【技术实现步骤摘要】
本申请涉及无人机的控制，具体而言，涉及一种无人机巡检智能控制系统、无人机的控制方法、装置和系统。
技术介绍
1、无人驾驶飞机简称“无人机”，英文缩写为“uav”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。
2、现有的无人机控制系统在运行时缺乏精细化控制和避障技术，在巡检时存在安全隐患，可靠性和安全性不佳，不便于快速识别目标、优化路径规划。
技术实现思路
1、本申请的主要目的在于提供一种无人机巡检智能控制系统、无人机的控制方法、装置和系统，以至少解决现有的无人机控制方法在运行时缺乏精细化控制和避障技术，在巡检时存在安全隐患的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种无人机巡检智能控制系统，无人机巡检智能控制系统包括：
3、控制器模块，用于控制和管理所述无人机巡检智能控制系统的运行，所述无人机的控制系统的运行包括任务调度、路径规划和飞行控制；
4、传感器模块，包括摄像头、红外线传感器、气体浓度传感器和雷达，所述传感器模块用于采集环境数据；
5、数据处理模块，用于对所述摄像头、所述红外线传感器、所述气体浓度传感器和所述雷达采集到的环境数据进行处理和分析，提取目标信息，并至少对所述环境数据中的摄像头的采集图像进行预处理，得到修改后的环境数据，提取目标信息的过程包括识别目标和检测异常；
6、轻量化模型模块，用于采用轻量化模型，对所述修改后的环境
7、避障算法模块，用于采用避障算法和人工智能技术，对所述环境数据中的所述雷达的采集信息进行处理，以调整所述无人机的飞行高度，或者调整所述无人机的飞行轨迹，以避开障碍物；
8、控制指令模块，用于将所述轻量化模型模块和所述避障算法模块处理后的信息传输至无人机，控制所述无人机执行相应的巡检任务，所述巡检任务包括飞行路径、速度和拍摄角度。
9、根据本申请的另一方面，提供了一种无人机的控制方法，该方法包括：
10、接收传感器模组发送的环境数据，并至少对所述环境数据中的摄像头的采集图像进行预处理，得到修改后的环境数据，所述传感器模组包括摄像头、红外线传感器、雷达和气体浓度传感器，所述预处理包括滤波处理、图像对比度处理和图像亮度处理；
11、采用轻量化模型，对所述修改后的环境数据进行处理，以优化无人机的飞行路径，和/或，优化所述无人机的飞行速度，所述轻量化模型包括基于深度学习算法得到的卷积神经网络或循环神经网络的模型；
12、采用避障算法和人工智能技术，对所述环境数据中的所述雷达的采集信息进行处理，以调整所述无人机的飞行高度，或者调整所述无人机的飞行轨迹，以避开障碍物。
13、可选地，至少对所述环境数据中的摄像头的采集图像进行预处理，得到修改后的环境数据，包括：
14、对所述环境数据中的所述摄像头的所述采集图像中的图像像素值进行滤波处理，得到滤波图像；
15、对所述滤波图像进行图像对比度处理和图像亮度处理，得到优化图像；
16、采用所述优化图像更新所述环境数据中的所述摄像头的所述采集图像，得到所述修改后的环境数据。
17、可选地，对所述环境数据中的所述摄像头的所述采集图像中的像素值进行滤波处理，得到滤波图像，包括：
18、根据[i(x,y)＝\frac{1}{2\pi\sigma2}e^{－\frac{x2+y2}{2\sigma2}}*k(x,y)]，
19、确定滤波后的像素值，其中，i(x,y)表示滤波后的像素值，\sigma为高斯核的标准差，k(x,y)为像素点的邻域，\frac{1}{2\pi\sigma2}表示{1}除以{2\pi\sigma2}，pi为常数π。
20、可选地，对所述滤波图像进行图像对比度处理和图像亮度处理，得到优化图像，包括：
21、根据[o＝i
imes\alpha+\beta]，确定所述优化图像；
22、其中，o为所述优化图像，i为所述滤波图像，\alpha为对比度增益，\beta为亮度增益。
23、可选地，采用轻量化模型，对所述修改后的环境数据进行处理，以优化无人机的飞行路径，和/或，优化所述无人机的飞行速度，包括：对所述修改后的环境数据中的所述红外线传感器、所述雷达和所述气体浓度传感器采集的连续时间的信号进行处理，得到采样后的离散时间信号在时间索引为n时的数值；将所述采样后的离散时间信号在时间索引为n时的数值进行量化处理，得到量化后的信号；采用量化后的信号对修改后的环境数据进行更新，得到优化环境数据；采用基于深度学习算法得到的卷积神经网络或循环神经网络的模型，对所述优化环境数据进行处理，以优化所述无人机的所述飞行路径，和/或，优化所述无人机的所述飞行速度。
