CN113809709A - 一种基于深度学习的架空线路清障装置及方法 - Google Patents
一种基于深度学习的架空线路清障装置及方法 Download PDFInfo
- Publication number
- CN113809709A CN113809709A CN202010534236.9A CN202010534236A CN113809709A CN 113809709 A CN113809709 A CN 113809709A CN 202010534236 A CN202010534236 A CN 202010534236A CN 113809709 A CN113809709 A CN 113809709A
- Authority
- CN
- China
- Prior art keywords
- cutting
- unmanned aerial
- aerial vehicle
- laser
- controller
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims abstract description 52
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000009194 climbing Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G7/00—Overhead installations of electric lines or cables
- H02G7/16—Devices for removing snow or ice from lines or cables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C1/00—Fuselages; Constructional features common to fuselages, wings, stabilising surfaces or the like
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C27/00—Rotorcraft; Rotors peculiar thereto
- B64C27/04—Helicopters
- B64C27/08—Helicopters with two or more rotors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U10/00—Type of UAV
- B64U10/10—Rotorcrafts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C1/00—Fuselages; Constructional features common to fuselages, wings, stabilising surfaces or the like
- B64C2001/0054—Fuselage structures substantially made from particular materials
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于深度学习的架空线路清障装置及方法,用于降低抢修人员的劳动强度和工作风险,实现对架空线路的智能清障。该装置包括无人机、舵机云台、切割器、云服务器,所述无人机底部固定连接有舵机云台,所述舵机云台底部连接有切割器,所述切割器由小型激光器、摄像头、超声波测距模块。该方法包括:S1,人工遥控无人机飞到异物附近;S2,无人机根据实际距离前后移动;S3,获取异物邻近导线侧的切割路径,回传切割起始点、终止点;S4,调整切割起始点位于视野中心;S5,开启激光器并调焦;S6,切割器自左向右缓慢转动,开始切割;S7,无人机判断是否切割完成,若未完成切割,则重复S3、S4、S5、S6,若完成切割,沿原安全路径自主返航至起飞点。
Description
技术领域
本发明涉及电网清障技术领域,具体为一种基于深度学习的架空线路清障装置及方法。
背景技术
