CN116258980A - 一种基于视觉的无人机分布式光伏电站巡检方法 - Google Patents
一种基于视觉的无人机分布式光伏电站巡检方法 Download PDFInfo
- Publication number
- CN116258980A CN116258980A CN202211739941.8A CN202211739941A CN116258980A CN 116258980 A CN116258980 A CN 116258980A CN 202211739941 A CN202211739941 A CN 202211739941A CN 116258980 A CN116258980 A CN 116258980A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- inspection
- data
- image
- 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 159
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000002360 preparation method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 24
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 230000002950 deficient Effects 0.000 abstract description 2
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于视觉的无人机分布式光伏电站巡检方法包括:完成无人机巡检作业准备和无人机巡检作业分析,进行无人机巡检作业;采集图像数据,进行数据预处理;构建无人机巡检数据处理模型,进行数据处理。本发明提供的基于视觉的无人机分布式光伏电站巡检方法首先利用无人机搭载多光谱相机进行高效的数据采集,然后对采集到的红外图像数据进行自动化分析处理,快速检出并定位缺陷,再结合可见光图像对缺陷类型进行判别,指导电站运维人员对缺陷面板采取适当的手段进行修复,降低光伏电站巡检难度与成本。
Description
技术领域
本发明涉及电网及电力***技术领域,具体为一种基于视觉的无人机分布式光伏电站巡检方法。
背景技术
太阳能作为一种来源广泛的清洁能源,近年来在国内得到了充分的重视,光伏发电产业已经达到了一定的规模。巨大的光伏发电面积对光伏面板的日常巡检工作提出了很大的挑战。光伏面板作为光伏发电***的核心组成部分,在日常的运行中长期暴露在自然环境下,不可避免会产生各种缺陷,如隐裂、遮挡、碎裂等等,及时发现面板缺陷并进行人工干预对保障电站的发电效率有重要意义。
传统的方法主要是对面板的发电电流进行监测,当发电功率异常则可能存在面板缺陷。由于成本的限制,这种方法只能将故障限定在一定范围内,准确的故障定位还需要依赖人工排查,检测效率低,劳动量大。尤其针对渔光互补光伏电站,电站和鱼塘的结合有效提高了空间的利用率,但同时也对光伏面板的巡检造成了更大的困难。
目前已有的无人机智能巡检***硬件以及软件平台设计,根据损伤尺寸理论、基于HSV空间模型的图像分割及检测的光伏面板缺陷检测技术、金字塔图像序列的数据增强方法、视觉的引导光伏电站分析测试自动检测方法等实现了对风电光伏的检测。但是上述方法存在对光照变化鲁棒性不强,检测效率低,不能满足实时性要求的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的光伏电站巡检方法存在依赖人工排查,检测效率低,劳动量大,现有的无人机巡检方法存在对光照变化鲁棒性不强,检测效率低,不能满足实时性要求的问题,以及如何降低光伏电站巡检难度与成本的优化问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于视觉的无人机分布式光伏电站巡检方法,包括:
完成无人机巡检作业准备和无人机巡检作业分析,进行无人机巡检作业;
采集图像数据,进行数据预处理;
构建无人机巡检数据处理模型,进行数据处理。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述无人机巡检作业准备包括空域申报准备、巡检作业人员准备、飞行巡检现场勘察准备和飞行巡检作业任务载荷准备;
所述无人机巡检作业分析包括:作业环境分析、作业动力源分析、巡视作业方法分析。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述作业环境分析包括:
无人机起飞平台保证机体3米内为平面,起飞地点15米内无杂物;
起飞时的起飞风速应不大于6米/秒,环境温度在-30摄氏度-50摄氏度,环境温度在15摄氏度以下时,进行锂电池预热;
起飞环境的能见度符合机型要求,能见距离大于400米;
无人机机体的起飞地点距离障碍物的距离保持20米以上;
无人机GPS卫星颗数在6颗以上,定位精度小于6米。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述作业动力源分析包括:
在巡航距离小于200米的范围内,无人机动力电池电压不小于21.0V;
在巡航距离大于200米小于100米的范围内,无人机动力电池电压不小于22.5V;
在巡航距离大于1000米小于2000米的范围内,无人机动力电池电压不小于23V;
对于油动直升机作业,油量标尺到三分之二时开始返航作业;
对于油动固定翼作业,油量标尺到二分之一时开始返航作业。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述无人机巡检作业还包括混合定位保障,利用GPS和惯性导航的组合定位导航。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述采集图像数据包括:
在无人机巡检任务过程中,无人机搭载的摄像头实时拍摄飞行画面,通过无限视频图像传输模块将拍摄的画面传输到地面监控***;
当无人机达到指定地点时,通过地面指令,控制无人机悬停并切换相机工作模式,对预定检测区域进行拍摄;
无人机拍摄的照片自动保存在相机存储区,同时通过无限视频图像传输模块,将拍摄的图像传输到地面监控***;
所述数据预处理包括:对无人机巡检数据图像的相关感光度信息进行预处理计算;对于空中输电线路巡检图像序列异常识别进行关键帧的提取。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述构建无人机巡检数据处理模型的步骤为:
基于输电线路航拍数据进行结构化描述,生成样本数据库;
研究建立输电线路典型数据模型,支撑样本数据分类器对样本进行分类;
构建训练器模块,在服务器端使用核心算法进行训练,从中获得分类器的配置文件和多维度数据诊断模型配置文件,形成图像特征库和特征诊断模块;
设计并开发应用程序,实现数据采集功能、配置功能及使用分类器对即图像和视频数据进行提取和标注。
作为本发明所述的基于视觉的无人机分布式光伏电站巡检方法的一种优选方案,其中:所述核心算法包括:研究图像信息的基本稀疏编码模型、研究基于优化字典的图像稀疏编码算法、研究基于设备稀疏表示和基于多分辨图像稀疏表示的设备图像特征描述算法、研究视觉单词树的设备图谱分类方法、研究实现非结构化图像数据的结构化描述方法。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果:本发明提供的基于视觉的无人机分布式光伏电站巡检方法首先利用无人机搭载多光谱相机进行高效的数据采集,然后对采集到的红外图像数据进行自动化分析处理,快速检出并定位缺陷,再结合可见光图像对缺陷类型进行判别,指导电站运维人员对缺陷面板采取适当的手段进行修复,降低光伏电站巡检难度与成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法的整体流程图;
图2为本发明第一个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法中红外测温载荷的调试准备的温度衰减曲线;
图3为本发明第一个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法的无人机巡检数据处理***设计图;
图4为本发明第一个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法的计算机设备中计算机设备的内部结构图;
图5为本发明第二个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法中基于无人机的光伏电站巡检方案图;
图6为本发明第二个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法中无人机巡检控制平台示意图;
图7为本发明第二个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法中无人机仿真飞行数据示意图;
