一种面向风机叶片巡检的无人机自动航迹线规划方法与流程

1.本发明属于无人机技术领域，具体涉及一种面向风机叶片巡检的无人机自动航迹线规划方法。


背景技术：

2.目前，对于风机叶片的故障检测，正在兴起许多新型的、高科技的检测方式。针对静态叶片检测，主要包括激光多普勒测震、x射线成像、超声波探测、激光散斑检测、红外线热成像等方法。针对动态叶片检测，主要包括光纤传感、振动监测、电阻应变检测、数字图像处理、声发射等。但这些方法仍处在研发尝试阶段，对于风机叶片的检测应用最多的仍是传统的检测方法。
3.传统风机叶片巡检方式包括高空绕行下降目测法、高倍望远镜检测和叶片检修平台等。传统的叶片检测方法都是由人工来完成，因此面临安全性差、检测效率低、检测时间长且检测成本高等问题。因此，需要开发一套更加安全有效的巡检系统。
4.近几年，无人机技术和图像识别技术得到发展，通过无人机获取风机图像，再由图像判断风机是否发生故障的检测方法越来越受到人们的关注，人们把根据无人机图形进行电力设备的检测视为一次空前的技术改革。目前，在电力线路、电力杆塔等巡检领域应用较多的无人机巡检技术，正在向着风机巡检的方向迈进。
5.现阶段，使用无人机进行风机叶片的巡检过程中，需要至少两名工作人员进行无人机的操控，通过发送指令相互配合，最终完成巡检任务。工作人员操控无人机飞至叶片附近，使用无人机携带的成像设备获取风机叶片表面的图像，然后将图像信息传输至地面站或者无人机，完成一次巡检飞回地面后，再将无人机得到的风机叶片图像信息读取出来。使用无人机巡检代替传统的巡检方式，无疑将会大大降低成本，提高巡检的效率和安全性，即使在偏远山区或者临近海上的区域也可以比较安全的完成巡检任务。但是，手动操控无人机进行风机巡检时，对飞控手的要求较高，人为因素影响大，巡检效率还需要进一步提升，且近距离巡检难以实现。因此，面对以上问题，进行无人机自动化巡检的研究十分有必要。同时，实现自动化巡检将会使风机叶片的巡检效率和巡检安全性得到极大的提升，并且成像质量也可以得到保证。


技术实现要素：

6.为解决现有技术中存在的技术问题，本发明的目的在于提供一种面向风机叶片巡检的无人机自动航迹线规划方法，利用迭代重优化的风机航迹线规划方法，可基于风机模型规划最佳的航迹线和航迹点，解决了无人机巡检过程中过于依赖工人经验的问题。
7.为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
8.一种面向风机叶片巡检的无人机自动航迹线规划方法，包括以下步骤：
9.首先，建立风机模型，并且根据巡检要求将风机模型进行网格化处理，得到风机面图形学模型，在风机面图形学模型的每个网格面片的基础上规划出候选航迹点区域，保证
航迹点区域中选择出的航迹点至少可见一个完整的面片区域，保证获取完整的风机表面图像；随后，基于候选航迹点区域进行航迹点采样，完成航迹点优化；完成航迹线规划；进行风机姿态的识别并完成航迹线的调整。
10.进一步的，建立风机模型，并且根据巡检要求将风机模型进行网格化处理，得到风机面图形学模型的步骤包括：
11.选择建模工具根据风机三维尺寸信息建立三维的风机模型，从中导出风机模型的.stl格式的模型文件，.stl格式的模型文件以小三角形面片为基本单位，离散地近似描述上述风机模型的表面，能够满足将模型进行图像学表示的要求，.stl格式的模型文件记录所有三角形面片数量、各三角形顶点坐标及各面片的法向量，法向量符合右手规则，在此模型文件中，可获取风机模型的三角形面片数量、各面片的法向量及各三角形顶点坐标；
12.使用materialise magics 24.0对建模工具得到的网格化的风机模型再次进行处理，得到满足需求的风机面图形学模型。
13.进一步的，在规划候选航迹点区域时，从安全性考虑，约束安全范围，设定最大及最小安全空间，从可见性方面考虑，需要使无人机航向与三角形网格面片之间呈锐角，即使无人机的航向与三角形超平面的法向量之间的夹角大于零，三角形面片的超平面由其入射角决定，构建出约束条件，从而选择出可覆盖风机面图形学模型的所有三角形面片，保证获得高质量的完整风机表面图像，保证以最高的质量完成巡检任务。