随着国家电力的发展,架空线路的分布范围越来越广,由于人为因素或自然因素等原因架空输电线上经常会有异物悬挂,如风筝、孔明灯、塑料袋、塑料薄膜等,当异物悬挂在架空线路上时,存在很大的安全隐患,为此需要尽快清除输电线上的悬挂异物,以消除安全隐患。但由于架空输电线距离地面较高,而且有的地方地形崎岖、道路不通,这都给架空输电线上的悬挂异物的清理带来困难。
现有电网清障方式通常有以下几种:1.人工清理,这种清理方式一般由抢修人员攀爬到工作区域进行清理,带电作业存在工作风险高、劳动强度大的问题,先停电再清理又会影响居民、工厂正常用电。2.带电作业车清理,这种方式在地形崎岖、道路不通的地方受环境限制比较大。3.公布号为CN109687344A的中国新型专利,公布了“无人机搭载红外识别设备、喷火装置,剪切装置”清理电网异物,红外线清理异物基于温度感知,故存在异物形状性质无法准确感知的情况,而喷火装置也存在火灾隐患,存在引燃地面可燃物的隐患。4.远程激光打击清理,中国航天科工集团有限公司第二研究院二部研究出“电网激光异物清除***”,这种清理方式也存在诸多弊端,所使用的远程激光清理设备费用高昂;使用条件较苛刻,高压电塔作业区所处的郊区使用有较多不便,激光炮设备功率能量过大,故危险系数高;采用气体激光器,冷却***庞大,携带起来极不方便。
发明内容
为了克服现有技术中清理过程中工作人员劳动强度大、作业风险高、地形崎岖导致作业车无法到达、无人机喷火易引发火灾,激光远程清理设备难以携带、造价高昂等缺陷,本发明提供一种基于深度学习的架空线路清障装置及方法。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于深度学习的架空线路清障装置,包括无人机、舵机云台、切割器和云服务器,所述无人机通过通讯模块与云服务器进行双向数据传输,控制器通过信号线与通讯模块进行双向数据传输,控制器通过信号线分别控制舵机云台、切割器;所述切割器内部设有小型激光器,所述激光器包含激光器机体、激光发射管、调焦旋钮、功率调节旋钮,所述小型激光器使用独立电源供电,所述激光发射管***设有调焦旋钮,激光器机体背面设有功率调节旋钮,小型激光器内部设有第一齿轮和第二齿轮,所述第一齿轮与调焦旋钮固定相连,第一齿轮由第一电机控制而转动,所述第二齿轮与功率调节旋钮固定相连,第二齿轮由第二电机控制而转动,所述第一电机和第二电机均连接控制器。
进一步地,所述舵机云台包括云台连接杆、第一连接板、弧形外壳、第一舵机、第二连接板、第二舵机,所述云台连接杆下部固定连接有第一连接板,所述第一连接板底面连接有弧形外壳,所述第一舵机固定安装于弧形外壳内部,所述弧形外壳底面设有通孔,所述第一舵机底部设有第一转轴,所述第一转轴通过通孔与第二连接板固定相连,所述第二舵机固定安装于第二连接板底部,所述第二舵机侧面设有第二转轴和第三转轴,所述第二转轴与切割器外壳固定相连,所述第三转轴与切割器外壳的另一端旋转式相连。
进一步地,所述切割器包括切割器外壳、摄像头、小型激光器和超声波测距模块,所述切割器共有上下两层,切割器顶层固定连接有小型激光器,所述小型激光器上部固定安装有摄像头,所述切割器底层固定连接有超声波测距模块。
进一步地,所述小型激光器发射的激光束方向与摄像头正对的方向、超声波测距模块正对的方向始终一致,且镜头的几何中心点和超声波测距模块的几何中心点在垂直方向上的距离不超过3cm。
一种基于深度学习的架空线路清障方法,包括以下步骤:
S1,工作人员使用遥控器,遥控无人机从起飞点飞至悬挂物附近,切割器仍处于初始状态,面向无人机的正前方,遥控无人机尽可能使切割器正对异物中上部,同步拍摄并传输实时图像至地面基站;
S2,根据实际距离信息前后移动无人机位置,
在人工遥控的同时,超声波测距模块采集实时距离信息,传至控制器,控制器处理距离信息,判断实际距离是否小于安全距离,若实际距离小于安全距离,则控制器调整螺旋桨转速,使无人机机体后移远离导线和异物,继续处理距离信息,若实际距离大于安全距离且小于激光器最大焦距,则无人机保持当前位置悬停;
