一种输电线无人机巡检路径优化方法及系统

技术领域

本发明涉及无人机巡检技术领域，具体是一种输电线无人机巡检路径优化方法及系统。

背景技术

无人机执行输电线路巡检任务，受其自身物理性能的约束有些飞行动作和路径无法完成，而且最大巡检距离和时间有限；另一方面不同的巡检任务具有不同的巡检要求。

目前常用的巡检路径规划方法是操作人员逐点计算飞行路径点，然后将这些数据手动输入无人机的导航系统中，计算要求极为精确，如计算中出现差错则会带来安全隐患，这是一项非常繁重的任务

而输电线路巡检系统具有的巡检功能还多集中在对输电线路基础设施本体缺陷的监测，还缺少对输电走廊环境的监测技术研究；输电线路巡检无人机的机载设备主要是光学传感器，这直接限制了无人机输电线路巡检功能的拓展。

因此，亟需一种输电线无人机巡检路径优化方法及系统来解决上述问题。

发明内容

本发明的目的在于提供一种输电线无人机巡检路径优化方法及系统，它能在保证完成巡检任务的前提下，不仅缩短了巡检路径，而且减少采集的照片数，降低了进行人工图像分析与故障识别的难度。

本发明为实现上述目的，通过以下技术方案实现：

一种输电线无人机巡检路径优化方法，包括以下步骤：

S1：采集无人机的电池寿命以及廊道的复杂程度；

S2：根据步骤S1采集到的信息通过遗传算法计算无人机巡检的时间以及巡检覆盖率；

S3：根据步骤S2计算的巡检时间以及巡检覆盖率，输出最短时间以及最大覆盖率。

优选的，所述步骤S2具体为：

S21：获取无人机巡检参数，并将参数编码为染色体；

S22：根据染色体初始化种群信息；

S23：建立适应度函数来评估种群中每个个体的优劣；

S24：根据S22初始化的种群信息以及S23对个体优劣的判断，进行个体选择；

S25：对选择后的个体进行交叉以及变异操作；

S26：设置终止条件以完成遗传算法计算。

优选的，所述无人机参数具体为：无人机巡检的起始位置、结束位置以及中间需要检查的点。

优选的，所述种群由个体组成，其中种群中的每个个体为一种巡检路径以及巡检时间，所述初始化种群具体通过启发式方法来生成。

优选的，所述适应度函数具体为：巡检时间的倒数以及巡检路径的倒数。

优选的，所述步骤S25中的交叉操作具体为：将两个个体的部分基因交换，以生成新的个体；变异操作具体为：随机改变个体的一部分基因，以增加种群的多样性。

优选的，所述设置终止条件具体为：种群中最优个体的适应度已经不再改变。

一种输电线无人机巡检路径优化系统，包括数据采集模块，数据处理模块以及数据输出模块，所述数据采集模块与数据处理模块数据连接，所述数据处理模块与数据输出模块数据连接。

优选的，所述数据采集模块用于：采集无人机的电池寿命以及廊道的复杂程度；所述数据处理模块用于：根据采集到的信息通过遗传算法计算无人机巡检的时间以及巡检覆盖率；所述数据输出模块用于：根据计算的巡检时间以及巡检覆盖率，输出最短时间以及最大覆盖率。

对比现有技术，本发明的有益效果在于：

1、在保证完成巡检任务的前提下，不仅缩短了巡检路径，而且减少采集的照片数，降低了进行人工图像分析与故障识别的难度；

2、规范无人机巡检杆塔的作业流程，提高巡检效率和效果。

附图说明

图1是本发明的方法流程图。

图2是本发明的遗传算法流程图。

图3是本发明的系统结构示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

实施例1：一种输电线无人机巡检路径优化方法

如图1所示，具体包括以下步骤：

S1：采集无人机的电池寿命以及廊道的复杂程度；

S2：根据步骤S1采集到的信息通过遗传算法计算无人机巡检的时间以及巡检覆盖率；

S3：根据步骤S2计算的巡检时间以及巡检覆盖率，输出最短时间以及最大覆盖率。

其中，步骤2中涉及通过遗传算法对无人机巡检的时间以及巡检覆盖率进行计算，如图2所示，具体包括以下步骤：

S21：获取无人机巡检参数，并将参数编码为染色体；

S22：根据染色体初始化种群信息；

S23：建立适应度函数来评估种群中每个个体的优劣；

S24：根据S22初始化的种群信息以及S23对个体优劣的判断，进行个体选择；

S25：对选择后的个体进行交叉以及变异操作；

S26：设置终止条件以完成遗传算法计算。

其中，所述无人机参数具体为：无人机巡检的起始位置、结束位置以及中间需要检查的点；所述种群由个体组成，其中种群中的每个个体为一种巡检路径以及巡检时间；所述初始化种群具体通过启发式方法来生成，所述适应度函数具体为：巡检时间的倒数以及巡检路径的倒数；所述步骤S24中进行个体选择常见的选择方法有轮盘赌选择、锦标赛选择等；所述步骤S25中的交叉操作具体为：将两个个体的部分基因交换，以生成新的个体，常见的交叉方法有单点交叉、多点交叉等；变异操作具体为：随机改变个体的一部分基因，以增加种群的多样性常见的变异方法有随机变异、均匀变异等；所述设置终止条件具体为：种群中最优个体的适应度已经不再改变，一旦遗传算法收敛，即可从最优的个体中解码出最佳的巡检路径。

实施例2：一种输电线无人机巡检路径优化系统

如图3所示，包括数据采集模块，数据处理模块以及数据输出模块，所述数据采集模块与数据处理模块数据连接，所述数据处理模块与数据输出模块数据连接。

所述数据采集模块用于：采集无人机的电池寿命以及廊道的复杂程度；所述数据处理模块用于：根据采集到的信息通过遗传算法计算无人机巡检的时间以及巡检覆盖率；所述数据输出模块用于：根据计算的巡检时间以及巡检覆盖率，输出最短时间以及最大覆盖率。