CN112346481A - 一种无人机电力巡检作业的方法及*** - Google Patents
一种无人机电力巡检作业的方法及*** Download PDFInfo
- Publication number
- CN112346481A CN112346481A CN202011326996.7A CN202011326996A CN112346481A CN 112346481 A CN112346481 A CN 112346481A CN 202011326996 A CN202011326996 A CN 202011326996A CN 112346481 A CN112346481 A CN 112346481A
- Authority
- CN
- China
- Prior art keywords
- inspection
- unmanned aerial
- aerial vehicle
- power
- inspection operation
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000009471 action Effects 0.000 claims abstract description 23
- 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 abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 5
- 239000012212 insulator Substances 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000010828 animal waste Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种无人机电力巡检作业的方法及***,其方法包括:对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息;基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作;基于关键路线和巡检动作生成自动巡检作业脚本;将所述自动巡检作业脚本写入无人机的飞控***,并对所述自动巡检作业脚本进行校验;在校验满足时,无人机基于校验后的自动巡检作业脚本执行电力巡检作业;在电力巡检作业过程中,获取电力巡检路线上的巡检数据;对所述巡检数据进行分析处理。本发明实施例通过无人机巡检降低人工巡检的成本,并提升了无人机巡检的信息化精准程度。
Description
技术领域
本申请涉及无人机巡检技术领域,特别涉及一种无人机电力巡检作业的方法及***。
背景技术
最初电网维护主要通过电力工人巡线方式完成,劳动强度大且线路巡维效率低下,多数输电线路所处地形较为复杂,加之以恶略的气候因素,使得针对输电线路巡视异常困难和危险。随着自动化设备和技术的发展,输电线路运维单位意识到采用自动化科技手段维护电网更加经济可靠,并开始致力于研究输电线路综合监测***,尝试利用安装在杆塔、电力设备上的各种传感器监测电网运行,替代人工巡检。但由于高压输电线路穿山越岭,自然环境恶劣,温度的剧烈变化、动物粪便、电磁干扰及监测***自身供电问题等,使得***难以有效运行和维护,最终导致目前70%的输电线路综合监测***停止运行。目前国内电网的输电线路仍以人工巡检为主。
发明内容
本申请的目的在于至少解决现有技术中存在的技术问题,提供一种无人机电力巡检作业的方法及***,通过无人机巡检降低人工巡检的成本,并提升了无人机巡检的信息化精准程度。
本发明提供一种无人机电力巡检作业的方法,所述方法包括:
对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息;
基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作;
基于关键路线和巡检动作生成自动巡检作业脚本;
将所述自动巡检作业脚本写入无人机的飞控***,并对所述自动巡检作业脚本进行校验;
在校验满足时,无人机基于校验后的自动巡检作业脚本执行电力巡检作业;
在电力巡检作业过程中,获取电力巡检路线上的巡检数据;
对所述巡检数据进行分析处理。
所述对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息包括:
基于摄像头获取待定区域的影像信息和以及对所述影像信息所对应的位置信息进行提取。
所述基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作包括:
基于所述影像信息提取电力巡检作业中的关键巡航点和电力巡检作业的巡检对象;
基于所述关键巡检点和巡检对象生成相应的关键路线和巡检动作。
所述基于关键路线和巡检动作生成自动巡检作业脚本包括:
通过Matlab开源工具箱和自定义编程将航线规划仿真计算结果生成为kml文件,通过kml文件描述在GoogleEarth的三维地形中显示点、线、面元素。
