CN116400724A - 一种输电线路无人机智能巡检方法 - Google Patents

Abstract

本发明是一种输电线路无人机智能巡检方法，其特点是，包括：基于改进型RBF神经网络的自适应控制的特定输电线路最优巡检路径规划及离线高光谱参考样本快速稀疏表征和基于自适应波段切换的故障点多维智能辨识策略。该方法结合人工巡检经验与GPS定位确定巡检最优路径，以改进型RBF神经网络的自适应控制实现无人机最优路径的自动巡检；通过高光谱相机全光谱采集获取输电线路参考信号基础数据，依据各故障种类特征进行离线数据分析，确定最优故障辨识波段，实现辨识波段的自适应切换，无人机自动巡检过程中对高光谱相机采集数据快速稀疏表征、通过多维智能辨识算法实现智能巡检。具有科学合理，巡检效率高，精度高，适用性强的优点。

Description

一种输电线路无人机智能巡检方法

技术领域

本发明涉及输电线路无人机巡检领域，是一种输电线路无人机智能巡检方法。

背景技术

输电线路的有效、及时巡检是保障电网供电安全、稳定、高效运行的关键，而传统的人工巡检方式低效的同时也不可避免的造成由于人力资源、巡检经验及巡检手段限制带来的安全隐患。基于无人机的巡检方式则可有效解决上述问题，而且能够有效克服由于巡检线路自然条件恶劣带来的巡检瓶颈问题。

现有技术中，基于无人机的输电线路巡检主要存在自巡航定位精度低与故障智能辨识时效性差两大难点。对于无人机自巡航问题，现有的无人机巡检***一般采用路径规划自动规划或单纯基于GPS定位导航实现自巡航，前者一般采用如蚁群算法、人工势场算法以及A*搜索算法等智能优化算法对最优路径进行求解计算，这些算法虽然能够有效对最优路径进行求解，但是普遍存在易早熟、迭代收敛速度低以及求解精度低的问题；而单纯基于GPS定位导航的方法对于准确定位故障点的精度相对较低。上述两种方法都没有充分考虑特定输电线路的适应性问题，且没有充分发挥人工巡检的经验，因此自巡航定位精度低的同时缺乏针对关键部件的巡检特殊需要。而对于故障辨识智能化的问题现有方案存在的主要问题包括：一次设备、二次设备故障辨识方法不统一、单一波段的检测方式准确性差、智能准确性受训练样本数量限制、基于大型设备平台的成本高、机载高光谱相机数据量大等问题，难以实现故障在线、实时辨识。

综上所述，充分利用人工巡检经验及特定输电线路特点研究无人机自巡航路径有效规划与精准定位；高效处理高光谱数据实现故障在线、实时智能辨识是提升输电线路无人机智能巡检效率与准确性急迫需要解决的关键问题。

发明内容

本发明所要解决的技术问题在于，针对现有技术中，输电线路无人机实时性、准确性、智能化巡检存在的问题，提供一种科学合理，巡检效率高，精度高，适用性强的输电线路无人机智能巡检方法。该方法能够通过GPS定位及全光谱数据采集获取输电线路基础数据，结合各故障种类特征进行离线数据分析、自适应选取故障特征光谱、对高光谱相机采集数据快速稀疏表征、通过多维智能辨识算法实现智能巡检。

解决其技术问题采用的技术方案是，一种输电线路无人机智能巡检方法，其特征是，所述方法包括：

步骤1，基于改进型RBF神经网络的自适应控制的特定输电线路最优巡检路径规划及离线高光谱参考样本快速稀疏表征：启动无人机手动控制巡航，结合GPS定位及神经网络模型学习并优化特定输电线路最优巡检路径；基于机载高光谱相机获取全光谱参考信号样本集，针对一次设备、二次设备的关键部位的高光谱数据进行GPS定位记录，离线分析高光谱数据，并根据常见故障类型确定各关键部件最优故障辨识波段，通过关键部件不同故障类型的光谱信号小波域模极大值计算李氏指数，在不同尺度上筛选小波域模极大值稀疏表征该波段高光谱信号，采用径向基核函数的非线性支持向量机对稀疏化筛选后参考信号进行特征的聚类处理，采用相关熵自适应模型对参考信号样本集的同质性进行度量，在不同尺度上对比信号特征聚类结果并应用Sigmoid函数实现归一化，获得参考稀疏表征矢量作为故障智能辨识判别依据；

