坐标点矩阵，所述采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

S4、无人机按照所述最优路径进行飞行，在飞行过程中，采用图像分析算法判断无人机前方是否有障碍物；当没有障碍物时，继续按照原定路线飞行；当遇到障碍物时，调节无人机的飞行轨迹，最终无人机到达所述终点坐标位置处；

影响因素集中包括例如大气条件、气温和湿度、降雨和降雪、大气压力、磁场干扰、电磁干扰、鸟类和其他飞行物体、污染和灰尘以及电磁辐射等，通过对这些因素的综合考虑，可以最大可能的避免无人机在飞行过程中因外界影响因素的原因导致无人机出现故障情况的发生；通过对飞行区域进行划分，由于各个区域出现上述影响因素的可能性不同，从而可以更加精确对影响因素的出现进行预测，更好的保障了无人的正常飞行；通过采用遗传算法，且在遗传算法中充分考虑上述影响因素的影响，提高了确定最优飞行路径的效率以及准确性，从而提高了整个对建筑进行巡检的效率，更好的完成巡检任务；同时在无人机飞行过程中采用图像分析算法对遇到的障碍物进行识别，使得无人机可以及时的避开障碍物，防止无人机与障碍物发生碰撞的情况出现，进一步保证了无人机在飞行过程中不会出现事故，使得无人机可以更好的完成建筑巡检的任务。

优选地，所述S1包括以下步骤：

S11、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行巡检的建筑物位置的三维坐标/>，记为终点坐标；其中/>、/>和/>分别为起始点位置的经度值、纬度值和海拔高度值；/>、/>和/>分别为需要进行巡检的建筑物位置的经度值、纬度值和海拔高度值；

S12、根据所述起始坐标和终点坐标设定飞行路径范围总区域，记为所述第一区域，所述第一区域中不包括起始坐标/>和终点坐标/>；

S13、将所述第一区域进行划分，得到所述飞行区域集，/>为飞行区域集中的第/>个飞行区域，/>，/>为划分的飞行区域的总个数；

通过确定无人机起始点位置以及终点位置坐标，从而为区域的确定和划分提供了依据；再通过划分区域，分区域对无人机周边的影响因素出现的情况进行分析，提高了分析的精准性。

优选地，所述S2包括以下步骤：

S21、设定影响因素集，其中/>为影响因素集中的第/>个影响因素；

S22、计算所述影响因素集中的影响因素对无人机飞行的影响程度，得到单一影响程度数据集/>，其中/>为影响因素集/>中第/>个影响因素对无人机飞行的影响程度值；

S23、根据所述飞行区域集收集历史影响因素发生情况数据，根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中可能会发生的情况进行预测，得到第一矩阵；

S24、根据所述第一矩阵和单一影响程度数据集计算得到最终影响程度数据矩阵；

S25、根据所述最终影响程度数据矩阵得到区域影响级别集；

通过采集历史影响因素发生情况数据，使得后续对各个划分区域在无人机飞行过程中出现影响因素的情况进行预测提供了数据支持，提高了预测结果的准确性，保证了无人机飞行过程中不会受到外界环境因素的影响。

优选地，所述S23包括以下步骤：

S231、设定统计周期，将所述统计周期/>进行时间间隔划分，得到历史统计时间点集/>，其中/>为统计周期/>中划分的第/>个时间点，/>为历史统计时间点的总个数；

S232、根据所述飞行区域集、影响因素集/>以及历史统计时间点集/>收集历史影响因素发生情况数据，得到历史数据矩阵集/>，其中/>如下：

其中为第/>个影响因素的历史数据矩阵，/>为第/>个影响因素在第/>个飞行区域中历史统计时间点集/>的第/>个时间点的数据；/>，/>；

S233、设定从无人机起飞时间开始到无人机到达时间之间的飞行时间周期为，对所述飞行时间周期为/>进行划分，得到未来统计时间点集/>，/>为飞行时间周期/>中划分的第/>个时间点，/>为未来统计时间点的总个数；采用线性回归算法依据/>中的每一行数据对在飞行时间周期/>内各类影响因素发生的情况进行预测，得到预测数据矩阵集/>，其中/>如下：

