技术领域
[0001] 本说明书涉及直升机电力巡检领域，特别涉及一种智能电力巡检方法和系统。
相关背景技术
[0002] 目前，电力巡检设备主要包括巡检载体和应用装置，其中巡检载体可以是无人机及相关系统、巡检机器人、巡检直升机等，应用装置包括激光雷达、VR装置、红外+光学成像装置、导航定位系统等。但面对复杂地形、复杂环境的情况，现有巡检载体及应用装置很难保证采集数据的精确度。
[0003] 针对电力检测准确度较低的问题，CN111563973A提供了一种直升机电力巡检系统、巡检方法及计算机可读存储介质，通过预测模型对电力负荷结果进行预测，并根据电力负荷预测结果进行预警，虽然做到智能化地分析电力负荷情况，但仍未涉及保证装置稳定性、提升故障隐患的判定结果准确性。
[0004] 因此，期望提供一种智能电力巡检设备与方法，以保证在复杂地形、复杂环境中，直升机连续巡检时的巡检精度，提高巡检适应性，减少数据后期处理工作，提高效率。
具体实施方式
[0009] 为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0010] 应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0011] 如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0012] 本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0013] 图1是根据本说明书一些实施例所示的智能电力巡检设备的结构示意图。
[0014] 在一些实施例中，参见图1，智能电力巡检设备100可以包括飞行载具120、传感部件140、稳定器170、挂载舱130、清理模块150、角度调整模块160、旋转轴180以及处理器110。传感部件140至少可以包括激光扫描部件141、成像装置142以及导航定位部件143。
[0015] 飞行载具120可以指能够承载设备的飞行装置，例如，无人机等。在一些实施例中，飞行载具120可以承吊挂载舱130，飞行载具120可以用于在处理器110的控制下，进行飞行并承载挂载舱130等。
[0016] 挂载舱130可以指能够悬挂于飞行载具上、并承载设备的部件。在一些实施例中，挂载舱130可以容纳有传感部件140、清理模块150等，并悬挂在飞行载具120上，其上有旋转轴，可以搭载一定质量物体。
[0017] 传感部件140可以指能够采集、监测数据信息的部件。在一些实施例中，传感部件140可以用于采集传感信息。关于传感信息的更多内容可以参见图2及其相关描述。
[0018] 在一些实施例中，传感部件140可以包括采集设备(图1中未示出)和监测设备(图1中未示出)。
[0019] 采集设备可以指在飞行巡检中采集信息的设备。在一些实施例中，采集设备可以包括激光扫描部件141，成像装置142。其中，激光扫描部件141可以指可以利用激光进行扫描获取信息的设备，例如，激光雷达等。激光扫描部件141可以用于获取激光点云图像。成像装置142可以指可以进行成像的设备，例如，相机组（高清相机+摄像机+常规相机）、红外热像仪等。成像装置142可以用于获取红外温度图谱、光学图像等。
[0020] 监测设备可以指在飞行巡检中进行数据监测的设备。在一些实施例中，监测设备可以包括导航定位部件143和监测模块(图1中未示出)。其中，导航定位模块可以指对地理位置进行定位的部件，例如，GPS定位模块等。监测模块可以用于获取监测数据。关于监测数据的更多内容可以参见图2及其相关描述。
[0021] 稳定器170可以指在移动过程中，使承载设备在一定晃动范围内保持稳定的装置，例如陀螺仪等。稳定器170可以用于在移动过程中，在一定晃动范围内保证传感部件140静止。
[0022] 旋转轴180可以指能够进行旋转的轴部件。在一些实施例中，旋转轴180可以用于连接挂载舱130和飞行载具120，并在一定角度范围内进行旋转。
[0023] 处理器110可以指具有计算功能的装置。处理器110可以处理从其他单元或装置组成部分中获得的数据和/或信息。处理器110可以基于这些数据、信息和/或处理结果执行程序指令，以执行本申请中描述的一个或以上的功能。
[0024] 在一些实施例中，处理器110可以用于基于至少一个待巡检目标的地理坐标，确定飞行巡检基础路线等。具体说明可以参见图2。
[0025] 通过本说明书的一些实施例所述的智能电力巡检设备，可以实现智能化规划巡检路径，分析传感数据并进行相关参数的调整，保证了在复杂地形、复杂环境中，直升机连续巡检时的巡检精度及数据精度，提高巡检适应性，减少数据后期处理工作，提高效率。