步骤2，基于自适应波段切换的故障点多维智能辨识策略：依据关键部件的GPS定位以及对应的最优故障辨识波段，融合可见光二维图像与一维光谱特征实现故障辨识，利用最小外接矩形法锁定可见光图像中的关键部件区域，对所述关键部件区域确定波段的一维光谱信号与参考信号一样采用步骤1实现快速稀疏表征实现一维故障特征提取；建立相关熵自适应模型，给信号的小波域模极大值分配不同的权重，根据不同的故障点光谱特性与参考样本集稀疏表征的相关性确定是否存在故障，记录故障信号及GPS三维坐标，根据是否存在故障可能性延长无人机悬停时间，以记录故障信号坐标为中心进行重复数据采集并反复比较确认，无人机再继续按照既定路径进行接下来的巡检，关键部件之间的线路巡检直接按照固定分析波段通过计算参考稀疏表征矢量相关熵即可同步巡检与辨识。

进一步地，步骤1中，所述结合GPS定位及神经网络模型学习优化特定输电线路最优巡检路径的过程包括：

启动无人机手动控制功能，结合特定输电线路关键部件的分布情况及巡检经验反复测试，结合GPS定位多次核准精确记录关键部件位置信息，确定最优巡检路径；

建立改进型RBF神经网络自适应控制神经网络模型，沿上述确定好的最优巡检路径反复学习对控制参数优化并结合步骤2的辨识结果加入悬停控制，***自动生成无人机飞行到关键部件时的拍摄动作和航迹实现无人机自动巡航巡检。

进一步地，步骤1中，所述基于机载高光谱相机采样全光谱参考信号样本集，进行信号奇异性检测包括：

沿特定输电线路巡检路径及关键部件GPS定位信息采样获取关键部件信号样本集并编号；

由信号特点确定小波基及变换的尺度级别，基于小波变换模极大值计算每个样本在各尺度上的李氏指数实现THz-TDS奇异性度量；

依据信号、噪声的局部奇异性特点进行小波变换模极大值的筛选，滤除李氏指数小于0的模极大值。

进一步地，步骤1中，所述建立改进型RBF神经网络自适应控制神经网络模型包括：

根据最优路径选取控制参数参考样本值C＝[c₁...c_i...c_n]，

误差指标选取为无人机理想参考位置y_d与实际位置y的均方差，即

E＝0.5(y_d-y)²。

设计控制律u为

u＝-f(x)+y_d+K^TE

其中，x为输入控制参数向量，f(x)为RBF神经网络的输出

设计K＝(k₁,...,k_n)^T使多项式sⁿ+k₁s^n-1...+k_n＝0的根都在左半复平面；

h(x)为径向基函数，选择高斯函数

其中，n代表控制参数个数，c_i为基函数中心值，这里选取与x对应的理想值即最优路径对应的各时刻参考样本值，降低了由于中心值选择不合理造成的控制误差；ε为径向基函数的方差选择则根据最优路径样本数据进行选择；

为理想权值W的估计，

设计权值计算方式为

其中γ为正常数，B＝(0,...,1)^T，矩阵P为对称正定的矩阵且满足如下Lyapunov方程：

Λ^TP+PΛ＝-Q

其中，Q≥0，

以RBF神经网络使逼近误差指标足够小为优化终止条件，保证***的稳定，优化权值估计

进一步地，步骤1中，所述聚类处理的内容包括：参考信号样本集每一个样本信号的特征稀疏化筛选结果作为输入参考样本特征空间矢量x_k，k＝1，2，......，l，被径向基核函数非线性映射，即：

