一种非结构环境下无人机送变电设备巡检方法及系统与流程

：
1.本发明涉及送变电设备巡检领域，特别是涉及一种非结构环境下无人机送变电设备巡检方法及系统。


背景技术：

2.为了保证电力的稳定供应，检修人员需要定期对供变电线路进行巡检，以发现供变电设备的缺陷，随着无人机器人的发展，巡检方式正在由人工巡检朝机器巡检方向转变，机器巡检的方式大大提高了巡检效率，降低了人们的劳动强度，甚至能够直接对缺陷故障位置进行定位报警，极大的提高了检修人员处理故障的效率，保证了电力的稳定供应，其中，机器巡检包括空中无人机巡检和陆地机器人巡检，但是，无论哪种巡检方式，现有技术中均是通过人工实时遥控指挥进行巡检或预先把巡检坐标输入到巡检机器人中，巡检机器人根据输入的巡检坐标进行逐个巡检，相当于巡检机器人获知了待巡检环境，还不存在在未置环境中巡检机器人自动巡检情况的出现，同时，由于巡检机器人都是自带电源，人工遥控巡检和坐标点巡检都无法保证在相同电量损耗的情况下巡检更多供变电设备，导致巡检机器人需要频繁返回更换电池，造成时间及电能的浪费，不便于机器巡检的发展。


技术实现要素：

3.本发明所要解决的技术问题是：通过自身传感器对未知的结构环境进行感知，并在获取的需要巡检的供变电设备中选择最优巡检点进行检测，实现对巡检路径进行最优规划的同时，还能够在巡检过程中探索未知巡检环境，从而实现在未知非结构环境中的自助巡检，解决人工遥控巡检和导入巡检点巡检导致的电力过度消耗及人力资源浪费的问题。
4.为解决上述技术问题，本发明提供的一种技术方案是：一种非结构环境下无人机送变电设备巡检方法，其步骤是：步骤一、无人机通过携带的传感器对送变电设备的环境信息进行采集；
5.步骤二、对获得的环境信息图像进行处理，对处理后图像中的图像特征进行提取，并标注需要检测的送变电设备为候选巡检点，如果探索环境中存在候选巡检点,跳转至步骤三,如果不存在,跳转至步骤四；
6.步骤三、从所有候选巡检点中选取最优巡检点,并行驶至该巡检点,同时把该点标记为已巡检,返回至步骤一；
7.步骤四、巡检机器人再次查询是否存在候选巡检点,如果存在,返回至步骤三,如果不存在,跳转至步骤五；
8.步骤五、检查是否所有的候选巡检点均被标记为已巡检,如果尚有未知候选巡检点,巡检机器人行驶至该点,然后跳转至步骤一,如果不存在未知候选巡检点。则结束巡检。
9.进一步的，所述步骤一中，传感器为三维相机sr-3000、激光测距仪和陀螺仪。
10.进一步的，所述步骤二中，图像处理及特征提取的步骤为：1)、对图像进行预处理，获得图像灰度及三维信息；
11.2)、根据阈值标记灰度图像中的地面、天空和远景，并删除天空、远景和地面区域；
12.3)、对标记天空和地面的图像进行二值化，感兴趣区域的灰度值用非零值表示，非感兴趣区域的灰度值用零表示；
13.4)、利用像素的三维信息对灰度图像中已经提取出的感兴趣区域进行聚类，将感兴趣区域与非感兴趣区域的分离；
14.5)、对图像中感兴趣区域当前相邻两点进行比较，如果两点之间的距离在一定范围内，则认为两个数据点属于相同的类，如果超过阈值，则认为两个点属于不同的类，并以当前数据点为新增类别的起始点，开始下一轮数据比较，完成二次聚类分析；
15.6)、通过边缘检测确定和提取边缘，勾画出目标物体。
16.进一步的，所述图像预处理的步骤为：采用均值滤波或中值滤波消除信号采集中产生的噪声，并采用线性灰度变换、非线性灰度变换或分段线性灰度变换对图像进行灰度变换。
17.进一步的，图像标记的步骤为：1)、根据图像像素点的高度信息标记出图像上属于天空的区域，并将像素的高度值大于设定阈值的像素点对应的灰度值置零；
18.2)、根据图像像素点的高度信息标记图像上地面区域，并将像素点的高度值小于阈值像素点对应的灰度值置零；
19.3)、根据图像像素点的距离信息标记图像上的远景区域，并将像素点的距离值大于阈值像素点对应的灰度值置零。
20.进一步的，在标记地面过程中，在非感兴趣区域内存在部分不连续点，用腐蚀与膨胀运算处理二值图像，以去掉这些不连续点。