图8为本发明第二个实施例提供的一种基于视觉的无人机分布式光伏电站巡检方法中测试结果部分数据图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等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,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。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。
实施例1
参照图1-4,为本发明的一个实施例,提供了一种基于视觉的无人机分布式光伏电站巡检方法,包括:
S1:完成无人机巡检作业准备和无人机巡检作业分析,进行无人机巡检作业;
更进一步的,无人机巡检作业准备包括空域申报准备、巡检作业人员准备、飞行巡检现场勘察准备和飞行巡检作业任务载荷准备,具体为:
(1)空域申报准备:
进行无人机巡检作业前,应根据巡检范围及民航局相关管理办法,开展相应的无人机巡检作业空域申报工作;
按照无人机***巡检方案,到有关部门办理相关空域审批流程,且实时跟踪所在区域的空中管制情况;
制定相关的空域应急体系,在无人机巡检作业的范围内减少空域危害。进行空域申报时,需要提供以下相关信息:无人机巡检描述、简化航点坐标作业时间及联系人、巡检线路GPS坐标、航测指标说明、简化航线示意图、飞行人员资格证书、巡检保障措施
(2)巡检作业人员准备
无人机巡检作业人员除本领域技术人员易于理解的电力行业工作票签发人、工作许可人、工作负责人、工作监护人外,针对技术要求分为操控手、程控手、任务手等,具体定义如下:
程控手:在无人机进行巡检作业的过程中,通过地面站等相关控制***来操控无人机进行巡检作业的人员;
操控手:通过无人机巡检***的手动遥控器,进行无人机巡检作业轨迹飞行的人员;
任务手:在无人机巡检作业过程中,通过无人机***携带的各项任务载荷来完成相应巡检作业的人员。
(3)飞行巡检现场勘察准备
在开展无人机飞行巡检作业前,作业人员应提前进行现场勘察,核实无人机巡检航线的轨迹,在飞行航线的下面是否存在线路的交叉跨越、周围的环境,空域等情况,寻找合适的地方作为起降点,通过地理影像信息图选择合适的起降位置,做好现场勘查工作;
现场勘察工作应全面且细致,必须核对巡检线路每基杆塔的线路坐标、是否有跨越或穿越的线路等,对无人机巡检***应考虑起降点及交通运输条件;
如果进行较复杂且危险性较高的无人机巡检作业时,应制定相应的无人机巡检作业安全措施、应急措施等,必要时应向分管领导进行汇报,审批合格后方可进行飞行。
(4)飞行巡检作业任务载荷准备
可见光载荷的调试准备:,无人机巡检作业中,由于无人机可见光载荷所处的环境不同,根据巡检任务的光线情况及可见光设备的性能,调整相关参数,达到更好的拍摄效果,完成空中巡检作业,可见光设备的光圈、快门、感光度等参数信息。无人机在飞行巡检作业过程中,处于运动或高速模式下,悬停时也会出现轻微的晃动,在设置可见光设备时,应将防抖开关打开,并调至运动模式状态,根据飞行巡检任务来确定多点对焦、单点对焦及中心点对焦模式。
红外测温载荷的调试准备:根据无人机所搭载的红外紫外测温装置特性,绘制温度衰减曲线,如图2所示,更精准的进行红外温度特巡测量工作。
更进一步的,无人机巡检作业分析包括作业环境分析、作业动力源分析、巡视作业方法分析,具体为:
(1)作业环境分析
无人机起飞平台保证机体3米内为平面,起飞地点15米内无杂物;
起飞时的起飞风速应不大于6米/秒,环境温度在-30摄氏度-50摄氏度,环境温度在15摄氏度以下时,进行锂电池预热;
起飞环境的能见度符合机型要求,能见距离大于400米;
无人机机体的起飞地点距离障碍物的距离保持20米以上;
无人机GPS卫星颗数在6颗以上,定位精度小于6米。
(2)作业动力源分析
在巡航距离小于200米的范围内,无人机动力电池电压不小于21.0V;
在巡航距离大于200米小于100米的范围内,无人机动力电池电压不小于22.5V;
在巡航距离大于1000米小于2000米的范围内,无人机动力电池电压不小于23V;
对于油动直升机作业,油量标尺到三分之二时开始返航作业;
对于油动固定翼作业,油量标尺到二分之一时开始返航作业。
(3)巡视作业方法分析
输电线路无人机巡视作业方法,无人机飞行巡检内容包括:杆塔基础巡检、档间导地线巡检(视频拍摄)、缺陷巡检三部分。无人机在巡线过程中需要重点拍照检测的主要是需要检测光伏电板表面,地面状况等。在地面监控平台可以选取特定的部件进行拍照以确定输电线路是否存在故障,工作人员可以通过监控平台发送相关的指令控制无人机在自动巡检和手动控制巡检两种模式切换,在视频模式和拍照模式进行切换。
更进一步的,无人机巡检作业还包括混合定位保障,利用GPS和惯性导航的组合定位导航。
