CN117311395A - 用于河道内污染巡检的无人机路径规划方法及*** - Google Patents
用于河道内污染巡检的无人机路径规划方法及*** Download PDFInfo
- Publication number
- CN117311395A CN117311395A CN202311616170.8A CN202311616170A CN117311395A CN 117311395 A CN117311395 A CN 117311395A CN 202311616170 A CN202311616170 A CN 202311616170A CN 117311395 A CN117311395 A CN 117311395A
- Authority
- CN
- China
- Prior art keywords
- inspection
- monitoring
- area
- unmanned aerial
- aerial vehicle
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 237
- 238000013439 planning Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 289
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000013523 data management Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 239000003344 environmental pollutant Substances 0.000 claims description 30
- 231100000719 pollutant Toxicity 0.000 claims description 30
- 238000011144 upstream manufacturing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008021 deposition Effects 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 239000000356 contaminant Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 description 7
- 238000007667 floating Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了用于河道内污染巡检的无人机路径规划方法及***,属于无人机河道巡检领域,所述无人机路径规划***包括巡检监测模块、数据管理模块、河道分析模块和智能规划模块;巡检监测模块用于通过无人机对河道内的环境数据进行巡检采集,数据管理模块用于对采集的数据和分析结果进行加密存储,河道分析模块用于对河道内污染来源进行的分析,并对无人机的巡检路径进行分析,智能规划模块用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,无人机获取图像中存在污染时,对相关技术人员进行报警提醒。本发明通过无人机对河道进行巡检,分析河道内的污染来源,根据历史河道污染情况进行无人机自主飞行路径规划,提高河道监管效率。
Description
技术领域
本发明涉及无人机河道巡检领域,具体为用于河道内污染巡检的无人机路径规划方法及***。
背景技术
随着无人机技术的快速发展,无人机在河道污染检测中的应用也越来越广泛。无人机可以在实时或定期飞行中收集污染数据,及早发现污染事件。一旦发生污染事故,相关部门可以迅速采取应急措施,减少损害范围和影响。与传统的野外调查相比,无人机监管能够实时获取大量数据,更好地了解污染情况。
河道内污染由于在河流流域内分散分布、规模差异大,导致监管和执法变得复杂。部分污染源存在污染处理设施不规范或者通过暗渠私自排污的现象,而污染源则存在空间分布随机性强等特点,导致监管部门可能无法覆盖所有污染区域,使得一些污染源的污染问题得不到及时的发现和处理。同时,由于河流流域内的待巡检区域分布广泛,覆盖范围庞大,无人机的飞行时间和航程有限,可能需要多次飞行才能全面监测,这会增加监测的时间和成本。无效区域的航拍,也降低了收集污染数据,及早发现污染事件的时效性。
由此看来,如何及时发现河道内的污染情况,及时进行处理,如何提高利用无人机进行入海河流流域内河道污染监测的效率是十分有必要的。因此,需要用于河道内污染巡检的无人机路径规划方法及***。
发明内容
本发明的目的在于提供用于河道内污染巡检的无人机路径规划方法及***,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:用于河道内污染巡检的无人机路径规划方法,包括下列步骤:
步骤S1、获取河流流域的电子地图,及各个巡检区域对应的基本巡检信息,并对各个巡检区域进行编号;
步骤S2、实时通过无人机获取河道内的巡检图像信息,并结合实时监测的河道环境数据分析河道内污染产生的源头;
步骤S3、结合历史数据中河流流域内不同位置产生的污染情况及无人机自身飞行因素,分别对各个无人机的后续巡检路径进行规划,对重复监测区域进行判定,形成最佳巡检路径方案;
步骤S4、通过显示设备对相关技术人员进行最佳巡检方案展示,当无人机监测图像出现异常时,在电子分布地图上进行标注,并对相关技术人员进行显示报警。
进一步的,在步骤S1中,所述河流流域电子地图为预先录入的河流水系分布图;
所述巡检区域的基本巡检信息包括巡检区域位置及规模,利用地理信息***等工具进行采集,为后续制定合理的监测路径提供基础;
将第a个巡检区域的编号记为Aa。
进一步的,在步骤S2中,包括下列步骤:
步骤S201、根据基本巡检信息,预设监测污染热点区域,利用最短路径算法,获取基础巡检路径,通过无人机的图像传感器获取巡检区域的图像数据,利用图像轮廓提取技术,获取采集的图像中的河道污染轮廓图像,将第k个存在污染轮廓图像的区域记为Wk;
通过气象传感器对环境数据进行采集;
通过河道流速传感器获取水流速度和水流方向,将区域Wk的水流速度记为;
区域Wk上游的巡检区域,按照与区域Wk的距离由近到远形成集合P={A1,A2,...,Am},其中,m表示为上游巡检区域数量,所述Am为第m个巡检区域中的水流速度,集合P中任意巡检区域Ai处对应的水流速度为,巡检区域Aj处对应的水流速度为/>,满足判定条件,所述i与j代表集合P中两个不同巡检区域的编号,Y为步骤S203中对次要监测区的判定条件;
步骤S202、建立运动轨迹模型,对于巡检区域Ai,通过下列公式对污染物移动目标位置Xi进行预测计算:
;
其中,将巡检区域位置置于坐标系中,该坐标系由相关技术人员预先进行设置,xi表示为巡检区域Ai的位置Δt表示为预设时间间隔;由于巡检区域Ai位于预设污染热点区域Wk的上游,因此,在水中,当水流速度越快,污染物随水流移动距离起始点越远;反之,当水流速度越慢,污染物随水流移动距离起始点越近;