21.进一步的，所述步骤三中，最优候选巡检点的确定方法为：采取mcdm(multi-criteria decision making)多指标决策系统，依据评判条件综合考虑每个候选巡检点的多个评判指标获得评估值,对多个候选巡检点的评估值进行比较，选取具有最大评估值的候选巡检点作为最优巡检点，完成在多个候选巡检点中选取最优巡检点。
22.进一步的，所述评判条件为：路程损耗、信息增益和旋转角度，其中，
23.路程消耗：在一次巡检过程中,巡检机器人由当前巡检点行驶至目标巡检点所行驶的路程距离；
24.信息增益：是指在巡检点获取的新环境信息,其包括新获得的环境面积和巡检点所在自由边界的长度；
25.旋转角度：是指当前位置机器人的方向到达所选取巡检点所需旋转的角度。
26.为解决上述技术问题，本发明提供的另一种技术方案是：一种非结构环境下无人机送变电设备巡检系统，其特征在于：包括感知模块、自主模块和移动模块，其中：
27.感知模块：为传感器部件,对送变电设备的环境信息进行采集；
28.自主模块：对获得的环境信息图像进行处理，对处理后图像中的图像特征进行提取，并标注需要检测的送变电设备为候选巡检点，依据评判条件从所有候选巡检点中选取最优巡检点,并向移动模块发送使其移动至该巡检点的控制指令；
29.移动模块：接收自主模块发送的控制指令，对相应的动力进行调整，使其向最优巡检点移动。
30.本发明的有益效果为：
31.通过无人机携带的传感器对送变电设备的环境信息进行采集；对获得的环境信息图像进行处理，对处理后图像中的图像特征进行提取，并标注需要检测的送变电设备为候选巡检点，如果探索环境中存在候选巡检点,跳转至步骤三,如果不存在,跳转至步骤四；从所有候选巡检点中选取最优巡检点,并行驶至该巡检点,同时把该点标记为已巡检,返回至步骤一；巡检机器人再次查询是否存在候选巡检点,如果存在,返回至步骤三,如果不存在,跳转至步骤五；检查是否所有的候选巡检点均被标记为已巡检,如果尚有未知候选巡检点,巡检机器人行驶至该点,然后跳转至步骤一,如果不存在未知候选巡检点，结束巡检；实现对巡检路径进行最优规划的同时，还能够在巡检过程中探索未知巡检环境，从而实现在未知非结构环境中的自助巡检，解决人工遥控巡检和导入巡检点巡检导致的电力过度消耗及人力资源浪费的问题。
32.其中，针对非结构环境中背景与供变电设备颜色相近特点，用三维相机获得灰度图像和深度信息，利用基于灰度信息和三维信息的三维信息“阈值法”，把图像分为感兴趣区域和不感兴趣区域，改进图像质量和去除没有多大价值的冗余信息，然后再对感兴趣区域中的供变电设备进行二次分隔处理，对图像进行分割，保证感兴趣区域内的供变电设备时相互独立的，便于后续进行巡检点标注，及巡检的顺利进行。
33.其中，针对巡检机器人在未知环境中进行自主巡检，未知环境的感知方式主要是在巡检过程中通过巡检机器人自身携带的传感器对环境进行的，由于传感器的感知范围限制，巡检机器人只能感知到其巡检路径周围的环境，因此，对供变电设备进行巡检的过程也是对未知环境的感知过程，所以在前沿理论思想的基础上，在已感知环境中的供变电设备中依据评判条件选择最优巡检点进行巡检，实现对巡检路径规划，从而满足电量、环境感知和供变电设备巡检三者的综合优化。
附图说明：
34.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的其中两幅，对于本领域普通技术人员来讲，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。
35.图1为非结构环境下无人机送变电设备巡检方法的流程图；
36.图2为最优巡检点获取步骤流程图；
37.图3为仿真实验探索过程示意图一；
38.图4为仿真实验探索过程示意图二；
39.图5为仿真实验探索过程示意图三；
40.图6为非结构环境下无人机送变电设备巡检系统的系统连接框图。
具体实施方式：
41.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
