[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112464881A - 一种输电线路无人机光学遥感自主巡检方法 - Google Patents

一种输电线路无人机光学遥感自主巡检方法 Download PDF

Info

Publication number
CN112464881A
CN112464881A CN202011456449.0A CN202011456449A CN112464881A CN 112464881 A CN112464881 A CN 112464881A CN 202011456449 A CN202011456449 A CN 202011456449A CN 112464881 A CN112464881 A CN 112464881A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
transmission line
tower
power transmission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011456449.0A
Other languages
English (en)
Inventor
吴锡
姜阳
孙峰伟
孙洪新
史东鹏
马晖
范渤
裴元龙
王冲
高德健
王梓屹
谌耀辉
刘博文
杨楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fushun Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
Original Assignee
Fushun Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fushun Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd, State Grid Corp of China SGCC filed Critical Fushun Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
Priority to CN202011456449.0A priority Critical patent/CN112464881A/zh
Publication of CN112464881A publication Critical patent/CN112464881A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种输电线路无人机光学遥感自主巡检方法，避免了现有无人机自主巡检系统数据完整度要求高，航线编辑繁琐的问题，降低了前期定位数据采集的工作量以及难度，提升了无人机自主巡检的成功率以及效率。首先，通过无人机定位功能采集杆塔位置信息编辑巡检航线；其次，基于光学遥感技术确定输电线路杆塔结构的具体位置，并逐相采集杆塔图像信息；最后，根据采集图像的地理位置信息以及位置关系对采集图像进行命名与整理。