[0026] 在一些实施例中，智能电力巡检设备100还包括清理模块150。清理模块150可以用于清理传感部件的相关设备，例如，清理模块150可以用于清理成像装置的镜头。关于清理模块的更多内容可以参见图2及其相关描述。
[0027] 通过本说明书的一些实施例所述的智能电力巡检设备还包括清理模块，基于监测数据控制清理模块清理传感部件的镜头，可以根据环境情况及时对传感部件进行清理，保证成像及扫描的画面清晰度。
[0028] 在一些实施例中，智能电力巡检设备100还包括角度调整模块160。角度调整模块160可以用于对传感部件的倾角进行调整。关于角度调整模块160的更多内容可以参见图2及其相关描述。
[0029] 通过本说明书的一些实施例所述的智能电力巡检设备包括角度调整模块，基于传感信息，确定成像设备最佳倾角，可以保证成像设备获取数据的有效性，防止光学图像过度曝光等情况发生，减少无效数据。
[0030] 图2是根据本说明书一些实施例所示的智能电力巡检方法的示例性流程图。在一些实施例中，流程200可以由处理器执行。如图2所示，流程200包括以下步骤。
[0031] 步骤210，基于至少一个待巡检目标的地理坐标，确定飞行巡检基础路线。
[0032] 待巡检目标可以指需要进行电力巡检的目标对象。例如，某一输电线路等。
[0033] 飞行巡检基础路线可以指初步确定的智能电力巡检设备飞行巡检的路线。在一些实施例中，飞行巡检基础路线可以包括巡检路径、巡检时间、巡检高度等。
[0034] 在一些实施例中，处理器可以基于至少一个待巡检目标的地理坐标，通过多种方式确定飞行巡检基础路线。例如，处理器可以将至少一个待巡检目标的地理坐标输入机器学习模型，输出确定飞行巡检基础路线。
[0035] 步骤220，基于飞行巡检基础路线生成基础控制指令，控制飞行载具飞行以及进行传感信息的采集。
[0036] 基础控制指令可以指初步确定的控制指令。例如，基础控制指令可以包括飞行控制指令和采集控制指令，其中，飞行控制指令可以包括飞行速度控制指令、飞行高度控制指令等，采集控制指令可以包括采集时间控制指令、采集设备控制指令等。
[0037] 在一些实施例中，处理器可以基于飞行巡检基础路线直接生成基础控制指令。例如，处理器可以基于飞行巡检基础路线中的巡检高度生成飞行高度控制指令。
[0038] 传感信息可以指飞行巡检时采集、检测到的相关数据信息。例如，传感信息可以包括采集数据和监测数据，其中，采集数据可以包括激光点云数据、光学图像、红外温度图谱等，监测数据可以包括定位数据（如地理坐标等）、环境数据（如温度、湿度、风向等）、飞行载具飞行数据（如飞行水平倾角、飞行垂直倾角、飞行高度等）、光照数据（如光照角度、光照强度等）。
[0039] 在一些实施例中，处理器可以向飞行载具及传感部件下发基础控制指令，控制飞行载具飞行以及进行传感信息的采集。
[0040] 在一些实施例中，处理器可以基于传感信息，确定对故障隐患的判定结果，响应于满足预设预警条件，将判定结果以及巡检信息回传至远端控制中心。具体说明参见图3及其相关描述。
[0041] 在一些实施例中，处理器可以基于监测数据，通过多种方式控制清理模块清理传感部件的镜头。例如，处理器可以基于监测数据，通过预设规则控制清理模块清理传感部件的镜头。预设规则可以根据经验设定。例如，预设规则可以为监测数据中环境湿度超过预设湿度阈值时，下发清理镜头指令至清理模块，进行传感部件的镜头清理。
[0042] 在一些实施例中，处理器可以基于传感信息，通过多种方式确定成像设备的最佳倾角。最佳倾角可以指成像设备可以拍摄到精度较高的图像时的倾角。例如，处理器可以基于传感信息中的光照角度和强度，通过预设数据对照表确定成像设备的最佳倾角。预设数据对照表中记录有不同的光照角度和强度及其对应的成像设备的最佳倾角。预设数据对照表可以基于历史数据预设获取。确定成像设备的最佳倾角后，处理器可以下发指令至角度调整模块进行倾角调整。
[0043] 在一些实施例中，步骤220可以包括步骤221和步骤222。
[0044] 步骤221，修正基础控制指令，确定修正控制指令，并基于修正控制指令控制飞行载具飞行以及进行传感信息的采集。
[0045] 修正控制指令可以指对基础控制指令进行修正后确定的控制指令。
[0046] 在一些实施例中，处理器可以通过多种方式修正基础控制指令，确定修正控制指令。例如，处理器可以获取人工输入修正基础控制指令，确定修正控制指令。
[0047] 在一些实施例中，处理器可以向飞行载具及传感部件下发修正基础控制指令，控制飞行载具飞行以及进行传感信息的采集。
[0048] 在一些实施例中，处理器可以基于传感信息，确定对故障隐患的判定结果。关于基于传感信息，确定对故障隐患的判定结果的更多内容可以参见图3及其相关描述。
[0049] 步骤222，响应于故障隐患的判定结果满足预设预警条件，将判定结果以及巡检信息回传至远端控制中心。