S3,摄像头采集实时异物图像,将图像数据传给控制器,控制器通过通讯模块再将图像数据传到远端服务器,远端服务器接收到图像数据之后,传入yolo模型,该模型使用darknet-53作为backbone,采用多尺度融合,包括9种尺度的先验框,3个不同的特征尺度输出,提高了识别精度,提取yolov3识别异物的选框区域,截取有效地的切割区域,仅对该区域图像信息进行处理,使用HLS颜色空间进行阈值过滤,将其转化为灰度图,传入sobel 算子,按权重混合,得到处理后的图像数据,对二值图像数据Y方向的像素进行直方图统计,定位峰值作为搜索起点,设置搜寻窗口大小,以搜寻起始点作为当前搜寻的基点,并以当前基点为中心做网格化搜寻,对每个搜寻窗口分别做水平和垂直方向的直方图统计,统计在搜索框区域内非零像素个数,并过滤掉非零像素数目小于50的框,计算非零像素坐标的均值作为当前搜索框的中心点,使用霍夫变换拟合这些中心点,得到导线位置,用训练得到的偏差值校准导线位置,获取异物邻近导线侧的切割路径,将切割起始点、终止点返回至控制器;
S4,控制器计算切割起始点与视野中心点之间的偏差,控制第一舵机和第二舵机协调转动,使摄像头正对所述切割起始点,此时切割起始点位于视野中心;
S5,控制器开启小型激光器电源,并控制第一电机转动,带动调焦旋钮转动,将激光束焦距调整至恰好等于切割器与异物之间的实际距离,控制第二电机转动,带动功率调节旋钮转动,使小型激光器以最大输出功率工作;
S6,控制器控制第一舵机转动,带动切割器自左向右缓慢转动,开始切割,同时控制器根据超声波测距模块测得的实际距离,缓慢同步调整激光器焦距,使激光束的有效切割范围总是落在异物上边缘上,直到激光束焦点移动到异物右边缘,使异物在自然风力和自身重力的作用下掉落;
S7,控制器发出指令关闭小型激光器,无人机判断是否切割完成,若判断结果为切割未完成,则重复S3、S4、S5、S6,若判断结果为切割完成,沿原安全路径自主返航至起飞点。
进一步地,在所述步骤S1中,无人机开始作业之前,可以根据输电线路实际电压对应的安全距离,由人工手动输入安全距离的具体数值。
进一步地,在所述步骤S3中,同一个远端服务器可以同时接收并处理来自不同无人机的图像数据。
进一步地,在所述步骤S7中,激光束自左向右扫过一个扇形区域时,光束焦距能够被实时调整,光束焦距始终等于切割器与异物上边缘之间的实际距离。
进一步地,在每一次的清理工作完成之后,远端服务器自动生成整个清理过程中的工作记录,以视频的形式将清理过程记录下来并永久保存。
与现有技术相比,本发明的有益效果是:
(1)通过人工遥控,使无人机飞到异物附近,避免了人工攀爬线路,降低了抢修人员的劳动强度和工作风险,避免了停电清理导致的用电困难,极大提高了智能化程度,操作简便,而且这种***对于不同电压等级的输电线路均适用,也适用于山地、河流、湖泊、田野等环境复杂地区,适用范围广泛。
(2)通过使用小型激光器,对激光合束、聚焦后,光束焦点照射在异物上,形成细小孔洞,随着舵机云台缓慢微调角度,细小孔洞在悬挂异物上的缓慢移动形成一条切缝,切割过程中不会把异物引燃,避免火灾隐患,使用起来非常安全。
(3)通过小型激光器设有调焦旋钮,***可以根据与悬挂异物之间的实际距离自主调整焦距,对无人机实际位置的要求标准降低,使无人机在高空中操作更加灵活
(4)通过使用八旋翼无人机,无人机抗风能力强,飞行安全系数更高。机架材料均使用碳纤维材料,整个***体积较小,重量较轻,拎走即可,便于携带,为工作人员在赶往事故现场的过程中减轻了负担。
附图说明
图1是本发明实施例整体侧视的结构示意图;
图2是本发明实施例的无人机的结构示意图;
图3为本发明实施例的舵机云台的结构示意图;
图4为本发明实施例的切割器的正面结构示意图;
图5为本发明实施例的切割器的背面结构示意图;
图6为本发明实施例的小型激光器的内部结构示意图;
图7为本发明实施例的机顶盒的内部结构示意图;
图8为整个清障方法的流程示意图;
图中:1-无人机;11-机顶盒;111-控制器;112-通讯模块;12-电池;13-连接杆;14-电机;15-螺旋桨柱;16-螺旋桨叶片;17-起落架;2-舵机云台;21-云台连接杆;22-第一连接板;23-第一舵机;231-第一外壳;232-第一转轴;24-第二舵机;241-第二连接板;242- 第二转轴;243-第三转轴;3-切割器;31-切割器外壳;311-切割器外壳顶层;312-切割器外壳底层;32-摄像头;321-镜头;33-小型激光器;331-调焦旋钮;332-激光发射管;333-第一齿轮;334-功率调节旋钮;335-第一电机;336-第二电机;337-第二齿轮;34-超声波测距模块;341-控制端;342-接收端
