基于无人机巡查的电站征地红线智能分析系统

严良平，芦建刚，崔博涛，黄 琪，董瑞靖，邓良超

(新疆阜康抽水蓄能有限公司，新疆 昌吉州 831500)

0 引言

征地红线是将某个待使用地块边缘坐标点相连形成的标识线，红线区域内的土地即拥有使用权。水电站建设对地形和地质条件要求较高[1]，需较窄的山口和较高落差地形，在开口修建水坝拦截水流，当水流积累到一定程度后，开启泄洪闸，较高的地形落差使水流速度和重力均增加，产生大量水能[2-3]，经过相关设备将水能转换为电能。但在水电站建设过程中，需使用征地红线标记其建设面积，但受地形复杂因素影响，在建设水电站时为了保障工程施工期不侵犯征地红线，保证工程建设的用地合规合法性，施工期应重点关注施工临时道路、道路和库岸高边坡开挖等工程施工是否在生态保护红线区内，因此征地红线管控在施工建设过程中尤为必要。目前黎斌等人和唐尧等人均提出红线管控方法，前者利用贝叶斯网络模型获取红空间分布特征[4]，实现征地红线管控，但该方法受贝叶斯网络模型收敛性影响，其输出结果不够精准，不适用复杂地形红线管控。后者则通过跟踪监测方式获取征地红线范围[5]，但该方法使用人工巡査模式，使其效率低、巡检频次少，不利于对红线进行管控，容易出现施工超出征地红线的情况发生，使工程建设面临违法风险。为提升水电站红线巡检管理水平，本科技项目本着自动化、智能化的思想[6]，将无人机引入到电站征地红线分析过程中，设计基于无人机巡查的电站征地红线智能分析系统，有望为水电站工程红线巡查和管理提供一套先进的技术手段，推动技术创新和科技进步，研究成果可以推广到其他水电站工程，具有显著工程价值和应用前景。

1 基于无人机巡查的电站征地红线智能分析系统

1.1 系统设计与集成

电站征地红线智能分析系统核心技术为利用无人机搭载摄像机方式采集水电站建设时征地红线图像，通过5G无线技术传输水电站征地红线信息。系统总体结构如图1所示。电站征地红线智能分析系统由信息采集模块、地面控制模块、智能分析与展示模块组成。其中信息采集模块利用无人机平台搭载摄像机方式拍摄水电站征地红线图像，利用无线数传模块和无线图传模块向地面控制模块和智能分析与展示模块发送其飞行状态信息和采集到的水电站征地红线图像信息。地面控制模块由无人机测控子模块、卫星通讯主站、运营商基站和通信卫星组成，其利用无人机测控模块控制无人机飞行路径及姿态，地面站与无人机之间通过5G信号连接。智能分析与展示模块利用图像预处理子模块计算征地红线坐标点位置后，依据征地红线坐标点位置构建征地红线三维模型，利用该模型获取征地红线特征点信息。智能分析子模块则对征地红线特征点与实际征地红线特征点进行匹配处理后得到该征地红线智能分析结果，将其发送至PC终端和移动终端呈现给用户。

图1 系统总体结构

1.2 信息采集模块设计

水电站征地红线信息采集是实现其智能分析的基础，信息采集模块结构如图2所示。电站征地红线智能分析系统的信息采集模块由无人机测控子模块控制，其主要分为控制无人机搭载摄像机执行拍摄任务以及信息存储，其中GPS信息接收单元和MIMU惯性单元负责接收无人机搭载的摄像机所拍摄的水电站征地红线图像和记录无人机飞行信息，经过数据整合与存储后，对无人机执行当前征地红线图像采集任务进行分析与显示。

图2 信息采集模块结构示意图

1.3 驱动程序设计

系统的驱动程度是保障其正常运行的关键，驱动程序强健性较好，则系统的灵敏度以及稳定性均越高[7]。电站征地红线智能分析系统使用微软公司的设备驱动开发包(Device Driver Kit，DDK)内的分层驱动程序模型实现，该模型具备驱动周期短、代码数量少等特点[8]。分层驱动程序模型具备多个层次结构，如图3所示。分层驱动程序模型由上层过滤驱动、功能驱动等层次构成。其中总线驱动程序负责创建功能设备对象并将其置于设备堆栈内，负责处理设备驱动指令，当用户发送设备操作指令时，该指令通过I/O请求派遣包经过上层过滤驱动程序、功能驱动程序、下层驱动程序到达总线驱动程序内，完成整个系统指令的驱动。

图3 分层驱动程序模型层次结构

1.4 无人机选型

无人机在巡查过程中，受天气环境影响，其前进角度与所设飞行路线容易出现偏离[9]，为使无人机飞行路线与水电站征地红线偏离度较小，对无人机性能需求较高，因此无人机选型尤为重要。在众多型号无人机中，固定翼无人机具备较好的耐久性和抗风性，且受飞行环境影响较小[10]。因此选择固定翼无人机搭载摄像机进行水电站征地红线图像采集。固定翼无人机参数如下：续航时间3～4小时；抗风力大于6级；有效荷载8 kg；滑跑起降，盘旋悬停；巡航速度为140 km/h。

1.5 数据流设计

电站征地红线智能分析系统内的无人机测控模块具备无人机飞行监控、协议转换等功能软件，负责接收无人机反馈信息。无人机在巡检过程中，无人机遥测数据经过微波数据链发送至无人机测控模块内，经过协议软件对无人机遥测数据转换后，传输至飞行监控软件内，对其采集征地红线任务进行监控。无人机使用其局域网对数据进行处理和发布后，经由其流媒体服务器传输至PC终端。无人机流媒体服务器与PC终端之间使用通讯卫星信号连接。无人机测控模块通信传输的数据流如图4所示。

图4 通信传输数据流示意图

1.6 征地红线三维模型构建

构建数字图像三维模型是描述水电站征地红线智能分析结果的重要途径。使用无人机搭载摄像机采集到水电站征地红线图像后，使用系统内图像预处理子模块对水电站征地红线图像进行坐标计算并提取征地红线特征点位信息后，使用3Dmax软件构建数字图像三维模型。将水电站征地红线特征点数据输入至3Dmax软件内，使用该软件内符号化工具划分征地红线特征数据点分布区域，经过纹理映射、编辑和贴图等步骤完成征地红线的数字图像三维建模。

1.7 征地红线智能分析方法

利用征地红线三维模型提取水电站征地红线特征点，使用SIFT(Sxale-invariant Feature transform，SIFT)尺度不变特征变化算法对水电站征地红线图像特征点进行匹配，依据匹配结果得到水电站征地红线智能分析结果。

SIFT算法对水电站征地红线进行特征点匹配过程如下：

第1步 建立征地红线尺度空间；由于无人机拍摄的水电站征地红线图像存在多个尺度，假设

G(x,y,δ)表示征地红线图像尺度高斯函数，将该高斯函数与初始征地红线图像进行卷积计算，得到征地红线图像的尺度空间E(x,y,δ)，其表达公式如下：

E(x,y,δ)=G(x,y,δ)×I(x,y)

(1)

式中:I(x，y)表示征地红线二维图像；x,y分别表示图像像素位置；δ表示尺度空间因子。

为使征地红线特征点内的极值点更加明显，使用高斯差分函数对公式(1)进行卷积处理后，得到DoG征地红线图像尺度空间，其表达公式如下：

D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))×I(x,y)

=E(x,y,kδ)-E(x,y,δ)

(2)

式中：k表示可变参数。该公式仅为DoG算子，对该公式进行归一化处理，得到局部极值尺度与位置信息。其过程为：在征地红线图像的第一层尺度空间内，利用不同尺度因子获取高斯金字塔影像，将邻近影像相减得到DoG金字塔影像，反复此步骤后，获取征地红线图像的下一个尺度空间，将征地红线图像尺度空间内采样特征点和本尺度8个像素对应位置进行比较后，可获取到征地红线图像特征点局部极值位置与尺度信息。

对公式(2)实施最小二乘拟合处理，则有：

(3)

式中:D表示高斯差分函数;X表示(x,y,δ)T。通过该公式得到征地红线图像关键特征点的精确位置和尺度的子像素级。

第2步 确定特征点方向；为保证水电站征地红线图像内的特征向量符合旋转不变特性[11-12]，使用高斯卷积图像确定征地红线图像特征点指向。计算征地红线特征点梯度幅值，其表达公式如下：

m(x,y)=

(4)

式中：m表示梯度幅值。

计算征地红线特征点方向，表达公式如下：

(5)

式中：θ表示特征点方向。

第3步 生成征地红线图像特征向量及匹配。

计算到征地红线图像特征点梯度幅值和方向后，调整征地红线图像坐标轴方向使其与特征点主方向保持一致[13-14]，调整流程如下：以水电站征地红线特征点位圆心，选取该特征点四周8*8像素邻域窗口，利用该窗口内像素的梯度数值和方向。使用高斯函数对像素梯度和方向进行加权处理，对加权处理后的像素梯度和方向标记后，绘制像素直方图并计算像素梯度累加值。将该累加值看作种子点，将4*4区域内的种子作为关键点，则每个征地红线特征点均具备128个维度向量，该维度向量即SIFT特征向量。基于水电站征地红线图像SIFT特征向量，使用欧式距离计算水电站征地红线匹配点于实际征地红线特征点相似度，依据所示相似度阈值，当水电站征地红线特征点匹配相似度低于该阈值时[15]，则表示此时该水电站征地红线与实际征地红线重合度较高，反之则较低。

水电站征地红线与实际征地红线进行特征点匹配后，使用数字图像三维建模形式描述其特征点分布情况，呈现水电站征地红线智能分析结果。

2 具体应用实例分析

以新疆阜康水电站工程为实验对象，该工程位于昌吉州阜康市境内，是新疆省内第一座抽水蓄能电站。该电站属于一等大(1)型工程，其建成后以2回220千伏出线接入拟建的五家渠750千伏变电站。该项目位于阜康市东南侧65公里处白杨河上游，批准建设面积366.68公顷。使用该文系统对其征地红线展开智能分析，详情如下。

2.1 驱动性能

当用户启动电站征地红线智能分析系统时，系统驱动程序即开始运行，驱动程序未启动成功时，用户PC端的显示屏表现为蓝屏或死机状态，此时PC端会将该事件记录为“保存转储”，测试该文系统linux和windows运行环境下，不同启动次数时发生“保存转储”事件次数，结果如表1所示。

表1 驱动性能测试结果

分析表1可知，随着系统启动次数增加，其在Linux和Windows运行环境内出现蓝屏或死机次数由0次逐渐增加至5次和4次。其中在Windows运行环境内出现蓝屏或死机次数较少，说明该系统在Windows运行环境内其兼容度较高。系统在Linux运行环境内，启动次数为400次时开始出现蓝屏或死机情况，而在Windows运行环境内开始出现蓝屏或死机情况为系统启动次数为500次时。统计1000次系统启动过程中，系统在Linux运行环境和Windows运行环境内分别出现21次和14次蓝屏或死机情况。从总启动中断概率来看，系统最低启动中断概率仅为1.4%。上述结果表明：该文系统可兼容不同运行环境，且启动中断概率较低，具备卓越的驱动能力。

2.2 征地红线区域特征点提取

以无人机搭载摄像机拍摄的某张新疆阜康抽水蓄能电站征地红线图像为实验对象，构建该征地红线区域三维图像，并提取其特征点，结果详见图5。分析图5可知，该文系统在构建征地红线三维模型经过纹理映射、编辑与贴图处理后，征地红线区域图像较为逼真，且地形起伏边缘清晰，整体征地红线区域对比度较高。对该征地红线区域进行特征点提取后，特征点分布情况与征地红线区域图像内地形起伏情况高度吻合。上述结果表明：该文系统构建的征地红线区域三维模型真实度较高，且特征点与地形起伏状况符合度较高，从侧面印证该系统具备较强的征地红线智能分析能力。

图5 三维建模性能测试结果

2.3 无人机控制性能

以系统下发无人机巡检拍摄任务响应时间和任务指令中断次数作为衡量该文系统控制无人机能力指标，测试在不同巡检任务数量情况下，无人机接收任务响应时间和任务中断次数情况，结果如图6所示。分析图6可知，无人机接收任务响应时间和任务中断次数均随着巡检任务数量的增加而增加。其中无人机接收任务响应时间增长速度虽然较快但从单次任务响应时间上来看接收400条虚拟机任务，无人机响应时间仅为1.2 s，平均每条任务接收响应时间为0.003 s。从任务中断次数角度分析，在巡检任务数量为0至150次之间时，无人机接收巡检任务中断次数为0，在巡检任务数量为400次时，其巡检任务接收中断次数为3次，无人机接收系统下达的巡检任务精度高达99.25%。该结果表明：该文系统控制无人机能力优秀。

图6 无人机控制性能测试结果

2.4 征地红线特征匹配

水电站征地红线特征点匹配是实现其智能分析关键，以该水电站某条征地红线为实验对象，使用该文系统该征地红线进行分析并对比实际征地红线特征，测试该文方法特征点匹配能力，结果如图7所示。分析图7可知，水电站征地红线沿着水域边界线绘制，该水电工程在施工过程中不得超越该征地红线侵占河流位置。经过该文系统对该征地红线进行匹配处理得到的征地红线特征点位置与实际征地红线位置几乎完全相符，仅在特征标记点D和E位置处，特征点分布曲线与实际征地红线存在差异，其原因在于点D与E位于河床转角处，其地形较为复杂，但特征点分布与实际征地红线偏差较小。上述结果说明该文系统可有效匹配征地红线特征点，为水电站工程征地红线监管高技术含量的数据支撑。

图7 征地红线特征点匹配结果

2.5 应用性测试

将该文系统应用于该水电站施工征地红线监管过程中，以某征地红线为界，在其内边缘修建工程运输通道。设置道路边缘与征地红线距离阈值不得低于0.2 m，使用该文系统对该征地红线进行智能分析后，统计该工程运输通道与征地红线距离，结果如图8所示。分析图8可知，该文系统应用后，该水电工程所修建的运输通道边界与征地红线最大距离鱼尾0.3 m，最小距离鱼尾0.23 m，其最小距离略高于所设距离阈值。该结果表明使用该文系统后，该水电站工程运输通道在其征地红线范围内，并未侵占无使用权区域，且运输通道与征地红线之间距离较小，保障了工程在施工过程中无侵权行为，而其工程建设面积实现了最大化。既可保障土地使用面积充分利用，也可避免工程用地侵权纠纷。综上所述，该文系统具备极强的应用效果。

图8 工程运输通道与征地红线距离

3 结束语

为避免水电工程施工过程中土地使用面积侵权行为的出现，设计基于无人机巡查的电站征地红线智能分析系统。并将该系统应用于于新疆阜康抽水蓄能电站工程施工过程中，从多个角度对其使用效果进行了验证，验证结果表明该系统可充分描述征地红线特征点匹配情况，具备较强的智能分析能力，可为工程施工过程中征地红线监管提供有效途径。