基于计算机视觉的无人机定位方法技术

本发明专利技术公开了一种能够在信号阻隔区实现局部精确定位的基于计算机视觉的无人机定位方法。该基于计算机视觉的无人机定位方法将计算机视觉技术和伪相距的测距技术相结合，实现无人机局部精确定位，赋予无人机非通视环境下的作业能力，改变现有无人机只能在通视环境下操控和传输视频的能力，进一步延伸无人机的作业距离和扩展作业条件适应能力，同时，还能够减少无人机对于操控手的依赖，减少人工操控复杂度，让更多的作业任务实现去人化,大大降低由于操控手误操作导致严重后果的风险，增加无人机巡线的安全性，能够大大提升无人机作业智能化水平，这对巡检作业整体水平的提升具有重大现实意义。适合在无人机技术领域推广应用。

Unmanned aerial vehicle positioning method based on computer vision

The invention discloses a UAV positioning method based on computer vision, which can realize localized accurate positioning in a signal barrier area. The UAV positioning method based on computer vision technology and computer vision technology combined with pseudo distance ranging, realize local precise positioning of UAV, UAV with non visibility environment operation ability, the ability to change the existing UAV can only control and transmission of video in the visual environment, further extending the UAV operating distance the operating conditions and the expansion of the ability to adapt, at the same time, also can reduce the dependence on UAV manipulator, reduce artificial manipulation complexity, allow more tasks to realize humanization, greatly reduces the risk control in the hands of misoperation resulting in serious consequences, no increase safety inspection machine, can greatly enhance the UAV intelligent operation the level is of great practical significance to enhance the overall level of inspection work. The utility model is suitable for popularization and application in the drone technical field.

【技术实现步骤摘要】
基于计算机视觉的无人机定位方法
本专利技术涉及无人机
，尤其是一种基于计算机视觉的无人机定位方法。
技术介绍
随着新技术、新方法以及新的管理理念的引入，无人机已逐步得到重视并开始应用于输电线路巡视作业，在一定程度上弥补了传统人工巡视的不足，特别是在高山等人工不易达区域优势更为明显。其中，无人机飞行速度慢，具有定点悬停功能，可对特定巡视目标进行细节观察，有利于缺陷发现。高海拔、低温、无人区等恶劣环境下，输电线路更需要无人机这类空中机器人参与作业，必须自主研发和装备续航能力强、具有自主导航和定位功能、实时视频传输的高端无人机，以更好的解决人员不易达区域的输电线路缺陷发现问题，最大限度的保障输电走廊的稳定和安全。目前，输电线路所在的区域很多都属于信号阻隔区，当无人机飞入这些信号阻隔区后，现有的定位技术不具备非通视条件下巡检作业的能力，并且无法实现精确定位，而且现有的无人机定位技术对于操控手的依赖程度较高，操控手误操作很容易导致严重后果，无人机巡线的安全性较低。
技术实现思路
本专利技术所要解决的技术问题是提供一种能够在信号阻隔区实现局部精确定位的基于计算机视觉的无人机定位方法。本专利技术解决其技术问题所采用的技术方案为：该基于计算机视觉的无人机定位方法，包括以下步骤：S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。进一步的是，在步骤S1中，所述正样本的数量为2000张，所述负样本的数量为2000张。进一步的是，在步骤S1中，所述绝缘子串在图像中的位置信息是指在框出图像中的绝缘子串后所得的矩形坐标，即矩形左上角的顶点坐标和右下角的顶点坐标。进一步的是，在步骤S2中，搭建的卷积神经网络包括依次设置的第一级卷积层、第一级池化层、第二级卷积层、第二级池化层、第三级卷积层、第三级池化层、第四级卷积层、第四层池化层、第五级卷积层、第五级池化层、第一级全连层、第二级全连接层、分类器。进一步的是，所述第一级卷积采用7*7的卷积核，第二级卷积采用5*5的卷积核，第三级卷积采用3*3的卷积核，第四级卷积采用3*3的卷积核，第五级卷积采用3*3的卷积核，所述第一级池化层、第二级池化层、第三级池化层、第四层池化层、第五级池化层均采用最大池化方式。进一步的是，所述第一级卷积层的激活函数、第二级卷积层的激活函数、第三级卷积层的激活函数、第四级卷积层的激活函数、第五级卷积层的激活函数均采用ReLU激活函数。进一步的是，在第一级卷积层的激活函数的ReLU前进行BatchNormalization处理，在第二级卷积层的激活函数的ReLU前进行BatchNormalization处理，在第三级卷积层的激活函数的ReLU前进行BatchNormalization处理，在第四级卷积层的激活函数的ReLU前进行BatchNormalization处理，在第五级卷积层的激活函数的ReLU前进行BatchNormalization处理。进一步的是，所述分类器采用二分类的SVM。进一步的是，在步骤S2中，采用BP算法对卷积神经网络进行训练，所述BP算法分为链式求导和梯度反向传播两个部分，所述梯度反向传播采用Mini-BatchSGD的训练策略，所述Mini-BatchSGD的训练策略如下公式所示：其中w代表第i层的权重，η为学习率，N是批量的大小，L为损失函数，所述损失函数采用softmax函数，所述softmax函数的公式如下所示：其中z为K维的向量，δ(z)为一个K维的向量，其每一个分量的实值在(0,1)之间，并且和为1。进一步的是，在步骤S4中，所述伪相距测距公式如下所述：所述m表示无人机的相机像距的常量,所述S表示无线传输后的接收显示器上显示的待检测视频图像影像大小S，所述L表示待检测的视频图像中绝缘子串的尺寸。本专利技术的有益效果：该基于计算机视觉的无人机定位方法将计算机视觉技术和伪相距的测距技术相结合，实现无人机局部精确定位，赋予无人机非通视环境下的作业能力，改变现有无人机只能在通视环境下操控和传输视频的能力，进一步延伸无人机的作业距离和扩展作业条件适应能力，同时，还能够减少无人机对于操控手的依赖，减少人工操控复杂度，让更多的作业任务实现去人化,大大降低由于操控手误操作导致严重后果的风险，增加无人机巡线的安全性，能够大大提升无人机作业智能化水平，这对巡检作业整体水平的提升具有重大现实意义。附图说明图1为本专利技术所述卷积神经网络结构图；图2、图3、图4分别为三组在不同拍摄角度和尺度下，对同一绝缘子串的检测效果图；图5为同时检测多个玻璃绝缘子串的多目标检测效果图；图6为同时检测多个陶瓷绝缘子串的多目标检测效果图；图7同时检测多个玻璃绝缘子串和多个陶瓷绝缘子串混合情况下的多目标检测效果图。图8为利用卷积神经网络的检测效果图；图9为利用DMP的检测效果图；图10为利用HoG特征和SVM方式的检测效果图；图11为相距的室内测试效果图；图12为相距的室外测试效果。具体实施方式本专利技术所述的基于计算机视觉的无人机定位方法，包括以下步骤：S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。该基于计算机视觉的无人机定位方法将计算机视觉技术和伪相距的测距技术相结合，实现无人机局部精确定位，赋予无人机非通视环境下的作业能力，改变现有无人机只能在通视环境下操控和传输视频的能力，进一步延伸无人机的作业距离和扩展作业条件适应能力，同时，还能够减少无人机对于操控手的依赖，减少人工操控复杂度，让更多的作业任务实现去人化,大大降低由于操控手误操作导致严重后果的风险，增加无人机巡线的安全性，能够大大提升无人机作业智能化水平，这对巡检作业整体水平的提升具有重大现实意义。为了保证卷积神经网络的训练效果，在步骤S1中，所述正样本的数量为2000张，所述负样本的数量为2000张。为了便于识别，在步骤S1中，所述绝缘子串在图像中的位置信息是指在框出图像中的绝缘子串后所得的矩形坐标，即矩形左上角的顶点坐标和右下角的顶点坐标。图像是5维信息，单纯的神经网络把图像拉伸为向量反而丢弃了空间信息，而卷积神经网络通过卷积核以兴趣点为中心的一小块区域，探测上一层特征的局部连接，对其进行过滤和特征强化，更符合图像的二维空间的本质，因而可以学习更有效的特征。离散的卷积可以用如下公式来描述，H(x,y)＝I*K(x,y本文档来自技高网...