其中为第/>个影响因素的预测数据矩阵，/>为第/>个影响因素在第/>个飞行区域中未来统计时间点集/>的第/>个时间点的数据；/>，/>；

S234、对预测数据矩阵集中的每一个矩阵中的每一行数据进行平均值计算，得到第一矩阵，如下：

其中：为第/>个影响因素在第/>个区域中的平均程度值；

所述S24的计算过程如下：

根据所述单一影响程度数据集以及第一矩阵/>计算得到最终影响程度数据矩阵/>，如下：

其中，/>为第/>个影响因素在第/>个区域中的最终影响程度值；

通过对统计时间进行时间点的划分，提高了预测结果的精度。

优选地，所述S25包括以下步骤：

S251、设定无人机影响程度阈值集，其中/>、/>、/>和/>分别为第一无人机影响程度阈值、第二无人机影响程度阈值、第三无人机影响程度阈值和第四无人机影响程度阈值；再设定区域影响程度等级集/>，/>、/>、/>、/>和/>分别为第一区域影响程度等级、第二区域影响程度等级、第三区域影响程度等级、第四区域影响程度等级和第五区域影响程度等级；

S252、根据所述最终影响程度数据矩阵计算得到区域影响程度集，其中/>；

S253、设定区域影响程度等级判别条件，如下：

当时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；

根据所述区域影响程度等级判别条件，得到所述区域影响级别集，其中/>为/>的区域影响程度等级；

通过设定无人机影响程度阈值集，从而可以确定各个区域的区域影响级别集，为后续对无人机的飞行最优路径的确定提供了依据。

优选地，所述S3包括以下步骤：

S31、根据所述起始坐标和终点坐标构建第一飞行坐标点矩阵，如下：

其中：为第一飞行坐标点矩阵/>中的随机选取的第/>条飞行路径上的第个位置点的三维坐标；

S32、根据所述区域影响级别集设定位置点去除条件，如下：

当随机选取的飞行路径上的位置点所在区域的区域影响程度等级为或者/>时，去除该位置点，重新随机生成新的位置点，直到新的位置点所在区域的区域影响程度等级为/>或者/>或者/>时，保留该新的位置点；

根据所述位置点去除条件，得到所述最终飞行坐标点矩阵，如下：

其中：为最终飞行坐标点矩阵/>中的随机选取的第/>条飞行路径上的第个位置点的三维坐标；

S33、采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

通过随机产生飞行路径，再通过遗传算法对这些路径进行选择和优化，最终确定最优的路径，使得确定最优路径的效率得到提高，进而提高了无人机在飞行过程中的效率。

优选地，所述S33包括以下步骤：

S331、构建初始种群，所述初始种群的规模大小为；设定飞行路径最短距离为/>，所述/>的计算公式如下：

同时设定飞行路径最长距离为；设定二进制编码长度为/>、最大迭代次数为/>、杂交率为/>、选择率为/>以及变异率为/>；

S332、设定当前遗传迭代次数为，将所述最终飞行坐标点矩阵/>中的各条路径作为初始种群中的染色体成员，计算所述初始种群中的各个染色体成员的适应度，得到初始适应度数据集/>，其中/>为初始种群中第/>个染色体成员的适应度，适应度计算公式如下：

式中：表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离，/>表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离；/>表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离；

根据所述初始适应度数据集计算适应度总和/>；再根据初始适应度数据集以及适应度总和计算得到适应度累积概率集/>，其中；

S333、开始选择迭代过程，所述选择迭代总次数为；设定当前迭代次数为/>，设定第一随机数，对所述适应度累积概率集/>进行遍历，当适应度累积概率集中的数据大于第一随机数时，将该适应度累积概率集中的数据进行保留，若没有适应度累积概率集中的数据保留下来，更新所述第一随机数，再次对适应度累积概率集进行遍历，直至有适应度累积概率集中的数据保存下来，当有适应度累积概率集中的数据保存下来时，对/>进行加1；当/>时，选择迭代完成，得到第一种群；