42.参见附图1-图5所示，本技术公开了一种非结构环境下无人机送变电设备巡检方法，其步骤是：步骤s1、无人机通过携带的传感器对送变电设备的环境信息进行采集；
43.步骤s2、对获得的环境信息图像进行处理，对处理后图像中的图像特征进行提取，并标注需要检测的送变电设备为候选巡检点，如果探索环境中存在候选巡检点,跳转至s3,如果不存在,跳转至s4；
44.步骤s3、从所有候选巡检点中选取最优巡检点,并行驶至该巡检点,同时把该点标记为已巡检,返回至s1；
45.步骤s4、巡检机器人再次查询是否存在候选巡检点,如果存在,返回至s3,如果不存在,跳转至s5；
46.步骤s5、检查是否所有的候选巡检点均被标记为已巡检,如果尚有未知候选巡检点,巡检机器人行驶至该点,然后跳转至s1,如果不存在未知候选巡检点,结束巡检。
47.本技术通过自身传感器对未知的结构环境进行感知，并在获取的需要巡检的供变电设备中选择最优巡检点进行检测，实现对巡检路径进行最优规划的同时，还能够在巡检过程中探索未知巡检环境，从而实现在未知非结构环境中的自助巡检，解决人工遥控巡检和导入巡检点巡检导致的电力过度消耗及人力资源浪费的问题。
48.其中，如果探索过程中存在多个候选探索点,被选中的最优探索点应该被标记为已探索,没被选中的候选探索点被标记为未探索,等待下次被探索到时标记为已探索。如果只存在一个候选点,则该点为最优探索点,同时被标记为已探索点。
49.其中，当巡检机器人某次探索后不存在候选点,如果巡检机器人所在点为上次探索生成的唯一候选点,巡检机器人应该选择自转,去寻找周围是否存在候选点；如果巡检机器人所在点为上次探索生成的多个候选点其中的一个,那么巡检机器人不用自转,可以直接行驶到上次探索过程中生成的次优探索点。
50.其中，巡检机器人行驶至候选点通常分为三个步骤:首先旋转巡检机器人方向,因为目标点的方位可能不在巡检机器人初始的方向上,所以巡检机器人需要调转方向,指向目标点的方位；其次是直线行驶,到达目标点停止前进即可；最后到达候选点后旋转方向,目的是使巡检机器人保持最好的姿态完成探索的要求。需要言明的是,如果目前的方向与要求的方向正好一致,则可以不用旋转方向。
51.优选的，在所述步骤s1中，传感器为三维相机sr-3000、激光测距仪和陀螺仪。
52.三维相机sr-3000为瑞士mesa imaging ag公司于2006年研发的，sr-3000内置55个led组成的阵列提供红外光源，基于tof物理测距原理能够同时获取空间场景点的灰度信息及对应点深度信息，图像精度为176
×
144像素，最大有效距离达7.5m。处理速度可到30帧/秒，功耗仅为1w，视场范围为47.5
×
39.6度。对于景深7.5m处的环境成像面积为6.5m(width)
×
5m(height)，成像精度可达12.8cm2，精度适中，适用于巡检机器人的近距离障碍物检测。
53.激光测距仪是一种高精度、高解析度的外部传感器。它首先向目标发射一束激光，然后由光电元件接收目标反射的激光束。计时器根据测定从发射到接收激光束的时间差计算出从观测者到目标的距离。与声纳相比具有数据点密集，扫描快速，采样周期短、探测距离远和较高的角分辨率；与视觉传感器相比不受环境光线影响、数据处理简单，计算量小，因而成为当前很多巡检机器人采用的主要测距传感器。
54.实时变化的工作环境会使巡检机器人相对水平面有俯仰和横滚角度，因而移动巡检机器人除了要获取周围环境外部信息外，还需要能够知道自身的姿态信息，陀螺仪来测量巡检机器人的姿态参数。
55.进一步的，送变电设备为变压器、断路器、绝缘子、输电线路、塔杆等进行供变电的电力设备。
56.优选的，在所述步骤s2中，将三维相机所获取的非结构环境下场景的图像划分为远景(超出机器人视线检测范围)、天空(超出机器人能够达到的高度)、地面和障碍物区域。不会影响巡检机器人的当前行为和行走路线为天空、远景和地面区域，称之为不感兴趣区域；而剩余的区域中物体的位置、类型、形状、和大小等都与巡检机器人的下一步动作息息相关，需要重点分析和关注，称之为感兴趣的区域。
57.因此，最优巡检点的获取方式为：
58.步骤s31、根据阈值标记灰度图像中的地面、天空和远景，删除天空、远景和地面区域。有助于减少后续算法处理过程中的计算量。
59.(1)、根据图像像素点的高度信息标记出图像上属于天空的区域，并将像素的高度值大于设定阈值的像素点对应的灰度值置零；
60.(2)、根据图像像素点的高度信息标记图像上地面区域，并将像素点的高度值小于阈值像素点对应的灰度值置零；
61.(3)、根据图像像素点的距离信息标记图像上的远景区域，并将像素点的距离值大于阈值像素点对应的灰度值置零。
62.步骤s32、对标记天空和地面的图像进行二值化，即感兴趣区域的灰度值用非零值表示，非感兴趣区域的灰度值用零表示。
63.步骤s33、在标记地面过程中，由于地面的凹凸不平，可能在非感兴趣区域内存在部分不连续点，本应属于地面却表现为感兴趣区域。先后用腐蚀与膨胀运算处理二值图像，以去掉这些不连续点。
64.步骤s34、通过聚类将感兴趣区域与非感兴趣区域的分离，但是感兴趣区域区域内部的供变电设备个体之间并没有分类开。三维数据点间的排列关系反应了各个空间点的几何位置信息，供变电设备区域像素点表现为相互靠近的数据点。那么可以利用像素的三维信息对灰度图像中已经提取出的感兴趣区域进行聚类。其前提为假设供变电设备是独立的物体，如绝缘子、输电线路等。通过对图像中感兴趣区域当前相邻两点进行比较，如果两点之间的距离在一定范围内，则认为两个数据点属于相同的类；如果超过阈值，则认为两个点属于不同的类。并以当前数据点为新增类别的起始点，开始下一轮数据比较。
65.其中，采用欧式距离(euclidean distance)计算图像中任意两点之间的距离；采用canny算子或sobel算子进行边缘检测。
66.进一步的，图像预处理的步骤为：采用均值滤波或中值滤波消除信号采集中产生的噪声，并采用线性灰度变换、非线性灰度变换或分段线性灰度变换对图像进行灰度变换。
67.优选的，在所述步骤s3中，采取mcdm(multi-criteria decision making)多指标决策系统，依据评判条件综合考虑每个候选巡检点的多个评判指标获得评估值,对多个候选巡检点的评估值进行比较，选取具有最大评估值的候选巡检点作为最优巡检点，完成在多个候选巡检点中选取最优巡检点。
68.前沿理论最早起源于thnm提出的贪婪(greed)策略,该策略是指巡检机器人以一定概率q选择距离最近的未探索区域作为下一步的目标点,以概率1-q选择其他区域作为探索区域。随后前沿理论由yamauchi系统地提出,前沿就是己探索的已探测区域和未探索区域的边缘,所以前沿领域往往可以获取更多的信息增益,利用该理论可以快速有效地获取环境信息,基于该理论的巡检机器人探索行动具有主动性和目的性,可以有效地探索未知环境,把未知环境转化为已知环境。
69.其中，已探测区域:是指被巡检机器人传感器能够扫描到的区域；未探测区域：是指巡检机器人传感器尚未探测到的区域,有可能是传感器量程以外的区域或者障碍物的后方。
70.前沿理论虽然可以获取较大的信息增益,但是却忽略了其他性能指标,例如行驶距离比较远,路径消耗比较多,过分地追求最大信息增益而导致环境达不到便利性的要求。由此可以看出，如果直接选取前沿点作为候选巡检点,虽然可以获得较大的信息增益,但是容易丢失环境信息,探索后工作环境的达不到遍历性的要求,随后生产的地图也不完整,而且,前沿点一般位于探测的边缘区域,巡检机器人行驶的路程损耗较大。综合来看,前沿点并不是最理想的候选巡检点,前沿理论也不是最完美的理论,它只是提出了一种主动探测思想,驱使巡检机器人向未知环境行驶的思想。
71.由于已探索区域中候选巡检点的数量可能为一个或多个，不同位置的候选巡检点具有不同的属性,主要属性参数包括该候选巡检点到机器人当前位置的距离,该点所获得的最大信息增益,还有巡检机器人到达该点所需的旋转角度。
