(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210618557.6 (22)申请日 2022.05.31 (71)申请人 国网河南省电力公司南召县供电公 司 地址 474650 河南省南阳市南召县城郊乡 阳光大道法院东隔壁 (72)发明人 黄健钊　杨秋月　李明克　郭晓民　 崔铭阳　霍培　杨嘉梁　李想　 刘夏　张宇　李涵　 (74)专利代理 机构 郑州优盾知识产权代理有限 公司 41125 专利代理师 张彬 (51)Int.Cl. H04Q 9/00(2006.01) G01D 21/02(2006.01)G06K 7/10(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种无人机验收RFID数据采集装置及方法 (57)摘要 本发明提出了一种无人机验收RFID数据采 集装置及方法， 用以解决线缆验收困难， 以及验 收不及时的技术问题。 本发明包括数据采集模 块、 RFID模块、 数据处理模 块和数据预测模 块， 根 据预设的采样频率对 杆塔线缆上的温度、 振动和 图像信息进行采集， 获得变化序列提取特征值； 根据采集的温度、 振动的变化序列获得每一组杆 塔线缆的健康 程度评价， 再将健康 程度评价与图 像的灰度特征值进行组与组的相似程度评价， 依 据集合内的健康程度排序以及根据距离远近设 置的权重， 将各组数剧投入预测 网络进行预测； 排序和权重划分的不同， 设置不同的阈值， 用来 预测杆塔线缆将来的状态， 判定杆塔线缆何时会 出现危险的情况。 本发明可自动预测且精准定 位， 有效节省人力物力。 权利要求书2页 说明书7页 附图2页 CN 115086795 A 2022.09.20 CN 115086795 A 1.一种无 人机验收RFID数据采集方法， 其特 征在于， 该 方法包括： 获取杆塔线缆上的温度、 振动频率和图像的信息： 用预设的采样频率分别采集线缆上 的温度、 振动、 图像的信息， 获得温度 序列和振动序列， 图像信息进行 灰度化处 理； 将上述采集的数据与位置信息一并写入RFID标签的数据域中， 再将数据信息传输至无 人机携带的RFID读写器上， RFID读写器最后将汇聚的数据信息传输 至后台进行处 理； 基于获取的图像信息， 提取灰度化后各张图像的实 际灰度值， 对于正常的灰度值进行 预设， 然后比较所述实际灰度值均值与预设的灰度值均值， 得到图像灰度值对比序列； 根据 温度序列和振动序列的波动程度获得杆塔线缆的健康程度； 根据每组杆塔的灰度特征值与 杆塔线缆的健康程度， 获得每组杆塔线缆状态的相似度， 再根据位置距离 关系进行赋权重， 每组杆塔线缆的权 重与位置距离关系的远近呈正相关 关系； 利用训练数据进行训练获得TCN预测网络模型， 将实时获取的温度、 振动、 图像的信息 输入TCN预测网络模型中， 输出对应的预测数据， 进行分析 杆塔线缆的状态； 基于TCN预测网络得出的结果， 分析后与RFID标签数据域内信息进行结合， 实现杆塔线 缆的精准定位。 2.根据权利要求1所述的无人机验收RFID数据采集方法， 其特征在于， 所述杆塔线缆的 健康程度为： 式中： Hi为某一个采样时刻的振动； Mi为某一个采样时刻的温度； Ui是指某一个采样时 刻杆塔线缆的健康程度。 3.根据权利要求2所述的无人机验收RFID数据采集方法， 其特征在于， 基于温度序列的 方差、 均值以及温度序列中的最大值、 最小值， 计算 温度评价值； 基于所述振动序列的方差、 均值以及 振动序列中的最大值、 最小值， 计算振动频率评价值； 基于提取图像中的实际灰度 值， 将其与预设的灰度阈值进行对比， 计算灰度特 征值。 4.根据权利要求2或3所述的无人机验收RFID数据采集方法， 其特征在于， 所述获得每 组杆塔线缆状态的相似度的方法为： 将每个杆塔以及到下一个杆塔前 的线缆作为一组， 进 行组与组的相似度比较： 其中： R(A,B)表示杆塔A与杆塔B之间的相似度， (UA)表示杆塔A的健康程度， UB表示杆塔 B的健康程度， QA表示杆塔A的灰度特征值， QB表示杆塔B的灰度特征值， dtw(QA‑QB)表示利用 DTW算法获得 杆塔A的灰度特 征值与杆塔B的灰度特 征值的相似程度。 5.根据权利要求4所述的无人机验收RFID数据采集方法， 其特征在于， 所述相似度根据 不同组内塔线缆状态状态相似度将多个组的数据集 合分为多个集 合类别的方法， 包括： 根据数据集合中的健康程度和灰度特征值的距离利用DBSCAN聚类方法将多个所述聚 类集合分为多个集合类别， 依据每个集合类别对应的健康程度均值从大到小进行排序， 对 应的集合类别也从大到小 进行排序。 6.根据权利要求5所述的无人机验收RFID数据采集方法， 其特征在于， 根据位置距离关 系进行赋权重的方法为： 按照杆塔距离变电站 点的距离远近， 进 行赋权重： 权重占比是权重权　利　要　求　书 1/2 页 2 CN 115086795 A 2划分， 将距离变电站点较近的杆塔线缆， 权重降低， 而距离变电站点较远的杆塔线缆， 权重 升高。 所述权重的表达式为： 其中： W为权重， F为集合内距离的均值。 7.根据权利要求6所述的无人机验收RFID数据采集方法， 其特征在于， 所述线缆状态的 预测方法为： 将所述集合类别中每组温度、 振动和图像的灰度值的数据序列都输入到训练 好的TCN预测网络中， 输出 预测的结果。 8.根据权利要求7所述的无人机验收RFID数据采集方法， 其特征在于， 所述TCN预测网 络模型的训练过程 为： 构建TCN预测网络； 获取连续的各历史设定时间段内的温度、 振动和灰度值的数据指标， 作为训练集， 将训 练集输入到TCN预测网络， 对所述TCN预测网络进行训练， 训练后得到TCN神经网络模型； 训练时引入改进的损失函数， 通过改进的损失函数计算输出数据与输入的训练集的实 际数据的误差， 对TCN预测网络进行训练； 所述改进的损失函数为： 计算历史各时间段对应 的温度、 振动和灰度值的数据指标的置信度， 并将所述置信度加权到各时间段温度、 振动和 灰度值的数据对应的均方差损失函数。 9.根据权利要求8所述的无人机验收RFID数据采集方法， 其特征在于， 所述其中TCN预 测网络的损失函数为： 使用置信度Ci作为质量分数， 并归一化到相加为一的样本权重c＝ {C1,C2,C3,....Cj}， 且 Loss＝∑(Lossj*Cj) 其中： C为归一化后的质量系数， 作为损失权重， loss为每个样本的损失， 得到的序列 为 预测温度、 振动和图像的灰度值数据。 10.利用权利要求1 ‑9中任意一项所述的无人机验收RFID数据采集方法的采集装置， 其 特征在于， 该装置包括： 数据采集模块， 数据采集模块与RFID模块相连接， RFID模块与数据 处理模块和数据预测模块相连接， 其中数据采集模块， 包括温度传感器、 振动传感器和摄像 头分别用于采集杆塔线缆上的温度信息、 振动信息和图像信息； RFID模块， 包括RFID标签和RFID读卡器， RFID标签用于将采集的数据与杆塔 的位置信 息进行保存， 再将数据信息传输至无人机携带的RFID读写器上， RFID读写器最后将汇聚的 数据信息传输 至后台进行处 理； 数据处理模块， 将各组数据预处理后， 得到温度序列、 振动序列和图像的灰度特征值， 首先依据温度序列和振动序列的波动程度获得杆塔线缆的健康程度， 再将健康程度与灰度 特征值相结合获得每组杆塔线缆状态的相似度， 最后依据位置距离 关系最后设置阈值进 行 赋权重； 数据预测模块， 将所有集合类别中各组的数据投入TCN预测网络， 进行训练， 依据权重 和各个集 合排序的不同， 设置不同的阈值， 利用阈值得到预测的线缆状态。权　利　要　求　书 2/2 页 3 CN 115086795 A 3