S334、对所述第一种群中的染色体成员进行编码操作，编码后的数据长度为，得到第二种群；根据杂交率/>对所述第二种群中各个染色体成员的基因进行杂交操作，得到第三种群；再根据变异率/>对所述第三种群中各个染色体成员的基因进行变异操作，得到第四种群；再对所述第四种群中各个染色体成员的基因进行解码，得到第五种群；将所述第五种群与第一种群一起构成新的种群；此时对/>进行加1；重复S332、S333和S334；

S335、当时，停止遗传迭代过程，得到所述最优路径/>；

通过对随机选取的路径进行选择、杂交以及变异操作，使得随机选取的路径的收敛速度更快，可以更快的得到最优路径，同时由于在随机选取的路径的各个位置点中去除了位于有较多外界影响因素发生的区域的位置点，从而保证了无人机不会经过有较多外界影响因素发生的区域，确保了无人机的顺利飞行。

优选地，所述S4包括以下步骤：

S41、将无人机按照所述最优路径进行飞行，采用图像分析算法判断无人机前方是否有障碍物；当没有障碍物时，继续按照原定路线飞行；当遇到障碍物时，调节无人机的飞行轨迹，采用RRT算法得到新的最优路径/>；再将无人机按照所述新的最优路径/>进行飞行；

S42、重复S41，最终无人机到达所述终点坐标位置处；

所述RRT算法使用快速探索随机树生成无人机飞行路线，将无人机当前位置看作随机树的根节点，且使用随机采样的方式增加节点，生成扩展树，从而提高了在无人机飞行过程中遇到障碍物时实时生成最优路径的效率。

优选地，所述图像分析算法包括CNN深度学习算法；

CNN深度学习算法可以更好且智能的对无人机前方的障碍物进行识别，使得无人机可以及时对路线进行调整以避开障碍物。

一种基于人工智能的建筑巡检无人机路径规划系统，包括飞行区域划分模块、历史影响因素发生情况数据采集模块、影响因素发生情况预测模块、区域影响级别计算模块、第一最优路径计算模块、第二最优路径计算模块和障碍物图像分析模块；

所述飞行区域划分模块用于将所述第一区域进行划分；

所述历史影响因素发生情况数据采集模块用于对历史影响因素发生情况数据进行采集；

所述影响因素发生情况预测模块用于根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中是否会发生的情况进行预测；

所述区域影响级别计算模块用于根据第一矩阵、单一影响程度数据集和飞行区域集计算得到区域影响级别集；

所述第一最优路径计算模块用于采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

所述第二最优路径计算模块用于当无人机遇到障碍物时采用RRT算法得到新的最优路径；

所述障碍物图像分析模块用于判断无人机前方是否有障碍物。

本发明具有以下有益效果：

1.本发明中通过设置飞行区域划分模块、历史影响因素发生情况数据采集模块、影响因素发生情况预测模块、区域影响级别计算模块、第一最优路径计算模块、第二最优路径计算模块和障碍物图像分析模块，影响因素集中包括例如大气条件、气温和湿度、降雨和降雪、大气压力、磁场干扰、电磁干扰、鸟类和其他飞行物体、污染和灰尘以及电磁辐射等，通过对这些因素的综合考虑，可以最大可能的避免无人机在飞行过程中因外界影响因素的原因导致无人机出现故障情况的发生；通过对飞行区域进行划分，由于各个区域出现上述影响因素的可能性不同，从而可以更加精确对影响因素的出现进行预测，更好的保障了无人的正常飞行；在飞行之前根据上述影响因素对路径进行优化，确定最优飞行路径，提高了确定最优飞行路径的效率以及准确性，从而提高了整个对建筑进行巡检的效率，更好的完成巡检任务；同时在无人机飞行过程中采用图像分析算法对遇到的障碍物进行识别，使得无人机可以及时的避开障碍物，防止无人机与障碍物发生碰撞的情况出现，进一步保证了无人机在飞行过程中不会出现事故，使得无人机可以更好的完成建筑巡检的任务。