[0050] 故障隐患可以指飞行巡检过程中可能出现的故障。判定结果可以指对故障隐患进行判断后获取的结果。例如，判定结果可以是存在故障隐患A。
[0051] 在一些实施例中，处理器可以通过多种方式确定故障隐患的判定结果。例如，处理器可以获取用户输入确定故障隐患的判定结果。关于更多确定故障隐患的判定结果的内容可以参见图3及其相关描述。
[0052] 预设预警条件可以指预先设定的用于进行故障警示的条件。例如，预设预警条件可以是存在2个及以上故障隐患。
[0053] 在一些实施例中，处理器可以将故障隐患的判定结果与预设预警条件进行对比，若故障隐患的判定结果符合预设预警条件，则将判定结果以及巡检信息回传至远端控制中心。
[0054] 在一些实施例中，处理器可以将判定结果以及巡检信息通过多种方式回传至远端控制中心。例如，处理器可以通过无线电传输、运营商网络传输等方式回传至远端控制中心。
[0055] 巡检信息可以指与飞行巡检相关的数据信息。在一些实施例中，巡检信息可以包括传感信息、故障警示信息、故障警示信息的置信度等。处理器可以通过传感部件获取传感信息，通过第一故障判断模型确定故障警示信息、故障警示信息的置信度。关于故障警示信息和置信度的更多内容可以参见图4及其相关描述。
[0056] 远端控制中心可以指远程控制智能电力巡检设备的工作中心，例如，电力管理中心等。
[0057] 通过本说明书的一些实施例所述的基于待巡检目标的地理坐标，确定飞行巡检基础路线，生成并修正基础控制指令，可以确定较为准确的控制指令，持续进行精确的飞行和信息采集，减少数据后期处理工作，提高效率；响应于故障隐患的判定结果满足预设预警条件，回传判定结果以及巡检信息，可以基于获取的信息进行智能化分析，根据实际情况不断调整巡检进程，有效判定故障隐患的存在及相关信息，便于相关人员及时处理，图3是根据本说明书一些实施例所示的控制飞行载具飞行以及进行传感信息的采集的示例性流程图。在一些实施例中，流程300可以由处理器执行。如图3所示，流程300包括以下步骤。
[0058] 步骤310，基于传感信息，确定飞行参数。
[0059] 飞行参数可以指与飞行载具飞行相关的数据。例如，飞行高度等。
[0060] 在一些实施例中，飞行参数至少可以包括飞行巡检修正路线以及飞行速度。
[0061] 飞行巡检修正路线可以指对飞行巡检基础路线进行修正后确定的飞行巡检路线。例如，修正后的巡检路径、巡检时间、巡检高度等。关于飞行巡检基础路线的更多内容可以参见图2及其相关描述。
[0062] 飞行速度可以包括飞行载具飞行的水平速度、升降速度、转向角速度等。
[0063] 在一些实施例中，处理器可以基于传感信息，通过多种方式确定飞行参数。例如，处理器可以基于巡检数据（巡检路线、所经区域、地形、海拔等）和环境数据，预测波动风险区域数据；基于波动风险区域数据，确定局部巡检方案，进而确定飞行巡检修正路线。
[0064] 波动风险可以指因预测数据与实际数据差距波动造成的风险情况。波动风险区域数据可以指巡检前预测的环境情况与巡检时实际的环境情况相差较大的区域的相关数据。例如，波动风险区域数据可以包括波动风险区域地理位置、波动风险区域采集的传感信息、波动风险等级等。
[0065] 局部巡检方案可以指对局部地区的巡检路线进行调整后的方案。在一些实施例中，局部巡检方案可以包括局部巡检路线、方案采集精度。方案采集精度可以指表征局部巡检方案对应的传感信息采集精确程度的参数。方案采集精度可以通过1‑10的数字、等级等表示。
[0066] 在一些实施例中，处理器可以基于巡检数据、环境数据构建第一目标向量，通过第一向量数据库确定波动风险区域数据。第一向量数据库可以包括多个第一参考向量及其对应的参考波动风险区域数据。第一参考向量可以基于历史巡检数据、历史环境数据进行构建。第一参考向量对应的参考波动风险区域数据可以根据前述历史数据对应的实际波动风险区域数据获取。处理器可以基于第一目标向量，检索第一向量数据库，将与第一目标向量的向量距离小于预设距离阈值的第一参考向量对应的参考波动风险区域数据作为波动风险区域数据。
[0067] 在一些实施例中，处理器可以基于波动风险区域数据构建第二目标向量，通过第二向量数据库确定局部巡检方案。第二向量数据库可以包括多个第二参考向量及其对应的参考局部巡检方案。第二参考向量可以基于历史波动风险区域数据进行构建。第二参考向量对应的参考局部巡检方案可以根据前述历史数据对应的实际局部巡检方案获取。关于通过向量数据库确定局部巡检方案的具体方式，可以参照前述通过向量数据库确定波动风险区域数据的相关内容。
[0068] 在一些实施例中，处理器可以将局部巡检方案中的局部巡检路线与当前时间点的巡检路线合并，作为飞行巡检修正路线。
[0069] 在一些实施例中，处理器可以基于候选预设巡检数据、环境数据、候选局部巡检方案，通过飞行路线矫正模型确定飞行巡检修正路线。
