基于深度学习的红外光热成像无人机巡检技术应用

本文在人工智能的基础上利用深度学习结合红外光热成像技术对无人机巡检技术进行研究和优化.首先对红外光热成像技术在电力系统中的应用和无人机巡检技术进行了介绍;然后提出了基于卷积神经网络的目标检测算法,对卷积神经网络的计算原理以及目标检测算法进行说明,并设计了基于深度视觉系统的MobileNetV1-YOLOv3网络预测模型...     

基于无人机载多载荷的输电线路巡检方法研究检测

无人机进行电力线路巡检的作业模式在南方电网已经开展了一些示范验证并获得一定的推广应用,目前的巡检方式多为无人机或有人机挂载激光雷达进行巡检。为提高线路巡检效率、提高隐患目标识别准确度,本文提出激光雷达和可见光相机一体化应用的方法来提高巡检自动化程度、提高巡检精细度、提高作业效率及可靠性。首先针对一次飞行同步采集巡检区域的激光点云数据和可见光影像数据,在对采集的数据分别进行相应的预处理;然后将点云数据和影像数据融合处理分析,实现输电线路隐患目标自动识别和精准定位。采用旋翼无人机实际巡检获取的输电线路激光点云数据和影像数据对该过程进行了验证,试验结果表明,基于无人机载多载荷的输电线路巡检具有较高的自动化程度和准确性,缺陷识别检测的水平距离误差为0.1467米,缺陷识别的垂直距离误差为 0.1025米,缺陷识别的净空距离误差为0.1575米,识别检测效果良好,对输电线路巡检具有重要的意义。     

基于机载计算机的无人机智能巡检方案

随着无人机飞行制造技术的不断发展,传统人力巡检在一些领域已逐渐被无人机巡检所取代,相关领域已涉及到森林虫害、电力巡检、工地安全、渔政执法等。针对目前无人机巡检中对巡检目标的实时检测、结果的实时传输以及巡检飞行的智能操控需求,设计了一种基于机载计算机的无人机智能巡检方案。通过机载计算机取代传统方案的移动图形工作站,并结合轻量化网络对检测模型进行轻量化改进,实现无人机检测端直接进行边缘计算。然后通过优化机载端与APP的传输方案以及设计云端远程巡检控制方案,实现无人机的机载端实时自动回传检测结果,并上传至云平台。实验表明,该方案无需移动端复杂操控,可实现远程下发巡检任务指令并实时接收检测结果,达到远端人员可快速精准响应的目的。     

基于蜂窝移动网的无人机监管系统设计与实现

针对无人机监管难的问题,提出一种基于蜂窝移动网的无人机监管系统。该系统通过蜂窝移动网将分散在不同空域的无人机的位置及态势信息收集传输到云数据中心。中心判断无人机飞行轨迹和禁飞区之间的位置关系,对可能发生的碰撞和违法飞行事件发出预警,并将数据实时推送至监管平台,实现对无人机实时监管的设计目标。实验结果表明,该系统能够对平台下的无人机进行有效的监管与预警,能够精准警告可能违法飞行的无人机,为实现对民用无人机的有效监管提供了一种解决方案。     

输电线路无人机自动巡检系统不间断作业实时监控方法

针对输电线路无人机自动巡检信息冗杂,数据噪声较大,海量数据传输难以完整传输的问题,提出了一种输电线路无人机自动巡检系统不间断作业实时监控方法,保障输电线路不间断作业。构建输电线路不间断作业监控架构,利用无人机自动巡检系统的无人机飞行器实时采集输电线路图像信息,经无线传输模块传输至地面站存储;输电线路不间断作业监控模块调用采集到的数据,采用非局部均值滤波算法去噪处理输电线路图像,将去噪后图像输入至卷积神经网络,优化检测异常输电线路图像,并利用粗定位算法定位异常点,便于巡检人员实时修复输电线路,实时监控输电线路不间断作业。实验结果表明,所提方法能够清晰、直观地检测到输电线路异常点,实时监控输电线路不间断作业;拥有较为优秀的去噪效果,为后期高效、实时检测输电线路异常点提供保障;信息传输性能突出,保证海量数据传输具有极高的完整性。     

应用机器人轨迹跟踪技术的电力线路无人机智能化巡检系统设计

野外电力线路易发生损坏,且时变特性干扰较大,检测准确度较低,因此,设计应用机器人轨迹跟踪技术的电力线路无人机智能化巡检系统。该系统通过数据采集模块和飞行状态检测模块,分别进行电力线路图像数据获取与飞行状态监测,飞行控制模块接收图像与状态数据,并在轨迹跟踪控制子模块中使用自适应鲁棒滑模控制算法,实现无人机的轨迹跟踪,同时,该模块经无线数据传输模块将数据传输至地面站,在巡检数据智能分析管理模块中,地面站根据数据信息,完成电力线路故障识别,进而实现电力线路无人机智能化巡检。实验结果表明,该系统具有良好的轨迹跟踪效果,且巡检准确率较高,满足多种天气作业需求。     

基于实时操作系统的无人机飞行控制系统设计综述

小型四旋翼无人机广泛应用在专业级航拍、农业植保、军事侦察、设备巡检等领域。目前飞行控制系统多采用前后台系统来实现,当系统规模较大,处理模块增多时,实时性很难得到保障。本文首先对无人机领域发展情况进行概述,其次详细阐述了无人机的外部结构、部件功能等硬件组成,最后对无人机通过实时操作系统设计后的飞控系统控进行分析。通过分析可知,经过实时操作系统设计的飞行控制系统能够满足飞行要求,并具有一定的实时性、可靠性。     

变电站指针式仪表自动读数系统设计

针对变电站指针式仪表人工抄表存在易受工作人员主观因素影响,常发生漏检、误检,存在工作环境辐射危害大等问题,设计一种由巡检机器人和图像处理技术组成的变电站指针式仪表自动读数系统。该系统以STM32芯片为核心,由工字电磁传感器、双自由度云台、高清变倍相机以及ESP8266等组成的巡检机器人,能精确定位在仪表前对仪表图像进行采集并传回计算机终端。由计算机终端通过改进的区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）目标检测算法提取出仪表盘高清图像,去除冗余信息后经霍夫变换检测出指针中心线位置,得出仪表读数。     

基于强化学习的配电网巡检缺陷自动识别方法

针对无人机配电网巡检过程中存在的不能准确识别树障等缺陷的问题，研究基于强化学习的配电网巡检缺陷自动识别方法。建立无人机智能巡检管控平台，在此基础上利用Sarsa强化学习算法自动分析巡检作业缺陷，实现树障、设备及安全隐患等缺陷的自动识别。试验结果表明，该方法能够有效识别巡检作业中存在的缺陷，提升无人机智能作业管控平台工作效果。     

无人机目标分类的深度卷积网络设计与优化

针对传统无人机目标分类方法效率低、特征提取能力不足和适应性差等问题,通过对无人机自身特点和现有分类方法的分析,提出了引入注意力机制优化深度卷积神经网络的无人机分类方法.设计多组对比实验,根据实验效果设计出模型结构为3层卷积层、3层池化层、2层全连接层的卷积神经网络进行训练,得到最优的无人机目标分类模型,再引入卷积注意力模块对特征图元素进行加强和抑制,引入批归一化层加速模型收敛,提升泛化能力.实验结果表明:引入卷积注意力模块和批归一化层优化后的无人机目标分类模型的识别率达到92.44％,较优化前提升1.5％,相比于其它神经网络模型具有识别率高、收敛速度快的优点,可以基本满足实际场景中无人机目标分类的要求.     

基于无人机航拍的油气管道监管系统设计与实现

油气管线布设范围广、跨度大,对于安全性要求极高,日常检修工作繁重。为了提高检修效 率,该文提出并开发了一套基于无人机航拍的油气管道监管系统。系统采用浏览器/服务器架构,结合网络地理信息系统(WebGIS)和云平台技术,实现了轨迹规划、飞行任务管理、无人机飞行数据、飞行轨迹、航拍视频实时显示、检测识别预警、历史回放等功能。实验结果表明,该系统可靠实用,可使石化工作人员及时有效地了解管道情况,对管道损坏或灾情异常做出及时应对,达到了油气管道全面有效的远程监测和管理。     

Signal processing and defect analysis of pipeline inspection applying magnetic flux leakage methods

Corrosion, stresses and mechanical damage of oil and gas pipelines can result in catastrophic failures, so pipeline safety evaluation is an important problem of oil and gas transmission. To evaluate the pipeline safety, this paper described a novel magnetic flux leakage (MFL) inspection device, and the designing MFL intelligent inspection pig was used to multi-radius pipelines and variational work condition. At the same time, because signal processing and defect recognition technique is one of the most important techniques in offshore pipeline inspection MFL system, the paper also discussed its signal processing procedure. Time-frequency analysis, median and adaptive filter, and interpolation processing are adopted to preprocess MFL inspection signal. In order to obtain high sensitivity and precision, we adopted multi-sensor data fusion technique. A wavelet basis function neural network was used to recognize defect parameters. The main contribution of the article is that we presented a novel method to evaluate and predict oil pipelines’ condition through combining neural network, data fusion and expert system techniques, and through constructing a knowledge-based off-line inspection expert system, the system improved its defect recognition capability greatly.     

基于GIS的燃气管网4S系统的设计与实现

为推动燃气行业信息化、自动化管理,设计并实现了以GIS、GPS、RS技术为核心,整合SCADA系统、GPS巡线系统、GIS系统的燃气管网4S系统。建立城市燃气实时信息化服务体系,实现燃气管道信息实时监控与发布,以及燃气管网数据的存储与燃气管网信息的检索功能,以高效移动巡检代替传统低效巡检方式。通过一段时间运行使用,系统运行稳定,展现了良好的交互性与较强的拓展性,能够较好地满足燃气行业生产运营需要,使燃气管网输配调度及安全运营更加科学合理。     

基于北斗导航系统的无人机飞行监管系统设计

针对无人机空中管理存在的问题,研究开发一种由基于北斗定位的机载监测终端和飞行监管中心构成的无人机飞行监管系统.终端以低成本高可靠的STM32F407为控制单元,采用UM220北斗接收机获取无人机的状态信息,通过GPRS移动通信方式把状态信息回传到监管中心平台.在Visual Studio2010平台上以Visual Basic.NET语言开发监管中心平台,通过调用百度地图API,实现无人机的实时飞行监控,并将回传信息存入MySQL数据库.对利用北斗卫星导航系统实现无人机的监管具有一定的参考价值.     

水库 GIS 智能巡检系统研究与应用

巡视检查是目前大多数水库安全管理的重要手段。水库GIS智能巡检系统以物联网、元素化、GIS平台、4G网络、移动开发和三维仿真等技术为基础,基本实现大坝巡视检查工作中感知交互、隐患识别、应急处置、信息共享等业务要求。巡检系统前端App和后端巡检平台功能从不同岗位操作者的实际需要出发,将普通巡检工作和专业巡检管理进行分离和融合,基本解决传统大坝安全巡检中的业务与管理问题,可满足现行的大坝安全管理规范和水库管理单位日常管理需要,同时与水利部建设智慧水利信息管理平台的需求相一致。     

Android平台下的无人机输电线路施工车辆巡检

无人机巡检成为输电线路巡检的重要方式.然而,目前的无人机巡检,由于受到前端设备性能的影响,大多基于后期的图像处理,无法达到实时检测的要求.针对无人机巡检中输电线路施工车辆的安全隐患,提出了一个基于Android平台,使用神经网络实时检测施工车辆的方法.通过收集无人机获取的输电线路施工车辆的数据,使用数据增广的方法,并将构建的SSD-MobileNet算法模型集成到Android平台,实现施工车辆的实时目标检测.     

Oil and gas pipeline failure prediction system using long range ultrasonic transducers and Euclidean-Support Vector Machines classification approach

This paper presents an intelligent failure prediction system for oil and gas pipeline using long range ultrasonic transducers and Euclidean-Support Vector Machines classification approach. Since the past decade, the incidents of oil and gas pipeline leaks and failures which happened around the world are becoming more frequent and have caused loss of life, properties and irreversible environmental damages. This situation is due to the lack of a full-proof method of inspection on the condition of oil and gas pipelines. Onset of corrosion and other defects are undetected which cause unplanned shutdowns and disruption of energy supplies to consumers. Existing failure prediction systems for pipeline which use non-destructive testing (NDTs) methods are accurate, but they are deployed at pre-determined intervals which can be several months apart. Hence, a full-proof and reliable inspection method is required to continuously monitor the condition of oil and gas pipeline in order to provide sufficient information and time to oil and gas operators to plan and organize shutdowns before failures occur. Permanently installed long range ultrasonic transducers (LRUTs) offer a solution to this problem by providing an inspection platform that continuously monitor critical pipeline sections. Data are acquired in real-time and processed to make decision based on the condition of the pipe. The continuous nature of the data requires an automatic decision making software rather than manual inspection by operators. Support Vector Machines (SVMs) classification approach has been increasingly used in a multitude of domains including LRUT and has shown better performance than other classification algorithms. SVM is heavily dependent on the choice of kernel functions as well as fine tuning of the kernel and soft margin parameters. Hence it is unsuitable to be used in continuous monitoring of pipeline data where constant modifications of kernels and parameters are not unrealistic. This paper proposes a novel classification technique, namely Euclidean-Support Vector Machines (Euclidean-SVM), to make a decision on the integrity of the pipeline in a continuous monitoring environment. The results show that the classification accuracy of the Euclidean-SVM approach is not dependent on the choice of the kernel function and parameters when classifying data from pipes with simulated defects. Irrespective of the kernel function and parameters chosen, classification accuracy of the Euclidean-SVM is comparable and also higher in some cases than using conventional SVM. Hence, the Euclidean-SVM approach is ideally suited for classifying data from the oil and gas pipelines which are continuously monitored using LRUT.     

管道泄漏监测与控制技术的研究

管道泄漏监测与控制技术已经成为管道安全运行的关键问题。本文通过对泄漏信号识别、泄漏点精确定位以及管线运行数据的实时传输和科学管理等关键技术的分析,提出了基于分布式光纤传感器的管道泄漏实时监测系统设计方案。对泄漏点的定位技术提出了用神经网络实现泄漏点定位的策略。对监测信号的数据采集,设计了以FPGA为核心的数据采集系统,通过实验数据采集系统工作稳定,达到了设计要求。