本发明涉及无人机应用及光伏电站检测，具体来说，涉及一种高效的无人机光伏巡检结果定位方法。
背景技术：
1、随着光伏产业的飞速发展，光伏电站规模不断扩大，尤其是在光伏发电的市场需求逐渐增加的背景下，光伏电站的运行和维护管理变得愈加重要。传统的人工光伏巡检方式由于需要大量的人力和物力，不仅效率较低，且成本较高。同时，人工巡检对于一些隐蔽性故障的发现存在一定难度，常常无法及时发现光伏组件潜在的问题，如热斑效应、裂纹、污损等故障，导致光伏电站的能效下降，甚至出现长时间的停运。无人机光伏巡检作为一种高效、灵活的解决方案，逐渐成为光伏电站巡检的主流方式。通过搭载高清摄像头和红外热成像仪，无人机可以快速获取高分辨率的图像数据，及时发现光伏组件的故障点，极大提高了巡检效率并减少了人工成本。传统的人工光伏巡检方式效率低、成本高，且难以发现一些隐蔽性故障，无人机光伏巡检因其高效、灵活等特点。
2、然而，目前无人机光伏巡检结果定位存在精度不高、定位耗时较长等问题。例如，在复杂地形和天气条件下，无人机获取的图像数据可能出现偏差，导致定位不准确，影响后续对光伏组件故障的处理效率和准确性。
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对现有技术的不足，本发明提出一种高效的无人机光伏巡检结果定位方法，解决了上述背景技术中提出现有的目前无人机光伏巡检结果定位存在精度不高、定位耗时较长等问题。例如，在复杂地形和天气条件下，无人机获取的图像数据可能出现偏差，导致定位不准确，影响后续对光伏组件故障的处理效率和准确性的问题。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、一种高效的无人机光伏巡检结果定位方法，包括：
4、实时采集光伏组件的可见光图像和温度分布图像，并利用融合算法结合多源传感器数据对无人机的实时位置进行优化；
5、对可见光图像和温度分布图像进行预处理，并采用超分辨率重建算法对可见光图像和温度分布图像中低分辨率部分进行增强处理；
6、根据无人机航点以及图像采集时间戳的信息，将经过预处理和增强后的可见光图像和温度分布图像与无人机的定位信息进行匹配；
7、利用生成对抗网络和语义分割技术，从匹配后的可见光图像与温度分布图像中提取光伏组件的关键特征；
8、通过地理信息系统技术，将光伏组件的定位结果与故障状态进行实时展示。
9、进一步的，实时采集光伏组件的可见光图像和温度分布图像，并利用融合算法结合多源传感器数据对无人机的实时位置进行优化包括：
10、无人机通过集成卫星定位系统、惯性测量单元、高分辨率调频连续波激光感知器和视觉传感器实时采集光伏组件的可见光图像和温度分布图像，同时，获取惯性测量单元的运动信息和高分辨率调频连续波激光感知器的距离信息；
11、利用卷积神经网络对采集的可见光图像进行处理，通过粒子滤波算法将运动信息作为粒子的运动模型，对无人机的位置进行初步预测，并结合距离信息对粒子的状态进行更新；基于提取的环境特征和距离信息，计算粒子与观测数据的匹配度，更新粒子权重；
12、构建多架无人机协同定位网络，每架无人机根据自身传感器数据生成粒子，并通过信息共享协作，对粒子进行更新和融合，获得全局位置估计，对无人机进行任务分配和协作，确保光伏组件巡检任务的高效执行。
13、进一步的，利用卷积神经网络对采集的可见光图像进行处理，通过粒子滤波算法将运动信息作为粒子的运动模型，对无人机的位置进行初步预测，并结合距离信息对粒子的状态进行更新；基于提取的环境特征和距离信息，计算粒子与观测数据的匹配度，更新粒子权重包括：
14、构建基于卷积神经网络的深度学习模型，并利用预设的不同环境图像训练深度学习模型，识别出与无人机位置相关的环境特征；
15、在初始时刻，根据先验信息生成一组粒子，每个粒子代表无人机的位置状态，并为每个粒子分配一个初始权重；
16、根据无人机的运动模型，利用运动信息及距离信息，对粒子的权重进行修正，并结合环境特征，综合计算粒子的最终权重，预测下一时刻每个粒子的位置和速度；
17、将环境特征与卫星定位系统信号作为观测值，计算每个粒子与观测值之间的似然度，并根据似然度更新粒子的权重；
18、基于粒子的权重，对粒子进行重采样，舍弃权重最低的粒子，复制权重最高的粒子，并生成新的粒子集合；