[0070] 飞行路线矫正模型可以为确定最佳局部巡检方案的模型。在一些实施例中，飞行路线矫正模型可以为下文中自定义结构的机器学习模型，飞行路线矫正模型还可以是其他结构的机器学习模型，例如，神经网络模型（Neural Network，NN）模型、循环神经网络（Recurrent Neural Network，RNN）模型等。
[0071] 在一些实施例中，飞行路线矫正模型可以包括波动风险预测层和局部巡检路线确定层。
[0072] 波动风险预测层可以用于确定波动风险区域数据。波动风险预测层的输入可以包括候选预设巡检数据和环境数据，输出可以包括波动风险区域数据。
[0073] 候选预设巡检数据可以包括当前时间点的巡检路线、当前时间点的所经区域、地形、海拔等。其中，当前时间点的巡检路线可以包括巡检路径、巡检时间、巡检高度等。可以理解的，在智能电力巡检设备开始工作时，可以将飞行巡检基础路线作为当前时间点的巡检路线。关于飞行巡检基础路线的更多内容可以参见图2及其相关描述。
[0074] 在一些实施例中，处理器可以通过传感部件获取候选预设巡检数据和环境数据。
[0075] 可以理解的，在飞行巡检过程中，候选预设巡检数据和环境数据可能会发生改变，处理器可以通过传感部件实时获取更新巡检数据和更新环境数据，进而确定更新后的波动风险区域数据。
[0076] 在一些实施例中，波动风险预测层可以通过多个带有第一标签的第一训练样本训练得到。第一训练样本可以包括样本预设巡检数据和样本环境数据，可以基于历史数据获取。第一标签可以包括前述样本数据对应的实际波动风险区域数据，第一标签可以通过人工标注的方式确定。
[0077] 可以理解的，出现波动风险区域数据时，需要对当前时间点的巡检路线进行调整，以提高采集精度。
[0078] 局部巡检路线确定层可以用于确定最佳局部巡检方案。局部巡检路线确定层的输入可以包括至少一组候选局部巡检方案，输出可以包括最佳局部巡检方案。
[0079] 候选局部巡检方案可以指多个供选择的局部巡检方案。候选局部巡检方案中局部巡检路线可以基于预设获取，方案采集精度可以基于经验设定。
[0080] 最佳局部巡检方案可以指采集效果最好的局部巡检方案。在一些实施例中，最佳局部巡检方案至少可以包括多个连续点位的巡检高度序列数据。
[0081] 在一些实施例中，局部巡检路线确定层可以为主要使用遗传算法的算法层。遗传算法的具体步骤为：S1，确定包括多个局部巡检方案的候选局部巡检方案集合。
[0082] 在一些实施例中，处理器可以随机生成多个局部巡检方案，构建候选局部巡检方案集合。
[0083] S2，确定多个局部巡检方案的适应度。
[0084] 适应度可以指表征局部巡检方案精确度高低的参数。在一些实施例中，适应度可以是候选局部巡检方案对应的方案采集精度。
[0085] 在一些实施例中，处理器可以通过适应度模型确定多个局部巡检方案的适应度。
[0086] 在一些实施例中，适应度模型可以为机器学习模型，例如，NN模型、RNN模型等。
[0087] 在一些实施例中，适应度模型的输入可以包括局部巡检方案、波动风险区域数据，适应度模型的输出可以包括局部巡检方案的适应度。
[0088] 在一些实施例中，适应度模型可以通过多个带有第八标签的第八训练样本训练得到。第八训练样本可以包括样本局部巡检方案、样本波动风险区域数据，第八标签可以包括样本局部巡检方案对应的适应度。第八训练样本可以基于历史数据获取，第八标签可以通过人工标注的方式确定。
[0089] S3，响应于满足迭代结束条件，输出适应度最优的候选局部巡检方案作为最佳局部巡检方案；响应于不满足迭代结束条件，对局部巡检方案进行预设变化处理，重复执行S2‑S3直至满足迭代结束条件。
[0090] 迭代结束条件可以指迭代结束时需要达成的条件，可以基于经验预设。例如，迭代结束条件可以为满足预设迭代轮数N、获取的局部巡检方案有至少一个候选局部巡检方案的适应度高于预设适应度阈值等。
[0091] 预设变化处理可以指预先设定的对候选局部巡检方案进行处理以生成与该候选局部巡检方案不同的新的候选局部巡检方案的方法。例如，预设变化处理可以包括交叉处理、变异处理中至少一种。其中，交叉处理可以指对至少两个候选局部巡检方案中的一个或多个参数进行交换的处理方法；变异处理可以指对候选局部巡检方案中的一个或多个参数直接进行改变的处理方法。
[0092] 在一些实施例中，处理器可以基于最佳局部巡检路方案中的局部巡检路线和当前时间点的巡检路线，对当前时间点的巡检路线进行修正确定飞行巡检修正路线。例如，处理器可以采用局部巡检路线替换当前时间点的巡检路线中对应区域的巡检路线，形成飞行巡检修正路线。
[0093] 在一些实施例中，处理器可以基于候选预设巡检数据、环境数据、候选局部巡检方案，通过飞行速度确定模型确定飞行速度。
