一种自动巡线方法和自动巡线无人机与流程

1.本发明实施例涉及输电应用技术领域，尤其涉及一种自动巡线方法和自动巡线无人机。


背景技术：

2.近年来，随着无人机技术的不断发展，无人机以携带方便、操作简单、反应迅速、载荷丰富、任务用途广泛、起飞降落对环境的要求低、可自主飞行等优势受到各工作领域的青睐。
3.其中，将无人机应用到电力巡线方面可大大提高电力维护和检修的速度和效率，使许多工作能在完全带电的环境下迅速完成，确保了用电安全、减少操作无人机工作量，提高作业人员的工作效率。
4.现有的无人机巡线方案是通过无人机一次性采集巡检区域的图像，并在巡检结束后将所有图像导出，由作业人员进行分析。该方法存在如下问题：巡检过程中会产生大量的图像，对大量的图像进行筛选需要花费大量的时间，且容易出错；同时，巡检结果存在滞后性，带电作业的设备可能会导致线路事故停电，造成高额的停电费用损失。


技术实现要素：

5.本发明实施例提供一种自动巡线方法和自动巡线无人机，以提高现场巡检的效率。
6.第一方面，本发明实施例提供了一种自动巡线方法，由无人机执行，所述方法包括：
7.获取预设的样本特征值和预设的巡检路线，其中，所述巡检路线中携带有巡检点信息；
8.按照所述巡检路线进行巡航，以采集巡检点设备的现场图像和现场温度；
9.基于所述现场图像、所述现场温度以及所述样本特征值对所述巡检点设备进行预检；
10.基于预检结果更新巡检操作。
11.可选的，所述基于所述现场图像、所述现场温度以及所述样本特征值对所述巡检点设备进行预检，包括：
12.基于所述现场图像和所述现场温度确定所述巡检点设备的当前特征值；
13.基于所述样本特征值与所述当前特征值对所述巡检点设备进行预检。
14.可选的，所述基于所述现场图像和所述现场温度确定所述巡检点设备的当前特征值，包括：
15.基于所述现场图像获取所述巡检点设备的外观特征值以及基于所述现场温度获取所述巡检点设备的温度特征值；
16.基于所述外观特征值和所述现场温度特征值确定所述巡检点设备的当前特征值。
17.可选的，基于所述外观特征值和所述现场温度特征值采用如下公式确定所述巡检点设备的当前特征值：
[0018][0019]
式中：cv
rt
为所述现场图像的当前特征值，为所述现场图像的外观特征值，cv
trt
为所述现场图像的温度特征值，α1为所述外观特征值的权重系数，α2为所述温度特征值的权重系数。
[0020]
可选的，所述基于所述样本特征值与所述当前特征值对所述巡检点设备进行预检，包括：
[0021]
将所述当前特征值与所述样本特征值进行比对；
[0022]
若所述当前特征值大于所述样本特征值，则确定所述现场图像为异常图像；
[0023]
若所述当前特征值小于或等于所述样本特征值，则确定所述现场图像为正常图像，将所述正常图像存储于预设的普通数据区。
[0024]
可选的，所述基于预检结果更新巡检操作，包括：
[0025]
若所述现场图像为正常图像，则按照所述巡检路线对下一巡检点设备进行检测；或者，
[0026]
若所述现场图像为异常图像，则将所述异常图像输出至终端平台，以指示所述终端平台对所述异常图像进行识别；
[0027]
响应所述终端平台输出的控制指令更新巡检操作，其中，所述控制指令由所述终端平台根据对所述异常图像的识别结果所生成。
[0028]
可选的，所述响应所述终端平台输出的控制指令更新巡检操作，包括：
[0029]
响应所述终端平台输出的继续巡检指令，按照所述巡检路线对下一巡检点设备进行检测，其中，所述继续巡检指令由所述终端平台对所述异常图像的识别结果为合格时输出；或者，
[0030]
响应所述终端平台的图像更新指令，按照预设角度更新采集当前巡检点设备的现场图像，其中，所述图像更新指令由所述终端平台对所述异常图像的识别结果为不合格时输出；
[0031]
将更新采集的所述现场图像存储于预设的待处理数据区并输出至所述终端平台；
[0032]
按照所述巡检路线对下一所述巡检点设备进行检测。
[0033]
可选的，在所述获取预设的样本特征值之前，所述方法还包括：
