第二讲 无人机管道巡检系统是如何进行数据分析的

上期科普讲座向大家介绍了无人机管道巡线系统方案，概况讲就是一个核心：地理信息系统；二个管理：管理人和设备；三个保证：无人机培训，无人机保险，无人机空域申请；四个层次：数据采集，数据存储，数据分析，数据展示。在这套方案中，最核心的就是数据分析。系统是如何将无人机采集的巡线数据，进行分析比对的，它是靠什么技术实现的?

1 9 8 1年的诺贝尔医学奖，颁发给了 D a v i dHubel（出生于加拿大的美国神经生物学家） 和TorstenWiesel，以及 Roger Sperry。前两位的主要贡献，是“发现了视觉系统的信息处理”，可视皮层是分级的。根据人类这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，通过多个层级的组合，最终在顶层做出分类，这就是许多深度学习算法的灵感来源。今天我们介绍的就是根据这一灵感来源开发的，基于卷积神经网络技术对无人机采集的管线数据进行数据分析的手段。

首先卷积神经网络算法是基于“YOLO（YouOnly Look Once）”项目进行卷积层重新组合设计，这样可以将整个图像由神经网络进行评估，提高检测准确率及效率。其次向卷积神经网络输入无人机遥感影像，并对无人机遥感影像进行数据对比，分析疑似对象（图 1）。

根据计算机图像识别需要，北京道信科技有限公司目前已采集10万多张图形样本。随着时间推移，图形样本数量持续增加并优化计算机识别能力。前期根据所设计的神经网络，共训练了6类特征目标，分别为：工程车辆、地表破坏、非法占压、沟槽开挖、土地塌陷、水土流失。

为 了 对 算 法 进 行 更 好 地 测 试 ， 搭 载 佳 能（Canon） EOS 5D Mark IV相机进行拍摄，无人机行高为100～120 m，时速100～120 km/h，采集的数据图像分辨率为5760×3860，地面分辨率为0.5～0.3 m。对检测结果进行对比分析，正样本检测识别准确率高达96.6 %，其中误检率为0.8 %。

基于卷积神经网络的无人机油气管线巡检系统可以实现实时影像检测，效果如图 2所示。前期针对非法占压、工程车辆、沟槽开挖、动土痕迹、钩机、铲机、地表破坏、水土流失等特征进行自动识别检测，并自动出具报表和统计分析。及时发现和定位违法及安全隐患点，及时处理推送执法信息，做到防患于未然，实现采用自主航迹规划巡视的巡检方式，高效安全地执行巡检任务。

主讲人：李晓彤，北京道信科技有限公司总经理。