【技术实现步骤摘要】
本专利技术属于电气自动化领域，具体涉及一种针对单目视觉无人机的输电线路巡检测距方法及系统。
技术介绍
1、随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。输电线路承担着电能输送的任务，同时也是电力系统的重要组成部分。因此，输电线路巡检，对于电力系统而言，具有重要意义。
2、传统的电力输电线路巡检方式，一般是人工巡检，即电力系统巡检人员通过人工巡线的方式，对电力系统输电线路进行巡检；但是，这种巡检方式不仅费时费力，效率低下，而且安全性和可靠性都较差。随着无人机技术的飞速发展，目前电力系统已经广泛开展了无人机巡检工作。当前，电力系统的无人机巡检方式，一般是由无人机搭载激光雷达和红外测距仪这类测距工具，通过测距工具实现输电线路与树竹之间的距离测量；但是，这类测距工具体积较大和重量高，较为耗费无人机的能量；因此，这类方案的效率也不高。随着深度学习技术的飞速发展，已经有研究人员提出了根据基于无人机搭载的摄像头拍摄的图片，基于深度学习算法来实现输电线路与树竹之间的距离检测的方案；但是，这类方案一般是通过单张2d图片来预测场景的深度信息，而单张2d图像中的物体存在遮挡、纹理缺失、光照变化等情况，这些都极大的影响了测距结果的可靠性和精确性。
技术实现思路
1、本专利技术的目的之一在于提供一种可靠性高且精确性好的针对单目视觉无人机的输电线路巡检测距
2、本专利技术的目的之二在于提供一种实现所述针对单目视觉无人机的输电线路巡检测距方法的系统。
3、本专利技术提供的这种针对单目视觉无人机的输电线路巡检测距方法，包括如下步骤：
4、s1.基于隐式3d场景重建技术，构建并训练得到深度估计模型；
5、s2.采用无人机搭载单目摄像头，对输电线路区域进行视频图像采集；
6、s3.采用深度估计模型，对步骤s2获取的图像进行深度估计，得到对应的深度图；
7、s4.对步骤s2得到的图像和步骤s3得到的深度图中的输电线路和树竹进行识别和定位；
8、s5.根据深度图所对应的深度信息，计算输电线路与无人机之间的真实距离，以及树竹与无人机之间的真实距离；
9、s6.根据步骤s5得到的真实距离，计算输电线路与树竹之间的距离，完成针对单目视觉无人机的输电线路的巡检测距。
10、步骤s1所述的基于隐式3d场景重建技术，构建并训练得到深度估计模型，包括如下步骤：
11、构建的深度估计模型包括深度先验网络和隐式3d场景重建网络；
12、基于卷积块构建深度先验网络；深度先验网络用于获取输入图像的深度先验特征信息；
13、基于隐式3d场景重建技术构建隐式3d场景重建网络；隐式3d场景重建网络用于根据输入的相机参数、图像和得到的图像深度先验特征信息，进行3d场景重建，初步得到输入图像对应的渲染图片和对应的渲染深度；
14、最终，将输入的原始图像及深度先验网络输出的稀疏特征图，分别和隐式3d场景重建网络输出的渲染图片和对应的渲染深度求残差，将残差反向传播到隐式3d场景重建网络进行迭代训练，得到输入图像或任意视角下对应的2d图片和对应的深度图像。
15、所述的基于卷积块构建深度先验网络，具体包括如下步骤：
16、深度先验网络包括编码器和解码器；
17、编码器包括依次串接的第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层均有序列卷积块组成；第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层均用于提取输入图像的特征信息；
18、解码器包括第一上采样层、第二上采样层、第三上采样层、第四上采样层、第五上采样层和卷积层；第五特征提取层的输出作为第一上采样层的输入；第一上采样层的输出和第四特征提取层的输出级联，并作为第二上采样层的输入；第二上采样层的输出和第三特征提取层的输出级联，并作为第三上采样层的输入；第三上采样层的输出和第二特征提取层的输出级联，并作为第四上采样层的输入；第四上采样层的输出和第一特征提取层的输出级联，并作为第五上采样层的输入；第五上采样层的输出通过卷积层处理，得到稀疏深度图，并作为深度先验网络的输出；卷积层为1*1的卷积。
19、所述的基于隐式3d场景重建技术构建隐式3d场景重建网络，具体包括如下步骤：
20、构建的隐式3d场景重建网络包括依次串接的粗网络层、细网络层和体渲染层；
21、粗网络层包括8层全连接神经网络层和7层relu激活函数层，每层全连接神经网络层均为258维；第一全连接神经网络层的输出作为第一relu激活函数层的输入；第一relu激活函数层的输出作为第一全连接神经网络层的输入；第二全连接神经网络层的输出作为第二relu激活函数层的输入；第二relu激活函数层的输出作为第三全连接神经网络层的输入；第三全连接神经网络层的输出作为第三relu激活函数层的输入；第三relu激活函数层的输出作为第四全连接神经网络层的输入；第四全连接神经网络层的输出作为第四relu激活函数层的输入；第四relu激活函数层的输出作为第五全连接神经网络层的输入；第五全连接神经网络层的输出作为第五relu激活函数层的输入；第五relu激活函数层的输出作为第六全连接神经网络层的输入；第六全连接神经网络层的输出作为第六relu激活函数层的输入；第六relu激活函数层的输出作为第七全连接神经网络层的输入；第七全连接神经网络层的输出作为第七relu激活函数层的输入；第七relu激活函数层的输出作为第八全连接神经网络层的输入；第八全连接神经网络层的输出为粗网络层的输出；