K(||x_k-y||)＝exp(-γ||x_k-y||²/2σ²)

式中，x_k为输入样本特征，y表示高斯核函数的中心，σ为函数值跌至零的速度参数，

表示核的灵活性，实现映射域的特征聚类，根据参考信号稀疏表征矢量作为输入样本特征，通过径向基核函数非线性映射，获得参考信号样本集根据不同尺度上小波域模极大值的位置、大小稀疏表征特征聚类的样本分类结果，选出特征较集中的样本集作为下一步归一化的输入。

进一步地，步骤1、2中，所述相关熵自适应模型用于估计数据的分布，度量任意矢量a、b之间相似度，定义为：

式中：B为特征数，k_σ(·)代表满足Mercer定理的高斯核函数，k_σ(·)＝exp[-||·||²/(2σ²)]；选择σ＝0.05同时兼顾同质和异质信息；相关熵模型自适应观测模型在步骤1应用中矢量a，矢量b代表参考信号稀疏化、聚类后样本集结果中任意两个样本信号特征的稀疏化矢量，a_i,p和b_i,p代表两个不同参考信号样本相同尺度的稀疏表征特征值，分别在不同尺度上对样本特征进行度量同质性和异质性进而对矢量进行；在步骤2应用中矢量a，矢量b分别代表代表参考信号和被检测目标随机采样信号特征的稀疏化矢量，b_i,p代表由步骤1获得的参考信号样本的稀疏表征矢量，a_i,p则代表分块域内的所有采样点信号稀疏表征矢量，i代表小波变换的尺度，p代表同一尺度内第p个特征值；

基于相关熵自适应模型度量结果，用Sigmoid函数进行归一化处理：

S代表Sigmoid函数，exp代表指数函数，f(a,b)代表相关熵度量函数。

本发明是一种输电线路无人机智能巡检方法，所述方法包括：基于改进型RBF神经网络的自适应控制的特定输电线路最优巡检路径规划及离线高光谱参考样本快速稀疏表征和基于自适应波段切换的故障点多维智能辨识策略。所述方法能够通过GPS定位及全光谱数据采集获取输电线路基础数据，结合各故障种类特征进行离线数据分析、自适应选取故障特征光谱、对高光谱相机采集数据快速稀疏表征、通过多维智能辨识算法实现智能巡检。具有方法科学合理，巡检效率高，精度高，适用性强的优点。

附图说明

图1是一种输电线路无人机智能巡检方法框图；

图2是改进型RBF神经网络的自适应控制流程图；

图3是参考样本一维光谱信号稀疏表征流程图；

图4是基于自适应波段切换的故障特点多维智能辨识流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面利用附图对本发明的一种输电线路无人机智能巡检方法进行详细说明。

参照图1，一种输电线路无人机智能巡检方法，针对现有无人机自巡航及智能辨识方法的局限性，结合人工巡检经验改进RBF神经网络自适应控制为实现无人机自巡航、提升定位准确性，以自适应波段切换的故障点多维智能辨识策略，解决基于高光谱数据辨识的实时性问题，进而实现输电线路无人机智能巡检效率提升。

包括以下步骤：

步骤1，基于改进型RBF神经网络的自适应控制的特定输电线路最优巡检路径规划及离线高光谱参考样本快速稀疏表征。包括最优巡检路径规划和高光谱参考样本采集及稀疏表征两个部分。

其中，最优路径巡检规划的实现首先进行基于人工巡检经验的手动无人机最优巡检路径样本采集，明确特定输电线路最优巡检路径，记录关键部件及最优路径GPS三维坐标，在此基础上对基于改进型RBF神经网络自适应控制模型训练，为基于改进型RBF神经网络自适应控制最优路径跟踪的无人机自动巡检及基于机载高光谱相机采样全光谱参考信号样本集获取奠定基础。

