一种基于无人机自动巡检的现场管理系统的制作方法

1.本发明涉及作业现场管理技术领域，具体涉及一种基于无人机自动巡检的现场管理系统。


背景技术：

2.现有阶段，基于无人机的自动巡航监察技术，利用自动机场和实时流媒体传输协议，将无人机采集的视频实时传输到后端智能分析检测系统；在后端服务器高效分析无人机传回来的实时视频，检测作业现场是否存在违章行为。因此，利用无人机进行设备巡检，大幅提升工作效率，而且无人机能达到人工不方便到达的高度和肉眼难以企及的精度，提升检查现场的精准度，全面提升巡检效率和质量。
3.但是，现有技术中利用无人机的自动巡航只是对现场进行违章检测，而对违章行为的进一步处理并没有得以实现，现有方案可能简单通过发短信或这种方式警告违章人员，但由于现场人员处于不同工作环境，可能不能及时查看手机，不能及时更正违章行为，可能造成严重的后果。或者现有方案可以当面提醒的方式进行警告，但种种提醒方式费时费力，效率极低。因此，亟需一种方案可以实现巡检、判定违章、警告一体化。


技术实现要素：

4.本发明提供一种基于无人机自动巡检的现场管理系统，以解决现有技术中存在的上述问题。
5.本发明提供一种基于无人机自动巡检的现场管理系统，该系统包括：
6.无人机、无人机控制端、设置在无人机上的无线射频读写端、设置在安全帽上或可穿戴设备上的电子标签和电子标签传输接口，所述电子标签传输接口连接警报单元；
7.所述无人机控制端通过图像采集模块采集现场作业图像，将图像传输至无人机控制端的图像处理单元进行图像处理，判断是否有违章行为，若有违章行为，通过无线射频读写端向违章人员对应的安全帽或可穿戴设备上的电子标签写入警报信息，所述警报信息通过电子标签传输接口传输至报警单元，通过报警单元向外发出警报。
8.优选的，所述图像处理单元若判断违章行为属于未佩戴安全帽的违章行为，则无线射频读写端通过无线射频技术读取电子标签的方式，获得该违章人员对应的安全帽所在的位置；所述电子标签中设置有gps定位模块，用于产生电子标签的位置信息；所述无线射频读写端在读取电子标签信息时，读取该位置信息；
9.当获得违章人员的安全帽的位置信息后，所述无线射频读写端向违章人员对应的可穿戴设备上的电子标签写入报警信息和位置信息；所述报警信息和位置信息基于电子标签传输接口传输至报警单元，所述报警单元向外发送警报时，播报安全帽的位置信息。
10.优选的，所述无人机控制端设置有作业人员信息数据库，在该作业人员信息数据中，同一作业人员的身份信息对应两个不同的电子标签标识，每个电子标签具有唯一的电子标签标识；
11.在同一作业人员的在安全帽和可穿戴设备上分别设置一个电子标签；若作业人员更换安全帽或可穿戴设备，则在该作业人员信息数据库中同步更换后的电子标签标识。
12.优选的，所述图像采集模块包括无人机上设置的图像采集设备、作业现场设置的定向摄像头或移动摄像头；
13.无人机在巡检过程中，无人机将当前所处位置发送至无人机控制端，无人机控制端通过无线通信方式向该无人机所在位置的预设范围内的图像采集模块发送采集传输指令，预设范围内的图像采集模块采集当前时间段内的图像信息，并将图像信息传输至无人机控制端；
14.所述无人机控制端的图像处理单元对接收到的图像信息进行筛选，筛选出有作业人员的图像，并对筛选出的图像进行违章行为分析；
15.在对违章行为分析过程中，提取待分析图像的特征信息，将特征信息与违章数据库中的特征进行匹配，若有一个或多个相匹配的特征，则将该特征对应的违章行为进行标记，每一个违章行为对应有规范行为；将违章行为和规范行为的文字信息传输至报警单元，报警单元将文字信息转换为语音信息向外发出语音警报，通过规范行为提醒作业人员改正违章的操作方法；
16.其中，提取待分析图像的特征信息时，采用以原型网络为网络框架，基于mobilenet-v2网络和resnet-18网络构建双线性卷积神经网络作为原型网络的嵌入函数，对待分析图像进行特征识别，获得特征信息。
17.优选的，所述无人机控制端与图像采集模块通过无线方式连接，所述无人机控制端为多个，设置在作业现场；
18.所述无人机控制端设置有定时单元，当无人机控制端通过无线射频读写端控制报警单元警告后，所述定时单元启动，经过预设时间后，所述无人机控制端向图像采集模块发送指令，再次采集违章人员的图像信息，若图像分析单元通过分析判定该违章人员依然存在违章行为时，通过图像采集模块采集该违章人员周围的作业人员的人脸信息，并通过人脸识别模块识别对应的作业人员的身份信息，基于身份信息获得该作业人员对应的电子标签，通过无人机上的无线射频读写端向对应的电子标签写入提醒指令，该提醒指令包括违章人员姓名、工号、违章行为以及规范行为；被提醒的作业人员的安全帽或可穿戴设备上的报警单元报警，通过语音播报的方式播报提醒指令，以使被提醒的作业人员帮助违章人员及时更正违章行为。
19.优选的，所述无人机控制端还包括统计模型；
20.根据所述统计模型预测违章行为发生概率高于设定阈值的地点，设定为第一易发位置；
21.根据已经发生的违章行为的地点进行实际统计，对真实违章行为发生频率高于设定频率阈值的位置设定为第二易发位置；所述无人机控制端的中心控制部基于第一易发位置和第二易发位置设定无人机的巡检路线，无人机根据设定的巡检路线进行巡检。
22.优选的，所述统计模型的构建包括：构建混合位置模型和混合线性模型，基于混合位置模型和混合线性模型估计变点和混合参数，基于变点和混合参数对违章行为发生地点进行预测；
23.针对未知变点的混合数据，采用假设检验、根据给定经验过程构造检验统计量，基
于检验统计量在零假设和备择假设的极限分布的不同判断变点是否存在，若判断结果为变点存在，针对存在变点的混合位置模型，通过改进的em算法同时估计变点位置和混合参数；em算法时一种从不完全数据或者有缺失值的数据中求解参数最大似然估计的迭代算法；
24.所述改进的em算法包括，将已经发生的违章行为的数据集设定为不完整数据集，在该不完整数据集中引入未发生事件的随机变量，将引入随机变量的数据集取对数似然函数，并进行迭代计算，获得隐变量的数学期望，最大化该数学期望，基于最大化的数学期望得到混合参数的迭代公式，估计变点位置和混合参数，并基于随机变量，得到变点和混合参数估计量。
25.混合线性模型是响应变量依赖于自变量的混合线性模型，针对存在变点的混合线性模型，通过改进的em算法同时估计变点位置和混合参数。
26.优选的，所述无人机控制端包括违章数据库；在所述违章数据库中记录每个违章人员的违章行为以及对应的违章等级，违章行为越多，违章等级越高；违章行为造成危害越大，违章等级越高；违章地点发生违章行为越频繁，该违章地点结合对应的违章行为对应的违章等级越高；
27.当图像处理单元判断出有违章行为时，通过在违章数据库中查找该违章人员所对应的违章等级，违章等级越高，警告频率增加、警告音量增加。
28.优选的，所述无人机上的无线射频读写器与电子标签的覆盖关系，基于系统模型确定；
29.通过模拟粒子群运动构建系统模型，使用k-means算法自适应确定网络中无线射频读写器的数量，并获得每个无线射频读写器的初始位置及功率半径作为一个粒子，重复多次获得种群；设置粒子群算法参数去评价种群中粒子的各项性能并以分层的方式更新性能；在粒子群算法框架的更新过程中通过引入虚拟力算子，对每个粒子中的无线射频读写器位置进行调整。
30.优选的，无线射频读写器为无线网络中的传感器节点进行充电；模拟每个智能体为一个候选解，其可以与邻居竞争，合作并共享知识；在进化过程中引入虚拟力算子，吸引无线射频读写器朝着k-means算法获得的节点聚类中心方向移动；设定特殊的交叉算子来动态调整网络中无线射频读写器充电位置的数量。
31.与现有技术相比，本发明具有以下优点：
32.本发明提供一种基于无人机自动巡检的现场管理系统，包括：无人机、无人机控制端、设置在无人机上的无线射频读写端、设置在安全帽上或可穿戴设备上的电子标签和电子标签传输接口，所述电子标签传输接口连接警报单元；所述无人机控制端通过图像采集模块采集现场作业图像，将图像传输至无人机控制端的图像处理单元进行图像处理，判断是否有违章行为，若有违章行为，通过无线射频读写端向违章人员对应的安全帽或可穿戴设备上的电子标签写入警报信息，所述警报信息通过电子标签传输接口传输至报警单元，通过报警单元向外发出警报。无人机控制端设置在作业现场，可对现场作业人员的行为进行分析处理，若有违章行为，通过无人机上的无线射频读写端向违章人员的安全帽等可穿戴设备发出告警，即可针对违章行为对应的作业人员进行实时有效的警告，通过警告方式减少违章行为，避免不必要的危险发生。
33.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变
得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
34.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
35.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
36.图1为本发明实施例中一种基于无人机自动巡检的现场管理系统的结构示意图；
37.图2为本发明实施例中具有定位系统的现场管理系统的结构示意图；
38.图3为本发明实施例中具有统计模型的现场管理系统的结构示意图。
具体实施方式
39.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
40.本发明实施例提供了一种基于无人机自动巡检的现场管理系统，请参照图1，该系统包括以下几个部分：
41.无人机、无人机控制端、设置在无人机上的无线射频读写端、设置在安全帽上或可穿戴设备上的电子标签和电子标签传输接口，所述电子标签传输接口连接警报单元；
42.所述无人机控制端通过图像采集模块采集现场作业图像，将图像传输至无人机控制端的图像处理单元进行图像处理，判断是否有违章行为，若有违章行为，通过无线射频读写端向违章人员对应的安全帽或可穿戴设备上的电子标签写入警报信息，所述警报信息通过电子标签传输接口传输至报警单元，通过报警单元向外发出警报。
43.上述技术方案的工作原理为：本实施例采用的方案是无人机、无人机控制端、设置在无人机上的无线射频读写端、设置在安全帽上或可穿戴设备上的电子标签和电子标签传输接口，所述电子标签传输接口连接警报单元；
44.所述无人机控制端通过图像采集模块采集现场作业图像，将图像传输至无人机控制端的图像处理单元进行图像处理，判断是否有违章行为，若有违章行为，通过无线射频读写端向违章人员对应的安全帽或可穿戴设备上的电子标签写入警报信息，所述警报信息通过电子标签传输接口传输至报警单元，通过报警单元向外发出警报。
45.本实施例通过在无人机上设置无线射频读写器，且在作业人员的安全帽或可穿戴设备上设置电子标签，实现通过无线射频读写器向电子标签写入信息的方式，对违章人员进行警告。本实施例种无线射频读写器不是用于控制无人机移动或操作的通讯设备，而是用于向指定电子标签写入信息的设备。可以精准到某一个违章人员，且向安全帽或可穿戴设备通过语音播报的方式提醒，使违章人员可以在任何复杂的现场情况下，被告知违章行为。提醒告警效果更佳，且基于图像采集模块、图像处理模块实现了巡检、判定违章、警告一体化和自动化，在不增加复杂的结构的前提下，达到精准告警、有效告警的效果。
46.上述技术方案的有益效果为：采用本实施例提供的方案无人机控制端设置在作业现场，可对现场作业人员的行为进行分析处理，若有违章行为，通过无人机上的无线射频读写端向违章人员的安全帽等可穿戴设备发出告警，即可针对违章行为对应的作业人员进行
实时有效的警告，通过警告方式减少违章行为，避免不必要的危险发生。
47.在另一实施例中，所述图像处理单元若判断违章行为属于未佩戴安全帽的违章行为，则无线射频读写端通过无线射频技术读取电子标签的方式，获得该违章人员对应的安全帽所在的位置；所述电子标签中设置有gps定位模块，用于产生电子标签的位置信息；所述无线射频读写端在读取电子标签信息时，读取该位置信息；
48.当获得违章人员的安全帽的位置信息后，所述无线射频读写端向违章人员对应的可穿戴设备上的电子标签写入报警信息和位置信息；所述报警信息和位置信息基于电子标签传输接口传输至报警单元，所述报警单元向外发送警报时，播报安全帽的位置信息。
49.上述技术方案的工作原理为：本实施例采用的方案是所述图像处理单元若判断违章行为属于未佩戴安全帽的违章行为，则无线射频读写端通过无线射频技术读取电子标签的方式，获得该违章人员对应的安全帽所在的位置；所述电子标签中设置有gps定位模块，用于产生电子标签的位置信息；所述无线射频读写端在读取电子标签信息时，读取该位置信息；
50.当获得违章人员的安全帽的位置信息后，所述无线射频读写端向违章人员对应的可穿戴设备上的电子标签写入报警信息和位置信息；所述报警信息和位置信息基于电子标签传输接口传输至报警单元，所述报警单元向外发送警报时，播报安全帽的位置信息。
51.上述技术方案的有益效果为：采用本实施例提供的方案通过定位模块，可以进一步确定安全帽的位置，提醒违章人员安全帽的位置，方便违章人员以最快速度找到安全帽并更正违章行为。同时可以避免安全帽的丢失。
52.在另一实施例中，所述无人机控制端设置有作业人员信息数据库，在该作业人员信息数据中，同一作业人员的身份信息对应两个不同的电子标签标识，每个电子标签具有唯一的电子标签标识；
53.在同一作业人员的在安全帽和可穿戴设备上分别设置一个电子标签；若作业人员更换安全帽或可穿戴设备，则在该作业人员信息数据库中同步更换后的电子标签标识。
54.上述技术方案的工作原理为：本实施例采用的方案是所述无人机控制端设置有作业人员信息数据库，在该作业人员信息数据中，同一作业人员的身份信息对应两个不同的电子标签标识，每个电子标签具有唯一的电子标签标识；
55.在同一作业人员的在安全帽和可穿戴设备上分别设置一个电子标签；若作业人员更换安全帽或可穿戴设备，则在该作业人员信息数据库中同步更换后的电子标签标识。
56.上述技术方案的有益效果为：采用本实施例提供的方案通过数据库可实时更新电子标签与作业人员的身份对应，通过数据库记录避免由于信息更新不及时，造成告警的电子标签并不是违章人员对应的电子标签，因此，本实施例可以保证信息的同步化，提升效率。
57.在另一实施例中，所述图像采集模块包括无人机上设置的图像采集设备、作业现场设置的定向摄像头或移动摄像头；
58.无人机在巡检过程中，无人机将当前所处位置发送至无人机控制端，无人机控制端通过无线通信方式向该无人机所在位置的预设范围内的图像采集模块发送采集传输指令，预设范围内的图像采集模块采集当前时间段内的图像信息，并将图像信息传输至无人机控制端；
59.所述无人机控制端的图像处理单元对接收到的图像信息进行筛选，筛选出有作业人员的图像，并对筛选出的图像进行违章行为分析；
60.在对违章行为分析过程中，提取待分析图像的特征信息，将特征信息与违章数据库中的特征进行匹配，若有一个或多个相匹配的特征，则将该特征对应的违章行为进行标记，每一个违章行为对应有规范行为；将违章行为和规范行为的文字信息传输至报警单元，报警单元将文字信息转换为语音信息向外发出语音警报，通过规范行为提醒作业人员改正违章的操作方法；
61.其中，提取待分析图像的特征信息时，采用以原型网络为网络框架，基于mobilenet-v2网络和resnet-18网络构建双线性卷积神经网络作为原型网络的嵌入函数，对待分析图像进行特征识别，获得特征信息。
62.在进行特征识别的过程中，通过训练集进行样本特征分析，通过嵌入函数将样本数据映射到多维空间，基于嵌入函数确定原型网络的损失函数，损失函数如下：
[0063][0064]
其中，l
′
表示更新后的损失函数，l表示损失函数，表示训练集样本xi到类别原型ck的欧式距离，ck表示类别为k的原型，xi表示训练集样本，表示训练集样本xi对应的嵌入函数，cj表示类别j的原型，j＝1,2
…
n，n表示类别原型的数量，表示训练集样本到n个类别原型之间的距离总和，n
p
表示训练集中每一类支持集样本的个数，nq表示训练集中每一类查询集样本的个数。
[0065]
上述技术方案的工作原理为：当提醒违章人员达不到效果，如果提醒了10s或1分钟后，依然没有更正行为，即再次检测时，发现依然为违章行为，则根据人脸识别该违章人员周围作业人员，向该周围的人员发送提醒指令，使作为的作业人员对违章人员进行实时提醒，提升及时提醒违章人员的效率和效果。
[0066]
另外，在对违章行为分析过程中，提取待分析图像的特征信息，采用原型网络进行特征信息提取，原型网络是一种用来处理小样本学习任务的常用方法之一，该方法是基于度量的元学习方法，对于解决图像识别任务中图像类别多、标注样本数量少的问题上效果很好。原型网络的执行步骤如下：样本数据的每个类别都存在一个原型表达，首先利用嵌入函数将样本数据映射到一个新的嵌入空间，通过计算测试集中支持集的标注样本在映射空间所有取值的均值，得到每一个类别的原型，最后计算训练集中查询集样本的特征向量到各个类别原型的欧式距离，通过相似性度量完成识别分类任务。因此，原型网络是把较为复杂的分类问题转化为样本在嵌入空间内的最近邻问题，这使得原型网络在处理细粒度图像数据集上的小样本识别任务能够取得较高的识别精度。