2.本发明中通过确定无人机起始点位置以及终点位置坐标，从而为区域的确定和划分提供了依据；再通过划分区域，分区域对无人机周边的影响因素出现的情况进行分析，提高了分析的精准性，同时通过采集历史影响因素发生情况数据，使得后续对各个划分区域在无人机飞行过程中出现影响因素的情况进行预测提供了数据支持，提高了预测结果的准确性，保证了无人机飞行过程中不会受到外界环境因素的影响。

3.本发明中通过随机产生飞行路径，再通过遗传算法对这些路径进行选择和优化，最终确定最优的路径，使得确定最优路径的效率得到提高，进而提高了无人机在飞行过程中的效率，其中通过对随机选取的路径进行选择、杂交以及变异操作，使得随机选取的路径的收敛速度更快，可以更快的得到最优路径，同时由于在随机选取的路径的各个位置点中去除了位于有较多外界影响因素发生的区域的位置点，从而保证了无人机不会经过有较多外界影响因素发生的区域，确保了无人机的顺利飞行。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得的附图。

图1为本发明一种基于人工智能的建筑巡检无人机路径规划系统对无人机的飞行路径进行规划的流程示意图。

具体实施方式

下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于发明保护的范围。

在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“顶”、“中”、“内”等指示方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对发明的限制。

本发明为一种基于人工智能的建筑巡检无人机路径规划方法，包括以下步骤：

S1、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行巡检的建筑物位置的三维坐标，记为终点坐标；根据所述起始坐标和终点坐标设定飞行路径范围总区域，记为第一区域，将所述第一区域进行划分，得到飞行区域集；

所述S1包括以下步骤：

S11、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行巡检的建筑物位置的三维坐标/>，记为终点坐标；其中/>、/>和/>分别为起始点位置的经度值、纬度值和海拔高度值；/>、/>和/>分别为需要进行巡检的建筑物位置的经度值、纬度值和海拔高度值；

S12、根据所述起始坐标和终点坐标设定飞行路径范围总区域，记为所述第一区域，所述第一区域中不包括起始坐标/>和终点坐标/>；

S13、将所述第一区域进行划分，得到所述飞行区域集，/>为飞行区域集中的第/>个飞行区域，/>，/>为划分的飞行区域的总个数；

S2、设定影响因素集；计算所述影响因素集中的影响因素对无人机飞行的影响程度，得到单一影响程度数据集；收集历史影响因素发生情况数据，根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中是否会发生的情况进行预测，得到第一矩阵；根据所述第一矩阵和单一影响程度数据集计算得到最终影响程度数据矩阵；根据所述最终影响程度数据矩阵得到区域影响级别集；

所述S2包括以下步骤：

S21、设定影响因素集，其中/>为影响因素集中的第/>个影响因素；

S22、计算所述影响因素集中的影响因素对无人机飞行的影响程度，得到单一影响程度数据集/>，其中/>为影响因素集/>中第/>个影响因素对无人机飞行的影响程度值；

S23、根据所述飞行区域集收集历史影响因素发生情况数据，根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中可能会发生的情况进行预测，得到第一矩阵；

所述S23包括以下步骤：

S231、设定统计周期，将所述统计周期/>进行时间间隔划分，得到历史统计时间点集/>，其中/>为统计周期/>中划分的第/>个时间点，/>为历史统计时间点的总个数；

S232、根据所述飞行区域集、影响因素集/>以及历史统计时间点集/>收集历史影响因素发生情况数据，得到历史数据矩阵集/>，其中/>如下：

其中为第/>个影响因素的历史数据矩阵，/>为第/>个影响因素在第/>个飞行区域中历史统计时间点集/>的第/>个时间点的数据；/>，/>；

S233、设定从无人机起飞时间开始到无人机到达时间之间的飞行时间周期为，对所述飞行时间周期为/>进行划分，得到未来统计时间点集/>，/>为飞行时间周期/>中划分的第/>个时间点，/>为未来统计时间点的总个数；采用线性回归算法依据/>中的每一行数据对在飞行时间周期/>内各类影响因素发生的情况进行预测，得到预测数据矩阵集/>，其中/>如下：

