周前飛 丁樹慶 馮月貴 慶光蔚 胡靜波

（南京市特種設(shè)備安全監(jiān)督檢驗研究院 南京 210000）

1 引言

隨著經(jīng)濟社會的發(fā)展，特種設(shè)備逐漸向大型化、高速化、專業(yè)化的方向發(fā)展，例如振華重工22 000 t龍門吊、徐工2 600 t 超級移動起重機、中聯(lián)重科T1200-64W 超大型平頭塔式起重機、超大型過山車和摩天輪、長跨距客運索道、架空敷設(shè)壓力管道、超大型LNG 儲罐等，對于這些室外大型特種設(shè)備高空不易達部位的金屬結(jié)構(gòu)及鋼絲繩、滑輪等零部件，傳統(tǒng)人工檢測方法存在檢測盲區(qū)、高空作業(yè)危險、勞動強度大、效率低等問題。目前，大型特種設(shè)備高空結(jié)構(gòu)件無人智能檢測主要有地面高清攝像設(shè)備遠距離拍攝檢查、爬壁機器人或纜索機器人接觸或貼近檢測、無人機智能檢測3 類方法，其中無人機智能檢測具有非接觸、高精度、高效率和遠程可視化等特點，尤其適合超大型特種設(shè)備高空結(jié)構(gòu)件遠程檢測，國內(nèi)外很多檢驗機構(gòu)、高校和使用單位，紛紛掀起了以無人機為載體的大型特種設(shè)備高空結(jié)構(gòu)智能檢測技術(shù)研究與應(yīng)用熱潮。

南京市特檢院在面向起重機的倒置式無人機檢測系統(tǒng)設(shè)計[1]，路徑規(guī)劃與自動巡檢[2]，裂紋[3]、腐蝕[4]和螺栓脫落[5]等缺陷識別方面有深入的研究。上海市特檢院Chen Qingcheng[6]設(shè)計了一種基于無人機的起重機軌跡規(guī)劃和三維建模的高效檢測方法，通過非結(jié)構(gòu)化工作環(huán)境的三維建模過程實現(xiàn)無人機自主飛行、軌跡規(guī)劃、避障等智能檢測功能，更容易發(fā)現(xiàn)起重機鋼結(jié)構(gòu)的焊接、裂紋等缺陷。浙江省特科院Tian Wei等人[7]搭建了基于無人機的熱管巡檢與安全管理系統(tǒng)平臺，實現(xiàn)了飛行控制、自動巡視、視頻推送直播等功能，能夠自動分析采集到的圖像數(shù)據(jù)，記錄并定位過熱現(xiàn)象。Maboudi 等人[8]利用無人機進行基于圖像的集裝箱起重機表面損傷檢測，使用Na ?ve 貝葉斯分類器對圖像進行分類，對銹蝕等關(guān)鍵缺陷進行識別，檢測召回率達到87%。Bobbe 等人[9]使用基于無人機的自主航空攝影測量來檢查軌道式龍門吊軌道，為了避免起重機遮擋軌道圖像對攝影測量過程的不良影響，設(shè)計了幾種智能無人機任務(wù)規(guī)劃策略，并在仿真環(huán)境中進行了測試，以最大限度地縮短飛行時間。

甘肅省特檢院敬東等人[10]利用無人機對大型起重機進行高清圖片和視頻的拍攝，通過紅外熱成像快速鎖定缺陷，搭載動剛度檢測儀獲取起重機工作時的振動頻率。福建省特檢院潘健鴻[11]、楊靜[12]采用搭載高清變焦攝像頭、激光測距儀、GPS 定位控制系統(tǒng)的無人機檢測方案，利用改進的八方向Sobel 算子處理裂縫圖像，通過邊緣分析提取出裂縫位置。浙江大學王鑫遠等人[13]根據(jù)無人機位置姿態(tài)信息進行坐標轉(zhuǎn)換，進行塔身垂直度檢測等。上海交通大學孫東曉等人[14]利用旋翼無人機搭載任務(wù)檢測設(shè)備，對大型起重機表面銹蝕與裂紋進行檢測。廣東省特檢院郭晉等人[15]通過無人機搭載可見光相機和紅外熱成像相機對特種設(shè)備和?；穬Υ嫒萜鬟M行巡檢，不僅可實現(xiàn)全方位的目視檢查，還可有效發(fā)現(xiàn)溫度異常、介質(zhì)泄漏、火災(zāi)煙霧等問題。武漢市鍋檢所盧軍等人[16]提出利用無人機攜帶紅外檢測攝像頭對架空敷設(shè)的在役高溫和低溫壓力管道進行宏觀檢驗。天津市特檢院鄭桂紅等人[17]探討了電站鍋爐及垃圾焚燒鍋爐內(nèi)部的無人機檢驗方案和方法，王金釗等人[18]探討了無人機檢測技術(shù)在起重機械、大型游樂設(shè)施檢驗檢測中的應(yīng)用前景。