[0034]
获取预设的样本图像；
[0035]
基于所述样本图像提取样本设备的外观特征值；
[0036]
基于所述外观特征值和预设的样本温度确定所述样本设备的样本特征值。
[0037]
第二方面，本发明实施例还提供了一种自动巡检无人机，用于执行本发明任意实施例所述的自动巡线方法，所述自动巡检无人机包括：
[0038]
航拍平台，用于采集巡检点的现场图像；
[0039]
红外热像仪，用于采集个巡检点的现场温度；
[0040]
飞控系统，与所述航拍平台和所述红外热像仪分别连接，所述飞控系统用于：
[0041]
获取预设的样本特征值和预设的巡检路线，其中，所述巡检路线中携带有巡检点
信息；
[0042]
按照所述巡检路线进行巡航；
[0043]
基于所述现场图像、所述现场温度以及所述样本特征值对所述巡检点设备进行预检；
[0044]
基于预检结果更新巡检操作。
[0045]
可选的，所述分控系统还用于：
[0046]
基于所述现场图像获取所述巡检点设备的外观特征值以及基于所述现场温度获取所述巡检点设备的温度特征值；
[0047]
基于所述外观特征值和所述现场温度特征值确定所述巡检点设备的当前特征值；
[0048]
基于所述样本特征值与所述当前特征值对所述巡检点设备进行预检。
[0049]
本发明实施例所提供的自动巡线方法，无人机根据预先制定的巡检路线依次采集各个巡检点的设备信息并对设备进行预检测，具体而言，无人机采集各巡检点的图像信息和温度信息，通过内置算法基于所采集的图像信息和温度信息计算出设备的当前特征值，以通过当前特征值来反映设备的当前状况；再通过将当前特征值与样本特征值进行比对来对设备进行预检测，因为样本特征值表征了设备的正常状况，因而通过样本特征值与当前特征值的比较可以判断设备是否存在缺陷。本实施例由无人机对设备进行预检，可直接筛选出运行正常的设备和存在异常的设备，并根据预检结果来决定后续的巡检操作，相比于现有的无人机直接采集现场图像的巡检方法，本实施例巡检方法能够及时检测出设备状况，由此可以避免设备长期处于异常状态，及时发现并处理，可以降低设备故障导致断电的风险。同时，通过对设备进行预检测，无人机可自动筛选出缺陷设备的图像，这样后续作业人员在进行设备分析时不再需要从大量的巡检图像中进行手动筛选，从而减轻了人工筛选的工作量，提高了作业人员的工作效率。
附图说明
[0050]
图1为本发明实施例提供的一种自动巡线方法的流程图；
[0051]
图2为本发明实施例提供的另一种自动巡线方法的流程图；
[0052]
图3为本发明实施例提供的又一种自动巡线方法的流程图；
[0053]
图4为本发明实施例提供的一种自动巡检无人机的结构框图。
具体实施方式
[0054]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0055]
图1为本发明实施例提供的一种自动巡线方法的流程图，本实施例可适用于对电力设备进行巡检的情况，以通过无人机自动对各个巡检点进行设备检测。该方法可以由无人机来执行，参考图1，该方法具体包括如下步骤：
[0056]
s110、获取预设的样本特征值和预设的巡检路线。
[0057]
其中，巡检路线中携带有巡检点信息。
[0058]
预设的样本特征值是指设备在正常状态下特征值。电力设备在运行过程中受到损
坏时，主要表现在外观受损和工作温度产生变化，因而本实施例主要通过设备的外观特征和温度特征这两个因素来表征设备的特征值。相应地，该特征值可以包括外观特征值和工作温度特征值。其中的外观特征值可通过预先采集的设备的样本图像进行图像特征提取而得到。确定设备的样本特征值的具体方法可参见后续实施例的介绍。示例性的，本实施例中的设备可以为导线、金具、绝缘子、避雷线、杆塔、螺栓等。
[0059]
预设的巡检路线由作业人员预先制定。巡检路线中包括了预先制定的多个巡检点，无人机根据预先制定的巡检路线飞行至各个巡检点，对各个巡检点的设备进行检测。
[0060]
s120、按照巡检路线进行巡航，以采集巡检点的现场图像和现场温度。
[0061]
