[0001] 本发明属于无人机作业技术领域，具体涉及一种基于安全距离检测的无人机挂线方法和相关装置。

[0002] X射线检测是实现输电架空线路耐张线夹缺陷排查的有效方式，传统的耐张线夹X射线检测，需要停电登塔检测。而X射线带电检测无人机采用无人机携带检测设备，直接接触带电线夹，相比停电检测更加便捷。

[0003] 目前，X射线检测无人机挂线大多采用飞手控制无人机的挂线方法，这种方法不仅效率低下，而且存在较大的安全风险。因此，如何提高无人机挂线效率，开发一种高效、安全的X射线检测无人机的挂线方法与装置，是本领域技术人员亟需解决的问题。

[0051] 为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0052] 请参阅图1，本实施例提供一种基于安全距离检测的无人机挂线方法，包括如下步骤：

[0053] S1：控制X射线检测无人机驶向输电架空线路，并采集输电架空线路的RGB图像、紫外图像和实时气象信息。

[0054] 需要说明的是，本步骤首先利用无人机的自主导航功能，将其精确引导至输电架空线路附近。X射线检测无人机上除了搭载有X射线检测设备外，还搭载有彩色相机、紫外成像设备和高精度传感器，彩色相机用于采集输电架空线路的RGB图像，紫外成像设备用于采集输电架空线路的紫外图像，紫外图像用于判断输电架空线路是否放电。高精度传感器则用于采集实时气象信息，如风速、风向信息等。

[0055] S2：采用图像识别算法对RGB图像进行线路位置的粗定位。

[0056] 需要说明的是，收集到的图像数据通过图像识别算法进行处理，以识别并初步定位输电线路的关键特征，如导线、塔架、绝缘子等。此步骤快速确定线路的大致位置，为后续的精确定位提供范围参考。图像识别算法可采用如RCNN、YOLO等深度学习模型或其他神经网络算法，本发明对此不做限制。

[0057] S3：在粗定位范围内，通过无人机获取实时激光扫描数据序列并利用预先训练好的LSTM模型得到激光测距数据，LSTM模型是利用激光扫描数据序列和气象信息训练得到的，用于确定激光测距数据的模型。

[0058] 需要说明的是，激光测距精定位依赖于精确测量激光脉冲的往返时间来确定目标物体的距离，而这一过程中产生的数据往往具有时序性和高度的动态变化性。LSTM算法作为一种深度学习模型，能够有效地捕捉时序数据中的长期依赖关系，并通过学习数据的内在规律来提高测距的精度和稳定性。在激光测距的实际应用中，环境噪声、目标物体的反射特性以及激光脉冲的传播速度等因素都可能对测量结果产生影响。LSTM算法能够通过对这些复杂因素的学习，自动调整模型参数以适应无人机对架空线路的测距场景。此外，LSTM算法还具有较强的泛化能力，可以在训练数据有限的情况下，依然保持较好的预测性能。

[0059] 在初步定位的基础上，无人机利用搭载的激光测距仪对输电线路进行连续扫描，收集一系列实时的激光回波数据。这些数据序列包含了丰富的时序信息，反映了无人机与线路之间距离的动态变化。通过应用长短期记忆网络(LSTM)这一深度学习模型，对这些时序数据进行分析处理，可以有效捕捉数据间的依赖关系，滤除环境噪声，从而实现对输电线路的高精度三维空间定位。LSTM算法的优势在于它能够处理时序数据中的长期依赖问题，这对于精确测距尤为重要。

[0060] 因此，使用LSTM算法进行激光测距不仅有助于提高测距的精度和稳定性，还能够更好地适应无人机飞行时复杂的测距环境。采用已训练好的长短期记忆(LSTM)神经网络模型，该模型不仅考虑了激光扫描数据序列，还融入了实时气象信息，以更准确地预测无人机与输电线路的实际距离。LSTM擅长处理时间序列数据，因此非常适合此类动态测距任务。

[0061] S4：基于激光测距数据进行精定位，并控制X射线检测无人机靠近输电架空线路，利用紫外图像实时检测输电架空线路的放电状态，当检测到输电架空线路放电时，基于图像识别结果和激光测距数据记录此时X射线检测无人机与输电架空线路的相对位置，得到挂线时的安全距离。

[0062] 需要说明的是，当无人机根据激光测距结果接近输电线路时，通过分析紫外图像实时监控线路的放电情况。一旦检测到放电现象，系统会记录此时无人机与输电线路的相对位置，这一位置被视为安全挂线的参考距离。这是因为放电通常意味着线路存在缺陷或过载，此时的距离可视为确保作业安全的最小阈值。

