趙 薛 強，凌 峻

(中水珠江規(guī)劃勘測設(shè)計有限公司，廣東 廣州 510610)

0 引 言

大型水利工程建設(shè)周期長，工況復(fù)雜，為及時掌握其建設(shè)進度和實現(xiàn)實時動態(tài)監(jiān)控，保障施工安全，需要開展定期或不定期巡檢巡查。傳統(tǒng)的人工巡檢不僅存在諸多限制條件、效率低、成本高，且巡檢數(shù)據(jù)停留在文件管理階段，不能可視化、智能化地及時有效反饋巡檢情況[1]。隨著無人機技術(shù)的發(fā)展，其靈活性、經(jīng)濟性以及不受地形限制等特點使其成為水利工程巡檢的首選[2]，但基于人工操控的無人機巡檢對操控手專業(yè)要求相當高、難度較大，且巡檢數(shù)據(jù)量較大，管理不方便[3]，亟需發(fā)展智能化的無人機自動巡檢智慧監(jiān)控系統(tǒng)，以實現(xiàn)自動化巡檢和智慧化管理海量數(shù)據(jù)。

無人機自動巡檢技術(shù)最早應(yīng)用于電力行業(yè)，并獲得了國內(nèi)外學(xué)者的廣泛關(guān)注，且技術(shù)較為成熟。Montambault等[4]論述了無人機在電力設(shè)備巡檢中的應(yīng)用，系統(tǒng)分析了無人機巡檢過程中的諸多關(guān)鍵技術(shù)問題，并進一步展望了無人機自動巡檢技術(shù)良好的發(fā)展前景。繆希仁等[5]系統(tǒng)研究了無人機輸電線路智能巡檢技術(shù)，并就巡檢數(shù)據(jù)智能處理、無人機自主導(dǎo)航和無人機續(xù)航等的關(guān)鍵技術(shù)難題進行了闡述。楊成順等[6]以四旋翼無人飛行器為多旋翼無人飛行器系統(tǒng)載體，配合地面站系統(tǒng)和高清相機構(gòu)建了無人自動巡檢系統(tǒng)，并將該系統(tǒng)成功應(yīng)用于輸電線路野外巡檢工作，取得了較好的預(yù)期效果。但國內(nèi)外投入運營的基于無人機技術(shù)的輸電線路自動巡檢系統(tǒng)并不多，且僅是針對電力系統(tǒng)，沿著電線的線狀巡檢，雖巡檢技術(shù)較為成熟但是針對海量巡檢數(shù)據(jù)尚未形成可視化、智能化的管理分析系統(tǒng)。

在水利工程領(lǐng)域，無人機巡檢僅停留在人工操控?zé)o人機巡檢階段，智能化程度不高且對操控手要求極高，巡檢數(shù)據(jù)采用文件管理和人工判別方式查找問題，效率不高[7-8]。為深入貫徹落實“水利工程補短板，水利行業(yè)強監(jiān)管”的水利改革發(fā)展總基調(diào)，推動智慧水利建設(shè)，實現(xiàn)水利工程的自動化巡檢和智能化數(shù)據(jù)管理，擬開展無人機自動巡檢智慧監(jiān)控系統(tǒng)平臺構(gòu)建研究?；跓o人機技術(shù)、物聯(lián)網(wǎng)技術(shù)、人工智能、4G/5G技術(shù)等構(gòu)建無人機自動巡檢巡查技術(shù)平臺，基于5G技術(shù)、RTMP通信協(xié)議(Real Time Messaging Protocol實時消息傳輸協(xié)議)、微波通信等構(gòu)建多路遠程視頻無損回傳技術(shù)體系，通過引入注意力模塊(Squeeze-and-Excitation(SE)-block)，優(yōu)化Yolov3(You Only Look Once：Unified，Real-Time Objection Detection v3)目標檢測算法，構(gòu)建基于Yolov3-SE算法架構(gòu)的高精度特征目標識別算法，通過引入網(wǎng)絡(luò)地理信息處理服務(wù)(WPS)，構(gòu)建了基于Mask R-CNN深度學(xué)習(xí)模型的遠程在線和多人共享的遙感影像地物識別檢測技術(shù)方法。同時，融合上述目標檢測算法和正射影像識別技術(shù)，研發(fā)了無人機巡檢大數(shù)據(jù)管理平臺，為水利工程、防汛應(yīng)急搶險、河道岸線違法等領(lǐng)域的動態(tài)監(jiān)管提供技術(shù)保障。