其中为第/>个影响因素的预测数据矩阵，/>为第/>个影响因素在第/>个飞行区域中未来统计时间点集/>的第/>个时间点的数据；/>，/>；

S234、对预测数据矩阵集中的每一个矩阵中的每一行数据进行平均值计算，得到第一矩阵，如下：

其中：为第/>个影响因素在第/>个区域中的平均程度值；

S24、根据所述第一矩阵和单一影响程度数据集计算得到最终影响程度数据矩阵；

所述S24的计算过程如下：

根据所述单一影响程度数据集以及第一矩阵/>计算得到最终影响程度数据矩阵/>，如下：

其中，/>为第/>个影响因素在第/>个区域中的最终影响程度值；

S25、根据所述最终影响程度数据矩阵得到区域影响级别集；

所述S25包括以下步骤：

S251、设定无人机影响程度阈值集，其中/>、/>、/>和/>分别为第一无人机影响程度阈值、第二无人机影响程度阈值、第三无人机影响程度阈值和第四无人机影响程度阈值；再设定区域影响程度等级集/>，/>、/>、/>、/>和/>分别为第一区域影响程度等级、第二区域影响程度等级、第三区域影响程度等级、第四区域影响程度等级和第五区域影响程度等级；

S252、根据所述最终影响程度数据矩阵计算得到区域影响程度集，其中/>；

S253、设定区域影响程度等级判别条件，如下：

当时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；

根据所述区域影响程度等级判别条件，得到所述区域影响级别集，其中/>为/>的区域影响程度等级；

S3、根据所述起始坐标、终点坐标以及最终影响程度数据矩阵构建最终飞行坐标点矩阵，所述采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

所述S3包括以下步骤：

S31、根据所述起始坐标和终点坐标构建第一飞行坐标点矩阵，如下：

其中：为第一飞行坐标点矩阵/>中的随机选取的第/>条飞行路径上的第个位置点的三维坐标；

S32、根据所述区域影响级别集设定位置点去除条件，如下：

当随机选取的飞行路径上的位置点所在区域的区域影响程度等级为或者/>时，去除该位置点，重新随机生成新的位置点，直到新的位置点所在区域的区域影响程度等级为/>或者/>或者/>时，保留该新的位置点；

根据所述位置点去除条件，得到所述最终飞行坐标点矩阵，如下：

其中：为最终飞行坐标点矩阵/>中的随机选取的第/>条飞行路径上的第个位置点的三维坐标；

S33、采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

所述S33包括以下步骤：

S331、构建初始种群，所述初始种群的规模大小为；设定飞行路径最短距离为/>，所述/>的计算公式如下：

/>

同时设定飞行路径最长距离为；设定二进制编码长度为/>、最大迭代次数为/>、杂交率为/>、选择率为/>以及变异率为/>；

S332、设定当前遗传迭代次数为，将所述最终飞行坐标点矩阵/>中的各条路径作为初始种群中的染色体成员，计算所述初始种群中的各个染色体成员的适应度，得到初始适应度数据集/>，其中/>为初始种群中第/>个染色体成员的适应度，适应度计算公式如下：

式中：表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离，/>表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离；/>表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离；

根据所述初始适应度数据集计算适应度总和/>；再根据初始适应度数据集以及适应度总和计算得到适应度累积概率集/>，其中；

S333、开始选择迭代过程，所述选择迭代总次数为；设定当前迭代次数为/>，设定第一随机数，对所述适应度累积概率集/>进行遍历，当适应度累积概率集中的数据大于第一随机数时，将该适应度累积概率集中的数据进行保留，若没有适应度累积概率集中的数据保留下来，更新所述第一随机数，再次对适应度累积概率集进行遍历，直至有适应度累积概率集中的数据保存下来，当有适应度累积概率集中的数据保存下来时，对/>进行加1；当/>时，选择迭代完成，得到第一种群；