所述无人机基于校验后的自动巡检作业脚本执行电力巡检作业包括:
基于自主避障***避开飞行路径中的障碍物。
所述基于自主避障***避开飞行路径中的障碍物包括:
无人机获取障碍物的深度图象,并基于所述深度图形精确感知障碍物的具体轮廓,实现自主绕开障碍物;和/或
无人机对飞行区域建立地图模型规划合理线路,并基于合理路线实现自主绕开障碍物。
所述对所述巡检数据进行分析处理包括:
基于深度卷积神经网络DCNN获取绝缘子故障信息。
所述基于深度卷积神经网络DCNN获取绝缘子故障信息包括:
将定位后的绝缘子图像二值化,并按行扫描绝缘子图像,统计每行绝缘子图像的像素点数,以像素点数的波谷处为分割线,分割绝缘子图像为多个绝缘子伞盘图像。
相应的,本发明还提供了一种无人机电力巡检作业的***,其特征在于,所述***用于执行以上所述的方法。
相比于现有技术,本实施例所提供的无人机电力巡检作业的方法及***,可以提升电力巡检作业的效率,节省人力成本,减少人员巡检的风险。通过利用DCNN网络作为特征提取器,提升对绝缘子故障信息的故障分类准确率达到95%以上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,显而易见的,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的前提下,还可以根据这些附图获得其它的附图。
图1为发明实施例中的无人机电力巡检作业的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本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本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例所涉及的无人机电力巡检作业的方法,其方法包括:对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息;基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作;基于关键路线和巡检动作生成自动巡检作业脚本;将所述自动巡检作业脚本写入无人机的飞控***,并对所述自动巡检作业脚本进行校验;在校验满足时,无人机基于校验后的自动巡检作业脚本执行电力巡检作业;在电力巡检作业过程中,获取电力巡检路线上的巡检数据;对所述巡检数据进行分析处理。
具体的,图1示出了本发明实施例中的无人机电力巡检作业的方法流程图,包括以下步骤:
S101、对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息;
本发明实施例中基于摄像头获取待定区域的影像信息和以及对所述影像信息所对应的位置信息进行提取,本发明实施例中飞行记录信息可以选择飞控产生的*.bin文件或者地面站软件上记录的*.tlog文件作为飞行记录的原始素材,但考虑到基于M300 RTK无人机的飞行日志不是常用的*.bin文件格式,因此这里采用地面站记录的*.tlog文件作为主要素材。
“*.tlog”文件是地面站记录的无人机飞控发送到地面站的所有数据帧原始数据,这些数据中包含了无人机实时的GPS坐标、高度、无人机姿态、输入通道值、输出通道值、载荷吊舱的方位角和俯仰角等关键信息,但是这个文件中的数据需要进行提取和精简。例如无人机从A点飞往B点耗时60s,设定无人机的姿态数据是以2Hz的频率下发到地面站,那么在“*.tlog”文件中就会有120帧数据来描述A点到B点的这个过程,无人机从A点飞向B点仅需要两条指令即可,因此,需要设计一个日志数据分析提取工具软件,从大量的冗余数据中自动提取“关键航点”以及“关键动作”,“关键动作”指的是载荷拍照时刻的吊舱姿态角。
S102、基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作;
这里基于所述影像信息提取电力巡检作业中的关键巡航点和电力巡检作业的巡检对象;基于所述关键巡检点和巡检对象生成相应的关键路线和巡检动作。
本发明实施例中采用地面站记录的*.tlog文件作为主要素材,“*.tlog”文件是地面站记录的无人机飞控发送到地面站的所有数据帧原始数据,这些数据中包含了无人机实时的GPS坐标、高度、无人机姿态、输入通道值、输出通道值、载荷吊舱的方位角和俯仰角等关键信息,从这些信息中提取“关键航点”和“关键动作”。“关键航点”包括无人机的GPS坐标、高度、无人机姿态、输入通道值、输出通道值等。“关键动作”指的是载荷拍照时刻的吊舱姿态角。这里的关键路线涉及到关键航点的设定,巡检动作涉及到关键动作的设定。
S103、基于关键路线和巡检动作生成自动巡检作业脚本;
这里通过Matlab开源工具箱和自定义编程将航线规划仿真计算结果生成为kml文件,通过kml文件描述在GoogleEarth的三维地形中显示点、线、面元素。
