面向土地整治图斑监测的无人机航飞路径优化算法制造技术

本发明专利技术公开面向土地整治图斑监测的无人机航飞路径优化算法，主要步骤包括：航飞点提取、初始化种群、计算种群适应度、遗传操作、迭代并输出结果。本发明专利技术面向具有分布零散、形态各异等特征的土地整治图斑影像采集问题，基于无人机硬件参数模拟像片分布并提取航飞点，设计一种顾及贪心机制的遗传算法，高效解算航飞点编码最佳排序，实现无人机航飞路线规划，可显著提升无人机监测效率，节省无人机航飞时间、减少航片采集数量、减轻数据存储压力，在自然资源等领域的无人机监测场景中具有较好的应用价值。应用价值。应用价值。

UAV flight path optimization algorithm for land remediation map spot monitoring

【技术实现步骤摘要】
面向土地整治图斑监测的无人机航飞路径优化算法


[0001]本专利技术属于无人机航线规划
，具体涉及面向土地整治图斑监测的无人机航飞路径优化算法。

技术介绍

[0002]无人机作为集成了高空拍摄、遥控、遥测技术、视频影像微波传输和计算机信息处理的新型仪器，可以快速获取高分辨率影像，广泛应用于航拍、农业、植保、应急救援、测绘等多个领域。将无人机应用于自然资源监测，可有效弥补卫星监测时空分辨率不足、塔基监测覆盖范围有限、地面巡查监测高度依赖于人工的弊端，可实现“看得快、看得清、看得准”，提高自然资源监测效率。
[0003]传统的航线规划是呈“S”型路线，其规划过程是由明确航测范围
‑
确认航向以及旁向重叠度
‑
确认航高
‑
规划航线，适用于航测范围内都需观测到的情况。但其面向混合形态的自然资源调查图斑，如：延道路分布的狭长型工矿废弃地土地整治项目图斑、零星状分布的村庄居民点复垦土地整治项目图斑、零星状分布的疑似违法建设用地图斑、大面积覆盖的工业用地出让建设项目图斑等，常出现漏检、冗余、覆盖不全、航迹设置不合理情况。
[0004]为此，国内外学者针对无人机航迹规划问题开展了大量研究工作，例如采用K
‑
means算法和模拟退火算法对多条件下的多任务多无人机进行航迹规划，增加巡航有效区域中子目标区域的覆盖范围，采用层次定向动态规划解决动态规划在特殊地形环境的适用性和算法复杂性问题，提高计算效率，设计贪心MB
‑
RRT*算法，通过牺牲一定的航迹质量，提高无人机航迹规划问题的速度和节省飞行时间等。

