[发明专利]一种风电机组叶片无人机路径规划方法

权利要求书

1.一种风电机组叶片无人机路径规划方法，其特征在于，所述风电机组叶片无人机路径规划方法包括如下步骤：

步骤(1)，获取关于所述风电机组中叶尖和叶片中心转轴的地理三维坐标；

步骤(2)，基于所述地理三维坐标和预设空间几何关系，建立和规划关于所述无人机的全局飞行路线；

步骤(3)，在所述全局飞行路线规划完成和所述无人机起飞后，对所述无人机的实时飞行路径进行局部飞行线路的规划；

步骤(4)，基于所述局部飞行线路的规划结果，对所述无人机的飞行线路进行实时更新处理。

2.如权利要求1所述的风电机组叶片无人机路径规划方法，其特征在于：在所述步骤(1)中，获取关于所述风电机组中叶尖和叶片中心转轴的地理三维坐标具体包括，

步骤(101)，获取关于所述风电机组的原始图像，并对所述图像进行预处理；

步骤(102)，基于Mask R-CNN神经网络识别模型，对经过所述预处理的所述原始图像进行识别处理，以此获得关于所述叶片和所述叶尖的结构信息；

步骤(103)，基于所述叶片和所述叶尖的结构信息，快速提取所述叶片和所述叶尖的特征信息，同时通过PnP模型计算得到所述叶尖和所述叶片中心转轴的地理三维坐标。

3.如权利要求2所述的风电机组叶片无人机路径规划方法，其特征在于：在所述步骤(101)中，获取关于所述风电机组的原始图像，并对所述图像进行预处理具体包括，

步骤(1011)，获取若干关于所述风电机组的原始图像，并通过预设图像解算模型计算获得若干关于所述风电机组的原始图像中的每一个对应的图像边缘清晰度系数；

步骤(1012)，基于计算获得的所有图像边缘清晰度系数，确定其中一幅原始图像作为执行所述预处理的目标图像，其中，所述预处理至少包括高斯滤波降噪处理或者卡尔曼滤波降噪处理；

或者，

在所述步骤(102)中，基于Mask R-CNN神经网络识别模型，对经过所述预处理的所述原始图像进行识别处理，以此获得关于所述叶片和所述叶尖的结构信息具体包括，

步骤(1021)，通过所述Mask R-CNN神经网络识别模型，获得所述原始图像中存在的叶片和叶尖的边缘轮廓信息和/或者颜色信息；

步骤(1022)，通过所述Mask R-CNN神经网络识别模型，对所述边缘轮廓信息和/或者颜色信息进行运算处理，以此得到关于所述叶片和所述叶尖的结构信息，其中，所述结构信息至少包括所述叶片和所述叶尖的形状信息和/或尺寸信息。

4.如权利要求1所述的风电机组叶片无人机路径规划方法，其特征在于：在所述步骤(2)中，基于所述地理三维坐标和预设空间几何关系，建立和规划关于所述无人机的全局飞行路线具体包括，

步骤(201)，将关于所述叶尖和叶片中心转轴的地理三维坐标变换为关于所述叶尖的直角空间坐标；

步骤(202)，根据关于所述叶尖的直角空间坐标，计算获得关于所述叶片的不同结构部位对应的直角空间坐标信息；

步骤(203)，将关于所述叶片的不同结构部位对应的直角空间坐标信息，变换回地理三维坐标空间对应的地理三维坐标信息；

步骤(204)，根据关于所述叶片的不同结构部位对应的地理三维坐标信息，建立和规划关于所述无人机的全局飞行路线。

5.如权利要求4所述的风电机组叶片无人机路径规划方法，其特征在于：在所述步骤(201)中，将关于所述叶尖和叶片中心转轴的地理三维坐标变换为关于所述叶尖的直角空间坐标具体包括，

步骤(2011)，通过下面公式(1)和(2)计算获得卯酉圈曲率半径N

在上述公式(1)和(2)中，N为卯酉圈曲率半径，a为地球椭圆的长半轴长度值，b为地球椭圆的短半轴长度值，e为中间参量，B为所述叶尖或者所述叶片中心转轴在地理三维空间中各自对应的纬度值；

步骤(2012)，通过下面公式(3)来实现将所述地理三维坐标变换为所述直角空间坐标

在上述公式(3)中，X、Y、Z为所述直角空间坐标，B、L、H分别为所述叶尖或者所述叶片中心转轴在地理三维空间中各自对应的纬度值、经度值和高程值，N为卯酉圈曲率半径。