无人机的飞行以自主控制飞行为主,飞行员在地面上通过数据链路为辅,使得无人机飞行前的航线规划安全性检查尤为重要。在一般平原机场,周边净空条件好,飞行航线不需要考虑周边地形的干扰。当在复杂地形环境下进行飞行航线规划时,需保证飞行航线与周边高低起伏的地形不会发生碰撞或者危险接近。另外,在多无人机集群控制作业时,除了避开环境中的障碍(静态避障),还需要避免编队中的无人机相互之间航迹发生冲突(动态避障),防止航线冲突,造成损伤。
这里采用公开的GoogleEarth地形工具软件作为基础,Google Earth提供了免费的全球卫星图像和高程数据,可以根据需要随时在互联网上对指定区域进行地形数据更新。通过Matlab开源工具箱和自定义编程将航线规划仿真计算结果生成为kml文件,GoogleEarth支持kml文件,通过kml文件描述,可在GoogleEarth的三维地形中显示点、线、面等元素。然后在GoogleEarth中打开该kml文件,即可直观的看到飞行航线与三维地形的相互关系,是否出现与地形危险接近或者碰撞。据此结果可优化航线设计,避免飞行中无人机与地形发生危险接近和碰撞。另可导入多个kml文件,可直观的看到多个飞行航线的相互关系,是否出现与危险接近或者碰撞。
S104、将所述自动巡检作业脚本写入无人机的飞控***,并对所述自动巡检作业脚本进行校验;
S105、在校验满足时,无人机基于校验后的自动巡检作业脚本执行电力巡检作业;
这里基于自主避障***避开飞行路径中的障碍物。这里基于自主避障***避开飞行路径中的障碍物包括:无人机获取障碍物的深度图象,并基于所述深度图形精确感知障碍物的具体轮廓,实现自主绕开障碍物;和/或无人机对飞行区域建立地图模型规划合理线路,并基于合理路线实现自主绕开障碍物。
无人机自主避障***能够及时地避开飞行路径中的障碍物,完善的自主避障***将能够在很大程度上减少因操作失误而带来的各项损失。无人机避障技术可分为三个阶段,一是感知障碍物阶段;二是绕过障碍物阶段;三是场景建模和路径搜索阶段。从无人机发现障碍物,到可以自动绕开障碍物,再达到自我规划路径的过程。
第一阶段,无人机只能是简单地感知障碍物。当无人机遇到障碍物时,能快速地识别,并且悬停下来,等待无人机驾驶者的下一步指令,比较依赖飞手的关注和操作。
第二阶段,无人机能够获取障碍物的深度图象,并由此精确感知障碍物的具体轮廓,然后自主绕开障碍物。这个阶段是摆脱飞手操作,提高智能化,实现无人机自主驾驶的阶段。
第三阶段,无人机能够对飞行区域建立地图模型然后规划合理线路,这个地图不能仅仅是机械平面模型,而应该是一个能够实时更新的三维立体地图,这将是目前无人机避障技术的最高阶段。
自主避障技术需要能够在无人机飞行过程中实时感应周围环境,并根据环境障碍物距离自动避免碰撞。要避开障碍物,首先得探测到障碍物,市场上常见的无人机测距传感器有超声波、红外线、激光等。
S106、在电力巡检作业过程中,获取电力巡检路线上的巡检数据;
S107、对所述巡检数据进行分析处理。
这里对所述巡检数据进行分析处理包括:基于深度卷积神经网络DCNN获取绝缘子故障信息。
所述基于深度卷积神经网络DCNN获取绝缘子故障信息包括:将定位后的绝缘子图像二值化,并按行扫描绝缘子图像,统计每行绝缘子图像的像素点数,以像素点数的波谷处为分割线,分割绝缘子图像为多个绝缘子伞盘图像。
由于我国幅员辽阔,南北气候差异大,不同环境、不同电压等级所采用的绝缘子类型也不同,各种绝缘子具有不同材质,形状,目前现有技术需要分别为其设计诊断算法,目前基于手工特征的绝缘子状态诊断方法鲁棒性差,计算复杂及处理的绝缘子故障类型单一。本发明实施例先将DCNN应用到输电线路绝缘子的故障诊断中,通过深度网络来发掘绝缘子故障的相应表达。
将定位后的绝缘子图像二值化,并按行扫描绝缘子图像,统计每行绝缘子图像的像素点数,以像素点数的波谷处为分割线,分割绝缘子图像为多个绝缘子伞盘图像。以正常、破损、裂纹及污秽等多种绝缘子伞盘图像建立航拍绝缘子伞盘图像库。对目标进行定位,然后进行深度特征提取,相比于直接利用一张图片进行forward计算,在原图上随机生成10个patch,对每个patch进行forward计算,并对得到的特征进行求均值操作。对于得到的multi-patch特征,训练SVM分类器。仅利用DCNN网络作为特征提取器,测试结果远远超过BoF等手工特征,故障分类准确率至95%以上。
本发明实施例中基于深度卷积神经网络(DCNN:Deep Convolutional NeuralNetwork),通过层级结构能有效地提取数据的高层语义特征,已经成功应用于多个计算机视觉领域。这里采用修正线性单元(ReLU:Rectified Linear Unit)、填充卷积层(PCL:Pad-ding Convolutional Layer)和局部响应归一化(LRN:Local Response Normaliza-tion)等新的模型结构元素构造DCNN应用于绝缘子故障定位问题。本发明实施例采用基于同一数据增强程序的简便有效的多模型平均方法。采用直接回归方式训练各个DCNN。利用多层级联方式组合多个DCNN提升对绝缘子故障定位精度。该方法解决了已有DCNN级联算法训练耗时的问题,在不降低预测精度的前提下,相比同等规模的方法训练速度提升了五倍。