高光谱参考样本采集及稀疏表征部分则针对最优路径巡检过程中获取的全光谱参考信号样本集进行离线分析，根据常见故障类型确定各关键部件最优故障辨识波段；由于一般线路的故障单一仅根据离线分析结果确定最优故障分析波段即可。针对关键部件不同故障类型的光谱信号进行小波域模极大值计算获得李氏指数，在不同尺度上筛选小波域模极大值稀疏表征该波段高光谱信号，实现参考信号的奇异性度量及稀疏化；采用径向基核函数的非线性支持向量机对稀疏化筛选后参考信号进行特征的聚类处理；基于相关熵的自适应模型对参考信号样本集的同质性进行度量，在不同尺度上对比信号特征聚类结果并应用Sigmoid函数实现归一化，实现稀疏表征矢量归一化，获得参考稀疏表征矢量作为故障智能辨识判别依据。

步骤2，基于自适应波段切换的故障点多维智能辨识策略。

自适应波段切换及故障点多维智能辨识，首先依据关键部件的GPS定位以及对应的最优故障辨识波段，实现故障辨识波段的自适应切换；基于选定波段及快速稀疏表征对输电线故障一维光谱特征辨识；融合可见光二维图像与一维光谱特征，利用最小外接矩形法锁定可见光图像中的关键部件区域，实现关键部件可见光二维图像最小外接矩形圈定；在选定波段对关键部件目标区域的一维光谱信号采用与参考信号一样的步骤1实现关键部件目标区域故障在选定波段的一维光谱特征辨识。

步骤1中，改进型RBF神经网络的自适应控制流程参照附图2，包括以下步骤：

1)初始化控制参量矩阵C＝[c₁..._Ci...c_n]，理想参考位置y_d，径向基函数方差ε；

2)结合人工巡检经验确定最优巡检路径记录所有GPS三维坐标并区分一般输电线路与关键部件坐标，并为GPS三维坐标序号i＝0赋初值；

3)输入控制参数向量x；

4)神经网络模型权值

估计：

设计权值计算方式为

其中γ为正常数，B＝(0,...,1)^T，矩阵P为对称正定的矩阵且满足如下Lyapunov方程：

Λ^TP+PΛ＝-Q

其中，Q≥0，

以RBF神经网络使逼近误差指标足够小为优化终止条件，保证***的稳定，优化权值估计

5)径向基函数计算：

h(x)为径向基函数，一般选择高斯函数

其中，n代表控制参数个数，c_i为基函数中心值，这里选取与x对应的理想值即最优路径对应的各时刻参考样本值，降低了由于中心值选择不合理造成的控制误差；ε为径向基函数的方差选择则根据最优路径样本数据进行选择；/>

为理想权值W的估计。

5)计算RBF神经网络模型误差指标：

误差指标选取为无人机理想参考位置y_d与实际位置y的均方差，即

E＝0.5(y_d-y)²。

6)判断E是否满足<0.01，满足则执行下一步，不满足返回3)；

7)最优控制率输出：

设计控制律u为

u＝-f(x)+y_d+K^TE

其中，x为输入控制参数向量，f(x)为RBF神经网络的输出

设计K＝(k₁,...,k_n)^T使多项式sⁿ+k₁s^n-1...+k_n＝0的根都在左半复平面；

8)最优控制参量x；

9)用于控制对象获得输出y:

根据输出y反复优化控制参量；

10)判断所有GPS坐标是否全部跟踪完毕，若未完毕则GPS坐标序号+1，完毕则结束。

步骤1中，参考样本一维光谱信号稀疏表征流程图，参照附图3，包括以下步骤：

1)采样参考样本N个样本信号；

最优路径训练过程中，通过高光谱相机采集被检测特定输电线路光谱全数据，采样参考样本N个样本信号：依据巡检线路各部分特性经常规高光谱数据离线分析确定参考信号最优故障辨识波段，并作为样本信号集；

