电力巡线无人机实时避障方法研究

时间：2021-03-26 10:35:33 所属分类：计算机应用 浏览量:

随着社会经济的快速发展，我国电网规模快速扩展，几乎覆盖了我国的每个角落，偏远、山区等地区也实现了通电，这使得发电量与输电量也不断提高。面对快速增加的电网规模，以及复杂多样的输电环境，远距离超、高压输电成为电力企业的核心业务。在复杂的输电环

　　随着社会经济的快速发展，我国电网规模快速扩展，几乎覆盖了我国的每个角落，偏远、山区等地区也实现了通电，这使得发电量与输电量也不断提高。面对快速增加的电网规模，以及复杂多样的输电环境，远距离超、高压输电成为电力企业的核心业务。在复杂的输电环境下，受到气候、山川、河流等环境因素的影响，远距离超、高压输电线路与设备容易产生破损、老化等损坏现象，给电力输送带来隐患。因此为保障电力输送的稳定运行，就必须对输电线路进行定期巡检，及时掌握输电线路的运行情况，及时发现问题并排除隐患。传统的人工巡检面临地理环境、气候环境等诸多因素的干扰，容易形成巡检“盲区”，这就需要一种高效的、智能的新方式，而无人机的应用，为其提供了可能。

　　1 电力巡线无人机实时避障技术方案分析

　　在电力巡线过程中，根据环境条件和业务需要，无人机可搭载不同的设备进行巡线，完成对应的任务。对于远距离超、高压输电线路而言，山川、树木、建筑物等可见障碍物外，还有非可预见性障碍，这些都需要采取针对性的避障技术完成无人机巡线。对于已知可见障碍物，可以通过采取无人机路径规划巡线方案，在巡线前完成路径规划。对于未知障碍物因素，则需要采取实时避障的方法，利用空间环境信息处理来完成巡线。对未知故障的无人机巡线中，要先根据输电线路的实际情况，提前设计好对输电线路的自主避障，估计出无人机与输电线路的相对距离，实现对输电线路的实时避障。对于其他未知的障碍物，则需要借助无人机上的激光雷达传感器、超声波传感器、视觉传感器、GPS 等设备，获取无人机巡线中障碍物的相关数据信息，然后进行数据分析处理和控制策略确定，通过无人机飞行控制器来控制无人机飞行方向与速度，进而实现无人机飞行路径的有效控制。

　　2 基于单目视觉的输电线距离估计

　　2. 1 输电线图像特征点提取与筛选工作实践统计分析发现，无人机巡线中出现的飞行事故，空中微小障碍物、输电线等占据较大比例，这是因为输电线与微小障碍物的物理特征给无人机识别设备带来识别与距离估计困难。因此针对基于单目视觉的输电线与无人机间距离的测量算法进行分析，以寻求最佳方案。为使无人机的图像识别设备能够准确识别微小障碍物与输电线，需要利用数字图像处理技术对输电线的图像特征进行提取，包括图像的点特征、线特征、面特征、纹理特征与颜色特征。在点特征的提取中，角点检测最为关键，在电力巡线无人机应用中，常用的角点检测算法一般包括 Harris 算子、Moravec 算子和 SUSAN 算子等，其检测步骤为: 输入图像 →执行角点检测算子→设定角点度量阀值→抑制非极大值 →角点。在具体的巡线中，对图像特征点的提取可采用 Harris 角点检测算子的算法进行提取操作。先求图像中像素点的梯度值，得到矩阵元素值，然后使用高斯滤波函数处理，得到新的矩阵，求取像素点的兴趣值，之后选择局部极值点，设定阀值，然后在范围内选取一定量的角点。之后为排除其他物体特征点的干扰，对选取的角点进行筛选，确保所有角点为输电线上的特征点。对角点的筛选采用构造层次结构的方法，先对选取的角点进行编号，计算任意两个特征点间的斜率值，并根据斜率值的范围确定角点的分类，最终筛选出符合输电线斜率特征的角点，最终筛选出的所有角点能够连接成一条直线，即暂时认定筛选出的角点为输电线的特征点。

　　2. 2 输电线识别通过 Harris 检测算法提取与筛选获得的特征点之后，还需要进一步筛选，去除与输电线特征相似的特征点，这就需要进行输电线识别。在这个环节，需要用到基于 Hough 变换的直线检测技术，将图像中直线的检测问题转化为极坐标中的计数问题，极坐标方程为: ρ= xicosθ+yisinθ 经过 Hough 变换算法的计算，将图像在直角坐标空间中的特征点转换到极坐标空间中，并将极坐标空间分为若干小单元，并将( xi，yi ) 点量化后的 θ 值代入极坐标方程式，获得对应的 ρ 值，即获得图像坐标原点与直线间的距离。通过 Hough 计算检测出图像中直线的起点、重点与坐标，然后根据累加器阀值的设计获得图像中直线的长度，之后需要结合输电线特征进行输电线识别。从实际情况来看，输电线的特征是比较明显的，比如输电线的连续性、灰度分布的均匀性、相邻电力塔间各条输电线的平行关系，以及图像中输电线的直线特征、走向一致特征、粗细均匀特征等，此外输电线背景的复杂性与穿插画面特征等，这些具有很强共性的特征都为输电线识别提供了指导。考虑到输电线的这些共性特征，输电线的识别算法可采用 Adaboost 算法原理，并且采用基于特征的分类器代替 Asaboost 算法中弱分类器，设计输电线分类器训练算法。在该算法下，选取适量输电线进行训练，得到长度、平行、线宽三个分类器，然后将其串联，最终形成输电线分类器，其框架如下: Hough 变换直线检测→长度分类器→平行分类器→线宽分类器→输电线

