[发明专利]一种基于智能视觉控制的无人机云台渐进式目标对焦方法

说明书

本发明一种基于智能视觉控制的无人机云台渐进式目标对焦方法，属于目标对焦、深度学习及无人机云台控制技术领域；所要解决的技术问题为：提供一种无人机云台渐进式目标对焦方法的改进；解决上述技术问题采用的技术方案为：获取输电线路图像样本数据库；构建设备检测数据集和部件缺陷数据集；构建基于YOLOv5和SSPNet的目标检测双模型并进行模型训练；通过无人机获取输电线路真实场景的图像数据流；在实时真实场景图像数据流输入后，分时自动调用两个检测模型并将目标信息传输至无人机云台渐进式目标对焦模块；在获取到目标边框大小、坐标与云台姿态信息后保存，将目标参数传输到核心算法模块进行计算，实现渐进式相机对焦与云台控制；本发明应用于无人机。

技术领域

本发明一种基于智能视觉控制的无人机云台渐进式目标对焦方法，属于无人机云台渐进式目标对焦方法技术领域。

背景技术

近年来，我国的电网设施不断扩建、系统逐步扩容，传统的人工巡检方式已经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量，国内各电网公司已经逐步开展无人机对输电线路的巡检作业研究。无人机巡检虽然在很大程度上提高了巡检的效率，降低了巡检成本以及减少了野外作业的风险，但是在巡检过程中会生成海量的关于输电线路部件的图像数据，数据过多难以存储，智能化低无法自动筛选关键数据，如果通过人工的方式对这些数据进行辨识也是一项巨大的工程。因此，提出一种基于智能视觉控制的输电线路部件缺陷目标对焦方法在电力线路设备检测中具有重要的理论意义和应用价值。

针对无人机捕获的大尺度图像检测感兴趣的物体目标，由于物体目标多、尺度小，这非常具有挑战性。随着深度学习技术在计算机视觉以及人机交互等领域惊人的性能提升，给工业场景应用人工智能技术解决实际生产问题提供了理论和工程依据。深度学习不仅仅只是一种算法的升级，更是一种全新的思维模式。利用深度学习技术使得数据获取和预测的精度大大提高，但大量实验说明，深度学习模型需要借助庞大算力支持，导致在云端难以开展实时的输电设备异常检测和定位，且目标数量和大小的细微区别会极大程度上对模型性能和算法结构产生影响。因此，本发明主要研究在前端针对输电设备及缺陷的目标检测算法，基于轻量、实时及高精度的基础上，采用多目标设备部件与小目标细节缺陷双目标检测模型进行智能视觉控制，实现实时输电线路无人机云台渐进式目标对焦。

针对感兴趣目标对焦，现有的无人机云台设备和方法大多按照预先设置或者人为控制的位置和角度进行对焦和拍照，这种方法的智能化水平低，需要的人工成本仍然非常高。此外，另一种方法采用目标识别跟踪方法，对感兴趣缺陷目标进行对焦与获取，但这种方法的稳定性低，当遇到目标区域内背景环境复杂、设备目标数量较多时，识别跟踪对焦方法的准确性低且易遗漏设备缺陷图像并产生“脏数据”。为解决以上问题，本发明自主设计无人机云台渐进式目标对焦方法，利用双模型视觉控制模块捕获到的大小部件与缺陷信息，渐进式伸缩相机焦距并调整云台俯仰角和水平偏航角，直至将细节缺陷进行对焦与保存，全过程实现了自动化与智能化，只需要人工控制无人机到达距目标区域10m左右的基准坐标便可以捕获区域内全部设备缺陷。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于智能视觉控制的无人机云台渐进式目标对焦方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于智能视觉控制的无人机云台渐进式目标对焦方法，包括如下步骤：

步骤一：获取输电线路图像样本数据库；

步骤二：对步骤一中的图像样本数据库中图像进行标注，构建设备检测数据集和部件缺陷数据集；

步骤三：构建基于YOLOv5和SSPNet的目标检测双模型并通过数据集进行模型训练，得到训练好的双检测模型；

步骤四：通过具有相机云台的无人机获取输电线路真实场景的图像数据流；