其中，无人机在获取到预设的巡检路线后，会按照该巡检路线进行自动巡航，以巡航至预先制定的巡检点，对巡检点的设备进行图像和温度信息采集，通过采集的图像和温度信息来判断巡检点的设备是否存在异常。
[0062]
无人机中配置有图像采集设备和温度采集设备，以通过图像采集设备采集巡检点的现场图像和通过温度采集设备采集巡检点现场温度。
[0063]
在一个实施例中，图像采集设备为航拍平台的变焦摄像机，温度采集设备为红外热像仪，相应地，无人机使用航拍平台采集巡检点的现场图像，以及使用红外热像仪采集巡检点的现场温度。
[0064]
s130、基于现场图像、现场温度以及样本特征值对巡检点设备进行预检。
[0065]
其中，无人机在获取到现场图像后，按照预设算法提取现场图像中的图像特征，以通过图像特征来表征设备是否存在缺陷以及缺陷的数量、严重程度等。无人机进一步通过现场温度来判断设备工作在正常温度范围内，是否已经超温工作等。再通过内置的评价机制结合图像信息和温度信息得到设备的当前特征值，通过将当前特征值与样本特征值进行比较，实现对设备的预检测。
[0066]
其中，样本特征值表征了设备在正常状态下的特征信息，而当前特征值表征了设备当前的特征信息，因而通过将当前特征值和样本特征值进行比较，可以判断设备是否存在缺陷或故障，无人机根据判断结果执行后续的巡检操作。
[0067]
s140、基于预检结果更新巡检操作。
[0068]
其中，若是预检结果合格，表明该巡检点设备正常，没有缺陷，无人机按照预设的处理机制进行图像存储并继续巡航至后续巡检点进行设备检测；若是预检结果不合格，表明该巡检点设备存在缺陷，需要进行维护，无人机通过预设的处理机制对当前巡检点进行针对性处理后继续巡航至后续巡检点进行设备检测。无人机在这两种情况下的具体处理方法可参见后续实施例的介绍。
[0069]
本发明实施例所提供的自动巡线方法，无人机根据预先制定的巡检路线依次采集各个巡检点的设备信息并对设备进行预检测，具体而言，无人机采集各巡检点的图像信息和温度信息，通过内置算法基于所采集的图像信息和温度信息计算出设备的当前特征值，以通过当前特征值来反映设备的当前状况；再通过将当前特征值与样本特征值进行比对来对设备进行预检测，因为样本特征值表征了设备的正常状况，因而通过样本特征值与当前特征值的比较可以判断设备是否存在缺陷。本实施例由无人机对设备进行预检，可直接筛选出运行正常的设备和存在异常的设备，并根据预检结果来决定后续的巡检操作，相比于现有的无人机直接采集现场图像的巡检方法，本实施例巡检方法能够及时检测出设备状
况，由此可以避免设备长期处于异常状态，及时发现并及时处理，可以降低设备故障导致断电的风险。同时，通过对设备进行预检测，无人机可自动筛选出缺陷设备的图像，这样后续作业人员在进行设备分析时不再需要从大量的巡检图像中进行手动筛选，从而减轻了人工筛选的工作量，提高了作业人员的工作效率。
[0070]
可选的，图2为本发明实施例提供的另一种自动巡线方法的流程图，本实施例在上述实施例的基础上进行了优化，参考图2，该方法具体包括如下步骤：
[0071]
s210、获取设备的样本特征值和预设的巡检路线，其中，巡检路线中携带有巡检点信息。
[0072]
s220、按照巡检路线进行巡航，以采集巡检点的现场图像和现场温度。
[0073]
s230、基于现场图像和现场温度确定巡检点设备的当前特征值。
[0074]
如上述实施例分析，电力设备在受损时，主要表现为外观破损和温度过高，由此无人机按照一定的算法可通过现场图像得到反映设备外观的特征信息，再通过对反映设备外观的特征信息和反映设备工作温度的现场温度按照一定的评价机制进行打分计算即可得到反映设备整体运行情况的当前特征值。
[0075]
在一个实施例中，确定巡检点设备的当前特征值的步骤可具体优化为：
[0076]
基于现场图像获取巡检点设备的外观特征值以及基于现场温度获取巡检点设备的温度特征值；
[0077]
基于外观特征值和现场温度特征值确定巡检点设备的当前特征值。
[0078]
