CN211787203U - 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 - Google Patents
农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 Download PDFInfo
- Publication number
- CN211787203U CN211787203U CN202020175668.0U CN202020175668U CN211787203U CN 211787203 U CN211787203 U CN 211787203U CN 202020175668 U CN202020175668 U CN 202020175668U CN 211787203 U CN211787203 U CN 211787203U
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- image
- agricultural insurance
- server
- 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.)
- Expired - Fee Related
Links
- 238000003709 image segmentation Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000006854 communication Effects 0.000 claims abstract description 3
- 238000004891 communication Methods 0.000 claims abstract description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 description 22
- 230000011218 segmentation Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000011835 investigation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本实用新型属于无人机遥感应用领域，公开了一种农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台，包括实现基于深度学习的图像分割模型的训练、优化、部署和农作物查勘信息的存储的服务器；与服务器相连接，用于实现数据通信的互联网；与互联网相连接，用于加载任务规划数据和图像分割模型，无人机遥控、遥测数据的综合监控的地面控制站；与地面控制站相连接，对图像进行采集、分割和拼接的无人机。该自动测量农作物受灾面积的农业保险查勘无人机装置以农业保险查勘定损为应用背景，以服务器和地面控制站为依托，以无人机飞行平台为载体，以嵌入式视觉计算为核心，开发出一种能够自动测量农作物受灾面积的查勘无人机系统。
Description
技术领域
本实用新型属于无人机遥感应用领域，尤其涉及一种自动测量农作物受灾面积的农业保险查勘无人机装置、旋翼无人机飞行平台、固定翼无人机飞行平台。
背景技术
目前，业内常用的现有技术是这样的：农业保险是指保险公司根据农业保险合同，对被保险人在农业生产过程中因保险标的遭受约定的自然灾害、意外事故、疫病或者疾病等事故所造成的财产损失承担赔偿保险金责任的保险活动。当自然灾害发生后，查勘农作物受灾面积是农业保险定损和理赔的重要依据。
目前，测量受灾面积的方法主要有人工法和遥感法。人工法是由保险公司派出查勘人员深入灾区，采取逐块或抽样调查的方式，实地测量受灾面积，存在效率低、误差大等缺点。遥感法是根据遥感影像中受灾农作物与正常农作物在光谱、色彩、纹理等特征上的差异，识别并获取受灾面积的方法。遥感法又可以分为卫星遥感法和无人机遥感法。卫星遥感虽有覆盖范围大的优点，但易受卫星重访周期和天气等因素的影响。无人机采集遥感图像具有高效率、低成本的优势，因此在农业保险查勘领域得到越来越广泛的应用。但是，目前利用无人机遥感影像确定受灾面积的技术手段，多采用目视解译或者回传到服务器端处理的方式，自动化程度和时效性有待进一步提高。
深度学习技术是机器学习的一个分支，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度卷积神经网络是深度学习方法中的一类重要方法，在图像分类、目标检测和图像分割等应用中都取得了突破性进展。在遥感图像中测量农作物的受灾面积可以建模为图像分割问题，采用基于深度学习的图像分割技术来解决。嵌入式视觉计算设备中搭载有并行图形处理器，其计算能力越来越强，已经具备实时运行深度神经网络的能力。
综上所述，本方案能解决的技术问题是：
(1)能够自动测量农作物的受灾面积，解决了现有农业保险查勘无人机无法自动确定农作物受灾面积、自动化程度低的问题。
(2)能够快速测量农作物的受灾面积，解决了现有技术方案查勘时效性差的问题。
发明内容
针对现有技术存在的问题，本实用新型提供了一种自动测量农作物受灾面积的农业保险查勘无人机装置。
