风电场无人机巡检方案

PAGE风电场无人机巡检方案目录TOC\o"1-4"\z\u一、风电场无人机巡检目标与目标 2二、无人机巡检设备选型与配置 3三、巡检作业区域划分与技术标准 6四、无人机巡检航线规划与仿真 9五、无人机巡检标准作业流程设计 11六、巡检数据采集与存储处理方案 14七、机电设备故障识别与AI诊断分析 16八、巡检报告生成与结果管理机制 18九、巡检方案效益评估与优化建议 20

风电场无人机巡检目标与目标总体巡检目标本方案旨在通过引入先进的无人机自动化平台与高分辨率感知设备，构建一套高效、安全、精密的风电场常态化巡检体系。其核心目标是改变传统人工巡检效率低、风险高、数据盲区多等局限性，实现对风电场机组叶、塔筒结构、输电线路缆及配套设施的全方位的数字化监控。通过无人化的数据采集与智能化分析，显著提升设备隐患发现的及时性与准确性，缩短设备维护周期，降低运维人员的作业安全风险，最终为风电场的稳定运行与全生命周期管理提供可靠的数据支撑。核心巡检技术目标1、叶片状态深度检测利用高倍率变焦相机及红热成像仪对叶片进行全面扫描，重点监测叶片表面是否存在裂纹、损伤、腐蚀、积冰、雷击坑洞以及胶粘脱落。通过图像识别技术，对叶片的几何变形和涂层完整度进行定量评估，防止气动性能下降导致的发电效率损耗。2、机组关键部件安全监测针对机舱内部的核心部件，如齿箱、发电机、变频器、滤波器等进行近距离红外巡检。通过热场分析识别异常过热、漏油、紧固件松动等潜在故障风险，在故障发生前实现预警，有效避免非计划停机带来的损失。3、输电线路及配电设施巡检对场内汇集电线路、变电站及电缆走廊进行长距离巡检。识别线塔放电、植被侵入风险、鸟巢隐患、绝缘子破损及金具锈蚀等问题，确保电力传输与输送通道的连续性与安全性。经济与管理效益目标1、提升作业效率与降低成本通过无人机机动作业，预计单台机组的巡检时间较人工模式缩短xx%，大幅减少外场作业的人力投入。在项目计划投资xx万元的基础设备及系统基础上，通过降低设备故障率，预计每年可实现运维成本降低约xx万元。2、构建数字化资产档案建立全覆盖的风电场巡检数字化数据库，将每次巡检的影像数据、热像数据与分析报告进行关联化存储。通过历史数据的对比趋势分析，实现设备健康状况的预测性维护，推动从事后维修向事前预防的管理模式转变。3、保障人员安全生产最大限程度替代人工进入高空作业、跨越障碍及复杂地形环境进行高风险作业，从源头上杜绝人员伤亡事故风险，确保巡检过程符合安全生产的高标准。无人机巡检设备选型与配置无人机平台选型要求针对风电场环境复杂、高空风力大、电磁干扰以及作业区域分散等特点，无人机平台的选型需重点考量飞行稳定性、抗风等级及作业效率。根据巡检任务的不同侧重点，通常分为旋翼翼无人机与固定翼无人机两种机型。1、旋翼无人机选型旋翼无人机因其灵活灵活、支持垂直起降且具备良好的悬停能力，成为风电机叶片近距离细节巡检及机舱内部巡检的主力。选型时应确保具备足够的续航能力，单次飞行时间不低于xx分钟，以保证能够完成一台风机机的巡检任务。平台需具备多维度传感器避障功能，能够通过超声波、激光雷达或视觉传感器实现障碍物规避，确保在风塔等复杂结构物附近的飞行安全。2、固定翼无人机选型固定翼无人机具有航程长、飞行速度快的优势，适用于大规模风电场的整体覆盖及线性巡检。选型重点应关注其载荷能力与作业半径，确保单次起降可覆盖xx公里以上的区域。对于缺乏自然起降场的场地，应优先选择具备垂直起降能力（VTOL）的复合翼无人机。核心载荷传感器系统配置载荷设备直接决定了巡检数据的质量，需根据巡检目标进行多谱化、集成化的传感器配置。1、高分辨率可见光相机用于叶片表面裂纹、冰冻、虫蚀及油漆脱落等问题的拍摄。