　　2. 3 输电线距离估计先对输电线特征点进行匹配，采用基于 IMED 的 Harris 匹配算法，充分发挥其简单、高效的优势，具体步骤如下: 第一步，利用 Harris 算法获得基准图像特征点的特征向量矩阵 A，以及待匹配图像上特征点的特征向量矩阵 B; 第二步，确定 A、B 间像素关联值; 第三步，通过计算获得特征点间的欧氏距离; 第四步，对得到的 IMED 值排队，选择最小值为最佳匹配对。在无人机巡线的实践中，由于存在复杂的外界干扰因素，在获得 Harris 特征点匹配后，还需要考虑实际干扰因素，选择随机抽样一致性算法( RANSAC) 消除误配。无人机在巡线过程中，其与输电线间的距离不可能总保持在一个特定值，而是根据实际情况在一定的范围内，当无人机与输电线间的距离发生变化时，图像上特征点也会发生变化，寻找这两种变化间关联的函数关系，则能够实现无人机和输电线间距离的估计。

　　3 基于模糊控制的算法

　　3. 1 基本结构在无人机巡线中，人工操作能够取得良好的效果，但对于复杂情况下的无人机巡线，则需要采取更加智能化的方法实现实时避障，其中模糊控制的应用往往能够达到很好的效果。模糊控制属于人工智能的一种新类型，属于智能控制的范畴，它的理论基础是模糊数学，其具有很强的鲁棒性，在实践中又很广泛且有效地应用。在电力巡线中，无人机实时避障需求下的模糊控制对象具有明显的特征，比如，被控参数的非线性、数学模型无法准确表述、任务要求高且复杂性强等。巡线无人机的模糊控制器包括四个部分: 一是模糊化部分，主要功能是对输入的数据进行模糊化转换，包括激光雷达、超声波等输入数据的融合; 二是知识库部分，包括数据库和模糊控制规则库，主要实现对各种参数的定义功能，以及一些根据经验和知识所指定的控制规则; 三是模糊推理部分，依据数据库中参数的定义和规则的控制，产生类似人类智能的推理能力; 四时解模糊化部分，即对模糊化后的数据进行精确化转换，完成数据的输出。

　　3. 2 输入输出量的模糊化与模糊规则建立在实践工作中，由于选线无人机设置多个传感器，为最大限度减少由于传感器故障而产生的错误，则需要对多个传感器的测量值进行融合，从而提高精准度。无人机传感器主要包括实现方位功能的超声波传感器，以及实现速度和方向功能的激光测距雷达传感器。在数据输入时，将无人机前方、后方、左方、右方四个方向输入值分为一组，进行加权平均计算，得到的模糊化值进行模糊化语言变量设置，比如 “近、中、远”，得到输出变量。此外，对于无人机飞行速度的参数值，也可经过模糊化转换，得到输出变量“慢、中、快”。最后根据无人机巡线工作的实际，模糊规则分为四种，即无障碍物、一方有障碍物、两方有障碍物、三方有障碍物，并建立相应的规则。

　　3. 3 隶属函数的选择在无人机应用领域，理论上的隶属函数尚未有统一的规则和方法，考虑到电力输电的实际情况，以及无人机的实际，可选择灵敏度高、占用内存小、运算简单的三角形隶属函数。隶属函数的选择要充分考虑到客观事物运动规律，以及无人机记载嵌入式平台的实际情况。无人机巡线的实践应用领域，不仅要考虑到输电线环境中的客观障碍物，还需要考虑到不可见障碍物，这就需要无人机实现实时避障功能，选择合理的算法，估计出无人机与输电线间位置关系的最优无碰撞路径，这就需要运用到模糊控制方法，采用模糊控制避障决策，完成高质量的无人机巡线。

　　参考文献:

　　[1]丁为杰. 无人机自主电力巡线关键技术研究[D]. 山东大学，2019.

　　[2]高尚，刘帆，冯小青. 基于机器视觉的无人机自主电力巡线关键技术研究[J]. 大科技，2019，43.

　　[3]周小红，李向欢，石蕾，龙焕. 无人机倾斜摄影技术在电力巡线树障检测中的实践应用研究[J]. 电力大数据，2019，8.

　　[4]邴丽媛，刘智，蒋余成. 基于模糊神经网络的电力巡线无人机避障技术研究[J]. 长春理工大学学报( 自然科学版) ，2017，3.

　　[5]鲁杰，侯力枫，宋新利. 无人机电力巡检视觉避障技术研究[J]. 数字通信世界，2019，5.

　　《电力巡线无人机实时避障方法研究》来源：《科技风》，作者：张 捷

转载请注明来自：http://www.zazhifabiao.com/lunwen/dzxx/jsjyy/48041.html