基于LightGlue网络改进的输电线路巡检无人机V-SLAM方法

doi:10.3969/j.issn.1006-2475.2025.11.005

摘要/Abstract

摘要： 摘要：针对巡检无人机在输电线路环境中进行视觉同时定位与建图（Visual Simultaneous Localization And Mapping， V-SLAM）时，定位精度受视角以及光照变化影响的问题，提出一种基于LightGlue网络改进的双目V-SLAM方法。首先，采用轻量级的SuperPoint网络提取对光照和视角变换更鲁棒的特征点；接着，通过LightGlue网络结合并行优化的图像金字塔模型改进特征匹配模块，提高图像特征匹配的准确率和算法运行的实时性能；最后，将点云地图转化为八叉树地图以节省内存空间。实验结果表明，论文所提算法对光照和视角变化的适应性更强；在EuRoc数据集测试中，定位精度与OpenVSLAM相比提升了约28.34%，实时性较改进前的SL-ORB-SLAM2提升了约33.30%；在现场实验中，定位精度提升明显，构建的八叉树地图与点云地图相比内存占用减少了约47.28%。综上所述，本文提出的LG-SLAM算法能适应输电线路环境，完成精准的实时定位并构建八叉树地图，具有良好的工程应用前景。

关键词: 关键词：视觉同时定位与建图, 注意力机制, 特征匹配, 图像金字塔

Abstract: Abstract: To address the problem that the localization accuracy of inspection UAVs is affected by the change of illumination and view angle when they perform visual simultaneous localization and mapping （V-SLAM） in the transmission line environment，an improved Stereo V-SLAM method based on LightGlue network is proposed. Firstly， a SuperPoint feature extraction network is used to extract feature points that are more robust to changes in illumination and viewing angle. Then， the feature matching module is improved by LightGlue network combined with optimized parallel image pyramid model to improve the precision of image feature matching and the real-time performance of algorithm operation. Finally， the point cloud map is converted to an octree map to reduce the memory overhead. The experimental results show that the proposed algorithm is more adaptable to changes in illumination and viewing angle； in the EuRoc dataset test， the localization accuracy is improved by about 28.34% compared with OpenVSLAM， and the real-time performance is improved by 33.30% compared with SL-ORB-SLAM2. In the field experiment， the localization accuracy is improved significantly，and the octree map reduces the memory footprint by about 47.28% compared to the point cloud map. In summary， the algorithm proposed can adapt to the transmission line environment， complete accurate localization in real-time and construct octree maps， which has good engineering application prospect.

Key words: Key words: visual simultaneous localization and mapping, attention mechanism, feature matching, image pyramid

中图分类号:

中图分类号：TP242

祝文姬1, 班卫华2, 邹林3, 刘旭3. 基于LightGlue网络改进的输电线路巡检无人机V-SLAM方法[J]. 计算机与现代化, 2025, 0(11): 41-48.

ZHU Wenji1, BAN Weihua2, ZOU Lin3, LIU Xu3. Improved V-SLAM Method for Transmission Line Inspection UAV Based on LightGlue Network[J]. Computer and Modernization, 2025, 0(11): 41-48.

参考文献

［1］冯敏，罗旺，余磊，等. 适用于无人机巡检图像的输电线路螺栓检测方法［J］. 电力科学与技术学报， 2018，33（4）:135-140.
［2］游红群. 输电线路无人机自主巡检图像压缩研究与应用［J］. 电气技术与经济， 2024（4）:121-122.
［3］谭金石，祖为国，刘波，等. 无人机激光雷达应用于线路勘测的适用性研究［J］. 应用激光， 2024，44（3）:150-161.
［4］杨浩，林楠，袁晨，等. 电力巡线无人机信息安全风险分析与防护［J］. 电力科学与技术学报， 2021，36（4）:172-180.
［5］杨炯，李波，杨佳睿，等. 基于RTK定位技术的输电线路无人机自主巡检方法［J］. 微型电脑应用， 2024，40（4）:128-131.
［6］张红蕾，盛志超，叶林，等. 基于多传感器融合的无人机自主避障方法［J］. 激光杂志， 2024，45（1）:229-235.
［7］任娜，张玉，王洪江，等. 基于二维正态分布的无人机激光雷达点云匹配研究［J］. 激光杂志， 2024，45（4）:265-270.
［8］杨永刚，武楚健，杨正全. 基于融合改进RANSAC光流法的无人机视觉SLAM研究［J］. 半导体光电， 2023，44（2）:277-283.
［9］李剑. 面向地空电力巡检的窄视场角激光视觉融合导航方法研究［D］. 北京：华北电力大学， 2022.
［10］董蕊芳. 面向输电线路无人机巡检的弱纹理场景地图构建及应用研究［D］. 北京：华北电力大学， 2018.
［11］ DAVISON A J， REID L D， MOLTON N D， et al. MonoSLAM: Real-time single camera SLAM［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2007， 29（6）: 1052-1067.
［12］ MUR-ARTAL R，MONTIEL J M M， TARDÓS J D， et al. ORB-SLAM: A versatile and accurate monocular SLAM system［J］. IEEE Transactions on Robotics. 2015，31（5）: 1147-1163.
［13］ SUMIKURA S， SHIBUYA M， SAKURADA K. OpenVSLAM: A versatile visual SLAM framework［C］// Proceedings of the 27th ACM International Conference on Multimedia. ACM， 2019:2292-2295.
［14］ ENGEL J， SCHOEPS T， CREMERS D. LSD-SLAM: Large-scale direct monocular SLAM［C］// European Conference on Computer Vision. Springer， 2014:834-849.
［15］ FORSTER C， ZHANG Z C， GASSNER M， et al. SVO: Semidirect visual odometry for monocular and multicamera systems［J］， IEEE Transactions on Robotics， 2017，33（2）:249-265.
［16］ ENGEL J， KOLTUN V， CREMERS D. Direct sparse odometry［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018，40（3）: 611-625.
［17］ HANDA A， WHELAN T， MCDONALD J， et al. A benchmark for RGB-D visual odometry， 3D reconstruction and SLAM［C］// 2014 IEEE International Conference on Robotics and Automation. IEEE， 2014: 1524-1531.
［18］段珊珊，李昕. 基于RGBD传感器的场景自适应性视觉里程计算法［J］. 计算机与现代化， 2016（12）:73-77.
［19］ JAKUBOVIĆ A， VELAGIĆ J. Image feature matching and object detection using brute-force matchers［C］// 2018 International Symposium ELMAR. IEEE， 2018. DOI: 10.239
19/ELMAR.2018.8534641.
［20］ JIA K， CHAN T H， ZENG Z H， et al. ROML: A robust feature correspondence approach for matching objects in a set of images［J］. International Journal of Computer Vision， 2016，117（2）:173-197.
［21］张皓诚，王晓华，王文杰. 基于语义先验和几何约束的动态场景 SLAM 算法［J］. 应用光学， 2022，43（2）: 269-277.
［22］胡新宇，左韬，张劲波，等. 基于视觉SLAM和目标检测的语义地图构建［J］. 应用光学， 2021，42（1）:57-64.
［23］ DETONE D， MALISIEWICZ T， RABINOVICH A. SuperPoint: Self-supervised interest point detection and description［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. IEEE，2018. DOI：10.1109/CVPRW.2018.00060.
［24］ DETONE D， MALISIEWICZ T， RABINOVICH A. Self-improving visual odometry［J］. arXiv preprint arXiv:1812.
03245， 2018.
［25］曾旭东，樊绍胜，续尚植，等. 低光照环境下基于轻量级SuperPoint的单目VI-SLAM算法［J］. 激光与光电子学进展， 2024，61（18）:177-188.
［26］ LINDENBERGER P， SARLIN P E， POLLEFEYS M. LightGlue: Local feature matching at light speed［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. IEEE， 2023. DOI: 10.1109/ICCV510
70.2023.01616.
［27］ SARLIN P E， DETONE D， MALISIEWICZ T， et al. SuperGlue: Learning feature matching with graph neural networks［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE， 2020. DOI: 10.1109/CVPR42600.2020.00499.
［28］ MUR-ARTAL R， TARDÓS J D. ORB-SLAM: An open-source SLAM system for monocular， stereo， and RGB-D cameras［J］. IEEE Transactions on Robotics， 2017，33（5）: 1255-1262.

[1]	万成凯1, 安高云2, 崔岚3. 基于改进P2PNet的铁路车站人群数量估计算法[J]. 计算机与现代化, 2025, 0(11): 58-64.
[2]	孙二杰1, 张奇丰2, 王德清3. 基于轻量级YOLOv8的变电站设备缺陷检测[J]. 计算机与现代化, 2025, 0(11): 65-70.
[3]	杨安博1, 钟国韵1, 刘梅锋2, 习超2, 张维1, 丁鹏1. LSGI-YOLOv8:基于轻量化YOLOv8的瓷砖表面缺陷检测算法[J]. 计算机与现代化, 2025, 0(11): 80-88.
[4]	师红宇, 张哲于, 杜文, 李怡. 融合空间信息的YOLOv7交通标志检测[J]. 计算机与现代化, 2025, 0(10): 7-13.
[5]	周邦湲1, 辛国江1, 梁昊2, 丁长松1. 基于两阶段的多重注意力机制网络的胰腺分割[J]. 计算机与现代化, 2025, 0(10): 67-72.
[6]	刘嵘澂1, 辛国江1, 张杨1, 朱磊2. 基于改进的DeepLabv3+模型的自然环境下舌象分割方法[J]. 计算机与现代化, 2025, 0(10): 32-36.
[7]	郭金豪, 王峰萍, 王浩琦. 面向密集场景的PB-YOLOv7行人检测方法[J]. 计算机与现代化, 2025, 0(09): 14-19.
[8]	林睿姿, 姚达, 戴欣, 沈国誉, 王嘉慧, 万伟国. 基于CycleGAN和注意力机制的人脸素描图像转换[J]. 计算机与现代化, 2025, 0(09): 61-66.
[9]	刘成, 冯广. 基于双重注意力机制的CNN-BiLSTM和LightGBM股票预测[J]. 计算机与现代化, 2025, 0(09): 97-103.
[10]	景清武, 陈洪军, 高翟, 周美美. 目标驱动的面向推荐的对话生成方法[J]. 计算机与现代化, 2025, 0(08): 16-23.
[11]	苏衍森, 牟莉. 改进YOLOv8的课堂行为检测算法[J]. 计算机与现代化, 2025, 0(08): 76-81.
[12]	高莉莎1, 彭国政2, 王翀1, 韩硕1, 项楠1, 张启哲2, 朱跃飞3, 程旭3. 基于YOLOv5的双主干网络绝缘子缺陷检测算法[J]. 计算机与现代化, 2025, 0(08): 82-88.
[13]	蔡博涵, 刘俊. 基于优化Transformer的长短期空气污染物浓度预测[J]. 计算机与现代化, 2025, 0(07): 55-62.
[14]	焦乐岩, 朱欣娟. 基于自注意力机制说话人编码器与SA-Decoder的语音克隆方法[J]. 计算机与现代化, 2025, 0(07): 69-76.
[15]	饶弘宇1, 陈馨2, 陈胜3, 夏天3, 沈力4, 吕广强5. 基于改进鲸鱼算法的Bi-LSTM电力负荷预测[J]. 计算机与现代化, 2025, 0(07): 77-82.