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,除非另有明确的规定和限定,术语“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等,其所指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,如出现术语“第一”、“第二”、仅用于描述目的,而不能理解为指示或暗示相对重要性。其中,术语“第一位置”和“第二位置”为两个不同的位置。
参照图1至7所示,本发明提供一种技术方案:一种基于深度学习的电网悬挂异物清理装置,包括无人机1、舵机云台2和切割器3;无人机1下部连接有舵机云台2,舵机云台2下端连接有切割器3;这种结构的清障装置可以通过控制无人机1,使无人机1飞到悬挂异物附近,远程清理悬挂异物,避免了人工攀爬电力线路,降低了抢修人员的劳动强度和工作风险,避免了停电清理导致的用电困难,极大提高了智能化程度,操作简便,而且这种对于各种电压等级的输电线路都适用,适用范围广。
所述舵机云台2由云台连接杆21、第一舵机23和第二舵机24组成,云台连接杆21的下端固定有第一连接板22,这种结构可有效固定舵机云台2的位置,第一连接板22的底面固定有弧形外壳231,弧形外壳231内部设有第一舵机23,弧形外壳231底面设有通孔,第一舵机23下部的第一转轴232通过通孔与第二连接板241的上部固定相连,第二连接板241的下部与第二舵机24固定相连,这种结构便于实现第二舵机24在水平方向上的旋转;第二舵机24的右面设有第二转轴242,左面设有第三转轴243,第二转轴242与切割器外壳固定相连,第三转轴243与切割器外壳31进行旋转式连接,且仅仅起到承重的作用,这种结构便于在清除悬挂物的过程中使切割器3进行垂直方向上的角度调整,进而提高整个***工作的灵活性。
所述切割器3由切割器外壳31、摄像头32、小型激光器33和超声波测距模块34组成,切割器外壳31共有两层,切割器外壳顶层311上部安装有小型激光器33,小型激光器33前部设有调焦旋钮331和激光管发射管332,所述调焦旋钮331与第一齿轮333固定相连,所述第一齿轮333由第一电机335带动旋转,所述第一电机335由控制器111控制,这种结构便于控制器111自主调整激光束焦距,使切割过程更加灵活,小型激光器33上部安装有摄像头32,摄像头32前部设有镜头321,镜头321和激光发射管322距离小于3厘米,且正对方向一致,这种结构便于使激光束焦点始终处于视野正中央,方便控制器111调整无人机1的位置,使悬挂物的中上部处于视野中央,进而使小型激光器33正对于合适的切割位置,提高清理的精确度。
所述小型激光器33的背面设有功率调节旋钮334,所述功率调节旋钮334与第二齿轮337 固定连接,所述第二齿轮337由第二电机336带动旋转,所述第一电机335由控制器111控制。
一种基于深度学习的架空线路清障方法,包括以下步骤:
S1,工作人员使用遥控器,遥控无人机1从起飞点飞至悬挂物附近,切割器3仍处于初始状态,面向无人机1的正前方,遥控无人机1尽可能使切割器3正对异物中上部,同步拍摄并传输实时图像至地面基站;
S2,根据实际距离信息前后移动无人机1的位置,
在人工遥控的同时,超声波测距模块34采集实时距离信息,传至控制器111,控制器111 处理距离信息,判断实际距离是否小于安全距离,若实际距离小于安全距离,则控制器111 调整电机14转速,使无人机1后移远离导线和异物,继续处理距离信息,若实际距离大于安全距离且小于小型激光器33的最大焦距,则无人机1保持当前位置悬停;
S3,摄像头32采集实时异物图像,将图像数据传给控制器111,控制器111通过通讯模块112再将图像数据传到远端服务器,远端服务器接收到图像数据之后,传入yolo模型,该模型使用darknet-53作为backbone,采用多尺度融合,包括9种尺度的先验框,3个不同的特征尺度输出,提高了识别精度,提取yolov3识别异物的选框区域,截取有效地的切割区域,仅对该区域图像信息进行处理,使用HLS颜色空间进行阈值过滤,将其转化为灰度图,传入 sobel算子,按权重混合,得到处理后的图像数据,对二值图像数据Y方向的像素进行直方图统计,定位峰值作为搜索起点,设置搜寻窗口大小,以搜寻起始点作为当前搜寻的基点,并以当前基点为中心做网格化搜寻,对每个搜寻窗口分别做水平和垂直方向的直方图统计,统计在搜索框区域内非零像素个数,并过滤掉非零像素数目小于50的框,计算非零像素坐标的均值作为当前搜索框的中心点,使用霍夫变换拟合这些中心点,得到导线位置,用训练得到的偏差值校准导线位置,获取异物邻近导线侧的切割路径,将切割起始点、终止点返回至控制器111;