14.从可见性方面考虑，使无人机航向与三角形面片之间为锐角，即使无人机的航向与三角形超平面的法向量之间的夹角大于零，三角形面片的超平面由其入射角决定，得到候选航迹区域，约束条件表述为平面约束，如式(1)所示：
[0015][0016]
其中，g＝(x,y,z)表示航迹点的空间位置，d
max
为最大安全空间，d
min
为最小安全空间，xi是网格三角形的角，an是归一化三角形法线，m是三角形面片的中心点，ni是针对入射角约束的分离超平面的法线，∠in1,∠in2,∠in3表示最小入射角；
[0017]
无人机携带的成像设备以固定的俯仰角和相对航向安装在无人机上，其视场角fov分为垂直和水平开口，利用fov上限的等效约束，候选航迹区域被限制为三角形截面，由无人机自带的垂直照相机打开约束产生的总采样空间是在所有垂直方向上所有这些三角形截面的并集；将空间划分为nc块相等的凸块，约束条件则表示为式(2)：
[0018][0019]
其中，分别表示三角形面片的相关角，n
right
、n
left
分
别表示各个分离超平面的法向量。
[0020]
进一步的，根据风场的风机模型构建出其对应的风机面图形学模型，并通过该模型得到候选航迹点区域，在候选航迹点区域内选择航迹点时，需要迭代优化的进行，实现整体航迹点集的优化。
[0021]
在进行航迹点的优化时，在候选航迹点区域内随机采样一个航迹点，然后以最小化当前航迹点gk到当前候选航迹点区域内航迹点g
k-1
、当前航迹点的前一个航迹点和后一个航迹点距离的平方之和为目标，如式(3)所示，前两个部分通过将航迹点移到更近的位置而缩短航迹线长度，而后两个部分则限制了改进步骤的大小，因为和也可能移近，通过逐步优化航迹点的选取，实现整体航迹点集的优化：
[0022][0023][0024]
式(4)中约束条件与选择候选航迹点区域一致；
[0025]
邻居距离的加权矩阵为：
[0026]
b＝diag(b
const
,b
const
,a
const
b
const
)
[0027]
式中，b
const
为到邻居的距离的一般权重，a
const
为权重变化惩罚；
[0028]
旧巡视中当前视点的距离的加权矩阵为：
[0029]
d＝diag(d
const
,d
const
,d
const
)
[0030]
式中，d
const
为权重值；
[0031]
选取出航迹点后，选取当前航迹点gk至三角形面片中心点m的方向为航迹点的航向，即：
[0032]
ψk＝g
k-m。
[0033]
进一步的，完成航迹线规划的步骤包括：
[0034]
规划航迹线与选取航迹点时类似，都需要根据任务信息及无人机的操作注意事项对航迹线的规划进行约束，从而得到最优的航迹线，相关约束条件包括航迹线长度约束、爬升约束、避障约束、最小转弯半径约束；
[0035]
根据上述约束条件，无人机的航迹线在保证完成任务的情况下，使无人机的飞行时间越短越好，即完成覆盖全目标的航迹线规划过程中，最短的航迹线为最优；在求解最优
航迹线的过程中，选择迭代重优化的方式，使航迹线逐步优化直至达到最优。
[0036]
进一步的，规划出的航迹线不重复的经过所有航迹点，采用如下算法获得初始航迹线：
[0037]
(1)选择初始航迹点vi[0038]
(2)按以下3条约束从未被选过的航迹点中选择下一航迹点vj：
[0039]
1)边e
ij
是一条候选边；
[0040]
2)边e
ij
的α
π-接近度α
π
(e
ij
)＝0；
[0041]
3)边e
ij
属于当前最优航迹线；
[0042]
若选择出的vj不能全部满足以上3条约束，则优先选择满足约束1)的航迹点，若都不能满足，则在未被选择过的航迹点中随机选择；
[0043]
(3)令i＝j，i和j分别表示航迹点的编号，用于标记所有选择出的航迹点，如果还有未被选择的航迹线，返回步骤(2)；
[0044]
如果在步骤(2)有多个的航迹点可供选择，则从中随机选择一点；
[0045]