技术实现思路

[0005]专利技术目的：本专利技术旨在基于无人机硬件参数模拟像片分布并提取航飞点，设计一种顾及贪心机制的遗传算法，高效解算航飞点编码最佳排序，实现无人机航飞路线规划，从而优化解决具有分布零散、形态各异等特征的土地整治图斑影像采集问题，提高监测效率，减少采集时间，节约存储空间。
[0006]技术方案：本专利技术的面向土地整治图斑监测的无人机航飞路径优化算法，包括如下步骤：
[0007]步骤1航飞点提取：输入待监测图斑、种群规模size、遗传概率ga_choose_ratio、变异概率ga_mutate_ratio、迭代次数t。设计一种面向混合形态土地整治图斑航飞点提取方法，在图斑监测区域范围内，选取数量最少、位置分布均匀、合理的骨架点，作为无人机飞行的航飞点，记航飞点数目为n。
[0008]步骤2种群初始化：根据航飞点坐标计算各航飞点之间距离，组成距离矩阵D。对于任一航飞点SP
i
(i＝1,2,
…
,n)，以SP
i
作为当前航线L
i
的起点，利用贪心机制，生成的所有航线L1，L2，
…
,L
size
的集合，遗传算法的初始种群。
[0009]步骤3计算种群适应度：对于任一种群个体L
i
(i＝1,2,
…
,n)，将L
i
的航飞路线距离
的倒数作为其适应度的评价值，记为A
i
。A
i
值越大，其适应度越高，反之则适应度越低。
[0010]步骤4获取父辈种群：将原种群个体按照适应度评价值A
i
按照从大到小的顺序进行排列，筛选前p_size个个体，作为下一代遗传算法的父辈种群。
[0011]步骤5遗传操作：基于步骤5获取的父辈种群，经size次随机选择、交叉、变异、遗传的过程，产生size个基因优良的子代个体，进入下一代种群。
[0012]步骤6迭代并输出结果：重复进行步骤3至步骤5的操作，直至达到预设的遗传迭代次数t，经适应度评价值的计算与比较，获得并输出最佳航飞点序列，即无人机最佳航飞路线。
[0013]进一步的，所述步骤1中，采用的面向混合形态自然资源监测图斑航飞点提取方法，具体步骤如下：
[0014]步骤1.1：根据无人机芯片宽度a、焦距f及航高h计算无人机所拍摄一张像片所对应的地面大小b，参见公式(1)。
[0015][0016]步骤1.2：根据参数b对自然资源监测图斑区域模拟无人机飞行时所拍摄的像片，将像片组成面图层。
[0017]步骤1.3：用自然资源监测图斑对步骤1.2所得面图层做空间筛选，筛选能完全覆盖且拍摄面积较小的面。
[0018]步骤1.4：提取步骤1.3所得面的质心点，即为航飞点。
[0019]进一步的，所述步骤2中，以贪心机制流程如下：先建立两个集合S、V
‑
S，S集合中加入起点和终点，将需要遍历的航飞点存入V
‑
S中，从V
‑
S中选出离起点最近的点将其加入集合S中，并将该点从V
‑
S中移除，不断循环，直至遍历完所有航飞点，得到最后的集合S。
[0020]进一步的，所述步骤3中，对于任一种群个体Li，Li的实质是n个航飞点的排列集合S，计算其适应度的评价值Fi，参见公式(2)。
[0021][0022]其中，d为航线L
i
中相邻航飞点之间的距离。
[0023]进一步的，所述步骤4中，计算父辈种群的个体数量p_zize，参见公式(3)。
[0024]p_size＝n
×
ga_choose_rate
ꢀꢀꢀ
公式(3)
[0025]进一步的，所述步骤5中，基于步骤4所得的父辈种群，经size次随机选择、交叉、变异过程，获得size个基因优良的子代个体，进入下一代种群。具体操作步骤如下：
[0026]步骤5.1选择：计算原种群中每个个体被选中的概率P
i
，采用轮盘赌选择法，随机选择2个个体，分别记为gene_x、gene_y。其中，任一个体被选中的概率P
i
的计算可参见公式(4)。
[0027][0028]步骤5.2交叉：基于个体gene_x、gene_y，利用两点交叉方法交换两者之间的部分染色体(航飞点排列片段)，并对其中的部分冲突基因进行基因交换，确保无冲突基因，以此产生候选子代种群个体，分别记为gene_x_new、gene_y_new。
[0029]步骤5.3变异：基于预设的变异概率ga_mutate_ratio，分别对gene_x_new、gene_
y_new进行选择基因位(航飞点点位)变异，即对变异染色体进行部分片段的颠倒。
[0030]步骤5.4产生子代：重新评价gene_x_new、gene_y_new的适应度，经比较，将适应度评价值高的个体加入到下一代种群。
[0031]步骤5.5重复步骤5.1至步骤5.4，直至下一代种群个体数量达到预设规模size。
[0032]有益效果：与现有技术相比，本专利技术具有以下优点：
[0033](1)本专利技术在传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向土地整治图斑监测的无人机航飞路径优化算法，其特征在于：该方法面向零散分布且形态不一的图斑，顾及贪心机制生成初始化种群，减少后续遗传算法的盲目搜索，通过遗传算法多次迭代计算，在提高效率的同时，获得无人机航线最优解。包括如下步骤：步骤1航飞点提取：输入待监测图斑、种群规模size、遗传概率ga_choose_ratio、变异概率ga_mutate_ratio、迭代次数t。设计一种面向混合形态土地整治图斑航飞点提取方法，在图斑监测区域范围内，选取数量最少、位置分布均匀、合理的骨架点，作为无人机飞行的航飞点，记航飞点数目为n。步骤2种群初始化：根据航飞点坐标计算各航飞点之间距离，组成距离矩阵D。对于任一航飞点SP
i
(i＝1,2,
…
,n)，以SP
i
作为当前航线L
i
的起点，利用贪心机制，生成的所有航线L1，L2，
…
,L
size
的集合，遗传算法的初始种群。步骤3计算种群适应度：对于任一种群个体L
i
(i＝1,2,
…
,size)将L
i
的航飞路线距离的倒数作为其适应度的评价值，记为A
i
。A
i
值越大，其适应度越高，反之则适应度越低。步骤4获取父辈种群：将原种群个体按照适应度评价值A
i
按照从大到小的顺序进行排列，筛选前p_size个个体，作为下一代遗传算法的父辈种群。步骤5遗传操作：基于步骤5获取的父辈种群，经size次随机选择、交叉、变异的过程，产生size个基因优良的子代个体，进入下一代种群。步骤6迭代并输出结果：重复进行步骤3至步骤5的操作，直至达到预设的遗传迭代次数t，经适应度评价值的计算与比较，获得并输出最佳航飞点序列，即无人机最佳航飞路线。2.根据权利要求1所述的面向土地整治图斑监测的无人机航飞路径优化算法，其特征在于：所述步骤1中，采用的面向混合形态自然资源监测图斑航飞点提取方法，具体步骤如下：步骤1.1：根据无人机芯片宽度a、焦距f及航高h计算无人机所拍摄一张像片所对应的地面大小b，参见公式(1)。步骤1.2：根据参数b对自然资源监测图斑区域模拟无人机飞行时所拍摄的像片，将像片组成面图层。步骤1.3：用自然资源监测图斑对步骤1.2所得面图层做空间筛选，筛选能完全覆盖且拍摄面积较小的面。步骤1...

【专利技术属性】
技术研发人员：张毅，陈慧玲，周鑫鑫，戚知晨，
申请(专利权)人：江苏省国土资源动态监测中心，
类型：发明
国别省市：