需要说明的是,对于飞行于天空中的飞行器,判断自身位置是无人机安全巡检作业的关键部分。GPS是现代卫星技术在导航领域的应用,其导航覆盖面广阔、精度极高,已经成为现代社会各个领域进行导引的最佳手段。对于民用领域,GPS已经可以完全满足要求,但在军事和其它专业领域,GPS的任何错误都会带来危险,所以必须有一个不依托于外部条件的导航手段来对付突发状况。通过分析可以发现,惯性导航就是这样一种不依赖外部条件,不受外部影响的独立导航方式,是一种推算方式获取位置的方法。当惯导和GPS组合应用时,可以提高导航***的可靠性。对于专业的电力巡线飞行作业,有同样的可靠性要求,必须使用可靠性更高的组合导航的方式进行导引飞行。
基于“GPS+惯性导航”的组合定位导航中GPS提供通常状态下的导航指引,在GPS信号受到干扰、丢失、攻击的情况下,依靠弹载惯性导航***重新计算目标位置,在一个可接受的偏差范围进行导航控制,直至到达目标。惯性制导是以牛顿力学为基础的解决方案。导航顾名思义就是“引导航行”,即从地理位置的一点引导到另外一点,这个引导过程就是导航。在完成导航的过程中,需要用到3个坐标系,分别是地理坐标、机体坐标、惯性平台坐标。地球上不同位置点需要使用唯一的标识与他对应,这个标识***就是地理坐标系;飞行器在飞行过程中,可以以自身作为参考点来观察空间,那飞机本身可以设立一个参考坐标系――机体坐标系;由惯性单元构造的惯性导航***是独立于其它影响因素的坐标***,不随地球运动、飞机飞行等带来的影响――惯性平台坐标系。规定某个时刻下,惯性平台坐标系和机体坐标系是重合的,在此时刻后,由于机体的运动,使机体坐标偏离惯性平台坐标,两者间存在影射关系。参考惯性平台坐标系,机体在三个轴向上存在滚转、加减速运动,计算机采集运动量进行积分即可得到相对于惯性平台的飞机绕三轴的滚转速度和角度以及沿三轴的速度和位移。在完成机体坐标相对惯性平台坐标的转换后,可以计算机体坐标对大地坐标的转换,计算的依据来自前面得到的三轴滚转信息和三轴运动信息。通过这两次坐标转换就完成了地理坐标的惯性平台坐标表示,从而可以脱离外界的影响间接获得飞行器的位置信息。虽然原理上惯性平台不受外界影响,但在实际当中,由于摩擦力等因素的存在,导致惯性平台会随时间延续而积累误差。该积累误差由***精密度决定,通常在一定时间使用后必须进行消差处理,消差策略决定于惯性***本身的特性以及被测量的***精度要求。
在过去常用的GPS定位***适用于户外宽阔无遮挡环境,在无人机高空作业环境及家用场景下使用较多。而在复杂环境下GPS定位易出现定位漂移,定位慢、无法定位等情况。本项目针对光伏的超低空巡检需求,考虑低空障碍物遮挡、避障等问题,采用GPS+惯导***定位。该种方式在高架遮挡、山间隧道、城市峡谷、地下停车场等弱(无)卫星信号覆盖场景中,仍能通过惯性导航技术提供连续可靠的高精度定位导航。相较于仅采用GPS,GPS加惯导具有以下优势:
可发现并标校惯导***误差,提高导航精度;
弥补卫星导航的信号缺损问题,提高导航能力。
增加观测冗余度,提高异常误差的监测能力,提高***的容错功能。
提高导航***的抗干扰能力,提高完好性。
使无人机在巡检过程中避免因定位问题导致的巡检结果不准确,巡检成本增加等问题。
S2:采集图像数据,进行数据预处理;
更进一步的,采集图像数据包括:
在无人机巡检任务过程中,无人机搭载的摄像头实时拍摄飞行画面,通过无限视频图像传输模块将拍摄的画面传输到地面监控***;
当无人机达到指定地点时,通过地面指令,控制无人机悬停并切换相机工作模式,对预定检测区域进行拍摄;
无人机拍摄的照片自动保存在相机存储区,同时通过无限视频图像传输模块,将拍摄的图像传输到地面监控***。
更进一步的,数据预处理包括:对无人机巡检数据图像的相关感光度信息进行预处理计算;对于空中输电线路巡检图像序列异常识别进行关键帧图像特征提取。
图像预处理为后续的具体识别过程奠定基础,能降低算法的复杂度和提高效率,是图像识别必不可少的环节。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。本项目采用的图像分割为基于阀值的分割方。阈值分割的优点是计算简单、运算效率较高、速度快,在重视运算效率的应用场合得到了广泛应用。
图像增强的目的是改善图像的视觉效果,通过一定的方法对原图像增加一些信息或变换数据,选择性的突出图像中感兴趣的特征或者掩盖某些不需要的特征,使图像与视觉响应特性相匹配。根据处理过程所在的空间不同,可分为基于空域和基于频域的两大类算法,频率域法有低通滤波和高通滤波两种,空间域法有点运算算法和领域去噪算法两种。
二值化算法研究的核心是根据图像的灰度分布统计其最佳的阈值,传统的二值化算法有静态算法和动态算法,近年来又出现了一种基于方向图的动态阈值图像二值化方法,该方法直接从图像灰度表示图中获取动态阈值对图像进行二值化,一次性完成一般图像预处理中的分离无效区域、滤波、增强、二值化的过程。目前使用较多的图像细化算法有基于形态学