相机像素应不低于xx千万像素，并具备光学变焦功能，以便无人机在保持安全距离的同时，获取清晰的细节图像。相机需支持高快门速度和电子防抖技术，以消除飞行过程中因抖动导致的画面模糊。2、红外热成像相机用于监测风机机舱内电气元件、变流器、电机及电缆连接处的异常发热。热成像传感器应具备高灵敏度，分辨率不低于xx×xx像素，且热分辨率应优于xxmK，能够捕捉细微的温差。设备应支持光光融合功能，将可见光图像与热红图像实时叠加，便于巡检人员快速定位故障位置。3、激光雷达（LiDAR）用于风机叶片形变监测及场站三维建模。激光雷达应具备高点云密度和高精度，通过主动测量技术获取高精度的空间几何信息，为后续分析叶片扭曲、偏移等结构问题提供数据支撑。地面站及配套设备配置为了实现巡检作业的自动化与智能化，必须配备完善的地面保障系统。1、自动巡检站（机库）机库应具备自动起降、自动充电、数据自动传输及环境监测功能。机箱需具备良好的防护等级（如达到xx级），确保能够在雨雪天气下稳定运行。通过机库系统，可以实现无人机的无人值化巡检，减少人工现场的的投入。2、地面遥控终端与数据链路遥控终端应配备高亮度显示屏，支持实时高清画面回传与飞行参数监控。数据链路应具备强抗干扰能力，采用加密传输技术，确保在电磁环境复杂的风电场信号传输稳定，有效控制距离不低于xx公里。3、辅助作业设备包括高精度RTK基站、便携式充电设备、备用电池组以及设备维护工具包。RTK基站用于确保巡检数据具备厘米级的地理定位精度，是进行叶片对比分析和故障定位的基础。巡检作业区域划分与技术标准作业区域划分总体原则为了确保风电场无人机巡检的高效性、安全性与系统性，必须对风电场地理空间进行科学的划分。区域划分应遵循全覆盖、标准化、分层管理、逻辑闭环的原则。根据风电场的地形地貌、机组分布密度、变电站布局及周边环境，将整个场站划分为核心作业区、辅助作业区及禁飞缓冲区。核心作业区主要涵盖风机组、变电柜等关键设备所在区域；辅助作业区涵盖电线路、升压站、道路及配套设施。通过精细化的区域划分，能够实现无人机飞行路径的科学规划，避免作业交叉，并确保巡检任务无无盲区。核心作业区域划分标准1、风机组巡检区域：风机组作业区域是巡检的核心，其划分范围应涵盖风机叶片、轮毂舱、机舱内部空间、塔筒外部及基础基础。在划分该区域时，需预留多条飞行航线，确保无人机在拍摄作业时能够保持足够的安全距离，同时能够覆盖叶片正反面、边缘处等关键部位。2、变电站及升压站作业区域：此区域应包含所有变压器、开关柜、断路器、汇流排及馈线系统。区域划分时需重点考虑电磁干扰对无人机电子设备的影响，设定合理的作业边界限制，确保无人机在强电磁场环境下信号传输稳定、数据采集准确。3、输电线路作业区域：涵盖风电场场外的集电线路、输电塔及绝缘子。区域划分应以线路走向为基准，建立线性的巡检路径，确保对导线、绝缘子、塔身及周边植被侵入情况进行完整记录。无人机巡检作业技术标准1、飞行安全技术标准：无人机作业时必须严格遵守空域安全规范。飞行高度应在规定范围内波动，通常需保持避开障碍物xx米以上的安全距离。无人机应具备自动避障功能，在复杂地形中能实时识别并规避风险。信号强度需维持在xx范围内，低于xx时自动触发返航或悬停模式。2、影像质量技术标准：巡检作业需采集高分辨率影像数据。照片分辨率不应低于xx像素，确保能够清晰识别叶片裂纹、油渗、表面锈蚀及螺栓松动等细微缺陷。拍摄角度应保持标准化，如垂直角度、斜侧角度需固定，视频拍摄帧率应不低于xx帧/秒，确保画面平滑且无明显畸变。3、数据采集与传输技术标准：所有巡检数据需包含地理位置信息（GPS经纬度、高度）、时间戳及设备编号。数据存储格式应采用通用标准，便于后期算法分析与人工比对。数据传输过程中应采用加密技术，确保风电场运行数据的机密性与完整性。环境适应性与作业限制技术标准在实际作业中，必须根据气象条件调整技术标准。风速限制规定当环境风速超过xxm/s时应停止作业，以防无人机失控；能见度标准要求能见度低于xx米，以保证影像采集的有效性。在暴雨、大雪、大雾等极端天气条件下，严禁开展户外巡检任务，防止设备损坏及人员安全事故。针对强电磁干扰区域，需采用具备抗干扰能力的设备技术标准，并在作业前进行链路稳定性测试。无人机巡检航线规划与仿真航线规划总体思路与原则无人机巡检航线的规划是确保巡检任务高效、安全、精准的核心环节。其整体思路是基于风电场的地理环境、风机组分布特征以及巡检作业需求，构建一套自动化、智能化且可回溯的飞行路径体系。在规划过程中，必须遵循安全优先、覆盖全面、路径最优的原则。首先，通过对风电场进行高精度的数字化建模，识别风机叶片、塔筒、变器器及周边地形等物理障碍物；其次，根据不同的巡检目标（如叶片表面缺陷、塔筒结构健康、基础设备监测等）设定不同的飞行高度、速度和拍摄角度。规划需综合考虑无人机的续航能力、风场影响以及信号覆盖强度，确保无人机在电量耗尽前完成预定任务并能够安全返回起降点。航线规划的关键技术要素1、关键点位选取与路径设计航线规划的起点是关键位点的科学选取。针对风机组的巡检，需在叶片根部、叶片中段、叶尖以及塔筒重点部位设置多维采样点。通过空间算法计算这些位点之间的最优连接路径，确保相机在飞行过程中始终对准目标，避免视觉死角。对于变电站区域的巡检，则需采用网格化航线或绕行航线，实现对变压器等电力设备的全方位覆盖。2、动态飞行参数设置在实际规划中，飞行参数的精细化至关重要。飞行高度需根据传感器的焦距和分辨率要求进行计算，以确保地面分辨率（GSD）满足巡检标准。飞行速度则要兼顾作业效率与图像质量，避免因速度过快导致画面模糊或速度过慢导致电量消耗过度。需根据实地风速数据动态调整航角，以补偿风力对无人机姿态的影响。3、环境适应性与避障策略风电场环境复杂，航线规划必须集成强大的避障算法。通过构建三维障碍云，系统能自动识别并避开风机叶片旋转区域、输电走廊、建筑物及自然障碍物。在规划航线时，需预留足够的安全缓冲区，并在遭遇不可预测的气流或信号干扰时，具备自动规划规生路径或返航的能力。航线仿真与验证机制1、数字化仿真环境构建在正式执行任务前，在虚拟仿真环境中进行航线验证是降低作业风险的关键。利用激光倾测数据或摄影测量数据，在系统中构建与真实风电场等比例还原的数字孪生模型。该模型不仅包含风机设备的几何结构，还模拟了风场、光照条件及电磁环境等物理参数，为仿真提供真实的作业背景。2、仿真评估与风险预测在仿真阶段，系统会对规划好的航线进行多维压力测试。包括模拟飞行能耗预测、通信链路稳定性分析、图像拍摄覆盖率评估以及潜在碰撞风险点识别。通过仿真数据，可以发现航线中可能存在的逻辑盲点或安全隐患，并据此对航线参数进行迭代优化，确保方案在实操中具有极高的可可行性。3、仿真结果的闭环优化仿真结果将直接指导巡检方案的调整。根据仿真反馈的覆盖率不足或电量冗余问题，技术人员可调整航线密度、飞行高度或起降点布局。这种规划-仿真-优化-再规划的闭环机制，能够极大提升无人机巡检的成功率，最大限度减少现场作业的时间成本和事故风险。无人机巡检标准作业流程设计巡检准备阶段在正式开展无人机巡检任务前，必须完成详尽的规划与准备工作。作业人员需根据现场气象预报，严格评估风速、降水量、能见度及温度等环境因素，确保作业环境符合设备飞行安全标准。若风速超过无人机作业限值，则应及时推迟任务。需对无人机设备进行系统性自检，包括机身结构、旋桨状态、电池电量、信号强度以及传感器载荷的正常性，确保硬件设备无完好。需根据风电场的空间布局，预先规划巡检航线，设定起降点、巡检点及飞行高度与速度，并避开风机叶片旋转区域及障碍物。备用电池、备用桨叶、存储卡及应急工具也需到位，确保作业的连续性与突发响应能力。现场部署与起飞阶段到达作业现场后，作业人员应划定明确的飞行作业区域，设置警戒标识，防止无关人员进入现场。在无人机起飞前，操作员需与地面站进行最后调试，确保链路信号稳定，定位精度及遥传数据正常。起飞后，无人机应先升空至设定的安全空层进行悬停，检查各项飞行参数，确认无误后按照预设航线执行自动或半自动飞行。在飞行过程中，操作员需实时监控监控画面与飞行数据，密切关注风力变化及电磁干扰情况，并在发现异常时及时采取人工干预措施。巡检作业执行阶段此阶段是巡检的核心，要求通过高分辨率相机、红外热成像仪等载荷对风电机组关键部位进行精细化拍摄。1、叶片巡检：重点观测叶片表面是否存在裂纹、破损、变形、风化、雷击痕迹或积冰现象，利用热成像技术分析叶片内部是否存在异常发热。2、机舱外部巡检：检查机舱外壳是否有渗油、螺栓松动、涂层剥落，以及天线、通风口等完好性。3、变压器及配电柜巡检：对变压器绝缘子、放电发热部位、接头连接处进行热成像分析，识别是否存在过载发热或接触不良等隐患。4、塔筒及基础巡检：观察塔筒表面锈蚀、裂缝、位移以及基础周边的土质冲刷情况。任务结束与数据采集阶段完成所有预定航线任务后，操作员引导无人机返回起降点并执行安全降落。降落后，需立即检查设备状态，确认飞行过程中是否存在物理损伤。将存储卡中的巡检影像、视频及飞行轨迹数据进行物理转存与备份，确保数据的完整性与安全性。作业人员需填写作业日志，记录飞行时长、作业环境、设备状态及发现的初步问题，为后续分析提供原始数据支撑。数据分析与报告生成阶段采集完成数据后，技术团队将进入数据处理环节。通过人工识别或AI辅助算法技术，对获取的图像和视频进行进行比对与分析，根据缺陷的严重程度进行分级分类（如一般、严重、紧急）。根据分析结果，编制详细的《无人机巡检报告》，报告中应清晰列出故障位置、缺陷类型、影响程度及建议修复方案。报告报告将提交至运维管理部门，指导后续的检修工作，实现从巡检发现到处置的闭环管理。巡检数据采集与存储处理方案数据采集技术规划风电场无人机巡检的数据采集是整个方案的核心环节，旨在通过多载荷设备对风力发电机组及周边环境进行全维度的数字化记录。采集内容涵盖了高分辨率光学影像、红外热像数据、激光点云数据以及电磁环境数据。1、视觉影像采集：利用高像素变焦相机，对叶片表面的裂纹、侵蚀、冰冰及鸟撞，以及机舱塔的螺栓松动、平台油漆脱落进行近距离拍摄。通过多角度的航线飞行，确保图像清晰且无遮挡，为后续的缺陷识别提供高质量的视觉素材。2、热成像数据采集：通过高灵敏度红外热像传感器，对变流器、电机、箱柜电缆头等关键部件进行温度监测。通过分析温度场分布，识别设备内部的过热、接触不良或过载等异常状态，实现对设备隐性故障的非接触性预警。3、空间建模数据采集：搭载激光雷达设备对风电场进行三维建模。获取风机周边的地形、植被生长情况以及线路走向的高精度点云数据，构建风电场的数字孪生模型，为安全间距分析及运维规划提供空间数据支撑。数据传输与实时同步机制在巡检过程中，数据的实时性与完整性至关重要。方案要求建立一套可靠的数据传输链路，确保巡检数据能够从无人机端高效传输至控制端。1、实时图传链路：利用高带宽无线传输技术，在巡检过程中将飞行状态、姿态参数及关键目标画面实时回传至地面站。操作人员通过实时监控画面，可以发现发现现场异常情况并及时调整飞行航线，减少漏检机率。2、离线数据回传：在飞行任务结束后，无人机本地存储卡中的原始数据将通过高速物理接口或无线基站同步至后端服务器。通过校验机制确保数据包在传输过程中不发生丢包或数据损坏，保障原始采集数据的可追溯性与完整性。数据存储架构与管理鉴于风电场巡检产生的数据量大、格式复杂的特点，需构建分层的存储管理体系，以兼顾访问速度与长期安全性。1、分级存储策略：采用本地缓存+中心存储+云端备份的三级架构。原始高清素材首先存储于地面站工作站的硬盘进行快速预处理；处理后的结构化数据及分析报告同步至中心数据库；核心历史数据定期备份至云平台进行长久存储。2、数据安全防护措施：对所有存储的数据进行加密处理，建立严格的访问控制权限，防止敏感设备信息的泄露或被篡改。定期执行数据镜像备份任务，通过冗余存储机制防止因硬件故障导致珍贵巡检资产数据丢失。3、元数据索引管理：建立完善的巡检数据库，为每一份巡检数据标注时间、地理位置、风机编号、气象参数等元数据。通过索引技术，使运维人员能够快速检索特定风机组的历史巡检记录，极大提升数据回溯效率。数据预处理与分析处理数据处理是将采集信息转化为运维决策支持的关键步骤，通过自动化算法对原始数据进行深度加工。1、图像质量优化：对采集的原始图像进行自动校正、去噪及对比度增强。针对光照不足或环境反光严重的拍摄场景，通过算法干预提升画面清晰度，为AI缺陷识别模型提供标准输入。2、缺陷自动识别：基于计算机视觉算法，对叶片、机舱等部位进行自动扫描。系统能够识别出裂纹、锈蚀等常见缺陷类型，并根据预设阈值进行严重程度分级，生成结构化的巡检报告。3、热场分析评估：对红外热数据进行温度标定转换，结合环境温度及设备运行状态，自动筛选出异常热点，并计算设备运行风险等级。机电设备故障识别与AI诊断分析数据采集与智能化预处理技术在无人机巡检过程中，高质量的原始数据获取是后续AI诊断的基础。系统通过无人机搭载的高分辨率可见相机、红外热成像仪、变焦相机以及超声波传感器，对风机叶片、机舱、塔筒及变电站等核心部件进行多维度数据采集。采集到的原始数据需经过严格的预处理处理：首先，通过图像增强算法进行去噪、对比度调节及色彩校正，以消除环境光照、雾气或设备抖动带来的视觉干扰；其次，针对红外数据进行温度场对齐，确保热场数据与可见光图像在空间上完全匹配；最后，通过自动筛选算法剔除模糊、重叠或遮挡的无效帧，为深度学习模型提供结构化、标准化的输入样本。基于计算机视觉的缺陷自动识别计算机视觉技术是AI诊断的核心，旨在实现对风电机电设备表观缺陷的自动化识别。1、叶片表面缺陷识别：利用深度卷积神经网络模型对叶片表面的裂纹、风化、侵蚀、雷击痕迹及涂层脱落进行像素级检测。通过特征图谱提取，系统能够捕捉细微的裂纹走向，并自动评估损伤面积与严重程度。2、机舱与塔筒状态监测：通过对机舱外壳的图像分析，识别渗油痕迹、螺栓松动、结构锈蚀及外壳变形。针对塔筒区域，利用视觉算法监测涂漆剥落及潜在的结构性裂纹。3、电气组件视觉巡检：针对变电站及内部设备，通过目标识别技术识别绝缘污染、放子烧毁、接头变形及线缆异常等问题，确保电气系统隐性风险的可视。多源数据融合的AI深度诊断分析AI诊断不仅局限于表观缺陷的识别，更通过多源数据融合实现对设备运行状态的深度预判。1、热力异常诊断：结合环境风速、功率负荷数据，对电机、齿箱、变频器等关键部件的红外温度进行比对。通过建立热场基准模型，AI能够识别异常热点，并判断是否存在内部过热、润滑不良或电气接触电阻过大等故障。2、声学与振动关联分析：利用超声波传感器采集的声谱数据，结合视觉识别结果，通过AI算法分析放电声频率与机械摩擦声特征，构建起从看异常到听异常的全维度诊断体系。3、故障趋势预测与寿命评估：基于历史巡检数据与当前诊断结果，构建设备健康状态评价模型。通过对缺陷演变速率的定量分析，AI可预测设备失效的时间节点，为运维团队提供从事后维修向预测性维护转的决策支持。诊断报告自动生成与运维决策支持AI分析的最终落地是将碎片化数据转化为结构化的巡检报告。系统根据识别出的故障类型、严重程度及影响范围，自动进行故障等级分级（如：一般、中等、严重）。报告将详细记录故障的地理坐标、缺陷图像标注、诊断结论以及建议的处置措施（如立即停机、加强监测或定期更换）。这种自动化流程极大地减少了人工复核的工作量，提升了巡检结果的客观性与准确性，为风电场的整体资产管理优化提供了科学的数据支撑。巡检报告生成与结果管理机制数据采集与预处理流程在无人机巡检任务完成后，系统首先对回传的高分辨率图像、视频流及红外热像数据进行结构化处理。通过自动化脚本对原始数据进行元数据完整性校验，确保地理位置、飞行时间、设备编号等基础信息与任务记录准确对应。在预处理阶段，系统将执行图像质量过滤算法，剔除因模糊、过曝光或光影遮挡导致的无效样本，以确保进入后续分析环节的数据质量。针对不同机位的设备拍摄素材，系统会自动对合格的图像切片进行分类归档，为后续的智能识别与人工核验提供标准的数据支撑。智能识别与缺陷自动提取技术智能识别是巡检报告生成的核心环节，通过深度学习模型与计算机视觉技术对风电场设备进行深度扫描。1、叶片状态分析：系统自动识别叶片表面的裂纹、风化、变形、冰冰及鸟粪污染等缺陷，并根据缺陷的面积与形态进行严重程度分级。2、机舱组件监测：针对机舱外壳、塔筒基础及内部关键部件进行视觉检测，识别锈蚀、螺栓松动、渗油及结构性损伤。3、电气系统异常诊断：结合红外热成像数据，对变压器、控制柜、电缆接头等进行热场分析，通过预设的温度阈值自动标记过热点。通过上述自动化手段，系统将所有发现的缺陷进行空间坐标定位，结合设备类型进行多维度的关联，形成初步的缺陷清单。巡检报告自动化生成与可视化呈现系统根据预设的模板逻辑，将识别出的结构化数据汇总为规范的巡检报告。1、报告概况部分：涵盖巡检任务的基本信息、天气状况、设备状态统计以及风场整体健康评分指数。2、缺陷详述部分：以列表形式展示所有发现的异常，每项异常均配有原始照片、标注位置图、缺陷类型描述以及风险等级评估。3、处理建议部分：根据缺陷的严重程度，系统自动给出相应的维护处理建议，如持续监测、计划检修或立即更换。生成的报告支持多种格式的导出，便于管理人员在移动端或桌面端进行快速查阅，确保巡检结果能够直观、高效地传递决策层。结果闭环管理与数据数据库维护巡检报告的生成并非终点，通过建立全生命周期的管理机制，确保巡检价值转化为实际生产力。1、人工复核与确认机制：专业技术人员对系统识别的缺陷进行二次人工审核，修正误报或补充漏报，确保报告数据的权威性与准确性。2、工单派发与跟踪机制：系统根据报告中的高风险缺陷自动生成维修工单，并跟踪工单从派发、执行到修复完成的全过程，实现故障的闭环管理。3、历史趋势分析与预测维护：将所有巡检数据录入设备健康数据库，通过对同一设备在不同时间节点的巡检数据对比，分析缺陷的演变趋势，为风电场的预防性维护计划提供科学的数据支撑，从而优化运维成本投入。巡检方案效益评估与优化建议巡检方案效益评估1、作业效率的质性提升无人机巡检相比于传统的人工巡检模式，在效率上具有显著的飞跃。通过自动化航线规划与高空作业，无人机能够在短时间内完成风力机叶片、塔筒及机舱外部的全景拍摄。原本需要人工爬升或使用高空平台耗时数天的工作任务，通过无人机方案后可缩短至数小时内。这种效率的提升意味着巡检频率的增加，从而通过巡检周期的缩短确保了风电设备状态监测的实时性。2、巡检精度与数据深度的增强利用高分辨率变焦相机、红热成像仪及多光谱传感器，无人机能够捕捉肉眼难以发现的细微缺陷，例如叶片表面的微小裂纹、侵蚀迹象以及电气组件的异常温度。通过高精度的图像采集，结合后期的人工智能视觉识别