一种自动定位桥梁支座的履带式无人机的制作方法

本发明涉及土木工程及人工智能交叉技术，特别是涉及一种自动定位桥梁支座的履带式无人机。

背景技术：

随着近年来我国基础设施建设的快速发展，土木行业发展迅速，大量的道路桥梁建设完毕，随之而来的是后期检测与维护工作。桥梁支座是连接桥梁上、下部结构的重要构件，可谓一座桥梁的咽喉所在，关系重大，一旦出现病害，如未及时发现并处理，将影响结构的受力状态和交通安全。目前桥梁支座的检测工作主要途径还是人工检测，这种方法耗时、费力而且会影响交通。一些建在深山、海上的桥梁很难通过人工检测的方法实现，或者很难保证桥梁检测人员的安全。因此，迫切的需要一种自动定位桥梁支座并采集支座图像的装置。

随着无人机技术的快速发展，无人机的应用也更多的渗透到各行各业，然而，现有技术中用无人机拍摄支座时往往因为无人机与障碍物之间存在一定的安全距离，因此拍摄支座时无人机与桥梁下表面的距离较远，这会影响支座的拍摄角度与拍摄质量，而且无人机靠近桥面板时会因为气流的缘故而导致无人机自身的稳定性降低，无法获取高质量的支座照片。而且现阶段使用无人机拍摄桥梁支座时，调整无人机与桥梁支座之间的相对位置都是依靠人工进行的，这种方法效率较低。

技术实现要素：

发明目的：本发明的目的是提供一种自动定位桥梁支座的履带式无人机，能够自动调整无人机与桥梁支座之间的相对位置，并且提高无人机的稳定性。

技术方案：本发明所述的自动定位桥梁支座的履带式无人机，包括机身、履带式支架和连接装置，履带式支架包括履带和支架，支架包括两个平行设置的框架，两个框架之间转动连接有多个转动杆，履带套设在转动杆上，机身通过连接装置连接框架；此外，所述履带式无人机还包括图像采集模块和控制模块，图像采集模块采集桥梁支座的图像，控制模块根据图像自动确定支座的位置并控制无人机自动调整与支座的相对位置。

进一步，所述连接装置可伸缩。

进一步，所述连接装置包括握持部、连接杆以及固定连接在两个框架之间的固定杆，握持部连接连接线的一端，连接杆上设有凸台，固定杆固定连接轨道，轨道分别连接弹簧的一端和调节杆的一端，弹簧的另一端位于凸台下方，且弹簧的另一端分别连接连接线的另一端和调节杆的另一端。

进一步，所述握持部的形状为环状，连接杆采用弹性材料制成，这样使无人机靠上桥面板底部时具有一定的减震功能。

进一步，所述轨道有两个，分别位于连接杆的两侧。

进一步，所述凸台有多个。

进一步，所有转动杆均匀布设在两个框架的周向上。

进一步，所述控制模块通过卷积神经网络自动确定支座的位置，卷积神经网络的建立包括以下步骤：

s1：获取桥梁支座的图像，调整桥梁支座图像的大小并标定支座的位置信息，对图像进行预处理；

s2：将桥梁支座图像划分为训练集和测试集，训练集用于训练卷积神经网络，测试集用于测试卷积神经网络；

s3：建立卷积神经网络，包括输入层、输出层、卷积层和池化层，卷积神经网络的输出值为桥梁支座图像中支座的位置信息；

s4：通过损失函数衡量卷积神经网络实际输出值与步骤s1中标定的支座位置信息之间的误差，并通过梯度下降法和反向传播算法迭代训练卷积神经网络各层的权值，得到具有自动定位桥梁支座功能的卷积神经网络。

进一步，所述步骤s1中，支座位置信息的标定通过以下方式进行：以图片的左上角为坐标轴的原点建立笛卡尔坐标系，在图片中支座所在位置画出矩形框，以矩形框的角点坐标表示支座的位置。

进一步，所述步骤s4中的损失函数为均方误差mse，根据式(1)得到：

式(1)中，n为每次输入卷积神经网络的图像的个数；yi为卷积神经网络的输出值，为步骤s1中标定的支座位置信息。

有益效果：本发明公开了一种自动定位桥梁支座的履带式无人机，与现有技术相比，具有如下的有益效果：

1)本发明通过控制模块和图像采集模块的配合，能够自动调整无人机与桥梁支座之间的相对位置，无需人工调整，提高了效率；

2)本发明通过履带式支架的设计，使得无人机能够借助履带式支架定位在桥面板下方；并且履带与桥面板之间存在静摩擦力，无人机沿桥面板滚动拍摄时，仅有转动杆发生转动，这样能够提高无人机的稳定性。

