基于互联网技术的无人机电力巡检视觉避障方法的研究与发展

王汝智 任海金 王文军

摘要：随着电力系统的不断升级和扩大，传统的人工巡检方式已经无法满足日益增长的巡检需求。随着互联网的不断发展，以无人机作为巡检工具的巡检方法，以其灵活、高效的特点，逐渐成为电力巡检的首选。然而，在无人机巡检过程中，视觉避障技术一直是制约无人机应用的一个重要问题。本文将对基于互联网技术的无人机电力巡检视觉避障方法的研究与发展进行综述，详细介绍视觉避障技术的关键点，包括通信技术和算法等方面，分析视觉避障技术在无人机电力巡检中的应用现状和存在的问题，展望视觉避障技术在无人机电力巡检中的发展趋势。

关键词：无人机巡检技术；视觉避障；深度学习算法；通信技术

引言

视觉避障技术是无人机电力巡检中一个至关重要的环节，直接关系到无人机的安全和巡检的准确性。无人机在飞行过程中会遇到各种障碍物，如电力线、杆塔、树木等，如果不能及时避让，可能会导致无人机坠毁或损坏。目前，常见的视觉避障技术包括超声波避障、红外避障、激光雷达避障等。然而，现有技术还不能完全满足生产需要，如超声波技术受环境干扰大、红外避障技术对光线条件要求高等。因此，对无人机电力巡检视觉避障技术的研究具有十分重要的现实意义。

1. 视觉避障的关键技术

当前，视觉避障技术的研究主要集中在算法优化、互联网通信技术升级等方面。其中，基于深度学习的算法得到了广泛应用，如卷积神经网络（CNN），该算法能够通过对环境的实时识别，帮助无人机实现精确避障。同时，无线通信技术和卫星通信技术等也得到了广泛应用，能够更加快速地提供位置信息，提高避障的准确性。

1.1 视觉避障算法

视觉避障技术需要使用各种算法来处理接收到的信息，如目标检测、跟踪、识别、测距等。其中，目标检测和跟踪是关键算法，可以实现对障碍物的快速检测和跟踪。

（1）CNN是一种用于图像识别和目标检测的深度学习算法，通过堆叠多个卷积层、池化层和全连接层，可以自动学习输入数据的特征表示，并在训练过程中不断优化模型参数，从而实现对复杂数据的高效处理和识别。CNN在图像识别、物体检测、语音识别等领域取得了巨大成功，成为深度学习领域应用最广泛的模型之一，常用于目标检测任务中。

（2）Faster R-CNN是基于区域的卷积神经网络，是一种经典的两阶段目标检测算法，由R-CNN、Fast R-CNN和Region Proposal Network（RPN）三部分组成，通过引入区域提议网络来提高目标检测的速度和准确性，具有较高的准确性和精度，但由于其两阶段的设计，速度相对较慢。随着后续的改进和优化，如Mask R-CNN、Cascade R-CNN等，Faster R-CNN的性能得到了进一步提升，并且在图像检测和实例分割任务中被广泛应用。

（3）Mask R-CNN是在Faster R-CNN基础上进行了改进，结合了目标检测和实例分割的任务，在实现目标检测的同时，生成目标的语义分割掩模，更适用于复杂场景中的目标检测与跟踪，被广泛应用于图像分割、人体姿态识别等领域。

（4）SSD（single shot multiBox detector）是另一種快速的目标检测算法，通过在不同层级的特征图上预测目标的类别和边界框，实现了对不同尺度目标的检测。SSD相较于传统的两阶段目标检测算法，具有更快的速度和较好的检测性能，适用于实时的多目标检测。

（5）YOLO（you only look once）是一种快速且准确的单阶段的目标检测算法，与传统的两阶段目标检测算法（如R-CNN系列）相比具有更高的速度和效率，通过单次前向传播，实现对整个图像中多个目标的检测与定位，适合实时应用。YOLO系列发展至今已经发布到YOLOv8系列。

（6）DeepSORT是一种结合深度学习和目标关联的目标跟踪算法，在实时环境下能够准确、稳定地跟踪多个目标的算法，可以在视频流中对目标进行实时追踪和识别，提高跟踪的准确性和稳定性。

（7）KCF（kernelized correlation filters）是一种基于核相关滤波的目标跟踪算法，通过学习目标的特征模板，在连续帧中进行目标跟踪，能够适应目标在不同尺度下的变化，通过在多个尺度上建模目标特征，实现对尺度变化的鲁棒跟踪，提高了算法的适应性和泛化能力。

