7个研究背景和意义示例,教你写计算机无人机巡检论文

今天分享的是关于无人机巡检的7篇计算机毕业论文范文, 如果你的论文涉及到无人机巡检等主题,本文能够帮助到你

基于深度学习的复合绝缘子憎水性带电检测研究

这是一篇关于复合绝缘子,憎水性,卷积神经网络,边缘计算,无人机巡检的论文, 主要内容为复合绝缘子因其良好的性能在电力系统中广泛应用,然而随着使用年限的增长,其伞裙的硅橡胶有机材料会发生老化,对电网的安全运行造成潜在威胁,现有基于喷水分级法的复合绝缘子憎水性传统人工检测方法存在着安全风险性高和效率低下等问题,且判别结果受人为主观因素影响大,对复合绝缘子憎水性分类的数字图像处理方法已有一定的研究基础但存在鲁棒性差等问题。因此,本文基于深度学习技术和无人机平台设计了一套基于喷水分级法的复合绝缘子憎水性检测装置,可大大提升复合绝缘子憎水性检测的效率,降低人工成本。本文设计的复合绝缘子憎水性检测的流程为,无人机搭载喷水装置对待检测的复合绝缘子进行喷水操作,搭载的摄像装置将视频流实时传输给边缘计算平台进行推理计算。由伞裙定位模型对伞裙区域进行定位,然后根据定位框的位置信息和裁剪系数对伞裙上的水迹区域进行裁剪提取,将水迹区域图像送入图像分类模型进行憎水性等级判别,实现复合绝缘子憎水性带电检测的边缘计算,运检人员可实时读取待检测复合绝缘子的憎水性结果。首先,为实现算法模型在计算资源有限的边缘端的部署,选择了YOLO目标检测算法的两个轻量化版本,基于构建的伞裙数据集对YOLOv3-tiny和YOLOv4-tiny模型进行训练,并在测试集上对比模型的定位识别效果,结果表明YOLOv4-tiny模型定位识别效果更好,其精确率、召回率以及伞裙预测区域与真实区域平均交并比更大。然后,憎水性分类网络选择了兼顾速度与精度的Efficient Net算法。通过拍摄收集复合绝缘子水迹图片和数据增强方法构建了包含七个憎水性等级的水迹数据集。基于构建的数据集,采用迁移学习的方法对Efficient Net-b0～b5共六个不同深度和宽度的算法网络进行训练,在测试集上进行对比后选择了准确率最高即最匹配本文数据集的算法网络Efficient Net-b3,通过与其他经典卷积神经网络的对比进一步体现了该模型在速度和精度上的均衡。最后,设计了无人机载的喷水装置,实现了无人机、喷水枪、水泵和水箱的选型和组装,实现了基于YOLOv4-tiny的伞裙定位算法模型和基于Efficient Net-b3的憎水性分类诊断模型在边缘计算平台Jetson Xavier NX上的部署应用,模型的平均推理速度分别为17.30FPS和7.74FPS。对机载的喷水装置和边缘端组合深度学习算法模型的应用测试结果证明了本文设计的基于深度学习的复合绝缘子憎水性带电检测方法的可行性和有效性。

无人机巡线管理系统的设计与实现

这是一篇关于石油管线,无人机巡检,SpringBoot,OpenCV,YOLOv5的论文, 主要内容为石油管线承担着石油运输的重要任务,而管线巡检又是石油运输环节中极为重要的一环,巡检的内容一般为查看管线周围的地形地貌,判断其是否存在安全隐患,并进行及时上报。传统的人工巡检方式,由于受到地理环境的影响,巡检效率较低,人工成本较高,且在面对恶劣天气和环境条件时,无法及时应对,还可能存在安全问题。近年来,随着无人机技术的发展和成熟,越来越多的行业使用无人机来代替传统的人工作业,其主要原因在于无人机巡检克服了地面环境的限制,在减少人工成本的同时,还能极大地提高巡检效率,可谓一举多得。但是现在市面上与其配套的信息化管理系统却寥寥无几,且存在的系统也都有使用场景的限制,无法拿来即用。在这个背景下,利用信息化技术,开发一款对无人机石油管线巡检全流程进行管控的无人机巡线管理系统就显得尤为重要。本文设计并实现了一套无人机巡线管理系统,系统包含两部分,分别是网页端后台管理系统以及地面站视频处理系统。其中网页端后台管理系统使用Java语言,基于B/S架构,通过前后端分离模式进行开发,后端使用Spring Boot框架,前端使用Vue框架,持久层使用Mybatis-plus框架,数据库方面使用My Sql作为业务数据库,Redis作为缓存数据库,Minio作为存储服务器。实现了包括首页和大屏展示、飞行资源管理、任务管理、数据管理、系统管理在内的五大功能模块;视频处理系统使用C++语言,基于C/S架构进行开发,使用Qt+Qml进行界面开发,通过调用Open CV函数库完成图像处理的相关操作,使用YOLOv5卷积神经网络进行模型训练并用于目标检测。实现了石油管线标注和目标检测两大功能模块。其中在石油管线标注模块,基于Open CV函数库实现了地图拼接和实时视频处理的功能,并对传统的特征点匹配算法、特征点筛选算法进行了优化。在目标检测模块,使用自标注的数据集,通过YOLOv5卷积神经网络训练出自己的深度学习模型,并将其应用到实时的目标检测中。此外,考虑到系统的安全性,系统整合Shiro+JWT对系统的认证授权进行控制,实现了基于角色的权限访问控制机制。经过测试与部署,本系统能满足用户的基本需求,在辅助工作人员进行巡检的同时,对巡检相关数据实现了信息化管理,具有一定的实际应用价值。