本发明实施例中采用迁移DCNN特征的算法框架,将绝缘子识别任务上训练的DCNN迁移至绝缘子故障识别定位问题,将DCNN作为特征提取器嵌入至局部正则化的级联回归框架,解决了绝缘子故障无法直接训练DCNN的问题。通过了解决级联DCNN框架结构复杂和计算复杂度高的问题,采用批归一化(BN:Batch Normalization)构造DCNN以抑制训练时DCNN各层输入的数值范围的变化,从而更快速地训练网络;采用多任务学习方式,在多任务监督信号约束下学习表达能力更强的特征。然后将DCNN迁移至绝缘子故障定位问题。最终可采用单个网络直接进行绝缘子故障基准点定位,从而大大简化了算法框架,获得了较快的预测速度,并获得了和级联DCNN方法相似的定位精度,使得大大提升了巡检数据中的绝缘子故障信息的提取过程。
相应的,本发明实施例还提供了一种无人机电力巡检作业的***,所述***用于执行图1所述的方法。
以上对本发明实施例进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种无人机电力巡检作业的方法,其特征在于,所述方法包括:
对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息;
基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作;
基于关键路线和巡检动作生成自动巡检作业脚本;
将所述自动巡检作业脚本写入无人机的飞控***,并对所述自动巡检作业脚本进行校验;
在校验满足时,无人机基于校验后的自动巡检作业脚本执行电力巡检作业;
在电力巡检作业过程中,获取电力巡检路线上的巡检数据;
对所述巡检数据进行分析处理。
2.如权利要求1所述的无人机电力巡检作业的方法,其特征在于,所述对待定区域的电力巡检作业区域进行无人机航拍产生飞行记录信息包括:
基于摄像头获取待定区域的影像信息和以及对所述影像信息所对应的位置信息进行提取。
3.如权利要求2所述的无人机电力巡检作业的方法,其特征在于,所述基于飞行记录信息提取电力巡检作业中的关键路线和巡检动作包括:
基于所述影像信息提取电力巡检作业中的关键巡航点和电力巡检作业的巡检对象;
基于所述关键巡检点和巡检对象生成相应的关键路线和巡检动作。
4.如权利3所述的无人机电力巡检作业的方法,其特征在于,所述基于关键路线和巡检动作生成自动巡检作业脚本包括:
通过Matlab开源工具箱和自定义编程将航线规划仿真计算结果生成为kml文件,通过kml文件描述在GoogleEarth的三维地形中显示点、线、面元素。
5.如权利要求4所述的无人机电力巡检作业的方法,其特征在于,所述无人机基于校验后的自动巡检作业脚本执行电力巡检作业包括:
基于自主避障***避开飞行路径中的障碍物。
6.如权利要求5所述的无人机电力巡检作业的方法,其特征在于,所述基于自主避障***避开飞行路径中的障碍物包括:
无人机获取障碍物的深度图象,并基于所述深度图形精确感知障碍物的具体轮廓,实现自主绕开障碍物;和/或
无人机对飞行区域建立地图模型规划合理线路,并基于合理路线实现自主绕开障碍物。
7.如权利要求6所述的无人机电力巡检作业的方法,其特征在于,所述对所述巡检数据进行分析处理包括:
基于深度卷积神经网络DCNN获取绝缘子故障信息。
8.如权利要求7所述的无人机电力巡检作业的方法,其特征在于,所述基于深度卷积神经网络DCNN获取绝缘子故障信息包括:
将定位后的绝缘子图像二值化,并按行扫描绝缘子图像,统计每行绝缘子图像的像素点数,以像素点数的波谷处为分割线,分割绝缘子图像为多个绝缘子伞盘图像。
9.一种无人机电力巡检作业的***,其特征在于,所述***用于执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326996.7A CN112346481A (zh) | 2020-11-24 | 2020-11-24 | 一种无人机电力巡检作业的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326996.7A CN112346481A (zh) | 2020-11-24 | 2020-11-24 | 一种无人机电力巡检作业的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112346481A true CN112346481A (zh) | 2021-02-09 |
Family
ID=74365575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011326996.7A Pending CN112346481A (zh) | 2020-11-24 | 2020-11-24 | 一种无人机电力巡检作业的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112346481A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359857A (zh) * | 2021-07-14 | 2021-09-07 | 广西电网有限责任公司电力科学研究院 | 一种无人机电力设备自主巡查的方法及其装置 |