本实用新型是这样实现的，一种自动测量农作物受灾面积的农业保险查勘无人机装置包括：
实现基于深度学习的图像分割模型的训练、优化、部署和农作物查勘信息的存储的服务器；
与服务器相连接，用于实现数据通信的互联网；
与互联网相连接，用于加载任务规划数据和图像分割模型、为无人机提供差分GPS信号、结合无人机回传图像和数字地图的承保农田受灾面积计算，以及无人机遥控、遥测数据的综合监控的地面控制站；
与地面控制站相连接，用于按照任务规划路径飞行、拍摄农田图像，对图像进行分割和拼接，并给拼接图像赋予地理坐标后回传至地面站的无人机。
进一步，所述服务器包括中央处理器、图形处理器、主板、内存和硬盘，所述中央处理器、图形处理器、内存和硬盘分别与主板相连，所述主板与互联网相连。中央处理器采用主流的英特尔i7 9700K型处理器；图形处理器主要完成图像分割模型训练中的计算任务，需要大显存和高运算速度，采用具有11G显存的高性价比的GTX1080Ti型图形处理器；内存采用DDR4型内存，内存大小要求至少是显存的2倍；硬盘采用比机械硬盘具有更快访问速度的固态硬盘；主板采用具有较好扩展能力的X99-E型服务器级主板。
进一步，所述地面控制站包括综合监控计算机、图数一体模块地面端、遥控器和GPS差分基准站。综合监控计算机连接图数一体模块地面端，图数一体模块地面端通过1.4GHz射频信号与无人机的图数一体模块机载端相连，遥控器通过2.4GHz射频信号与无人机的接收机相连，GPS差分基准站通过840MHz的跳频信号与无人机的机载差分GPS模块相连。图数一体模块地面端型号为IDTS&IDTP-M-100地面端，遥控器型号为FUTABAT14SG，GPS差分基准站的型号为Ubase RTK差分基准站。
进一步，所述无人机包括飞行控制计算机、视觉计算模块、机载差分GPS模块、接收机、图数一体模块机载端、电源、电调、电机、螺旋桨和相机。机载差分GPS模块接收地面控制站发送的GPS差分基准信号，并连接至飞行控制计算机；接收机接收地面控制站遥控器发送的控制信号，并连接至飞行控制计算机；图数一体模块机载端与地面站控制站的图数一体模块地面端双向通信，并分别连接飞行控制计算机和视觉计算模块；电源连接飞行控制计算机；飞行控制计算机通过脉冲宽度调制信号连接电调，电调连接电机，电机连接螺旋桨；飞行控制计算机通过串口与视觉计算模块相连，视觉计算模块通过通用串行总线与相机相连。飞行控制计算机型号为Pixhawk自动驾驶仪，视觉计算模块型号为英伟达Jetson Tx2开发板，机载差分GPS模块型号为U62R-机载RTK定位模块，接收机型号为FUTABAR7008SB，图数一体模块机载端型号为IDTS&IDTP-M-100空中端，电调型号为好盈SkyWalker30A无刷电调，电机型号为朗宇X2216 KV880无刷电机，相机型号为大疆ZENMUSE X4S航拍相机。
本发明的另一目的在于提供一种安装有所述自动测量农作物受灾面积的农业保险查勘无人机装置的旋翼无人机飞行平台。
本发明的另一目的在于提供一种安装有所述自动测量农作物受灾面积的农业保险查勘无人机装置的固定翼无人机飞行平台。
综上所述，本发明的优点及积极效果为：
(1)该自动测量农作物受灾面积的农业保险查勘无人机装置，通过服务器预先训练基于深度学习的图像分割模型，然后将图像分割模型部署到无人机的视觉计算模块，在查勘无人机飞行过程中分割提取农作物的受灾区域，并将拼接的分割图回传到地面控制站，叠加在承保农田数字地图上，自动计算出承保农田的受灾面积，从而提高农业保险查勘的自动化、智能化水平，提高查勘效率，节省人力、物力，对推动农业保险实现精确定损、按图理赔的经营模式转变具有重要的现实意义。
(2)该自动测量农作物受灾面积的农业保险查勘无人机装置，通过采用一台高性能、低功耗的嵌入式视觉计算模块，运行高效率的图像分割模型和图像拼接算法，实现飞机落地时即可出结果，这样有效的提高了农业保险查勘的时效性，便于满足农业保险快速理赔的业务需求，同时，可以解决保险公司和农户之间对灾情认识不统一和信息不对称的问题。
附图说明
图1是本实用新型实施例提供的自动测量农作物受灾面积的农业保险查勘无人机装置的原理示意图。
图2是本实用新型实施例提供的服务器的原理示意图。
图3是本实用新型实施例提供的地面控制站的系统原理示意图。
图4是本实用新型实施例提供的无人机的系统原理示意图。
图5是本实用新型实施例提供的视觉计算流程图。
具体实施方式
为能进一步了解本实用新型的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
针对现有技术存在的问题，本发明提供了一种自动测量农作物受灾面积的农业保险查勘无人机装置，该装置克服现有查勘无人机自动化程度低、时效性差等缺点，可实现自动地测量农作物的受灾面积，同时保证查勘的近实时性。下面结合附图1至图5对本实用新型作详细的描述。
本实用新型通过以下技术方案予以实现：以无人机飞行平台为载体，以机载嵌入式视觉计算为核心，以地面控制站和服务器为依托，构建用于自动测量农作物受灾面积的查勘无人机系统。该系统主要由四部分组成，包括服务器、互联网、地面控制站和无人机，如图1所示，服务器与互联网、地面控制站以及无人机依次相连。
