1  技術特點

基于前端邊緣計算、公網遠程控制技術的小型無人機在輸電線路的應用技術特點：

1.無人機搭載公網控制模組

無人機內置公網網絡連接模塊，可進行5G通信，向下兼容4G。遠程控制飛行之前，用戶在遠程控制終端根據地圖和點圖規劃航線，將航線文件加密后通過公網發送至無人機或轉存至服務器。

2.遠端地面控制站通過基站網絡與云端服務器進行連接，并經過服務器與被控無人機建立連接鏈路，實現無人機通過公網鏈路的遠程無限距離控制。

無人機搭載公網控制模組，公網信號控制模塊將飛機串口控制信號實時轉換成UDP或TCP數據包，并通過公網基站向云端服務器進行發送。另外一方面，遠端地面控制站通過基站網絡與云端服務器進行連接，并經過服務器與被控無人機建立連接鏈路，實現無人機通過公網鏈路的遠程無限距離控制，遠程管控平臺通過網絡與服務器進行連接，同時可根據無人機回傳數據進行無人機飛行指令控制，同時可進行遠距離定點降落進行人工換電，無人機飛控距離達到公網信號所及之處皆可及的“無限遠”。

3.邊緣數據實時處理標注

飛行過程中，無人機自動航線巡航視頻畫面實時直播，無人機飛行參數及航線位置等信息顯示，特殊情況可切手動模擬桿飛行。

無人機巡檢同時，進行圖像、視頻等數據采集工作，使用無人機機載邊緣計算NPU算力進行線路通道山火，線路通道機械施工，桿塔邊坡塌方，導線飄掛物等隱患進行實時標注，為節省功耗采用輕量級AI模型，模型在完成訓練下載到無人機邊緣計算終端上，代入實采數據實時外部隱患標注，并將異常隱患信息推送至遠程控制終端。

4.輕量化模型技術應用

模型輕量化移植技術可大致分為：

1）低秩分解：將神經網絡每一次的參數看作是一個矩陣（例如全連接層是一個二維矩陣、卷積層是個四維矩陣），然后通過矩陣分解與低秩近似將一個大矩陣分為多個小矩陣，從網絡層面即將一個層分解為多個計算量總和更小的層，以達到加速的效果，代表方法有SVD分解、Tucker分解等。

2）剪枝：模型剪枝分為三種，非結構化剪枝、結構化剪枝以及自動化剪枝方法。

非結構化剪枝：非結構化剪枝是將模型權重矩陣中“unimportant”的元素置零，得到一個稀疏矩陣，再通過稀疏化存儲的方式進行存儲，降低模型存儲量，以達到壓縮效果。

結構化剪枝：結構化剪枝是將模型的一個完整的結構剪除，比如channels、filters、layers等，移除掉完整的結構之后，模型可以在現有框架上實現加速的效果。

自動化剪枝：基于神經網絡結構搜索（NAS），利用模型剪枝得到的網絡結構相比其保留的參數更為重要的特性，并且用實驗論證了在相同的剪枝結構下，無論是否保留原始模型的參數，實現剪枝網絡最終都能訓練到相近的性能。

3）量化：一般的量化指的是低比特量化，通常的神經網絡訓練框架，模型的參數以及激活值都是FP32類型，量化是在推理的時候將其轉化為INT8類型，從而加快網絡推理的速度；更極端的，是將網絡訓練為二值網絡，僅有0跟1的網絡。并且利用數值對齊，包括對稱量化與非對稱量化等，量化網絡的訓練，反量化等，保證量化后網絡的精度

4）知識蒸餾：神經網絡在我們看不見的地方（看得見的是網絡參數），存在 Dark Knowledge ，這個Dark Knowledge可以作為監督信息來監督網絡訓練，一般的方法是將大模型的Dark Knowledge作為監督信息來指導小模型進行訓練，從而使得小模型學習到更多知識，提升小模型性能。大模型到小模型的知識遷移過程，可以看作是模型壓縮過程。