基于无人机巡检的铁路排水结构异物检测方法研究

这是一篇关于铁路排水结构,无人机巡检,图像分类,异物检测,语义分割的论文, 主要内容为铁路在我国发展迅速,随之而来的铁路安全隐患也日益增多。其中,水害是造成铁路安全隐患的重要因素之一,因此定期对铁路排水结构进行排查、清理是很有必要的。目前铁路上的巡检方式,多以人工巡检为主,很难满足如今的巡检效率需求,尤其是铁路隧道区域,其地势复杂,排水系统依山而建,大大增加了人工巡检的难度。因此如何高效地实现铁路排水结构异物检测成为了亟需解决的问题。本文依靠无人机巡检的便携性和高效性,获取铁路现场图像数据,通过深度学习方法对图像进行分类、检测和分割以评估排水结构异物的危险性,实现高效、智能的铁路排水结构检测,该方法能够为铁路排水结构的巡检提供一种新的思路。本文主要进行以下几个方面的研究:1.针对铁路现场数据获取不便的问题,设计了无人机图像采集方案,并对铁路隧道洞口仰坡的巡检航线进行改进,通过现场试验,成功获取了铁路现场的图像数据,用于后续网络模型中数据集的构建。2.针对无人机巡检图像并非只含有铁路排水结构一种检测目标的问题,提出基于Efficient Net V2的无人机图像自动分类方法。将无人机巡检获取到的图像数据划分成四个类别,在MBConv模块中引入ECA注意力机制并调整了深度可分离卷积的卷积核尺寸,同时更改了网络整体的模块堆叠结构。在网络轻量化的同时提高了无人机图像分类效率,实现铁路排水结构在铁路无人机图像中的自动分类。3.针对铁路排水结构中异物特征与排水结构周边环境特征一致的问题,提出基于YOLOX的铁路排水结构异物检测方法。将分类后的排水结构图像作为数据集,根据异物特征分为五类检测目标,增加了网络的分流,以获取更深层的特征信息;替换了主干网络中的残差模块及空间特征池化金字塔模块,同时选择使用EIo U loss损失函数,一定程度上改善了正负样本不均衡的问题,提高了铁路排水结构异物检测的准确率。4.针对传统铁路排水结构异物危险性评估效率低的问题,提出基于U2Net的铁路排水结构异物危险性智能评估方法。在目标检测数据集的基础上构建语义分割数据集,考虑到分割网络的模型尺寸,使用深度可分离卷积替换了网络中参与采样的普通卷积,并在特征融合模块加入ECA注意力机制,得到掩膜形式的异物分割结果。最后设计了危险性评估模块,计算分割后异物在排水结构中的像素占比,评估其对铁路排水结构的危害程度,并提出整治建议。本文基于铁路现场采集到的无人机图像数据,依次对其进行了图像分类、目标检测和语义分割三种网络的试验。针对铁路排水结构异物这一目标,将改进后的网络与部分主流网络进行比较,证明了本文研究方法在检测效率与准确率上的优势,该方法可实现铁路排水结构的高效、智能化检测,具有一定的实际应用价值。