如图2所示，服务器包括中央处理器、图形处理器、主板、内存和硬盘，主要功能是实现基于深度学习的图像分割模型的训练、优化、部署和农作物查勘信息的存储。所述中央处理器、图形处理器、内存和硬盘分别与主板相连，所述主板与互联网相连。服务器通过互联网与地面控制站相连。中央处理器采用主流的英特尔i7 9700K型处理器；图形处理器主要完成图像分割模型训练中的计算任务，需要大显存和高运算速度，采用具有11G显存的高性价比的GTX1080Ti型图形处理器；内存采用DDR4型内存，内存大小要求至少是显存的2倍；硬盘采用比机械硬盘具有更快访问速度的固态硬盘；主板采用具有较好扩展能力的X99-E型服务器级主板。
如图3所示，地面控制站包括综合监控计算机、图数一体模块地面端、遥控器和GPS差分基准站，主要功能是给无人机加载任务规划数据和图像分割模型、为无人机提供差分GPS信号、结合无人机回传图像和数字地图计算承保农田的受灾面积，以及无人机遥控、遥测数据的综合监控。地面控制站与无人机通过无线的数据链路相连。综合监控计算机连接图数一体模块地面端，图数一体模块地面端通过1.4GHz射频信号与无人机的图数一体模块机载端相连，遥控器通过2.4GHz射频信号与无人机的接收机相连，GPS差分基准站通过840MHz的跳频信号与无人机的机载差分GPS模块相连。图数一体模块地面端型号为IDTS&IDTP-M-100地面端，遥控器型号为FUTABA T14SG，GPS差分基准站的型号为Ubase RTK差分基准站。
如图4所示，无人机包括飞行控制计算机、视觉计算模块、机载差分GPS模块、接收机、图数一体模块机载端、电源、电调、电机、螺旋桨和相机，主要功能是按照任务规划路径飞行、拍摄农田图像，对图像进行分割和拼接，并给拼接图像赋予地理坐标后回传至地面站。机载差分GPS模块接收地面控制站发送的GPS差分基准信号，并连接至飞行控制计算机；接收机接收地面控制站遥控器发送的控制信号，并连接至飞行控制计算机；图数一体模块机载端与地面站控制站的图数一体模块地面端双向通信，并分别连接飞行控制计算机和视觉计算模块；电源连接飞行控制计算机；飞行控制计算机通过脉冲宽度调制信号连接电调，电调连接电机，电机连接螺旋桨；飞行控制计算机通过串口与视觉计算模块相连，视觉计算模块通过通用串行总线与相机相连。飞行控制计算机型号为Pixhawk自动驾驶仪，视觉计算模块型号为英伟达Jetson Tx2开发板，机载差分GPS模块型号为U62R-机载RTK定位模块，接收机型号为FUTABA R7008SB，图数一体模块机载端型号为IDTS&IDTP-M-100空中端，电调型号为好盈SkyWalker30A无刷电调，电机型号为朗宇X2216 KV880无刷电机，相机型号为大疆ZENMUSE X4S航拍相机。
下面结合系统工作流程说明本实用新型的具体实施方式。
1、模型训练和优化部署。首先，对外业航拍采集的某种类型的农作物受灾图像，人工进行标注，标注图像中受灾区域标识为1，其它区域标识为0，并按一定比例随机选择图像组成训练集和验证集。然后，利用Tensorflow深度学习框架构建基于深度卷积神经网络的图像分割模型，图像分割模型由编码器和解码器两部分组成，编码器用于提取图像的语义信息，包含多个卷积层、批量归一化层、激活层和池化层的组合，解码器用于得到与输入图像具有相同分辨率的分割图，包含多个上采样层、卷积层和跳转连接层的组合。图像分割模型训练时，如图2所示，硬盘上存储的训练集和验证集中的图像数据首先被分批读入内存，中央处理器从内存中读取图像数据进行图像随机增强等预处理；然后，图像数据从内存被拷贝到图形处理器，利用图形处理器的多个处理器核执行并行计算，以完成图像分割模型的前向推理和反向传播过程，前向推理过程用于计算输出的分割图以及分割图与标注图像之间的误差，反向传播过程则根据前者计算的误差，利用链式求导法则和梯度下降法，反向逐层调整图像分割模型的权重，经过大量数据的反复迭代训练，得到一组优化的图像分割模型权重参数，并将图像分割模型及权重返回到内存中。最后，中央处理器将内存中的图像分割模型及权重保存到硬盘中。训练完成后，结合无人机上的视觉计算模块的性能特点对图像分割模型进行剪枝、合并、量化等优化，进一步提高模型在无人机上的推理计算速度。优化后的推理模型通过互联网传输至地面控制站。
2、飞行前准备。如图3所示，地面控制站中的综合监控计算机可通过USB连接线或者图数一体模块与无人机相连，将任务规划文件加载至无人机的飞行控制计算机，将优化后的图像分割模型加载至无人机的视觉计算模块；GPS差分基准站为无人机提供动态实时的差分定位信息；遥控器作为安全保底措施，具有更高的控制权限，正常飞行过程中，无人机按照规划的航路飞行，无需遥控器参与控制，出现影响飞行安全的特殊情况时，无人机操控员可通过遥控器随时接管无人机的控制权。