5）輕量化模型設計：采用Depthwise+Pointwise的卷積來代替傳統的卷積，以減少參數的計算量。實現輕量化網絡設計高效、輕量的神經網絡，在代替傳統龐大網絡的同時，保證了網絡的性能的目標。

5.算法的設計與調優

1）智能調光

智能調光算法用于解決當前巡檢過程中，無人機拍照遇到的照片過暗、過曝問題。借助大疆無人機提供的相機調光接口，通過自研圖像處理算法找到合適的接口參數，進而調用接口調整相機曝光參數，最終將相機畫面內目標實體的亮度調至適宜亮度。

2）總體流程：

無人機在拍攝點位懸停之后，截取當前視頻流的畫面，并對當前幀進行灰度化。在此灰度圖中，假設當前點位目標處于畫面中心，截取該區域進行本征圖像分解（Image Intrinsic Decomposition）。

本征分解即從原始圖像去估計反射率圖與亮度圖。本征分解模型會假設亮度圖是單波段的灰度圖像，而反射率圖與原始圖像均是包含了紅、綠、藍三個波段的彩色圖像。反射率圖反映了物體在無色均勻光照下的顏色和表面材質屬性，即物體的本征反射屬性。而亮度圖則由場景中的各種光照和物體的幾何形狀構成，反映了場景中各個位置的光照信息。

利用Retinex和圖像序列約束，對灰度圖進行本征圖像分解，得到亮度譜。以此方法應用于該幀畫面劃分出的所有區域，根據亮度譜的值尋找與目標亮度最接近的區域，控制無人機云臺相機針對該區域進行調光，即可獲得對目標來說最為合適的曝光參數，從而減少過曝與欠曝的情況。

圖：調光效果

3）缺陷檢測算法

RK3588機載計算設備通過大疆PSDK與大疆無人機通信，讀取無人機本機文件系統中的設備圖像，直接送入基于邊緣計算模塊的缺陷檢測算法進行桿塔本體及塔上設備的缺陷識別，單張不高于4K圖片完成檢測的時長低于0.5s，并生成缺陷檢測報告。

支持銷釘脫出及缺失、鳥巢、蜂窩、絕緣子自爆等不低于10個類別的缺陷檢測算法。

4）模型結構調優

模型部署至邊緣端設備后可能出現運行時間變長的情況，為進一步減小模型尺寸，加速運行，需要對模型進行剪枝。

通常網絡模型的參數都含有冗余，即有些參數的值接近0，或者某些層的輸出為0，在網絡實際進行推理時，這些參數的貢獻也幾乎為0， 所以就可以將這些多余的參數從網絡中移除。在剪枝之前，通過計算L1和L2范數來衡量參數的數值大小，觀察網絡層的輸出變化。按照參數重要性排序，從而刪減不重要的參數。

將剪枝之后的模型用訓練數據進行微調，以減小剪枝帶來的模型精度損失。

5）模型量化、部署

模型量化是將深度學習模型部署到邊緣端設備上的關鍵。模型量化以較低的推理精度損失將連續取值（或者大量可能的離散取值）的浮點型模型權重或流經模型的張量數據定點近似（通常為int8）為有限多個（或較少的）離散值的過程，以更少位數的數據類型用于近似表示32位有限范圍浮點型數據，而模型的輸入輸出依然是浮點型。

邊緣端設備支持低比特參數的加速，原理是在寄存器中加法的運行速度比乘法要快，如果將參數量化為低比特，很多乘法運算可以簡化為加法，從而達到縮小模型文件尺寸、減少模型內存消耗及加快模型推理速度的目的。

將壓縮過的模型部署在邊緣端設備上，需要將模型文件轉換為可以在RK3588邊緣端芯片上運行的文件格式，以便于在RKNN加速引擎上運行目標識別同時需要對模型的輸出進行后處理，例如通過NMS算法對冗余的檢測框進行刪減，通過分數閾值剔除置信度較低的檢測框等等；在完成部署之后，深度學習模型即可在邊緣端設備上以較高的效率運行。

2  應用成效

基于前端邊緣計算、公網遠程控制技術的小型無人機在輸電線路的應用成效：

1.航線遠程規劃，內嵌4G/5G模塊，解綁遙控器，實現超遠距離無人機自主飛行

按照工作需要通過遠程控制終端，實時規劃航線，并自動生成航線，現場人員只需要打開無人機電源開關，遠程控制終端啟動“一鍵飛行”模式，無人機按照預設航線開展全自動巡檢任務，減少人力成本。

2.高續航供電與接續充換電技術

通過疊加無人機動力電池容量，使得無人機飛行航程距離增加50%。面對長距離線路通道巡檢任務，可通過多點人工換電，無人機與遙控器自動對屏技術，實現無人機跳飛接力式飛行，滿足線路通道長距離快速通道巡檢需要。

3.低投入，部署靈活

使用大疆無人機御3行業機和無人機遠程控制機載邊緣計算終端即可使用，只要有公網區域即可部署使用，無人機遠程控制終端可控制多個無人機進行多機巡檢任務。

4.輕量AI模型與邊緣數據處理

利用已有典型線路通道外部隱患案例進行線路通道隱患識別算法訓練，將訓練后的算法經過模型輕量化處理，部署于無人機機載邊緣計算終端，實現無人機在巡檢過程中，線路通道隱患的自主識別，并通過積累外部隱患數據庫，實現算法種類和深度的迭代更新。

5.機載邊緣計算硬件全國產化自主可控

目前國內AI應用所采用的AI芯片市場份額95%以上被美國英偉達、AMD等占據，對未來的人工智能戰略造成巨大的業務延續性和“卡脖子”風險。更為嚴重的是，近年來美國持續打壓中國高科技企業，把我國大量企業列入實體清單。美國實體清單打壓的重點對象就是高科技人工智能企業，導致這些領域的供應安全受到嚴重的破壞。因此，人工智能領域對于“自主可控”的訴求越來越強烈。實現從底層硬件到上層應用的國產化，成為解決“卡脖子”難題的唯一路徑。

6.小目標識別行業領先，最小目標6*6像素

無人機使用場景很多需要大圖中精準識別出極小目標，其檢測至關重要，面臨很多難點。

難點1：檢測框的高寬比多變，出現極端的高寬比，漏檢率比較高；

難點2：背景雜亂，誤檢率比較高；

難點3：數據源稀缺，沒有豐富的數據訓練；

難點4：圖片大，檢測框小，所以漏檢率高。

使用的機載邊緣計算終端有效優化性能，檢測最小目標達到6*6像素，保證了線路通道隱患識別的準確性。

3  技術路線

基于前端邊緣計算、公網遠程控制技術的小型無人機在輸電線路的應用技術路線：

無人機搭載公網控制模組，公網信號控制模塊將飛機串口控制信號實時轉換成UDP或TCP數據包，并通過公網基站向云端服務器進行發送。另外一方面，遠端地面控制站通過基站網絡與云端服務器進行連接，并經過服務器與被控無人機建立連接鏈路，實現無人機通過公網鏈路的遠程無限距離控制，遠程管控平臺通過網絡與服務器進行連接，同時可根據無人機回傳數據進行無人機飛行指令控制，同時可進行遠距離定點降落進行人工換電，無人機飛控距離達到公網信號所及之處皆可及的“無限遠”，實現終端采集圖像、視頻信息實時回傳和地面端遠程無線距離控制。無人機遠程控制依賴于“遠程規劃、本地執行、實時修正、邊緣處理、長距續航、自動對屏接續飛行”技術，解決實現在信號覆蓋區域的互聯互通、超視距控制、遠距離巡檢，數據實時回傳、邊緣數據實時處理標注、多設備協同等。

第一，無人機內置公網網絡連接模塊，可進行5G通信，向下兼容4G。遠程控制飛行之前，用戶在遠程控制終端根據地圖和點圖規劃航線，將航線文件加密后通過公網發送至無人機或轉存至服務器。

第二，飛行前的無人機連接公用網絡，從遠程WEB控制端或服務器接收航線文件，解密并配置飛行路徑。

第三，無人機根據規劃好航線進行自動飛行。

第四，飛行過程中，無人機自動航線巡航視頻畫面實時直播，無人機飛行參數及航線位置等信息顯示，特殊情況可切手動模擬桿飛行。

第五，無人機巡檢同時，進行圖像、視頻等數據采集工作，使用無人機機載邊緣計算NPU算力進行線路通道山火，線路通道機械施工，桿塔邊坡塌方，導線飄掛物等隱患進行實時標注，為節省功耗采用輕量級AI模型，模型在完成訓練下載到無人機邊緣計算終端上，代入實采數據實時外部隱患標注，并將異常隱患信息推送至遠程控制終端。

4  應用場景

基于前端邊緣計算、公網遠程控制技術的小型無人機在輸電線路的應用場景：

1.線路通道往返快巡

一個起飛點大小號側飛行兩個自動航線往返架次，覆蓋直徑12公里。適用于：密集通道區快速巡視，及重點外部隱患區，山火區段，防汛區段，防冰區段等現場特殊快速巡視飛行。巡視過程中發現隱患可由自動巡檢任務切換手動控制，對隱患區進行全面高空勘察?？墒褂眉t外雙光無人機進行遠程測溫。

2.無人機施工現場安全監管

控制終端遠程控制無人機手動飛行，對施工現場360度進行監控，實現畫面實時顯示，拍照及錄制視頻功能，并具備無人機搭載擴音設備進行現場喊話功能。

3.實現線路全線快速巡視

通過無人機前端AI識別技術，電池擴容增程技術，及遠程控制技術的運用實現無人機遠距離單程15-20公里航線自動跳棋飛行，距離起飛點15-20公里線路通道路徑處設置自動降落點，進行人工換電池，控制終端遠程控制無人機繼續延線路通道進行下一個15-20公里航線飛行任務，直到巡視任務完成，可實現快速規劃航線，遠程操控無人機實現航線自動飛行及手動飛行，巡視過程中發現隱患可由自動巡檢任務，切換手動控制，對隱患區進行全面高空勘察。無人機視頻實時傳輸，視頻及圖片下載。線路通道山火，線路通道機械施工，導線飄掛物，桿塔邊坡塌方等隱患前端AI識別及自動標注及實時隱患推送功能。

5  典型經驗和推廣前景

為了進一步提高基于前端邊緣計算、公網遠程控制技術的小型無人機在輸電線路的應用效果，考慮從以下三方面進行提升：

1.制定無人機遠程控制通道巡檢工作規范

根據不同線路巡檢工作任務，制定合理的規范化無人機遠程控制巡檢作業規程，保障遠程無人機通道巡檢作業規范有序進行。

2.開發無人機中繼充電停機坪

開發無人機中繼充電停機坪，使得無人機跳飛過程不依賴人工換電方式進行接續飛行任務，無人機中繼充電停機坪具備低成本，部署簡單要求，無人機遙控器自動對拼技術，不依賴無人機RTK多種精確降落方式實現精準降落。

3.全局征集典型缺陷案例數據集進行缺陷識別算法訓練，普及人工智能邊緣計算在各個場景的使用

利用已有典型缺陷案例進行缺陷識別算法訓練，將訓練后的算法通過模型輕量化處理，部署于無人機機載終端，實現無人機在巡檢過程中，缺陷隱患的自主識別，并通過積累缺陷隱患數據庫，實現算法種類和深度的迭代更新。

算法種類包括但不限于：桿塔類缺陷識別算法、絕緣子類缺陷識別算法、護套類缺陷識別算法、銹蝕類缺陷識別算法、異物類缺陷識別算法、電線類缺陷識別算法。

來源：金巡獎