处理的快速细化算法和OPTA算法及其改进形式两种,快速细化算法的速度很快,但是细化后的纹线不是单像素宽,细化不够彻底。
对关键帧的图像特征提取是对图像的某一模式的组测量值进行变换,将图像上的点分为不同的子集,如孤立的点构成的子集、连续的曲线构成的子集、连续的区域构成的子集等,并最终提取出所需要的特征。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
常用的表达颜色特征的方法有颜色直方图、颜色集、颜色矩、颜色聚合向量、颜色相关图等。颜色直方图是最常用的方法,其优点在于不受图像旋转和平移变化的影响,若借助归一化还可不受图像尺度变化的影响,基缺点在于不能表达出颜色的空间分布信息。纹理特征的提取方法有统计法、几何法、模型法、信号处理法等,其提取的过程是在包含多个像素点的区域中进行统计计算,具有旋转不变性和抗噪声能力强等优点,也有易受分辨率变化、光照和反射情况的影响等缺点。形状特征有轮廓特征和区域特征两类表示方法,典型的形状特征描述方法有边界特征法、傅里叶形状描述符法、集合参数法、形状不变矩法等。空间关系特征提取的代表是基于视觉的姿态估计,根据算法的不同又可分为基于模型的姿态估计和基于学习的状态估计,空间关系特征的使用可加强对图像内容的描述区分能力,但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感,在本项目的应用中在图像特征提取为同时使用几种特征,以便达到目标效果。
S3:构建无人机巡检数据处理模型,进行数据处理。
更进一步的,构建无人机巡检数据处理模型的步骤为:
基于输电线路航拍数据进行结构化描述,生成样本数据库;
根据提取出来的特征信息对图像进行分类,将需识别的图像归入某一特定的类别中,为图像匹配做准备。图像匹配就是将待识别图像的特征与模板图像的相同特征进行比较匹配,根据确定的相似度计算方法计算出表示匹配程度的结果值,结果值达到设定的阀值就表明满足匹配标准,则认为图像匹配成功。
研究建立输电线路典型数据模型,支撑样本数据分类器对样本进行分类;
量化输电线路各部件缺陷严重度:
输电线路由各部件组成,将无人机采集到的输电线路图像数据按不同的设备类型分成若干个部分,其中包括导线、绝缘子、金具、杆塔、地线、避雷器和防振锤多个部件。并对线路已出现过的缺陷具体信息进行记录,并根据各类型缺陷的状态量情况对缺陷的严重等级进行划分(如杆塔的倾斜度、导线的弧垂等)并记录。根据相应的规定,设备发生的缺陷按三个等级进行管理,按其严重程度从高到低划分为危急缺陷、严重缺陷、一般缺陷。
更进一步的,构建训练器模块,在服务器端使用核心算法进行训练,从中获得分类器的配置文件和多维度数据诊断模型配置文件,形成图像特征库和特征诊断模块;
设计并开发应用程序,实现数据采集功能、配置功能及使用分类器对即图像和视频数据进行提取和标注。
更进一步的,针对航拍数据量大、噪声干扰严重、信息丰富等特点,引入核心算法包括:研究图像信息的基本稀疏编码模型、研究基于优化字典的图像稀疏编码算法、研究基于设备稀疏表示和基于多分辨图像稀疏表示的设备图像特征描述算法、研究视觉单词树的设备图谱分类方法、研究实现非结构化图像数据的结构化描述方法。
更进一步的,为了通过航拍数据获得设备的运行状态,同时引入基于红外设备图谱、紫外设备图谱以及可见光设备图谱的软检测方法;根据设备图谱特性,研究基于多视角、多时段图像融合技术的设备状态分级检测技术;基于神经网络的设备状态分类方法和应用技术和研究设备状态级别自动统计和标示技术。
应说明的是,本实施例方法将通过构建基于视频、图像数据的级联分类模型、概率图模型、深度学***台,建立平台与巡检作业紧密结合机制,实现了光伏电站全业务管理。为电站巡检带来了如下应用价值:
(1)智能分析:***根据仿生视觉类的多种算法,对巡检图像资料进行综合智能分析。通过先识别结构、再识别设备、再判断异常情况的方式对图像中的信息进行提取,将图像结构化表示出来,大大提高了人工识图的效率和准确程度;
(2)智能检索:能够根据要求以线路、杆塔信息、设备类型、故障类型、巡检计划等多种方式对巡检图像进行检索,方便查找异常情况,并提供历史图像回朔和对比功能,为故障的解决和避免故障发生提供了可靠的决策依据;
(3)监测告警:自动识别光伏面板的缺陷、破损情况等;
(4)自动生成巡检报告:***能够根据巡检的情况,自动生成巡检报告,同时提供巡检报告模板,方便不同要求的情况下报告的生成规格。