附图说明

图1为本发明具体实施方式中无人机的结构图；

图2为本发明具体实施方式中履带式支架的结构图；

图3为本发明具体实施方式中去掉履带后的无人机的结构图；

图4为本发明具体实施方式中连接装置的第二个实施例的结构图；

图5为本发明具体实施方式中连接装置的第二个实施例中连接装置处于自然状态时的结构图；

图6为本发明具体实施方式中连接装置的第二个实施例中握持部拉起时的结构图。

具体实施方式

本具体实施方式公开了一种自动定位桥梁支座的履带式无人机，如图1所示，包括机身1、履带式支架2、连接装置3、图像采集模块和控制模块，机身1通过连接装置3连接履带式支架2，图像采集模块采集桥梁支座的图像，控制模块根据图像自动确定支座的位置并控制无人机自动调整与支座的相对位置。

如图1所示，履带式支架2包括履带21和支架22。如图2所示，支架22包括两个平行设置的框架221，两个框架221之间转动连接有多个转动杆222，履带21套设在转动杆222上。转动杆222均匀布设在两个框架221的周向上。

连接装置3的第一个实施例如图1和图3所示，包括互相垂直且固定连接的连接杆和固定杆，固定杆固定在两个框架221之间。该实施例中连接装置3不可伸缩。

连接装置3的第二个实施例如图4所示，包括圆环状的握持部31、连接杆33以及固定连接在两个框架221之间的固定杆32。如图5所示，握持部31连接连接线341的一端，连接杆33上设有四个凸台331，固定杆32固定连接两个轨道34，两个轨道34分别位于连接杆33的两侧，轨道34分别连接弹簧35的一端和调节杆36的一端，弹簧35的另一端位于凸台331下方，且弹簧35的另一端分别连接连接线341的另一端和调节杆36的另一端。弹簧35、调节杆36各有两组，一组有两个。连接杆33采用弹性材料制成，例如橡胶。轨道34外面还设有外壳37，如图4所示。该实施例中连接装置3可伸缩，下面介绍一下如何实现伸缩：当握持部31被拉起的时候，如图6所示，连接线341带动调节杆36发生转动，弹簧35被压缩，此时能够控制连接杆33向上或者向下运动，调节杆36可在轨道34内移动，待连接杆33向上或者向下运动到合适位置时，也即待连接装置3收缩或者伸长至合适长度时，放开握持部31。连接装置3长度的调节(伸缩)是非连续的，只能调节凸台331之间距离的整数倍。

图像采集模块可采用能够拍摄高清图像的设备，例如佳能5d3相机。

控制模块采用人工智能芯片，人工智能芯片可选择中科院发布的面向低功耗场景视觉应用的寒武纪1h8。与传统芯片不同，新一代寒武纪的人工智能芯片模拟大脑的神经元和突触，一条指令即可完成一组神经元的处理，这种计算模式在做智能处理时，效率要比传统芯片高几百倍，性能功耗比也实现飞跃。

控制模块通过卷积神经网络自动确定支座的位置，卷积神经网络的建立包括以下步骤：

s1：获取桥梁支座的图像，调整桥梁支座图像的大小并标定支座的位置信息，对图像进行预处理；

s2：将桥梁支座图像划分为训练集和测试集，训练集用于训练卷积神经网络，测试集用于测试卷积神经网络；

s3：建立卷积神经网络，包括输入层、输出层、卷积层和池化层，卷积神经网络的输出值为桥梁支座图像中支座的位置信息；

s4：通过损失函数衡量卷积神经网络实际输出值与步骤s1中标定的支座位置信息之间的误差，并通过梯度下降法和反向传播算法迭代训练卷积神经网络各层的权值，得到具有自动定位桥梁支座功能的卷积神经网络。

步骤s1中，支座位置信息的标定通过以下方式进行：以图片的左上角为坐标轴的原点建立笛卡尔坐标系，在图片中支座所在位置画出矩形框，以矩形框的角点坐标表示支座的位置。图像的预处理方法为：计算所有图像的像素值之和然后除以图像的数量得到一个均值图像，在每一幅图像中减去所述均值图像的像素值。

步骤s4中的损失函数为均方误差mse，根据式(1)得到：

式(1)中，n为每次输入卷积神经网络的图像的个数；yi为卷积神经网络的输出值，为步骤s1中标定的支座位置信息。

步骤s4中，梯度下降法的具体步骤为：计算损失函数对各个权值的梯度，从任一点开始，沿该点梯度的反方向运动一段距离，在新位置继续沿梯度反方向运行一段距离，这样不断的更新网络的权值。反向传播算法的具体步骤为：在利用梯度下降法迭代更新卷积神经网络各层的权值时，梯度根据链式求导法则从网络的最后一层依次向前传播。