规划出航迹线后，需要对航迹线进行迭代优化，在迭代优化的过程中，以5-opt操作为基本单位，称为基本操作，基本操作选择上次基本操作最后添加的边作为最先删除的边，并且最后被删除的边不能是本次基本操作曾经添加的边，在基本操作内搜索出可进行的2-opt、3-opt或4-opt操作进行航迹线优化，如果一次基本操作后，未搜索到合适的航迹点则停止搜索，5-opt操作、4-opt与2-opt的含义相同，也是作边的交换操作，只是交换的边数增加了；
[0046]
从某航迹点出发经过任何基本操作都不能使航迹线优化，则进行一次非连续的、闭合的5-opt操作，由一次非闭合的2-opt操作和另外一次非闭合的2-opt操作或者3-opt操作组成，这被称为一次打断操作；
[0047]
判断经过一次打断操作后航迹线是否得到优化，若航迹线被优化，则继续进行基本操作优化航迹线，然后再进行打断操作，如此循环，直至两者都不能使航迹线优化，则称为完成一次迭代优化；然后，当航迹点重新选取后，再次进行航迹线的优化，两者重复进行，完成航迹线的迭代优化。
[0048]
进一步的，风机姿态的识别包括以下步骤：
[0049]
无人机根据所规划路径飞抵风机轮毂处，对风机进行拍照并传送至处理端进行处理，确认风机杆塔和风机叶片，识别风机叶片的顺桨停机位置，根据代表风机叶片边缘的直线斜率获得风机叶片停机的偏转角度γ：
[0050][0051]
其中，
[0052]
(x1,y1)、(x2,y2)分别为代表风机叶片的直线段两端的点的坐标，表示平均偏转角，αi表示代表风机叶片的每条直线的偏转角度，n为图像检测生成的代表风机叶片的直线的数量。
[0053]
进一步的，航迹线的调整步骤包括：
[0054]
风机叶片的结构相对固定，估计出风机叶片的偏转角度并用于无人机巡检风机航迹线的调整。在三维空间中，风机叶片所在面可视为z值固定的平面，风机旋转一定角度γ，则航迹点跟随旋转γ，可实现不同停机状态下的叶片巡检，按球坐标的表示规则，航迹点调整为：
[0055][0056]
利用获取到的偏转角度对根据风机模型得到的基准路径数据进行变换，得到能够适应当前风机状态的路径数据，最后，无人机根据修正的路径数据进行自动巡检，完成叶片的巡检工作。
[0057]
与现有技术相比，本发明的有益效果为：
[0058]
1)本发明首先建立了风机模型，对模型并进行了面图形处理，然后为每个三角形面片规划了候选航迹点区域，之后经过航迹点选取以及航迹线优化两个阶段的交替进行的优化阶段，最终得到了不重复的经过所有航迹点的航迹线，在计算航迹点间代价值时，引入了kdtree算法，极大地加快了航迹点间代价值的计算效率；
[0059]
2)本发明基于三维风机模型生成航迹路径规划，再根据现场风机信息进行调整，对硬件要求低，所规划路径可靠性高，鲁棒性强；
[0060]
3)利用机器视觉的方法获取风机叶片的偏转角度，进而实现风机航迹规划的自动调整，使得巡检时不需要关注风机的停机角度问题，大大提高了自动化水平。
附图说明
[0061]
图1为本发明的流程图；
[0062]
图2为本发明的候选航迹区域图；
[0063]
图3为本发明的凸块划分图；
[0064]
图4为本发明的航迹线树图。
具体实施方式
[0065]
下面对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0066]
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0067]
无人机的自动化巡检一般选择的都是具有稳定悬停能力的旋翼飞机，巡检过程一般为：无人机根据规划好的航迹线飞至风机附近，并且根据自身定位，沿着航迹线在指定的位置获取完整的风机叶片表面图像。在这个过程中，无人机必须能够认知周围环境，并在此基础上解决自己在哪、目标在哪、自己如何到达目标处以及以什么样的姿态检测目标等问题。因此，完成无人机巡检所需的航迹线规划并且使无人机可知自身位置是实现自动化巡检的重要环节，对于实现无人机自动化巡检风机叶片有重要意义。
[0068]