根据水流方向,定义函数为分别在x轴和y轴分别对移动抵达岸边的位置进行预测,得到污染物移动抵达岸边的位置点坐标,沿着河道岸边,向上游方向移动,L表示为波动距离,该参数由相关技术人员预先进行设置,从而得到污染物移动目标位置Xi,污染物移动目标位置Xi为坐标形式;
通过对污染物移动位置进行预测,形成污染物预测移动曲线;
步骤S203、对集合P中的所有巡检区域的污染物预测曲线进行分析,得到各个巡检区域对应的预测沉积位置,并按照预测沉积位置到达区域Wk距离由小到大,对巡检区域进行排序,形成集合P’={A1’,A2’,...,Am’},所述Am’代表第m个预测沉积位置所对应的巡检区域;预测沉积位置与区域Wk之间的距离越近,为污染物排放源头的可能性越大,反之,预测沉积位置与区域Wk之间的距离越远,为污染物排放源头的可能性越小;
步骤S204、对所有存在污染轮廓图像的区域重复步骤S201-步骤S203,得到各个区域对应的巡检区域集合及预测沉积位置。
进一步的,在步骤S3中,包括下列步骤:
步骤S301、根据步骤S2中的分析结果,预设时间间隔T,在时间间隔T内,统计各个区域出现污染轮廓图像的次数,将区域Wk监测出现污染轮廓图像的次数记为n,区域Wk处的污染面积形成集合S={S1,S2,...,Sn},其中,Sn表示为区域Wk在第n次监测到出现污染轮廓图像时的污染面积;
统计各个巡检区域的污染排放次数,将巡检区域Aa的污染排放次数记为fa,巡检区域规模记为Ha,与下游出现污染轮廓图像的区域的最近距离记为da,该距离指代由巡检区域沿着河道到达出现污染轮廓图像的区域的距离;
步骤S302、通过下列公式对区域Wk的污染监测指数αk进行计算:
αk=(∑c=1 nSc)÷n×en;
其中,c表示为变量,c∈[1,n],e表示为自然常数,自然常数为数学中一个常数,是一个无限不循环小数,且为超越数,其值约为2.718281828459045,它是自然对数函数的底数,也称为欧拉数或纳皮尔常数;
对所有出现污染轮廓图像的区域的污染情况进行分析,获得对应的污染监测指数;
通过下列公式对巡检区域Aa的巡检监测指数βa进行计算:
βa=[(1+fa)γ×eHa]÷(1+da);
其中,γ表示为权重;
对所有巡检区域巡检监测指数进行计算分析;
步骤S303、通过下列公式对任意区域的综合检测指数μ进行计算:
μ=Q[α,β];
其中,Q表示为排序函数,定义出现污染轮廓图像的区域为主要监测区,巡检区域为次要监测区,
定义函数Q为对所有主要监测区,按照污染监测指数由大到小进行排序,将主要监测区上游满足判定条件Y的巡检区域,定义为该主要监测区的次要监测区,按照巡检监测指数由大到小对次要监测区进行排序;按照先主要后次要的排序方式,对无人机巡检区域进行排序,便于重点进行监测可能存在排放问题的区域,有利于无人机尽早发现污染事故,促进相关部门迅速采取应急措施,减少损害范围和影响,提高了无人机对河道内污染巡检的效率;
进一步的,在步骤S3中,
步骤S304、根据无人机历史巡检时的能源损耗数据,获取无人机在飞行时的单位距离能源平均损耗,记为E1,无人机在悬停状态时的单位时间能源平均损耗记为E2;
通过最短路径算法获取任意监测区之间的最短路径距离;
对于第u个主要监测区和第v个主要监测区,通过下列公式对能源损耗值Euv进行计算:
Euv=E1×(Duv+∑Du)+E2×∑tu且αu≥αv;
其中,Duv表示为第u个主要监测区的巡检监测指数最小的次要监测区与第v个主要监测区之间的最短路径距离,∑Du表示为从第u个主要监测区开始巡检,并遍历该主要监测区所有次要监测区的最短路径距离之和,∑tu表示为从第u个主要监测区开始巡检,并遍历该主要监测区所有次要监测区时的悬停时间之和,αu表示为第u个主要监测区的污染监测指数,αv表示为第v个主要监测区的污染监测指数;
由污染监测指数最高的主要监测区作为第一监测区,按照主要监测区的污染监测指数由大到小,对污染监测指数最高的主要监测区与其他主要监测区之间的能源损耗值进行计算,选择能源损耗值最小的对应主要监测区作为第二监测区;
步骤S305、重复步骤S304,对监测区进行选择,直至满足下列关系:
E电≥E1×D返+∑E;
其中,D返表示为从选择的最后一个主要监测区的巡检监测指数最小的次要监测区,返回无人机停放区的最短路径距离,∑E表示为选择的监测区的能源损耗值总和,E电表示为无人机的电池容量;
将选择的主要监测区和该主要监测区的次要监测区作为节点,形成巡检路径Z1;
步骤S306、按照污染监测指数由大到小,对所有的主要监测区和次要监测区重复步骤S304-步骤S305,形成巡检路径集合Z={Z1,Z2,...,Zτ},其中,τ表示为巡检路径的数量,Zτ表示为第τ条巡检路径;
对于第δ条巡检路径和第ε巡检路径,相交主要监测区节点形成集合W’={W1’,W2’,...,Wδ’},其中,σ表示为相交主要监测区节点的数量,Wσ’表示为第σ个相交主要监测区节点;
在第δ条巡检路径中,对于相交主要监测区节点Wφ’,φ∈[1,σ],前一个主要监测区节点的巡检监测指数最小的次要监测区节点记为A*,后一个主要监测区节点记为W*,通过下列公式对不经过相交主要监测区节点Wφ’的能源损耗总值E1 *进行计算:
E1 *=(∑Eδ)-E1×(DA*φ+∑Dφ)-E2×∑tφ+E1×DA*W*;
其中,∑Eδ表示为第δ条巡检路径经过相交主要监测区节点Wφ’的能源损耗总值,DA*φ表示为节点A*与节点Wφ’之间的最短路径距离,∑Dφ表示为从节点Wφ’开始巡检,并遍历该主要监测区所有次要监测区的最短路径距离之和,∑tφ表示为从节点Wφ’开始巡检,并遍历该主要监测区所有次要监测区时的悬停时间之和,DA*W*表示为节点A*与节点W*之间的最短路径;
步骤S307、在第ε条巡检路径中,重复步骤S306,得到不经过相交主要监测区节点Wφ’的能源损耗总值E2 *,
通过下列公式对检测节点的判定指数ω进行计算:
ω=(E2 *+∑Eδ)-(E1 *+∑Eε);
其中,∑Eε表示为第ε条巡检路径经过相交主要监测区节点Wφ’的能源损耗总值;
当ω≥0时,表示第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’的能源损耗总损耗大于等于第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’的能源总损耗,则判定第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’;反之,当ω<0时,表示第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’的能源损耗总损耗小于第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’的能源总损耗,则判定第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’;
对所有巡检路径之间的相交节点进行判定,得到最佳巡检路径方案,形成新的巡检路径集合Z’={Z1’,Z2’,...,Zτ’},其中,Zτ’表示为第τ条调整后的巡检路径。
进一步的,在步骤S4中,根据步骤S2和步骤S3的分析结果,控制无人机按照最佳巡检路径方案,控制无人机进行巡检,当河道内出现污染时,对相关技术人员进行报警提醒,并通过显示设备,显示分析产生污染物的巡检区域,同时,对无人机的巡检路径方案进行不断更新。
用于河道内污染巡检的无人机路径规划***,所述无人机路径规划***包括:巡检监测模块、数据管理模块、河道分析模块和智能规划模块;
所述巡检监测模块的输出端与数据管理模块的输入端相连接,数据管理模块的输出端与河道分析模块的输入端相连接,河道分析模块的输出端与智能规划模块输入端相连接,河道分析模块的输出端与数据管理模块输入端相连接;
所述巡检监测模块用于通过无人机对河道内的环境数据进行巡检采集,所述数据管理模块用于对采集的数据和分析结果进行加密存储,所述河道分析模块用于对河道内污染来源进行的分析,并对无人机的巡检路径进行分析,所述智能规划模块用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,无人机获取图像中存在污染时,对相关技术人员进行报警提醒。
进一步的,所述巡检监测模块包括无人机采集单元和通信传输单元,所述无人机采集单元通过无人机的图像传感器捕获巡检区域的图像数据,以便进行环境监测和污染源识别,通过气象传感器对气象条件进行监测以便理解环境影响,通过河道流速传感器获取水流速度和水流方向,所述通信传输单元用于对无人机与地面控制站进行数据传输,以将实时的监测数据传回分析中心,实现实时监测与反馈,多个无人机通过无线通信技术进行协同作业,从而提高监测效率。
进一步的,所述数据管理模块包括数据融合单元和安全存储单元,所述数据融合单元用于将无人机监测数据与其他数据源进行融合,将无人机监测的区域与其他数据的分析结果进行对比,便于找出可能的差异和异常,在不同时间和天气条件下,对相同区域进行多次监测,进行数据交叉验证和比对,有助于验证监测数据的一致性和可靠性,所述安全存储单元通过数据湖对数据进行加密存储,便于对无人机采集的大量数据进行安全机密存储,数据湖一种大数据架构,可以用来存储和处理大规模、多样化的数据,包括结构化、半结构化和非结构化数据。数据湖的目标是消除数据隔离和数据分散的问题,使数据更易于访问和分析。与传统的数据仓库不同,数据湖不需要预定义数据结构或数据模型。数据湖采用扁平化的数据模型,将所有数据都存储在原始格式中,并允许用户在需要时按需转换和处理数据。
进一步的,所述河道分析模块包括污染分析单元和路径规划单元,所述污染分析单元用于根据无人机采集的河道图像数据,对产生污染的巡检区域进行预测分析,所述路径规划单元用于对无人机的巡检路径进行智能规划,形成最佳巡检路径方案;
所述智能规划模块包括无人机控制单元和报警提醒单元,所述无人机控制单元用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,同时,对监测路径持续进行优化和更新,随着新的数据、技术和环境变化,持续改进监测路径,以保持监测的有效性和适应性。所述报警提醒单元用于当河道内出现污染时,对相关技术人员进行报警提醒,并通过显示设备,显示分析产生污染物的巡检区域,便于相关部门对污染区域迅速采取应急措施,减少损害范围和影响。
与现有技术相比,本发明所达到的有益效果是:
本发明通过无人机对河道进行巡检,通过图像传感器捕获巡检区域的图像数据,以便进行环境监测和污染源识别,通过气象传感器对气象条件进行监测以便理解环境影响,通过河道流速传感器获取水流速度和水流方向,利用地理信息***等工具进行采集巡检场的位置、规模和密度分布等基础信息,为后续制定合理的监测路径提供基础;根据采集的数据,对河道内的污染来源进行分析,便于相关部门迅速采取应急措施,减少损害范围和影响,与传统的野外调查相比,无人机监管能够实时获取大量数据,更好地了解污染情况;根据历史河道污染情况进行无人机自主飞行路径规划,形成最佳巡检路径方案,提高河道监管效率,减少无人机重复飞行监测同一地区,降低无人机巡检能源损耗,同时无人机巡检路径根据实际情况不断优化和更新,保持监测的有效性和适应性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明用于河道内污染巡检的无人机路径规划方法的步骤流程图;
图2是本发明用于河道内污染巡检的无人机路径规划***的模块组成示意图。
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。
本发明提供技术方案:用于河道内污染巡检的无人机路径规划方法,包括下列步骤:
步骤S1、获取河流流域的电子地图,及各个河道垃圾堆放区域对应的基本信息,并对各个河道垃圾堆放区域进行编号;
在步骤S1中,所述河流流域电子地图为预先录入的河流水系分布图;
所述河道垃圾堆放区域的基本信息包括区域位置及规模,利用地理信息***等工具进行采集,为后续制定合理的监测路径提供基础;
将第a个巡检区域的编号记为Aa。
步骤S2、实时通过无人机获取河道内的巡检图像信息,并结合实时监测的河道环境数据分析河道内污染产生的源头;
在步骤S2中,包括下列步骤:
步骤S201、根据基本巡检信息,预设监测污染热点区域,利用最短路径算法,获取基础巡检路径,通过无人机的图像传感器获取巡检区域的图像数据,利用图像轮廓提取技术,获取采集的图像中的河道污染轮廓图像,将第k个存在污染轮廓图像的区域记为Wk;
通过气象传感器对环境数据进行采集;
通过河道流速传感器获取水流速度和水流方向,将区域Wk的水流速度记为;
区域Wk上游的巡检区域,按照与区域Wk的距离由近到远形成集合P={A1,A2,...,Am},其中,m表示为上游巡检区域数量,所述Am为第m个巡检区域中的水流速度,集合P中任意巡检区域Ai处对应的水流速度为,巡检区域Aj处对应的水流速度为/>,满足判定条件,所述i与j代表集合P中两个不同巡检区域的编号,Y为步骤S203中对次要监测区的判定条件;
步骤S202、建立运动轨迹模型,对于巡检区域Ai,通过下列公式对污染物移动目标位置Xi进行预测计算:
;
其中,将河道垃圾堆放区域位置置于坐标系中,该坐标系由相关技术人员预先进行设置,例如跟随电子地图,以电子地图任意点为原点,正北方向为y轴,水平方向为x轴建立坐标系,表示为河道垃圾堆放区域Ai的位置,Δt表示为预设时间间隔;由于河道垃圾堆放区域Ai位于预设污染热点区域k的上游,因此/>,在水中,当水流速度越快,污染物随水流移动距离起始点越远;反之,当水流速度越慢,污染物随水流移动距离起始点越近;
根据水流方向,定义函数为分别在x轴和y轴分别对移动抵达岸边的位置进行预测,得到污染物移动抵达岸边的位置点坐标,沿着河道岸边,向上游方向移动,L表示为波动距离,从而得到污染物移动目标位置Xi;
通过对污染物移动位置进行预测,形成污染物预测移动曲线;
