【技术实现步骤摘要】
本专利技术属于无人机巡检的，具体涉及面向复杂电网环境的基于降落伞的无人机巡检防坠方法、介质及设备。
技术介绍
1、基于航迹规划的无人机输电线路自主巡检，在已有输电线路、变电站(换流站)无人机巡检过程仍存在偏差过大风险，如因定位精度的波动产生误差以及航迹规划等误差，造成无人机碰撞杆塔(炸机)的操作。无人机防坠落降落伞技术是指通过为无人机安装特殊的降落伞系统，使其在紧急情况下得以安全降落。当无人机在空中发生故障时，系统将自动切断无人机的电源，打开降落伞系统，并让飞机从天上缓慢下降，降落伞利用空气阻力减速，降低高空坠落时的速度，达到安全着陆的效果。该安全系统显著降低了对地面人员或财产造成伤害的可能性，并降低了对无人机本身造成损害的风险，有效减小对无人机损失，和对地面人员的伤害，提升输电线路无人机自主巡检的的可靠性及安全性，助力无人机自主巡检工作的广泛应用。
2、基于人工智能技术的无人机防坠降落伞系统也将得到广泛应用，可以更加智能化地对无人机的飞行状态进行分析和控制，从而使无人机在异常情况下更加安全、稳定的飞行。如果无人机处于危险状态，降落伞系统会发出指令，启动降落伞展开系统，使降落伞快速展开，并适时做出调整。然而，影响坠落的变量因素较多，现有的模型控制算法往往无法适应于复杂的电网环境。
技术实现思路
1、本专利技术的目的在于提供面向复杂电网环境的基于降落伞的无人机巡检防坠方法、介质及设备，旨在解决上述的问题。
2、本专利技术主要通过以下技术方案实现：
4、步骤s1：无人机采集待坠落区域的图像，将图像处理得到线路图和背景图；
5、步骤s2：将线路图输入第一评估模型得到线路碰撞评分a，将背景图输入第二评估模型得到路面碰撞评分b；然后基于线路碰撞评分和路面碰撞评分得到风险评分r＝kt/m，t＝(q×a+(1-q)×b)，其中k为校正因子，q为权重因子，m为无人机运行安全水平；
6、步骤s3：基于演员-评论家网络控制开伞策略；
7、收集各个无人机巡检的开伞的经验数据，并得到状态集s＝{s1，s2，…，sn}以及开伞策略集a＝{a1，a2，…，an}，其中，状态sn包括环境参数、飞机姿态参数、飞机下坠速度参数以及风险评分；然后，基于经验数据(st，at，st+1，rt)，并采用演员-评论家算法训练得到演员网络和评论家网络，所述演员网络用于控制开伞动作，所述评论家网络用于对开伞动作进行评论；利用训练后的演员网络控制开伞动作；
8、其中：st为无人机在t时刻的实时状态；
9、st+1为无人机在t+1时刻的实时状态；
10、at为无人机在t至t+1时间段内的开伞策略；
11、rt为无人机由st变化为st+1并实施at的奖赏。
12、为了更好地实现本专利技术，进一步地，所述步骤s1中，基于图像分割算法将图像分割得到线路图和初始背景图，然后将初始背景图输入图像补全模型得到完整的背景图。优选地，基于全卷积神经网络训练得到图像补全模型。
13、为了更好地实现本专利技术，进一步地，所述步骤s2中，第一评估模型和第二评估模型的训练分别包括以下步骤：
14、步骤a1：收集线路图片或者地貌背景图片并形成训练样本集，从不同维度对图片进行评分标注，且标注信息为{s1，s2，…，sk}，其中sk为第k个维度的评分；
15、步骤a2：利用深度神经网络训练第一评估模型或第二评估模型，用于评价图片在所设计的若干个维度下的得分；输入线路图片或者地貌背景图片，输出若干个维度下的评分，训练一个多分类深度学习模型，使得f(image)＝{s1，s2，…，sk}；
16、步骤a3：将各个维度下的评分进行加权求和σwksk，得到最终评分并作为线路碰撞评分或路面碰撞评分，其中wk为各个维度评分的权重。
17、为了更好地实现本专利技术，进一步地，所述步骤a1中，所述第一评估模型的维度包括杆塔数量以及线路密度、间距和空间占比，所述第二评估模型的维度包括地质类型和地貌沟壑。
18、为了更好地实现本专利技术，进一步地，所述步骤a3中，针对第一评估模型，若线路密度的评分大于设定阈值，则线路碰撞评分为η×σwksk，其中η为密集风险校正系数。
19、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法。
20、一种电子设备，包括存储器和处理器；所述存储器上存储有计算机程序；所述处理器，用于执行所述存储器中的所述计算机程序，以实现上述的方法。
21、本专利技术的有益效果如下：
22、本专利技术为了应对复杂电网环境下可能出现的多个风险因素，例如强风、雷雨等自然环境因素，首先基于无人机拍摄的图片检测待坠落空间和地面进行风险分析及计算风险评分，既考虑了电网的情况也考虑了地质的情况；然后结合演员-评论家网络控制开伞策略，其中考虑了环境参数、飞机姿态参数、飞机下坠速度参数以及风险评分，得到开伞策略的最优解。本专利技术采用智能控制技术来实现自主控制，根据当前的变量数据进行分析和判断，通过自主感知和智能控制提出相应的开伞策略，从而在复杂电网环境下确保无人机的安全运行，具有较好的实用性。
本文档来自技高网...【技术保护点】
1.面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，所述步骤S1中，基于图像分割算法将图像分割得到线路图和初始背景图，然后将初始背景图输入图像补全模型得到完整的背景图。
3.根据权利要求2所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，基于全卷积神经网络训练得到图像补全模型。
4.根据权利要求2所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，所述步骤S2中，第一评估模型和第二评估模型的训练分别包括以下步骤：
5.根据权利要求4所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，所述步骤A1中，所述第一评估模型的维度包括杆塔数量以及线路密度、间距和空间占比，所述第二评估模型的维度包括地质类型和地貌沟壑。
6.根据权利要求5所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，所述步骤A3中，针对第一评估模型，若线路密度的评分大于设定阈值，则
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述的方法。
8.一种电子设备，其特征在于，包括存储器和处理器；所述存储器上存储有计算机程序；所述处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，所述步骤s1中，基于图像分割算法将图像分割得到线路图和初始背景图，然后将初始背景图输入图像补全模型得到完整的背景图。
3.根据权利要求2所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，基于全卷积神经网络训练得到图像补全模型。
4.根据权利要求2所述的面向复杂电网环境的基于降落伞的无人机巡检防坠方法，其特征在于，所述步骤s2中，第一评估模型和第二评估模型的训练分别包括以下步骤：
5.根据权利要求4所述的面向复杂电网环境的基于降落伞的无人机巡检防坠...
【专利技术属性】
技术研发人员：顾冰凌，田琳，陈博，杨静，张斐，
申请(专利权)人：国网思极飞天兰州云数科技有限公司，
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。