CN113910223A (zh) * | 2021-09-29 | 2022-01-11 | 广东核电合营有限公司 | 核电站空中巡查***、方法、机器人及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324930A (zh) * | 2013-06-28 | 2013-09-25 | 浙江大学苏州工业技术研究院 | 一种基于灰度直方图二值化的车牌字符分割方法 |
CN107656545A (zh) * | 2017-09-12 | 2018-02-02 | 武汉大学 | 一种面向无人机野外搜救的自主避障与导航方法 |
CN108154072A (zh) * | 2016-12-02 | 2018-06-12 | 天津工业大学 | 基于深度卷积神经网络的航拍绝缘子故障自动检测 |
CN108614907A (zh) * | 2016-12-12 | 2018-10-02 | 中国航空工业集团公司成都飞机设计研究所 | 一种无人机飞行航线与地形碰撞检查方法 |
CN109901624A (zh) * | 2019-04-11 | 2019-06-18 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN110134143A (zh) * | 2019-05-30 | 2019-08-16 | 广东电网有限责任公司 | 一种电力巡检方法、***及电子设备和存储介质 |
CN110398982A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机的巡检方法及*** |
CN110703800A (zh) * | 2019-10-29 | 2020-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 基于无人机的电力设施智能识别方法及*** |
CN211668520U (zh) * | 2020-04-09 | 2020-10-13 | 天津基点科技有限公司 | 一种基于无人机的输电杆塔设备的自动航拍*** |
-
2020
- 2020-11-24 CN CN202011326996.7A patent/CN112346481A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324930A (zh) * | 2013-06-28 | 2013-09-25 | 浙江大学苏州工业技术研究院 | 一种基于灰度直方图二值化的车牌字符分割方法 |
CN108154072A (zh) * | 2016-12-02 | 2018-06-12 | 天津工业大学 | 基于深度卷积神经网络的航拍绝缘子故障自动检测 |
CN108614907A (zh) * | 2016-12-12 | 2018-10-02 | 中国航空工业集团公司成都飞机设计研究所 | 一种无人机飞行航线与地形碰撞检查方法 |
CN107656545A (zh) * | 2017-09-12 | 2018-02-02 | 武汉大学 | 一种面向无人机野外搜救的自主避障与导航方法 |
CN109901624A (zh) * | 2019-04-11 | 2019-06-18 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN110134143A (zh) * | 2019-05-30 | 2019-08-16 | 广东电网有限责任公司 | 一种电力巡检方法、***及电子设备和存储介质 |
CN110398982A (zh) * | 2019-06-21 | 2019-11-01 | 万翼科技有限公司 | 一种无人机的巡检方法及*** |
CN110703800A (zh) * | 2019-10-29 | 2020-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 基于无人机的电力设施智能识别方法及*** |
CN211668520U (zh) * | 2020-04-09 | 2020-10-13 | 天津基点科技有限公司 | 一种基于无人机的输电杆塔设备的自动航拍*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359857A (zh) * | 2021-07-14 | 2021-09-07 | 广西电网有限责任公司电力科学研究院 | 一种无人机电力设备自主巡查的方法及其装置 |