2)初始化样本训练集编号i、小波基及尺度j；

3)第i个样本各尺度小波域模极大值计算；

信号f(t)的小波变换定义为：

将小波变换按卷积来定义，一个信号的小波变换就可以看作是信号通过一个***的输出，而该***的冲激响应恰好是φ_s(t)，其中

t和τ都是时间变量。前者看作位移后者作为积分变量。

小波变换同时能够考量信号时频域的奇异性，以W_f(s,t)表示函数f(x)的小波变换，在尺度s₀下，称点(s₀,x₀)是局部极值点，

在t₀上有一过零点，则t₀点为小波变换s₀尺度下的模极大值点。

4)计算各尺度s_j下的李氏指数：

一个信号f(t)∈R在某处的奇异性常用奇异指数Lipschitzα来描述，简称李氏指数，是信号局域特征的一种度量。

根据李氏指数定义，设0≤α≤1，存在常数k，对t₀邻域t有：|f(t)-f(t₀)|≤k|t-t₀|^a成立，则称f(t)在t₀为李氏指数α的。其表征了信号f(t)在该点的正则性，表征信号在该点的规则性(奇异性)的度量。

5)判断李氏指数>0？是则执行下一步，否则返回4)；

α＝1时，f(x)在t₀点平滑无奇异性；0<α<1，f(x)在t₀点单调下降；α＝0，f(x)在t₀点间断；α越小说明f(x)在t₀点冲激性越强，且有用信号奇异性表现为正，α>0,噪声则为负，α<0。

当t在区间[A,B]中，s＝2^j时，若W_f(s,t)满足：

|W_f(2^j,t)|≤k(2^j)^α (2)

其中：k是一个常数，则f(t)在区间[A,B]、尺度s_j上的李氏指数均匀为α。

当小波在两个不同的尺度s_j，s_j+1，且W_f(2^j,t₀)为t＝t₀点小波模极大值时，对上式两端取以2为底的对数：

对两式相减得到：

可见，α>0时，小波变换模极大值与尺度j成正比；反之，成反比；α＝0，小波变换模极大值不变。

基于信号的奇异性具有局部性而噪声的奇异性具有全局性特点，同时信号的奇异性一般为正即α>0，噪声则α<0。因此，以此为判定指标滤除Lipschitz指数α<0的模极大值，即可实现高光谱信号的去噪处理及小波域模极大值筛选即实现了信号降噪与稀疏化，这就为高光谱信号快速降维及特征提取的准确性提升奠定了基础。

6)记录尺度s_j下的模极大值及位置；

7)判断所有样本个尺度李氏指数判断是否完毕？若未完毕返回2)，完毕则执行下一步；

8)基于非线性支持向量机特征聚类：

参考信号样本集每一个样本信号的特征稀疏化筛选结果作为输入参考样本特征空间矢量x_k，k＝1，2，......，l，被径向基核函数非线性映射，即：

K(||x_k-y||)＝exp(-γ||x_k-y||²/2σ²) (5)

式中，x_k为输入样本特征，y表示高斯核函数的中心，σ为函数值跌至零的速度参数，

表示核的灵活性。实现映射域的特征聚类，根据参考信号稀疏表征矢量作为输入样本特征，通过径向基核函数非线性映射，获得参考信号样本集根据不同尺度上小波域模极大值的位置、大小稀疏表征特征聚类的样本分类结果，选出特征较集中的样本集作为下一步归一化的输入。

9)基于相关熵的自适应观测模型及Sigmoid函数的归一化：

由于相同的故障在特征上也存在一定的异质性，因此相同故障的光谱差异也会较大。从目标区域相邻采样点之间空间关系的同质和异质考虑，基于相关熵的自适应观测模型，根据不同的光谱特性对由可见光图像最小外接矩形圈定的关键部件目标邻域内的信号分配不同的权重。