S4,控制器111计算切割起始点与视野中心点之间的偏差,控制第一舵机23和第二舵机24协调转动,使摄像头32正对所述切割起始点,此时切割起始点位于视野中心;
S5,控制器111开启小型激光器33电源,并控制第一电机335转动,带动调焦旋钮331 转动,将激光束焦距调整至恰好等于切割器3与异物之间的实际距离,控制第二电机336转动,带动功率调节旋钮334转动,使小型激光器33以最大输出功率工作;
S6,控制器111控制第一舵机23转动,带动切割器3自左向右缓慢转动,开始切割,同时控制器111根据超声波测距模块34测得的实际距离,缓慢同步调整激光器焦距,使激光束的有效切割范围总是落在异物上边缘上,直到激光束焦点移动到异物右边缘,使异物在自然风力和自身重力的作用下掉落;
S7,控制器111发出指令关闭小型激光器33,无人机1判断是否切割完成,若判断结果为切割未完成,则重复S3、S4、S5、S6,若判断结果为切割完成,沿原安全路径自主返航至起飞点。
yolo模型在训练阶段包括:
(1)采集异物数据样本,使用标注工具对异物进行选框标注;
(2)将图像数据进行预处理,归一化,数据增强等;
(3)划分样本数据为test,train,validation三个部分;
(4)调整学习率,步长,批次等超参数,配置模型的输入输出格式;
(5)传入图像数据,训练模型,保存训练模型文件,选取出泛化能力最强的模型文件。
边缘检测参数获取过程包括:
(1)将yolov3识别的异物选框区域提取,标定精确切割路径;
(2)截取有效的切割区域,仅对该区域图像信息进行处理;
(3)使用网格搜索法初始化HLS颜色空间的阈值和sobel算子的权重,使用HLS颜色空间进行阈值过滤,对图像进行预处理,转化为灰度图;
(4)将过滤后的灰度图传入sobel算子,按权重混合,得到处理后的图像数据;
(5)对二值图像数据Y方向的像素进行直方图统计,定位峰值作为搜索起点;
(6)设置搜寻窗口大小,以搜寻起始点作为当前搜寻的基点,并以当前基点为中心做网格化搜寻,对每个搜寻窗口分别做水平和垂直方向的直方图统计,统计在搜索框区域内非零像素个数,并过滤掉非零像素数目小于50的框,计算非零像素坐标的均值作为当前搜索框的中心点;
(7)使用霍夫变换拟合这些中心点,得到导线位置;
(8)计算导线与标定曲线的偏差值,若偏差值在规定范围内稳定,将偏差值作为切割路径与异物悬挂电线的拟合曲线的偏差,用该偏差校准切割路径,若偏差值不在规定范围内稳定,则返回步骤(3)使用网格搜索法重新赋值,重复步骤(3)、(4)、(5)、(6)、(7)、(8),直至偏差值在规定范围内稳定。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的架空线路清障装置,包括无人机、舵机云台、切割器和云服务器,其特征在于:所述无人机通过通讯模块与云服务器进行双向数据传输,控制器通过信号线与通讯模块进行双向数据传输,控制器通过信号线分别控制舵机云台、切割器;
所述切割器内部设有小型激光器,所述激光器包含小型激光器机体、激光发射管、调焦旋钮、功率调节旋钮,所述小型激光器使用独立电源供电,所述激光发射管***设有调焦旋钮,激光器机体背面设有功率调节旋钮,小型激光器内部设有第一齿轮和第二齿轮,所述第一齿轮与调焦旋钮固定相连,第一齿轮由第一电机控制而转动,所述第二齿轮与功率调节旋钮固定相连,第二齿轮由第二电机控制而转动,所述第一电机和第二电机均连接控制器。
2.根据权利要求1所述的一种基于深度学习的架空线路清障装置,其特征在于:所述舵机云台包括云台连接杆、第一连接板、弧形外壳、第一舵机、第二连接板、第二舵机,所述云台连接杆下部固定连接有第一连接板,所述第一连接板底面连接有弧形外壳,所述第一舵机固定安装于弧形外壳内部,所述弧形外壳底面设有通孔,所述第一舵机底部设有第一转轴,所述第一转轴通过通孔与第二连接板固定相连,所述第二舵机固定安装于第二连接板底部,所述第二舵机侧面设有第二转轴和第三转轴,所述第二转轴与切割器外壳固定相连,所述第三转轴与切割器外壳的另一端旋转式相连。
3.根据权利要求1所述的一种基于深度学习的架空线路清障装置,其特征在于:所述切割器包括切割器外壳、摄像头、小型激光器和超声波测距模块,所述切割器共有上下两层,切割器顶层固定连接有小型激光器,所述小型激光器上部固定安装有摄像头,所述切割器底层固定连接有超声波测距模块。
4.根据权利要求3所述的一种基于深度学习的架空线路清障装置,其特征在于:所述小型激光器发射的激光束方向与摄像头正对的方向、超声波测距模块正对的方向始终一致,且镜头的几何中心点和超声波测距模块的几何中心点在垂直方向上的距离不超过3cm。
5.一种基于深度学习的架空线路清障方法,其特征在于,包括以下步骤:
S1,工作人员使用遥控器,遥控无人机从起飞点飞至悬挂物附近,切割器仍处于初始状态,面向无人机的正前方,遥控无人机尽可能使切割器正对异物中上部,同步拍摄并传输实时图像至地面基站;
S2,根据实际距离信息前后移动无人机位置,
在人工遥控的同时,超声波测距模块采集实时距离信息,传至控制器,控制器处理距离信息,判断实际距离是否小于安全距离,若实际距离小于安全距离,则控制器调整螺旋桨转速,使无人机机体后移远离导线和异物,继续处理距离信息,若实际距离大于安全距离且小于激光器最大焦距,则无人机保持当前位置悬停;
S3,摄像头采集实时异物图像,将图像数据传给控制器,控制器通过通讯模块再将图像数据传到远端服务器,远端服务器接收到图像数据之后,传入yolo模型,该模型使用darknet-53作为backbone,采用多尺度融合,包括9种尺度的先验框,3个不同的特征尺度输出,提高了识别精度,提取yolov3识别异物的选框区域,截取有效地的切割区域,仅对该区域图像信息进行处理,使用HLS颜色空间进行阈值过滤,将其转化为灰度图,传入sobel算子,按权重混合,得到处理后的图像数据,对二值图像数据Y方向的像素进行直方图统计,定位峰值作为搜索起点,设置搜寻窗口大小,以搜寻起始点作为当前搜寻的基点,并以当前基点为中心做网格化搜寻,对每个搜寻窗口分别做水平和垂直方向的直方图统计,统计在搜索框区域内非零像素个数,并过滤掉非零像素数目小于50的框,计算非零像素坐标的均值作为当前搜索框的中心点,使用霍夫变换拟合这些中心点,得到导线位置,用训练得到的偏差值校准导线位置,获取异物邻近导线侧的切割路径,将切割起始点、终止点返回至控制器;
S4,控制器计算切割起始点与视野中心点之间的偏差,控制第一舵机和第二舵机协调转动,使摄像头正对所述切割起始点,此时切割起始点位于视野中心;
S5,控制器开启小型激光器电源,并控制第一电机转动,带动调焦旋钮转动,将激光束焦距调整至恰好等于切割器与异物之间的实际距离,控制第二电机转动,带动功率调节旋钮转动,使小型激光器以最大输出功率工作;
S6,控制器控制第一舵机转动,带动切割器自左向右缓慢转动,开始切割,同时控制器根据超声波测距模块测得的实际距离,缓慢同步调整激光器焦距,使激光束的有效切割范围总是落在异物上边缘上,直到激光束焦点移动到异物右边缘,使异物在自然风力和自身重力的作用下掉落;
S7,控制器发出指令关闭小型激光器,无人机判断是否切割完成,若判断结果为切割未完成,则重复S3、S4、S5、S6,若判断结果为切割完成,沿原安全路径自主返航至起飞点。
6.一种基于深度学习的架空线路清障方法,其特征在于,在所述步骤S2中,在无人机开始作业之前,可以根据输电线路实际电压对应的安全距离,由人工手动输入安全距离的具体数值。
7.一种基于深度学习的架空线路清障方法,其特征在于,在所述步骤S3中,同一个远端服务器可以同时接收并处理来自不同无人机的图像数据。
8.一种基于深度学习的架空线路清障方法,其特征在于,在所述步骤S7中,激光束自左向右扫过一个扇形区域时,光束焦距能够被实时调整,光束焦距始终等于切割器与异物上边缘之间的实际距离。
9.一种基于深度学习的架空线路清障方法,其特征在于,在每一次的清理工作完成之后,远端服务器自动生成整个清理过程中的工作记录,以视频的形式将清理过程记录下来并永久保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534236.9A CN113809709A (zh) | 2020-06-11 | 2020-06-11 | 一种基于深度学习的架空线路清障装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534236.9A CN113809709A (zh) | 2020-06-11 | 2020-06-11 | 一种基于深度学习的架空线路清障装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113809709A true CN113809709A (zh) | 2021-12-17 |