1 系統(tǒng)設(shè)計

本文借鑒前人應(yīng)用經(jīng)驗，開展基于無人機技術(shù)、物聯(lián)網(wǎng)技術(shù)、4G/5G技術(shù)等的多旋翼無人機系統(tǒng)、高精度起降系統(tǒng)、遠程控制系統(tǒng)和智能機巢的無人機自動巡檢系統(tǒng)集成研究，構(gòu)建基于GIS技術(shù)、人工智能技術(shù)、大數(shù)據(jù)技術(shù)等的無人機巡檢數(shù)據(jù)管理平臺，系統(tǒng)整體設(shè)計如圖1所示。

圖1 系統(tǒng)整體設(shè)計Fig.1 Overall design of the system

(1) 無人機自動巡檢系統(tǒng)集成。集成多旋翼無人機系統(tǒng)、高精度起降系統(tǒng)、遠程控制系統(tǒng)和智能機巢，基于無人機、4G/5G等技術(shù)，研發(fā)無人機自動巡檢系統(tǒng)，實現(xiàn)無人機的自動巡檢，進而對違法違規(guī)目標進行定點拍攝和空中喊話，獲取照片、視頻和正射影像等數(shù)據(jù)?；谝苿覣pp、無線傳輸和流媒體服務(wù)器技術(shù)構(gòu)建多路遠程無損視頻回傳技術(shù)，實現(xiàn)從無人機前端到遠程終端(自動巡檢系統(tǒng)WEB端)的多路視頻實時回傳。

(2) 巡檢管理系統(tǒng)的設(shè)計?；跀?shù)據(jù)庫技術(shù)，將照片、視頻和正射影像等數(shù)據(jù)進行入庫構(gòu)建巡檢數(shù)據(jù)庫；基于計算機、GIS技術(shù)，設(shè)計照片、視頻、影像批量化管理的巡檢管理系統(tǒng)。

(3) 自動識別系統(tǒng)設(shè)計?；谡掌?、視頻的圖像異常特征物目標檢測算法和無人機正射影像的深度學(xué)習(xí)算法，自動識別標注巡檢區(qū)域的違法違規(guī)等異常情況?；谝岩?guī)劃設(shè)計的巡檢報告模板，自動生成巡檢報告。

2 算法設(shè)計

2.1 無人機自動巡檢系統(tǒng)集成

系統(tǒng)硬件集成如圖2所示。在固定沿線或區(qū)域布設(shè)該系統(tǒng)，可實現(xiàn)點、線、面的動態(tài)巡檢。首先，基于TCP/IP協(xié)議[9]建立機巢與系統(tǒng)平臺之間的通信聯(lián)系，無人機操控平臺依托4G/5G技術(shù)下發(fā)任務(wù)指令到智能機巢，智能機巢開啟。隨后，基于2.4GHZ/5.8GHZ微波信號建立無人機與機巢間的通信聯(lián)系，機巢接到系統(tǒng)平臺的下發(fā)任務(wù)指令通過微波通信傳遞給無人機，多旋翼無人機自主起飛，根據(jù)操控平臺下發(fā)的任務(wù)指令開展基于高精度衛(wèi)星導(dǎo)航定位技術(shù)(GNSS)的精準巡航作業(yè)。作業(yè)完成后，多旋翼無人機自主降落，智能機巢艙門關(guān)閉并開始對無人機自主充電。

圖2 無人機自動巡檢系統(tǒng)硬件集成Fig.2 Hardware integration of UAV automatic inspection system

2.2 基于5G的多路遠程視頻回傳技術(shù)