[0094] 飞行速度确定模型可以为确定飞行速度的机器学习模型，例如，NN模型、RNN模型等。
[0095] 在一些实施例中，飞行速度确定模型的输入可以包括激光点云图像、空气流速、飞行载具发动机功率、环境数据，飞行速度确定模型的输出可以包括飞行速度。其中，空气流速可以指飞行状态下的飞行载具各径向（x、y、z轴方向）空气流速。在一些实施例中，处理器可以通过传感部件确定激光点云图像、空气流速、环境数据，通过获取用户输入确定飞行载具发动机功率。关于环境数据的更多内容可以参见图2及其相关描述。
[0096] 在一些实施例中，飞行速度确定模型可以通过多个带有第三标签的第三训练样本训练得到。第三训练样本可以包括样本激光点云图像、样本空气流速、样本飞行载具发动机功率、样本环境数据，第三标签可以包括前述样本数据对应的巡检效果较好的飞行速度。第三训练样本可以基于历史数据获取，第三标签可以通过人工标注的方式确定。
[0097] 在一些实施例中，处理器还可以基于预设飞行速度，通过飞行载具运动模型，确定飞行速度。预设飞行速度可以指预先设定的飞行载具飞行速度。例如，预设飞行速度可以包括预设水平速度、预设升降速度、预设转向角速度等。在一些实施例中，处理器可以基于用户输入、过往经验或基于预设公式计算等确定至少一组预设飞行速度。处理器还可以基于监测数据对预设飞行速度进行调整，例如，当飞行载具自北向南行驶，而该方向的空气流速较大时，处理器可以降低飞行载具该方向的水平速度。仅作为示例的，处理器可以将预设飞行速度输入飞行载具运动模型中确定成像装置的位置变化幅度和相对移动速度，若使用某一组预设飞行速度预测的成像装置的位置变化幅度和相对移动速度均未超过稳定性阈值，则可以将该组预设飞行速度作为确定的飞行速度。关于飞行载具运动模型、位置变化幅度、相对移动速度、稳定性阈值的更多内容可以参见后文相关描述。
[0098] 通过本说明书一些实施例所述的基于预设飞行速度，通过飞行载具运动模型，确定飞行速度，可以使确定过程中的计算量更小，使确定过程更简单。
[0099] 通过本说明书一些实施例所述的基于机器学习模型确定飞行参数，可以综合考虑影响飞行参数的各项因素及它们之间的联系，使得确定过程更加高效、准确，避免人工调整的滞后和误差。
[0100] 在一些实施例中，飞行参数还包括径向修正参数，处理器可以通过飞行载具运动模型，确定成像装置的位置变化幅度和相对移动速度；响应于位置变化幅度和相对移动速度满足预设条件，通过稳定矫正模型确定飞行载具的径向修正参数；其中，飞行载具运动模型和稳定矫正模型均为机器学习模型。
[0101] 径向修正参数可以指沿各径向（x、y、z轴方向）对飞行载具相关数据进行修正的参数。例如，径向修正参数可以包括速度径向修正参数、发动机功率径向修正参数等。
[0102] 位置变化幅度可以指成像装置在挂载舱中的位置变化的幅度。例如，位置变化幅度可以是一定时间区间段后成像装置在挂载舱中较原位置移动的距离。相对移动速度可以指成像装置相较于挂载舱的移动速度。
[0103] 飞行载具运动模型可以为确定成像装置的位置变化幅度和相对移动速度的模型。在一些实施例中，飞行载具运动模型可以为机器学习模型，例如，NN模型、RNN模型等。
[0104] 在一些实施例中，飞行载具运动模型的输入可以包括发动机推力、空气流速、实时重力、当前时间点的飞行速度、空气流速变化梯度；飞行载具运动模型的输出可以包括成像装置的位置变化幅度和相对移动速度。处理器可以基于传感部件获取空气流速、实时重力、当前时间点的飞行速度，基于获取预设的发动机参数计算确定发动机推力，基于传感部件监测一段时间内空气流速的变化幅度确定空气流速变化梯度。
[0105] 在一些实施例中，飞行载具运动模型可以通过多个带有第四标签的第四训练样本训练得到。第四训练样本可以包括发动机推力、样本空气流速、样本重力、样本飞行速度、样本空气流速变化梯度，第四标签可以包括前述样本数据对应的实测位置变化幅度和相对移动速度。第四训练样本可以基于历史数据获取，第四标签可以通过人工标注的方式确定。
[0106] 预设条件可以根据经验设定，例如，预设条件可以是成像装置的位置变化幅度和相对移动速度中的任一超过稳定性阈值。处理器可以将成像装置的位置变化幅度和相对移动速度与预设条件进行对比，响应于满足预设条件，通过稳定矫正模型确定飞行载具的径向修正参数。
[0107] 稳定性阈值可以指成像装置保持稳定状态的阈值，可以基于经验设定。稳定性阈值可以包括位置变化幅度稳定性阈值和相对移动速度稳定性阈值。在一些实施例中，处理器可以获取稳定器矫正阈值作为稳定性阈值，稳定器矫正阈值可以指稳定器能够保证成像装置稳定的阈值，若成像装置的位置变化幅度和相对移动速度超过了稳定器矫正阈值，则在该飞行状态下的成像装置的不稳定性超过了稳定器可以稳定的能力范围。稳定器矫正阈值可以根据经验设定。