【技术保护点】
基于计算机视觉的无人机定位方法，其特征在于包括以下步骤：S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。

【技术特征摘要】
1.基于计算机视觉的无人机定位方法，其特征在于包括以下步骤：S1、利用无人机采集航拍的绝缘子样本图像，分为含绝缘子串的正样本图像和不含绝缘子串的负样本图像，然后对正样本图像进行标注，标注的信息为绝缘子串在图像中的位置信息；S2、搭建卷积神经网络，并对卷积神经网络进行训练得到卷积神经网络的网络参数，并用得到的网络参数对卷积神经网络进行设定；S3、将待检测的视频图像输入步骤S2得到的卷积神经网络检测出待检测视频图像中的绝缘子；S4、利用伪相距的测距公式确定无人机与待测视频图像中绝缘子之间的距离，实现无人机的定位。2.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S1中，所述正样本的数量为2000张，所述负样本的数量为2000张。3.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S1中，所述绝缘子串在图像中的位置信息是指在框出图像中的绝缘子串后所得的矩形坐标，即矩形左上角的顶点坐标和右下角的顶点坐标。4.如权利要求1所述的基于计算机视觉的无人机定位方法，其特征在于：在步骤S2中，搭建的卷积神经网络包括依次设置的第一级卷积层、第一级池化层、第二级卷积层、第二级池化层、第三级卷积层、第三级池化层、第四级卷积层、第四层池化层、第五级卷积层、第五级池化层、第一级全连层、第二级全连接层、分类器。5.如权利要求4所述的基于计算机视觉的无人机定位方法，其特征在于：所述第一级卷积采用7*7的卷积核，第二级卷积采用5*5的卷积核，第三级卷积采用3*3的卷积核，第四级卷积采用3*3的卷积核，第五级卷积采用3*3的卷积核，所述第一级池化层、第二级池化层、第三级池化层、第四层池化层、第五级池化层均采用最大池化方式。6.如权利要求4所述的基于计算机视觉的无人机定位方法，其特征在...

【专利技术属性】
技术研发人员：杨蔚，周辉，杨生兰，杨颖锐，杜毅，伍家红，赵强，
申请(专利权)人：国网四川省电力公司检修公司，
类型：发明
国别省市：四川,51