CN116503768B - 一种飞行设备空中对接方法及装置 - Google Patents
一种飞行设备空中对接方法及装置 Download PDFInfo
- Publication number
- CN116503768B CN116503768B CN202310777034.0A CN202310777034A CN116503768B CN 116503768 B CN116503768 B CN 116503768B CN 202310777034 A CN202310777034 A CN 202310777034A CN 116503768 B CN116503768 B CN 116503768B
- Authority
- CN
- China
- Prior art keywords
- docking
- equipment
- aerial
- flying
- information
- 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.)
- Active
Links
- 238000003032 molecular docking Methods 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 210000001503 joint Anatomy 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- B64D39/00—Refuelling during flight
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种飞行设备空中对接方法及装置，涉及数据处理技术领域，包括一种飞行设备空中对接方法及装置，获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,将所述第一信息进行处理，得到飞行设备的空中对接方案；基于所述飞行设备的空中对接方案进行飞行设备的空中对接，得到对接图像信息；将对接图像信息发送至图像处理模块，得到空中对接的关键帧图像信息；将空中对接的关键帧图像信息进行特征识别，基于特征进行误差分析和参数调整，得到调整后的空中对接方案；基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接。本发明能够减少人力物力投入，提高空中对接效率。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种飞行设备空中对接方法及装置。
背景技术
飞行设备空中对接技术是各国空军在全球范围内作战的主要保障，战斗机、轰炸机、侦察机和运输机都可以通过空中对接加油从而增大航程。当飞行设备需要降落在地面进行加油，在战时将大大影响其作战能力，并且飞行设备存在视野盲区，人工控制飞行设备对接是非常困难的，需要大量经验的飞行员才能进行空中对接，因此急需一种能够自动确定加油设备和自动进行对接调整的控制方法和设备来减少人力物力的投入，提高空中对接效率。
发明内容
本发明的目的在于提供一种飞行设备空中对接方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种飞行设备空中对接方法，包括：
获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,所述飞行设备的运行参数包括飞行设备的飞行速度参数、飞行高度参数和位置参数；
将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案；
基于所述飞行设备的空中对接方案进行飞行设备的空中对接，并采集得到飞行设备的空中对接图像信息；
将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息；
将所述飞行设备的空中对接的关键帧图像信息进行特征识别，并基于识别到的特征进行误差分析和参数调整，得到调整后的空中对接方案；
基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接。
第二方面，本申请还提供了一种飞行设备空中对接装置，包括：
获取单元，用于获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,所述飞行设备的运行参数包括飞行设备的飞行速度参数、飞行高度参数和位置参数；
第一处理单元，用于将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案；
第二处理单元，用于基于所述飞行设备的空中对接方案进行飞行设备的空中对接，并采集得到飞行设备的空中对接图像信息；
第三处理单元，用于将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息；
第四处理单元，用于将所述飞行设备的空中对接的关键帧图像信息进行特征识别，并基于识别到的特征进行误差分析和参数调整，得到调整后的空中对接方案；
第五处理单元，用于基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接。