其中，无人机可根据预设的图像处理算法对现场图像进行特征提取而得到设备的外观特征。例如，无人机可通过神经网络模型提取出现场图像的外观特征。无人机进一步根据内置的评价机制基于这些外观特征计算出外观特征值，以通过外观特征值来反映设备整体的外观情况。例如，设备是否存在预设类型的缺陷，如是否存在破损、白斑等。当存在缺陷时，再根据缺陷的数量、类型等进行计算而得到设备的外观特征值。在计算时，可为不同的缺陷分配一定的权重，以使得所得到的外观特征值能够反映设备整体的外观情况。
[0079]
同样地，无人机可进一步根据现场温度计算出温度特征值。例如，无人机中预先配置有多个温度阈值，每个温度阈值对应一个分值，飞控系统将当前的现场温度与预设的温度阈值进行比较，确定出现场温度所对应的分值，即为反映设备当前运行状况下的温度特征值。
[0080]
在计算得到巡检点设备的外观特征值和温度特征值后，无人机可将设备的温度特征值和外观特征值进行加权计算，得到反映设备整体状况的当前特征值。
[0081]
示例性的，无人机的飞控系统可按照如下方法计算设备的当前特征值：
[0082][0083]
式中：cv
rt
为现场图像的当前特征值，为现场图像的外观特征值，cv
trt
为现场图像的温度特征值，α1为外观特征值的权重系数，α2为温度特征值的权重系数。
[0084]
外观特征值的权重系数和温度特征值的权重系数可结合电力设备运行区域的温度、天气等环境因素进行调节，以使得计算得到的当前特征值能够真实反映设备的整体情况。
[0085]
s240、基于样本特征值与当前特征值对巡检点设备进行预检。
[0086]
其中，当前特征值表征了设备在当前情况下的整体情况，而样本特征值表征了设备在正常状况下的整体情况，因而通过将当前特征值和样本特征值进行比较可以判断出设备的当前状况是否正常。
[0087]
本实施例无人机通过内置算法对设备进行预检，可以筛选出存在明显缺陷的设备，由此可根据预检结果对设备图像进行分类存储。在一个实施例中，对巡检点设备进行预检的过程可细化为：
[0088]
将当前特征值与样本特征值进行比对；
[0089]
若当前特征值大于样本特征值，则确定现场图像为异常图像；
[0090]
若当前特征值小于或等于样本特征值，则确定现场图像为正常图像，将正常图像存储于预设的普通数据区。
[0091]
其中，当前特征值大于样本特征值，表明设备的缺陷较多，需要进行维护。无人机将此时的设备图像确定为异常图像。
[0092]
本步骤中，无人机仅将正常图像存储于普通数据区，而异常图像则需等待进一步的确认结果再进行对应存储。本实施例中无人机中预先配置有普通数据区和待处理数据区，其中的异常图像在经由后续步骤的终端平台识别后确定为异常时被存储至待处理数据区，否则，图像都被存储至普通数据区。通过为无人机划分普通数据区和待处理数据区来分别存储正常图像和异常图像，实现在巡线过程中完成对设备图像进行筛选分类，从而在后续排查阶段时，作业人员可以直接获取到存在问题的设备图像，不再需要作业人员进行人工筛选，提高了作业人员的检查阶段的工作效率，能更方便、更系统的了解异常部件的被破坏情况。
[0093]
在一些实施例中，无人机基于如下公式对巡检点设备进行预检：
[0094]
|cv
rt-cv
n
|≤ε
ꢀꢀ
(2)
[0095]
式中，cv
rt
为现场图像的当前特征值，cv
n
为样本图像的样本特征值，ε为预设的误差系数。
[0096]
若是巡检点设备的现场特征值与样本特征值的比较结果符合公式(2)，则无人机确认该巡检点设备预检合格，对应的现场图像为正常图像；否则，若是比较结果不满足公式(2)，则确认该巡检点的预检不合格，对应的现场图像为异常图像。
[0097]
在另一些实施例中，无人机在对巡检点设备进行预检时，还分别对巡检点设备的外观和温度进行单项检测，具体地，无人机按照如下公式分别确认巡检点设备的外观和温度是否符合要求：
[0098][0099]
|cv
trt-cv
tn
|≤ε2ꢀꢀ
(4)
[0100]
式中，为巡检点设备的外观特征值，为样本图像的外观特征值，cv
trt
为巡检点设备的温度特征值，cv