[0108] 在一些实施例中，稳定性阈值可以相关于故障预警信息的置信度。可以理解的，成像装置的稳定性越低，故障预警信息的置信度越差，因此，当故障预警信息的置信度较低时，处理器可以减小稳定性阈值，使飞行载具的径向修正参数的修正更为频繁。关于故障预警信息的置信度的更多内容可以参见图4及其相关内容。
[0109] 通过本说明书一些实施例所述的将稳定性阈值相关于故障预警信息的置信度，可以根据故障预警信息的情况对稳定性阈值进行及时调整，使得飞行载具中成像装置更加稳定。
[0110] 稳定矫正模型可以为确定径向修正参数的模型。在一些实施例中，稳定矫正模型可以为机器学习模型，例如，NN模型、RNN模型等。
[0111] 在一些实施例中，稳定矫正模型的输入可以包括预测成像装置的位置变化幅度和相对移动速度、空气流速、当前时间点的飞行速度、空气流速变化梯度、实时重力；稳定矫正模型的输出可以包括径向修正参数。
[0112] 在一些实施例中，稳定矫正模型可以通过多个带有第五标签的第五训练样本训练得到。第五训练样本可以包括样本空气流速、样本飞行速度、样本空气流速变化梯度、样本重力、样本成像装置的位置变化幅度和相对移动速度，第五标签可以包括前述样本数据对应的修正效果好的径向修正参数。第五训练样本可以基于历史数据获取，第五标签可以通过人工标注的方式确定。
[0113] 通过本说明书一些实施例所述的通过飞行载具运动模型，确定成像装置的位置变化幅度和相对移动速度，通过稳定矫正模型确定飞行载具的径向修正参数，可以智能化分析确定准确、可靠的成像装置稳定性，在成像装置稳定性较差的情况下进而确定准确、可靠的径向修正参数，及时对飞行载具的参数进行调整，保证成像装置的稳定性，进而确保成像质量及精度。
[0114] 步骤320，基于飞行参数对基础控制指令进行修正，确定修正控制指令。
[0115] 在一些实施例中，处理器可以基于飞行参数，通过多种方式对基础控制指令进行修正，确定修正控制指令。例如，处理器可以将当前时间点的飞行速度修正为基于前述飞行速度确定模型确定的飞行速度，作为修正控制指令并下发至飞行载具。
[0116] 步骤330，基于修正控制指令控制飞行载具飞行以及进行传感信息的采集。
[0117] 在一些实施例中，处理器可以将修正控制指令下发至飞行载具，控制飞行载具飞行以及进行传感信息的采集。
[0118] 步骤340，基于传感信息，确定对故障隐患的判定结果。
[0119] 在一些实施例中，处理器可以基于传感信息，通过多种方式确定对故障隐患的判定结果。例如，处理器可以基于传感信息构建第三目标向量，通过第三向量数据库确定故障隐患的判定结果。第三向量数据库可以包括多个第三参考向量及其对应的参考故障隐患的判定结果。第三参考向量可以基于历史传感信息进行构建。第三参考向量对应的参考故障隐患的判定结果可以根据前述历史数据对应的实际故障隐患的判定结果获取。关于通过向量数据库确定故障隐患的判定结果的具体方式，可以参照前述通过向量数据库确定波动风险区域数据的相关内容。
[0120] 通过本说明书一些实施例所述的通过基于传感信息，确定飞行参数，进而确定修正控制指令，确定对故障隐患的判定结果，可以根据实时获取的各项参数确定准确的、贴合实际的飞行参数，便于根据实际情况及时对控制指令进行调整，避免人为调整的误差，保证巡检工作的正常进行。
[0121] 图4是根据本说明书一些实施例所示的确定对所障隐患的判定结果的示例性示意图。
[0122] 在一些实施例中，处理器可以基于采集数据中的红外温度图谱410，通过第一故障判断模型420，确定故障警示信息470以及故障警示信息的置信度480，并回传至远端控制中心。
[0123] 第一故障判断模型420可以为确定待检测电力设备各处的温度梯度432的模型。在一些实施例中，第一故障判断模型420可以为下文中自定义结构的机器学习模型，第一故障判断模型420还可以为其他结构的机器学习模型，例如，卷积神经网络（Convolutional Neural Networks，CNN）模型、图神经网络（Graph Neural Networks，GNN）模型等。
[0124] 在一些实施例中，第一故障判断模型420可以包括第一对象识别层421和温度梯度确定层422。
[0125] 第一对象识别层421可以用于确定红外温度图谱识别结果431。第一对象识别层421的输入可以包括红外温度图谱410，输出可以包括红外温度图谱识别结果431。关于红外温度图谱410的更多内容可以参见图2及其相关描述。在一些实施例中，处理器可以通过时域高通滤波算法、神经网络模型等算法、模型对传感部件获取的红外温度图谱410进行矫正，再输入第一对象识别层421。红外温度图谱识别结果431可以包括识别出的红外温度图谱中的待检测电力设备等。