Description

一种输电线路无人机光学遥感自主巡检方法
技术领域
本发明公开涉及输电线路运行检测的技术领域，尤其涉及输电线路无人机光学遥感自主巡检方法。
背景技术
随着我国现代化建设的不断发展，电能需求的不断提升促使电力系统规模不断加大，输电线路数量不断增加，结构更加复杂。传统输电线路巡检依赖于人力采集输电线路杆塔信息并检测输电线路运行状态，如今难以满足不断扩张的输电线路规模。
因此，近年来通过无人机替代人力进行输电线路巡检的方法得到了大力的发展，输电线路无人机巡检能够节省大量人力，且避免人为因素的干扰，图像的采集与整理更加规范标准。然而，现有输电线路无人机自主巡检方法多采用精准编辑航线及拍摄点与角度的策略，对于杆塔数据的完整度要求较高，且前期杆塔位置信息采集对于经纬度及海拔数据均有较高要求。
另一方面，随着人工智能等新兴技术的不断成熟，目前基于深度卷积神经网络的光学遥感技术已经得到了广泛的应用。若将其应用到输电线路的巡检工作中能够降低巡检成本，提高巡检效率。
发明内容
本发明的目的是克服了现有技术中，输电线路无人机自主巡检系统对塔库数据完整度要求高、杆塔位置信息工作量大的问题。提出了一种输电线路无人机光学遥感自主巡检方法，通过自动识别杆塔结构的方式，降低了对杆塔数据完整度的要求，简化了航线编辑的工作流程，能够有效提高输电线路巡检效率。
为解决上述技术问题，本发明是通过以下技术方案实现的：
首先，采集输电线路杆塔位置信息构建杆塔数据库；其次，通过大量历史图片数据训练输电线路杆塔结构识别系统；然后，编辑无人机自主巡检航线，并在巡检过程中搭载输电线路杆塔结构识别系统，采集识别到的杆塔结构图像信息；最后，对采集到的输电线路杆塔图像进行命名与整理，建立输电线路运行状态检测资料库。
进一步的，无人机采集输电线路杆塔位置信息需无人机位于杆塔正上方逐基经纬度位置信息；杆塔信息数据库包括每基杆塔经纬度、全塔高度、杆塔类型，所述的杆塔类型包括直线型或耐张型、单串绝缘子或双串绝缘子。
进一步的，收集输电线路日常巡检不同种类以及角度杆塔结构照片，标注每张图片所包含杆塔结构的电压等级、材质、拍摄角度、结构等信息，作为该系统训练数据库。
进一步的，收集大量输电线路绝缘子照片训练所述输电线路单相绝缘子识别系统，该系统主要包含卷积层、池化层、全连接层。其中，卷积层用于提取原始图像的特征，生成多维特征图；池化层对特征图进行降采样处理，提升系统泛化能力；全连接层以传统神经网络为基础，建立输电线路绝缘子灰度识别系统。
进一步的，在全连接层使用Droupout技术，降低系统过拟合的可能性；在卷积层后面引入激活函数ReLu函数，具有单侧抑制性，使网络具有稀疏激活性；采用RPN技术直接利用深度卷积神经网络进行候选区域的选取；应用Softmax操作替代支持向量机进行目标分类，避免特征图先保留在分类的过程，实现目标检测的准实时操作。
进一步的，根据巡检计划与杆塔位置信息编辑无人机巡检行进航线，编辑无人机巡检行进航行，行进过程中通过摄像头对行进环境进行图像扫描，当识别杆塔结构时，获取图像信息以及相应位置信息。
进一步的，实时识别无人机扫描图像，并将识别结果实时传输到无人机飞行控制器，控制无人机处于杆塔结构最佳拍摄角度，获取杆塔结构图像信息。
进一步的，所述采集图像命名与整理工作原理为，结合杆塔数据库信息与采样图片位置关系，确定采集图片拍摄的杆塔部位，建立输电线路杆塔运行检测资料库。
与现有技术相比，本发明的有益效果是，利用深度卷积神经网络识别杆塔结构，从而控制无人机采样拍摄点，避免了航线编辑过程中对每个拍摄点均需精确定位，降低了对输电线路杆塔数据库完整度的要求，实现了数据缺失杆塔的无人机自主巡检；图像采集与整理过程中没有人为因素干扰，所整理输电线路杆塔运行检测数据库更加规范标准；巡检过程根据实际识别结果灵活采集图像信息，避免了无效照片的干扰，提高了自主巡检准确率和效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明系统组成结构图
