【技术实现步骤摘要】
本专利技术涉及输电巡检领域，具体来说，涉及基于ai辅助拍照的输电无人机自适应巡检方法及系统。
技术介绍
1、输电无人机能够在高空对输电线路、杆塔、绝缘子和其他电力设施进行远程视觉检查。这些无人机可以飞越难以到达或危险的地形，提供实时的图像和数据，帮助电力公司及时发现潜在的故障或缺陷，从而确保电力供应的连续性和安全性。无人机在执行巡检任务时，能够根据不同的环境和条件自动调整其飞行路径和参数。这种自适应能力使得无人机能够在复杂多变的环境中保持高效和精确的巡检。
2、在基于航线的输电精细化巡检方面，存在以下问题：巡检过程巡检照片废片率高。按照航线进行自主巡检过程中，因定位信号弱引起航点拍摄点位偏差等因素，导致所拍摄的巡检照片存在拍摄目标设备无法处在画面最中央，缺陷部件无法多角度拍摄等问题，导致巡检照片废片率过高，巡检质量无法满足要求。
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出基于ai辅助拍照的输电无人机自适应巡检方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一个方面，提供了基于ai辅助拍照的输电无人机自适应巡检方法，该基于ai辅助拍照的输电无人机自适应巡检方法包括以下步骤：
4、s1、获取历史巡检照片及标注信息，并收集历史巡检照片对应的原始位置信息和实际拍摄点位信息。
5、s
6、s3、基于预定航线巡检，并利用位置偏差校正模型纠正无人机的拍摄点位。
7、s4、基于ai图像识别模型，调整无人机在拍摄时的角度和位置，确保目标设备在画面中央并进行多角度拍摄。
8、s5、获取多角度拍摄得到的目标设备巡检图像及位置信息，并利用训练好的ai图像识别模型，自动检测图像中的缺陷并进行标注。
9、进一步的，实际拍摄点位信息的获取包括以下步骤：
10、预处理历史巡检照片，并利用边缘检测算法检测历史巡检照片中的目标设备轮廓；
11、采用特征提取算法提取目标设备的关键点和特征描述子；
12、将特征描述子与数据库中的特征进行匹配，并通过匹配结果筛选出特征对，且计算目标设备位置的初步估计；
13、根据匹配结果及原始位置信息，基于最小二乘法计算实际拍摄点位。
14、进一步的，利用历史巡检照片及标注信息训练ai图像识别模型包括以下步骤：
15、构建深度学习模型；
16、将历史巡检照片及标注信息按照预先设定的比例划分为训练集、验证集及测试集；
17、使用训练集数据训练深度学习模型，利用验证集的表现调整超参数，且使用测试集评估深度学习模型性能。
18、进一步的，构建深度学习模型包括以下步骤：
19、选择用于图像识别的基础模型架构，并设计若干卷积层来提取图像特征，且每个卷积层后跟随激活函数，同时在卷积层之间加入池化层；
20、利用目标检测算法生成目标候选区域，并将不同大小的候选区域调整为统一的尺寸；
21、构建若干个全连接层，且后面接激活函数，对候选区域进行分类；
22、构建用于边界框回归的网络结构，用于预测边界框的位置和尺寸，且定义分类损失函数及回归损失函数。
23、进一步的，利用历史巡检照片、原始位置信息及实际拍摄点位信息训练位置偏差校正模型包括以下步骤：
24、获取历史巡检照片中的图像特征；
25、从原始位置信息及实际拍摄点位信息中提取位置偏差信息；
26、将图像特征与位置偏差信息进行匹配，形成训练样本，且每个样本包含图像特征和对应的位置偏差标签；
27、初始化支持向量机模型，并设置惩罚因子和核函数参数；
28、基于优化算法搜索最优的惩罚因子和核函数参数组合；
29、使用优化后的参数组合设定支持向量机模型，并利用训练样本进行训练，且对支持向量机模型交叉验证。
30、进一步的，基于优化算法搜索最优的惩罚因子和核函数参数组合包括以下步骤：
31、设置优化算法的种群大小、迭代次数及步长；
32、定义适应度函数，确定惩罚因子和核函数参数的搜索范围，并创建初始种群；
33、对于每个个体，使用当前的惩罚因子和核函数参数训练及验证支持向量机模型，并计算适应度函数值；
34、根据适应度值更新个体的位置，使个体向误差小于预设阈值的位置移动；
35、使个体进行全局搜索和局部搜索；
36、根据适应度值更新误差小于预设阈值的位置；
37、重复迭代，直到满足停止条件，并选择具有最佳适应度值的个体对应的惩罚因子和核函数参数作为最优解。
38、进一步的，适应度函数的公式为：
39、
