[发明专利]基于边缘计算与无人机巡检协同的智能巡检方法

权利要求书

1.基于边缘计算与无人机巡检协同的智能巡检方法，其特征在于，包括如下步骤：

步骤S1、多无人机巡检的任务分配与路线规划：

以无人机完成所有巡检目标所需时间最短为目标，确定任务分配，规划最优巡检路线；

步骤S2、图片异常自动识别：

在边缘端通过缺陷检测模型对无人机拍摄到的图片进行图片规范检测以及缺陷识别；

若存在图片异常，请求已经完成检测任务的无人机进行多方位联合巡检，并将拍摄图片发回机场服务器；

若图片无异常，则当前无人机执行下一个巡检任务；

步骤S3、更新缺陷检测模型：

在服务器端对巡检图片进行全景拼接，通过缺陷检测模型对于拼接后的图片进行规范检测以及缺陷识别，若存在图片异常，则将汇总的异常结果存入训练样本库，对缺陷模型进行增强学习以更新缺陷检测模型，若不存在异常，对拼接后的图片进行存储。

2.根据权利要求1所述的基于边缘计算与无人机巡检协同的智能巡检方法，其特征在于，在步骤S1之前，还包括对缺陷检测模型进行训练：

构建训练样本库：基于SinGAN利用缺陷图片样本，自动学习缺陷样本图片的纹理以及边缘特征，生成多张高质量的缺陷样本图片，扩充样本训练集；

缺陷检测模型训练：对CNN网络模型进行改进，添加BN层，引入γ因子的正则化项，对CNN网络进行剪枝以缩小检测模型。

3.根据权利要求2所述的基于边缘计算与无人机巡检协同的智能巡检方法，其特征在于，构建训练样本库包括如下步骤：

样本预处理：对预先收集的缺陷图像进行降噪和图像增强操作；

SinGAN模型构建：模型包括金字塔结构的全卷积GAN，在每个尺度上都具有生成器G_n和与之对应的马尔科夫判别器D_n来判断真假；每个GAN负责捕获不同尺度的图像分布，以此来生成具有相同视觉内容的高质量样本；

模型训练：按照每一层GAN网络搭建的顺序，从最底层到最顶端的顺序进行训练，每一层GAN网络训练好后则会被固定；

获得扩充图像：将单个缺陷样本图片输入训练好的SinGAN模型，金字塔最顶端生成器G_n生成的图像即为扩充图像。

4.根据权利要求2所述的基于边缘计算与无人机巡检协同的智能巡检方法，其特征在于，缺陷检测模型训练包括如下步骤：

构建卷积层与池化层：卷积层与池化层相配合，组成多个卷积组逐层提取图片特征；

添加BN层：在每一个池化层后面都添加一个BN层，做归一化处理，同时，引入γ因子，方便后续对模型进行剪枝；

根据各神经元贡献度大小进行评估：根据γ因子进行特征图像的重要性评估，对贡献较小的神经元进行剪枝；引入γ因子正则化项在图像训练中进行自动剪枝；

对剪纸后的网络进行微调：剪掉不重要的网络通道对精度进行补偿。

5.根据权利要求1或2所述的基于边缘计算与无人机巡检协同的智能巡检方法，其特征在于，步骤S1中，多无人机任务分配包括如下步骤：

确定优化目标：所述优化目标为完成所有检测任务所需要的总飞行距离最短；

机场服务器存储有初始时各无人机到每个检测目标以各及检测目标之间的距离；

定义无人机组到检测目标组之间的最短距离为所有无人机到所有检测目标之间的距离最小值，将此目标的检测任务分配给该最小距离对应的无人机X，并将此目标从检测目标组删除；

更新各无人机到剩余检测目标的距离；其中：

算法结束条件为检测目标组为空，算法结束后，将巡检任务按照算法执行的结果分配给各无人机。