应说明的是,目前,光伏电站无人机巡检作业已经成为了光伏电站巡检作业的主要方式。无人机***在巡检作业时,对设备拍摄大量的巡检数据影像资料,包括图片视频等,数据量数以万计。对无人机巡检数据的处理方式,如果只限于人工处理的模式,会增加很大的劳动强度,对后期数据的巡检质量也会造成影响,如果采用人工在线监视、实时判断和发现光伏电站的异常,是更加艰苦的工作、更容易遗漏和误报关键信息。因此人工处理无人机巡检数据的模式是不科学的。近几年采用无人直升机低空遥感方式实现地表观察、线路巡检的技术逐渐成熟,通过无人机巡检***可见光载荷的巡检图像的实时处理与分析,可以快速的查找到电站的各项隐患和缺陷。我们将图像处理、视觉分析、智能识别和诊断技术引入到电站巡检工作,对航拍巡检图像中的杆塔鸟窝、导线弧垂异常、绝缘子状态辨识、导线异物搭挂、金具变形等进行检测,能够对报警信息及分析后的视频信号存储,支持对存储数据的快算检索,同时具备相关的业务管理、智能检测统计分析、报表打印等功能,为检修人员对航拍数据分析服务。
计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力监控***的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于视觉的无人机分布式光伏电站巡检方法。
实施例2
参照图5-8,为本发明的一个实施例,提供了一种基于视觉的无人机分布式光伏电站巡检方法,为了验证本发明的有益效果,通过巡检效率和精度计算实验进行科学论证。
首先,针对如图5实施例方法,将该基于视觉的无人机分布式光伏电站巡检方法应用于华能东莞光伏电站运维管理,搭建如图6所示无人机图像数据采集平台,利用机器视觉技术实现光伏面板缺陷检测与定位。
在已实现的多旋翼无人机地面监控***使用之前,需要进行大量的数据和功能测试以验证***的稳定性。本项目的实验验证分为无人机仿真***验证和无人机实际飞行验证,在进行无人机实际飞行测试之前需要与仿真***之间进行通信和基本功能的实验测试以确保真实场景下无人机的安全。
实际仿真测试时,监控***和仿真***间通过无线数据传输模块进行数据交互。监控***向仿真***发送联机信号,仿真***收到联机信号后回复确认连接信号与监控***间建立通信连接,仿真***开始运行,通过所实现的六旋翼模型实时模拟无人机位姿参数,并将模拟出的数据通过数据传输模块发往地面监控***,监控***和仿真***间分别进行数据的显示,通过对二者数据的对比验证***的功能和稳定性,无人机仿真飞行数据如图7所示。
当地面监控***与无人机建立通信连接后,监控***便会将所接收的所有数据按照指定的格式保存形成历史数据记录,当无人机发生坠机或其他故障时,可以通过查看历史数据记录来分析排查故障原因。测试结果部分数据的历史数据记录如图8。
与传统人力巡检相比,本方法提高巡检效率300%,精度提升56%,能够有效检出、定位和分类缺陷,相比深度学习的方法更加高效、贴合实际运维场景要求。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory,MRAM)、铁电存储器(FerroelectricRandomAccessMemory,FRAM)、相变存储器(PhaseChangeMemory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandomAccessMemory,SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于视觉的无人机分布式光伏电站巡检方法,其特征在于,包括:
完成无人机巡检作业准备和无人机巡检作业分析,进行无人机巡检作业;
采集图像数据,进行数据预处理;
构建无人机巡检数据处理模型,进行数据处理。
2.如权利要求1所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述无人机巡检作业准备包括空域申报准备、巡检作业人员准备、飞行巡检现场勘察准备和飞行巡检作业任务载荷准备;
所述无人机巡检作业分析包括:作业环境分析、作业动力源分析、巡视作业方法分析。
3.如权利要求2所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述作业环境分析包括:
无人机起飞平台保证机体3米内为平面,起飞地点15米内无杂物;
起飞时的起飞风速应不大于6米/秒,环境温度在-30摄氏度-50摄氏度,环境温度在15摄氏度以下时,进行锂电池预热;
起飞环境的能见度符合机型要求,能见距离大于400米;
无人机机体的起飞地点距离障碍物的距离保持20米以上;
无人机GPS卫星颗数在6颗以上,定位精度小于6米。
4.如权利要求1、2所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述作业动力源分析包括:
在巡航距离小于200米的范围内,无人机动力电池电压不小于21.0V;
在巡航距离大于200米小于100米的范围内,无人机动力电池电压不小于22.5V;
在巡航距离大于1000米小于2000米的范围内,无人机动力电池电压不小于23V;
对于油动直升机作业,油量标尺到三分之二时开始返航作业;
对于油动固定翼作业,油量标尺到二分之一时开始返航作业。
5.如权利要求1所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述无人机巡检作业还包括混合定位保障,利用GPS和惯性导航的组合定位导航。
6.如权利要求1所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述采集图像数据包括:
在无人机巡检任务过程中,无人机搭载的摄像头实时拍摄飞行画面,通过无限视频图像传输模块将拍摄的画面传输到地面监控***;
当无人机达到指定地点时,通过地面指令,控制无人机悬停并切换相机工作模式,对预定检测区域进行拍摄;
无人机拍摄的照片自动保存在相机存储区,同时通过无限视频图像传输模块,将拍摄的图像传输到地面监控***;
所述数据预处理包括:对无人机巡检数据图像的相关感光度信息进行预处理计算;对于空中输电线路巡检图像序列异常识别进行关键帧的提取。
7.如权利要求1所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述构建无人机巡检数据处理模型的步骤为:
基于输电线路航拍数据进行结构化描述,生成样本数据库;
研究建立输电线路典型数据模型,支撑样本数据分类器对样本进行分类;
构建训练器模块,在服务器端使用核心算法进行训练,从中获得分类器的配置文件和多维度数据诊断模型配置文件,形成图像特征库和特征诊断模块;
设计并开发应用程序,实现数据采集功能、配置功能及使用分类器对即图像和视频数据进行提取和标注。
8.如权利要求6、7所述的基于视觉的无人机分布式光伏电站巡检方法,其特征在于:所述核心算法包括:研究图像信息的基本稀疏编码模型、研究基于优化字典的图像稀疏编码算法、研究基于设备稀疏表示和基于多分辨图像稀疏表示的设备图像特征描述算法、研究视觉单词树的设备图谱分类方法、研究实现非结构化图像数据的结构化描述方法。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211739941.8A CN116258980A (zh) | 2022-12-31 | 2022-12-31 | 一种基于视觉的无人机分布式光伏电站巡检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211739941.8A CN116258980A (zh) | 2022-12-31 | 2022-12-31 | 一种基于视觉的无人机分布式光伏电站巡检方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258980A true CN116258980A (zh) | 2023-06-13 |
Family
ID=86687190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211739941.8A Pending CN116258980A (zh) | 2022-12-31 | 2022-12-31 | 一种基于视觉的无人机分布式光伏电站巡检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258980A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及*** |
CN116862482A (zh) * | 2023-09-04 | 2023-10-10 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检***和方法 |
CN117237831A (zh) * | 2023-11-10 | 2023-12-15 | 淼可森光伏电站运维管理南京有限公司 | 一种基于光伏巡检数字化的光伏设备状态管理方法及*** |
-
2022
- 2022-12-31 CN CN202211739941.8A patent/CN116258980A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861855A (zh) * | 2022-12-15 | 2023-03-28 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及*** |