市場上主流無人機遠程視頻回傳技術(shù)主要依賴WiFi傳輸，因而易受傳輸距離的影響[9]。為克服該影響、突破無人機自帶操控APP的局限，基于無人機SDK和移動操作系統(tǒng)，開發(fā)支持5G通信網(wǎng)絡(luò)遠程分享至流媒體服務(wù)器的無人機操控APP，打通無人機與機巢、機巢與客戶端之間的通信通道，突破自建局域網(wǎng)[10]的技術(shù)限制，研究構(gòu)建基于4G/5G/寬帶通信的無人機拍攝視頻實時傳輸和多人共享的多路遠程視頻回傳技術(shù)。

具體實現(xiàn)方法：① 由無人機搭載高清攝像頭實時采集視頻，巡檢視頻流經(jīng)H.264(一種數(shù)字視頻壓縮格式)編碼解譯后傳輸至無人機硬件系統(tǒng)(操控遙控器或智能機巢)，通過5G網(wǎng)絡(luò) RTMP協(xié)議傳輸至基于開源架構(gòu)Nginx-rtmp-modul[11]搭建的流媒體服務(wù)器。② 通過流媒體服務(wù)器對視頻流進行視頻流轉(zhuǎn)碼。③ 利用自主研發(fā)的無人機自動巡檢系統(tǒng)基于HTTP-FLV(一種將RTMP封裝在HTTP協(xié)議上的直播協(xié)議)直播協(xié)議對流媒體服務(wù)器的視頻流進行拉流，實現(xiàn)無人機多路遠程視頻回傳的前端播放。關(guān)鍵技術(shù)流程如圖3所示。

圖3 多路無人機遠程視頻回傳技術(shù)流程Fig.3 Remote video return technology of multi channel UAV

2.3 基于目標檢測的圖像異常特征物識別

當前主流的檢測方法主要有雙階段的目標檢測和單階段目標檢測2種。雙階段目標檢測算法精度高、速度慢[12]，而單階段目標檢測算法對圖像僅需處理一次就可獲得異常目標的位置及分類信息，速度運行較快[13]，在實時性要求較高的場景中得到廣泛應(yīng)用，其代表算法為YOLO算法[13-19]。

由于無人機照片中特征物大小尺寸不同，直接采用YOLO算法難以滿足工程應(yīng)用中速度與精度需求[13]。因此，在Yolov3框架的基礎(chǔ)上，引入可通過對各通道的依賴性進行建模以提高網(wǎng)絡(luò)的表征能力，并且可以對特征進行逐通道調(diào)整的通道注意力模塊[20]，構(gòu)建Yolov3-SE算法以提高圖像識別的速度與精度。具體實現(xiàn)方法為：首先通過squeeze操作，將各通道的全局空間特征作為該通道的表示，形成通道描述符；再經(jīng)excitation操作，學(xué)習(xí)對各通道的依賴程度，并根據(jù)依賴程度的不同對特征圖進行調(diào)整；最終輸出。添加通道注意力模塊后的Yolov3-SE算法網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

同時，針對標注數(shù)據(jù)集樣本不均衡的情況，根據(jù)圖片數(shù)據(jù)和目標物分布的實際情景進行相應(yīng)的數(shù)據(jù)增強處理，以提高無人機特征物識別的成功率。關(guān)鍵技術(shù)流程分為3個步驟：① 根據(jù)要求將視頻流進行解析，轉(zhuǎn)換為圖片；② 對圖片中特征物體進行人工標注，制作用于模型訓(xùn)練的數(shù)據(jù)集；③ 根據(jù)檢測的精度和速度的要求，選取現(xiàn)行精度和速度適宜的Yolov3框架，引入注意力模塊，并優(yōu)化相關(guān)算法，開展網(wǎng)絡(luò)的訓(xùn)練工作以及圖片的預(yù)測與測試。具體技術(shù)流程實現(xiàn)過程如圖5所示。

2.4 多期影像檢測識別對比分析算法設(shè)計

為實現(xiàn)多期無人機航攝遙感影像異常變化對比分析，在總結(jié)前人經(jīng)驗的基礎(chǔ)上[21-22]，針對當前深度學(xué)習(xí)模型對CPU和GPU等硬件要求高，以及深度學(xué)習(xí)模型檢測沒有地理坐標等缺點，通過引入GIS技術(shù)，采用淺層機器學(xué)習(xí)模型Tensorflow和深度卷積神經(jīng)網(wǎng)絡(luò)模型Mask R-CNN，將無人機遙感影像地物檢測識別設(shè)計為一種網(wǎng)絡(luò)地理信息處理服務(wù)(WPS)的正射影像識別方法，實現(xiàn)深度學(xué)習(xí)模型下的遙感影像地物檢測的遠程在線和多人共享應(yīng)用，降低對硬件設(shè)備的依賴。

圖4 Yolov3-SE的算法架構(gòu)Fig.4 Algorithm architecture of Yolov3-SE

圖5 異常特征物自動識別技術(shù)流程Fig.5 Technical process of automatic recognition of abnormal features

具體實現(xiàn)技術(shù)方法為：① 利用機器學(xué)習(xí)框架Tensorflow實現(xiàn)Mask R-CNN模型結(jié)構(gòu)，并通過基于TCP/IP協(xié)議的Socket網(wǎng)絡(luò)通信實現(xiàn)對Mask R-CNN模型的遠程調(diào)用；② 利用地理服務(wù)器提供的編程API，制作地理WPS服務(wù)，地理WPS服務(wù)可收受客戶端的網(wǎng)絡(luò)請求參數(shù)，然后向Mask R-CNN模型發(fā)出遠程調(diào)用請求；③ 利用GDAL(Geospatial Data Abstraction Library)空間數(shù)據(jù)讀取庫，實現(xiàn)Mask R-CNN模型對遙感影像數(shù)據(jù)的自動化地物檢測識別計算(見圖6)；④ 利用GIS空間處理和空間數(shù)據(jù)庫，將Mask R-CNN模型遙感影像地物檢測的輸出結(jié)果自動轉(zhuǎn)換為空間矢量多邊形數(shù)據(jù)并進行存儲(見圖7)；⑤ 將地物檢測的空間矢量結(jié)果轉(zhuǎn)換為能進行網(wǎng)絡(luò)傳輸?shù)牡乩砭幋a格式，通過地理WPS服務(wù)返回至請求服務(wù)的客戶端；⑥ 將不同期的地物檢測結(jié)果采用GIS疊加分析，進而分析多期正射影像變化情況；也可針對特定檢測物如建筑物，在識別結(jié)果的基礎(chǔ)上，疊加水利工程管理范圍線，通過矢量邏輯運算，篩選出管理范圍線內(nèi)的建筑物，實現(xiàn)違建信息提取的目的。

圖6 自動化地物檢測識別示意Fig.6 Schematic diagram of ground object automatic detection and recognition

圖7 地物檢測結(jié)果自動轉(zhuǎn)換為矢量數(shù)據(jù)并存儲在空間數(shù)據(jù)庫Fig.7 Ground object detection results are automatically converted into vector data and stored in the spatial database

3 實例應(yīng)用

3.1 工程概況

大藤峽水利樞紐工程(110°2′E，23°27′N)位于珠江流域西江水系黔江河段大藤峽峽谷出口處，下距廣西桂平市6 km，屬于亞熱帶季風(fēng)氣候區(qū)，多年平均風(fēng)速為1.2 m/s，多年平均氣溫為 21.5 ℃，流域多年平均降雨量為1 400～1 800 mm，雨水充沛[23]。區(qū)域水文地質(zhì)條件復(fù)雜，處于大瑤山向溶蝕平原過渡地帶和寬緩的河流階地部位，屬于低平原覆蓋型巖溶[24]。為了在工程建設(shè)、運營期，實時全方位地監(jiān)控壩址重點施工區(qū)的變化，基于無人機自動巡檢智慧監(jiān)控系統(tǒng)開展了針對重點施工區(qū)施工和異常變化等重要場景智能化、智慧化的巡檢、巡查應(yīng)用研究。