[0126] 温度梯度确定层422可以用于确定待检测电力设备各处的温度梯度432。温度梯度确定层422的输入可以包括红外温度图谱识别结果431，输出可以包括待检测电力设备各处的温度梯度432。待检测电力设备各处的温度梯度432可以指需要进行检测的电力设备上多个点位的温度构成的温度梯度。
[0127] 在一些实施例中，第一对象识别层421和温度梯度确定层422可以联合训练获取。在一些实施例中，联合训练的第六训练样本包括样本红外温度图谱，第六标签为待检测电力设备各处的温度梯度的实际值。第六训练样本可以根据历史数据获取，第六标签可以根据标注获取。
[0128] 训练时，将样本红外温度图谱输入第一对象识别层，得到第一对象识别层输出的红外温度图谱识别结果，将红外温度图谱识别结果输入温度梯度确定层，得到温度梯度确定层输出的待检测电力设备各处的温度梯度。
[0129] 基于第六标签和待检测电力设备各处的温度梯度构建损失函数，同步更新第一对象识别层和温度梯度确定层的参数。通过参数更新，得到训练好的第一对象识别层421和温度梯度确定层422。
[0130] 在一些实施例中，处理器可以基于待检测电力设备各处的温度梯度432，确定故障警示信息470以及故障警示信息的置信度480，并回传至远端控制中心。例如，处理器可以基于待检测电力设备各处的温度梯度432与预设温度梯度阈值进行比较，若前者超过后者，则将该待检测电力设备所在区域视为故障隐患区域，并确定故障警示信息470以及故障警示信息的置信度480。
[0131] 故障警示信息470可以指提醒相关工作人员处理故障的信息。例如，故障警示信息470可以包括故障紧急程度，故障检测点地理坐标，标注出故障隐患区域的待检测电力设备的红外温度图谱等。其中，处理器可以通过传感部件获取故障检测点地理坐标，通过第一故障判断模型420获取标注出故障隐患区域的待检测电力设备的红外温度图谱，计算故障隐患区域温度梯度与正常温度梯度范围的比值确定故障紧急程度。在一些实施例中，处理器可以通过计算获取置信度480。例如，处理器可以计算故障隐患区域的温度梯度在总体红外温度图谱中，存在异常的置信水平，将该置信水平作为置信度480。其中，处理器可以计算总体红外温度图谱中的温度梯度样本方差、样本均值等确定置信水平。关于回传的具体方式可以参见图2及其相关描述。
[0132] 在一些实施例中，处理器可以基于采集数据中的光学图像440，通过第二故障判断模型450，确定故障警示信息470以及故障警示信息的置信度480，并回传至远端控制中心。
[0133] 第二故障判断模型450可以为确定标注对象之间的距离图像462的模型。在一些实施例中，第二故障判断模型450可以为下文中自定义结构的机器学习模型，第二故障判断模型450还可以为其他结构的机器学习模型，例如， CNN模型等。
[0134] 在一些实施例中，第二故障判断模型450可以包括第二对象识别层451和对象距离判断层452。
[0135] 第二对象识别层451可以用于确定光学图像识别结果461。第二对象识别层451的输入可以包括光学图像440，输出可以包括光学图像识别结果461。关于光学图像440的更多内容可以参见图2及其相关描述。光学图像识别结果461可以包括识别出的光学图像中的待检测电力设备、障碍物等。
[0136] 对象距离判断层452可以用于判断障碍物与待检测电力设备之间的距离。对象距离判断层452的输入可以包括光学图像识别结果461，输出可以包括标注对象之间的距离图像462。标注对象可以指需要确定相距距离的待检测电力设备、障碍物等。对象距离判断层452可以是CNN模型。
[0137] 在一些实施例中，第二对象识别层451和对象距离判断层452可以联合训练获取。在一些实施例中，联合训练的第七训练样本包括样本光学图像，第七标签为实际标注对象之间的距离图像。第七训练样本可以根据历史数据获取，第七标签可以根据标注获取。
[0138] 训练时，将样本光学图像输入第二对象识别层，得到第二对象识别层输出的光学图像识别结果，将光学图像识别结果输入对象距离判断层，得到对象距离判断层输出的标注对象之间的距离图像。
[0139] 基于第七标签和标注对象之间的距离图像构建损失函数，同步更新第二对象识别层和对象距离判断层的参数。通过参数更新，得到训练好的第二对象识别层451和对象距离判断层452。
[0140] 在一些实施例中，处理器可以基于标注对象之间的距离图像462，确定故障警示信息470以及故障警示信息的置信度480，并回传至远端控制中心。例如，处理器可以基于标注对象之间的距离图像462获取障碍物与待检测电力设备的距离，若障碍物与待检测电力设备的距离低于预设距离阈值，则将该距离所在区域视为故障隐患区域，并确定故障警示信息470以及故障警示信息的置信度480。