相关熵自适应模型用于估计数据的分布，度量任意矢量a、b之间相似度，定义为：

式中：B为特征数，k_σ(·)代表满足Mercer定理的高斯核函数，k_σ(·)＝exp[-||·||²/(2σ²)]；选择σ＝0.05同时兼顾同质和异质信息；相关熵模型自适应观测模型在步骤1应用中矢量a，矢量b代表参考信号稀疏化、聚类后样本集结果中任意两个样本信号特征的稀疏化矢量，a_i,p和b_i,p代表两个不同参考信号样本相同尺度的稀疏表征特征值，分别在不同尺度上对样本特征进行度量同质性和异质性度量，确定不同类别故障特征稀疏化矢量；

基于相关熵自适应模型度量结果，用Sigmoid函数进行归一化处理：

S代表Sigmoid函数，exp代表指数函数，f(a,b)代表相关熵度量函数。

10)获得最终的参考信号稀疏表征矢量，作为下一步故障辨识的依据。

步骤2为基于自适应波段切换的多维智能故障辨识策略，其中，基于自适应波段切换的故障特点多维智能辨识流程，参照附图4，步骤包括：

1)调用无人机自动巡检程序；

2)写入参考GPS坐标；

3)采集实时GPS坐标；

4)判断是否未关键部件GPS坐标，若不是则执行分支①内步骤，若是是则执行分支②内步骤，具体如下：

由于目标检测与材料特性、故障类型等因素联系紧密，因此首先，要根据GPS坐标将目标按照一般输电线路和关键部件分别采用不同方法进行辨识。

①输电线路故障智能辨识

首先根据GPS坐标写入参考稀疏表征矢量，再依据步骤1对采样信号进行一维光谱快速稀疏表征，引入相关熵估计目标数据的分布，度量目标与参考稀疏表征矢量a、b之间相似度，以判定两个向量的同质性，具体模型参照公式(6)，将采样信号归一化稀疏表征结果与参考信号的稀疏表征矢量进行比较，判断一致性明确是否有故障，如果有则记录GPS坐标、故障类型并发送给上位机，没有则继续跟踪到下一坐标对信号进行辨识。

②关键部件故障智能辨识

首先根据GPS坐标写入参考稀疏表征矢量，再通过可见光图像最小外接矩形法圈定关键部件，具体实现过程：

对高光谱相机获取数据选择可见光波段实现可见光成像，经过常规的灰度化、二值化、膨胀、边缘检测等预处理后，通过最小外接矩形法实现关键部件检测目标的圈定。

最小外接矩形法的具体实现先根据像素二值结果扫描获取目标上下左右在图像中的位置；再根据计算精度的要求，选择图像四个相互垂直扫描线d₁₁、d₁₂、d₂₁、d₂₂角度增量0°<Δ_A<90°，执行过程如下：

(1)初始化描线角度i_α＝0，令a，b为范围矩形相邻边长度，A＝0，转(2)；

(2)设置扫描线角度为i_α＝i_α+Δ_A，转(3)；

(3)计算扫描线d₁₁、d₁₂的斜率k₁＝arctan(i_α)；d₂₁、d₂₂的斜率k₂＝-1/k₁，转(4)；

(4)调整d₁₁、d₁₂、d₂₁、d₂₂扫描线过的定点，使d₁₁沿着目标范围矩形左边界下移，d₁₂沿着目标范围矩形右边界上移，d₂₁沿着目标范围矩形右边界下移，d₂₂沿着目标范围矩形左边界上移。直到d₁₁、d₁₂、d₂₁、d₂₂与目标图像相切为止。