CN113910223A (zh) * | 2021-09-29 | 2022-01-11 | 广东核电合营有限公司 | 核电站空中巡查***、方法、机器人及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Power line-guided automatic electric transmission line inspection system | |
US20180260626A1 (en) | Condition detection using image processing | |
Zormpas et al. | Power transmission lines inspection using properly equipped unmanned aerial vehicle (UAV) | |
AU2015404580A1 (en) | Condition detection using image processing | |
CN113593017A (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
CN114092537A (zh) | 一种变电站电力无人机自动巡检方法及装置 | |
CN112346481A (zh) | 一种无人机电力巡检作业的方法及*** | |
JP7153820B2 (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 | |
Savva et al. | ICARUS: Automatic autonomous power infrastructure inspection with UAVs | |
Mejias et al. | Forced landing technologies for unmanned aerial vehicles: towards safer operations | |
CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
CN111244822A (zh) | 一种复杂地理环境的固定翼无人机巡线方法、***和装置 | |
CN112542800A (zh) | 一种输电线路故障识别的方法及其*** | |
Li et al. | The future application of transmission line automatic monitoring and deep learning technology based on vision | |
Liu et al. | Framework for automated UAV-based inspection of external building façades | |
Shuang et al. | Ple: Power line extraction algorithm for uav-based power inspection | |
Andrada et al. | Integration of an artificial perception system for identification of live flammable material in forestry robotics | |
CN116052023A (zh) | 基于三维点云的电力巡检地物分类方法及存储介质 | |
CN115482277A (zh) | 一种社交距离风险预警方法及装置 | |
CN113298044A (zh) | 基于定位补偿的障碍物检测方法、***、设备及存储介质 | |
Basmaji et al. | AI-powered health monitoring of anode baking furnace pits in aluminum production using autonomous drones | |
Surantha et al. | Digital Transformation on Power Transmission Line Inspection using Autonomous Drone and Deep Learning | |
Liu et al. | Visualization of Power Corridor Based on UAV Line Inspection Data | |
Morando et al. | Thermal and Visual Tracking of Photovoltaic Plants for Autonomous UAV Inspection. Drones 2022, 6, 347 | |
Ertunç et al. | Detection of Potential Faults in the Electricity Distribution Network Using Unmanned Aerial Vehicles and Thermal Cameras Through Deep Learning Methods |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |