无人机仪器读数的可视化
在这个例子中，用于可视化的算法
实现了从无人机传感器记录的飞行数据。
本演示的目的是展示各种可能性
显示数据，包括它们的时间参考。
让我们从CSV文件中读取记录的数据开始。
In [ ]:
using CSV
# Читаем данные из файла data.csv
df_read = CSV.read("$(@__DIR__)/data_drone.csv", DataFrame)
# Проверка первых строк
first(df_read, 5)
Out[0]:
正如我们所看到的，该表包含3个字段，时间计数，高度值以及无人机相对于地平线的角度。
In [ ]:
max_idx = 350;
t = df_read.Время[1:max_idx]
heights = df_read.Высота[1:max_idx]
angles = df_read.Угол[1:max_idx]
H = plot(t, heights, title="Высота")
A = plot(t, angles, title="Угол наклона")
plot(H, A, layout=(2, 1), legend=false)
Out[0]:
基于传感器值的可视化，我们
看到无人机逐渐获得高度和
改变了倾斜的角度，盘旋一些
障碍。 我们也看到偏差的波动
相对于地平线，这很可能是由于
事实上，无人机是在大风天气飞行。
接下来，我们将在循环中声明不需要更新的静态变量。
In [ ]:
max_y_h = maximum(heights)+10
# Уравнение единичной окружности
θ = range(0, 2π, length=100)
x_circle = cos.(θ)
y_circle = sin.(θ)
x = [-1, 1]
using Images
# Загрузка изображения дрона
drone_img = load("$(@__DIR__)/drone.jpg")
Out[0]:
现在让我们继续讨论数据可视化周期本身。 它大致可以分为三个部分。
- 高度显示。 对于每个时间点，高度图绘制为红点。
轴约束设置为显示当前时间±10秒周围的区域。
图表标题显示当前高度值和向上/向下箭头，具体取决于高度是增加还是减少。 - 间距图。 俯仰图显示了无人机相对于地平线的偏转角度。
Cosd和sind函数用于绘制斜率线。
航向包含以度为单位的俯仰角值。 - 无人机图像旋转可视化，将无人机图像旋转一定角度（俯仰值+90度）。
Channelview函数将图像转换为便于进一步处理的视图。
掩模用于去除黑色像素。
结果，所有三个图被组装成形成GIF帧的单个帧。
In [ ]:
@gif for i in 1:length(t)
ti = t[i]
ai = angles[i]
hi = heights[i]
# Высота
h_plt = scatter([ti], [hi],
markershape=:circle, markersize=15, markercolor=:red, framestyle=:box,
xlims = (ti-10, ti+10), ylims = (0, max_y_h),
legend=false, grid=false,
title="Высота: $hi m $((i == 1 || heights[i] > heights[i-1]) ? "↑" : "↓")")
# Тангаж
tang = plot([x_circle, (cosd(-ai) .* x)], [y_circle, (sind(-ai) .* x)],
linewidth=3, color=:black, framestyle=:none,
title="Отклонение: $(ai)°")
# Дрон
sx,sy = size(drone_img) .÷ 3;
mini_drone = imresize( drone_img, sx, sy );
rotated_array = channelview(Gray.(imrotate(mini_drone, π*(ai+90)/ 180, fillvalue=oneunit(eltype(mini_drone)), axes(mini_drone))));
dron = plot(framestyle=:none, grid=false, title = "Время: $(t[i])sec")
# Отображаем повернутое изображение дрона
heatmap!(
1:size(rotated_array, 2), 1:size(rotated_array, 1),
permutedims(rotated_array, (2, 1)),
colorbar=false, c=:grays
)
Tng_Dr = plot(dron, tang, layout = grid(2, 1, heights=[0.8, 0.2]))
grup = plot(Tng_Dr, h_plt, layout= grid(1, 2, width = [0.75, 0.25]), legend=false)
end
Out[0]:
结论
正如我们所看到的，基于GIF结果,
我们得到了一个相当丰富的数据表示
随着时间的推移。 这种方法可以应用
很多时候，特别是在描述真实物理对象的行为的情况下。