为此，本发明公开了一种面向风机叶片巡检的无人机自动航迹线规划方法，设计了无人机自动化巡检风机叶片的最佳航迹线，保证巡检任务的完成。首先，建立风机模型，并且根据巡检要求将风机模型进行网格化处理，得到风机面图形学模型，在风机面图形学模型的每个网格面片的基础上规划出候选航迹点区域，保证航迹点区域中选择出的航迹点至少可见一个完整的面片区域，保证获取完整的风机表面。第二，基于候选航迹点区域进行航迹点采样，并且以迭代重采样的策略解决航迹线规划这一np-hard难题，完成航迹线的优化。第三，采用提取点线特征的双目视觉加惯性测量的定位方法，改善风电场环境中gps定位精度不足的问题，并且对线特征提取的算法进行提纯策略的改进，以便于风机姿态的识别及航迹线的调整。
[0069]
如图1-4所示，本发明提出的一种面向风机叶片巡检的无人机自动航迹线规划方法，主要包括以下步骤：
[0070]
步骤1：建立风机面图形学模型
[0071]
首先需要建立三维的风机模型。选择建模工具soildworks根据风机三维尺寸信息建立三维风机模型，其具有简单、易上手等优点，并且可以直接从中导出风机模型的.stl(stereo lithography)格式的模型文件。.stl格式的模型以小三角面片为基本单位，离散地近似描述三维风机模型的表面，可以满足将模型进行图像学表示的要求，.stl格式三维模型会记录所有三角形面片数量、各三角形顶点坐标及各面片的法向量，法向量符合右手规则。在此模型文件中，可以获取此模型的三角形面片数量、各面片的法向量及各三角形顶点坐标等；
[0072]
由soildworks得到的网格化模型上的三角网格的数量在部分非重点监测位置分布过多，如机舱头部、叶片与机舱的连接处等，这会使产生的航迹线在这些位置过于密集，因此使用materialise magics 24.0对网格化的风机模型再次进行处理，得到满足需求的风机面图形学模型。
[0073]
步骤2：基于三维模型的航迹点设计
[0074]
在规划候选航迹点区域时，借鉴生成-测试法和合成法，既需要考虑从模型出发，在模型外的一定空间内采样航迹点，也需要构建选择候选区域的约束函数，并且基于风机的面图形模型和获取完整高质量图像的考虑，对风机模型上的每一个三角形面片都规划一个航迹点，因此需要对每个三角形面片规划一片航迹点区域。
[0075]
规划航迹点的候选区域时，从安全性考虑，需要约束安全范围，其最大、最小安全空间分别为d
max
和d
min
，从可见性方面考虑，使无人机航向与三角形面片之间为锐角，即使无人机的航向与三角形超平面的法向量之间的夹角大于零，三角形面片的超平面由其入射角决定，那么综合可得如图2所示的候选航迹区域，约束条件可表述为平面约束，如式(1)所示：
[0076][0077]
其中，g＝(x,y,z)表示航迹点的空间位置，xi是网格三角形的角，an是归一化三角形法线，m是三角形面片的中心点，ni是针对入射角约束的分离超平面的法线，∠in1,∠in2,
∠in3表示最小入射角；
[0078]
从无人机携带的成像设备而言，已知其视场角fov分为垂直和水平开口，并以固定的俯仰角和相对航向安装在无人机上。利用来自fov上限的等效约束，候选航迹区域被限制为三角形截面。由无人机上的垂直照相机打开约束产生的总采样空间是在所有垂直方向上所有这些三角形截面的并集，而不是凸优化的。为了近似和凸出该问题，根据图3将空间划分为nc块相等的凸块。为了近似和突出该问题，为每个切片计算最优值，以便找到全局最佳解决方案。片段j约束推导如下：
[0079]
采样空间的左边界和右边界是旋转段的边界，旋转段为做近似凸优化时，按图2中所示方向切割出来的空间段，并且圆锥顶部和底部由与切片中心相切的单个平面表示，切片为凸优化时，三角形面片在凸优化空间的映射，水平方向上的角相机约束可不予考虑，将d
min
选择为足够高以允许三角形完全可见即可，所以约束条件可表示为式(2)：
[0080][0081]
其中，分别表示三角形面片的相关角，n
right
、n
left
分别表示各个分离超平面的法向量；
[0082]
综合以上两方面的考虑即可选择出可覆盖面图形模型的所有三角形面片，从而保证可以获得高质量的完整风机表面图像，保证以最高的质量完成巡检任务。
[0083]