图2本发明建立输电线路无人机光学遥感自主巡检系统流程图；
图3为图像识别部分深度卷积神经网络识别流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步阐述:
如图1-3所示，本发明输电线路无人机光学遥感自主巡检系统由电脑端的航线生成模块19和图像整理模块18以及无人机端的摄像头11、航线接收模块17、航线读取模块16、图像扫描模块12、图像识别模块13、飞行控制模块14以及图像采集模块15组成。无人机执行自主巡检任务时，首先根据工作计划通过航线生成模块19指定无人机巡检航线，无人机通过航线接受模块17与航线读取模块16执行巡视扫描任务：其次，无人机通过摄像头11、图像扫描模块12与图像识别模块13识别杆塔结构确定图像采集位置与角度；然后，飞行控制模块14在执行巡检航线的同时接收到图像采集的位置与角度信息，实现巡检过程中识别杆塔结构、定位采集图像的功能，并通过图像采集模块15采集图像；最后，将采集到的图像传至电脑端通过图像整理模块18进行命名与整理。
上述输电线路无人机自主巡检系统的建立与应用的过程如图2所示，具体步骤如下
步骤21：采集输电线路杆塔位置信息，使用无人机采集杆塔中心点与侧方位照片并记录拍摄点位置信息，中心点照片拍摄点位于杆塔正上方记录杆塔经纬度信息；侧方位照片拍摄点与杆塔高度一致记录杆塔高度；
步骤22：记录杆塔型号，包括每基杆塔线路名称、经纬度位置信息，海拔高度，类型（单串绝缘子或双串绝缘子，直线或耐张，是否带有悬吊绝缘子，基本塔型）；
步骤23：综合上述两步信息，建立杆塔数据库，记录每条线路名称、杆号、同塔架设情况、位置信息以及型号信息；
步骤24：利用所建杆塔数据库，根据当日巡检计划编辑无人机巡检航线，确定巡检线路、杆号区段、顺序以及路线；
步骤25：收集历史杆塔结构图像，包括不同种类、型号、材质、结构的杆塔结构，作为输电线路杆塔结构图像识别系统训练样本；
步骤26：标注每张图像所包含信息，包括种类、型号、材质、结构等方面信息逐项进行标注：
步骤27：利用训练样本训练输电线路杆塔结构识别系统；
对于步骤27输电线路杆塔结构识别系统具体识别流程如图3所示，具体步骤为：
步骤271：将整理好的训练样本导入输电线路杆塔结构识别系统；
步骤272：进入卷积层用于提取原始图像的特征，生成多维特征图；
步骤273：引入激活函数ReLu函数，为网络引入非线性元素，具有单侧抑制性，使网络具有稀疏激活性；
步骤274：生成特征图，提取被识别图像特征并与所包含的图像信息对应；
步骤275：应用Softmax操作替代支持向量机进行目标分类，避免特征图先保留在分类的过程，实现目标检测的准实时操作。
步骤276：池化层对特征图进行降采样处理，提升系统泛化能力，采用RPN技术直接利用深度卷积神经网络进行候选区域的选取；
步骤277：全连接层以传统神经网络为基础，并采用Droupout技术，降低系统过拟合的可能性建立输电线路杆塔结构识别系统；
步骤278：根据输电线路杆塔结构识别系统输出识别结果。
步骤28：无人机执行巡检任务的同时接受图像识别指令，对识别出的杆塔结构进行图像采集；
步骤29：巡检任务结束后，将采集到的图像导入电脑端，应用图像整理模块18对图像进行命名与整理。
本发明提供的输电线路无人机光学遥感自主巡检系统，利用深度卷积神经网络识别杆塔结构，从而控制无人机采样拍摄点，避免了航线编辑过程中对每个拍摄点均需精确定位，降低了对输电线路杆塔数据库完整度的要求，实现了数据缺失杆塔的无人机自主巡检；图像采集与整理过程中没有人为因素干扰，所整理输电线路杆塔运行检测数据库更加规范标准；巡检过程根据实际识别结果灵活采集图像信息，避免了无效照片的干扰，提高了自主巡检准确率和效率。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种输电线路无人机光学遥感自主巡检方法，其特征在于，包括：