tn
为样本图像的温度特征值，ε1为预设的外观误差系数，ε2为预设的温度误差系数。
[0101]
无人机通过公式(2)、(3)和(4)对巡检点设备进行检测，只有当公式(2)、(3)和(4)均满足时，无人机才确认预检合格，即现场图像为正常图像；否则，任一项不满足时，均确认预检不合格，即现场图像为异常图像。
[0102]
s250、若现场图像为正常图像，则按照巡检路线对下一巡检点设备进行检测。
[0103]
其中，无人机在确认现场图像正常时，无人机将这些正常图像自动存储于预设的普通数据区，这样，在后续排查阶段，作业人员可绕开这部分正常的图像，从而大大降低了作业人员的工作强度，提高了作业人员的排查效率。
[0104]
无人机在确认现场图像正常时，无人机按照预设的巡检路线飞行至下一个巡检点继续执行对设备的巡检操作。无人机对每个巡检点执行上述操作，直至完成整个巡线。
[0105]
s260、若现场图像为异常图像，则将异常图像输出至终端平台，以指示终端平台对异常图像进行识别；响应终端平台输出的控制指令更新巡检操作。
[0106]
其中，控制指令由终端平台根据对异常图像的识别结果所生成。
[0107]
无人机在确认现场图像为异常图像时，无人机将异常图像输出至终端平台，由终端平台进行进一步的识别和检测。终端平台例如可以由作业人员对图像进行甄别，以确认这些图像是否存在异常。相应地，终端平台根据对图像的识别结果输出不同的控制指令，无人机根据所获取到的控制指令对应动作。该过程可进一步优化如下：
[0108]
响应终端平台输出的继续巡检指令，按照巡检路线对下一巡检点设备进行检测，其中，继续巡检指令由终端平台对异常图像的识别结果为合格时输出；或者，
[0109]
响应终端平台的图像更新指令，按照预设角度更新采集当前巡检点设备的现场图像，其中，图像更新指令由终端平台对异常图像的识别结果为不合格时输出；
[0110]
将更新采集的现场图像存储于预设的待处理数据区并输出至终端平台；
[0111]
按照巡检路线对下一巡检点设备进行检测。
[0112]
其中，若是终端平台经过识别，确认巡检点设备没有缺陷，不需要进行维护，则终端平台输出继续巡检指令，无人机响应该继续巡检指令飞行至下一个巡检点，对下一巡检点设备按照相同的方法进行检测。需要注意的是，本实施例中在经过终端平台确认后，若是预检过程中的异常图像被终端平台识别后，不存在缺陷，则无人机将对应的图像存储至普通数据区。
[0113]
若是终端平台经过识别，确认该设备确实存在缺陷，则终端平台输出图像更新指令，无人机在获取到图像更新指令后，会按照预设角度更新采集巡检点设备图像。示例性的，无人机可对巡检点设备进行360
°
全方位拍摄，以获取到该设备的全角度图像，供作业人员从对该巡检点设备进行详细的分析。需要注意的是，本实施例中，经终端平台识别后，若是预检过程中的异常图像确实存在缺陷，则无人机将该异常图像以及重采集的图像全部存储于待处理区域。
[0114]
无人机在重新采集完巡检点设备的现场图像后，会按照巡检路线继续飞行至下一个巡检点，对下一巡检点设备按照相同的方法进行检测。
[0115]
无人机通过对每个巡检点设备执行上述检测过程，直至巡线结束。
[0116]
本发明实施例提供的自动巡线方法，无人机按照预设的算法根据采集的现场图像提取巡检点设备的外观特征信息，并根据外观特征信息计算出相应的外观特征值，通过采集的现场温度计算出设备的温度特征值，无人机基于该外观特征值和温度特征值计算得到设备的当前特征值，再通过将当前特征值与预先得到的设备在正常状态的样本特征值进行比对，对设备进行预检测，从而在对设备进行巡检的过程中初步检测出巡检点设备是否存在异常，并根据检测结果对巡检点设备图像进行分类存储。当无人机在检测到设备异常时，