(5)计算步骤(4)所得矩形的面积t_s，并和s₀比较；若t_s<s₀，则转(6)，否则转(7)；

(6)记录该矩形相邻边长度，记为a、b、d₁₁的角度记为A，令s＝t_s，转(7)；

(7)计算表达式i_α+Δ_A<90，若表达式为真则转(2)，否则转(8)；

(8)运算结束，确定出关键部件区域。

然后，再目标范围对选定波段一维光谱进行快速稀疏表征：依据步骤1对采样信号进行快速并行降噪与稀疏表征、特征聚类、归一化，引入相关熵估计目标数据的分布，度量目标与参考稀疏表征矢量a、b之间相似度，以判定两个向量的同质性，具体模型参照公式(6)，将采样信号归一化稀疏表征结果与参考稀疏表征矢量进行比较，判断一致性明确是否有故障，如果有则记录GPS坐标、故障类型并发送给上位机，没有则继续跟踪到下一坐标对信号进行辨识。

5)判定是否为最后GPS坐标，若否返回1)，否则结束巡检。

本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (6)

1.一种输电线路无人机智能巡检方法，其特征是，所述方法包括：

步骤1，基于改进型RBF神经网络的自适应控制的特定输电线路最优巡检路径规划及离线高光谱参考样本快速稀疏表征：启动无人机手动控制巡航，结合GPS定位及神经网络模型学习并优化特定输电线路最优巡检路径；基于机载高光谱相机获取全光谱参考信号样本集，针对一次设备、二次设备的关键部位的高光谱数据进行GPS定位记录，离线分析高光谱数据，并根据常见故障类型确定各关键部件最优故障辨识波段，通过关键部件不同故障类型的光谱信号小波域模极大值计算李氏指数，在不同尺度上筛选小波域模极大值稀疏表征该波段高光谱信号，采用径向基核函数的非线性支持向量机对稀疏化筛选后参考信号进行特征的聚类处理，采用相关熵自适应模型对参考信号样本集的同质性进行度量，在不同尺度上对比信号特征聚类结果并应用Sigmoid函数实现归一化，获得参考稀疏表征矢量作为故障智能辨识判别依据；

步骤2，基于自适应波段切换的故障点多维智能辨识策略：依据关键部件的GPS定位以及对应的最优故障辨识波段，融合可见光二维图像与一维光谱特征实现故障辨识，利用最小外接矩形法锁定可见光图像中的关键部件区域，对所述关键部件区域确定波段的一维光谱信号与参考信号一样采用步骤1实现快速稀疏表征实现一维故障特征提取；建立相关熵自适应模型，给信号的小波域模极大值分配不同的权重，根据不同的故障点光谱特性与参考样本集稀疏表征的相关性确定是否存在故障，记录故障信号及GPS三维坐标，根据是否存在故障可能性延长无人机悬停时间，以记录故障信号坐标为中心进行重复数据采集并反复比较确认，无人机再继续按照既定路径进行接下来的巡检，关键部件之间的线路巡检直接按照固定分析波段通过计算参考稀疏表征矢量相关熵即可同步巡检与辨识。

2.根据权利要求1所述的一种输电线路无人机智能巡检方法，其特征是，步骤1中，所述结合GPS定位及神经网络模型学习优化特定输电线路最优巡检路径的过程包括：

启动无人机手动控制功能，结合特定输电线路关键部件的分布情况及巡检经验反复测试，结合GPS定位多次核准精确记录关键部件位置信息，确定最优巡检路径；

建立改进型RBF神经网络自适应控制神经网络模型，沿上述确定好的最优巡检路径反复学习对控制参数优化并结合步骤2的辨识结果加入悬停控制，***自动生成无人机飞行到关键部件时的拍摄动作和航迹实现无人机自动巡航巡检。