3.2 應(yīng)用與結(jié)果分析

3.2.1應(yīng)用成果

為實現(xiàn)大藤峽水利樞紐工程建設(shè)期、運行期的全方位、智能化、智慧化監(jiān)控和監(jiān)管，研發(fā)了集成無人機自動巡檢系統(tǒng)和無人機自動巡檢管理系統(tǒng)的無人機自動巡檢智慧監(jiān)控系統(tǒng)。

(1) 大藤峽水利樞紐無人機自動巡檢系統(tǒng)。大藤峽無人機自動巡檢系統(tǒng)主要包括：基于大疆精靈4RTK無人機系統(tǒng)SDK和安卓操作系統(tǒng)研發(fā)的無人機操控APP，它支持將巡檢視頻一鍵分享至無人機遠程控制系統(tǒng)；基于物聯(lián)網(wǎng)技術(shù)、二維碼識別技術(shù)、無人機自帶的高精度RTK起降系統(tǒng)搭建的無人機起降智能機巢；基于Web服務(wù)器、流媒體服務(wù)器、GIS技術(shù)的無人機遠程控制系統(tǒng)。大藤峽自動巡檢系統(tǒng)實現(xiàn)了遠程操控?zé)o人機自主起降和充電，并可根據(jù)固定航線巡航、巡檢。該系統(tǒng)通過自主搭建流媒體服務(wù)器，將無人機多路航攝視頻遠程實時傳送至Web端無人機遠程控制系統(tǒng)，實現(xiàn)了隨時、隨地瀏覽、巡查施工現(xiàn)場的目的。

(2) 大藤峽水利樞紐無人機自動巡檢管理系統(tǒng)。采用Java、Javascript等編程語言，利用Yolov3-SE算法和多期影像檢測識別對比分析算法，基于ArcGIS平臺開發(fā)了實現(xiàn)海量無人機巡檢照片、視頻和正射影像數(shù)據(jù)展示、管理、異常變化分析的大藤峽無人機自動巡檢管理系統(tǒng)。系統(tǒng)主要包括用戶登錄模塊、巡檢成果入庫模塊、巡檢成果管理模塊、巡檢成果自動分析檢測模塊、巡檢報告自動生成模塊、多期巡檢成果對比模塊。

巡檢成果入庫模塊：無人機自動巡檢系統(tǒng)獲取的照片、視頻導(dǎo)入系統(tǒng)時，支持自動識別時間、位置、軌跡等信息，并進行統(tǒng)一入庫管理，便于隨時提取查看。

巡檢成果管理模塊：對巡檢的照片、視頻和影像進行管理。

巡檢成果自動分析檢測模塊：利用YoLov3-SE算法實現(xiàn)對海量巡檢照片和視頻中的水利樞紐工程附近水中漂浮物、棄渣、塌方、運輸船等異常特征物體高精度識別；利用基于網(wǎng)絡(luò)地理信息處理服務(wù)(WPS)的正射影像識別方法進行正射影像中的違章建筑物識別和對比分析，然后將其存入異常數(shù)據(jù)庫，供Web前端調(diào)用。

巡檢報告自動生成模塊：調(diào)用自動識別的異常照片和影像，根據(jù)預(yù)設(shè)的模板自動生成巡檢報告。

多期巡檢成果對比模塊：選擇調(diào)用數(shù)據(jù)庫的照片、視頻進行分屏對比顯示。

3.2.2結(jié)果分析

(1) 巡檢效率及結(jié)果分析。大藤峽重點施工區(qū)6 km2的巡檢區(qū)域，同等條件下，傳統(tǒng)的人工巡檢方式至少需12 h巡檢完畢，而該系統(tǒng)通過預(yù)設(shè)巡檢任務(wù)，無需作業(yè)人員到達現(xiàn)場手動操控飛行即可實現(xiàn)自動巡檢和自動更換電池，完成全程飛行僅需4 h。與傳統(tǒng)的人工手動操控巡檢方式相比，解放了生產(chǎn)力，巡檢效率提升3倍以上，尤其是應(yīng)急救援等特殊情況下的巡檢，可快速到達現(xiàn)場作業(yè)，具有傳統(tǒng)無人機巡檢無法比擬的優(yōu)勢。