72.在评估一个候选巡检点时,可以采用不同的评估准则。通常最简单一个就是路程消耗,该评估准则选取具有最小路程损耗的候选巡检点作为最优候选巡检点。还有一些评估准则把路程消耗与其它的评判条件相结合起来,比如:信息增益。这些准则选取的最优候选巡检点既考虑到达该候选巡检点的路程消耗又考虑到该候选巡检点的信息增益大小。
73.其中，路程消耗：是指在一次探索过程中,巡检机器人由当前点行驶至目标候选巡检点p所行驶的路程距离。
74.信息增益：是指在候选巡检点p获取的新环境信息,通常可以用两种方式来表达信息增益,一是利用新获得的环境面积，二是用候选巡检点p所在自由边界的长度。
75.旋转角度：是指当前位置机器人的方向到达所选取候选巡检点所需旋转的角度。
76.假设候选巡检点p的第i个评判条件所对应的评估值为ui(p)，且评估值ui(p)在0到1之间,该值作为衡量候选巡检点p所对应的第i个评估条件的好坏标准。一般情况下设定,某个候选巡检点中评判条件的评估值越大,则代表的候选巡检点所对应该条件比较优越,相反的,评估值越小则越代表该条件不优越。评判条件信息增益就是这样,信息增益值越大,则代表该候选巡检点的能够获取更多未知环境信息。通常这样的评估值有以下公式计算得到。
[0077][0078]
公式(1)中,uc(p)代表候选巡检点p的信息增益评估值,l是所有候选巡检点的集合。c(p)为候选巡检点的信息增益值。该公式把候选巡检点的信息增益都收缩到0和1之间,便于后面的计算。
[0079]
但是,仍然有一些评估值木是这样计算,如路程消耗,路程消耗越大,代表该评判条件越不理想,假如仍然用公式(1)计算的话,结果可能适得其反,评估值越大代表该点越不理想,这与最开始的假定相冲突,也不便于后面的综合计算。
[0080]
评判条件旋转角度也是这样的情况,所以通常采用公式(2)计算。
[0081][0082]
公式(2)中,uc(p)代表候选巡检点p的路程损耗评估值,l是所有候选巡检点的集合。c(p)为候选巡检点的信息增益值。候选巡检点的信息增益仍然收缩到0和1之间。
[0083]
为了获取最优候选巡检点,巡检机器人必须考虑所有候选巡检点的评估值,对所有的评估值进行计算、比较,选取具有最大评估值的候选巡检点最为最优候选巡检点。评估函数必须考虑到所有候选巡检点,并且考虑到每个候选巡检点的所有评判条件,只有这样,选出的候选巡检点才是最优。
[0084]
假设n是n个候选巡检点评判条件的集合，j代表n中的第j个评判条件,例如路程损耗。l是l个候选巡检点的集合，p代表l中的第p个候选巡检点。那么uj(p)代表第p个候选巡检点的第j个评判条件。
[0085]
运用到三个评判条件,分别是路程损耗、信息增益和旋转角度。则结合上面所述，n＝{路程损耗,信息增益,旋转角度}。最简单的方法就是选择一个加权求和的函数作为评估函数。如果想让巡检机器人获取更多的信息增益,则选取较大的值作为信息增益的系数,如表1所示。
[0086]
表1评判指标的加权系数表
[0087]
评判条件路程损耗信息增益旋转角度加权系数0.30.40.3
[0088]
假设有三个候选巡检点,即l＝{p1,p2,p3}，则评估准则如表2所示。
[0089]
表2加权后的评估值表
[0090]
候选巡检点路程损耗信息增益旋转角度加权和值p10.20.90.70.63p20.60.50.10.41p30.90.60.30.60
[0091]
计算可知,候选巡检点p1的评估值最大,所以选p1为最优候选巡检点。但是，p1虽然具有较大的信息增益,但是到达p1点需要的路程损耗大。也可以这样认为,点之所以能作为最优候选巡检点,与选取的加权系数有一定的关系,因为希望最优候选巡检点可以拥有较大的信息增益,所以；p1能够成为最优候选巡检点。这样带来的问题是,虽然获得了信息增益,但是却牺牲了路程,巡检机器人行驶了更多的路程。同样的可以倾向于选择路程损耗较少的候选巡检点,可能这样又会得不到较大的信息增益,这也是加权平均方法的通病。评判准则中的各个评价条件相互制约,顾此失彼,不能得到同时的兼顾。
[0092]
mcdm提供了解决这种问题的方法,接下来介绍这个方法以及相关的概念。首先定义这样一个整合函数μ:p(n)属于[0,1],并且满足以下条件。
