基于RTK定位技术的输电线路无人机自主巡检方法

为了提高无人机在输电线路巡检作业中的定位精度,保障无人机按照预设巡检线路进行自主巡检,提出基于RTK定位技术的输电线路无人机自主巡检方法。采用基于RTK定位技术获取输电线路无人机的动态位置,基于无人机动力学模型识别无人机姿态信息,结合串级模糊PID控制器控制无人机的作业姿态按照巡检路线巡检,实现输电线路无人机自主巡检。实验结果表明,所提方法能高精度定位无人机位置,定位误差控制在1 cm之内,并且俯仰角都可在1 s内抵达理想值,可有效控制无人机准确按照预设巡检线路完成自主巡检,避障效果较好。     

无人机自主巡检系统的关键技术研究

无人机（UAV）将成为未来电力巡检的主要工具,目前其飞行路径主要根据GPS进行设计。GPS定位精度低,部分区域GPS信号弱,是阻碍无人机电力巡检广泛应用的主要瓶颈。针对复杂环境下的输电线路态势感知,提出一种基于单目视觉的无人机自主巡检系统,实现脱离GPS的自主导航。该系统采用基于深度学习的目标识别检测算法,利用单目视觉的投影变换对尺度已知的待检测目标进行三维定位,然后通过基于大疆SDK开发的飞控程序调整无人机的飞行姿态并自主导航,实现无人机实时巡检。实验结果表明,距离目标物10?m时,该系统在世界坐标系[X、][Y、][Z]三个方向的定位误差分别为0.31 m、0.06 m、0.24 m,处理速度0.76 frame/s,准确性和可行性得到了验证。     

无人机基于视觉自主着陆的跑道识别跟踪

跑道检测识别与跟踪是基于视觉的无人机自主着陆的前提和难点,本文根据固定翼无人机基于视觉自主着陆的特点设计了包括跑道检测、跑道特征提取、跑道识别和跑道跟踪的方案,并在ARM Cortex-A9处理器中基于Linux系统使用OpenCV实现了该方案.最后按照逐步递进的方式分别对检测、检测识别、检测识别与跟踪结果进行了实验验证,并对实时性进行了分析.实验结果表明,通过该方案可以准确地识别图像中的跑道并具有较快的跟踪速度.     

基于自研飞控的无人机识别车牌系统

为了识别车辆车牌并进行跟踪,首先定位出车牌的精确位置,再通过基于纹理方向场的车牌倾斜校正方法对无人机拍摄视角下的车牌进行修正,使用基于卷积神经网络算法对车牌字符进行识别。设计自研飞控系统结合图像处理的嵌入式平台,通过视觉无人机在空域按一定航线巡逻飞行,针对车辆车牌进行识别并定位车牌位置。实验结果显示,在实验飞行高度小于10m并且摄像头夹角小于60°的情况下,无人机对车牌识别准确率较高且定位信息准确。     

四旋翼无人机自主移动降落方法研究

近年来,四旋翼无人机在自主完成各种复杂任务中扮演着愈发重要的角色。移动降落技术是无人机智能处理系统的关键技术,包含3个环节:目标检测、目标跟踪、位置预估及降落。提出了一种基于Apriltags的跟踪降落算法,提升了识别性能,通过Kalman滤波及拟合函数等方法预估运动目标轨迹,采用PID算法控制无人机稳定飞行、快速响应,实现了无人机对移动目标的智能识别、稳定跟踪及移动降落。     

空地协同机器人目标定位方法

针对空地协同机器人中无人机对地面无人车的实时精准定位问题,提出一种红色双圆型定位标记及标记识别与定位方法。引入颜色分割与轮廓提取相结合的方式,减少提取到的轮廓特征数量,排除背景信息干扰以减少误识别;提出一种圆形轮廓快速检测算法,快速识别目标轮廓并准确定位目标像素坐标和方向;基于针孔相机成像模型,根据目标像素坐标和方向,估计出目标在机体坐标系下三维坐标和偏航角。实验结果表明,无人机与地面无人车相对高度1.5 m时,该方法在[x]轴和[y]轴方向定位误差分别为3.9 mm和3.6 mm,每帧图像平均处理耗时为11.6 ms,优于基于核相关滤波的识别定位方法的13.3 mm、14.3 mm和56.3 ms。该方法与无人机控制相结合,可以实现无人机协同跟踪与自主降落功能,提升空地协同机器人作业效率,具有显著的工程意义。     

基于四旋翼无人机的车辆自主抄牌

针对传统车辆抄牌效率低的问题,提出一种基于四旋翼无人机的车辆自主抄牌方法。使用无人机采集大量车辆俯视图样本,对图像进行预处理和下采样,然后提取车辆图像的梯度直方图特征,将图像特征输入到卷积神经网络中,训练出车辆识别模型,最后使用模型识别车辆;根据车辆的形状特征估计车辆姿态;根据车辆的位姿信息计算无人机抄牌的位置和角度;搭建无人机实验平台测试无人机自主抄牌系统。实验结果表明无人机可以自主拍摄到清晰的车牌图像,实现了车辆抄牌的自动化。     

基于双目视觉的选煤厂用胶带输送机表面异物检测

目前所采用的选煤厂用胶带输送机表面异物检测方法在实际应用时,由于选煤厂内外因素影响,导致对于不同类别的异物识别和分类精度低。针对该问题,提出一种基于双目视觉的选煤厂用胶带输送机表面异物检测方法。设计了基于双目视觉的输送带异物检测装置,将摄像机与工业相机组合成双目视觉系统,系统采集图像后,利用中值滤波算法对图像进行去噪,获取稳定的图像信息。采用YOLOv3进行异物识别预测,计算边界框和锚框数值信息,并根据上述数值信息调整计算定位准确度,实现异物检测。实验结果表明：与传统的基于Mask＿R-CN的检测方法相比,提出的方法对胶带输送机表面异物的识别筛选准确率超过96.2%,分类准确率超过97.6%。     

基于LSD检测的无人机视觉着陆定位算法

针对复杂电磁干扰和拒止环境下固定翼无人机自主着陆的应用场景,提出了一种基于LSD的无人机视觉着陆定位算法,通过检测跑道的左右边线以及起始线对无人机进行定位;根据机场跑道的形态学特征,构建机场跑道数据模型,并对实验所用相机进行标定,采用灰度化和高斯滤波对采集到的图像进行预处理,采用LSD直线检测算法以提取跑道的直线特征,设计几何滤波策略从直线特征中提取出跑道的三条边线,采用蒙版技术以提高检测算法的抗干扰能力;根据相机成像原理推导出基于线检测的PNP定位算法,通过检测得到的机场跑道线在像素坐标系下的位置信息求出无人机相对于跑道的三维位置;分别在视景仿真环境和真实机场环境进行检测和定位解算,结果满足无人机着陆定位实时性和准确性的要求,从而验证了视觉着陆定位算法的有效性。     

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。     

基于RPCCA的无人机目标跟踪定位算法

针对目前无人机(UAV)对于行人目标的识别准确度不高,数据传输不稳定并且易受干扰和现有无人机目标跟踪系统一般是利用卫星信号进行定位,传输数据成本较高且具有一定的局限性的问题,提出了基于正则化成对约束组件分析的无人机目标跟踪定位算法,利用正则化成对约束组件分析实现了无人机对目标的准确识别,利用WiFi进行大数据稳定、实时的传输,与基于卫星的定位算法可以形成互补,在此基础上,利用扩频通信进行重要数据的准确传输,改善了系统的抗干扰性能。实验结果表明:该算法不仅可以有效地识别与跟踪目标,而且可以实时传输无人机的位姿参数与目标检测结果。     

无人机自主目标识别与定位应用研究

面向无人机自主侦察任务中在线目标识别与定位需求,首先梳理了无人机侦察中目标识别领域的相关研究成果;然后,介绍了Faster RCNN目标识别算法的实现原理,并针对任务需求进行了改进;之后,介绍了图像拼接的相关算法并进一步提出了目标相对定位算法;最后,设计了完整的侦察试验流程对所设计自主目标识别与定位方法进行验证;结果表明,改进的目标检测网络能够达到83.3％的识别准确率和35帧/秒的识别速度,所提出的相对定位算法可以达到0.702 m的平均定位精度,能够满足侦察无人机在线目标识别与定位的任务需求.     

基于双目技术的无人机自主三维定位方法研究

无人机具有体积小、造价低、机动性强、隐蔽性好等优点,在军事侦查、地理勘测、目标跟踪等领域应用广泛。由于无法采用造价昂贵、体积庞大的精密惯导设备,当应用场景为弱或无GPS环境时,无人机的准确位置信息将难以获取,并且在实际飞行过程中还面临着GPS信号不稳或易遭欺骗等挑战。针对以上问题,提出了基于双目技术的无人机自主三维定位方法。介绍了双目立体视觉技术的光学物理原理,以及双目摄像头与目标的距离判别算法;设计了无人机通过双目技术进行三维定位的方法;详细说明了通过RSS定位方法计算出无人机的精确三维位置信息的运算步骤及矩阵计算式;通过MATLAB仿真实验检验了该基于双目技术的无人机自主三维定位方法的有效性和可实现性。结果表明,该无人机自主三维定位方法具有定位精度高、普适性强等特点。     

基于深度学习的多旋翼无人机单目视觉目标定位追踪方法

针对无人机对目标的识别定位与跟踪,本文提出了一种基于深度学习的多旋翼无人机单目视觉目标识别跟踪方法,解决了传统的基于双目摄像机成本过高以及在复杂环境下识别准确率较低的问题。该方法基于深度学习卷积神经网络的目标检测算法,使用该算法对目标进行模型训练,将训练好的模型加载到搭载ROS的机载电脑。机载电脑外接单目摄像机,单目摄像头检测目标后,自动检测出目标在图像中的位置,通过采用一种基于坐标求差的优化算法进行目标位置准确获取,然后将目标位置信息转化为控制无人机飞行的期望速度和高度发送给飞控板,飞控板接收到机载电脑发送的跟踪指令,实现对目标物体的跟踪。试验结果验证了该方法可以很好的进行目标识别并实现目标追踪     

利用地面景象信息辅助的无人机自主定位技术

针对无人机自主定位过程中GPS定位系统失效的问题,提出了一种利用地面景象信息辅助的无人机自主定位技术,首先利用无人机所拍摄的实时航拍图像,与预先储存在无人机计算机中地面景象的数字化地形图进行匹配,从匹配结果中提取一个同名像点,结合地面景象数字化地形图所提供的数据信息获取此同名像点的地理位置坐标,根据同名像点位置与无人机位置间的几何关系,结合机载光电测量系统的坐标转换过程,实现无人机的自主定位过程。利用已知的地面同名像点的地理位置信息,反推出无人机的地理位置信息具有一定的创新性。由于整个定位过程存在实际误差,因此利用无人机飞行时记录的数据,采用蒙特卡罗法对定位误差进行仿真试验。试验结果表明该技术能够在误差允许范围内,在GPS定位系统失效的情况下完成无人机的自主定位     

激光异物清除器装置研究

目前清除架空输电线路上异物的方法主要是依靠人工方式或者借助无人机等遥控操作装置,这些操作耗时耗力且带电作业有一定的危险性,不能适应复杂的输电线路环境。随着激光技术的应用越来越广泛,利用激光清除电线异物已经成为现实。为了更好地实现切割效果,提高切割效率,文章结合数字图像处理技术,提出了一种基于转台伺服控制的激光除异物系统。通过架设在双自由度转台上相对固定的摄像头和激光发射装置达到识别跟踪并切除异物的效果,以图像解析结果为反馈,控制转台的转动方向和角度,从而确定激光发射的位置。为了有效确定切割目标,利用图像处理技术中的特征识别法进行异物识别与跟踪,并通过Hough直线检测识别出线缆,确定切割方向。实验表明,在转台满足精度指标的情况下可以有效清除规定范围内的目标异物,切割速度较快,适用范围较广。     

煤矿带式输送机分拣机器人异物识别与定位系统设计

机器视觉已在煤矿带式输送机分拣机器人目标检测与识别方面具有一定的理论基础,但目前煤矿带式输送机分拣机器人目标识别主要针对煤矸石识别,对造成输送带穿透、撕裂等的异物目标识别的研究较少,且在目标异物精确定位方面的研究也较少。针对上述问题,设计了一种基于机器视觉的煤矿带式输送机分拣机器人异物识别与定位系统,可对输送带上存在的不同类型和不同形状的异物进行识别与定位。采用双目视觉实时获取输送带上异物图像信息,并对图像进行预处理,基于Canny算子进行图像信息增强,通过灰度拉伸方法改进图像边缘信息,突出煤矿带式输送机上异物的边缘特征;利用形态学方法提取异物形状特征,建立异物图像特征样本库,通过图像特征匹配的方式解算出异物存在区域,实现异物类型的检测、分类与识别;在异物类型成功识别的基础上,以目标异物边缘特征值为基础,建立目标异物的感兴趣区域(ROI),构建相机、输送带与目标异物坐标转换关系,利用多目标质心快速计算方法求取目标异物质心坐标,实现对目标异物的定位。系统样机实验结果表明：煤矿带式输送机分拣机器人异物识别与定位系统异物识别率不受尺寸、材质和颜色等因素影响,能够实现输送带目标异物图像的采集、...     

基于场景识别的无人机自主着陆组合导航研究

研究无人机自主着陆阶段的组合导航问题,现有绝大多数是GPS/INS的组合导航,其中状态量的位置信息也都选择了传统的纬度、经度和海拔高度.为了适应着陆场景识别导航,提出了一种基于场景识别/INS的无人机自主着陆组合导航新方法.从机场原点指向飞机的矢量相对机场的俯仰角、方位角及矢量长度作为卡尔曼滤波状态量的位置信息,组合导航中量测信息是从飞机上的摄像机所获得的机场特征点在摄像机所摄图像中的位置(坐标).通过对方法的分析及仿真,结果验证了方法在无人机自主着陆阶段组合导航中,稳定性和快速性等识别性能较好.     

一种混合式机场跑道异物监测系统的研究与实现

为改变传统人工监测机场跑道异物方法的不足,提出了一种基于雷达探测与视频辅助识别的混合式机场跑道异物监测方法,并基于此种方法设计了机场跑道异物安全检测系统.分析了机场异物跑道监测要求,介绍了监测系统的工作原理和构成,详细阐述了雷达子系统、视频摄像子系统、控制中心等核心子系统的设计思路和实现方法,并对监测系统的测试情况进行了详细描述.测试结果表明,该系统能够有效检测出跑道中摆放的异物,实现了异物检测的功能.     

低光照下的无人机异物检测与定位

为解决无人机在低光照环境下的巡检过程中, 不能对场景中的异物进行识别与定位, 导致后续智能算法无法获得环境语义信息的问题. 本文提出一种将ORB-SLAM2算法与适用于低光照目标检测改进的YOLOv5模型进行信息融合的方法. 首先, 通过RGB-D相机自采集低光照数据集进行深度学习训练及融合算法验证. 然后, 结合关键帧信息、目标检测模块的输出结果以及相机的固有信息完成目标像素坐标提取. 最后, 通过关键帧信息和像素坐标完成目标物体相对世界坐标系的位置解算. 本文实现了低光照环境下目标物体较为准确的识别和目标物体在世界坐标系中分米级的定位, 为低光照环境下无人机智能巡检提供了一种有效的解决方案.