3、飞行中的视觉计算。飞行过程中，电源给飞行控制计算机、视觉计算模块和电调供电，电调驱动电机带动螺旋桨旋转给无人机提供飞行动力；机载差分GPS模块接收地面控制站中差分GPS基准站提供的差分GPS信号，实时解算出无人机的位置信息；接收机用于接收遥控器的控制指令；图数一体模块机载端与地面控制站中的图数一体模块地面端通信，接收地面控制站的遥控指令、下传飞机遥测状态信息和视觉计算模块对航拍图像的处理结果；无人机按照预先规划的航路飞行，并控制相机保证一定的重叠率进行拍照，拍照的同时，记录当前无人机的位置和姿态数据。对获取的每一幅图像，送至视觉计算模块进行处理，视觉计算流程如图5所示。首先，结合无人机的姿态信息，对图像进行几何校正等预处理，之后分别进入图像拼接和图像分割两个并行处理分支。出于处理速度的考虑，图像拼接分支首先对图像降采样，降低图像分辨率，然后采用基于特征点匹配的方法，计算相邻图像的投影矩阵，最后完成低分辨率图像的拼接过程。出于分割精度的考虑，图像分割分支在原始分辨率图像上进行，首先利用图像分割模型对每一幅图像进行分割，得到的分割图是二值图像，受灾区域标识为1，其它区域标识为0，然后对相邻图像的分割图进行拼接。这里，分割图拼接用到的投影矩阵，直接由低分辨率图像间的投影矩阵经过投影矩阵转换得到。设图像缩小的尺度为s，As是原始图像的缩放变换矩阵，则两张原始图像间的投影矩阵H与两张缩小图像间的投影矩阵Hs之间具有如下数学关系：
其中，
为矩阵As的逆。
最后，利用拍摄图像时的无人机位置信息，给拼接图像和拼接分割图赋予地理坐标，并回传给地面控制站的综合监控计算机。视觉计算模块硬件采用一台高性能、低功耗的嵌入式超级计算机平台，软件上设计高效率的快速图像分割模型，以及采用降采样的图像拼接方案，整个计算过程可以保证近实时性。
4、农作物受灾面积测量与存储。地面控制站的综合监控计算机接收到无人机回传的分割图后，将其叠加在农田承保数字地图上，根据承保农田的面积和分割图中受灾区域的占比就可以计算出承保农田的农作物受灾面积。回传的低分辨率拼接图像可以辅助确认受灾信息，有利于取得投保农户的信任。最后，地面控制站将农作物的受灾面积、损失程度、赔款金额等农业保险查勘定损信息，通过互联网传至服务器保存备案，便于保险公司进行复核和后期的大数据分析。
以上所述仅是对本实用新型的较佳实施例而已，并非对本实用新型作任何形式上的限制，凡是依据本实用新型的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本实用新型技术方案的范围内。
Claims (3)
1.一种自动测量农作物受灾面积的农业保险查勘无人机装置，其特征在于，所述自动测量农作物受灾面积的农业保险查勘无人机装置包括：
实现基于深度学习的图像分割模型的训练、优化、部署和农作物查勘信息的存储的服务器；
与服务器相连接，用于实现数据通信的互联网；
与互联网相连接，用于加载任务规划数据和图像分割模型、为无人机提供差分GPS信号、结合无人机回传图像和数字地图的承保农田受灾面积计算，以及无人机遥控、遥测数据的综合监控的地面控制站；
与地面控制站相连接，用于按照任务规划路径飞行、拍摄农田图像，对图像进行分割和拼接，并给拼接图像赋予地理坐标后回传至地面站的无人机；
所述服务器包括中央处理器、图形处理器、主板、内存和硬盘；
所述地面控制站包括综合监控计算机、图数一体模块地面端、遥控器和GPS差分基准站；
所述无人机包括飞行控制计算机、视觉计算模块、机载差分GPS模块、接收机、图数一体模块机载端、电源、电调、电机、螺旋桨和相机。
2.一种安装有如权利要求1所述自动测量农作物受灾面积的农业保险查勘无人机装置的旋翼无人机飞行平台。
3.一种安装有如权利要求1所述自动测量农作物受灾面积的农业保险查勘无人机装置的固定翼无人机飞行平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202020175668.0U CN211787203U (zh) | 2020-02-14 | 2020-02-14 | 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202020175668.0U CN211787203U (zh) | 2020-02-14 | 2020-02-14 | 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN211787203U true CN211787203U (zh) | 2020-10-27 |
Family
ID=72908764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202020175668.0U Expired - Fee Related CN211787203U (zh) | 2020-02-14 | 2020-02-14 | 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN211787203U (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220100996A1 (en) * | 2020-09-25 | 2022-03-31 | Blue River Technology Inc. | Ground Plane Compensation in Identifying and Treating Plants |
| CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
| US11771077B2 (en) | 2019-09-25 | 2023-10-03 | Blue River Technology Inc. | Identifying and avoiding obstructions using depth information in a single image |
-
2020
- 2020-02-14 CN CN202020175668.0U patent/CN211787203U/zh not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11771077B2 (en) | 2019-09-25 | 2023-10-03 | Blue River Technology Inc. | Identifying and avoiding obstructions using depth information in a single image |
| US20220100996A1 (en) * | 2020-09-25 | 2022-03-31 | Blue River Technology Inc. | Ground Plane Compensation in Identifying and Treating Plants |
| CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN211787203U (zh) | 农业保险查勘无人机装置、旋翼及固定翼无人机飞行平台 | |
| Khaloo et al. | Unmanned aerial vehicle inspection of the Placer River Trail Bridge through image-based 3D modelling | |
| US20220398806A1 (en) | Systems and methods for generating 3d models from drone imaging | |
| US10872534B2 (en) | Aerial vehicle inspection path planning | |
| Luo et al. | A survey of intelligent transmission line inspection based on unmanned aerial vehicle | |
| CN104637370B (zh) | 一种摄影测量与遥感综合教学的方法及系统 | |
| CN111178148B (zh) | 一种基于无人机视觉系统的地面目标地理坐标定位方法 | |
| CN102426019A (zh) | 一种无人机景象匹配辅助导航方法及系统 | |
| EP3850456B1 (en) | Control and navigation systems, pose optimisation, mapping, and localisation techniques | |
| Xing et al. | Multi-UAV cooperative system for search and rescue based on YOLOv5 | |
| CN111244822B (zh) | 一种复杂地理环境的固定翼无人机巡线方法、系统和装置 | |
| CN108337309A (zh) | 一种车辆数据管理方法及系统 | |
| CN109669474A (zh) | 基于先验知识的多旋翼无人机自适应悬停位置优化算法 | |
| CN111862200B (zh) | 一种煤棚内无人机定位方法 | |
| CN115147538A (zh) | 一种基于环境监测无人机对实景三维建模动态更新的方法 | |
| CN108594857A (zh) | 针对交通设计的多旋翼无人机航拍系统及其实现方法 | |
| CN206649347U (zh) | 一种基于无人飞行器的应用部署系统 | |
| Xu et al. | Development of power transmission line detection technology based on unmanned aerial vehicle image vision | |
| JP2022119973A (ja) | 画像識別に基づく飛行体強制着陸経路計画方法、システムおよび装置 | |
| CN116433865B (zh) | 一种基于场景可重建性分析的空地协同采集路径规划方法 | |
| CN116310689B (zh) | 一种无人智能多模态信息融合与目标感知系统及作业方法 | |
| CN115686073B (zh) | 一种基于无人机的输电线路巡检控制方法及系统 | |
| Hui et al. | A monocular-based navigation approach for unmanned aerial vehicle safe and autonomous transmission-line inspection | |
| CN114120795B (zh) | 一种地图绘制方法及装置 | |
| Liu et al. | Visualization of Power Corridor Based on UAV Line Inspection Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201027 |