[0093]
(1)μ(空集)＝0，μ(n)＝1
[0094]
(2)
[0095]
假设α属于ρ(ν),μ(α)代表候选巡检点α的权系数。这样的话,加权系数不仅只针对一个候选巡检点加权,而且还对多个候选巡检点整合加权。候选巡检点p相应的评估函数u(p)有下面的表达公式。
[0096][0097]
把候选巡检点p的n个评判条件对应的评估值按照从小到大的顺序排列,如下所示。
[0098]
u1(p)≤...un(p)≤1并且假定u0(p)＝0,aj＝{i∈n|uj(p)≤ui(p)un(p)}，不同的整合系数μ会导致有不同的评估值,假定c1和c2的整合函数值分别为μ(c1)和μ(c2)；
[0099]
(1)如果μ({c1,c2})＜μ(c1) μ(c2),那么这两个评判条件是冗余的；
[0100]
(2)如果μ({c1,c2})＞μ(c1) μ(c2),那么这两个评判条件是协同的；
[0101]
两个以上的评判条件也是同样的原理,其中加权平均方法就是一种特殊的情况：μ({c1,c2})＝μ(c1) μ(c2)这时整合函数的就是加权平均的作用。
[0102]
接着还对上面的例子进行说明。
[0103]
表3单指标的整合系数表
[0104]
评判条件路程损耗信息增益旋转角度评判条件0.30.40.3
[0105]
假设路程损耗和旋转角度之间存在冗余,路程损耗和信息增益、信息增益与旋转角度之间存在协同,具体整合函数值如表4所示。
[0106]
表4多指标的整合系数表
[0107]
评判条件路程损耗与旋转角度路程损耗与信息增益信息增益与旋转角度评判条件0.50.80.8
[0108]
由整合函数定义公式,可以得到下面的值。
[0109]
表5整合函数值
[0110][0111][0112]
通过上面的一系列计算,最终得到p1为最优探索点。反过来看p1的评判条件,p1点具有最小的路程损耗和最大的信息增益,虽然旋转角度较大,但是综合考虑情况,p1点仍然是三个候选巡检点探索中的最优探索点。
[0113]
下面在matlab仿真环境下进行实验。工作环境选取10m*10m的未知环境,假设工作环境中随机设有若干不规则障碍物。假设工作环境未被探索前,处于未知状态,图中的障碍物用黄色区域表示。实验所用的巡检机器人装配有激光测距仪、三位相机和陀螺仪,激光传
感器探测距离为2m,扫描角度为180
°
,分辨角度为0.5
°
。假定巡检机器人最小步长去0.2m,激光测距仪每隔5
°
取一个传感器值,简化计算量。具体探索过程如图3-图5所示
[0114]
仿真图中用小圆圈连线表示巡检机器人行走路线,扇形区域为传感器组件扫描区域,扇形区域的边缘黑点代表传感器扫描点,剩余图形表示待检测物，由于进行巡检时，由于待检测物体的阻挡，巡检机器人不能从待检测物体内部穿过，只是需要围绕待检测物体进行移动。该仿真实验为巡检机器人对本工作环境的一次探索过程,三个仿真图分别代表该次探索的三个步骤。
[0115]
为解决上述技术问题，本发明提供的一种技术方案是：一种非结构环境下无人机送变电设备巡检系统，参见图6所示，包括感知模块a、自主模块b和移动模块c，其中：
[0116]
感知模块a：为传感器部件,对送变电设备的环境信息进行采集；
[0117]
自主模块b：对获得的环境信息图像进行处理，对处理后图像中的图像特征进行提取，并标注需要检测的送变电设备为候选巡检点，依据评判条件从所有候选巡检点中选取最优巡检点,并向移动模块发送使其移动至该巡检点的控制指令；
[0118]
移动模块c：接收自主模块发送的控制指令，对相应的动力进行调整，使其向最优巡检点移动。
[0119]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0120]
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0121]
以上，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。