根据风场的风机模型可构建出其风机面图形学模型，并通过模型可得到候选航迹点区域，在候选航迹点区域内选择航迹点时，需要迭代优化的进行。首先，以随机采样的方法在候选航迹点区域中进行初次航迹点的选取，在每个三角形对应的候选航迹点区域中选择一个航迹点，简单、快速的完成第一组航迹点的选择。然后，在进行航迹点集的优化过程中，可将随机采样与qp二次优化相结合。
[0084]
在进行航迹点的优化时，在候选航迹点区域内随机采样一个航迹点，然后以最小化当前航迹点gk到当前候选航迹点区域内航迹点g
k-1
、当前航迹点的前一个航迹点和后一个航迹点距离的平方之和为目标，如式(3)所示。前两个部分通过将航迹点移到更近的位置而缩短航迹线长度，而后两个部分则限制了改进步骤的大小，因为和也可能移近。通过逐步优化航迹点的选取，实现整体航迹点集的优化，尽可能的选择出使航迹线变短的航迹点。
[0085]
[0086][0087]
式(4)中约束条件与选择候选航迹点区域一致。
[0088]
并且，邻居距离的加权矩阵为：
[0089]
b＝diag(b
const
,b
const
,a
const
b
const
)
[0090]
式中，b
const
为到邻居的距离的一般权重，a
const
为权重变化惩罚。
[0091]
旧巡视中当前视点的距离的加权矩阵为：
[0092]
d＝diag(d
const
,d
const
,d
const
)
[0093]
式中，d
const
为权重值。
[0094]
选取出航迹点后，选取当前航迹点gk至三角形面片中心点m的方向为航迹点的航向，即：
[0095]
ψk＝g
k-m。
[0096]
步骤3：自动航迹规划
[0097]
规划航迹线与选取航迹点时类似，都需要根据任务信息及无人机的操作注意事项对航迹线的规划进行约束，从而得到最优的航迹线，相关约束条件包括：航迹线长度约束、爬升约束、避障约束、最小转弯半径约束等。
[0098]
根据上述约束条件，无人机的航迹线在保证完成任务的情况下，使无人机的飞行时间越短越好，即完成覆盖全目标的航迹线规划过程中，最短的航迹线为最优。在求解最优航迹线的过程中，选择迭代重优化的方式，使航迹线逐步优化直至达到最优，这一最优化过程就是逐渐接近最优解的过程。
[0099]
规划出的航迹线不重复的经过所有航迹点，因此采用如下算法获得初始航迹线：
[0100]
(1)选择初始航迹点vi[0101]
(2)按以下3条约束从未被选过的航迹点中选择下一航迹点vj：
[0102]
1)边e
ij
是一条候选边；
[0103]
2)α
π
(e
ij
)＝0；
[0104]
3)边e
ij
属于当前最优航迹线；
[0105]
若选择出的vj不能全部满足以上3条约束，则优先选择满足约束1)的航迹点，若都不能满足，则在未被选择过的航迹点中随机选择；
[0106]
记g＝(v,e)为赋权图，v＝{v1，v2，...，vn}为航迹点集，e为航迹点之间连线的集合，从航迹点vi到航迹点vj的距离为d
ij
。
[0107]
1-树是由图g＝(v,e)中除去特殊点{1}的点集v/{1}连接成的子树和从点{1}连接
到子树的两条最短的边组成，如图4所示，其中包含一条环形的回路，最小1-树就是经过所有航迹点的路径之和最小的1-树。
[0108]
根据从连通图中得到的最小1-树的特性，可以判定其余最优航迹线的关系为：如果最小1-树是一条没有“分叉”的完整环路，那么它就是最优航迹线；最优航迹线是每个点的度数都是2的最小1-树。并且，在研究中发现，最优航迹线与最小1-树有70％-80％的边是相同的，因此可以基于最小1-树选择最优航迹线的候选集。
[0109]
最小1-树中航迹点vi、vj间的距离记为d
ij
，dn×n＝{d
ij
}表示航迹点间的距离矩阵，并且根据计算每个航迹点的代价值都增加相同的值π，不会改变最优航迹线选择的原则，将矩阵dn×n转变为矩阵pn×n＝{p
ij
|p
ij
＝d
ij
πi πj}，用t
π
表示最小1-tree，l
π
(t
π
)表示根据pn×n计算的t
π
总长度，π＝{π1,π2,...,πn}表示各个航迹点增加代价值的向量，可得：
[0110]
ω(π)＝l
π
(t
π
)-2∑πiꢀꢀꢀꢀꢀꢀꢀꢀ
(3-7)
[0111]