[0063] S5：结合实时气象信息调整无人机的飞行状态，在输电架空线路没有放电且安全距离满足要求的前提下进行输电线路挂线操作。

[0064] 需要说明的是，根据LSTM算法提供的精确定位结果，无人机的控制系统会接收到精确的挂线位置信息。随后，无人机依据实时气象信息，动态调整无人机的飞行参数，确保在最适宜的环境下进行操作，避免恶劣天气带来的风险，确保X射线检测设备或挂线工具精确对准目标位置。在确保安全距离和精确对准后，执行挂线操作，如部署检测传感器、执行维护任务等，完成对输电线路的近距离检测或维护作业。

[0065] 本实施例提供了一种基于安全距离检测的无人机挂线方法，通过采用图像识别算法的粗定位与激光定点的精定位相结合，相比于单一的深度学习图像识别定位更为精确，相比于单一的激光定点更为节省定位时间与飞行成本。同时本发明还将激光测距与LSTM相结合，能够更加精准地确定出输电架空线路的位置，为无人机挂线操作提供准确的数据基础，提高了挂线的成功率。本发明填补了传统人工挂线方法的确缺陷，极大的提高了X射线检测的安全性与稳定性，同时显著提高了挂线效率和成功率。

[0066] 在本发明一个较佳的实施例中，通过无人机获取实时激光扫描数据序列并利用预先训练好的LSTM模型得到激光测距数据，包括如下步骤：

[0067] S21：控制X射线检测无人机与输电架空线路处于满足大致水平要求的水平状态。

[0068] 需要说明的是，本步骤确保X射线检测无人机与输电架空线路之间形成大致水平的关系。这一操作对于后续的激光测距准确性至关重要，因为非水平状态可能会引入不必要的角度误差，影响测距精度。通过无人机的自动控制系统或手动遥控，调整其姿态至理想水平，为接下来的数据采集创造良好条件。

[0069] S22：在水平状态的条件下，调整X射线检测无人机的角度，获取实时激光扫描数据序列和实时气象信息。

[0070] 需要说明的是，在无人机达到水平状态后，进一步微调其角度，这一步可能涉及到调整俯仰角或偏航角，以确保激光扫描能够准确捕捉到输电架空线路的关键部分。同时，在这个精确调整的角度下，无人机开始实时采集激光扫描数据序列。此数据序列包含了无人机到目标物体表面多个点的距离信息，是后续处理的基础。此外，同步收集实时气象信息(如气温、湿度、风速等)，因为这些因素可能影响激光传播速度和路径，进而影响测距精度。

[0071] S23：将实时激光扫描数据序列和实时气象信息进行预处理后，输入预先建立的LSTM模型，得到无人机与输电架空线路之间的距离信息。

[0072] 需要说明的是，收集到的原始激光扫描数据序列和气象信息需要经过预处理，去除噪声、校正误差、标准化等，确保数据质量满足模型输入要求。预处理后的数据随后被输入到一个预先训练好的LSTM(长短期记忆)模型中。LSTM作为一种特殊的循环神经网络，擅长处理时间序列数据，它能够学习到激光扫描数据序列随时间变化的规律，以及气象因素对激光测距的影响模式。模型经过训练后，能够基于输入的信息预测出无人机与输电架空线路之间的确切距离。可以理解的是，相较于直接根据激光扫描数据序列确定激光测距信息，气象信息(如风速和风向信息)作为额外的特征输入，可以使LSTM模型输出修正的激光测距数据，更符合实际场景下无人机挂线操作的需求。

[0073] 在一些具体实施方式中，当X射线检测无人机的反射激光亮度最高时，X射线检测无人机与输电架空线路处于水平状态。对实时激光扫描数据序列进行预处理的过程包括降噪和归一化。

[0074] 在本发明进一步的实施例中，LSTM模型的建立过程为：

[0075] 数据采集：获取X射线检测无人机的历史激光扫描数据序列和历史气象信息，并标注无人机对应的真实位置信息，将历史激光扫描数据序列、历史气象信息和对应的真实位置信息作为训练数据。

[0076] 模型构建：建立包含LSTM层和全连接层的LSTM网络结构，作为待训练模型。

[0077] 模型训练：对训练数据进行预处理，并以预处理后的历史激光扫描数据序列和历史气象信息作为输入，以预处理后的真实位置信息作为监督学习目标，对待训练模型进行训练，得到LSTM模型。

[0078] 在一些具体实施方式中，真实位置信息与预测位置信息的信息形式相同，为输电架空线路坐标值或位置类别。

[0079] 在本发明一个较佳的实施例中，对待训练模型进行训练，包括：

[0080] 输入预处理后的训练数据，通过LSTM层提取特征，再经过全连接层得到输出；

[0081] 根据任务类型选择损失函数，计算待训练模型输出的预测位置信息与标注的真实位置信息之间的误差；任务类型为回归任务或分类任务，分别用于得到输电架空线路坐标值或位置类别；

