基于互聯網技術的無人機電力巡檢視覺避障方法的研究與發展

王汝智 任海金 王文軍

摘要：隨著電力系統的不斷升級和擴大，傳統的人工巡檢方式已經無法滿足日益增長的巡檢需求。隨著互聯網的不斷發展，以無人機作為巡檢工具的巡檢方法，以其靈活、高效的特點，逐漸成為電力巡檢的首選。然而，在無人機巡檢過程中，視覺避障技術一直是制約無人機應用的一個重要問題。本文將對基于互聯網技術的無人機電力巡檢視覺避障方法的研究與發展進行綜述，詳細介紹視覺避障技術的關鍵點，包括通信技術和算法等方面，分析視覺避障技術在無人機電力巡檢中的應用現狀和存在的問題，展望視覺避障技術在無人機電力巡檢中的發展趨勢。

關鍵詞：無人機巡檢技術；視覺避障；深度學習算法；通信技術

引言

視覺避障技術是無人機電力巡檢中一個至關重要的環節，直接關系到無人機的安全和巡檢的準確性。無人機在飛行過程中會遇到各種障礙物，如電力線、桿塔、樹木等，如果不能及時避讓，可能會導致無人機墜毀或損壞。目前，常見的視覺避障技術包括超聲波避障、紅外避障、激光雷達避障等。然而，現有技術還不能完全滿足生產需要，如超聲波技術受環境干擾大、紅外避障技術對光線條件要求高等。因此，對無人機電力巡檢視覺避障技術的研究具有十分重要的現實意義。

1. 視覺避障的關鍵技術

當前，視覺避障技術的研究主要集中在算法優化、互聯網通信技術升級等方面。其中，基于深度學習的算法得到了廣泛應用，如卷積神經網絡（CNN），該算法能夠通過對環境的實時識別，幫助無人機實現精確避障。同時，無線通信技術和衛星通信技術等也得到了廣泛應用，能夠更加快速地提供位置信息，提高避障的準確性。

1.1 視覺避障算法

視覺避障技術需要使用各種算法來處理接收到的信息，如目標檢測、跟蹤、識別、測距等。其中，目標檢測和跟蹤是關鍵算法，可以實現對障礙物的快速檢測和跟蹤。

（1）CNN是一種用于圖像識別和目標檢測的深度學習算法，通過堆疊多個卷積層、池化層和全連接層，可以自動學習輸入數據的特征表示，并在訓練過程中不斷優化模型參數，從而實現對復雜數據的高效處理和識別。CNN在圖像識別、物體檢測、語音識別等領域取得了巨大成功，成為深度學習領域應用最廣泛的模型之一，常用于目標檢測任務中。

（2）Faster R-CNN是基于區域的卷積神經網絡，是一種經典的兩階段目標檢測算法，由R-CNN、Fast R-CNN和Region Proposal Network（RPN）三部分組成，通過引入區域提議網絡來提高目標檢測的速度和準確性，具有較高的準確性和精度，但由于其兩階段的設計，速度相對較慢。隨著后續的改進和優化，如Mask R-CNN、Cascade R-CNN等，Faster R-CNN的性能得到了進一步提升，并且在圖像檢測和實例分割任務中被廣泛應用。

（3）Mask R-CNN是在Faster R-CNN基礎上進行了改進，結合了目標檢測和實例分割的任務，在實現目標檢測的同時，生成目標的語義分割掩模，更適用于復雜場景中的目標檢測與跟蹤，被廣泛應用于圖像分割、人體姿態識別等領域。

（4）SSD（single shot multiBox detector）是另一種快速的目標檢測算法，通過在不同層級的特征圖上預測目標的類別和邊界框，實現了對不同尺度目標的檢測。SSD相較于傳統的兩階段目標檢測算法，具有更快的速度和較好的檢測性能，適用于實時的多目標檢測。

（5）YOLO（you only look once）是一種快速且準確的單階段的目標檢測算法，與傳統的兩階段目標檢測算法（如R-CNN系列）相比具有更高的速度和效率，通過單次前向傳播，實現對整個圖像中多個目標的檢測與定位，適合實時應用。YOLO系列發展至今已經發布到YOLOv8系列。

（6）DeepSORT是一種結合深度學習和目標關聯的目標跟蹤算法，在實時環境下能夠準確、穩定地跟蹤多個目標的算法，可以在視頻流中對目標進行實時追蹤和識別，提高跟蹤的準確性和穩定性。

（7）KCF（kernelized correlation filters）是一種基于核相關濾波的目標跟蹤算法，通過學習目標的特征模板，在連續幀中進行目標跟蹤，能夠適應目標在不同尺度下的變化，通過在多個尺度上建模目標特征，實現對尺度變化的魯棒跟蹤，提高了算法的適應性和泛化能力。

1.2 互聯網通信技術

視覺避障技術需要使用更加快速的通信技術發送和接收環境信息，一方面，可以通過快速的通信技術實時傳輸無人機采集到的圖像和數據，提供給地面操作人員或系統進行分析和處理，幫助地面人員快速了解無人機周圍環境的情況，及時作出決策；另一方面，可以加快多架無人機之間實現數據共享和協作，共同完成電力巡檢任務，提高巡檢效率，同時實現更全面的視覺避障覆蓋范圍。

目前，無人機電力巡檢技術的通信手段早已擺脫了光纖通信、雙絞線通信等傳統有線通信技術，更多地采用無線通信技術、衛星通信技術以及光通信技術，在選擇通信方式時，需考慮實際情況，綜合考慮其性能、精度、功耗和成本等因素，以達到最佳的應用效果。

1.2.1 無線通信技術

無線通信技術包括移動通信技術（如4G、5G技術）、Wi-Fi技術和藍牙技術等，通過空中的電磁波傳輸信息，實現設備之間數據傳輸和通信。首先，發送端通過調制技術將要傳輸的信息信號轉換成適合在空中傳輸的電磁波信號，接收端通過解調技術將接收到的電磁波信號還原成原始的信息信號。其次，為提高傳輸效率和可靠性，通常會對信息信號進行編碼處理，以確保信息的正確傳輸。最后，發送端將需要發送的數據轉換為適合在空中傳輸的高頻信號，經過天線將信號發送到空中，同時接收端會接收來自空中的電磁波信號，并將此信號轉換為數字信號，實現數據傳輸。

無線通信技術具有便捷性、靈活性、覆蓋范圍廣、成本較低、易部署、易擴展、適應性強等優點，已成為當前通信領域的主流技術之一，得到了廣泛的應用和發展。

1.2.2 衛星通信技術

衛星通信技術是利用人造衛星作為中繼器，實現地面和移動終端之間的通信。地面信號源使用較高頻率的微波信號作為載波信號，通過天線將信號發射到衛星，衛星接收到來自發射端的信號后，經過放大和頻率轉換等處理，再通過衛星上的轉發器和天線將信號轉發到地面，地面接收站接收衛星傳來的信號后，進行信號的放大、解調、解碼等處理，最終將信息傳遞給終端用戶，用戶的終端設備通過天線接收來自地面接收站的信號，進行解調、解碼等處理，最終獲取通信內容。

在衛星通信技術中，衛星起到了中繼器的作用，將地面發射的信號再次轉發到指定接收站，實現了全球范圍內的通信覆蓋。衛星通信技術的優點包括覆蓋范圍廣，適用于偏遠地區和海洋等無法覆蓋的區域，支持廣播、電話、互聯網等多種通信服務，同時也具備快速部署和網絡擴展的優勢。

1.2.3 光通信技術

光通信技術是一種利用光作為傳輸媒介進行信息傳輸的通信技術。其原理主要包括以下幾個步驟：首先，通過強度調制、頻率調制和相位調制等調制方式，將模擬信號或數字信號轉換為光信號的強度、頻率或相位的變化；其次，經過調制后的光信號通過光纖或光空間傳輸到接收端；最后，接收端的接收器將光信號轉換回原始的模擬或數字信號，以便接收端設備進行后續處理和解碼。

光通信技術利用光信號作為信息的載體，相比傳統的電信號通信技術，光通信技術具有傳輸速度快、帶寬大、抗干擾能力強、傳輸距離遠、安全性高等優勢，適用于長距離、大數據量、高速傳輸等應用場景。光通信技術在通信網絡、數據中心、互聯網等領域發揮著重要作用，是未來通信領域的重要發展方向之一。

2. 視覺避障技術在無人機電力巡檢中的應用現狀

當前，很多研究機構和企業都在積極開展無人機電力巡檢視覺避障技術的研究與實踐。針對不同的應用場景和需求，已經出現許多創新性的解決方案和技術。例如，張靜等[1]針對無人機電力線路巡檢效率低的問題，提出了一種基于雙目測距的無人機電力線路巡檢安全距離測量算法，采用雙目測距原理搭建試驗臺，對建立的系統進行實拍圖像的Hough直線測試，最終誤差被控制在5%左右，滿足實際生產需要。羅瀟等人[2]針對無人機電網巡檢存在檢測區域面積小、背景復雜、計算量大的問題，提出了一種基于YOLOv3的目標檢測算法，算法首先選用ResNet18作為主干網絡結構，然后構建一個多尺度特征金字塔，將其與主干網絡進行融合，形成深度融合的電網巡檢絕緣子檢測模型，提高了檢測精度和檢測速度。仲林林等[3]針對無人機電力線路巡檢拍攝的桿塔圖像背景復雜且正負樣本極不均衡，嚴重影響電力桿塔異常檢測準確性的問題，提出了一種基于壓縮激活改進快速異常檢測生成對抗網絡（SE-fAnoGAN）的無人機電力桿塔巡檢算法，該算法首先在f-AnoGAN編碼器中引入壓縮激活網絡（SENet），提取圖像中的顯著性信息，然后，將生成對抗網絡的無監督學習和二分類器的有監督學習有機結合，實現前者特征提取優勢和后者判別優勢的互補。在此基礎上，借助基于遷移學習的優化訓練策略，進一步有效提升模型在大規模數據集上的泛化性能，提高復雜背景下的無人機巡檢精度。

除此之外，還可以利用深度學習算法對圖像進行識別和分類，實現對障礙物的自動識別；結合無線通信、衛星通信等通信方式，提高復雜環境中的通信能力；通過路徑規劃算法，實現無人機的智能避障和自主飛行等。

近年來，研究者們對視覺避障技術進行了深入研究，并取得了一定的成果。其中，基于深度學習的視覺避障技術得到了廣泛應用。該技術通過訓練大量的數據樣本，使無人機能夠識別和判斷障礙物的位置和大小，從而實現對障礙的有效避障。

盡管視覺避障技術已經取得了顯著的進步，但仍存在一些挑戰，如通信效率低、算法復雜度高、系統實時性差等，具體表現為環境光照的變化會對圖像質量產生影響，進而影響避障精度，以及無人機在復雜環境中（如樹木、建筑物等）的避障難度較大。此外，如何提高避障反應速度，使其適應實時巡檢需求，也是亟待解決的問題。

3. 視覺避障技術在無人機電力巡檢中的未來發展趨勢

目前，大部分無人機巡檢作業方式為非接觸式，接觸式巡檢作業技術研究基本停留在理論分析階段，實際應用較少[4]。未來，隨著人工智能和互聯網技術的發展，視覺避障技術將進一步發展。首先，更加精細的算法和模型將進一步提高避障精度；其次，多傳感器融合技術將進一步提高避障的可靠性；最后，隨著無人機硬件性能的提升，無人機的實時反應速度也將得到提高，使其適應更復雜的環境。具體可從以下四個方面進行深入研究。

3.1 多傳感器融合

視覺避障技術將與其他傳感器（如激光雷達、超聲波傳感器等）融合，以提高傳感器的精度和可靠性。通過結合多種傳感器，如攝像頭、激光雷達、紅外線等，提高對復雜環境中障礙物的檢測精度和避障能力。

3.2 深度學習算法

深度學習算法將在視覺避障技術中得到更廣泛的應用，可以提高算法的準確性和效率，無人機電力巡檢領域也將更多地應用這些技術，從而提高障礙物檢測和避障效果。

3.3 多學科技術交叉

借助路徑規劃算法、環境感知技術、姿態控制和運動規劃技術、自主飛行技術等，實現無人機在復雜環境中的智能避障和自主飛行，包括研究無人機的語義服務技術，進一步提高巡檢效率和功能穩定性[5]。

3.4 互聯網技術

通過通信技術發送和接收巡檢數據，進一步提高無人機與基地或其他設備的高效通信，實現對電力設備狀態的實時監測和預測，提高電力系統的運行效率和可靠性。

結語

本文綜述了無人機電力巡檢視覺避障技術的研究現狀和發展趨勢。視覺避障技術是保障無人機電力巡檢安全性和可靠性的關鍵技術之一，目前還存在一些問題需要解決。未來，視覺避障技術將注重多傳感器融合、深度學習算法、互聯網技術等方面的發展，以提高無人機電力巡檢的效率和準確性。未來，無人機將隨著互聯網技術的進一步發展，在電力巡檢中發揮更大的作用，為人們的生活帶來更多便利。

參考文獻：

[1]張靜，劉曉銘，黃國方.基于雙目測距的無人機電力線路巡檢安全距離測量研究[J].微型電腦應用，2020，36（2）：117-119.

[2]羅瀟，於鋒，彭勇.基于深度學習的無人機電網巡檢缺陷檢測研究[J].電力系統保護與控制，2022，50（10）：132-139.

[3]仲林林，胡霞，劉柯妤.基于改進生成對抗網絡的無人機電力桿塔巡檢圖像異常檢測[J].電工技術學報，2022，37（9）： 2230-2240，2262.

[4]隋宇，寧平凡，牛萍娟，等.面向架空輸電線路的掛載無人機電力巡檢技術研究綜述[J].電網技術，2021，45（9）：3636-3648.

[5]季偉，吳建靈，吳建友，等.面向無人機電力巡檢航跡規劃的語義服務方法[J].計算機工程與設計，2021，42（5）：1494-1501.

作者簡介：王汝智，碩士研究生，高級經濟師，研究方向：無人智能運維和管理。

基金項目：國家能源集團陜西水電有限公司科技創新項目——光伏電站安全運維一體化智能管控系統研究項目（編號：GJNY-23-053）。