基于机器视觉的无人机自主着陆技术

为了提高无人机着陆过程中的自主性和智能性,提出了一种基于机器视觉的无人机自主着陆算法。算法采用了红外图像与可见光图像协同的方式,首先对着陆模型进行设计;其次,通过着陆模型的颜色、纹理、热成像等特征对着陆模型进行检测识别;最后,通过确定降落模型的质心位置并跟踪,实现无人机的位姿调整。实验表明,该算法大大降低了基于机器视觉进行无人机位置识别时对环境光线的要求,提高了基于机器视觉的无人机自主着陆控制系统的抗干扰能力,实现了基于机器视觉进行自主降落的无人机的全天候自主着陆。     

基于红外视觉的固定翼无人机自动着陆引导系统

固定翼无人机自动着陆需要跟踪速度快、精度高的引导系统,本文设计并搭建了一套基于红外视觉的无人机自动着陆引导系统。文中首先介绍了视觉着陆引导系统的原理、组成,并分析其数学模型;在无人机上设计了红外视觉识别标志,设计并编写了引导系统图像处理算法和视觉跟踪算法;设计视觉着陆引导控制结构;最后,通过试飞实验对该系统的可靠性、跟踪速度和精度进行验证。实验结果表明本文设计的自动着陆引导系统能够很好地满足固定翼无人机精确自动着陆的要求。     

基于IMU-GNSS-VO的输电线无人机巡检定位和目标跟踪自适应方法

无人机巡检在220 kV输电线的日常巡检工作中占据越来越多的比重，然而无人机巡检存在定位不准、巡检目标识别与跟踪困难等系列问题。为此，基于惯性测量单元(inertial measurement unit, IMU)、全球导航卫星系统(global navigation satellite systems, GNSS)、视觉测程(visual odometry, VO)等多路传感器融合信息，提出了一种无人机输电线巡检定位与目标跟踪自适应方法。为解决GNSS信号中断以及视觉传感器在复杂场景中缺乏足够特征点导致的自主定位困难问题，提出一种基于联邦卡尔曼滤波的鲁棒自适应定位算法，该算法确保了无人机自主导航和定位的准确性；同时，为了实现输电线目标自动识别和跟踪，提出一种变化场景最佳阈值选择算法，实现预测性和连续的参数选择，以提高输电线跟踪的准确性。最后，以唐山某典型案例为试点，验证了方法的有效性，并进一步全面优化输电线路无人机巡检工作流程，为后续输电线巡检的智能巡检多维应用奠定较好的基础。     

架空输电线路无人机缺陷智能识别技术研究

基于采集的高质量影像,针对无人机巡检影像特性,采用深度学习技术框架,研究输电线路设备及通道环境隐患的智能识别方法,实现销钉级微细颗粒缺陷的智能识别.由于目前无人机的图传带宽难以满足高清图像的实时传输,前端芯片的算力也难以满足缺陷识别的需求.因此,短期内自主巡检的图像还是在无人机自主巡检完成后,在服务器端调用人工智能算法进行处理.基于以上过程标准化采集的高质量巡检图像,可以降低后续设备缺陷识别的难度,提升设备识别的准确率.针对无人机巡检图像特征,采用深度学习Faster-RCNN(Faster-Region Convolution Neural Network)模型,实现了对无人机巡检图像中设备缺陷及通道隐患的智能识别.     

低速无人机自主着陆控制技术研究

针对无人机自主着陆问题,给出了无人机自主着陆控制系统结构,分别设计了着陆段纵向控制回路和横侧向控制回路的控制律,提出了一种基于待飞距离的无人机着陆轨迹,将着陆轨迹划分为四个阶段：进场飞行段、直线下滑段、指数拉平段以及跑道滑行段,并针对各个飞行阶段分别给出了纵向轨迹方程。在MATLAB环境下对某低速无人机着陆段控制进行仿真,仿真结果表明：本文提出的基于待飞距离的无人机着陆轨迹和针对该着陆轨迹设计的控制律,能够有效地实现无人机安全平稳着陆,符合预定的指标要求。     

输电线路移动式不间断自主智能巡检技术研究

为解决传统巡检作业模式中的难度大、标准杂、效率低、盲点多等集中突出的问题,提出了一种基于多机协同作业的不间断自主杆塔巡检方法,建立了A、B车交替不间断巡检的作业方式,使得无人机可以不间断地对电力杆塔进行巡检.所建立标准的作业线路模型,可根据不同杆塔类型的巡检目标自动生成不同的安全线路,对无人机实现自动巡检的线路规划提供科学依据.构建了输电线路移动式不间断自动精益化智能巡检系统,应用计算机视觉技术,在高精度RTK定位的基础上辅助定位,更加精准地完成自动巡检与降落,通过建立任务、线路为导向的操作方式,直观展现了作业成果,提高了管理决策质量及作业效率.     

基于输电杆塔的无人机精细化巡检研究

针对输电杆塔的无人机精细化巡检,给出了航迹规划方法并阐述了关键技术。航迹规划原则一般以∩型顺序拍摄,不同的塔型拍摄顺序有差异;拍摄点位复杂的杆塔采用启发式算法进行航迹规划;采用毫米波雷达避障,利用RTK技术进行厘米级定位,动力控制系统可使无人机平稳地悬停拍摄。目前的精细化巡检仍以人工操作为主,需通过视觉算法增加其自主性、智能性。     

基于Faster RCNN变电设备红外图像缺陷识别方法

变电设备红外检测能够及时有效的发现设备过热缺陷,预防设备故障的发生。传统人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,而目前红外图像缺陷识别大都基于传统机器学习算法,识别准确率低、泛化能力差,因此本文提出了基于深度学习的变电设备红外缺陷识别方法。首先基于Faster RCNN算法对变压器、套管、断路器等七种变电设备进行目标检测,实现设备的精准定位、识别,然后基于温度阈值判别法对设备区域进行缺陷识别。使用现场采集红外图像进行测试,七种设备检测平均精度均值达到90. 61%,缺陷识别准确率达到81. 33%,实验结果表明本文方法的有效性和准确性。     

面向无人艇智能感知的水上目标识别算法研究

针对水面无人艇(unmanned surface vessel,USV)智能感知系统对图像处理过程的准确性和实时性要求,研究了一种根据无人艇上机载视觉传感器对水上目标进行识别与定位的算法.首先根据开源数据集与实验数据采集图像,对实验数据抽帧、去重、标注、统计,创建了水上目标识别数据库YZ10K;其次实践了主流的基于深度学习的目标检测方法,包括Faster R-CNN、SSD、YOLOv3等;最后针对水上目标特点,提出了一种基于改进YOLOv3的增强型轻量级水上目标检测网络WT-YOLO(water target-you only look once).无人船实验验证表明,WT-YOLO算法取得了准确且快速的目标识别效果,平均精度为79.30％,处理速度为30.01 fps.     

基于改进EfficientDet的电网元件及缺陷识别方法

针对现有的无人机电力巡检中的目标检测算法小目标识别精度低、检测的元件及缺陷类型较为单一、检测速度和精度无法同时满足的问题,提出一种改进的EfficientDet目标检测算法,该算法应用于无人机电力巡检图像的数据挖掘,对高压输电线路上的绝缘子、防震锤、均压环、屏蔽环、鸟巢同时进行目标检测及缺陷定位.首先通过Imgaug数...