輸電線路多旋翼無人機自動駕駛智能巡檢系統①

麥俊佳,郭 圣,徐振磊,曾懿輝

(廣東電網公司 佛山供電局,佛山 528000)

1 引言

架空輸電線路運行環境復雜多變,容易受到自然和人為因素破壞而導致各種故障,為了保證輸電線路的安全可靠運行,電力部門制定了嚴格的巡視工作規范,對輸電線路進行定期的巡視[1].

傳統的人工巡視因受地形限制,不但危險性高、工作量大,而且效率低下,已不能滿足輸電線路巡檢要求.有人直升機巡視雖然不受地理條件限制,具有巡線速度快的優勢,但作業成本高、巡視操作難度大、作業規范性差、質量參差不齊,難以在大多數省級、地市級線路運維單位推廣使用.隨著多旋翼無人機的出現,其安全可靠、操作簡單的特性在輸電線路巡視中得到廣泛應用[2].

近年來,國內外眾多專家學者已對無人機電力線路巡檢技術做了大量的研究.如南方電網彭向陽等對無人機電力線路安全巡檢系統及關鍵技術進行了研究,較為全面地闡述了電力線路巡檢無人直升機的技術要點[2]；國家電網何惠清等探索了小型多旋翼無人機在架空輸電線路巡檢應用,對無人機智能巡檢系統進行了描述[3].而在國外,依托已有的先進無人機技術,相關研究的重點已經轉向關注后續的圖像識別和數據處理等方面,如西班牙馬德里大學的Campoy 等致力于計算機視覺技術應用于無人機巡線導航的研究,即利用圖像處理算法和跟蹤技術,在GPS 的輔助下實現無人機的巡線導航[4].雖然較多的學者已對無人機電力線路巡檢技術進行了詳細的分析,但大多數研究集中在人工操控無人機巡檢方面,少數探索無人機電力線路智能巡檢技術也缺乏對該技術進行系統的分析及應用研究.本文在學習總結國內外相關研究的基礎上,進一步探索改進,提出了一種輸電線路多旋翼無人機自動駕駛智能巡檢系統及方法,重點介紹了巡檢系統結構、功能、關鍵技術及應用分析,該系統的實現大大提高電網巡檢效率,有效地解決了輸電專業無人機巡視方面的實際問題,具有較強的實際意義.

2 系統結構

輸電線路多旋翼無人機自動駕駛智能巡檢系統主要由3 個部分組成,分別為智能終端、飛行平臺和機巡作業平臺.其中智能終端接收機巡作業平臺發送的自動飛行航線信息,實現對飛行平臺無人機的智能控制,同時將作業數據傳輸給機巡作業平臺進行分析處理.飛行平臺完成各種作業數據的采集,并將數據傳輸給智能終端和機巡作業平臺.機巡作業平臺根據作業數據規劃自動駕駛航線,并進行后期的照片處理.系統總體結構如圖1所示.

圖1 多旋翼無人機自動巡檢系統總體結構圖

2.1 智能終端

智能終端主要用于操控無人機飛行,通過數據鏈路和圖傳鏈路與飛行平臺實時連接,實現飛行狀態監測、飛行任務管理、飛行安全檢查、作業數據管理等功能.其主要包括智能匹配、桿塔數據管理、地圖顯示、任務管理、飛行參數顯示、飛行安全檢查和作業數據管理等七大功能模塊.

智能匹配模塊可智能匹配無人機的機型、作業的線路和桿塔名稱,為作業提供了安全穩定的運行環境.桿塔數據管理模塊用于儲存高精度桿塔坐標、高度及輸電桿塔等三維模型信息,同時該模塊可與網絡云端數據庫互聯,從而實現數據共享.地圖顯示模塊可載入三維地圖,實時查看桿塔模型、電子圍欄、無人機和飛行航線.任務管理模塊用于管理不同線路巡視的作業任務,作業人員只需按提醒的操作步驟執行即可完成自動巡檢全過程.飛行參數顯示模塊可獲取無人機實時飛行、相機云臺和激光雷達參數,包括無人機飛行速度、距離、高度、相機曝光參數等等基礎數據,并顯示在智能終端.飛行安全檢查模塊用于檢查無人機的實時位置,并控制無人機在飛行時不能進入電子圍欄區域,以此保證無人機巡視作業安全.作業數據管理模塊用于管理無人機的作業數據,包括作業記錄數據和所拍攝照片.

2.2 飛行平臺

飛行平臺為無人機作業及數據采集的主要平臺.系統主要采用RTK 無人機,其基于RTK 載波相位差分技術可在強電磁場中實現厘米級定位,保證了無人機作業位置和采集信息的準確性[5].其搭載的激光雷達、可見光相機和紅外測溫相機分別完成輸電線路激光點云、桿塔坐標與高度、設備可見光相片與紅外測溫相片等信息的采集.

2.3 機巡作業平臺

機巡作業平臺是數據處理、存儲與應用的主要作業平臺.該平臺主要包括自動駕駛模塊和智能分析模塊.

自動駕駛模塊用于規劃無人機高精度精細化巡檢自動駕駛航線,對飛行平臺采集的高精度點云數據進行矢量化、對象化處理,提取關鍵點信息,根據智能控制算法自動生成無人機高精度精細化巡檢自動駕駛航線.智能分析模塊用于處理無人機巡視作業數據,對無人機作業后拍攝的不同設備部件進行一一匹配、重命名及歸檔整理,同時對設備缺陷照片進行識別提取,整理命名,最終生成作業報告.

3 系統功能

多旋翼無人機自動駕駛智能巡檢系統功能主要是在保證輸電線路安全、無人機安全的前提下,實現無人機自動駕駛,進行輸電線路精細化巡檢,并智能分析作業數據,最終形成作業報告.系統功能流程圖如圖2所示.根據前期采集的高精度桿塔坐標與高度信息,系統智能終端可自動規劃最優的無人機激光建模飛行路線,操控激光雷達無人機實現激光雷達自動飛行.上傳高精度激光點云數據至機巡作業平臺,平臺依據智能算法自動規劃無人機精細化巡檢自動駕駛航線,將航線反饋給智能終端,即可操控RTK 無人機實現自動駕駛飛行巡視作業.上傳作業數據至機巡作業平臺,平臺依據人工智能圖像識別算法對作業照片識別提取、缺陷分類、重命名及歸檔整理,生成作業報告.

4 系統關鍵技術

隨著RTK 載波相位差分高精度定位技術、高精度激光雷達建模技術和人工智能圖像識別技術的成熟,為輸電線路高質量智能巡檢作業提供了技術條件支持,下面將闡述輸電線路多旋翼無人機自動駕駛智能巡檢系統關鍵技術.

4.1 激光雷達無人機自動駕駛建模航線控制算法

激光雷達無人機配備有RTK 載波相位差分技術、導航系統和高精度激光雷達,可在強電磁場中實現厘米級定位和導航,保證了無人機自動駕駛飛行的穩定性和精準性[5].然而人工操控激光雷達無人機進行三維建模仍然存在著難度大、風險高、作業速度不均勻、建模效果不好等問題.激光雷達無人機自動駕駛技術能有效解決人工操控建模的問題.結合雷達掃描區域和輸電線路結構尺寸,包括桿塔高度、橫擔最大長度、最下相導線高度、走向,規劃無人機自動激光雷達建模航線,激光雷達掃描示意圖如圖3所示.

圖3 激光雷達掃描示意圖

為得到高質量建模效果,理論上無人機距離帶電線路越近越好,慮到飛行安全,提出了無人機與輸電線路線行中心保持的水平距離需滿足式(1)要求：

式中,Da為線行中心與無人機保持的水平距離,單位m；L為桿塔最長橫擔長度,單位m；n為輸電線路安全距離,單位m,對應110 kV、220 kV、500 kV 輸電線路安全距離分別為5、6、8.5 米.

無人機與水平地面保持的垂直距離理論值由式(2)求得：

式中,Ha為無人機與水平地面保持的垂直距離理論值,單位m；H為桿塔結構高度,單位m；L為桿塔最長橫擔長度,單位m；n為輸電線路安全距離,單位m；α為激光雷達開角,單位rad.

為得到最佳的建模效果,根據塔高與激光雷達射程,提出無人機飛行高度值需滿足式(3)要求：

式中,h為無人機實際飛行高度,單位m；Ha為無人機與水平地面保持的垂直距離理論值,單位m；R為激光雷達射程,單位m；α為激光雷達開角,單位rad；i為飛行次數.以上高度,為激光雷達無人機建模時飛行的高度,根據雷達掃描區域范圍、桿塔結構尺寸,分別規劃無人機航線為單架次、雙架次、三架次等作業,以使激光雷達掃描區域可覆蓋整個輸電線路結構.根據式(1)-(3)可計算無人機激光建模飛行的最優路線,規劃路線上傳至無人機,由此完成激光雷達無人機自動駕駛建模作業.

4.2 無人機自動駕駛精細化巡檢航線控制算法

無人機自動駕駛精細化巡檢航線主要由系統機巡作業平臺規劃實現.機巡作業平臺可通過分析激光雷達無人機采集的高精度點云數據,提取關鍵點信息,計算優化,再依次組合成自動駕駛航線.輸電線路的關鍵節點為鐵塔,鐵塔一般分為直線塔,轉角塔,耐張塔,分歧塔,換位塔,終端塔等,每一種塔型均具有不同的空中飛行巡視路徑參數,即飛機起降位置；塔腳、塔頂懸停位置；相機拍攝角度；照片拍攝數量；每相序導線、地線懸停位置等.下面以典型的四回路直線塔為例,具體說明鐵塔精細化巡視路徑及懸停節點.四回路直線塔自動巡檢關鍵點設計如圖4所示,結合巡視作業的塔形和設備,一共設置了16 個懸停位置關鍵點,無人機按照圖中規劃順序依次懸停作業.不同的懸停位置調整云臺相機角度,進行不同設備的巡檢拍攝工作,其中懸停位置1 線路前進方向右邊塔身處,可拍攝塔腳和桿塔線路名牌等設備照片；懸停位置2 至7,11 至16可拍攝導線、防震錘、絕緣子串和金具等設備照片；懸停位置8 至10 可拍攝地線、塔頭和防震錘等設備照片.

為得到高質量巡檢作業圖片,理論上無人機距離帶電線路越近越好,但慮到飛行安全,提出了選取的關鍵點與邊導線和桿塔的距離需滿足式(4)的要求：其中,l1,l2分別為在磁場干擾下,保持無人機操控系統正常工作條件下至線路兩側邊導線的最小安全距離,單位m；l3,l4為在電場干擾下,保持無人機操控系統正常工作條件下至線路兩側邊導線的最小安全距離,單位m；x1為允許風速條件下瞬時導致無人機偏離航點的最大距離,單位m；x2為規劃航點與無人機GPS 定位儀數據實際位置的距離誤差,單位m；v為無人機巡視飛行速度,單位m/s；t為無線通訊系統最長延時,單位s；a1為多旋翼無人機軸距與半螺旋槳長度之和,單位m.根據式(4)和不同的桿塔模型可計算最優的無人機懸停位置關鍵點,依次提取組合,由此得出無人機自動駕駛精細化巡檢的最優航線,規劃路線上傳至無人機,即可完成無人機自動駕駛精細化巡檢作業.

圖4 自動巡檢關鍵點設計圖

4.3 人工智能圖像識別作業數據處理方法

隨著人工智能技術的發展,深度學習為輸電線路作業數據智能處理提供了新的思路.無人機作業過程中有大量的圖像數據需要處理,對于圖像特征的提取與分類一直是無人機智能化作業領域的一個基礎而重要的研究方向.卷積神經網絡(Convolutional Neural Network,CNN)提供了一種端到端的深度學習模型,模型中的參數可以通過傳統的梯度下降方法進行訓練,經過訓練的卷積神經網絡能夠學習到圖像中的特征,并且完成對圖像特征的提取和分類.收集一定量的原始數據并進行相應處理,輸入到CNN 訓練框架中,經過反復迭代,最終生成合格的圖像識別模型.通過調用該識別程序,即可對大量的數據進行智能化分析.如圖5所示,典型的卷積神經網絡主要由輸入層、卷積層、下采樣層(池化層)、全連接層和輸出層組成.

圖5 卷積神經網絡的典型結構

卷積神經網絡的輸入通常為原始圖像X.本文用Hi表示卷積神經網絡第i層的特征圖(H0=X).假設Hi是卷積層,Hi的產生過程可以描述為：

其中,Wi表示第i層卷積核的權值向量；運算符號“ ?”代表卷積核與第i-1 層圖像或者特征圖進行卷積操作,卷積的輸出與第i層的偏移向量bi相加,最終通過非線性的激勵函數f(x)得到第i層的特征圖Hi.

下采樣層通常跟隨在卷積層之后,依據一定的下采樣規則對特征圖進行下采樣.下采樣層的功能主要有兩點：1)對特征圖進行降維；2)在一定程度上保持特征的尺度不變特性.假設Hi是下采樣層：

經過多個卷積層和下采樣層的交替傳遞,卷積神經網絡依靠全連接網絡對針對提取的特征進行分類,得到基于輸入的概率分布Y(li表示第i個標簽類別).如式(7)所示,卷積神經網絡本質上是使原始矩陣(H0)經過多個層次的數據變換或降維,映射到一個新的特征表達(Y)的數學模型.

訓練過程中,卷積神經網絡常用的優化方法是梯度下降方法.殘差通過梯度下降進行反向傳播,逐層更新卷積神經網絡的各個層的可訓練參數(W和b).學習速率參數(η)用于控制殘差反向傳播的強度：

本系統人工智能圖像識別技術正是基于上述CNN深度學習框架[6-9],對現有的機巡數據進行訓練,在多次訓練后生成可調用模型.無人機自動駕駛作業結束后,作業數據通過智能終端管理,上傳至機巡作業平臺進一步分析處理.通過調用模型,機巡作業平臺內置了功能完善的圖像識別模型服務,可對無人機作業后拍攝的不同設備部件進行一一匹配、重命名及歸檔整理,同時對設備缺陷照片進行識別提取,整理命名,最終生成作業報告.這大大減少了數據處理、圖片歸檔工作量,提高了缺陷查找的準確度,提升了工作效率.

5 系統應用實踐

為驗證多旋翼無人機自動駕駛智能巡檢系統的有效性,對110 kV 三興線N1-N19 塔全線進行了激光掃描建模并開展了自動精細化巡檢測試.自動精細化巡檢采用大疆M210 RTK 多旋翼無人機,搭ZENMUSE X4S 相機,測試線路長度全長約4.5 公里,線路位于山區,精細化巡檢難度較大.

本次多旋翼無人機自動精細化巡檢測試按照系統功能流程,綜合運用了RTK 載波相位差分高精度定位技術、高精度激光雷達建模技術、無人機自動精細化巡檢方法和人工智能圖像識別作業數據處理方法,完成了110 kV 三興線全線的自動精細化巡檢作業,并最終生成了作業報告.其中智能終端任務界面如圖6所示,110 kV 三興線激光掃描建模結果如圖7所示,測試共發現桿塔本體重大缺陷12 處,部分缺陷如圖8所示.相比傳統的人工操作無人機巡檢方式,自動駕駛智能巡檢大大提升了無人機的作業準確性和安全性,有效提高了無人機的作業效率,減少了數據處理工作量,保證了作業效果.具體特征對比如表1所示.

6 結語

本文針對現有架空輸電線路定期巡檢技術的缺點與不足,提出了一種輸電線路多旋翼無人機自動駕駛智能巡檢系統,重點介紹了巡檢系統結構、功能流程、關鍵技術及應用分析.通過應用實踐,證明了系統的有效性.該系統的實現有效地提高了無人機飛行的智能性、準確性、安全性,同時保證了輸電線路巡檢作業的高效性,提高輸電線路無人機巡檢效果、作業效率和安全,具有很好的應用前景.

圖6 智能終端任務界面

圖7 激光掃描建模模

圖8 部分巡檢缺陷圖

表1 人工操控無人機巡檢與自動駕駛智能巡檢方式特征對比