S334、对所述第一种群中的染色体成员进行编码操作，编码后的数据长度为，得到第二种群；根据杂交率/>对所述第二种群中各个染色体成员的基因进行杂交操作，得到第三种群；再根据变异率/>对所述第三种群中各个染色体成员的基因进行变异操作，得到第四种群；再对所述第四种群中各个染色体成员的基因进行解码，得到第五种群；将所述第五种群与第一种群一起构成新的种群；此时对/>进行加1；重复S332、S333和S334；

S335、当时，停止遗传迭代过程，得到所述最优路径/>；

S4、无人机按照所述最优路径进行飞行，在飞行过程中，采用图像分析算法判断无人机前方是否有障碍物；当没有障碍物时，继续按照原定路线飞行；当遇到障碍物时，调节无人机的飞行轨迹，最终无人机到达所述终点坐标位置处；

所述S4包括以下步骤：

S41、将无人机按照所述最优路径进行飞行，采用图像分析算法判断无人机前方是否有障碍物；当没有障碍物时，继续按照原定路线飞行；当遇到障碍物时，调节无人机的飞行轨迹，采用RRT算法得到新的最优路径/>；再将无人机按照所述新的最优路径/>进行飞行；

所述图像分析算法包括CNN深度学习算法；

S42、重复S41，最终无人机到达所述终点坐标位置处。

一种基于人工智能的建筑巡检无人机路径规划系统，包括飞行区域划分模块、历史影响因素发生情况数据采集模块、影响因素发生情况预测模块、区域影响级别计算模块、第一最优路径计算模块、第二最优路径计算模块和障碍物图像分析模块；

所述飞行区域划分模块用于将所述第一区域进行划分；

所述历史影响因素发生情况数据采集模块用于对历史影响因素发生情况数据进行采集；

所述影响因素发生情况预测模块用于根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中是否会发生的情况进行预测；

所述区域影响级别计算模块用于根据第一矩阵、单一影响程度数据集和飞行区域集计算得到区域影响级别集；

所述第一最优路径计算模块用于采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

所述第二最优路径计算模块用于当无人机遇到障碍物时采用RRT算法得到新的最优路径；

所述障碍物图像分析模块用于判断无人机前方是否有障碍物。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的发明优选实施例只是用于帮助阐述发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用发明。

Claims (10)

1.一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：包括以下步骤：

S1、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行巡检的建筑物位置的三维坐标，记为终点坐标；根据所述起始坐标和终点坐标设定飞行路径范围总区域，记为第一区域，将所述第一区域进行划分，得到飞行区域集；

S2、设定影响因素集；计算所述影响因素集中的影响因素对无人机飞行的影响程度，得到单一影响程度数据集；收集历史影响因素发生情况数据，根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中是否会发生的情况进行预测，得到第一矩阵；根据所述第一矩阵和单一影响程度数据集计算得到最终影响程度数据矩阵；根据所述最终影响程度数据矩阵得到区域影响级别集；

S3、根据所述起始坐标、终点坐标以及最终影响程度数据矩阵构建最终飞行坐标点矩阵，对所述最终飞行坐标点矩阵进行分析，获取最优路径；

S4、无人机按照所述最优路径进行飞行，在飞行过程中，采用图像分析算法判断无人机前方是否有障碍物；当没有障碍物时，继续按照原定路线飞行；当遇到障碍物时，调节无人机的飞行轨迹，最终无人机到达所述终点坐标位置处。

2.根据权利要求1所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S1包括以下步骤：

S11、设定无人机起始点位置三维坐标，记为起始坐标；设定需要进行巡检的建筑物位置的三维坐标/>，记为终点坐标；其中/>、/>和/>分别为起始点位置的经度值、纬度值和海拔高度值；/>、/>和/>分别为需要进行巡检的建筑物位置的经度值、纬度值和海拔高度值；

S12、根据所述起始坐标和终点坐标设定飞行路径范围总区域，记为所述第一区域，所述第一区域中不包括起始坐标/>和终点坐标/>；

S13、将所述第一区域进行划分，得到所述飞行区域集，/>为飞行区域集中的第/>个飞行区域，/>，/>为划分的飞行区域的总个数。

3.根据权利要求1所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S2包括以下步骤：

S21、设定影响因素集，其中/>为影响因素集中的第/>个影响因素；

S22、计算所述影响因素集中的影响因素对无人机飞行的影响程度，得到单一影响程度数据集/>，其中/>为影响因素集/>中第/>个影响因素对无人机飞行的影响程度值；

S23、根据所述飞行区域集收集历史影响因素发生情况数据，根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中可能会发生的情况进行预测，得到第一矩阵；

S24、根据所述第一矩阵和单一影响程度数据集计算得到最终影响程度数据矩阵；

S25、根据所述最终影响程度数据矩阵得到区域影响级别集。

4.根据权利要求3所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S23包括以下步骤：

S231、设定统计周期，将所述统计周期/>进行时间间隔划分，得到历史统计时间点集，其中/>为统计周期/>中划分的第/>个时间点，/>为历史统计时间点的总个数；

S232、根据所述飞行区域集、影响因素集/>以及历史统计时间点集/>收集历史影响因素发生情况数据，得到历史数据矩阵集，其中/>如下：

；

其中为第/>个影响因素的历史数据矩阵，/>为第/>个影响因素在第/>个飞行区域中历史统计时间点集/>的第/>个时间点的数据；/>，/>；

S233、设定从无人机起飞时间开始到无人机到达时间之间的飞行时间周期为，对所述飞行时间周期为/>进行划分，得到未来统计时间点集/>，/>为飞行时间周期/>中划分的第/>个时间点，/>为未来统计时间点的总个数；采用线性回归算法依据/>中的每一行数据对在飞行时间周期/>内各类影响因素发生的情况进行预测，得到预测数据矩阵集/>，其中/>如下：

；

其中为第/>个影响因素的预测数据矩阵，/>为第/>个影响因素在第/>个飞行区域中未来统计时间点集/>的第/>个时间点的数据；/>，/>；

S234、对预测数据矩阵集中的每一个矩阵中的每一行数据进行平均值计算，得到第一矩阵，如下：

；

其中：为第/>个影响因素在第/>个区域中的平均程度值；

所述S24的计算过程如下：

根据所述单一影响程度数据集以及第一矩阵/>计算得到最终影响程度数据矩阵/>，如下：

；

其中，/>为第/>个影响因素在第/>个区域中的最终影响程度值。

5.根据权利要求3所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S25包括以下步骤：

S251、设定无人机影响程度阈值集，其中/>、/>、/>和/>分别为第一无人机影响程度阈值、第二无人机影响程度阈值、第三无人机影响程度阈值和第四无人机影响程度阈值；再设定区域影响程度等级集/>，/>、/>、/>、/>和/>分别为第一区域影响程度等级、第二区域影响程度等级、第三区域影响程度等级、第四区域影响程度等级和第五区域影响程度等级；

S252、根据所述最终影响程度数据矩阵计算得到区域影响程度集/>，其中/>；

S253、设定区域影响程度等级判别条件，如下：

当时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；当/>时，设定该区域的影响程度等级为/>；

根据所述区域影响程度等级判别条件，得到所述区域影响级别集，其中/>为/>的区域影响程度等级。

6.根据权利要求1所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S3包括以下步骤：

S31、根据所述起始坐标和终点坐标构建第一飞行坐标点矩阵，如下：

；

其中：为第一飞行坐标点矩阵/>中的随机选取的第/>条飞行路径上的第/>个位置点的三维坐标；

S32、根据所述区域影响级别集设定位置点去除条件，如下：

当随机选取的飞行路径上的位置点所在区域的区域影响程度等级为或者/>时，去除该位置点，重新随机生成新的位置点，直到新的位置点所在区域的区域影响程度等级为/>或者/>或者/>时，保留该新的位置点；

根据所述位置点去除条件，得到所述最终飞行坐标点矩阵，如下：

；

其中：为最终飞行坐标点矩阵/>中的随机选取的第/>条飞行路径上的第/>个位置点的三维坐标；

S33、采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径。

7.根据权利要求6所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S33包括以下步骤：

S331、构建初始种群，所述初始种群的规模大小为；设定飞行路径最短距离为/>，所述的计算公式如下：

；

同时设定飞行路径最长距离为；设定二进制编码长度为/>、最大迭代次数为/>、杂交率为/>、选择率为/>以及变异率为/>；

S332、设定当前遗传迭代次数为，将所述最终飞行坐标点矩阵/>中的各条路径作为初始种群中的染色体成员，计算所述初始种群中的各个染色体成员的适应度，得到初始适应度数据集/>，其中/>为初始种群中第/>个染色体成员的适应度，适应度计算公式如下：

；

式中：表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离，/>表示坐标为/>的位置点与坐标为/>的位置点之间的欧式距离；/>表示坐标为的位置点与坐标为/>的位置点之间的欧式距离；

根据所述初始适应度数据集计算适应度总和/>；再根据初始适应度数据集以及适应度总和计算得到适应度累积概率集/>，其中/>；

S333、开始选择迭代过程，所述选择迭代总次数为；设定当前迭代次数为/>，设定第一随机数，对所述适应度累积概率集/>进行遍历，当适应度累积概率集中的数据大于第一随机数时，将该适应度累积概率集中的数据进行保留，若没有适应度累积概率集中的数据保留下来，更新所述第一随机数，再次对适应度累积概率集进行遍历，直至有适应度累积概率集中的数据保存下来，当有适应度累积概率集中的数据保存下来时，对/>进行加1；当/>时，选择迭代完成，得到第一种群；

S334、对所述第一种群中的染色体成员进行编码操作，编码后的数据长度为，得到第二种群；根据杂交率/>对所述第二种群中各个染色体成员的基因进行杂交操作，得到第三种群；再根据变异率/>对所述第三种群中各个染色体成员的基因进行变异操作，得到第四种群；再对所述第四种群中各个染色体成员的基因进行解码，得到第五种群；将所述第五种群与第一种群一起构成新的种群；此时对/>进行加1；重复S332、S333和S334；

S335、当时，停止遗传迭代过程，得到所述最优路径/>。

8.根据权利要求7所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述S4包括以下步骤：

S41、将无人机按照所述最优路径进行飞行，采用图像分析算法判断无人机前方是否有障碍物；当没有障碍物时，继续按照原定路线飞行；当遇到障碍物时，调节无人机的飞行轨迹，采用RRT算法得到新的最优路径/>；再将无人机按照所述新的最优路径/>进行飞行；

S42、重复S41，最终无人机到达所述终点坐标位置处。

9.根据权利要求8所述的一种基于人工智能的建筑巡检无人机路径规划方法，其特征在于：所述图像分析算法包括CNN深度学习算法。

10.一种实现如权利要求1-9任意一项所述的基于人工智能的建筑巡检无人机路径规划方法的系统，其特征在于：包括飞行区域划分模块、历史影响因素发生情况数据采集模块、影响因素发生情况预测模块、区域影响级别计算模块、第一最优路径计算模块、第二最优路径计算模块和障碍物图像分析模块；

所述飞行区域划分模块用于将所述第一区域进行划分；

所述历史影响因素发生情况数据采集模块用于对历史影响因素发生情况数据进行采集；

所述影响因素发生情况预测模块用于根据历史影响因素发生情况数据预测所述影响因素集在所述飞行区域集中的每个飞行区域无人机进行建筑巡检过程中是否会发生的情况进行预测；

所述区域影响级别计算模块用于根据第一矩阵、单一影响程度数据集和飞行区域集计算得到区域影响级别集；

所述第一最优路径计算模块用于采用遗传算法对所述最终飞行坐标点矩阵进行分析，获取最优路径；

所述第二最优路径计算模块用于当无人机遇到障碍物时采用RRT算法得到新的最优路径；

所述障碍物图像分析模块用于判断无人机前方是否有障碍物。