[0067]
上述技术方案的有益效果为：本实施例采用原型网络为基础的网络架构，主干网络选取mobilenet-v2网络和resnet-18网络构建双线性卷积神经网络，实现对小样本细粒度图像的识别任务。提升计算机的学习能力。
[0068]
在另一实施例中，所述无人机控制端与图像采集模块通过无线方式连接，所述无
人机控制端为多个，设置在作业现场；
[0069]
所述无人机控制端设置有定时单元，当无人机控制端通过无线射频读写端控制报警单元警告后，所述定时单元启动，经过预设时间后，所述无人机控制端向图像采集模块发送指令，再次采集违章人员的图像信息，若图像分析单元通过分析判定该违章人员依然存在违章行为时，通过图像采集模块采集该违章人员周围的作业人员的人脸信息，并通过人脸识别模块识别对应的作业人员的身份信息，基于身份信息获得该作业人员对应的电子标签，通过无人机上的无线射频读写端向对应的电子标签写入提醒指令，该提醒指令包括违章人员姓名、工号、违章行为以及规范行为；被提醒的作业人员的安全帽或可穿戴设备上的报警单元报警，通过语音播报的方式播报提醒指令，以使被提醒的作业人员帮助违章人员及时更正违章行为。
[0070]
上述技术方案的工作原理为：本实施例采用的方案是所述无人机控制端与图像采集模块通过无线方式连接，所述无人机控制端为多个，设置在作业现场；
[0071]
所述无人机控制端设置有定时单元，当无人机控制端通过无线射频读写端控制报警单元警告后，所述定时单元启动，经过预设时间后，所述无人机控制端向图像采集模块发送指令，再次采集违章人员的图像信息，若图像分析单元通过分析判定该违章人员依然存在违章行为时，通过图像采集模块采集该违章人员周围的作业人员的人脸信息，并通过人脸识别模块识别对应的作业人员的身份信息，基于身份信息获得该作业人员对应的电子标签，通过无人机上的无线射频读写端向对应的电子标签写入提醒指令，该提醒指令包括违章人员姓名、工号、违章行为以及规范行为；被提醒的作业人员的安全帽或可穿戴设备上的报警单元报警，通过语音播报的方式播报提醒指令，以使被提醒的作业人员帮助违章人员及时更正违章行为。
[0072]
上述技术方案的有益效果为：采用本实施例提供的方案当违章人员被警告后没有执行规范行为，例如告警后30s或一分钟之后，检测违章行为时，该违章人员依然处于违章状态，则通过人脸识别向该违章人员的周围的作业人员进行提醒，使周围作业人员对违章人员进行提醒，减少违章行为，提升违章告警的效率和效果。
[0073]
在另一实施例中，所述无人机控制端还包括统计模型；
[0074]
根据所述统计模型预测违章行为发生概率高于设定阈值的地点，设定为第一易发位置；
[0075]
根据已经发生的违章行为的地点进行实际统计，对真实违章行为发生频率高于设定频率阈值的位置设定为第二易发位置；所述无人机控制端的中心控制部基于第一易发位置和第二易发位置设定无人机的巡检路线，无人机根据设定的巡检路线进行巡检。
[0076]
上述技术方案的工作原理为：本实施例采用的方案是所述无人机控制端还包括统计模型；
[0077]
根据所述统计模型预测违章行为发生概率高于设定阈值的地点，设定为第一易发位置；
[0078]
根据已经发生的违章行为的地点进行实际统计，对真实违章行为发生频率高于设定频率阈值的位置设定为第二易发位置；所述无人机控制端的中心控制部基于第一易发位置和第二易发位置设定无人机的巡检路线，无人机根据设定的巡检路线进行巡检。
[0079]
上述技术方案的有益效果为：采用本实施例提供的方案所述无人机控制端还包括
统计模型；
[0080]
根据所述统计模型预测违章行为发生概率高于设定阈值的地点，设定为第一易发位置；
[0081]
根据已经发生的违章行为的地点进行实际统计，对真实违章行为发生频率高于设定频率阈值的位置设定为第二易发位置；所述无人机控制端的中心控制部基于第一易发位置和第二易发位置设定无人机的巡检路线，无人机根据设定的巡检路线进行巡检。
[0082]
在另一实施例中，所述统计模型的构建包括：构建混合位置模型和混合线性模型，基于混合位置模型和混合线性模型估计变点和混合参数，基于变点和混合参数对违章行为发生地点进行预测；
[0083]
针对未知变点的混合数据，采用假设检验、根据给定经验过程构造检验统计量，基于检验统计量在零假设和备择假设的极限分布的不同判断变点是否存在，若判断结果为变点存在，针对存在变点的混合位置模型，通过改进的em算法同时估计变点位置和混合参数；em算法是一种从不完全数据或者有缺失值的数据中求解参数最大似然估计的迭代算法；
[0084]
所述改进的em算法包括，将已经发生的违章行为的数据集设定为不完整数据集，在该不完整数据集中引入未发生事件的随机变量，将引入随机变量的数据集取对数似然函数，并进行迭代计算，获得隐变量的数学期望，最大化该数学期望，基于最大化的数学期望得到混合参数的迭代公式，估计变点位置和混合参数，并基于随机变量，得到变点和混合参数估计量。
[0085]
混合线性模型是响应变量依赖于自变量的混合线性模型，针对存在变点的混合线性模型，通过改进的em算法同时估计变点位置和混合参数。
[0086]
上述技术方案的工作原理为：本实施例采用的方案是构建混合位置模型和混合线性模型，基于混合位置模型和混合线性模型估计变点和混合参数，基于变点和混合参数对违章行为发生地点进行预测；通过改进的em算法同时估计变点位置和混合参数；改进的em算法包括，将已经发生的违章行为的数据集设定为不完整数据集，在该不完整数据集中引入未发生事件的随机变量，将引入随机变量的数据集取对数似然函数，并进行迭代计算，获得隐变量的数学期望，最大化该数学期望，基于最大化的数学期望得到混合参数的迭代公式，估计变点位置和混合参数，并基于随机变量，得到变点和混合参数估计量。
[0087]
上述技术方案的有益效果为：采用本实施例提供的方案解决了对于混合数据的参数估计问题，一般的解决方法是忽略变点，直接使用em算法来估计的问题，并且变点估计量和混合参数估计量之间具有相合性。
[0088]
在另一实施例中，所述无人机上的无线射频读写器与电子标签的覆盖关系，基于系统模型确定；
[0089]
通过模拟粒子群运动构建系统模型，使用k-means算法自适应确定网络中无线射频读写器的数量，并获得每个无线射频读写器的初始位置及功率半径作为一个粒子，重复多次获得种群；设置粒子群算法参数去评价种群中粒子的各项性能并以分层的方式更新性能；在粒子群算法框架的更新过程中通过引入虚拟力算子，对每个粒子中的无线射频读写器位置进行调整。
[0090]
上述技术方案的工作原理为：本实施例采用的方案是所述无人机上的无线射频读写器与电子标签的覆盖关系，基于系统模型确定；
[0091]
通过模拟粒子群运动构建系统模型，使用k-means算法自适应确定网络中无线射频读写器的数量，并获得每个无线射频读写器的初始位置及功率半径作为一个粒子，重复多次获得种群；设置粒子群算法参数去评价种群中粒子的各项性能并以分层的方式更新性能；在粒子群算法框架的更新过程中通过引入虚拟力算子，对每个粒子中的无线射频读写器位置进行调整。
[0092]
上述技术方案的有益效果为：采用本实施例提供的方案基于网络规划问题提出的混合粒子群算法可以有效确定无线射频读写器数量及位置，使得rfid系统在干扰率、覆盖率、总功率与负载均衡度性能上优于其他算法。
[0093]
在另一实施例中，无线射频读写器为无线网络中的传感器节点进行充电；模拟每个智能体为一个候选解，其可以与邻居竞争，合作并共享知识；在进化过程中引入虚拟力算子，吸引无线射频读写器朝着k-means算法获得的节点聚类中心方向移动；设定特殊的交叉算子来动态调整网络中无线射频读写器充电位置的数量。
[0094]
上述技术方案的工作原理为：本实施例采用的方案是无线射频读写器为无线网络中的传感器节点进行充电；模拟每个智能体为一个候选解，其可以与邻居竞争，合作并共享知识；在进化过程中引入虚拟力算子，吸引无线射频读写器朝着k-means算法获得的节点聚类中心方向移动；设定特殊的交叉算子来动态调整网络中无线射频读写器充电位置的数量。
[0095]
上述技术方案的有益效果为：采用本实施例提供的方案该算法可以更有效地优化总充电时间、最大充电负载、充电效率及总充电距离。
[0096]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。