摘要：本文针对目前无人机巡检过程中产生的海量图像在人工处理时工作效率低下、工作量巨大等问题，采用 J2EE 技术体系，按照多层次软件开发体系对输电线路无人机管理系统进行了研究。该系统采用了基于 Faster-Rcnn 的深度学习算法，利用深度卷积神经网络算法对数据进行预处理和分类。同时能够完成设备缺陷的标注，并将识别结果进行反馈。此外，系统集成了无人机巡检工作的整个作业流程，实现了对无人机巡检作业的智能化调度和全流程监控。该系统的研究对于实现输电线路无人机巡检的高效工作具有重要意义。
关键词：无人机巡检；深度学习；卷积神经网络；缺陷识别；信息管理
0 前言
随着无人机技术的发展，在电力系统领域无人机巡检业务由于其可操作性强、工作效率高等优点也获得了广泛的应用，并在输电线路巡检过程中起到了重要的作用。但随着无人机巡检业务的开展，对于无人机巡检工作效率的提升以及巡检数据的管理也提出了新的要求。
针对上述问题，本文采用 J2EE 技术体系，通过组件化、微服务和动态化的软件技术，基于 FasterRcnn 深度学习算法，利用图像识别技术对输电线路无人机智能管理系统进行了研究和开发。对电力设备巡检过程中产生的图像数据进行了分类识别，对于提高输电线路巡检的工作效率具有重要意义。
1 技术路线
输电线路无人机巡检智能管理系统在构建过程中，通过对数据模型的内部共享，利用模块化、小型化、可编辑的软件构建技术，采用 J2EE 体系，实现了多层技术方案的设计，有利于实现无人机输电线路巡检业务的综合管理，该系统技术构架的内容，如图 1所示。
图 1 无人机巡检管理系统架构 图2 Faster-Rcnn算法流程示意图
前置层包含了对无人机飞行系统的控制以及飞行数据的采集、存储和清洗等功能。表现层集成了无人机巡检智能管理系统的管理工具，实现基于 C/S结构的对数据加工和应用；应用服务层提供面向用户的基本服务功能，主要用于实现飞行作业的管理、图形浏览、富媒体内容的分析识别、空间的分析服务和电网拓扑的分析管理等内容。
应用逻辑层是面向系统管理员和开发人员的系统工具，完成对系统用户的权限管理、空间数据的统计分析、飞行图像数据的识别和无人机通用业务组件的搭建。数据访问与数据存储均属于无人机智能巡检系统的数据管理系统，实现了对的数据访问的管理控制以及无人机巡检系统的数据存储功能。
2 设备缺陷识别算法
为了对无人机巡检业务数据进行综合管理，并对输电线路故障缺陷进行识别。本文采用了基于深度卷积神经网络的图像识别算法，对输电线路故障进行识别。同时对计算结果进行分析，用于指导电力系统检修工作。
输电线路典型设备缺陷识别技术采用了 FasterRcnn 算法，其基本思路是利用无人机巡检技术获得的照片中对电气设备进行标注，然后与数据库中的典型设备缺陷数据进行对比。进而识别出现场设备的缺陷，算法流程如图 2所示。
无人机巡检系统典型设备缺陷识别的算法流程如下：
1）样本制作
首先对获得的图像数据进行设备特征标注。然后从中随机抽取总数的 90%作为深度学习算法的训练数据集，剩余图片作为测试数据集。
2）模型训练
利用 Faster-Rcnn 对样本数据进行训练，并使用随 机 梯 度 法 对 Faster- Rcnn 算 法 参 数 进 行 实 时 更新。当数据满足识别误差要求时，停止训练。
3）模型测试
使用测试数据集对步骤 2）得到的深度学习数据模型进行测试，并根据测试结果判断模型是否需要修正。
4）目标样本制作
针对电力系统中设备的典型缺陷特征制作检测目标分类器样本，并利用 Faster-Rcnn 算法对分类器样本进行测试。检测算法能否满足缺陷识别的要求，从而对样本进行修改。
5）模型应用
利用上述步骤训练得到的基于深度神经网络的Faster-Rcnn 模型对无人机巡检得到的照片数据进行设备缺陷故障识别，并对故障进行分类标注。
6）参数更新
在原有图像识别模型的基础上，抽取新采集到的数据图像重新制作 Faster-Rcnn 识别样本，从而实现对模型的不断优化，提高模型的识别效率。
3 系统框架设计
输电线路无人机巡检智能管理系统主要可分为3 个部分，分别为业务架构、 应用架构和数据架构，具体内容如图 3所示。无人机巡检智能管理系统中的业务架构是指对无人机飞行业务和数据成果的管理。其实现流程包含了飞行计划的制定，统计作业人员数据和进行飞行空域的申请。同时，制定飞行计划指标。完成飞行计划管理之后按照飞行作业执行飞行任务，通过格局现场的飞行轨迹对巡检数据进行实时上传。飞行任务完成之后，由专业软件对获得的巡检数据进行建模分析。同时经过人工诊断，完成模型的优化分析。并导出作业成果报告，进行飞行数据指标的对比。应用架构主要实现无人机巡检任务过程中的资源管理、数据管理、指标管理和系统管理等内容。其中，资源管理是对无人机台账的统计以及设备的保养、备品配件的管理和驾驶员的培训及考核管理。多维智能数据管理系统包括了电力设施典型缺陷的识别功能和多维传感数据的管理。其中，电力设施的典型缺陷识别包含了对基础数据库的接入、基于图像定位和图像模型算法的建立以及图像识别技术的匹配。多维传感数据管理用于实现对数据的分析与优化功能。作业指标管理实现对无人机巡检作业指标的制定和考核功能。系统管理包含了工作人员的权限和角色管理，以及系统组织的制定与规划。
图 3 系统框架设计 图 4 数据库结构设计
4 数据库设计
依据无人机立体智能巡检应用平台的数据特性，将数据划分为基础数据、事务数据、非机构化数据等类型。并与其他系统进行集成数据交互，保障数据的实时性、唯一性、准确性。
其中，基础数据主要包含基本台账信息。其包括无人机台账信息、备品备件信息、飞手信息、供应商信息、设备台账信息等；事务数据主要包括禁飞区数据、飞行计划数据、飞行申请数据、定位数据、维修保养数据等；非结构化数据主要包含无人机政策法规、规范方案、日常规范文档、驾驶证照片、无人机照片、巡检照片、巡检视频、导入模板等。
系统数据是无人机巡检系统运行和服务的数据基础，由一系列的结构化数据和非结构化数据组成；无人机巡检系统数据主要由电网资源数据、地理信息数据、计划任务数据、飞行监控数据、巡检照片数据等多种数据构成。
电网资源数据主要是通过与生产管理系统集成而获取的。其为无人机巡检系统的主体基础数据，是飞行任务的主体数据。主要记录电网设备资源台账数据。
地理信息数据主要是通过与地理信息系统集成而获取的。其为无人机巡检系统主体基础数据的补充，是空域申请及飞行监控的参照数据。主要记录电网资源的地理信息数据及地图数据。
计划任务数据是无人机巡检系统中开展计划制定分解以及任务安排执行产生的生产应用数据。其主要是实现无人机巡检任务从计划到执行的管理，保证飞行有计划、有执行。
飞行监控数据是无人机巡检系统中监控飞行任务执行过程的数据。其主要是实现无人机巡线任务在线监控，保证飞行作业安全、合规。
巡检照片数据及巡检视频数据是无人机巡检系统中管理的无人机输电线路巡检任务对应的飞行成果数据。主要实现巡检成果数据的逻辑管理，并为后续缺陷分析提供基础数据。
5 系统功能的实现
输电线路无人机智能巡检管理系统功能的实现，涵盖了线路无人机巡检的全部流程。本文以无人机飞行计划管理为例，说明基于 J2EE 技术的智能管理系统的实现过程。
飞行计划管理主要是对飞行计划进行维护及管理，包含年度计划、季度计划及月度计划。在制定飞行计划时，主要参考线路巡检计划（任务）。同时参考禁飞区域信息，将禁飞区域排除在计划之外，保证计划具有实际可操作性。年度计划经过分解得到季度计划，季度计划进一步分解得到月度计划，从而使计划得到层层分解， 最终形成可执行计划。
在进行飞行计划管理设置时，用户通过点 UI 界面上的飞行计划制定按钮， 然后由 Flying Area Web记 录 控 制 器 在 飞 行 管 理 数 据 库 中 调 用 Flying management Domain，完成飞行计划的查询。然后向数据库发出请求，再利用 Flying Point Identify Web 线路查询管理控制器对飞行线路进行设置和数据更新。具体代码如下：
public String execute Defect （）
throws Exception{
if （Flying Transmission Line Defect! =null &&
Transmission Line Defect!=0）
{Flying management =True；
msg=” 获得飞行管理信息”
if（Flying transmission Line Defect==null）
{ Transmission Line Defect=false；
msg=” 安排飞行管理任务”； }
}}
return SUCCESS Flying Plan； }%返回飞行计划并输出
飞行作业计划中详细列出了作业计划的天数、巡检杆塔数目、已上传的数据量和发现缺陷的数量。同时，还包括了作业人员与相关工作记录等内容。
6 结语
为了对无人机巡检过程中产生的海量图像和视频数据进行处理，本文利用 J2EE 技术体系对输电线路无人机智能管理系统进行了研究。通过 FasterRcnn 的深度学习算法，对无人机采集到的数据图像进行了处理与分析。并依据无人机巡检平台的数据特性，对数据进行了归类。同时，系统集成了无人机巡检工作的整个作业流程，实现了对无人机巡检作业的智能化调度。本文的研究内容对于实现无人机巡检系统的智能管理具有重要意义。
参考文献
[1]缪希仁，刘志颖，鄢齐晨.无人机输电线路智能巡检技术综述［J］．福州大学学报，2020，48(2):8-10.
[2]胡莞鑫．基于RTK的小型无人机高精度导航系统研究［D］．南京:南京航空航天大学,2019．
[3] 陈驰，彭向阳，宋爽，王柯，钱金菊，杨必胜.大型无人机电力巡检LiDAR点云安全距离诊断方法.［J］．电网技术，2017，41(8):2723-2730.