基于多源导航和Yolo-v8的无人机电力巡检方法及系统

本文件涉及电力巡检，尤其涉及一种基于多源导航和yolo-v8的无人机电力巡检方法及系统。

背景技术：

1、近年来，无人机走进了电力巡检领域，但是电力巡检存在众多的挑战，比如错综复杂的障碍物，识别电力设备缺陷仍然依靠无人机航拍后人工识别。在路径规划方面，目前有学者提出，单独使用强化学习对无人机进行训练，但是强化学习在训练时通常针对特定环境进行优化，一旦环境发生变化，模型可能需要重新训练适应新环境，这对无人机的灵活性和适应性提出挑战。有学者提出了单独使用a*算法进行无人机路径规划，但是这样的方法使得无人机无法及时规避突然出现的障碍物。还有学者提出罚函数思想，来进行局部路径规划，但是罚函数的惩罚因子的大小自动更新过慢，这会使得无人机响应过慢。

2、因此，单独的使用强化学习或者罚函数优化思想在电力巡检是不可行的，因此本发明将a*算法，强化学习和罚函数优化融合在了一起，使得无人机具备多源导航的能力，更易于适应当前的环境，同时避免了因惩罚因子的大小自动更新过慢而带来的时效慢的问题，具有一定的工程应用意义。

技术实现思路

1、本说明书一个或多个实施例提供了一种基于多源导航和yolo-v8的无人机电力巡检方法，包括：

2、s1.预先训练缺陷识别经验池和强化学习经验池，制定巡航目标点；

3、s2.无人机根据巡航目标点使用gps全局定位融合多源导航方法避障并飞向目标点；

4、s3.对每一个目标点进行拍照，根据获得的照片进行电力线路缺陷识别。

5、进一步地，训练缺陷识别经验池具体方法为：

6、通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，选出绝缘子上有故障的图片数据，并对图片进行扩充；

7、然后对扩充后的图片数据进行绝缘子缺陷类型标注，缺陷类型包括正常和异常，将标注后的数据集作为样本库，划分为训练集和测试集；

8、在yolo-v8网络模型中引入se双通道注意力机制，使用训练集中的图像数据和标注文件，对具有se双通道注意力机制的yolo-v8网络模型进行迭代训练，所述yolo-v8网络模型包括特征提取层、特征融合层和输出层；

9、在训练过程中，保存具有最高精度的模型权重，完成无人机的缺陷识别经验池的构建。

10、进一步地，训练所述强化学习经验池的具体方法为：

11、为无人机构建马尔可夫空间，所述马尔可夫空间包括当前无人机状态空间、无人机下一步的执行动作、无人机的当前奖励值和无人机的状态空间转移；

12、为无人机构建奖励函数，包括两种奖励，一种是达到目标点，另一种是失败，当无人机达到目标点边距时，无人机收到正奖励，当无人机的距离传感器的读数低于阈值时，则给予惩罚；

13、根据巡航目标点得到的巡航路线重复上述过程进行训练，获得无人机的强化学习经验池。

14、进一步地，无人机根据巡航目标点使用gps全局定位融合多源导航方法避障并飞向目标点具体方法为：

15、无人机搭载gps模块，获取当前无人机坐标和目标巡检点坐标，使用二阶贝塞尔曲线生成一条从当前坐标点到目标坐标点的光滑曲线，无人机沿曲线进行移动；

16、移动期间，无人机搭载深度相机，获取深度图像，并使用深度图像进行slam建图，检测无人机前方是否存在障碍物；

17、若检测到障碍物，在生成的二阶贝塞尔曲线对碰撞发生段进行a*算法重新规划路线；

18、在障碍物内发生碰撞点垂直向外延射线交于前面的规划的路线，对新路线进行惩罚项约束，惩罚项包括碰撞项惩罚和强化学习经验池惩罚，得到优化后的最佳路径。

19、进一步地，根据获得的照片进行电力线路缺陷步骤如下：

20、通过无人机上的摄像头获取实时图片，并将图片输入到搭载yolo-v8模型的边缘设备上；

21、基于从缺陷识别经验池获得的经验，通过yolo-v8模型分类并定位出缺陷绝缘子，实现缺陷识别。

22、进一步地，对扩充后的图片数据进行绝缘子缺陷类型标注具体方法为：

23、在标注界面创建两个标签，分别对应正常绝缘子和缺陷绝缘子，然后采用矩形框方式分别对每张图片的绝缘子目标进行标注，并选择目标对应的标签，最后将标注信息生成xml标注文件；

24、每个xml文件对应所标注的每张图片，文件的标注信息包含4个位置属性和1个类别属性，所述位置属性分别是矩形框的左上角横坐标x_min和纵坐标y_min，以及右下角横坐标x_max和纵坐标y_max，所述类别属性是标注图片时所选择的标签。

25、进一步地，引入se双通道注意力机制，具体步骤如下：

26、首先，对输入的特征图进行全局池化，将其尺寸变为1×1×通道数；

27、然后，通过全连接层和sigmoid激活函数对这个1×1×通道数的特征图进行调整，生成每个特征图的权重；

28、将这些权重与输入的特征进行逐元素相乘，压缩操作采用全局平均池化生成通道统计量z_c，激励操作利用全连接层和sigmoid激活函数为每个特征通道生成一个权重值，其中，z_c的计算公式如下：

29、

30、本说明书一个或多个实施例提供了一种基于多源导航和yolo-v8的无人机电力巡检系统，包括：

31、目标点确定模块：用于预先训练缺陷识别经验池和强化学习经验池，制定巡航目标点；

32、巡航模块：用于使无人机根据巡航目标点使用gps全局定位融合多源导航方法避障并飞向目标点；

33、缺陷识别模块：用于对每一个目标点进行拍照，根据获得的照片进行电力线路缺陷识别。

34、本说明书一个或多个实施例提供了一种电子设备，包括：

35、处理器；以及，

36、被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述基于多源导航和yolo-v8的无人机电力巡检方法的步骤。

37、本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述基于多源导航和yolo-v8的无人机电力巡检方法的步骤。

38、采用本发明实施例，预先训练缺陷识别经验池和强化学习经验池，使得无人机具备一定的飞行“经验”，大大提高无人机巡检电力线路的效率，在此“经验”上，结合罚函数思想，把强化学习融入到了局部规划罚函数当中，使得无人机快速做出飞行动作，避免因为等待惩罚因子更新而浪费过多的时间；同时无人机还具备自主识别电力巡检缺陷的能力，可以在短时间内准确地分析电力线路的状态，识别出可能存在的各种缺陷和问题，从而及时采取必要的修复措施，保障电力线路的安全运行和稳定供电。本发明不仅提升了巡检的效率和精准度，还能够大幅度减少人为因素的影响，提高电力线路运维的效率和安全性，对于现代电力行业来说具有非常重要的实际意义和应用前景。

39、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。