[发明专利]基于视觉导航技术的无人机高精度饶塔智能巡检方法

权利要求书

1.一种基于视觉导航技术的无人机高精度饶塔智能巡检方法，其特征在于，包括如下步骤：

S1，建立直线杆塔及非直线杆塔类型数据库，收集所有重要部件的标准图像及缺陷图像，对标准图像和缺陷图像中的重要部件进行目标框标示形成重要部件图像数据集；

S2，对步骤S1所建立的重要部件图像数据集中的图像进行处理，将重要部件图像数据集随机划分为样本数据集和测试数据集；

S3，基于yolo v4目标检测算法建立卷积神经网络模型，利用步骤S2中的样本数据集对卷积神经网络模型进行训练分别建立巡检图像前端部件识别模型和巡检图像缺陷识别模型；

S4，通过点云及无人机控制装置生成无人机的自动飞行航线；

S5，无人机按照步骤S4所生成的自动飞行航线飞行，在每一个杆塔处根据步骤S1中的直线杆塔及非直线杆塔类型数据库对杆塔类型进行识别，再利用步骤S3所建立的巡检图像前端部件识别模型对所有杆塔上的各重要部件进行图像拍摄直至航线飞行结束；

S6，利用步骤S3所建立的巡检图像缺陷识别模型对步骤S5中所拍摄的图像进行缺陷识别输出缺陷识别图像。

2.根据权利要求1所述的基于视觉导航技术的无人机高精度饶塔智能巡检方法，其特征在于，在步骤S1中，所述直线杆塔及非直线杆塔类型数据库包括直线杆塔及非直线杆塔的图像、直线杆塔上重要部件的拍摄航线；所述重要部件包括绝缘子串、防振锤、间隔棒、均压环。

3.根据权利要求1或2所述的基于视觉导航技术的无人机高精度饶塔智能巡检方法，其特征在于，所述步骤S3包括如下步骤：

S3.1，通过参数配置文件设置参数，所述参数包括初始学习率、学习步长、图像学习次数和判别精度阈值；

S3.2，选取yolo v4单阶段目标检测算法，利用参数配置文件初始化卷积神经网络模型；

S3.3，利用步骤S2中的样本数据集对卷积神经网络模型进行迭代训练分别建立巡检图像前端部件识别模型和巡检图像缺陷识别模型；

S3.4，利用测试数据集分别对巡检图像前端部件识别模型和巡检图像缺陷识别模型进行模型精度测试，利用巡检图像前端部件识别模型和巡检图像缺陷识别模型的判别结果目标框与测试数据集中的目标框进行重叠度计算，最终获得模型平均准确率；

S3.5，将步骤S3.4所计算出的模型平均准确率分别与步骤S3.1所设定的判别精度阈值进行比较，若模型平均准确率均大于判别精度阈值，则执行步骤S4，否则，返回步骤S3.3。

4.根据权利要求3所述的基于视觉导航技术的无人机高精度饶塔智能巡检方法，其特征在于，所述模型平均准确率的计算公式为：

式中，AP表示模型平均准确率，P表示准确率，r表示召回率。

5.根据权利要求3所述的基于视觉导航技术的无人机高精度饶塔智能巡检方法，其特征在于，所述步骤S4包括如下步骤：

S4.1，无人机控制装置对无人机进行控制，无人机对所有杆塔进行杆塔图像拍照并对应记录杆塔的位置数据，通过多角度拍摄照片生成LAS点云；

所述位置数据包括经度、纬度和海拔高度。

S4.2，根据步骤S4.1所生成的LAS点云判断所述杆塔是否为直线塔，若为直线塔，调用步骤S1中的直线杆塔及非直线杆塔类型数据库生成直线塔飞行航线，若不为直线塔，利用无人机控制装置手动打点，同时记录手动打点位置的位置数据生成非直线塔飞行航线；

S4.3，根据步骤S4.1中的杆塔的位置数据和步骤S4.2中的直线塔飞行航线和非直线塔飞行航线生成自动飞行航线。

6.根据权利要求1所述的基于视觉导航技术的无人机高精度饶塔智能巡检方法，其特征在于，所述巡检图像缺陷识别模型识别缺陷的方法为：

S6.1，巡检图像缺陷识别模型对输入的图像进行检测，根据图像获取每个图像所对应的至少3个尺度的特征图；

S6.2，巡检图像缺陷识别模型对每个特征图进行目标窗口预测，利用非极大值抑制算法去除目标窗口中的冗余窗口；

S6.3，利用巡检图像缺陷识别模型对步骤S6.2所得到的去除冗余窗口后的目标窗口进行识别，输出对应的缺陷识别图像。