[0141] 此处的故障警示信息470可以包括故障紧急程度，故障检测点地理坐标，标注出故障隐患区域的光学图像等。其中，处理器可以通过传感部件确定故障检测点地理坐标，通过第二故障判断模型450确定标注出故障隐患区域的光学图像，并基于障碍物与待检测电力设备的距离确定故障紧急程度，距离越近，故障紧急程度越高。关于回传的具体方式可以参见图2及其相关描述。
[0142] 在一些实施例中，处理器可以通过计算确定置信度480。例如，处理器可以对同一待检测电力设备多个角度的光学图像进行判别，将障碍物与待检测电力设备的距离低于预设距离阈值的图像数量与总的光学图像数量的比值作为置信度480。
[0143] 在一些实施例中，处理器可以基于第一故障判断模型420、第二故障判断模型450共同判断故障警示信息470及其置信度480并回传，例如，处理器可以对同一待检测电力设备的红外温度图谱、光学图像使用第一故障判断模型420、第二故障判断模型450进行处理，根据前述方式分别确定出红外温度图谱对应的故障警示信息及置信度，光学图像对应的故障警示信息及置信度，将两种故障警示信息中置信度较高的故障警示信息作为故障警示信息470，将其对应的置信度作为故障警示信息470的置信度480。关于回传的具体方式可以参见图2及其相关描述。
[0144] 通过本说明书一些实施例所述的基于第一故障判断模型、第二故障判断模型共同判断故障信息及其置信度，可以综合考虑两个模型确定结果，获取更可靠、更准确的故障警示信息及置信度。
[0145] 在一些实施例中，红外温度图谱410、光学图像440的采集可以相关于成像装置的稳定性。例如，处理器可以选择成像装置的稳定性高时拍摄的光学图像440和红外温度图谱410进行处理。
[0146] 在一些实施例中，处理器可以通过飞行载具运动模型，将预测的成像装置的位置变化幅度和相对移动速度均未超过稳定性阈值时的情况确定为成像装置的稳定性高。处理器还可以在成像装置上添加运动传感器，提升成像装置的稳定性。关于飞行载具运动模型、稳定性阈值的更多内容可以参见图3及其相关描述。
[0147] 在一些实施例中，处理器可以基于一定时间区间内采集光学图像440（或红外温度图谱410）的位置变化幅度确定成像装置稳定性。例如，处理器可以将某一时间区间内连续采集的多帧光学图像进行图像相似度对比，当图像相似度均未超过预设相似度阈值时，确定为成像装置的稳定性高。示例性的图像相似度对比方法有直方图法、感知哈希算法等。
[0148] 通过本说明书一些实施例所述的基于一定时间区间内采集光学图像（或红外温度图谱）的位置变化幅度确定成像装置稳定性，可以使成像装置稳定性的确定过程更加便捷、更贴合实际情况。
[0149] 通过本说明书一些实施例所述的红外温度图谱、光学图像的采集可以相关于成像装置的稳定性，可以选择成像装置稳定性高时拍下的图像作为输入数据进行后续处理，提升模型输出结果的精确度。
[0150] 通过本说明书一些实施例所述的基于采集数据中的光学图像，通过第二故障判断模型，确定故障警示信息以及故障警示信息的置信度，并回传至远端控制中心，可以提供更多故障警示信息以及故障警示信息的置信度的确定参考项，便于与基于红外温度图谱确定的故障警示信息及置信度进行比较、分析等，确定准确的故障警示信息及置信度。
[0151] 通过本说明书一些实施例所述的基于采集数据中的红外温度图谱，通过第一故障判断模型，确定故障警示信息以及故障警示信息的置信度，并回传至远端控制中心，可以通过实时采集的图像，智能化分析出潜在的故障隐患，得到准确的故障警示信息及置信度，便于及时派遣工作人员进行处理，避免电力泄露等事故造成民众损失。
[0152] 本说明书一个或多个实施例还提供了一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述的智能电力巡检方法。
[0153] 上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
[0154] 同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0155] 此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
[0156] 同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0157] 一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
[0158] 针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
[0159] 最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