40、式中，f表示适应度值；
41、n表示样本总数；
42、yi表示第i个样本的实际位置偏差；
43、表示第i个样本的预测位置偏差。
44、进一步的，基于预定航线巡检，并利用位置偏差校正模型纠正无人机的拍摄点位包括以下步骤：
45、s31、利用地理信息系统进行航线规划，并设定无人机的导航路径，确保覆盖全部巡检区域；
46、s32、使用增强型全球定位系统提高定位精度；
47、s33、利用位置偏差校正模型，实时校正无人机的拍摄点位。
48、进一步的，基于ai图像识别模型，调整无人机在拍摄时的角度和位置，确保目标设备在画面中央并进行多角度拍摄包括以下步骤：
49、s41、利用ai图像识别模型实时识别输电线路中的目标设备，并使用目标追踪算法，跟踪目标设备的位置和运动轨迹；
50、s42、根据目标设备的位置和运动轨迹，自动调整无人机的拍摄角度和位置。
51、根据本专利技术的另一方面，还提供了基于ai辅助拍照的输电无人机自适应巡检系统，该基于ai辅助拍照的输电无人机自适应巡检系统包括信息获取模块、模型训练模块、位置校正模块、拍摄调整模块及缺陷检测模块。
52、其中，信息获取模块，用于获取历史巡检照片及标注信息，并收集历史巡检照片对应的原始位置信息和实际拍摄点位信息。
53、模型训练模块，用于利用历史巡检照片及标注信息训练ai图像识别模型，并利用历史巡检照片、原始位置信息及实际拍摄点位信息训练位置偏差校正模型。
54、位置校正模块，用于使无人机按照预定航线巡检，并利用位置偏差校正模型纠正无人机的拍摄点位。
55、拍摄调整模块，用于基于ai图像识别模型，使无人机在拍摄时自动调整角度和位置，确保目标设备在画面中央本文档来自技高网...
【技术保护点】
1.基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，该基于AI辅助拍照的输电无人机自适应巡检方法包括以下步骤：
2.根据权利要求1所述的基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，实际拍摄点位信息的获取包括以下步骤：
3.根据权利要求2所述的基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，所述利用历史巡检照片及标注信息训练AI图像识别模型包括以下步骤：
4.根据权利要求3所述的基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，所述构建深度学习模型包括以下步骤：
5.根据权利要求4所述的基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，利用历史巡检照片、原始位置信息及实际拍摄点位信息训练位置偏差校正模型包括以下步骤：
6.根据权利要求5所述的基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，所述基于优化算法搜索最优的惩罚因子和核函数参数组合包括以下步骤：
7.根据权利要求6所述的基于AI辅助拍照的输电无人机自适应巡检方法，其特征在于，所述适应度函数的公式为：
...【技术特征摘要】
1.基于ai辅助拍照的输电无人机自适应巡检方法，其特征在于，该基于ai辅助拍照的输电无人机自适应巡检方法包括以下步骤：
2.根据权利要求1所述的基于ai辅助拍照的输电无人机自适应巡检方法，其特征在于，实际拍摄点位信息的获取包括以下步骤：
3.根据权利要求2所述的基于ai辅助拍照的输电无人机自适应巡检方法，其特征在于，所述利用历史巡检照片及标注信息训练ai图像识别模型包括以下步骤：
4.根据权利要求3所述的基于ai辅助拍照的输电无人机自适应巡检方法，其特征在于，所述构建深度学习模型包括以下步骤：
5.根据权利要求4所述的基于ai辅助拍照的输电无人机自适应巡检方法，其特征在于，利用历史巡检照片、原始位置信息及实际拍摄点位信息训练位置偏差校正模型包括以下步骤：
6.根据权利要求5所述的基于ai辅助拍照的输电无人机自适应巡检方法，其特征在于，所述基于优化算...
【专利技术属性】
技术研发人员：王锐，王美荣，田洪兵，周宥池，文超，巴桑泽让，张伟，李振华，卢政合，刘豪，
申请(专利权)人：国网四川省电力公司凉山供电公司，
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。