步骤S203、对集合P中的所有河道漂浮垃圾堆积区域的污染物预测曲线进行分析,得到各个河道漂浮垃圾堆积区域对应的预测堆积位置,并按照预测沉积位置到达区域Wk距离由小到大,对河道垃圾堆放区域进行排序,形成集合P’={A1’,A2’,...,Am’},所述Am’代表第m个预测沉积位置所对应的巡检区域;预测沉积位置与区域Wk之间的距离越近,为污染物排放源头的可能性越大,反之,预测沉积位置与区域Wk之间的距离越远,为污染物排放源头的可能性越小;
步骤S204、对所有存在污染轮廓图像的区域重复步骤S201-步骤S203,得到各个区域对应的巡检区域集合及预测沉积位置。
步骤S3、结合历史数据中河流流域内不同位置产生的污染情况及无人机自身飞行因素,分别对各个无人机的后续巡检路径进行规划,对重复监测区域进行判定,形成最佳巡检路径方案;
在步骤S3中,包括下列步骤:
步骤S301、根据步骤S2中的分析结果,预设时间间隔T,在时间间隔T内,统计各个区域出现污染轮廓图像的次数,将漂浮垃圾堆积区域Wk监测出现污染轮廓图像的次数记为n,区域Wk处的污染面积形成集合S={S1,S2,...,Sn},其中,步骤Sn表示为区域Wk在第n次监测到出现污染轮廓图像时的污染面积;
统计各个河道垃圾堆放区域的污染排放次数,将河道垃圾堆放区域Aa的污染排放次数记为fa,河道垃圾堆放规模记为Ha,与下游出现污染轮廓图像的区域的最近距离记为da,该距离指代由巡检区域沿着河道到达出现污染轮廓图像的区域的距离;
步骤S302、通过下列公式对区域Wk的污染监测指数αk进行计算:
αk=(∑c=1 nSc)÷n×en;
其中,c表示为变量,c∈[1,n],e表示为自然常数,自然常数为数学中一个常数,是一个无限不循环小数,且为超越数,其值约为2.718281828459045,它是自然对数函数的底数,也称为欧拉数或纳皮尔常数;
对所有出现污染轮廓图像的区域的污染情况进行分析,获得对应的污染监测指数;
通过下列公式对巡检区域Aa的巡检监测指数βa进行计算:
βa=[(1+fa)γ×eHa]÷(1+da);
其中,γ表示为权重;
对所有巡检区域巡检监测指数进行计算分析;
步骤S303、通过下列公式对任意区域的综合检测指数μ进行计算:
μ=Q[α,β];
其中,Q表示为排序函数,定义出现污染轮廓图像的区域为主要监测区,巡检区域为次要监测区,
定义函数Q为对所有主要监测区,按照污染监测指数由大到小进行排序,将主要监测区上游满足判定条件Y的巡检区域,定义为该主要监测区的次要监测区,按照巡检监测指数由大到小对次要监测区进行排序;按照先主要后次要的排序方式,对无人机巡检区域进行排序,便于重点进行监测可能存在排放问题的区域,有利于无人机尽早发现污染事故,促进相关部门迅速采取应急措施,减少损害范围和影响,提高了无人机对河道内污染巡检的效率;
在步骤S3中,
步骤S304、根据无人机历史巡检时的能源损耗数据,获取无人机在飞行时的单位距离能源平均损耗,记为E1,无人机在悬停状态时的单位时间能源平均损耗记为E2;
通过最短路径算法获取任意监测区之间的最短路径距离;
对于第u个主要监测区和第v个主要监测区,通过下列公式对能源损耗值Euv进行计算:
Euv=E1×(Duv+∑Du)+E2×∑tu且αu≥αv;
其中,Duv表示为第u个主要监测区的巡检监测指数最小的次要监测区与第v个主要监测区之间的最短路径距离,∑Du表示为从第u个主要监测区开始巡检,并遍历该主要监测区所有次要监测区的最短路径距离之和,∑tu表示为从第u个主要监测区开始巡检,并遍历该主要监测区所有次要监测区时的悬停时间之和,αu表示为第u个主要监测区的污染监测指数,αv表示为第v个主要监测区的污染监测指数;
由污染监测指数最高的主要监测区作为第一监测区,按照主要监测区的污染监测指数由大到小,对污染监测指数最高的主要监测区与其他主要监测区之间的能源损耗值进行计算,选择能源损耗值最小的对应主要监测区作为第二监测区;
步骤S305、重复步骤S304,对监测区进行选择,直至满足下列关系:
E电≥E1×D返+∑E;
其中,D返表示为从选择的最后一个主要监测区的巡检监测指数最小的次要监测区,返回无人机停放区的最短路径距离,∑E表示为选择的监测区的能源损耗值总和,E电表示为无人机的电池容量;
将选择的主要监测区和该主要监测区的次要监测区作为节点,形成巡检路径Z1;
步骤S306、按照污染监测指数由大到小,对所有的主要监测区和次要监测区重复步骤S304-步骤S305,形成巡检路径集合Z={Z1,Z2,...,Zτ},其中,τ表示为巡检路径的数量,Zτ表示为第τ条巡检路径;
对于第δ条巡检路径和第ε巡检路径,相交主要监测区节点形成集合W’={W1’,W2’,...,Wσ’},其中,σ表示为相交主要监测区节点的数量,Wσ’表示为第σ个相交主要监测区节点;
在第δ条巡检路径中,对于相交主要监测区节点Wφ’,φ∈[1,σ],前一个主要监测区节点的巡检监测指数最小的次要监测区节点记为A*,后一个主要监测区节点记为W*,通过下列公式对不经过相交主要监测区节点Wφ’的能源损耗总值E1 *进行计算:
E1 *=(∑Eδ)-E1×(DA*φ+∑Dφ)-E2×∑tφ+E1×DA*W*;
其中,∑Eδ表示为第δ条巡检路径经过相交主要监测区节点Wφ’的能源损耗总值,DA*φ表示为节点A*与节点Wφ’之间的最短路径距离,∑Dφ表示为从节点Wφ’开始巡检,并遍历该主要监测区所有次要监测区的最短路径距离之和,∑tφ表示为从节点Wφ’开始巡检,并遍历该主要监测区所有次要监测区时的悬停时间之和,DA*W*表示为节点A*与节点W*之间的最短路径;
步骤S307、在第ε条巡检路径中,重复步骤S306,得到不经过相交主要监测区节点Wφ’的能源损耗总值E2 *,
通过下列公式对检测节点的判定指数ω进行计算:
ω=(E2 *+∑Eδ)-(E1 *+∑Eε);
其中,∑Eε表示为第ε条巡检路径经过相交主要监测区节点Wφ’的能源损耗总值;
当ω≥0时,表示第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’的能源损耗总损耗大于等于第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’的能源总损耗,则判定第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’;反之,当ω<0时,表示第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’的能源损耗总损耗小于第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’的能源总损耗,则判定第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’;
对所有巡检路径之间的相交节点进行判定,得到最佳巡检路径方案,形成新的巡检路径集合Z’={Z1’,Z2’,...,Zτ’},其中,Zτ’表示为第τ条调整后的巡检路径。
步骤S4、通过显示设备对相关技术人员进行最佳巡检方案展示,当无人机监测图像出现异常时,在电子分布地图上进行标注,并对相关技术人员进行显示报警。
在步骤S4中,根据步骤S2和步骤S3的分析结果,控制无人机按照最佳巡检路径方案,控制无人机进行巡检,当河道内出现污染时,对相关技术人员进行报警提醒,并通过显示设备,例如电脑或手机等,显示分析产生污染物的河道垃圾堆放区域,同时,对无人机的巡检路径方案进行不断更新。
本申请不仅考虑到了漂浮垃圾堆积区域和河道垃圾堆放区域的地理位置对无人机巡检的影响,同时考虑了无人机自身的能源损耗、飞行距离和电池容量等因素,提高了无人机巡检河道内污染的效率,有利于相关技术人员对河道内的污染和污染源进行及时处理。
用于河道内污染巡检的无人机路径规划***,所述无人机路径规划***包括:巡检监测模块、数据管理模块、河道分析模块和智能规划模块;
所述巡检监测模块的输出端与数据管理模块的输入端相连接,数据管理模块的输出端与河道分析模块的输入端相连接,河道分析模块的输出端与智能规划模块输入端相连接,河道分析模块的输出端与数据管理模块输入端相连接;
所述巡检监测模块用于通过无人机对河道内的环境数据进行巡检采集,
所述巡检监测模块包括无人机采集单元和通信传输单元,所述无人机采集单元通过无人机的图像传感器捕获河道垃圾堆放区域的图像数据,包括高分辨率摄像头、红外摄像头等,以便进行环境监测和污染源识别,通过气象传感器对气象条件进行监测,包括风速、温度、湿度等,以便理解环境影响,通过河道流速传感器获取水流速度和水流方向,所述通信传输单元用于对无人机与地面控制站进行数据传输,以将实时的监测数据传回分析中心,实现实时监测与反馈,多架无人机通过无线通信技术进行协同作业,从而提高监测效率。
所述数据管理模块用于对采集的数据和分析结果进行加密存储,
所述数据管理模块包括数据融合单元和安全存储单元,所述数据融合单元用于将无人机监测数据与其他数据源进行融合,例如卫星遥感数据和气象数据等,将无人机监测的区域与其他数据的分析结果进行对比,便于找出可能的差异和异常,在不同时间和天气条件下,对相同区域进行多次监测,进行数据交叉验证和比对,有助于验证监测数据的一致性和可靠性,所述安全存储单元通过数据湖对数据进行加密存储,便于对无人机采集的大量数据进行安全机密存储,数据湖是一种大数据架构,可以用来存储和处理大规模、多样化的数据,包括结构化、半结构化和非结构化数据。数据湖的目标是消除数据隔离和数据分散的问题,使数据更易于访问和分析。与传统的数据仓库不同,数据湖不需要预定义数据结构或数据模型。数据湖采用扁平化的数据模型,将所有数据都存储在原始格式中,并允许用户在需要时按需转换和处理数据。
所述河道分析模块用于对河道内污染来源进行的分析,并对无人机的巡检路径进行分析,
所述河道分析模块包括污染分析单元和路径规划单元,所述污染分析单元用于根据无人机采集的河道图像数据,对产生污染的河道垃圾堆放区域进行预测分析,所述路径规划单元用于对无人机的巡检路径进行智能规划,形成最佳巡检路径方案;
所述智能规划模块用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,无人机获取图像中存在污染时,对相关技术人员进行报警提醒。
所述智能规划模块包括无人机控制单元和报警提醒单元,所述无人机控制单元用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,同时,对监测路径持续进行优化和更新,随着新的数据、技术和环境变化,持续改进监测路径,以保持监测的有效性和适应性。所述报警提醒单元用于当河道内出现污染时,对相关技术人员进行报警提醒,并通过显示设备,例如电脑或手机等,显示分析产生污染物的河道垃圾堆放区域,便于相关部门对污染区域迅速采取应急措施,减少损害范围和影响。
实施例1:部分河道垃圾堆放区域存在雨水冲刷河道岸边堆放污染物的现象,而河道垃圾堆放区域则存在空间分布随机性强等特点,本发明通过无人机对河道进行巡检,便于大范围进行巡检,同时,由于雨水冲刷河道岸边堆放的污染物进入河道内,污染物随着水流漂移,导致在其他位置,出现污染物堆积,通过本发明将无人机检测出污染图像的区域设定为漂浮垃圾堆积区域,能够快速确定污染源,即判断出被雨水冲刷的河道垃圾堆放区域,与人工巡查相比,无人机监管可以更快速地识别污染源和问题区域,便于相关部门迅速采取措施,减少损害影响;同时,根据历史数据中,出现污染的区域情况,进行无人机自主飞行路径划分,减少区域重复监测,节省了无人机的巡检能源损耗,节省了人力和时间成本,减少无效区域的航拍,以最小成本获取尽可能全面的监测数据,同时,监测路径根据实际情况不断优化和更新,保持监测的有效性和适应性,避免出现部分地区原先多次出现污染,优先进行监测,在整改后,污染次数减少但仍然优先检测,导致资源浪费,发现污染时间时效性降低的情况,提高了监测的效率。
若存在出现污染轮廓图像的漂浮垃圾堆积区域a、b和c,且a在b的上游,b在c的上游,若污染监测指数αa=(∑c=1 n步骤Sc)÷n×en=12,αb=(∑c=1 n步骤Sc)÷n×en=15,αc=(∑c=1 n步骤Sc)÷n×en=10,则无人机巡检顺序为区域b,a,c;若a上游存在1个河道垃圾堆放区域w;a和b之间存在2个河道垃圾堆放区域x和y,且x排放污染1次,y排放5次;b和c之间存在1个河道垃圾堆放区域z,且所有河道垃圾堆放区域的规模一致,则无人机的巡检顺序为:b,y,x,a,w,c,z;
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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。
Claims (10)
1.用于河道内污染巡检的无人机路径规划方法,其特征在于:包括下列步骤:
步骤S1、获取河流流域的电子地图,及各个巡检区域对应的基本巡检信息,并对各个巡检区域进行编号;
步骤S2、实时通过无人机获取河道内的巡检图像信息,并结合实时监测的河道环境数据分析河道内污染产生的源头;
步骤S3、结合历史数据中河流流域内不同位置产生的污染情况及无人机自身飞行因素,分别对各个无人机的后续巡检路径进行规划,对重复监测区域进行判定,形成最佳巡检路径方案;
步骤S4、通过显示设备对相关技术人员进行最佳巡检方案展示,当无人机监测图像出现异常时,在电子分布地图上进行标注,并对相关技术人员进行显示报警。
2.根据权利要求1所述的用于河道内污染巡检的无人机路径规划方法,其特征在于:在步骤S1中,所述河流流域电子地图为预先录入的河流水系分布图;
所述巡检区域的基本巡检信息包括巡检区域位置及规模;
将第a个巡检区域的编号记为Aa。
3.根据权利要求2所述的用于河道内污染巡检的无人机路径规划方法,其特征在于:在步骤S2中,包括下列步骤:
步骤S201、根据基本巡检信息,预设监测污染热点区域,利用最短路径算法,获取基础巡检路径,通过无人机的图像传感器获取巡检区域的图像数据,利用图像轮廓提取技术,获取采集的图像中的河道污染轮廓图像,将第k个存在污染轮廓图像的区域记为Wk;
通过气象传感器对环境数据进行采集;
通过河道流速传感器获取水流速度和水流方向,将区域Wk的水流速度记为;
