基于無人機(jī)的地鐵保護(hù)區(qū)巡檢系統(tǒng)研究

陳玉清 柏文鋒

(1. 廣州地鐵集團(tuán)有限公司，廣東廣州 510010; 2. 廣州地鐵設(shè)計研究院股份有限公司，廣東廣州 510010)

為了確保運營地鐵結(jié)構(gòu)的安全，需沿地鐵線路設(shè)置控制保護(hù)區(qū)，并對控制保護(hù)區(qū)內(nèi)的外部風(fēng)險源進(jìn)行巡檢，以便及時發(fā)現(xiàn)安全隱患[1]。 近年來，國內(nèi)地鐵行業(yè)發(fā)展較快，新運營里程不斷增長，使得地鐵保護(hù)區(qū)巡檢工作量大幅增加。 目前，地鐵保護(hù)區(qū)的巡檢主要以人工巡視為主，人員投入大，作業(yè)效率低。 另外，地鐵沿線的違規(guī)作業(yè)行為(如鉆探等)具有即發(fā)性、不易發(fā)現(xiàn)等特點，給地鐵結(jié)構(gòu)安全保護(hù)工作帶來困難。 面對當(dāng)前地鐵保護(hù)區(qū)日常巡檢工作的技術(shù)瓶頸，有必要研究更加實用、高效的巡檢方法。

近年來，無人機(jī)技術(shù)發(fā)展迅速，在各個行業(yè)的應(yīng)用快速增長[2]。 而利用無人機(jī)的高空優(yōu)勢進(jìn)行線路巡檢也逐漸興起，其應(yīng)用主要集中在電力行業(yè)[3]，同時在基站[4]、鐵塔[5]、光纜[6]、高鐵[7]及路橋[8]等檢測中也有相關(guān)應(yīng)用。 隨著智能控制、機(jī)器視覺及模式識別等學(xué)科的交叉應(yīng)用，無人機(jī)巡檢技術(shù)正朝著自動化和智能化的方向發(fā)展。 該技術(shù)給地鐵保護(hù)區(qū)的巡檢工作也帶來了機(jī)遇。 采用無人機(jī)平臺搭載成像傳感器，沿地鐵線路進(jìn)行影像拍攝，結(jié)合人工智能技術(shù)對地鐵保護(hù)區(qū)的風(fēng)險源進(jìn)行自動識別，可大量減少巡檢人員，統(tǒng)一質(zhì)量標(biāo)準(zhǔn)，降低企業(yè)成本，提高工作效率，并可滿足全天候的巡檢要求[9]。

1 基于無人機(jī)的地鐵保護(hù)區(qū)巡檢系統(tǒng)

圖1 展示了基于無人機(jī)的地鐵保護(hù)區(qū)巡檢主要流程。

1.1 無人機(jī)地鐵保護(hù)區(qū)巡檢硬件系統(tǒng)

(1)無人機(jī)選型

對于小區(qū)域的巡檢任務(wù)及訓(xùn)練樣本庫的采集，可采用大疆M600 PRO 多旋翼無人機(jī)及配套的航攝系統(tǒng)。 多旋翼無人機(jī)一般由其所搭載的鋰電池作為動力，具有攜帶方便、操作簡單等優(yōu)點，但其續(xù)航時間一般較短，不能滿足大范圍的巡檢需求。 對于遠(yuǎn)距離的線路巡檢任務(wù)，可采用成都縱橫CW-007 復(fù)合翼無人機(jī)，該無人機(jī)采用固定翼加多旋翼的組合形式，可實現(xiàn)垂直起飛降落，解決了固定翼無人機(jī)起降對場地要求

圖1 基于無人機(jī)的地鐵保護(hù)區(qū)巡檢流程

較高的難題，同時又具有固定翼無人機(jī)續(xù)航時間長、飛行速度快、作業(yè)距離遠(yuǎn)等優(yōu)點。 圖2 展示了巡檢時所選用的飛行平臺，表1 展示了縱橫CW-007 復(fù)合翼無人機(jī)的主要參數(shù)。

圖2 用于地鐵保護(hù)區(qū)巡檢的無人機(jī)飛行平臺

表1 縱橫CW-007 無人機(jī)參數(shù)

(2)航攝儀選型

在采用縱橫CW-007 復(fù)合翼無人機(jī)進(jìn)行遠(yuǎn)距離線路巡檢任務(wù)時，需要搭配合適的航攝儀，綜合效果、重量及可靠性等因素，選用了索尼A7RII 相機(jī)及蔡司Loxia 50 mm f2 鏡頭(見圖3)。 該相機(jī)配備35 mm 全畫幅Exmor R CMOS 背照式影像傳感器，有效像素約4 240 萬，能夠自動對焦，并支持連拍及4K 視頻錄制。鏡頭尺寸為66.2 mm，重量為320 g，焦距為50 mm，拍攝距離為0.45 m～+∞。 上述航拍設(shè)備的選擇滿足地鐵保護(hù)區(qū)巡檢任務(wù)的需求。

圖3 配合縱橫CW-007 復(fù)合翼無人機(jī)的航攝儀選型

(3)系統(tǒng)集成

對于遠(yuǎn)距離的線路巡檢任務(wù)，選定無人機(jī)飛行平臺和航攝儀之后，還需進(jìn)行系統(tǒng)組裝及控制軟件的研發(fā)。 根據(jù)線路巡檢任務(wù)的指標(biāo)需求，在飛行平臺和航攝儀的基礎(chǔ)上選擇各項模塊、通信系統(tǒng)并進(jìn)行硬件組裝。 為確保無人機(jī)巡檢硬件系統(tǒng)的飛行安全，需開發(fā)相應(yīng)的地面控制軟件。 在飛行過程中，地面控制軟件在指導(dǎo)拍攝影像的同時，能夠顯示并存儲飛行區(qū)域的電子地圖、航跡、飛行高度、姿態(tài)、航向等參數(shù)，并可根據(jù)任務(wù)的需求對航線路徑進(jìn)行調(diào)整。另一方面，地面控制軟件還可實時監(jiān)控?zé)o人機(jī)系統(tǒng)各模塊的工作狀態(tài)，當(dāng)出現(xiàn)異常情況(如模塊損壞、電量不足、測控失效等)時，可按照預(yù)先設(shè)定的方案進(jìn)行意外情況處理。

1.2 無人機(jī)地鐵保護(hù)區(qū)巡檢圖像預(yù)處理

為確保能從無人機(jī)采集的影像中快速準(zhǔn)確地識別并定位所關(guān)注的風(fēng)險源，，需要對采集的圖像數(shù)據(jù)進(jìn)行預(yù)處理。 其主要的預(yù)處理步驟包括坐標(biāo)轉(zhuǎn)換[11]及影像畸變糾正[12]等。

(1)坐標(biāo)轉(zhuǎn)換

無人機(jī)攜帶的定位系統(tǒng)一般采用GPS 技術(shù)(WGS-84 坐標(biāo)系統(tǒng))，而常規(guī)的地鐵保護(hù)區(qū)圖、地鐵網(wǎng)線路圖等設(shè)計成果的坐標(biāo)通常屬于城市地方坐標(biāo)系統(tǒng)。 為便于風(fēng)險源影像的定位以及專題地圖制作，需要進(jìn)行坐標(biāo)系統(tǒng)的轉(zhuǎn)換。 進(jìn)行WGS-84 坐標(biāo)系與地方坐標(biāo)系的轉(zhuǎn)換一般需要7 個轉(zhuǎn)換參數(shù)(包括3 個平移參數(shù)、3 個旋轉(zhuǎn)參數(shù)和1 個尺度參數(shù))。 坐標(biāo)轉(zhuǎn)換一般采用布爾莎七參數(shù)模型，利用3 個及以上的已知公共點，通過最小二乘法平差計算得到坐標(biāo)轉(zhuǎn)換參數(shù)。

(2)畸變糾正

無人機(jī)所裝備的索尼A7RII 相機(jī)為普通數(shù)碼相機(jī)，其畸變差與用于航空攝影測量的量測相機(jī)有所不同。 數(shù)碼相機(jī)的畸變參數(shù)一般有徑向畸變、切向畸變和CCD 或CMOS 面陣內(nèi)的變形參數(shù)等。 為求得相機(jī)畸變參數(shù)，需要利用一定數(shù)量的高精度控制點，建立包含相機(jī)畸變參數(shù)在內(nèi)的共線方程，然后采用最小二乘法平差求解。

1.3 地鐵保護(hù)區(qū)風(fēng)險源自動識別方法

軌道交通保護(hù)控制區(qū)內(nèi)的外部作業(yè)風(fēng)險源包括攪拌樁、挖掘機(jī)、履帶吊機(jī)、沖孔樁機(jī)、三軸攪拌樁機(jī)等作業(yè)設(shè)備。 為了在大量的無人機(jī)影像中自動識別包含上述風(fēng)險源的影像，采用了機(jī)器學(xué)習(xí)的方法[13]。即首先構(gòu)建樣本數(shù)據(jù)庫，將無人機(jī)影像樣本數(shù)據(jù)庫分為訓(xùn)練集和測試集，利用訓(xùn)練集中風(fēng)險源的顏色、紋理、形狀、空間等特征，建立外部作業(yè)風(fēng)險源智能識別模型，并通過測試集對模型進(jìn)行評估。 識別模型能夠?qū)τ跋襁M(jìn)行分割、合并、要素提取以及統(tǒng)計分析等操作，實現(xiàn)包含風(fēng)險源目標(biāo)的影像自動識別，并根據(jù)影像的定位信息，通過坐標(biāo)轉(zhuǎn)換在電子地圖上進(jìn)行展示預(yù)警。

具體的機(jī)器學(xué)習(xí)方法采用的是人工神經(jīng)網(wǎng)絡(luò)算法[14]。 人工神經(jīng)網(wǎng)絡(luò)算法源于對人類大腦工作機(jī)理的研究，使用神經(jīng)網(wǎng)絡(luò)來模擬大腦運行過程，其邏輯架構(gòu)一般分為輸入層、隱藏層和輸出層。 輸入層用于接收數(shù)據(jù)，隱藏層的作用是對數(shù)據(jù)進(jìn)行分解和處理，最終的結(jié)果將被整合到輸出層。 每一層包含若干個處理單元，每個處理單元可認(rèn)為是模擬了一個神經(jīng)元。 若干個層構(gòu)成一個網(wǎng)絡(luò)，最終形成“神經(jīng)網(wǎng)絡(luò)”[15]。 例如識別影像中的攪拌樁，通過將攪拌樁分解為多個折線進(jìn)入處理的下一層，每個神經(jīng)元分別負(fù)責(zé)處理一條折線，每條折線被繼續(xù)分解為兩條直線，每條直線再被分解為為黑白兩個面，一幅復(fù)雜的圖像就變成了大量的細(xì)節(jié)進(jìn)入神經(jīng)元，通過神經(jīng)元進(jìn)行處理之后再整合，最后得出目標(biāo)為攪拌樁的結(jié)論。

2 案例分析

結(jié)合項目實際需求，開展了某城市軌道交通保護(hù)控制區(qū)無人機(jī)飛行與巡檢智能識別的試驗。 首先整理了軌道交通保護(hù)控制區(qū)內(nèi)的風(fēng)險源清單(如表2 所示)，具體任務(wù)即是通過無人機(jī)影像對清單內(nèi)的風(fēng)險源進(jìn)行識別。 針對清單中的20 種風(fēng)險源，利用大疆M600 PRO 多旋翼無人機(jī)采集了約850 張影像樣本進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，建立自動識別模型。

表2 軌道交通保護(hù)控制區(qū)內(nèi)風(fēng)險源識別清單

通過機(jī)器學(xué)習(xí)建立了風(fēng)險源自動識別模型之后，利用無人機(jī)沿某軌道交通線路進(jìn)行影像采集，本次數(shù)據(jù)采集的各項航線設(shè)計參數(shù)如表3 所示。

表3 航線設(shè)計參數(shù)

影像采集完成以后，經(jīng)過必要的預(yù)處理，將影像輸入到風(fēng)險源自動識別模型之中，模型自動識別出36 個疑似風(fēng)險源目標(biāo)。 對疑似風(fēng)險源目標(biāo)進(jìn)行技術(shù)判定，通過分析，其中有28 個風(fēng)險源識別正確，8 個為誤識別，另有遺漏風(fēng)險源3 個，試驗結(jié)果如表4 所示。

表4 試驗結(jié)果

3 結(jié)論

測試案例結(jié)果表明，無人機(jī)巡檢系統(tǒng)能根據(jù)要求進(jìn)行影像數(shù)據(jù)的采集，所訓(xùn)練的識別模型能夠自動識別出絕大部分的風(fēng)險源目標(biāo)，但識別算法和模型還存在有待完善的地方:(1) 當(dāng)前模型訓(xùn)練樣本數(shù)約850 張，采集樣本數(shù)量不充分，需進(jìn)一步提高訓(xùn)練樣本數(shù)，完善識別模型程序;(2)識別結(jié)果仍然存在遺漏、錯誤識別和目標(biāo)重復(fù)識別等問題，需進(jìn)一步完善識別算法，提高識別率;(3)識別模型不穩(wěn)定，需要改進(jìn)程序算法，增加識別模型的穩(wěn)定性。