[发明专利]基于电力杆塔模型匹配的电力无人机巡检方法及系统

权利要求书

1.基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，包括以下步骤：

S1，获得电力杆塔的三维模型数据和无人机的三维模型数据；

S2，结合电力杆塔的三维模型数据和定义地理位置信息绘制目标航线；

S3，利用无人机的三维模型数据沿目标航线上模拟飞行得到虚拟运动姿态数据；

S4，向无人机发送控制指令，以控制无人机根据虚拟运动姿态数据按照目标航线飞行进行巡检；

S5，接收无人机的摄像头拍摄的视频图像集和定位设备采集的实时地理位置信息；

S6，根据视频图像集对电力杆塔的三维模型数据进行修订，根据实时地理位置信息修订目标航线得到实际航线，根据实际航线模拟飞行得到真实运动姿态数据；

S7，将电力杆塔的三维模型数据、实际航线和真实运动姿态数据建立训练样本集，采用神经网络对训练样本集进行训练得到识别模型实现自动巡检。

2.根据权利要求1所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述结合电力杆塔的三维模型数据和定义地理位置信息绘制目标航线具体为：获得电力杆塔区域的地形图层，在地形图层内设置对应的定义地理位置信息并导入电力杆塔的三维模型数据，每个电力杆塔的三维模型数据应与定义地理位置信息对应并建立编号，结合电力杆塔的三维模型数据和定义地理位置信息绘制目标航线。

3.根据权利要求1所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述目标航线和实际航线均包括航线距离、起飞点坐标、巡检起始点坐标、路径点坐标、巡检结束点坐标和降落点坐标。

4.根据权利要求1所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述虚拟运动姿态数据和所述真实运动姿态数据包括飞行轨迹、飞行速度、飞行时间以及飞行稳定参数。

5.根据权利要求1所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述接收无人机的摄像头拍摄的视频图像集和定位设备采集的实时地理位置信息具体为：接收无人机的摄像头拍摄的视频图像集和定位设备采集的每个电力杆塔的实时地理位置信息之后，将视频图像集拆分为若干个逐帧图像数据，依据每个电力杆塔的排序对若干个逐帧图像数据分割为若干个逐帧图像集。

6.根据权利要求1所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述根据视频图像集对电力杆塔的三维模型数据进行修订，根据实时地理位置信息确定实际航线，根据实际航线模拟飞行得到真实运动姿态数据具体为：扫描若干个逐帧图像集，获得每个电力杆塔的塔体特征，根据塔体特征对每个电力杆塔的三维模型数据进行修订，根据实时地理位置信息确定实际航线，根据实际航线模拟飞行得到真实运动姿态数据。

7.根据权利要求1所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述将电力杆塔的三维模型数据、实际航线和真实运动姿态数据建立训练样本集，采用神经网络对训练样本集进行训练得到识别模型实现自动巡检具体为：对电力杆塔的三维模型数据、实际航线和真实运动姿态数据兴趣点区域进行标注建立训练样本集，其中，训练样本集分为训练集和测试集。

8.根据权利要求7所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述对电力杆塔的三维模型数据、实际航线和真实运动姿态数据兴趣点区域进行标注建立训练样本集之后为：搭建神经网络，并进行网络初始化，将训练集中样本数据分为多个批次，采用一个批次的样本数据对神经网络进行训练，更新神经网络的权重参数。

9.根据权利要求8所述的基于电力杆塔模型匹配的电力无人机巡检方法，其特征在于，所述搭建神经网络，并进行网络初始化，将训练集中样本数据分为多个批次，采用一个批次的样本数据对神经网络进行训练，更新神经网络的权重参数之后为：采用测试集对训练后的神经网络进行验证，计算神经网络的损失值，判断所述损失值是否小于设定阈值，如果小于，则输出训练后的神经网络，得到识别模型，否则转上一步进行下一个批次的样本数据的训练。

10.基于电力杆塔模型匹配的电力无人机巡检系统，应用于权利要求1～9任一项所述的基于电力杆塔模型匹配的电力无人机巡检方法，包括：

获得模块，所述获得模块用于获得电力杆塔的三维模型数据和无人机的三维模型数据；

绘制模块，所述绘制模块用于结合电力杆塔的三维模型数据和定义地理位置信息绘制目标航线；

仿真模块，所述仿真模块用于利用无人机的三维模型数据沿目标航线上模拟飞行得到虚拟运动姿态数据；

控制模块，所述控制模块用于向无人机发送控制指令，以控制无人机根据虚拟运动姿态数据按照目标航线飞行进行巡检；

采集模块，所述采集模块用于接收无人机的摄像头拍摄的视频图像集和定位设备采集的实时地理位置信息；

修订模块，所述修订模块用于根据视频图像集对电力杆塔的三维模型数据进行修订，根据实时地理位置信息确定实际航线，根据实际航线模拟飞行得到真实运动姿态数据；

学习模块，所述学习模块用于将电力杆塔的三维模型数据、实际航线和真实运动姿态数据建立训练样本集，采用神经网络对训练样本集进行训练得到识别模型实现自动巡检。