1.2 互联网通信技术

视觉避障技术需要使用更加快速的通信技术发送和接收环境信息，一方面，可以通过快速的通信技术实时传输无人机采集到的图像和数据，提供给地面操作人员或系统进行分析和处理，帮助地面人员快速了解无人机周围环境的情况，及时作出决策；另一方面，可以加快多架无人机之间实现数据共享和协作，共同完成电力巡检任务，提高巡检效率，同时实现更全面的视觉避障覆盖范围。

目前，无人机电力巡检技术的通信手段早已摆脱了光纤通信、双绞线通信等传统有线通信技术，更多地采用无线通信技术、卫星通信技术以及光通信技术，在选择通信方式时，需考虑实际情况，综合考虑其性能、精度、功耗和成本等因素，以达到最佳的应用效果。

1.2.1 无线通信技术

无线通信技术包括移动通信技术（如4G、5G技术）、Wi-Fi技术和蓝牙技术等，通过空中的电磁波传输信息，实现设备之间数据传输和通信。首先，发送端通过调制技术将要传输的信息信号转换成适合在空中传输的电磁波信号，接收端通过解调技术将接收到的电磁波信号还原成原始的信息信号。其次，为提高传输效率和可靠性，通常会对信息信号进行编码处理，以确保信息的正确传输。最后，发送端将需要发送的数据转换为适合在空中传输的高频信号，经过天线将信号发送到空中，同时接收端会接收来自空中的电磁波信号，并将此信号转换为数字信号，实现数据传输。

无线通信技术具有便捷性、灵活性、覆盖范围广、成本较低、易部署、易扩展、适应性强等优点，已成为当前通信领域的主流技术之一，得到了广泛的应用和发展。

1.2.2 卫星通信技术

卫星通信技术是利用人造卫星作为中继器，实现地面和移动终端之间的通信。地面信号源使用较高频率的微波信号作为载波信号，通过天线将信号发射到卫星，卫星接收到来自发射端的信号后，经过放大和频率转换等处理，再通过卫星上的转发器和天线将信号转发到地面，地面接收站接收卫星传来的信号后，进行信号的放大、解调、解码等处理，最终将信息传递给终端用户，用户的终端设备通过天线接收来自地面接收站的信号，进行解调、解码等处理，最终获取通信内容。

在卫星通信技术中，卫星起到了中继器的作用，将地面发射的信号再次转发到指定接收站，实现了全球范围内的通信覆盖。卫星通信技术的优点包括覆盖范围广，适用于偏远地区和海洋等无法覆盖的区域，支持广播、电话、互联网等多种通信服务，同时也具备快速部署和网络扩展的优势。

1.2.3 光通信技术

光通信技术是一种利用光作为传输媒介进行信息传输的通信技术。其原理主要包括以下几个步骤：首先，通过强度调制、频率调制和相位调制等调制方式，将模拟信号或数字信号转换为光信号的强度、频率或相位的变化；其次，经过调制后的光信号通过光纤或光空间传输到接收端；最后，接收端的接收器将光信号转换回原始的模拟或数字信号，以便接收端设备进行后续处理和解码。

光通信技术利用光信号作为信息的载体，相比传统的电信号通信技术，光通信技术具有传输速度快、带宽大、抗干扰能力强、传输距离远、安全性高等优势，适用于长距离、大数据量、高速传输等应用场景。光通信技术在通信网络、数据中心、互联网等领域发挥着重要作用，是未来通信领域的重要发展方向之一。

2. 视觉避障技术在无人机电力巡检中的应用现状

当前，很多研究机构和企业都在积极开展无人机电力巡检视觉避障技术的研究与实践。针对不同的应用场景和需求，已经出现许多创新性的解决方案和技术。例如，张静等[1]针对无人机电力线路巡检效率低的问题，提出了一种基于双目测距的无人机电力线路巡检安全距离测量算法，采用双目测距原理搭建试验台，对建立的系统进行实拍图像的Hough直线测试，最终误差被控制在5%左右，满足实际生产需要。罗潇等人[2]针对无人机电网巡检存在检测区域面积小、背景复杂、计算量大的问题，提出了一种基于YOLOv3的目标检测算法，算法首先选用ResNet18作为主干网络结构，然后构建一个多尺度特征金字塔，将其与主干网络进行融合，形成深度融合的电网巡检绝缘子检测模型，提高了检测精度和检测速度。仲林林等[3]针对无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡，严重影响电力杆塔异常检测准确性的问题，提出了一种基于压缩激活改进快速异常检测生成对抗网络（SE-fAnoGAN）的无人机电力杆塔巡检算法，该算法首先在f-AnoGAN编码器中引入压缩激活网络（SENet），提取图像中的显著性信息，然后，将生成对抗网络的无监督学习和二分类器的有监督学习有机结合，实现前者特征提取优势和后者判别优势的互补。在此基础上，借助基于迁移学习的优化训练策略，进一步有效提升模型在大规模数据集上的泛化性能，提高复杂背景下的无人机巡检精度。

