一种改进自适应阈值的ORB算法研究

ORB(Oriented FAST and Rotated BRIEF)算法提取特征点时使用固定阈值,在不同场景或光照突变环境中会出现特征点匹配数目较少、匹配正确率较低、适应性较差的问题,针对这一情况提出了一种全局自适应阈值与局部自适应阈值结合的方式改进算法。首先根据图像的灰度分布判断亮度变化情况,针对整体亮度变化与局部亮度变化两种情况分别采用全局或半全局自适应阈值方案,并与局部自适应阈值相结合,通过建立评价函数得到阈值计算公式中自适应参数值,完成FAST(Features from Accelerated Segment Test)特征点提取,计算描述子,借助KNN(K-nearest Neighbor)算法完成特征点对筛选。实验结果表明,改进后的ORB算法在整体光照变化时特征匹配点对数量平均提升129.9%,正确率平均提升15.94%,局部光照变化时特征匹配点对数量平均提升149.4%,正确率平均提升3.53%。     

基于轻量型YOLOv5的风机桨叶检测与空间定位

应用无人机对风力发电机进行自主巡检时,需对其桨叶叶尖进行精准定位,同时因机载计算板的计算能力有限,常规目标检测算法检测效率低下。为此提出了一种基于轻量型YOLOv5的风机桨叶检测与空间定位方法,首先对YOLOv5目标检测算法进行轻量化改进,将ShuffleNetv2作为特征提取主干网络;然后利用该算法对风机全景图像中的风机轮毂和桨叶进行检测,以得到轮毂和桨叶叶尖的像素坐标;最后利用无人机位姿信息和空间平面的几何关系,对风机桨叶进行精准定位。实验表明,所改进的目标检测算法以1.536×10⁶的参数量在大疆MANIFOLD2-C上的检测速度提升47%,可达29.4 f/s,所设计的定位方法可对风机桨叶叶尖进行精准定位,水平和高度定位误差均为±5 cm,三维整体定位误差为±10 cm。     

风机叶片精准巡视的无人机控制策略研究EI北大核心CSCD

应用无人机对风力发电机叶片进行精准巡视时,因定位误差以及外界干扰,会导致采集到的桨叶信息不全,针对这一问题提出一种风机叶片精准巡视的无人机控制策略。首先,根据无人机正对风机采集到的全景图,计算叶尖的位置坐标,从而得到巡视航线并设置巡视航点,实现对桨叶的全覆盖图像采集;接着,设计一种基于视觉的设定值修正器,先依次对摄像机采集到的原始图像进行灰度化、滤波降噪、边缘检测、直线提取;最后,对提取到的直线过滤并分类,进而计算图像中桨叶的中心线及其在图像坐标系中的截距,以此生成控制量对无人机的位姿进行调整使桨叶位于图像中心,同时对其进行稳定性分析。经仿真试验表明,提出的策略可达到对风机叶片精准巡视的目的,为风力发电机的精细巡检提供可参考的方案,同时也可推广到对其他电力设备的精细巡检应用。     

基于无人机视觉的风机桨叶叶尖定位方法

应用无人机对风力发电机进行自主巡检时，需对其桨叶叶尖做出精准定位。为此提出一种基于无人机视觉的叶尖定位方法。无人机利用风机粗略偏航信息到达指定位置后，并利用Yolov5模型对风机桨叶、轮毂等部位进行特征提取；根据提取到的特征点计算单应性矩阵并将其分解，得到无人机偏移量；基于混合式视觉伺服设计修正器对无人机位姿进行修正，从而使无人机正对风机并进行全景图采集，同时对其进行了稳定性分析；利用全景图以及无人机的位姿对桨叶叶尖进行三维空间定位。仿真实验表明，设计的控制器可以使无人机在15 s内自主完成正对风机操作并对其进行全景图采集，提出的方法可对风机桨叶叶尖进行精准定位，定位误差仅在±5 m内。