无人机进一步将采集到的异常图像输出至终端平台，由终端平台进行更加精确的识别，当终端平台确认该巡检点的设备确实存在异常时，无人机响应终端平台的图像更新指令，重新对设备进行全方位拍摄，以获取到全角度的现场图像，这些图像被输出至终端平台，供终端平台进行综合分析，实现在巡检过程中即可检测出存在异常的设备，及时发现缺陷，及时提供信息，避免了线路事故停电，挽回了高额的停电费用损失。同时，无人机因为能够实现对设备进行预检，从而可以根据预检结果对现场图像进行自动分类，这样可以有针对性的输出现场图像，从而作业人员能够直接获取到存在异常的现场图像，减轻了作业人员的工作量，有利于提高作业人员的工作效率，精准找到故障点的相应情况。
[0117]
可选的，在上述技术方案的基础上，在获取设备的样本特征值之前，该自动巡线方法还包括：
[0118]
获取预设的样本图像；
[0119]
基于样本图像提取样本设备的外观特征值；
[0120]
基于外观特征值和预设的样本温度确定样本设备的样本特征值。
[0121]
其中，无人机通过获取样本图像，并对样本图像进行特征提取，获取到样本图像的外观特征，再按照预设算法基于这些外观特征计算出样本图像的外观特征值。无人机计算外观特征值的方法与计算现场图像的外观特征值的方法类似，本实施例不再赘述。
[0122]
同样地，无人机基于预设的环境温度信息计算得到样本图像的温度特征值，通过将样本图像的外观特征值和温度特征值进行加权计算而得到样本特征值。
[0123]
在一个实施例中，无人机基于如下公式计算样本特征值：
[0124][0125]
式中：cv
n
为样本特征值，为样本外观特征值，cv
tn
为样本温度特征值，α1为外观特征值的权重系数，α2为温度特征值的权重系数。
[0126]
可选的，图3为本发明实施例提供的又一种自动巡线方法的流程图，本实施例在上述实施例的基础上进行了优化，参考图3，该方法具体包括如下步骤：
[0127]
s310、导入样本图像和巡航路线。
[0128]
其中，无人机在巡线前，由作业人员间预先准备好的样本图像导入无人机，并导入巡航路线。无人机中的飞控系统通过内置的算法对样本图像进行处理，得到反映待检测设备正常状态时的样本特征值。样本图像是指设备正常状态的图像，因而基于样本图像提取的图像特征反映了设备在正常状况下的外观特征。
[0129]
巡航路线中携带有各个巡检点信息，无人机在巡航至对应的巡检点时，通过内置的变焦摄像机采集对应巡检点的设备图像以及通过内置的红外热像仪采集对应巡检点的设备温度。
[0130]
s320、进行自动巡线拍摄。
[0131]
无人机根据巡航路线飞行至各个巡检点依次对各个巡检点设备进行拍摄。
[0132]
s330、判断采集的图像是否符合要求。
[0133]
本步骤是通过采集的图像对该巡检点设备进行预检，以通过无人机在巡航现象进行初步检测。无人机的预检过程可参见上述实施例的介绍，本实施例不再赘述。
[0134]
若采集的图像不符合要求，则进入步骤s340；否则，若采集的图像符合要求，则进
入步骤s370。
[0135]
s340、将异常图像发送至终端平台。
[0136]
将异常图像输出至终端平台，由终端平台进一步确认当前巡检点设备是否确实存在异常。
[0137]
s350、终端平台进行确认。
[0138]
终端平台进行确认的具体方法可参见上述实施例的介绍，本实施例不再赘述。若终端平台确认异常图像合格，则进入步骤s370；否则，进入步骤s360。
[0139]
s360、对该巡线点进行全方位拍摄，并将图像保存于待处理工作区，进行下一个巡线点。
[0140]
其中，无人机响应终端平台的图像重新采集指令，对当前巡检点进行360
°
拍摄，得到当前巡检点的全角度图像。无人机在重新采集完该巡检点的图像后，将这些图像存放至待处理数据区，作为后续作业人员进行故障排查的参考依据。同时，无人机将这些重新采集的图像存储至待处理数据区，这样作业人员在导出巡检图像时，能够直接得到异常巡检点的设备图像，作业人员无需进行人工分拣，提高了作业人员的工作效率。
[0141]
s370、进行下一个巡线点，并将采集的图像保存于普通工作区。
[0142]
本步骤通过将正常的图像存储于普通工作区，以根据预检结果对采集的设备图像进行分类存储，从而减少作业人员在排查阶段的工作量，提高作业人员的工作效率。
[0143]
s380、完成自动巡线。