24、可选地，对所述修改后的环境数据中的所述红外线传感器、所述雷达和所述气体浓度传感器采集的连续时间的信号进行处理，得到采样后的离散时间信号在时间索引为n时的数值，包括：
25、根据x[n]＝x_c(n\cdott_s)，确定所述采样后的离散时间信号在时间索引为n时的数值；
26、其中，x_c()表示连续时间的信号，n表示采样索引，x[n]表示采样后的离散时间信号在时间索引为n时的数值，\cdott_s表示采样时间间隔。
27、可选地，将所述采样后的离散时间信号在时间索引为n时的数值进行量化处理，得到量化后的信号，包括：确定比例因子为所述采样后的离散时间信号在时间索引为n时的数值与量化步长的比值；将所述比例因子化简为一个整数，得到比例因子整数；确定所述量化后的信号为所述比例因子整数与所述量化步长的乘积。
28、根据本申请的另一方面，提供了一种无人机的控制装置，该装置包括：
29、接收单元，用于接收传感器模组发送的环境数据，并至少对所述环境数据中的摄像头的采集图像进行预处理，得到修改后的环境数据，所述传感器模组包括摄像头、红外线传感器、雷达和气体浓度传感器，所述预处理包括滤波处理、图像对比度处理和图像亮度处理；
30、第一处理单元，用于采用轻量化模型，对所述修改后的环境数据进行处理，以优化无人机的飞行路径，和/或，优化所述无人机的飞行速度，所述轻量化模型包括基于深度学习算法得到的卷积神经网络或循环神经网络的模型；
31、第二处理单元，用于采用避障算法和人工智能技术，对所述环境数据中的所述雷达的采集信息进行处理，以调整所述无人机的飞行高度，或者调整所述无人机的飞行轨迹，以避开障碍物。
32、根据本申请的另一方面，提供了一种无人机的控制系统，无人机的控制系统包括：一个或多个处理器，存储器，以及一个或多个程序，其本文档来自技高网...
【技术保护点】
1.一种无人机巡检智能控制系统，其特征在于，包括：
2.一种无人机的控制方法，其特征在于，包括：
3.根据权利要求2所述的方法，其特征在于，至少对所述环境数据中的摄像头的采集图像进行预处理，得到修改后的环境数据，包括：
4.根据权利要求3所述的方法，其特征在于，对所述环境数据中的所述摄像头的所述采集图像中的像素值进行滤波处理，得到滤波图像，包括：
5.根据权利要求3所述的方法，其特征在于，对所述滤波图像进行图像对比度处理和图像亮度处理，得到优化图像，包括：
6.根据权利要求2所述的方法，其特征在于，采用轻量化模型，对所述修改后的环境数据进行处理，以优化无人机的飞行路径，和/或，优化所述无人机的飞行速度，包括：
7.根据权利要求6所述的方法，其特征在于，对所述修改后的环境数据中的所述红外线传感器、所述雷达和所述气体浓度传感器采集的连续时间的信号进行处理，得到采样后的离散时间信号在时间索引为n时的数值，包括：
8.根据权利要求6所述的方法，其特征在于，将所述采样后的离散时间信号在时间索引为n时的数值进
9.一种无人机的控制装置，其特征在于，包括：
10.一种无人机的控制系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求2至8中任意一项所述的无人机的控制方法。
...【技术特征摘要】
1.一种无人机巡检智能控制系统，其特征在于，包括：
2.一种无人机的控制方法，其特征在于，包括：
3.根据权利要求2所述的方法，其特征在于，至少对所述环境数据中的摄像头的采集图像进行预处理，得到修改后的环境数据，包括：
4.根据权利要求3所述的方法，其特征在于，对所述环境数据中的所述摄像头的所述采集图像中的像素值进行滤波处理，得到滤波图像，包括：
5.根据权利要求3所述的方法，其特征在于，对所述滤波图像进行图像对比度处理和图像亮度处理，得到优化图像，包括：
6.根据权利要求2所述的方法，其特征在于，采用轻量化模型，对所述修改后的环境数据进行处理，以优化无人机的飞行路径，和/或，优化所述无人机的飞行速度，包括：
【专利技术属性】
技术研发人员：李海，梁财源，陈永钦，冉杨，王彩强，詹雄铿，程永盛，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。