Family
ID=78892055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010534236.9A Withdrawn CN113809709A (zh) | 2020-06-11 | 2020-06-11 | 一种基于深度学习的架空线路清障装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113809709A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
-
2020
- 2020-06-11 CN CN202010534236.9A patent/CN113809709A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311355A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
CN115311355B (zh) * | 2022-09-20 | 2023-07-07 | 中国铁建电气化局集团有限公司 | 接触网异物风险预警方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416963B (zh) | 基于深度学习的森林火灾预警方法及*** | |
EP2772814B1 (en) | Tree metrology system | |
CN110047241A (zh) | 一种森林火灾无人机巡航监控*** | |
EP3943746A1 (en) | Imaging array for bird or bat detection and identification | |
CN108321722B (zh) | 自动避障的可纵向弯曲树障清理空中机器人和避障方法 | |
CN110301248A (zh) | 一种基于无人机的智能修剪***和方法 | |
CN114037552B (zh) | 一种肉鸭生理生长信息巡检方法及*** | |
CN204481394U (zh) | 一种输电线路无人机视频监控*** | |
CN211087009U (zh) | 一种基于飞行器的接触网巡检装置 | |
CN114115296B (zh) | 一种重点区域智能巡检与预警***及方法 | |
CN211606647U (zh) | 一种用于树木病情和长势评估的*** | |
CN106708075A (zh) | 基于固定翼无人机的大范围油菜田spad值遥感***及采集方法 | |
CN208833236U (zh) | 城市道路交通设施智能监测*** | |
CN113778137A (zh) | 输电线路的无人机自主巡检方法 | |
CN111323789A (zh) | 一种基于无人机和固态雷达的地面形貌扫描装置及方法 | |
CN112327929A (zh) | 一种无人机航飞管理*** | |
CN113809709A (zh) | 一种基于深度学习的架空线路清障装置及方法 | |
CN114162318B (zh) | 一种机场异物监测*** | |
CN106989728A (zh) | 一种基于无人机的建筑地面测绘*** | |
CN113064221B (zh) | 一种无人机气象观测*** | |
CN114721432A (zh) | 基于大数据用无人机智能巡检设备及巡检图像缺陷分析方法 | |
CN113093309B (zh) | 一种气象用无人机及观测*** | |
CN116859987A (zh) | 一种无人机自动采集叶片照片*** | |
CN112560751A (zh) | 一种阳台高空坠物风险检测方法及*** | |
CN114162317B (zh) | 一种机场异物监测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211217 |