19、根据新的粒子集合，通过加权平均等方法计算出无人机的估计位置，实现实时定位。
20、进一步的，构建多架无人机协同定位网络，每架无人机根据自身传感器数据生成粒子，并通过信息共享协作，对粒子进行更新和融合，获得全局位置估计，对无人机进行任务分配和协作，确保光伏组件巡检任务的高效执行包括：
21、选择适配协同定位任务的无人机型号，并为每架无人机配备通信设备，增强无人机之间的实时通信；
22、基于协同定位算法，并结合每架无人机根据自身传感器数据生成的粒子，通过信息共享和交互，对粒子进行融合和更新，得到全局定位结果；
23、根据无人机的位置、传感器类型和任务需求，进行无人机的任务分配和协作；
24、基于轨迹优化算法，优化无人机的飞行轨迹，确保无人机在执行巡检任务时能够避开障碍物并以最优路径完成任务。
25、进一步的，基于协同定位算法，并结合每架无人机根据自身传感器数据生成的粒子，通过信息共享和交互，对粒子进行融合和更新，得到全局定位结果包括：
26、定义每架无人机的状态向量及测量向量，并建立状态转移模型及测量模型；
27、初始化每架无人机的状态向量和协方差矩阵，并通过信息共享和交互将状态估计和协方差矩阵广播给其他无人机，并接收其他无人机发送的状态估计信息；
28、根据状态转移模型，预测每架无人机在下一时刻的状态；
29、将每架无人机自身的测量值与其他无人机的信息进行融合，并基于测量模型，将每架无人机的实际测量值与预测的状态进行对比，计算测量残差，重复进行无人机的状态预测及数据融合，直到满足预设的终止条件，得到全局定位结果。
30、进一步的，基于轨迹优化算法，优化无人机的飞行轨迹，确保无人机在执行巡检任务时能够避开障碍物并以最优路径完成任务包括：
31、对无人机飞行的环境进行建模，将无人机飞行的环境划分为网格状结构；
32、为每个网格单元定义坐标，设定起始点和目标点，使用a算法进行路径搜索，得到从起始点到目标点的路径；
33、基于从起始点到目标点的路径，构建图结构，使用迪杰斯特拉算法对该图结构进行路径优化，确保无人机能够避开障碍物并以最优路径完成任务。
34、进一步的，为每个网格单元定义坐标，设定起始点和目标点，使用a算法进行路径搜索，得到从起始点到目标点的路径包括：
35、为网格结构中的每个单元定义坐标，设定起始点和目标点，并创建用于存储待评估节点的开放列表和已评估节点的关闭列表，将起始点加入开放列表开始搜索；
36、计算开放列表中各节点的评估值，结合从起始点的实际代价与到目标点的估计代价；
37、从开放列表中选择评估值最小的节点作为当前处理节点，将其从开放列表中移除并加入关闭列表；
38、检查当前节点的相邻节点，若该相邻节点不在开放列表和关闭列表中，则加入开放列表并设定该相邻节点的父节点为当前节点；若相邻节点已在开放列表中，检查通过当前路径到达该相邻节点的实际代价是否最小，若最小，则更新该相邻节点的父节点作为当前节点；
39、重复评估节点、选择节点及扩展节点的过程，直到目标点被处理，最终通过回溯父节点得到从起始点到目标点的路径。
40、进一步的，基于从起始点到目标点的路径，构建图结构，使用迪杰斯特拉算法对该图结构进行路径优化，确保无人机能够避开障碍物并以最优路径完成任务包括：
41、基于从起始点到目标点的路径，构建图结构，并将路径上的网格单元与相邻的可通行单元连接；
42、为图中的每个节点设定初始距离值，并预设起始节点的距离，其他节点的距离值设为无穷大，创建优先队列用于存储待处理节点，将起始节点加入优先队列；
43、从优先队列中取出距离最小的节点作为当前处理节点，对其相邻节点计算新的距离值，若新距离值小于相邻节点当前的距离值，则更新相邻节点的距离值及父节点，并将更新后的相邻节点加入优先队列；
44、继续处理节点，直到所有节点被处理，通过回溯目标节点的父节点，得到避开障碍物且代价最优的路径；
45、无人机根据优化后的路径飞行，并实时获取位置信息，若检测到障碍物，则触发避障机制，调整飞行路径避免碰撞；
46、当检测到障碍物阻挡路径时，则利用局部避障算法调整路径，避开障碍物，并重新规划从当前位置到目标点的路径，确保无人机能够避开障碍物并以最优路径完成任务。
47、进一步的，对可见光图像和温度分布图像进行预处理，并采用超分辨率重建算法对可见光图像和温度分布图像中低分辨率部分进行增强处理包括：