首先，利用无人机采集输电线路杆塔位置信息，建立杆塔信息数据库，并规划无人机自主巡检行进路线；
其次，通过大量历史图片数据库以及CPILD（中国电力线路绝缘子数据库）训练全卷积神经网络，基于全卷积神经网络建立输电线路杆塔结构识别系统；
然后，编辑无人机自主巡检行进航线，在无人机巡检行进过程对杆塔进行图像扫描，根据输电线路杆塔结构识别系统识别结果确定无人机拍摄位置与角度，并采集图像；
最后，根据采集图像的地理位置信息以及杆塔类型对采集图像进行命名与整理。
2.根据权利要求1所述输电线路光学遥感无人机自主巡检方法，其特征在于，
所述无人机采集输电线路杆塔位置信息需无人机位于杆塔正上方逐基经纬度位置信息；
杆塔信息数据库包括每基杆塔经纬度、全塔高度、杆塔类型，所述的杆塔类型包括直线型或耐张型、单串绝缘子或双串绝缘子。
3.根据权利要求1所述输电线路光学遥感无人机自主巡检方法，其特征在于，所述无人机采集输电线路杆塔位置信息包括收集输电线路日常巡检不同种类以及角度杆塔结构照片，标注每张图片所包含杆塔结构的电压等级、材质、拍摄角度、结构信息，作为该系统训练数据库。
4.根据权利要求1所述输电线路光学遥感无人机自主巡检方法，其特征在于，收集大量输电线路绝缘子照片训练所述输电线路杆塔结构识别系统，该系统主要包含卷积层、池化层、全连接层；其中，卷积层用于提取原始图像的特征，生成多维特征图；池化层对特征图进行降采样处理，提升系统泛化能力；全连接层以传统神经网络为基础，建立输电线路杆塔结构识别系统。
5.根据权利要求4所述输电线路光学遥感无人机自主巡检方法，其特征在于，在全连接层使用Droupout技术，降低系统过拟合的可能性；在卷积层后面引入激活函数ReLu函数，具有单侧抑制性，使网络具有稀疏激活性；采用RPN技术直接利用深度卷积神经网络进行候选区域的选取；应用Softmax操作替代支持向量机进行目标分类，避免特征图先保留在分类的过程，实现目标检测的准实时操作。
6.根据权利要求1所述输电线路光学遥感无人机自主巡检方法，其特征在于，根据巡检计划与杆塔位置信息编辑无人机巡检行进航线，编辑无人机巡检行进航行，行进过程中通过摄像头对行进环境进行图像扫描，当识别杆塔结构时，获取图像信息以及相应位置信息。
7.根据权利要求6所述输电线路光学遥感无人机自主巡检方法，其特征在于，实时识别无人机扫描图像，并将识别结果实时传输到无人机飞行控制器，控制无人机处于杆塔结构最佳拍摄角度，获取杆塔结构图像信息。
8.根据权利要求1所述输电线路光学遥感无人机自主巡检方法，其特征在于，
所述采集图像命名与整理工作原理为，结合杆塔数据库信息与采样图片位置关系，确定采集图片拍摄的杆塔部位，建立输电线路杆塔运行检测资料库。
CN202011456449.0A 2020-12-11 2020-12-11 一种输电线路无人机光学遥感自主巡检方法 Pending CN112464881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011456449.0A CN112464881A (zh) 2020-12-11 2020-12-11 一种输电线路无人机光学遥感自主巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011456449.0A CN112464881A (zh) 2020-12-11 2020-12-11 一种输电线路无人机光学遥感自主巡检方法