(2) 多路遠程視頻回傳效果分析。為了驗證多路遠程視頻回傳的效果，在自制的實際應(yīng)用場景上進行了有效驗證，將無人機自帶的視頻回傳功能(即利用自帶的操控App將視頻流推流分享至第三方流媒體服務(wù)器)與基于5G的多路遠程視頻回傳技術(shù)進行回傳效果比較分析。

實驗環(huán)境為大疆系列無人機、第三方流媒體服務(wù)器和無人機自動巡檢系統(tǒng)。實驗方法為：① 采用同架無人機分別近距離拍攝移動物體，根據(jù)移動物體的動作變化對兩種視頻回傳技術(shù)進行延遲分析；② 采用同架無人機，分別遠距離開展無人機視頻回傳，對比分析兩種方法的最大回傳距離。

結(jié)果表明：① 自主研發(fā)的多路遠程視頻回傳技術(shù)的視頻回傳延遲時間在0.8 s以內(nèi)，遠小于無人機自帶的視頻回傳功能中5.0 s左右的回傳延遲時間；② 在同等畫質(zhì)清晰度方面，該回傳技術(shù)同類型的視頻回傳距離比無人機系統(tǒng)自帶的視頻回傳距離遠30%；③ 通過實驗對比發(fā)現(xiàn)，多路遠程視頻回傳技術(shù)最大可支持8路視頻無損、無延遲高清實時回傳，而無人機自帶的視頻回傳功能僅支持單路且視頻不流暢。

(3) 圖像識別效率及精度分析。為了評估本文所提出的Yolov3-SE算法的檢測性能，選取了各類別精度AP(Average Precision)和平均精度mAP(mean Average Precision)作為評價指標，在真實圖片數(shù)據(jù)集上進行測試，開展了大藤峽重點施工區(qū)4 a共150萬張巡檢照片和視頻中的聚集型垃圾(g_garbage指建筑處、壩址設(shè)置的攔網(wǎng)所形成的水面上聚集型漂浮物)、分散型垃圾(d_garbage指水面上漂浮的零散的、不成堆的漂浮物)、施工棄渣(spoil)、塌方(collapse)、運輸船(trans_boat)、工地積水(stag_water)等6種異常特征物的自動識別及變化對比。本文算法總共進行80輪迭代訓(xùn)練，每輪訓(xùn)練的批大小(batchsize)設(shè)為8，前50輪學(xué)習(xí)率為le-4，后30輪為le-5，采用Adam(Adam optimization algorithm)優(yōu)化策略，學(xué)習(xí)率衰減為0.95。實驗環(huán)境為Ubuntu18.04系統(tǒng)，配備2張顯存大小為11 GB的NVIDIA GPU GTX-1080Ti顯卡、64 GB內(nèi)存和Intel Xeon Gold 5122 CPU，采用Pytorch 1.2.0深度學(xué)習(xí)框架，編程語言及其版本為Python 3.6.12。結(jié)果表明：改進算法的mAP達到了90.17%，比基礎(chǔ)算法的59.83%提高了30個百分點，統(tǒng)計結(jié)果如表1所列。綜合以上結(jié)果可知，本文算法相較于Yolov3基礎(chǔ)算法在單個目標物的檢測精度及總體平均檢測精度都有明顯提升。

表1 識別精度統(tǒng)計Tab.1 Recognition accuracy statistics %

(4) 影像識別對比效率及精度分析。為了評估本文所提出的影像檢測識別方法的精度和效果，采用以聯(lián)合交集IoU(Intersection-over-Union)為主要指標的基于像素的評價方法[21-22]，在自制的實際應(yīng)用場景數(shù)據(jù)集上進行了有效驗證。選取大藤峽重點施工區(qū)域無人機航拍巡檢數(shù)據(jù)庫中2 cm分辨率的正射影像圖，并針對實際應(yīng)用場景中的違章建筑物，制作了實際應(yīng)用場景下的數(shù)據(jù)集。實驗環(huán)境為Ubuntu18.04系統(tǒng)，配備兩張顯存大小為11 GB的NVIDIA GPU GTX-1080Ti顯卡、64 GB內(nèi)存和Intel Xeon Gold 5122 CPU，利用機器學(xué)習(xí)框架Tensorflow進行100輪次訓(xùn)練，使用Microsoft COCO數(shù)據(jù)集預(yù)訓(xùn)練權(quán)重，再進行fine-tuning，對6 km2的巡檢區(qū)域進行訓(xùn)練，訓(xùn)練總時長約20 h，訓(xùn)練效率大幅提升。自動化樣本制作工具，并將樣本存儲于空間數(shù)據(jù)庫。

為防止在訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，采用2種方法對訓(xùn)練樣本進行增強：① 根據(jù)該數(shù)據(jù)集的建立規(guī)則，選取形狀各異、不同季節(jié)、不同尺度、不同光照條件下的高分辨率遙感影像數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)的擴充；② 打亂訓(xùn)練樣本數(shù)據(jù)，再進行隨機排序，從而達到提升模型檢測性能的效果。經(jīng)過深度學(xué)習(xí)識別后的建筑物情況如圖8所示。

圖8 建筑物自動識別提取結(jié)果Fig.8 Extraction results of automatic building recognition

采用基于像素的評價方法量化建筑物檢測識別的效果，其主要指標為IoU：

(1)

式中：FP代表錯誤分類為建筑物實例的像素數(shù)；TP代表正確分類為建筑物實例的像素數(shù)；FN代表錯誤分類為背景的像素數(shù)。

結(jié)果表明：本文提出的基于網(wǎng)絡(luò)共享遙感影像建筑物檢測模型的多期影像分類識別對比算法，極大降低了影像識別對計算機硬件的要求，節(jié)約了成本。通過計算，建筑物實例整體的置信度為0.938，可為海量影像的自動識別和多期對比分析提供技術(shù)支持。

4 結(jié) 論

通過深入研究無人機、人工智能、GIS等技術(shù)，設(shè)計研發(fā)了無人機自動巡檢智慧監(jiān)控系統(tǒng)，主要工作如下。

(1) 基于無人機、人工智能、AI算法等多種技術(shù)研發(fā)的無人機自動巡檢智慧監(jiān)控系統(tǒng)，實現(xiàn)了大型水利樞紐工程——大藤峽水利樞紐工程重點施工區(qū)全天候24 h不間斷巡檢、巡查，以及對巡檢照片、視頻和正射影像等建設(shè)期歷史珍貴資料的存檔管理和異常特征自動識別分析，為大藤峽水利樞紐工程博物館的建設(shè)提供了珍貴的歷史資料。

(2) 無人機自動巡檢智慧監(jiān)控系統(tǒng)解放了生產(chǎn)力，規(guī)避和降低了人工巡檢的安全風(fēng)險，將巡檢效率提升了3倍以上。海量巡檢照片、視頻的自動異常識別算法，將判別效率和識別成功率提升了30個百分點，具有傳統(tǒng)人工判別無法比擬的優(yōu)勢。

(3) 無人機自動巡檢智慧監(jiān)控系統(tǒng)目前主要是針對巡檢后的照片、視頻和影像進行入庫、異常識別和管理，而對于應(yīng)急救援等特殊情況，仍需進一步研究基于無人機航攝視頻的前端異常特征實時識別。

本文設(shè)計的無人機自動巡檢智慧監(jiān)控系統(tǒng)，不僅適用于大型水利樞紐工程建設(shè)期、運營期的自動巡檢、巡查等，也可應(yīng)用于河道岸線、庫區(qū)、應(yīng)急救援、輸變線電站、交通執(zhí)法等多行業(yè)多領(lǐng)域，具有廣闊的應(yīng)用前景。