除此之外，还可以利用深度学习算法对图像进行识别和分类，实现对障碍物的自动识别；结合无线通信、卫星通信等通信方式，提高复杂环境中的通信能力；通过路径规划算法，实现无人机的智能避障和自主飞行等。

近年来，研究者们对视觉避障技术进行了深入研究，并取得了一定的成果。其中，基于深度学习的视觉避障技术得到了广泛应用。该技术通过训练大量的数据样本，使无人机能够识别和判断障碍物的位置和大小，从而实现对障碍的有效避障。

尽管视觉避障技术已经取得了显著的进步，但仍存在一些挑战，如通信效率低、算法复杂度高、系统实时性差等，具体表现为环境光照的变化会对图像质量产生影响，进而影响避障精度，以及无人机在复杂环境中（如树木、建筑物等）的避障难度较大。此外，如何提高避障反应速度，使其适应实时巡检需求，也是亟待解决的问题。

3. 视觉避障技术在无人机电力巡检中的未来发展趋势

目前，大部分无人机巡检作业方式为非接触式，接触式巡检作业技术研究基本停留在理论分析阶段，实际应用较少[4]。未来，随着人工智能和互联网技术的发展，视觉避障技术将进一步发展。首先，更加精细的算法和模型将进一步提高避障精度；其次，多传感器融合技术将进一步提高避障的可靠性；最后，随着无人机硬件性能的提升，无人机的实时反应速度也将得到提高，使其适应更复杂的环境。具体可从以下四个方面进行深入研究。

3.1 多传感器融合

视觉避障技术将与其他传感器（如激光雷达、超声波传感器等）融合，以提高传感器的精度和可靠性。通过结合多种传感器，如摄像头、激光雷达、红外线等，提高对复杂环境中障碍物的检测精度和避障能力。

3.2 深度学习算法

深度学习算法将在视觉避障技术中得到更广泛的应用，可以提高算法的准确性和效率，无人机电力巡检领域也将更多地应用这些技术，从而提高障碍物检测和避障效果。

3.3 多学科技术交叉

借助路径规划算法、环境感知技术、姿态控制和运动规划技术、自主飞行技术等，实现无人机在复杂环境中的智能避障和自主飞行，包括研究无人机的语义服务技术，进一步提高巡检效率和功能稳定性[5]。

3.4 互联网技术

通过通信技术发送和接收巡检数据，进一步提高无人机与基地或其他设备的高效通信，实现对电力设备状态的实时监测和预测，提高电力系统的运行效率和可靠性。

结语

本文综述了无人机电力巡检视觉避障技术的研究现状和发展趋势。视觉避障技术是保障无人机电力巡检安全性和可靠性的关键技术之一，目前还存在一些问题需要解决。未来，视觉避障技术将注重多传感器融合、深度学习算法、互联网技术等方面的发展，以提高无人机电力巡检的效率和准确性。未来，无人机将随着互联网技术的进一步发展，在电力巡检中发挥更大的作用，为人们的生活带来更多便利。

参考文献：

[1]张静，刘晓铭，黄国方.基于双目测距的无人机电力线路巡检安全距离测量研究[J].微型电脑应用，2020，36（2）：117-119.

[2]罗潇，於锋，彭勇.基于深度学习的无人机电网巡检缺陷检测研究[J].电力系统保护与控制，2022，50（10）：132-139.

[3]仲林林，胡霞，劉柯妤.基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测[J].电工技术学报，2022，37（9）： 2230-2240，2262.

[4]隋宇，宁平凡，牛萍娟，等.面向架空输电线路的挂载无人机电力巡检技术研究综述[J].电网技术，2021，45（9）：3636-3648.

[5]季伟，吴建灵，吴建友，等.面向无人机电力巡检航迹规划的语义服务方法[J].计算机工程与设计，2021，42（5）：1494-1501.

作者简介：王汝智，硕士研究生，高级经济师，研究方向：无人智能运维和管理。

基金项目：国家能源集团陕西水电有限公司科技创新项目——光伏电站安全运维一体化智能管控系统研究项目（编号：GJNY-23-053）。