区域Wk上游的巡检区域,按照与区域Wk的距离由近到远形成集合P={A1,A2,...,Am},其中,m表示为上游巡检区域数量,所述Am为第m个巡检区域中的水流速度,集合P中任意巡检区域Ai处对应的水流速度为,巡检区域Aj处对应的水流速度为/>,满足判定条件,所述i与j代表集合P中两个不同巡检区域的编号,Y为步骤S203中对次要监测区的判定条件;
步骤S202、建立运动轨迹模型,对于巡检区域Ai,通过下列公式对污染物移动目标位置Xi进行预测计算:
;
其中,将巡检区域位置置于坐标系中,xi表示为巡检区域Ai的位置,Δt表示为预设时间间隔;
根据水流方向,定义函数为分别在x轴和y轴分别对移动抵达岸边的位置进行预测,得到污染物移动抵达岸边的位置点坐标,沿着河道岸边,向上游方向移动/>,L表示为波动距离,从而得到污染物移动目标位置Xi;
通过对污染物移动位置进行预测,形成污染物预测移动曲线;
步骤S203、对集合P中的所有巡检区域的污染物预测曲线进行分析,得到各个巡检区域对应的预测沉积位置,并按照预测沉积位置到达区域Wk距离由小到大,对巡检区域进行排序,形成集合P’={A1’,A2’,...,Am’},所述Am’代表第m个预测沉积位置所对应的巡检区域;
步骤S204、对所有存在污染轮廓图像的区域重复步骤S201-步骤S203,得到各个区域对应的巡检区域集合及预测沉积位置。
4.根据权利要求3所述的用于河道内污染巡检的无人机路径规划方法,其特征在于:在步骤S3中,包括下列步骤:
步骤S301、根据步骤S2中的分析结果,预设时间间隔T,在时间间隔T内,统计各个区域出现污染轮廓图像的次数,将区域Wk监测出现污染轮廓图像的次数记为n,区域Wk处的污染面积形成集合S={S1,S2,...,Sn},其中,Sn表示为区域Wk在第n次监测到出现污染轮廓图像时的污染面积;
统计各个巡检区域的污染排放次数,将巡检区域Aa的污染排放次数记为fa,巡检区域规模记为Ha,与下游出现污染轮廓图像的区域的最近距离记为da;
步骤S302、通过下列公式对区域Wk的污染监测指数αk进行计算:
αk=(∑c=1 nSc)÷n×en;
其中,c表示为变量,e表示为自然常数;
对所有出现污染轮廓图像的区域的污染情况进行分析,获得对应的污染监测指数;
通过下列公式对巡检区域Aa的巡检监测指数βa进行计算:
βa=[(1+fa)γ×eHa]÷(1+da);
其中,γ表示为权重;
对所有巡检区域巡检监测指数进行计算分析;
步骤S303、通过下列公式对任意区域的综合检测指数μ进行计算:
μ=Q[α,β];
其中,Q表示为排序函数,定义出现污染轮廓图像的区域为主要监测区,巡检区域为次要监测区,
定义函数Q为对所有主要监测区,按照污染监测指数由大到小进行排序,将主要监测区上游满足判定条件Y的巡检区域,定义为该主要监测区的次要监测区,按照巡检监测指数由大到小对次要监测区进行排序。
5.根据权利要求4所述的用于河道内污染巡检的无人机路径规划方法,其特征在于:在步骤S3中,
步骤S304、根据无人机历史巡检时的能源损耗数据,获取无人机在飞行时的单位距离能源平均损耗,记为E1,无人机在悬停状态时的单位时间能源平均损耗记为E2;
通过最短路径算法获取任意监测区之间的最短路径距离;
对于第u个主要监测区和第v个主要监测区,通过下列公式对能源损耗值Euv进行计算:
Euv=E1×(Duv+∑Du)+E2×∑tu且αu≥αv;
其中,Duv表示为第u个主要监测区的巡检监测指数最小的次要监测区与第v个主要监测区之间的最短路径距离,∑Du表示为从第u个主要监测区开始巡检,并遍历该主要监测区所有次要监测区的最短路径距离之和,∑tu表示为从第u个主要监测区开始巡检,并遍历该主要监测区所有次要监测区时的悬停时间之和,αu表示为第u个主要监测区的污染监测指数,αv表示为第v个主要监测区的污染监测指数;
由污染监测指数最高的主要监测区作为第一监测区,按照主要监测区的污染监测指数由大到小,对污染监测指数最高的主要监测区与其他主要监测区之间的能源损耗值进行计算,选择能源损耗值最小的对应主要监测区作为第二监测区;
步骤S305、重复步骤S304,对监测区进行选择,直至满足下列关系:
E电≥E1×D返+∑E;
其中,D返表示为从选择的最后一个主要监测区的巡检监测指数最小的次要监测区,返回无人机停放区的最短路径距离,∑E表示为选择的监测区的能源损耗值总和,E电表示为无人机的电池容量;
将选择的主要监测区和该主要监测区的次要监测区作为节点,形成巡检路径Z1;
步骤S306、按照污染监测指数由大到小,对所有的主要监测区和次要监测区重复步骤S304-步骤S305,形成巡检路径集合Z={Z1,Z2,...,Zτ},其中,τ表示为巡检路径的数量,Zτ表示为第τ条巡检路径;
对于第δ条巡检路径和第ε条巡检路径,相交主要监测区节点形成集合W’={W1’,W2’,...,Wσ’},其中,σ表示为相交主要监测区节点的数量,Wσ’表示为第σ个相交主要监测区节点;
在第δ条巡检路径中,对于相交主要监测区节点Wφ’,前一个主要监测区节点的巡检监测指数最小的次要监测区节点记为A*,后一个主要监测区节点记为W*,通过下列公式对不经过相交主要监测区节点Wφ’的能源损耗总值E1 *进行计算:
E1 *=(∑Eδ)-E1×(DA*φ+∑Dφ)-E2×∑tφ+E1×DA*W*;
其中,∑Eδ表示为第δ条巡检路径经过相交主要监测区节点Wφ’的能源损耗总值,DA*φ表示为节点A*与节点Wφ’之间的最短路径距离,∑Dφ表示为从节点Wφ’开始巡检,并遍历该主要监测区所有次要监测区的最短路径距离之和,∑tφ表示为从节点Wφ’开始巡检,并遍历该主要监测区所有次要监测区时的悬停时间之和,DA*W*表示为节点A*与节点W*之间的最短路径;
步骤S307、在第ε条巡检路径中,重复步骤S306,得到不经过相交主要监测区节点Wφ’的能源损耗总值E2 *,
通过下列公式对检测节点的判定指数ω进行计算:
ω=(E2 *+∑Eδ)-(E1 *+∑Eε);
其中,∑Eε表示为第ε条巡检路径经过相交主要监测区节点Wφ’的能源损耗总值;
当ω≥0时,则判定第δ条巡检路径不经过相交主要监测区节点Wφ’,第ε条巡检路径经过相交主要监测区节点Wφ’;反之,当ω<0时,则判定第δ条巡检路径经过相交主要监测区节点Wφ’,第ε条巡检路径不经过相交主要监测区节点Wφ’;
对所有巡检路径之间的相交节点进行判定,得到最佳巡检路径方案,形成新的巡检路径集合Z’={Z1’,Z2’,...,Zτ’},其中,Zτ’表示为第τ条调整后的巡检路径。
6.根据权利要求4所述的用于河道内污染巡检的无人机路径规划方法,其特征在于:在步骤S4中,根据步骤S2和步骤S3的分析结果,控制无人机按照最佳巡检路径方案,控制无人机进行巡检,当河道内出现污染时,对相关技术人员进行报警提醒,并通过显示设备,显示分析产生污染物的巡检区域,同时,对无人机的巡检路径方案进行不断更新。
7.用于河道内污染巡检的无人机路径规划***,其特征在于:所述无人机路径规划***包括:巡检监测模块、数据管理模块、河道分析模块和智能规划模块;
所述巡检监测模块的输出端与数据管理模块的输入端相连接,数据管理模块的输出端与河道分析模块的输入端相连接,河道分析模块的输出端与智能规划模块输入端相连接,河道分析模块的输出端与数据管理模块输入端相连接;
所述巡检监测模块用于通过无人机对河道内的环境数据进行巡检采集,所述数据管理模块用于对采集的数据和分析结果进行加密存储,所述河道分析模块用于对河道内污染来源进行的分析,并对无人机的巡检路径进行分析,所述智能规划模块用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,无人机获取图像中存在污染时,对相关技术人员进行报警提醒。
8.根据权利要求7所述的用于河道内污染巡检的无人机路径规划***,其特征在于:所述巡检监测模块包括无人机采集单元和通信传输单元,所述无人机采集单元通过无人机的图像传感器捕获巡检区域的图像数据,通过气象传感器对气象条件进行监测,通过河道流速传感器获取水流速度和水流方向,所述通信传输单元用于对无人机与地面控制站进行数据传输,多个无人机通过无线通信技术进行协同作业。
9.根据权利要求8所述的用于河道内污染巡检的无人机路径规划***,其特征在于:所述数据管理模块包括数据融合单元和安全存储单元,所述数据融合单元用于将无人机监测数据与其他数据源进行融合,将无人机监测的区域与其他数据的分析结果进行对比,在不同时间和天气条件下,对相同区域进行多次监测,进行数据交叉验证和比对,所述安全存储单元通过数据湖对数据进行加密存储。
10.根据权利要求9所述的用于河道内污染巡检的无人机路径规划***,其特征在于:所述河道分析模块包括污染分析单元和路径规划单元,所述污染分析单元用于根据无人机采集的河道图像数据,对产生污染的巡检区域进行预测分析,所述路径规划单元用于对无人机的巡检路径进行智能规划,形成最佳巡检路径方案;
所述智能规划模块包括无人机控制单元和报警提醒单元,所述无人机控制单元用于根据分析的最佳巡检路径方案,对无人机自主飞行进行控制,同时,对监测路径持续进行优化和更新,所述报警提醒单元用于当河道内出现污染时,对相关技术人员进行报警提醒,并通过显示设备,显示分析产生污染物的巡检区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616170.8A CN117311395B (zh) | 2023-11-30 | 2023-11-30 | 用于河道内污染巡检的无人机路径规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616170.8A CN117311395B (zh) | 2023-11-30 | 2023-11-30 | 用于河道内污染巡检的无人机路径规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117311395A true CN117311395A (zh) | 2023-12-29 |
CN117311395B CN117311395B (zh) | 2024-02-23 |
Family
ID=89285188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616170.8A Active CN117311395B (zh) | 2023-11-30 | 2023-11-30 | 用于河道内污染巡检的无人机路径规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117311395B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687416A (zh) * | 2024-01-25 | 2024-03-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及*** |
CN117994736A (zh) * | 2024-04-07 | 2024-05-07 | 青岛理工大学 | 三维可视化港口智能监测*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206991123U (zh) * | 2017-07-13 | 2018-02-09 | 深圳市宇驰检测技术股份有限公司 | 一种基于无人机的污染检测*** |
CN112148028A (zh) * | 2020-08-28 | 2020-12-29 | 合肥工业大学 | 基于无人机拍摄图像的环境监测方法和*** |
KR102399244B1 (ko) * | 2020-12-16 | 2022-05-18 | 주식회사 시스텍 | 하천 수질오염 모니터링 시스템 |
CN115272895A (zh) * | 2022-08-04 | 2022-11-01 | 天津飞眼无人机科技有限公司 | 一种基于改进yolov5算法的无人机河道污染物巡检方法及*** |
CN115437394A (zh) * | 2022-08-22 | 2022-12-06 | 河海大学 | 一种用于河道监测的无人机***及其自主巡线方法 |
CN115965347A (zh) * | 2023-02-10 | 2023-04-14 | 浙江鼎胜环保技术有限公司 | 河道巡查管理的方法、***、电子装置和存储介质 |
CN116048129A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 污染物排放的监测方法、装置、电子设备和存储介质 |
-
2023
- 2023-11-30 CN CN202311616170.8A patent/CN117311395B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206991123U (zh) * | 2017-07-13 | 2018-02-09 | 深圳市宇驰检测技术股份有限公司 | 一种基于无人机的污染检测*** |
CN112148028A (zh) * | 2020-08-28 | 2020-12-29 | 合肥工业大学 | 基于无人机拍摄图像的环境监测方法和*** |
KR102399244B1 (ko) * | 2020-12-16 | 2022-05-18 | 주식회사 시스텍 | 하천 수질오염 모니터링 시스템 |
CN115272895A (zh) * | 2022-08-04 | 2022-11-01 | 天津飞眼无人机科技有限公司 | 一种基于改进yolov5算法的无人机河道污染物巡检方法及*** |
CN115437394A (zh) * | 2022-08-22 | 2022-12-06 | 河海大学 | 一种用于河道监测的无人机***及其自主巡线方法 |
CN115965347A (zh) * | 2023-02-10 | 2023-04-14 | 浙江鼎胜环保技术有限公司 | 河道巡查管理的方法、***、电子装置和存储介质 |
CN116048129A (zh) * | 2023-03-29 | 2023-05-02 | 航天宏图信息技术股份有限公司 | 污染物排放的监测方法、装置、电子设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
CHANGSEN ZHAO: "Improving the accuracy of nonpoint-source pollution estimates in inland waters with coupled satellite-UAV data", WATER RESEARCH, vol. 225, no. 15 * |
CHANGSEN ZHAO: "Improving the accuracy of nonpoint-source pollution estimates in inland waters with coupled satellite-UAV data", WATER RESEARCH, vol. 225, no. 15, 31 October 2022 (2022-10-31) * |
张广帅: "渤海生态保护的形势、挑战与对策建议", 环境保护, vol. 50, no. 12 * |
苏海涛: "基于无人机的河道周边污染远程监测方法研究", 水利科技与经济, vol. 27, no. 5, 31 May 2021 (2021-05-31) * |
黄莹: "一种基于无人机的河流巡检***导航技术研究", 网络安全技术与应用 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687416A (zh) * | 2024-01-25 | 2024-03-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及*** |
CN117687416B (zh) * | 2024-01-25 | 2024-04-12 | 水利部交通运输部国家能源局南京水利科学研究院 | 河网水安全检测装置路径规划方法及*** |
CN117994736A (zh) * | 2024-04-07 | 2024-05-07 | 青岛理工大学 | 三维可视化港口智能监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN117311395B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117311395B (zh) | 用于河道内污染巡检的无人机路径规划方法及*** | |
US11335179B1 (en) | Water environment risk prediction and early warning method | |
CN111897318B (zh) | 基于无人船的水体污染智能调查方法及装置 | |
Khattak et al. | Modeling traffic incident duration using quantile regression | |
Khot et al. | Survey on air pollution monitoring systems | |
CN115331425B (zh) | 一种交通预警方法、装置和*** | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
Liu et al. | A UAV allocation method for traffic surveillance in sparse road network | |
CN111539864A (zh) | 一种基于lbs大数据的***件的情报分析方法和装置 | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN112199454B (zh) | 一种基于有向图的管控车辆拦截点设置方法及装置 | |
Wolf et al. | Assessing the impact of heavy rainfall on the Newcastle upon Tyne transport network using a geospatial data infrastructure | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
Dunea et al. | Fuzzy inference systems for estimation of air quality index | |
Noma-Osaghae et al. | The validity of a decentralised simulation-based system for the resolution of Road traffic congestion | |
CN113449918B (zh) | 突发重大污染事件应急指挥辅助决策方法和*** | |
CN115240101A (zh) | 一种基于场景分析的医疗样本转送监督*** | |
Finogeev et al. | Proactive big data analysis for traffic accident prediction | |
CN116434525A (zh) | 一种高速公路智能管理预警*** | |
CN107274005A (zh) | 基于大数据的分形算法的城市雨洪灾害预警方法及*** | |
Lodhia et al. | An Investigation into the Recent Developments in Intelligent Transport System | |
KR20230100787A (ko) | 도로의 정비보수를 위한 인공지능을 활용한 능동 도로 통합관리 시스템 | |
Kaur et al. | PM 2.5 Concentration Forecasting using Neural Networks for Hotspots of Delhi | |
Hu et al. | Development of the real-time evaluation and decision support system for incident management | |
El-Adaway et al. | State-of-the-art research in the area of artificial intelligence with specific consideration to civil infrastructure, construction engineering and management, and safety |
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 |