本发明的有益效果为：
本发明通过对飞行设备的飞行路线进行规划，快速确定最适合对接的飞行设备，保障能够高效快速的进行两个飞行设备的对接，并且本发明还通过设备空中对接设备的对接图像，进而通过特征识别判断是否能够对接完成，并基于特征对比到的误差进行线性回归分析，确定每个误差的成功率，然后基于每个误差对应的成功率进行参数调整，在减小误差的同时提高对接成功率，保障对接效率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例中所述的飞行设备空中对接方法流程示意图;
图2为本发明实施例中所述的飞行设备空中对接装置结构示意图；
图3为本发明实施例中所述的飞行设备与对接设备的结构示意图；
图4为本发明实施例中所述光源发射装置发射的圆锥形光柱形状示意图；
图5为本发明实施例中所述锥套反光膜上的反光膜图像示意图。
图中标记：1、对接设备；2、需要对接的飞行设备；3、光源发射装置；4、锥套；5、锥套反光膜；6、输油管；7、第一箭头；8、第一中心点；9、第二箭头；10、第二中心点；701、获取单元；702、第一处理单元；703、第二处理单元；704、第三处理单元；705、第四处理单元；706、第五处理单元；7021、第一处理子单元；7022、第二处理子单元；7023、第三处理子单元；7024、第一分析子单元；7025、第四处理子单元；70241、第五处理子单元；70242、第一优化子单元；70243、第二优化子单元；70244、第三优化子单元；7041、第六处理子单元；7042、第七处理子单元；7043、第八处理子单元；7051、第一识别子单元；7052、第二识别子单元；7053、第三识别子单元；7054、第四识别子单元；7055、第九处理子单元；7056、第二分析子单元；7057、第十处理子单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种飞行设备空中对接方法。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5和步骤S6。
步骤S1、获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,所述飞行设备的运行参数包括飞行设备的飞行速度参数、飞行高度参数和位置参数；
可以理解的是本步骤通过确定需要加油的所有飞行设备的参数信息，确定每个飞行设备的位置，飞行速度和飞行高度，快速确定能够给所述飞行设备加油的设备，进而为之后的加油路径进行规划，提高加油效率，减少加油时间。
步骤S2、将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案；
可以理解的是本步骤通过对飞行设备的参数信息进行数据转化，快速确定最适合的加油设备和最适合的空中加油路径，保障加油效率，本步骤中，步骤S2包括步骤S21、步骤S22、步骤S23、步骤S24和步骤S25。
步骤S21、将所述飞行设备的飞行速度参数、飞行高度参数和位置参数进行数据转化处理，得到路径规划图，所述路径规划图包括节点和边，所述节点包括对接设备的位置信息，所述边为对接设备到飞行设备的路径信息；
可以理解的是本步骤中的路径规划图包括飞行设备的位置，飞行设备的高度、飞行设备的速度等属性信息，而边则包括起点、终点、两点之间的路径、飞行设备所需要的时间等属性信息。生成的路径规划图能够直观地展示与所述飞行设备所对接设备之间的联系以及对接路径等信息，方便后续路径规划和优化。
步骤S22、将所述路径规划图进行邻接矩阵转换，得到每个对接设备和所述第一信息的关联关系矩阵；
可以理解的是本步骤中的邻接矩阵是一种表示图的方法，通过使用矩阵来描述图中节点之间的关联关系。本步骤将游览有向图转换为邻接矩阵，得到所述飞行设备与所有的对接设备间的关联关系矩阵，该矩阵中的元素表示相邻节点之间的边的权重或者关联关系的强度。这些关联关系和权重可以用来表示飞行设备与所有的对接设备间的适合度，为之后的确定由对接设备和对接路线做准备，提高对接效率。
步骤S23、将所述关联关系矩阵进行矩阵分解处理，得到每个对接设备和所述第一信息的潜在特征向量；
可以理解的是本步骤椎间盘每个的矩阵分解是一种线性代数的运算，将一个矩阵分解为多个子矩阵相乘的形式，从而得到每个子矩阵的特征向量和特征值。在本步骤中，通过对关联关系矩阵进行矩阵分解处理，可以得到飞行设备与所有的对接设备间间的潜在特征向量，即各飞行设备与所有的对接设备间的特征表示，用于反映飞行设备与所有的对接设备间的相似度和联系程度。通过矩阵分解得到飞行设备与所有的对接设备间的潜在特征向量，能够有效地描述飞行设备与所有的对接设备间的相似度和联系程度，为后续的最优对接路径提供基础数据支持，提高对接效率和保障对接成功率。
步骤S24、将所述每个对接设备和所述第一信息的潜在特征向量发送至训练后的神经网络模型进行最优对接路径进行分析，得到最优对接路径；
可以理解的是本步骤中通过训练后的神经网络从不同对接设备对应的路径中选择最优的对接路径，进而保证对接的效率和对接的成功率，其中，步骤S24包括步骤S241、步骤S242、步骤S243和步骤S244。
步骤S241、将预设的历史潜在特征向量和历史最优对接路径进行分类，得到训练集和验证集；