面向无人机能耗优化的边缘资源调配子系统设计与实现

这是一篇关于无人机巡检,边缘计算,任务分配,容器迁移,电力物联网的论文, 主要内容为近年来,随着物联网技术的快速发展以及电力物联网的智能化发展,越来越多的电力设备和终端设备应用到电力物联网中。然而,随着电网的快速发展,电网设备量急速增长,运维工作量大幅增加、人工巡检作业效率低、人员严重短缺等问题日益突出。具有高度灵活机动性的无人机成为了电力行业重要的智能设备,基于无人机来实现线路和电力设备的巡检业务。然而,无人机受限的续航能力导致传统无人机巡检业务难以智能化。需要找到在电力物联网场景下的无人机巡检调配机制,优化无人机能耗,提升巡检业务效率。为解决以上问题,本课题基于边缘计算技术,设计了一种面向无人机能耗优化的边缘资源调配机制,在保证任务完成时延的前提下,提升无人机续航能力,降低边缘网络负载平衡,降低边缘节点能耗,提升巡检效率。该机制包括面向无人机能耗优化的任务分配机制和基于容器迁移的边缘资源调配机制,分别实现了优化无人机能耗,降低任务时延的任务分配和基于容器迁移来调配边缘网络资源平衡边缘网络负载,进一步降低任务时延和系统能耗。基于面向无人机能耗优化的边缘资源调配机制,本课题设计了面向无人机能耗优化的边缘资源调配子系统。整个子系统主要分为云端层、边缘层和终端层,基于Vue、Node.JS、Go、Docker和Kubernetes等技术和框架来设计并实现了面向无人机能耗优化的边缘资源调配子系统。首先,本课题分析了子系统的功能需求,并基于此设计了子系统的总体架构和网络管理模块、节点监控模块、资源管理模块、调配机制管理模块和前端显示模块等五个核心模块。最后,本课题对子系统进行了详尽的功能测试。测试结果和效果展示表明,本课题设计的子系统能实现无人机能耗优化的边缘资源调配,具有研究和应用价值。

基于改进YOLOx的输配电线路设备检测和缺陷识别

这是一篇关于输配电线路,无人机巡检,设备检测,缺陷识别,注意力机制,模型轻量化的论文, 主要内容为我国电力系统规模庞大,系统复杂度高,安全监测需求突出。由于输配电线路地势复杂、分布广,所需巡检的设备类别和缺陷种类众多、尺寸差异大,传统低效的人工巡检难以满足日常的线路巡检需求,因此国家电网和南方电网引入无人机对输配电线路进行智能巡检,针对电力设备和缺陷在无人机巡检图像中检测困难等问题,本文结合深度学习的优势,基于YOLOx,提出配电线路与输电线路的设备检测和缺陷识别方法,为配电线路与输电线路智能巡检提供技术思路。本文主要进行了以下研究:针对电力设备和缺陷在配电线路巡检图像中背景复杂、设备缺陷尺寸差异大、目标形态多变等问题,本文提出一种基于改进YOLOx的配电线路多设备检测和缺陷识别方法。基于YOLOx算法,在主干网络浅层特征层后加入感受野块(Receptive Field Block,RFB),增大网络感受野;添加坐标注意力模块(Coord Attention,CA),更好地获取目标空间方向特征信息,提高目标定位精度;在路径聚合网络(Path Aggregation Network,PANet)首次融合特征后,加入自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)模块,通过给不同尺度的特征分配自适应的权重参数,实现多尺度深浅特征的高效再次融合;此外,将YOLOx中的损失函数Bce Loss替换为Focal Loss,缓解小目标正负样本不平衡导致的模型收敛难问题。在国网江西省电力有限公司科技项目自建的配电数据集上进行实验。结果表明,本文提出的方法在性能方面明显优于其他对比方法,有效地提升了配电线路多设备检测和缺陷识别的效果。针对输电线路无人机巡检平台资源有限、目标检测算法复杂度高、推理速度慢等问题,提出了一种轻量级YOLOx的网络模型。首先,以轻量级Shuffle Net V2＿Plus网络作为主干网络用于特征提取,对Shuffle Net V2网络中的深度卷积(Depthwise Convolution,DWConv)进行卷积核的扩张,将Shuffle Unit模块中的3×3DWConv替换成5×5DWConv,并对模型进行卷积层剪枝,将Shffle Unit基本单元模块中1×1逐点卷积(Pointwise Convolution,PWConv)进行剪枝,在增大网络感受野的同时减少了网络参数;同时,在颈部特征融合部分加入ECA(Efficient Channel Attention)模块,使得网络更好地关注重要区域,以少量计算代价提高目标检测精度;最后,将YOLOx检测解耦头中的普通卷积替换成深度可分离卷积(Depthwise Separable Convolution,DSConv),进一步降低模型复杂度。结果表明,本文提出的轻量化网络模型推理时间仅为5.8ms,模型参数仅有4.361MB,FLOPs也仅有10.725G,且在组合自建的输电线路数据集上有较高的检测精度。