可以使用次梯度优化法(subgradient optimization)调节向量п改变ω(π)，从而使t
π
更接近最优航迹线，用表示包含了经过航迹点vi、vj边的最小1-树，则边e
ij
的α
π-接近度表示为：
[0112][0113]
其中，α
π
(e
ij
)≥0，当e
ij
属于最小1-树时，α
π
(e
ij
)＝0。
[0114]
(3)令i＝j，如果还有未被选择的航迹线，返回步骤(2)。
[0115]
如果在步骤(2)有多个的航迹点可供选择，则从中随机选择一点。
[0116]
规划出航迹线后，需要对航迹线进行迭代优化。在迭代优化的过程中，以5-opt操作为基本单位，称为基本操作(basic move)，基本操作选择上次基本操作最后添加的边作为最先删除的边，并且最后被删除的边不能是本次基本操作曾经添加的边。在基本操作内搜索出可进行的2-opt、3-opt或4-opt操作进行航迹线优化，如果一次基本操作后，未搜索到合适的航迹点则停止搜索。
[0117]
从某航迹点出发经过任何基本操作都不能使航迹线优化，则进行一次非连续的、闭合的5-opt操作，由一次非闭合的2-opt操作和另外一次非闭合的2-opt操作或者3-opt操作组成，这被称为一次打断操作(break)。
[0118]
判断经过一次打断操作后航迹线是否得到优化，若航迹线被优化，则继续进行基本操作优化航迹线，然后再进行打断操作，如此循环，直至两者都不能使航迹线优化，则称为完成一次迭代优化。然后，当航迹点重新选取后，再次进行航迹线的优化，两者重复进行，完成航迹线的迭代优化。
[0119]
步骤4：风机停机状态识别
[0120]
利用步骤3对三维模型进行全局航迹规划，得到巡检路径数据，将所得路径数据导入巡检无人机，无人机具有双目摄像机，根据所规划路径，自动飞抵风机轮毂处，利用计算机视觉识别风机叶片的顺桨停机位置后，即可根据代表风机叶片边缘的斜率获得其角度值，再与基础模型的风机角度对比，可得风机叶片停机角度的变化估计，设定正值为顺时针偏转，负值为逆时针偏转。具体步骤如下：
[0121]
(1)确认风机杆塔
[0122]
由于风力发电机的整体尺寸较大，在无人机正面获取的风力发电机图像中，杆塔
会超出图像，即在图像下边缘有端点且斜率接近90度的直线可确认为代表杆塔的直线；
[0123]
(2)确认风机叶片
[0124]
确认代表风机杆塔的直线后，可近似认为此直线远离图像边缘的另一端为机舱位置，以此端点为圆心做圆，再从圆形区域内根据三叶风机的结构特征选择相互之间为120度左右的直线，若直线l存在另外两条与其成120度的直线，则可将直线l记为代表风机叶片的直线，遍历所有直线，并将直线偏转角度相近的归为同一组，其平均角度为其代表叶片的偏转角度；
[0125]
(3)根据直线斜率确定叶片停机角度
[0126]
确定代表叶片的直线组后，可根据两点式计算每条直线的偏转角度，取直线段两端的点(x1,y1)、(x2,y2)，则可得代表叶片的直线的角度：
[0127][0128][0129]
其中，表示平均偏转角，αi表示每条直线的偏转角度，n表示每组表示风机叶片的数量。
[0130]
之后找到最高像素点的叶片直线，根据直角三角形内角及对顶角关系，由此可得风机叶片停机的偏转角度γ：
[0131][0132]
步骤5：巡检风机叶片航迹调整
[0133]
风力发电机叶片的结构相对固定，估计出风力发电机的偏转角度后，可将此角度用于无人机巡检风机航迹线的调整。在三维空间中，风机叶片所在面可视为z值固定的平面，风机旋转一定角度γ，则航迹点跟随旋转γ，可实现不同停机状态下的叶片巡检，所以按球坐标的表示规则，航迹点调整为：
[0134][0135]
本发明利用获取到的偏转角对根据风机模型得到的基准路径数据进行变换，得到能够适应当前风机状态的路径数据，最后，无人机根据修正的路径数据进行自动巡检，完成叶片的巡检工作。
[0136]
本发明未具体描述的部分或结构采用现有技术或现有产品即可，在此不做赘述。
[0137]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。