[0082] 通过优化算法更新待训练模型的权重，以最小化损失，得到LSTM模型。

[0083] LSTM模型的更新公式为：

[0084] 输入门：it＝σ(Wxi·xt+Whi·i{t‑1}+bi)；

[0085] 遗忘门：ft＝σ(Wxf·xt+Whf·h{t‑1}+bf)；

[0086] 细胞状态更新：c't＝tanh(Wxc·xt+Whc·h{t‑1}+bc)；ct＝ft·c{t‑1}+it·c't；

[0087] 输出门：ot＝σ(Wxo·xt+Who·h{t‑1}+bo)；ht＝ot·tanh(ct)；

[0088] 其中，σ是sigmoid激活函数；tanh是双曲正切激活函数；it、ft、ot分别是输入门、遗忘门和输出门的输出；ct、c't分别是当前时刻和候选的细胞状态；ht是当前时刻的隐藏状态；Wxi、Whi、Wxf、Whf、Wxc、Whc、Wxo、Who和bi、bf、bc、bo是需要学习的权重和偏置参数；xt是当前时刻的输入；h{t‑1}是上一时刻的隐藏状态。

[0089] 在本发明一个较佳的实施例中，当任务类型为回归任务或分类任务，分别用于得到输电架空线路坐标值或位置类别时，对应的全连接层的输出按照下式确定：

[0090] 回归任务：

[0091] position＝Wp·ht+bp；

[0092] 其中，position是预测的输电架空线路坐标值；Wp和bp是全连接层的权重和偏置；ht是LSTM层输出的当前时刻的隐藏状态；

[0093] 分类任务：

[0094] output_logits＝Wc·ht+bc；

[0095] predicted_class＝softmax(output_logits)；

[0096] 其中：output_logits是未归一化的输出；predicted_class是归一化后的预测类别概率分布；softmax表示softmax激活函数，用于将输出转换为概率分布，Wc是全连接层的权重。

[0097] 在本发明一个较佳的实施例中，在进行输电线路挂线操作时，按照下式确定是否执行挂线操作：

[0098]

[0099] 式中，Linehanging(·)表示以RGB图像、紫外图像UV、气象信息W和激光扫描数据序列L作为输入的挂线操作判断函数，为1时表示执行挂线操作，为0时表示不执行挂线操作，Positioning(·)表示定位流程，Image(RGB)表示粗定位过程，LSTM(L,W)表示精定位过程，Image(UV)表示放电检测过程，AdjustFlight(W)表示飞行状态调整过程。

[0100] 即在本实施例中，只有当无人机挂线操作完整执行定位流程、放电检测过程和飞行状态调整过程时，才执行对应的挂线操作，以最大限度的保证操作安全性。

[0101] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于安全距离检测的无人机挂线方法的基于安全距离检测的无人机挂线装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的基于安全距离检测的无人机挂线装置实施例中的具体限定可以参见上文中对于基于安全距离检测的无人机挂线方法的限定，在此不再赘述。

[0102] 请参阅图2，本实施例提供了一种基于安全距离检测的无人机挂线装置，包括：

[0103] 信息获取模块，用于控制X射线检测无人机驶向输电架空线路，并采集输电架空线路的RGB图像、紫外图像和实时气象信息；

[0104] 图像识别模块，用于采用图像识别算法对RGB图像进行线路位置的粗定位；

[0105] 激光定位模块，用于在粗定位范围内，通过无人机获取实时激光扫描数据序列并利用预先训练好的LSTM模型得到激光测距数据，LSTM模型是利用激光扫描数据序列和气象信息训练得到的，用于确定激光测距数据的模型；

[0106] 放电检测模块，用于基于激光测距数据进行精定位，并控制X射线检测无人机靠近输电架空线路，利用紫外图像实时检测输电架空线路的放电状态，当检测到输电架空线路放电时，基于图像识别结果和激光测距数据记录此时X射线检测无人机与输电架空线路的相对位置，得到挂线时的安全距离；

[0107] 控制模块，用于结合实时气象信息调整无人机的飞行状态，在输电架空线路没有放电且安全距离满足要求的前提下进行输电线路挂线操作。

[0108] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0109] 参照图3，本发明实施例还提供了一种计算机设备3，包括：存储器302和处理器301及存储在存储器302上的计算机程序303，当所述计算机程序303在处理器301上被执行时，实现如上述方法中任一项所述的基于安全距离检测的无人机挂线方法。

[0110] 所述计算机设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该计算机设备3可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

[0111] 所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0112] 所述存储器302在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器302在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器302还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器302用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。

[0113] 本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，实现如上述方法中任一项所述的基于安全距离检测的无人机挂线方法。

[0114] 该实施例中，所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

[0115] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0116] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0117] 在本申请所公开的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

[0118] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。