Publications (1)

Publication Number Publication Date
CN112464881A true CN112464881A (zh) 2021-03-09

Family

ID=74800764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011456449.0A Pending CN112464881A (zh) 2020-12-11 2020-12-11 一种输电线路无人机光学遥感自主巡检方法

Country Status (1)

Country Link
CN (1) CN112464881A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113494913A (zh) * 2021-09-07 2021-10-12 中国南方电网有限责任公司超高压输电公司检修试验中心 无人机电力巡检规划方法、装置、计算机设备和存储介质
CN113569650A (zh) * 2021-06-29 2021-10-29 上海红檀智能科技有限公司 一种基于电力杆塔标牌识别的无人机自主巡检定位方法
CN113762132A (zh) * 2021-09-01 2021-12-07 国网浙江省电力有限公司金华供电公司 一种无人机巡检图像自动归类与自动命名系统
CN115953486A (zh) * 2022-12-30 2023-04-11 国网电力空间技术有限公司 一种直流t型直线塔部件巡检图像自动编码方法
CN116630828A (zh) * 2023-05-30 2023-08-22 中国公路工程咨询集团有限公司 基于地形环境适配的无人机遥感信息采集系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941746A (zh) * 2014-03-29 2014-07-23 国家电网公司 无人机巡检图像处理系统及方法
CN106547814A (zh) * 2016-09-23 2017-03-29 广西电网有限责任公司电力科学研究院 一种输电线路无人机巡检图像的结构化自动归档方法
CN110133440A (zh) * 2019-05-27 2019-08-16 国电南瑞科技股份有限公司 基于杆塔模型匹配及视觉导航的电力无人机及巡检方法
CN111275015A (zh) * 2020-02-28 2020-06-12 广东电网有限责任公司 一种基于无人机的电力巡线电塔检测识别方法及系统
CN111311967A (zh) * 2020-03-31 2020-06-19 普宙飞行器科技（深圳）有限公司 基于无人机的电力线路巡检系统及方法
CN111723774A (zh) * 2020-07-03 2020-09-29 国网山东省电力公司日照供电公司 一种基于无人机巡检的输电设备目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941746A (zh) * 2014-03-29 2014-07-23 国家电网公司 无人机巡检图像处理系统及方法
CN106547814A (zh) * 2016-09-23 2017-03-29 广西电网有限责任公司电力科学研究院 一种输电线路无人机巡检图像的结构化自动归档方法
CN110133440A (zh) * 2019-05-27 2019-08-16 国电南瑞科技股份有限公司 基于杆塔模型匹配及视觉导航的电力无人机及巡检方法
CN111275015A (zh) * 2020-02-28 2020-06-12 广东电网有限责任公司 一种基于无人机的电力巡线电塔检测识别方法及系统
CN111311967A (zh) * 2020-03-31 2020-06-19 普宙飞行器科技（深圳）有限公司 基于无人机的电力线路巡检系统及方法
CN111723774A (zh) * 2020-07-03 2020-09-29 国网山东省电力公司日照供电公司 一种基于无人机巡检的输电设备目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴锡ET AL.: "基于Faster RCNN检测器的输电线路无人机自主巡检系统", 《电力信息与通信技术》, pages 1 - 4 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569650A (zh) * 2021-06-29 2021-10-29 上海红檀智能科技有限公司 一种基于电力杆塔标牌识别的无人机自主巡检定位方法
CN113762132A (zh) * 2021-09-01 2021-12-07 国网浙江省电力有限公司金华供电公司 一种无人机巡检图像自动归类与自动命名系统
CN113494913A (zh) * 2021-09-07 2021-10-12 中国南方电网有限责任公司超高压输电公司检修试验中心 无人机电力巡检规划方法、装置、计算机设备和存储介质
CN115953486A (zh) * 2022-12-30 2023-04-11 国网电力空间技术有限公司 一种直流t型直线塔部件巡检图像自动编码方法
CN115953486B (zh) * 2022-12-30 2024-04-12 国网电力空间技术有限公司 一种直流t型直线塔部件巡检图像自动编码方法
CN116630828A (zh) * 2023-05-30 2023-08-22 中国公路工程咨询集团有限公司 基于地形环境适配的无人机遥感信息采集系统及方法
CN116630828B (zh) * 2023-05-30 2023-11-24 中国公路工程咨询集团有限公司 基于地形环境适配的无人机遥感信息采集系统及方法

Similar Documents

Publication Publication Date Title
CN112464881A (zh) 一种输电线路无人机光学遥感自主巡检方法
CN112884931B (zh) 一种用于变电站的无人机巡检方法及系统
CN108109437B (zh) 一种基于地图特征的无人机自主航线提取生成方法
CN112633535A (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN111968048B (zh) 电力巡检少样本图像数据增强方法及系统
CN106568456B (zh) 基于gps/北斗定位和云计算平台的不停车收费方法
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
Ramasamy et al. Cloud-Enabled Isolation Forest for Anomaly Detection in UAV-Based Power Line Inspection
CN112837414B (zh) 基于车载点云数据的三维高精度地图的构建方法
CN110837839B (zh) 一种高精度无人机正射影像制作及数据采集方法
CN110910440A (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN109389322A (zh) 基于目标检测和长短时记忆模型的导地线断散股识别方法
CN115393745A (zh) 一种基于无人机与深度学习的桥梁形象进度自动识别方法
CN116222579B (zh) 一种基于建筑施工的无人机巡察方法及系统
CN116223511A (zh) 基于无人机自动巡检的分布式屋顶光伏组件缺陷诊断方法及装置
CN114723271A (zh) 一种基于图像识别的输电工程质量检测方法及系统
CN112613397A (zh) 多视角光学卫星遥感影像目标识别训练样本集构建方法
CN116231504A (zh) 一种升压站远程智能巡检方法、装置及系统
CN114359861A (zh) 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法
CN110569387B (zh) 基于深度哈希算法的雷达-图像跨模态检索方法
CN114944816A (zh) 一种应用于光伏组件的智能巡检系统
CN115615400A (zh) 一种基于无人机的地理数据测绘采集方法
CN114612420A (zh) 一种基于yolo算法的输电线路可见光缺陷识别方法
CN111323026A (zh) 一种基于高精度点云地图的地面过滤方法
WO2021153409A1 (ja) アセットデータ作成システム、およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination