[發(fā)明專利]基于視覺導(dǎo)航技術(shù)的無人機(jī)高精度饒塔智能巡檢方法

在審

• 申請?zhí)枺?/td>: 202011083101.1
• 申請日: 2020-10-12
• 公開（公告）號: CN112229845A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 何惠松;王雷;楚明月;胡永輝;裴付中;盛從兵;李玉偉;張哲;郭彥輝
• 申請（專利權(quán)）人: 國網(wǎng)河南省電力公司濮陽供電公司;國家電網(wǎng)有限公司
• 主分類號: G01N21/88
• 分類號: G01N21/88;G01C11/00;G01C11/06;H02G1/02;G06K9/00;G06N3/04;G06N3/08;B64C39/02
• 代理公司: 鄭州優(yōu)盾知識產(chǎn)權(quán)代理有限公司 41125
• 代理人: 張彬

本發(fā)明公開了一種基于視覺導(dǎo)航技術(shù)的無人機(jī)高精度饒塔智能巡檢方法，包括如下步驟：建立直線桿塔及非直線桿塔類型數(shù)據(jù)庫、重要部件圖像數(shù)據(jù)集；將重要部件圖像數(shù)據(jù)集隨機(jī)劃分為樣本數(shù)據(jù)集和測試數(shù)據(jù)集；基于yolo v4目標(biāo)檢測算法建立卷積神經(jīng)網(wǎng)絡(luò)模型，利用樣本數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練分別建立巡檢圖像前端部件識別模型和巡檢圖像缺陷識別模型；通過點(diǎn)云及無人機(jī)控制裝置生成無人機(jī)的自動(dòng)飛行航線；無人機(jī)根據(jù)自動(dòng)飛行航線飛行，在每一個(gè)桿塔處對桿塔類型進(jìn)行識別，利用巡檢圖像前端部件識別模型對桿塔上的重要部件進(jìn)行拍照直至航線飛行結(jié)束；巡檢圖像缺陷識別模型對拍攝圖像進(jìn)行缺陷識別。本發(fā)明可顯著提升巡檢效率。

技術(shù)領(lǐng)域

本發(fā)明屬于電網(wǎng)設(shè)備狀態(tài)檢測技術(shù)領(lǐng)域，具體涉及一種基于視覺導(dǎo)航技術(shù)的無人機(jī)高精度饒塔智能巡檢方法。

背景技術(shù)

近年來，無人機(jī)巡檢已成為輸電線路的重要巡檢手段，巡檢效益和質(zhì)量較傳統(tǒng)人工巡檢有顯著提高。以無人機(jī)為代表的智能巡檢方式自主性好、質(zhì)量高，大幅提升了巡檢的安全性和可靠性。以無人機(jī)和巡檢機(jī)器人代替?zhèn)鹘y(tǒng)的人工巡檢方式已成為發(fā)展趨勢。

巡線無人機(jī)自主水平低、故障識別精度低、續(xù)航里程短等問題嚴(yán)重制約了無人機(jī)的推廣應(yīng)用。無人機(jī)巡線技術(shù)已經(jīng)廣泛應(yīng)用輸電線路巡線作業(yè)，但是實(shí)際運(yùn)行過程中由人工查看巡線視頻和圖像，存在人力工作量大、監(jiān)測效率低、警情掌控不及時(shí)，從而無法保障無人機(jī)巡檢結(jié)果的及時(shí)性、有效性、全面性。

無人機(jī)輸電線路巡檢主要為人工手動(dòng)操控?zé)o人機(jī)進(jìn)行作業(yè)，飛手在地面上手動(dòng)操控?zé)o人機(jī)，近距離拍攝采集桿塔各部位的照片影像，采集過程混亂，容易造成漏拍、錯(cuò)拍的現(xiàn)象，巡檢效率和質(zhì)量完全依賴于飛手的技術(shù)和責(zé)任心。無人機(jī)智能化程度低、對飛手專業(yè)水平要求高、續(xù)航里程短等問題嚴(yán)重制約了無人機(jī)的推廣應(yīng)用。

發(fā)明內(nèi)容

針對無人機(jī)智能化程度低、無法精確地、高質(zhì)量地實(shí)現(xiàn)圖像采集的問題，本發(fā)明提出了一種基于視覺導(dǎo)航技術(shù)的無人機(jī)高精度饒塔智能巡檢方法，有效解決了無人機(jī)巡檢圖像高質(zhì)量高精度采集的問題。

為解決以上技術(shù)問題，本發(fā)明所采用的技術(shù)方案如下：

一種基于視覺導(dǎo)航技術(shù)的無人機(jī)高精度饒塔智能巡檢方法，包括如下步驟：

S1，建立直線桿塔及非直線桿塔類型數(shù)據(jù)庫，收集所有重要部件的標(biāo)準(zhǔn)圖像及缺陷圖像，對標(biāo)準(zhǔn)圖像和缺陷圖像中的重要部件進(jìn)行目標(biāo)框標(biāo)示形成重要部件圖像數(shù)據(jù)集；

S2，對步驟S1所建立的重要部件圖像數(shù)據(jù)集中的圖像進(jìn)行處理，將重要部件圖像數(shù)據(jù)集隨機(jī)劃分為樣本數(shù)據(jù)集和測試數(shù)據(jù)集；

S3，基于yolo v4目標(biāo)檢測算法建立卷積神經(jīng)網(wǎng)絡(luò)模型，利用步驟S2中的樣本數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練分別建立巡檢圖像前端部件識別模型和巡檢圖像缺陷識別模型；

S4，通過點(diǎn)云及無人機(jī)控制裝置生成無人機(jī)的自動(dòng)飛行航線；

S5，無人機(jī)按照步驟S4所生成的自動(dòng)飛行航線飛行，在每一個(gè)桿塔處根據(jù)步驟S1中的直線桿塔及非直線桿塔類型數(shù)據(jù)庫對桿塔類型進(jìn)行識別，再利用步驟S3所建立的巡檢圖像前端部件識別模型對所有桿塔上的各重要部件進(jìn)行圖像拍攝直至航線飛行結(jié)束；

S6，利用步驟S3所建立的巡檢圖像缺陷識別模型對步驟S5中所拍攝的圖像進(jìn)行缺陷識別輸出缺陷識別圖像。

在步驟S1中，所述直線桿塔及非直線桿塔類型數(shù)據(jù)庫包括直線桿塔及非直線桿塔的圖像、直線桿塔上重要部件的拍攝航線；所述重要部件包括絕緣子串、防振錘、間隔棒、均壓環(huán)。

所述步驟S3包括如下步驟：

S3.1，通過參數(shù)配置文件設(shè)置參數(shù)，所述參數(shù)包括初始學(xué)習(xí)率、學(xué)習(xí)步長、圖像學(xué)習(xí)次數(shù)和判別精度閾值；

S3.2，選取yolo v4單階段目標(biāo)檢測算法，利用參數(shù)配置文件初始化卷積神經(jīng)網(wǎng)絡(luò)模型；