22、细网络层包括8层全连接神经网络层和7层relu激活函数层，每层全连接神经网络层均为258维；第一全连接神经网络层的输出作为第一relu激活函数层的输入；第一relu激活函数层的输出作为第一全连接神经网络层的输入；第二全连接神经网络层的输出作为第二relu激活函数层的输入；第二relu激活函数层的输出作为第三全连接神经网络层的输入；第三全连接神经网络层的输出作为第三relu激活函数层的输入；第三relu激活函数层的输出作为第四全连接神经网络层的输入；第四全连接神经网络层的输出作为第四relu激活函数层的输入；第四relu激活函数层的输出作为第五全连接神经网络层的输入；第五全连接神经网络层的输出作为第五relu激活函数层的输入；第五relu激活函数层的输出作为第六全连接神经网络层的输入；第六全连接神经网络层的输出作为第六relu激活函数层的输入；第六relu激活函数层的输出作为第七全连接神经网络层的输入；第七全连接神经网络层的输出作为第七relu激活函数层的输入；第七relu激活函数层的输出作为第本文档来自技高网...
【技术保护点】
1.一种针对单目视觉无人机的输电线路巡检测距方法，包括如下步骤：
2.根据权利要求1所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤S1所述的基于隐式3D场景重建技术，构建并训练得到深度估计模型，包括如下步骤：
3.根据权利要求2所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于所述的基于卷积块构建深度先验网络，具体包括如下步骤：
4.根据权利要求3所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于所述的基于隐式3D场景重建技术构建隐式3D场景重建网络，具体包括如下步骤：
5.根据权利要求4所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤S1所述的训练，具体包括如下步骤：
6.根据权利要求5所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤S4所述的对步骤S2得到的图像和步骤S3得到的深度图中的输电线路和树竹进行识别和定位，具体包括如下步骤：
7.根据权利要求6所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤S5所述的根据深度图所对应的深度
8.根据权利要求7所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤S6所述的根据步骤S5得到的真实距离，计算输电线路与树竹之间的距离，具体包括如下步骤：
9.一种实现权利要求1～8之一所述的针对单目视觉无人机的输电线路巡检测距方法的系统，其特征在于包括模型构建模块、图像采集模块、深度估计模块、识别定位模块、距离计算模块和巡检测距模块；模型构建模块、图像采集模块、深度估计模块、识别定位模块、距离计算模块和巡检测距模块依次串接；模型构建模块用于基于隐式3D场景重建技术，构建并训练得到深度估计模型，并将数据信息上传图像采集模块；图像采集模块用于根据接收到的数据数据，采用无人机搭载单目摄像头，对输电线路区域进行视频图像采集，并将数据信息上传深度估计模块；深度估计模块用于根据接收到的数据数据，采用深度估计模型，对获取的图像进行深度估计，得到对应的深度图，并将数据信息上传识别定位模块；识别定位模块用于根据接收到的数据数据，对步得到的图像和深度图中的输电线路和树竹进行识别和定位，并将数据信息上传距离计算模块；
...【技术特征摘要】
1.一种针对单目视觉无人机的输电线路巡检测距方法，包括如下步骤：
2.根据权利要求1所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤s1所述的基于隐式3d场景重建技术，构建并训练得到深度估计模型，包括如下步骤：
3.根据权利要求2所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于所述的基于卷积块构建深度先验网络，具体包括如下步骤：
4.根据权利要求3所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于所述的基于隐式3d场景重建技术构建隐式3d场景重建网络，具体包括如下步骤：
5.根据权利要求4所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤s1所述的训练，具体包括如下步骤：
6.根据权利要求5所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤s4所述的对步骤s2得到的图像和步骤s3得到的深度图中的输电线路和树竹进行识别和定位，具体包括如下步骤：
7.根据权利要求6所述的针对单目视觉无人机的输电线路巡检测距方法，其特征在于步骤s5所述的根据深度图所对应的深度信息，计算输电线路与无人...
【专利技术属性】
技术研发人员：陶鑫，李勃铖，乔晓光，康轻波，程一夫，吴坚，张良，杨洪明，杨昊彦，杨睿康，刘涵聪，彭沙沙，
申请(专利权)人：国网湖南省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。