【技术实现步骤摘要】
本专利技术涉及无人机定位识别，尤其涉及一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法及装置。
技术介绍
1、限定空域内的无人机对正在运行的电力系统存在的风险因素如下：
2、碰撞风险：无人机在飞行过程中可能会与电力系统的线缆、杆塔等设施发生碰撞，导致设施损坏或者无人机坠毁。
3、干扰风险：无人机的电磁信号可能会对电力系统的通信和控制信号产生干扰，导致电力系统的故障或者失控。
4、侵入风险：无人机可能会侵入电力系统的禁飞区域，对电力系统的安全造成威胁。
5、恶意攻击风险：黑客或者恶意用户可能会使用无人机对电力系统进行攻击，如携带爆炸物、破坏性武器等，对电力系统造成破坏。
6、针对以上存在的问题，现有技术目前主要采用的手段如下：
7、建立电磁屏蔽区域：在电力系统周围建立电磁屏蔽区域，禁止无人机进入。这种方法需要使用专业的电磁屏蔽设备和材料，成本较高。
8、使用无线电频谱监测设备：在电力系统周围使用无线电频谱监测设备，监测无人机的无线电信号。一旦发现无人机的信号，可以通过干扰或屏蔽无人机信号的方式来防止其对电力系统造成干扰和损害。这种方法需要使用专业的无线电频谱监测设备和干扰器，成本较高。
9、使用雷达技术：在电力系统周围使用雷达技术，监测无人机的位置和轨迹。一旦发现无人机进入限定空域，可以通过警报或干扰器等方式来防止其对电力系统造成干扰和损害。这种方法需要使用专业的雷达设备和软件，成本较高。
10、以上方案除了成本
技术实现思路
1、因此，考虑上述现有技术存在的缺陷和不足，本专利技术提出了一种创新的全天候无人机实时识别定位方法，适用于限定空域内的无人机。该方法的核心在于融合了自适应卡尔曼控制云台技术、红外与光学影像的全景融合技术、基于深度学习的注意力机制和transformer模型的目标训练与识别技术，以及精确的摄影测量定位技术。特别是在全天候条件下，本专利技术能够应对各种气象和光照变化，对无人机目标的识别。通过自适应卡尔曼的云台控制技术，实现对云台的精准姿态控制；利用红外与光学影像的全景融合技术，实现在全天候复杂环境下的清晰成像；结合注意力机制和transformer模型的深度学习技术，提升目标识别的准确率和实时性；而基于摄影测量的定位技术，实现无人机在空中的精确定位和识别。
2、本专利技术可通过简易双摄像头部署实现全天候的有限空间范围内的无人机状态定位监测，保障飞行作业安全，防止外来飞行物入侵风险。
3、本专利技术具体采用以下技术方案：
4、一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，所述方法包括：
5、基于安装在云台上的至少两个摄像头和一个红外传感器，并利用基于自适应卡尔曼的云台控制以捕获限定空域影像；
6、通过基于红外和光学全景融合技术将捕获的多幅影像拼接成一幅完整的高清全景图像；
7、基于目标检测对高清全景图像中的无人机目标进行实时检测和识别；
8、采用基于摄影测量的空中目标定位技术，根据识别出的无人机目标在高清全景图像中的位置，结合摄影测量原理，计算出无人机目标在空间中的具体位置坐标。
9、进一步地，所述基于自适应卡尔曼的云台控制在建立云台微分状态方程和观测方程的基础上利用卡尔曼滤波算法对无人机飞行状态进行预测和更新。
10、进一步地，所述基于自适应卡尔曼的云台控制将获取云台转动角度的过程表示为一个离线的过程系统，采用线性随机微分方程和转动角度观测方程表述，所述线性随机微分方程表示为：
11、ε(k)＝aε(k-1)+bμ(k)+ω(k)
12、所述转动角度的观测方程表示为：
13、z(k)＝hε(k)+ν(k)
14、其中，ε(k)是k时间的转动角度预测值；μ(k)是k时间的对转动角度的影响因素；a和b是对转动角度观测的影响因子，为矩阵的形式；z(k)是k时间转动角度的观测值；h为获取的特征参数；ω(k)和ν(k)表示为过程和测量的噪声；
15、采用卡尔曼滤波算法获取控制过程的转动角度数据实现云台转动；
16、卡尔曼滤波算法的递归处理过程如下：
17、基于系统的上一时刻状态预测当前时刻的状态：
18、ε(k|k-1)＝aε(k-1|k-1)+bμ(k)
19、其中，ε(k|k-1)是利用上一状态预测的结果，ε(k-1|k-1)是上一状态最优的结果，μ(k)是k时间的对转动角度的影响因素，对应于ε(k|k-1)的协方差，以p表示：
20、p(k|k-1)＝ap(k-1|k-1)a'+q