CN115861855B (zh) * | 2022-12-15 | 2023-10-24 | 福建亿山能源管理有限公司 | 一种光伏电站的运维监测方法及*** |
CN116862482A (zh) * | 2023-09-04 | 2023-10-10 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检***和方法 |
CN116862482B (zh) * | 2023-09-04 | 2023-11-07 | 成都昱风能源有限公司 | 基于人工智能和大数据分析的发电站巡检***和方法 |
CN117237831A (zh) * | 2023-11-10 | 2023-12-15 | 淼可森光伏电站运维管理南京有限公司 | 一种基于光伏巡检数字化的光伏设备状态管理方法及*** |
CN117237831B (zh) * | 2023-11-10 | 2024-01-23 | 淼可森光伏电站运维管理南京有限公司 | 一种基于光伏巡检数字化的光伏设备状态管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | UAV-lidar aids automatic intelligent powerline inspection | |
CN112633535B (zh) | 一种基于无人机图像的光伏电站智能巡检方法及*** | |
WO2023061039A1 (zh) | 基于物联网的尾矿库风险监测预警*** | |
Tan et al. | Improved YOLOv5 network model and application in safety helmet detection | |
CN106441233B (zh) | 基于倾斜摄影三维重建技术的电力通道走廊巡检方法 | |
CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
CN113759960B (zh) | 基于无人机的风机叶片及塔筒巡检识别***及方法 | |
CN107392247B (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN110414359B (zh) | 长输管道无人机巡检数据分析与管理方法及*** | |
Wang et al. | High-voltage power transmission tower detection based on faster R-CNN and YOLO-V3 | |
CN110673628B (zh) | 一种复合翼无人机油气管线巡检方法 | |
CN110781757B (zh) | 一种机场道面异物识别定位方法及*** | |
CN112327906A (zh) | 一种基于无人机的智能自动巡检*** | |
CN104091168A (zh) | 基于无人机影像的电力线自动提取定位方法 | |
CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
Guo et al. | Detecting and positioning of wind turbine blade tips for uav-based automatic inspection | |
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 | |
CN114995259A (zh) | 一种用于电网配电室巡检的智能无人***及飞行巡检方法 | |
Liu et al. | An improved faster R-CNN for UAV-based catenary support device inspection | |
Katrojwar et al. | Design of Image based Analysis and Classification using Unmanned Aerial Vehicle | |
CN112097743A (zh) | 基于无人机技术的建筑抗震特性分析方法 | |
CN112861737A (zh) | 一种基于图像暗通道与YoLov3的森林火灾烟雾检测方法 | |
CN112184903A (zh) | 高压线行树障风险点的检测方法、装置、设备及介质 | |
CN112801432A (zh) | 一种风机组叶片智能巡检***及风机组叶片巡检方法 |
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 |