3.根据权利要求1所述的一种输电线路无人机智能巡检方法，其特征是，步骤1中，所述基于机载高光谱相机采样全光谱参考信号样本集，进行信号奇异性检测包括：

沿特定输电线路巡检路径及关键部件GPS定位信息采样获取关键部件信号样本集并编号；

由信号特点确定小波基及变换的尺度级别，基于小波变换模极大值计算每个样本在各尺度上的李氏指数实现参考信号的奇异性度量；

依据信号、噪声的局部奇异性特点进行小波变换模极大值的筛选，滤除李氏指数小于0的模极大值。

4.根据权利要求2所述的一种输电线路无人机智能巡检方法，其特征是，所述建立改进型RBF神经网络自适应控制神经网络模型包括：

根据最优路径选取控制参数参考样本值C＝[c₁...c_i...c_n]，

误差指标选取为无人机理想参考位置y_d与实际位置y的均方差，即

E＝0.5(y_d-y)²。

设计控制律u为

u＝-f(x)+y_d+K^TE

其中，x为输入控制参数向量，f(x)为RBF神经网络的输出

设计K＝(k₁,...,k_n)^T使多项式sⁿ+k₁sⁿ-¹...+k_n＝0的根都在左半复平面；

h(x)为径向基函数，选择高斯函数

其中，n代表控制参数个数，c_i为基函数中心值，这里选取与x对应的理想值即最优路径对应的各时刻参考样本值，降低了由于中心值选择不合理造成的控制误差；ε为径向基函数的方差选择则根据最优路径样本数据进行选择；

为理想权值W的估计，

设计权值计算方式为

其中γ为正常数，B＝(0,...,1)^T，矩阵P为对称正定的矩阵且满足如下Lyapunov方程：

Λ^TP+PΛ＝-Q

其中，Q≥0，

以RBF神经网络使逼近误差指标足够小为优化终止条件，保证***的稳定，优化权值估计

5.根据权利要求1所述的一种输电线路无人机智能巡检方法，其特征是，步骤1中，所述聚类处理的内容包括：参考信号样本集每一个样本信号的特征稀疏化筛选结果作为输入参考样本特征空间矢量x_k，k＝1，2，……，l，被径向基核函数非线性映射，即：

K(||x_k-y||)＝exp(-γ||x_k-y||²/2σ²)

式中，x_k为输入样本特征，y表示高斯核函数的中心，σ为函数值跌至零的速度参数，

表示核的灵活性，实现映射域的特征聚类，根据参考信号稀疏表征矢量作为输入样本特征，通过径向基核函数非线性映射，获得参考信号样本集根据不同尺度上小波域模极大值的位置、大小稀疏表征特征聚类的样本分类结果，选出特征较集中的样本集作为下一步归一化的输入。

6.根据权利要求1所述的一种输电线路无人机智能巡检方法，其特征是，步骤1、2中，所述相关熵自适应模型用于估计数据的分布，度量任意矢量a、b之间相似度，定义为：

式中：B为特征数，k_σ(·)代表满足Mercer定理的高斯核函数，k_σ(·)＝exp[-||·||²/(2σ²)]；选择σ＝0.05同时兼顾同质和异质信息；相关熵模型自适应观测模型在步骤1应用中矢量a，矢量b代表参考信号稀疏化、聚类后样本集结果中任意两个样本信号特征的稀疏化矢量，a_i,p和b_i,p代表两个不同参考信号样本相同尺度的稀疏表征特征值，分别在不同尺度上对样本特征进行度量同质性和异质性进而对矢量进行；在步骤2应用中矢量a，矢量b分别代表代表参考信号和被检测目标随机采样信号特征的稀疏化矢量，b_i,p代表由步骤1获得的参考信号样本的稀疏表征矢量，a_i,p则代表分块域内的所有采样点信号稀疏表征矢量，i代表小波变换的尺度，p代表同一尺度内第p个特征值；

基于相关熵自适应观测模型度量结果，用Sigmoid函数进行归一化处理：

S代表Sigmoid函数，exp代表指数函数，f(a,b)代表相关熵度量函数。

Images