48、收集光伏组件的温度分布图像和可见光图像，并进行像素级标注，得到每个像素点的准确温度值；
49、基于卷积神经网络构建深度神经网络模型，并采用小卷积核增强对小目标的捕捉能力，结合残差块和跳跃连接，优化深度神经网络模型结构；
50、根据数据集的特点和计算资源设置网络参数，并将数据集划分为训练集、验证集和测试集，通过均方误差作为损失函数，采用自适应矩估计训练深度神经网络模型；
51、使用测试集对训练后的深度神经网络模型进行评估，计算生成的温度分布图像和可见光图像的质量，并采用评估指标衡量温度分布图像和可见光图像的失真程度和结构相似性；
52、构建生成对抗网络模型，并通过生成对抗网络模型将低分辨率的温度分布图像和可见光图像生成增强且去噪后的高分辨率的温度分布图像和可见光图像；
53、利用循环神经网络提取温度分布图像和可见光图像序列的时序特征，并将时序特征融入生成对抗网络模型中进行训练，并将训练好的生成对抗网络对低分辨率的可见光图像和温度分布图像进行增强。
54、进一步的，利用生成对抗网络和语义分割技术，从匹配后的可见光图像与温度分布图像中提取光伏组件的关键特征包括：
55、基于获取的可见光图像与温度分布图像，建立图像与地图的坐标匹配关系，通过标注可见光图像与温度分布图像中光伏组件位置，完成语义分割训练数据和坐标转换模型的构建；
56、基于不同型号光伏组件的图像特征，建立多尺度生成器和判别器结构，通过反卷积层与卷积层设计生成对抗网络框架；
57、利用语义分割训练数据集训练生成器与判别器，并通过判别结果引导生成器不断更新参数，建立模拟真实光伏组件图像的生成对抗网络模型；
58、基于预设的语义分割网络架构建语义分割网络模型，并输入增强后的可见光图像与温度分布图像和标注信息训练语义分割网络模型；形成语义识别能力；
59、利用高分辨率调频连续波激光感知器获取光伏电站的点云数据，并将点云数据和可见光图像进行融合，辅助语义分割网络模型提取光伏组件空间结构信息；
60、基于生成对抗网络模型与语义分割网络模型输出的光伏组件图像位置，通过坐标转换模型将可见光图像与温度分布图像中的光伏组件位置信息映射至地图，完成光伏组件在地图上的空间定位。
61、本发明的有益效果为：
62、1、本发明将粒子滤波算法与深度学习相结合，粒子滤波用于对无人机的位置状态进行预测和更新，深度学习则用于处理多源传感器数据，提升对复杂环境特征的感知能力，从而更准确地估计无人机位置，解决传统三角定位在复杂环境下定位精度下降的问题，深度学习模型能够实时学习环境特征的变化，当无人机飞行过程中环境发生改变(如从开阔区域进入建筑区域)，能够快速适应环境变化，调整定位策略，确保无人机在不同环境下都能实现准确实时定位，构建多无人机协同定位网络，通过多架无人机之间的信息共享和协作，可以提高整体的定位精度和覆盖范围。
63、2、本发明通过多无人机协同定位，扩大了定位的覆盖范围，也是对基于粒子滤波与深度学习融合与多种传感器的无人机实时定位算法进行补充，提高了定位的精度和可靠性，同时也增强了系统的容错能力。
64、3、本发明基于gan的图像增强与去噪算法相比于传统的直方图均衡化和高斯滤波方法，具有显著优势，传统算法参数固定，难以适应不同场景的图像多样性，而gan算法能够自动根据输入图像的特点进行自适应增强和去噪处理，特别是在无人机图像处理中，该算法能够根据不同光照条件调整增强和去噪程度，使图像在各种场景下都能呈现良好的视觉效果，利用图像序列的时序信息，gan进一步提升了图像的质量，使得生成的图像更加自然、真实，不仅去除了噪声、增强了对比度，还修复了模糊区域，处理后的图像色彩鲜艳、细节丰富，提供了更好的视觉体验，同时，gan算法通过学习噪声图像样本，能够高效去除复杂噪声，保留有用信息，为后续图像分析提供了可靠的数据支持。
65、4、本发明基于gan和语义分割的光伏组件定位算法可以增强图像特征和像素级别分类，能够在光照变化和遮挡等环境下准确识别光伏组件，即使在阴影遮挡的情况下也能精准定位。其次，该算法利用深度学习的并行计算能力，相比传统的最近邻匹配方法，能快速处理大量图像数据，提高定位效率，尤其适用于大规模光伏电站的巡检工作。最后，通过多尺度生成对抗网络，算法能够适应不同类型光伏组件，无论是形状、颜色还是规格，从而避免了传统算法对特定类型组件的依赖，提升了定位的普适性与准确性。