步骤S242、将所述训练集输入至BP神经网络模型对接路径进行预测，并将预测得到的所有对接路径作为粒子群优化算法的粒子群参数进行处理，其中，通过粒子群优化算法计算每个粒子的适应度值，并根据粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；
步骤S243、动态跟踪粒子的个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到优化后的BP神经网络模型；
步骤S244、将所述验证集发送至所述优化后的BP神经网络模型，得到预测结果，并判断所述预测结果与所述验证集是否一致，若一致则将所述优化后的BP神经网络模型作为训练后的神经网络模型。
可以理解的是本步骤通过BP神经网络模型对所有的对接路径进行预测，确定每个对接路径的对接速度和对接位置，进而通过粒子群优化算法，选取最快的对接速度和最接近的对接位置对应的对接路径作为对接路径，保障选择到的对接路径为能够高效完成对接任务的路径。
步骤S25、根据所述最优对接路径和预设的空中设备的对接步骤进行整合，得到飞行设备的空中对接方案。
可以理解的是本步骤通过将最优对接路径和预设的空中设备的对接步骤进行组合，得到所有的对接方案。然后，***会将所有的对接方案进行矩阵变换处理，得到对接模拟场景集合，每个场景包含对接步骤和最优对接路径的集合，基于模拟设备模拟得到飞行设备的空中对接方案。
步骤S3、基于所述飞行设备的空中对接方案进行飞行设备的空中对接，并采集得到飞行设备的空中对接图像信息；
可以理解的是本步骤通过按照行设备的空中对接方案进行飞行设备的空中对接，在对接过程中获取对接视频信息，将所述对接过程实时监控，判断是否出现对接危险的同时，判断对接是否完成，其中可以通过在对接接口处设置对接特征，若对接特征完全吻合，则判断对接完成，若对接特征有误差，则进行对接成功判断，进而保证对接完成。
可以理解的是本步骤中的飞行设备对接图像信息的第一种采集流程可以如下所述：首先，确定所述对接设备1与所述需要对接的飞行设备到达指定位置后，如图3所示的对接设备1通过在所述输油管6上安装的光源发射装置3发射圆锥形光柱进行照射，判断所述光柱是否照射到所述锥套反光膜5上，所述反光膜5作为呈现信息载体，将所述圆锥形光柱携带的指示信息呈现，其中所述圆锥形光柱射出的图案如图4所示，其次，通过对接设备1采集所述圆锥形光柱在所述锥套反光膜5上的形成的图案，并将所述反光图案发送至图像处理模块进行处理，其中，若对接设备1中不能采用电子设备时还可以通过飞行员进行人工观察所述锥套反光膜5上的箭头指向，基于所述箭头指向调整所述飞行设备1的飞行位置，如第一箭头7指向为右上，则调整所述飞行设备1往右上飞行，直至所述圆锥形光柱上的第一中心点8与所述反光膜的中心对齐，则调整完毕。
可以理解的是本步骤中的飞行设备对接图像信息的第二种采集流程还可以如下所述：首先，确定所述对接设备1与所述需要对接的飞行设备到达指定位置后，如图3所示的对接设备1通过在所述输油管6上安装光源发射装置3，所述光源发射装置3发射一束光束对所述锥套反光膜5进行照射，其中，所述光源发射装置3内具有两个光束发射装置，一种发射携带指示信息的圆锥形光柱，一种发射无指示信息的单光束，本流程采用的是单独发射一束光束至所述锥套反光膜5进行照射，其所述锥套反光膜5上设置有反光图案，其中，所述锥套反光膜5上携带有可以高亮反光的指示信息，当没有特定光源照射时，套膜上的反光指示信息不易被察觉，当有该种光源射到套膜上时，套膜上的高亮指示信息得以清晰反光呈现。其中，反光图案如所述图5所示，并将所述反光图案发送至图像处理模块进行处理，其中，若对接设备1中不能采用电子设备时还可以通过飞行员进行人工观察所述锥套反光膜5上的箭头指向，基于所述箭头指向调整所述飞行设备1的飞行位置，如第二箭头9指向为右上，则调整所述飞行设备1往右上飞行，直至所述飞行设备1上的第二中心点10与所述反光膜的中心点对齐，则调整完毕。
其中，上述两种飞行设备对接图像信息的采集流程基于实际飞行设备安装的反光膜为带箭头指示的反光膜或不带箭头指示的反光膜进行确定，若安装不带箭头指示的反光膜，则采用第一种采集方式，若安装带箭头指示的反光膜，则采用第二种采集方式。
步骤S4、将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息；
可以理解的是本步骤通过获取控制对接的关键帧图像信息，其中关键帧为对接进行到最后时，能够判断对接是否成功的图像。本步骤中，步骤S4包括步骤S41、步骤S42和步骤S43。
步骤S41、将所述飞行设备的空中对接图像信息进行图像识别处理,其中将所有的飞行设备的空中对接图像信息分别与预设的飞行设备的对接设备的图像进行对比,得到至少一个包含飞行设备的对接设备的图像信息;
步骤S42、提取所述飞行设备的对接设备的图像信息前后预设时间段内的视频内容，得到至少一个包含对接设备的视频片段；
步骤S43、将每个视频片段进行标记，并将标记好的视频按照采集的时间前后进行排序，并将排序位置在最后的视频片段进行遍历，将排序位置在最后的视频片段中的所有图像作为关键帧图像。
可以理解的是本步骤通过图像识别获取包含对接设备的图像，然后通过获取对接设备图像前后的视频片段，用于判断对接是否完成，其中选择最后的对接图像，减少图像识别的计算量，提高识别效率。
步骤S5、将所述飞行设备的空中对接的关键帧图像信息进行特征识别，并基于识别到的特征进行误差分析和参数调整，得到调整后的空中对接方案；
可以理解的是本步骤通过对关键帧图像内的设备特征进行识别，进行达到基于特征判断对接是否完成，是否需要调整对接方案的目的，本步骤中，步骤S5包括步骤S51、
步骤S51、将所有的所述关键帧图像信息进行灰度变换，得到每帧所述关键帧图像对应的灰度图像；
步骤S52、将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到所述关键帧图像的轮廓图像；
步骤S53、将所述关键帧图像信息的中心点作为坐标原点建立二维空间直角坐标系，并将所述关键帧图像的轮廓图像发送至所述二维空间直角坐标系计算得到每个轮廓图像对应的坐标值；
步骤S54、将所述轮廓图像对应的关键帧图像信息的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇进行中心点的求平均值计算，得到所有聚类簇中心点的平均值，并将所述平均值作为轮廓图像对应的关键帧图像信息的颜色特征。
可以理解的是本步骤通过将所述关键帧图像进行特征识别处理，识别到所述关键帧图像内的轮廓特征、颜色特征和位置特征，进而通过识别对接设备的三个特征是否处于预设状态，进而判断对接工作是否完成，达到快速识别目的，并且若对接没有完成则进行特征进行参数调整，保障对接设备能够稳定对接。
可以理解的是本步骤中，步骤S5还包括步骤S55、步骤S56和步骤S57。
步骤S55、将识别到的关键帧图像的轮廓图像、每个轮廓图像对应的坐标值和每个轮廓图像对应的颜色特征分别与预设的对接设备的特征参数进行对比，得到识别到的特征和预设的对接设备的特征参数的误差信息；
步骤S56、将所述误差信息与预设的飞行设备的历史对接信息进行线性回归分析处理，得到每个误差信息对应的对接成功率关系；
步骤S57、根据所述每个误差信息对应的对接成功率关系，利用拉格朗日乘数法进行约束优化处理，得到调整后的空中对接方案。
可以理解的是本步骤通过将识别到的关键帧图像的轮廓图像、每个轮廓图像对应的坐标值和每个轮廓图像对应的颜色特征分别与预设的对接设备的特征参数进行对比，进而确定其中的误差，然后基于所述误差和预设的飞行设备的历史对接信息进行线性回归分析，其中，线性回归是一种常用的统计方法，可用于建立自变量和因变量之间的线性关系模型，本步骤中通过线性关系模型确定所述误差信息和每个误差对应的对接成功率的线性关系，进而确定在多少误差内能够百分百成功完成对接。
本步骤还通过利用所述误差信息和每个误差对应的对接成功率的线性关系构建约束条件，通过求解拉格朗日函数，得到调整后的空中对接方案，以实现对接成功的目的。计算过程如下：
首先定义x为误差信息，然后定义误差信息对应的成功率为g(x)，根据步骤S56中得到的预期利用率关系，可以将g(x)表示为一组线性方程的形式，即：
；
其中,/>,...,/>为每个误差信息对应的系数，/>,/>,...,/>为误差数据。这是一个带约束的优化问题，然后将其转化为一个无约束的优化问题：
；
其中，λ为拉格朗日乘数，U为预设的阈值，g(x)为定义误差信息对应的成功率；由此得到优化问题的目标函数，并利用数值优化方法求解该目标函数的最优解，即可得到百分百完成对接的最小误差，进而对大于最小误差的参数进行调整，例如对于特征位置在右上的将飞行设备的对接结构往左下进行移动调整，调整数值为误差数值，进而实现减少误差的同时提高对接成功率。
步骤S6、基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接。
实施例2：
如图2所示，本实施例提供了一种飞行设备空中对接装置，所述装置包括获取单元701、第一处理单元702、第二处理单元703、第三处理单元704、第四处理单元705和第五处理单元706。
获取单元701，用于获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,所述飞行设备的运行参数包括飞行设备的飞行速度参数、飞行高度参数和位置参数；
第一处理单元702，用于将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案；
其中，所述第一处理单元702包括第一处理子单元7021、第二处理子单元7022、第三处理子单元7023、第一分析子单元7024和第四处理子单元7025。
第一处理子单元7021，用于将所述飞行设备的飞行速度参数、飞行高度参数和位置参数进行数据转化处理，得到路径规划图，所述路径规划图包括节点和边，所述节点包括对接设备的位置信息，所述边为对接设备到飞行设备的路径信息；
第二处理子单元7022，用于将所述路径规划图进行邻接矩阵转换，得到每个对接设备和所述第一信息的关联关系矩阵；
第三处理子单元7023，用于将所述关联关系矩阵进行矩阵分解处理，得到每个对接设备和所述第一信息的潜在特征向量；
第一分析子单元7024，用于将所述每个对接设备和所述第一信息的潜在特征向量发送至训练后的神经网络模型进行最优对接路径进行分析，得到最优对接路径；
其中，所述第一分析子单元7024包括第五处理子单元70241、第一优化子单元70242、第二优化子单元70243和第三优化子单元70244。
第五处理子单元70241，用于将预设的历史潜在特征向量和历史最优对接路径进行分类，得到训练集和验证集；
第一优化子单元70242，用于将所述训练集输入至BP神经网络模型对接路径进行预测，并将预测得到的所有对接路径作为粒子群优化算法的粒子群参数进行处理，其中，通过粒子群优化算法计算每个粒子的适应度值，并根据粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；
第二优化子单元70243，用于动态跟踪粒子的个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到优化后的BP神经网络模型；
第三优化子单元70244，用于将所述验证集发送至所述优化后的BP神经网络模型，得到预测结果，并判断所述预测结果与所述验证集是否一致，若一致则将所述优化后的BP神经网络模型作为训练后的神经网络模型。
第四处理子单元7025，用于根据所述最优对接路径和预设的空中设备的对接步骤进行整合，得到飞行设备的空中对接方案。
第二处理单元703，用于基于所述飞行设备的空中对接方案进行飞行设备的空中对接，并采集得到飞行设备的空中对接图像信息；
第三处理单元704，用于将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息；
其中，所述第三处理单元704包括第六处理子单元7041、第七处理子单元7042和第八处理子单元7043。
第六处理子单元7041，用于将所述飞行设备的空中对接图像信息进行图像识别处理,其中将所有的飞行设备的空中对接图像信息分别与预设的飞行设备的对接设备的图像进行对比,得到至少一个包含飞行设备的对接设备的图像信息;
第七处理子单元7042，用于提取所述飞行设备的对接设备的图像信息前后预设时间段内的视频内容，得到至少一个包含对接设备的视频片段；
第八处理子单元7043，用于将每个视频片段进行标记，并将标记好的视频按照采集的时间前后进行排序，并将排序位置在最后的视频片段进行遍历，将排序位置在最后的视频片段中的所有图像作为关键帧图像。
第四处理单元705，用于将所述飞行设备的空中对接的关键帧图像信息进行特征识别，并基于识别到的特征进行误差分析和参数调整，得到调整后的空中对接方案；
其中，所述第四处理单元705包括第一识别子单元7051、第二识别子单元7052、第三识别子单元7053和第四识别子单元7054。
第一识别子单元7051，用于将所有的所述关键帧图像信息进行灰度变换，得到每帧所述关键帧图像对应的灰度图像；
第二识别子单元7052，用于将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到所述关键帧图像的轮廓图像；
第三识别子单元7053，用于将所述关键帧图像信息的中心点作为坐标原点建立二维空间直角坐标系，并将所述关键帧图像的轮廓图像发送至所述二维空间直角坐标系计算得到每个轮廓图像对应的坐标值；
第四识别子单元7054，用于将所述轮廓图像对应的关键帧图像信息的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇进行中心点的求平均值计算，得到所有聚类簇中心点的平均值，并将所述平均值作为轮廓图像对应的关键帧图像信息的颜色特征。
其中，所述所述第四处理单元705还包括第九处理子单元7055、第二分析子单元7056和第十处理子单元7057。
第九处理子单元7055，用于将识别到的关键帧图像的轮廓图像、每个轮廓图像对应的坐标值和每个轮廓图像对应的颜色特征分别与预设的对接设备的特征参数进行对比，得到识别到的特征和预设的对接设备的特征参数的误差信息；
第二分析子单元7056，用于将所述误差信息与预设的飞行设备的历史对接信息进行线性回归分析处理，得到每个误差信息对应的对接成功率关系；
第十处理子单元7057，用于根据所述每个误差信息对应的对接成功率关系，利用拉格朗日乘数法进行约束优化处理，得到调整后的空中对接方案。
第五处理单元706，用于基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种飞行设备空中对接方法，其特征在于，包括：
获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,所述飞行设备的运行参数包括飞行设备的飞行速度参数、飞行高度参数和位置参数；
将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案；
基于所述飞行设备的空中对接方案进行飞行设备的空中对接，并采集得到飞行设备的空中对接图像信息；
将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息；
将所述飞行设备的空中对接的关键帧图像信息进行特征识别，并基于识别到的特征进行误差分析和参数调整，得到调整后的空中对接方案；
基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接；
其中，将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案，包括：
将所述飞行设备的飞行速度参数、飞行高度参数和位置参数进行数据转化处理，得到路径规划图，所述路径规划图包括节点和边，所述节点包括对接设备的位置信息，所述边为对接设备到飞行设备的路径信息；
将所述路径规划图进行邻接矩阵转换，得到每个对接设备和所述第一信息的关联关系矩阵；
将所述关联关系矩阵进行矩阵分解处理，得到每个对接设备和所述第一信息的潜在特征向量；
将所述每个对接设备和所述第一信息的潜在特征向量发送至训练后的神经网络模型进行最优对接路径进行分析，得到最优对接路径；
根据所述最优对接路径和预设的空中设备的对接步骤进行整合，得到飞行设备的空中对接方案。
2.根据权利要求1所述的飞行设备空中对接方法，其特征在于,所述训练后的神经网络模型的构建方法，包括：
将预设的历史潜在特征向量和历史最优对接路径进行分类，得到训练集和验证集；
将所述训练集输入至BP神经网络模型对接路径进行预测，并将预测得到的所有对接路径作为粒子群优化算法的粒子群参数进行处理，其中，通过粒子群优化算法计算每个粒子的适应度值，并根据粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；
动态跟踪粒子的个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到优化后的BP神经网络模型；
将所述验证集发送至所述优化后的BP神经网络模型，得到预测结果，并判断所述预测结果与所述验证集是否一致，若一致则将所述优化后的BP神经网络模型作为训练后的神经网络模型。
3.根据权利要求1所述的飞行设备空中对接方法，其特征在于,将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息，包括：
将所述飞行设备的空中对接图像信息进行图像识别处理,其中将所有的飞行设备的空中对接图像信息分别与预设的飞行设备的对接设备的图像进行对比,得到至少一个包含飞行设备的对接设备的图像信息;
提取所述飞行设备的对接设备的图像信息前后预设时间段内的视频内容，得到至少一个包含对接设备的视频片段；
将每个视频片段进行标记，并将标记好的视频按照采集的时间前后进行排序，并将排序位置在最后的视频片段进行遍历，将排序位置在最后的视频片段中的所有图像作为关键帧图像。
4.根据权利要求1所述的飞行设备空中对接方法，其特征在于,所述将所述飞行设备的空中对接的关键帧图像信息进行特征识别，包括：
将所有的所述关键帧图像信息进行灰度变换，得到每帧所述关键帧图像对应的灰度图像；
将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到所述关键帧图像的轮廓图像；
将所述关键帧图像信息的中心点作为坐标原点建立二维空间直角坐标系，并将所述关键帧图像的轮廓图像发送至所述二维空间直角坐标系计算得到每个轮廓图像对应的坐标值；
将所述轮廓图像对应的关键帧图像信息的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇进行中心点的求平均值计算，得到所有聚类簇中心点的平均值，并将所述平均值作为轮廓图像对应的关键帧图像信息的颜色特征。
5.一种飞行设备空中对接装置，其特征在于，包括：
获取单元，用于获取第一信息，所述第一信息包括需要对接的所有飞行设备的运行参数,所述飞行设备的运行参数包括飞行设备的飞行速度参数、飞行高度参数和位置参数；
第一处理单元，用于将所述第一信息发送至飞行设备对接规划模型进行处理，得到飞行设备的空中对接方案；
第二处理单元，用于基于所述飞行设备的空中对接方案进行飞行设备的空中对接，并采集得到飞行设备的空中对接图像信息；
第三处理单元，用于将所述飞行设备的空中对接图像信息发送至图像处理模块，得到飞行设备的空中对接的关键帧图像信息；
第四处理单元，用于将所述飞行设备的空中对接的关键帧图像信息进行特征识别，并基于识别到的特征进行误差分析和参数调整，得到调整后的空中对接方案；
第五处理单元，用于基于调整后的空中对接方案进行飞行设备的空中对接，直至飞行设备完成空中对接；
其中，所述第一处理单元包括：
第一处理子单元，用于将所述飞行设备的飞行速度参数、飞行高度参数和位置参数进行数据转化处理，得到路径规划图，所述路径规划图包括节点和边，所述节点包括对接设备的位置信息，所述边为对接设备到飞行设备的路径信息；
第二处理子单元，用于将所述路径规划图进行邻接矩阵转换，得到每个对接设备和所述第一信息的关联关系矩阵；
第三处理子单元，用于将所述关联关系矩阵进行矩阵分解处理，得到每个对接设备和所述第一信息的潜在特征向量；
第一分析子单元，用于将所述每个对接设备和所述第一信息的潜在特征向量发送至训练后的神经网络模型进行最优对接路径进行分析，得到最优对接路径；
第四处理子单元，用于根据所述最优对接路径和预设的空中设备的对接步骤进行整合，得到飞行设备的空中对接方案。
6.根据权利要求5所述的飞行设备空中对接装置，其特征在于，所述第一分析子单元包括：
第五处理子单元，用于将预设的历史潜在特征向量和历史最优对接路径进行分类，得到训练集和验证集；
第一优化子单元，用于将所述训练集输入至BP神经网络模型对接路径进行预测，并将预测得到的所有对接路径作为粒子群优化算法的粒子群参数进行处理，其中，通过粒子群优化算法计算每个粒子的适应度值，并根据粒子群中粒子的适应度大小，得到粒子的个体最优位置和全局最优位置；
第二优化子单元，用于动态跟踪粒子的个体最优位置和全局最优位置来进行不断更新所有粒子的速度和位置，直至所述粒子群优化算法达到最大迭代次数，得到优化后的BP神经网络模型；
第三优化子单元，用于将所述验证集发送至所述优化后的BP神经网络模型，得到预测结果，并判断所述预测结果与所述验证集是否一致，若一致则将所述优化后的BP神经网络模型作为训练后的神经网络模型。
7.根据权利要求5所述的飞行设备空中对接装置，其特征在于，所述第三处理单元包括：
第六处理子单元，用于将所述飞行设备的空中对接图像信息进行图像识别处理,其中将所有的飞行设备的空中对接图像信息分别与预设的飞行设备的对接设备的图像进行对比,得到至少一个包含飞行设备的对接设备的图像信息;
第七处理子单元，用于提取所述飞行设备的对接设备的图像信息前后预设时间段内的视频内容，得到至少一个包含对接设备的视频片段；
第八处理子单元，用于将每个视频片段进行标记，并将标记好的视频按照采集的时间前后进行排序，并将排序位置在最后的视频片段进行遍历，将排序位置在最后的视频片段中的所有图像作为关键帧图像。
8.根据权利要求5所述的飞行设备空中对接装置，其特征在于，所述第四处理单元包括：
第一识别子单元，用于将所有的所述关键帧图像信息进行灰度变换，得到每帧所述关键帧图像对应的灰度图像；
第二识别子单元，用于将所述灰度图像内的同一灰度值的像素点进行连线，其中采用线性插值法对所述连线进行插值处理，得到所述关键帧图像的轮廓图像；
第三识别子单元，用于将所述关键帧图像信息的中心点作为坐标原点建立二维空间直角坐标系，并将所述关键帧图像的轮廓图像发送至所述二维空间直角坐标系计算得到每个轮廓图像对应的坐标值；
第四识别子单元，用于将所述轮廓图像对应的关键帧图像信息的所有像素点的R、G、B三个分量分别进行聚类处理，并将得到的所有聚类簇进行中心点的求平均值计算，得到所有聚类簇中心点的平均值，并将所述平均值作为轮廓图像对应的关键帧图像信息的颜色特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777034.0A CN116503768B (zh) | 2023-06-29 | 2023-06-29 | 一种飞行设备空中对接方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777034.0A CN116503768B (zh) | 2023-06-29 | 2023-06-29 | 一种飞行设备空中对接方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503768A CN116503768A (zh) | 2023-07-28 |
| CN116503768B true CN116503768B (zh) | 2023-11-07 |
Family
ID=87330582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310777034.0A Active CN116503768B (zh) | 2023-06-29 | 2023-06-29 | 一种飞行设备空中对接方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503768B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103822635A (zh) * | 2014-03-05 | 2014-05-28 | 北京航空航天大学 | 基于视觉信息的无人机飞行中空间位置实时计算方法 |
| WO2016015547A1 (zh) * | 2014-08-01 | 2016-02-04 | 深圳中集天达空港设备有限公司 | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** |
| CN111025246A (zh) * | 2019-11-28 | 2020-04-17 | 北京遥测技术研究所 | 一种静止轨道sar对海面及船只复合场景成像仿真***及方法 |
| CN115660477A (zh) * | 2022-10-25 | 2023-01-31 | 中国农业科学院草原研究所 | 一种基于多重评价指标的羊肉品质评价方法及*** |
| CN115686043A (zh) * | 2022-10-28 | 2023-02-03 | 南京航空航天大学 | 固定翼飞行器和旋翼飞行器的空中对接方法 |
| CN116310898A (zh) * | 2023-02-28 | 2023-06-23 | 武汉理工大学 | 基于神经网络和惠更斯原理的林火蔓延预测方法和*** |
-
2023
- 2023-06-29 CN CN202310777034.0A patent/CN116503768B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103822635A (zh) * | 2014-03-05 | 2014-05-28 | 北京航空航天大学 | 基于视觉信息的无人机飞行中空间位置实时计算方法 |
| WO2016015547A1 (zh) * | 2014-08-01 | 2016-02-04 | 深圳中集天达空港设备有限公司 | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** |
| CN111025246A (zh) * | 2019-11-28 | 2020-04-17 | 北京遥测技术研究所 | 一种静止轨道sar对海面及船只复合场景成像仿真***及方法 |
| CN115660477A (zh) * | 2022-10-25 | 2023-01-31 | 中国农业科学院草原研究所 | 一种基于多重评价指标的羊肉品质评价方法及*** |
| CN115686043A (zh) * | 2022-10-28 | 2023-02-03 | 南京航空航天大学 | 固定翼飞行器和旋翼飞行器的空中对接方法 |
| CN116310898A (zh) * | 2023-02-28 | 2023-06-23 | 武汉理工大学 | 基于神经网络和惠更斯原理的林火蔓延预测方法和*** |
Non-Patent Citations (1)
| Title |
|---|
| 高空无人机自动加油对接过程轨迹控制研究;于大海;;计算机测量与控制(02);第460-466页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503768A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN108037770B (zh) | 基于人工智能的无人机输电线路巡检***和方法 | |
| JP6294615B2 (ja) | 移動物体の検知および追跡のためのシステムおよび方法 | |
| CN110703800A (zh) | 基于无人机的电力设施智能识别方法及*** | |
| Alexandrov et al. | Analysis of machine learning methods for wildfire security monitoring with an unmanned aerial vehicles | |
| CN106356757A (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| CN109387828A (zh) | 自动检测和规避*** | |
| CN107014827A (zh) | 基于影像处理的输电线路缺陷分析方法、装置和*** | |
| KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
| CN107067026A (zh) | 基于深度神经网络的电力设备故障检测方法 | |
| CN108229587A (zh) | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 | |
| CN112101088A (zh) | 一种无人机电力自动巡检方法、装置及*** | |
| CN109389105B (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
| CN112180955A (zh) | 一种自动巡检无人机的基于视觉反馈的二次复查方法和*** | |
| CN113312957A (zh) | 基于视频图像的脱岗识别方法、装置、设备及存储介质 | |
| CN111354028B (zh) | 基于双目视觉的输电通道隐患物识别追踪方法 | |
| CN114665608A (zh) | 用于变电站的智能感知巡检***及方法 | |
| CN116503768B (zh) | 一种飞行设备空中对接方法及装置 | |
| Kerle et al. | UAV-based structural damage mapping–Results from 6 years of research in two European projects | |
| CN116866520B (zh) | 一种基于ai的单轨吊安全运行实时监控管理*** | |
| CN115393738A (zh) | 一种基于无人机的papi飞行校验方法和*** | |
| CN113192017A (zh) | 包裹缺陷识别方法、装置、设备及存储介质 | |
| EP4051983A1 (en) | A method and an apparatus for computer-implemented analyzing of a road transport route | |
| CN115297303B (zh) | 适用于电网输变电设备的图像数据采集处理方法及装置 | |
| CN115818166B (zh) | 轮斗连续***无人值守自动控制方法及其*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |