[发明专利]一种基于飞行器悬停状态的输电杆塔自主扫描方法

权利要求书

1.一种基于飞行器悬停状态的输电杆塔自主扫描方法，其特征在于：包括以下步骤：

第一步、离线深度学习：对带标签的原始图像，分别进行杆塔识别模型和多目标检测模型的训练，两种训练均采用深度卷积神经网络，杆塔识别模型训练的输入数据是带有杆塔标签和背景标签的图像数据，多目标检测模型训练的输入数据是带有各种电力元件标签和背景标签的图像数据；

第二步、在线自主扫描：通过第一步得到杆塔识别模型，结合杆塔区域与杆塔POS信息，在人工干预下得到输电杆塔自主扫描路线；

第三步、在线自动高清成像：通过第一步得到电力元件多目标识别模型，结合元件的定位信息和吊舱姿态信息，反馈控制成像设备进行高清成像；

离线深度学习中：

A11：输入层，将图像进行缩放处理，将其像素统一为1296*864，卷积神经网络的感受野大小为64*64，图像尺寸为3*64*64；

A12：卷积层，设置C1、C2、C3三层卷积层，卷积层通过对输入图像的卷积来实现特征提取，每个输出节点通过一个卷积核与输入节点相连，每个输出特征图与前一层的一个或多个输入特征图相连，经过卷积后图像尺寸N的计算表达式为：

其中l为当前网络层数，K为卷积核大小，P为在输入的每一边上填充的像素，S为步长；

A13：池化层，把输入的特征图像分割为几个矩形区域，对相应的矩形区域做运算，采用最大池化方法，即取矩形区域中的最大值作为输出值，对于图像中的x区域，下采样后y值的计算表达式如下：

y＝max(x_i),x_i∈x

池化层采用S1、S2、S3三层，池化后的图像尺寸表达式与之前相同，池化后的特征图个数即为其对应的前一个卷积层的特征图个数；

A14：隐藏层，隐藏层F4设置为全连接层，激活函数选择ReLu函数；

A15：分类层，分类层F5设置2个神经元，与F4的神经元构成全连接；

采用Softmax回归模型进行识别检测，有一个带标签的训练样本集{(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)，(x⁽³⁾，y⁽³⁾)，...}，y(i)∈{1，2，...，k}，k为目标种类数；对于给定的样本输入x，用假设函数针对每一个类别j估算出概率值p(y＝j|x)，也就是估计x的每一种分类结果出现的概率；Softmax的假设函数如下所示：

式中，θ为模型参数；

在线自主扫描具体步骤如下：

A21：采用离线训练好的杆塔识别模型，在飞行器飞行过程中进行实时在线检测，当检测到杆塔目标时，对其进行准确定位，并将飞行器切换到悬停状态；

A22：结合杆塔和无人机的POS信息，确定自动扫描范围，以杆塔中心点为基准分别计算出吊舱扫描杆塔时的最大上、下、左、右偏位角，利用吊舱反馈控制回路调整相机视轴和视场，从左上角到右下角进行扫描成像，且吊舱的俯仰角和水平角不大于计算的四个最大偏位角；

在线自动高清成像步骤如下：

A31：采用离线训练好的多目标检测模型，在自主扫描杆塔的过程中同时进行重点元件实时检测，并进行区域定位，重点元件包括玻璃绝缘子、防震锤和引流板；

A32：结合元件定位信息和当前状态下吊舱的姿态，反馈控制成像设备调整视场，获得电力元件的高清成像，之后自动返回扫描路线继续扫描。