21、式中，p(k|k-1)是ε(k|k-1)对应的协方差，p(k-1|k-1)是ε(k-1|k-1)时刻对应的协方差，其中a'是a的转置，q是系统过程的协方差；
22、自适应调整系统过程的协方差q；
23、收集当前状态的测量值，结合预测值和测量值，得到当前状态k的最优化估算值ε(k|k)：
24、ε(k|k)＝ε(k|k-1)+kg(k)(z(k)-hε(k|k-1))
25、其中，kg为卡尔曼增益：
26、
27、其中，h是观测矩阵，r是测量噪声的协方差矩阵；
28、结合上式，计算出k状态下，最优的最优化估算值ε(k|k)；
29、将搜索无人机目标视为一个连续的观测过程，对应滤波处理过程需要持续进行运行，持续更新k状态下的ε(k|k)的协方差为：
30、p(k|k)＝(i-kg(k)h)p(k|k-1)
31、其中，针对转动角度观测为单模量，i为1；
32、通过持续的自回归进行计算，获取云台控制过程转动角度的最优化参数；再通过转动角度的最优化参数与影像的中心位置进行比较，标识当前的云台的调整是否达到预定的中心位置。
33、进一步地，所述基于红外和光学全景融合技术将捕获的多幅影像拼接成一幅完整的高清全景图像的过程中：
34、将通过在云台上设置的至少包括红外传感器和摄像头采集的红外图像和可见光图像进行融合；
35、对融合结果进行包括去畸变、配准和图像增强的预处理；
36、对预处理后的融合结果进行多景空域影像特征信息提取和匹配；
37、基于提取和匹配后的多景空域影像特征信息进行多景影像数据融合，并消除拼接痕迹。
38、进一步地，所述预处理的滤波过程采用高斯滤波；
39、在所述多景空域影像特征信息提取的过程中，采用hessian矩阵检测图像特征点以获取影像本文档来自技高网...
【技术保护点】
1.一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述基于自适应卡尔曼的云台控制在建立云台微分状态方程和观测方程的基础上利用卡尔曼滤波算法对无人机飞行状态进行预测和更新。
3.根据权利要求2所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：
4.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述基于红外和光学全景融合技术将捕获的多幅影像拼接成一幅完整的高清全景图像的过程中：
5.根据权利要求4所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述预处理的滤波过程采用高斯滤波；
6.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述基于目标检测对高清全景图像中的无人机目标进行实时检测和识别具体为：基于注意力机制和Transform
7.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：采用基于摄影测量的空中目标定位技术，根据识别出的无人机目标在高清全景图像中的位置具体为：
8.一种基于深度学习的限定空域内的全天候无人机的实时识别定位装置，其特征在于，包括：安装在云台上的至少两个摄像头和一个红外传感器；
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述基于自适应卡尔曼的云台控制在建立云台微分状态方程和观测方程的基础上利用卡尔曼滤波算法对无人机飞行状态进行预测和更新。
3.根据权利要求2所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：
4.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述基于红外和光学全景融合技术将捕获的多幅影像拼接成一幅完整的高清全景图像的过程中：
5.根据权利要求4所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述预处理的滤波过程采用高斯滤波；
6.根据权利要求1所述的一种基于深度学习的限定空域内的全天候无人机的实时识别定位方法，其特征在于：所述基于目标检测对高清全景图...
【专利技术属性】
技术研发人员：张伟豪，吴文斌，吴晓杰，强伟，林力辉，梁曼舒，王仁书，林承华，韩腾飞，陈卓磊，姚书凝，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
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。