[0144]
可选的，图4为本发明实施例提供的一种自动巡检无人机的结构框图，该自动巡检无人机可自动执行本发明任意实施例所述的自动巡线方法，参考图3，该自动巡检无人机40包括：
[0145]
航拍平台410，用于采集巡检点的现场图像；
[0146]
红外热像仪420，用于采集个巡检点的现场温度；
[0147]
飞控系统430，与航拍平台410和红外热像仪420分别连接，飞控系统430用于：
[0148]
获取预设的样本特征值和预设的巡检路线，其中，巡检路线中携带有巡检点信息；
[0149]
按照巡检路线进行巡航；
[0150]
基于现场图像、现场温度以及样本特征值对巡检点设备进行预检；
[0151]
基于预检结果更新巡检操作。
[0152]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0153]
基于现场图像和现场温度确定巡检点设备的当前特征值；
[0154]
基于样本特征值与当前特征值对巡检点设备进行预检。
[0155]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0156]
基于现场图像获取巡检点设备的外观特征值以及基于现场温度获取巡检点设备的温度特征值；
[0157]
基于外观特征值和现场温度特征值确定巡检点设备的当前特征值。
[0158]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0159]
基于外观特征值和现场温度特征值采用如下公式确定巡检点设备的当前特征值：
[0160]
[0161]
式中：cv
rt
为现场图像的当前特征值，为现场图像的外观特征值，cv
trt
为现场图像的温度特征值，α1为外观特征值的权重系数，α2为温度特征值的权重系数。
[0162]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0163]
将当前特征值与样本特征值进行比对；
[0164]
若当前特征值大于样本特征值，则确定现场图像为异常图像，将异常图像存储于预设的待处理数据区；
[0165]
若当前特征值小于或等于样本特征值，则确定现场图像为正常图像，将正常图像存储于预设的普通数据区。
[0166]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0167]
若现场图像为正常图像，则按照巡检路线对下一巡检点设备进行检测；或者，
[0168]
若现场图像为异常图像，则将异常图像输出至终端平台，以指示终端平台对异常图像进行识别；
[0169]
响应终端平台输出的控制指令更新巡检操作，其中，控制指令由终端平台根据对异常图像的识别结果所生成。
[0170]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0171]
响应终端平台输出的继续巡检指令，按照巡检路线对下一巡检点设备进行检测，其中，继续巡检指令由终端平台对异常图像的识别结果为合格时输出；或者，
[0172]
响应终端平台的图像更新指令，按照预设角度更新采集当前巡检点设备的现场图像，其中，图像更新指令由终端平台对异常图像的识别结果为不合格时输出；
[0173]
将更新采集的现场图像存储于预设的待处理数据区并输出至终端平台；
[0174]
按照巡检路线对下一巡检点设备进行检测。
[0175]
可选的，在上述实施例的基础上，飞控系统430还具体用于：
[0176]
获取预设的样本图像；
[0177]
基于样本图像提取样本设备的外观特征值；
[0178]
基于外观特征值和预设的样本温度确定样本设备的样本特征值。
[0179]
可选的，在上述实施例的基础上，该自动巡检无人机40还包括四个电机、一个电池、一个stm32f107开发板、一个openmv模块、一个2.4grc接收机和一个rc遥控器等器件。
[0180]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。