目前，很多檢驗檢測機構(gòu)和高校開展了特種設(shè)備無人機智能檢測領(lǐng)域的研究和應(yīng)用探索，但仍然存在很多技術(shù)難點亟待解決，例如室外強光、逆光、弱光、過曝、機身振動、鏡頭離焦等導致的圖像對比度差、“鬼影”、眩光、模糊、畸變和噪聲問題；由于無人機及圖像采集硬件制造方、圖像AI 識別系統(tǒng)開發(fā)方、檢驗檢測業(yè)務(wù)需求方在檢測系統(tǒng)軟硬件接口方面不統(tǒng)一，圖像多次壓縮傳輸引起清晰度降低、馬賽克問題；起重機、大型游樂設(shè)施等不同類型特種設(shè)備復(fù)雜結(jié)構(gòu)件的檢測路徑智能規(guī)劃問題；類間差異小，背景復(fù)雜，偽缺陷干擾多，焊接紋理、雨痕、漆膜開裂等線狀物體在多種缺陷或者無缺陷情況都有出現(xiàn)；類內(nèi)差異大，腐蝕、裂紋缺陷的大小、形狀、方向、位置多變，進而影響模型的學習能力，微裂紋、鋼絲繩斷絲等復(fù)雜背景小目標缺陷檢測難問題，裂紋、腐蝕、變形、破損、螺栓脫落、鋼絲繩損傷等多尺度復(fù)雜多樣缺陷檢測評價問題。因此，本文針對上述難點問題，開展特種設(shè)備高空結(jié)構(gòu)件無人智能檢測系統(tǒng)設(shè)計、檢測路徑智能規(guī)劃與自主巡檢方法、多尺度復(fù)雜缺陷智能識別模型、全過程智慧巡檢管理軟件等關(guān)鍵技術(shù)研究，對進一步提高特種設(shè)備無人機巡檢工作質(zhì)效具有重要意義。

2 無人智能檢測關(guān)鍵技術(shù)

2.1 上置/下置式無人機智能檢測系統(tǒng)設(shè)計

無人機智能檢測是通過無人機平臺搭載高清相機、紅外熱像儀、機載激光雷達等檢測設(shè)備，獲取結(jié)構(gòu)件高分辨率可見光圖像、紅外圖像或三維點云模型，通過圖像處理算法對結(jié)構(gòu)件表面裂紋、腐蝕、涂層劣化、螺栓脫落、破損、局部變形以及鋼絲繩斷絲、銹蝕、磨損、畸形等缺陷進行智能識別，見圖1，對結(jié)構(gòu)整體變形、動剛度、電氣老化（異常發(fā)熱）進行自動檢測。

圖1 無人機圖像識別的主要缺陷類型

為了便于拍攝龍門吊主梁下蓋板和支腿上部、門座式起重機象鼻梁和人字架頂部、塔式起重機塔帽頂端和臂架端部、儲罐外立面、過山車框架及支撐結(jié)構(gòu)、摩天輪拉索等人員不易到達的關(guān)鍵受力部位，將相機云臺設(shè)計為既可搭載在無人機本體上方[上置式，見圖2（a）]，又可搭載在無人機本體下方[下置式，見圖2（b）]，使云臺垂直方向俯仰角范圍達到±90°，既能向下俯視成像，又能向上仰視成像，能夠?qū)Υ笮吞胤N設(shè)備各種關(guān)鍵部位進行多方位拍攝無視場死角，支持六向定位避障、飛行路徑規(guī)劃和自動巡檢功能，抗風能力達7 級，最大續(xù)航時間達55 min，起飛重量為7 kg，具備良好的適應(yīng)性。

圖2 上置、下置式無人機智能檢測系統(tǒng)

無人機搭載由變焦主相機、廣角相機、激光測距儀組成的混合傳感器，其中變焦主相機圖像分辨率為2 000 萬像素，支持23 倍光學變焦（最大焦距為120 mm），通過光學無損放大與數(shù)碼放大結(jié)合，可對微裂紋、鋼絲繩斷絲等微小缺陷目標進行200 倍放大拍攝觀察，距離目標10 m 能分辨0.1 mm 微裂紋；搭載激光測距儀測量范圍為3 ～1 200 m，測量精度為±0.2 m，可實現(xiàn)裂紋尺寸等缺陷量化評價；搭載1 200 萬像素廣角相機，可實現(xiàn)第一視角飛行功能。

2.2 無人機檢測路徑智能規(guī)劃與自主巡檢方法

大型龍門吊、門座式起重機、塔式起重機、過山車、摩天輪、客運索道、壓力管道、儲罐等特種設(shè)備結(jié)構(gòu)形式復(fù)雜多樣，對于箱型梁、工字梁、桁架結(jié)構(gòu)、空心圓柱結(jié)構(gòu)等形式的金屬結(jié)構(gòu)，以及拉桿、鋼絲繩、管道等線狀圓形目標，無人機采用牛耕式全覆蓋巡檢路徑，如圖3 所示，與結(jié)構(gòu)之間的安全距離為無人機結(jié)構(gòu)尺寸的3 倍以上。

圖3 面向特種設(shè)備典型結(jié)構(gòu)件的路徑規(guī)劃方案

根據(jù)規(guī)劃的巡檢路徑，有2 種巡檢航跡生成方法：第1 種是由人工操控無人機進行初步巡檢，采集并記錄若干航跡點的經(jīng)緯度和高度數(shù)據(jù)，根據(jù)航跡點繪制生成航跡；第2 種是通過無人機搭載的激光雷達以待檢測設(shè)備為中心進行環(huán)掃，獲取設(shè)備三維點云模型，進行無人機巡檢場景模擬仿真，求解基于牛耕式全覆蓋巡檢路徑的巡檢點坐標和相機云臺拍攝參數(shù)，生成大型特種設(shè)備自主巡檢航跡。第2 種方法巡檢精細程度高，適用于儲罐等靜態(tài)設(shè)備巡檢，但對于起重機等動態(tài)作業(yè)設(shè)備，其三維點云模型的位置、角度每次作業(yè)后都不一樣，需頻繁通過三維建模仿真生成航跡，耗時長、效率低，因此適合采用人工操控無人機打點生成航跡進行自動巡檢，具有航跡生成速度快、便于實際操作的優(yōu)點。

進行自主巡航時，按航跡自動飛行，飛行過程中可以控制飛行速度，可控制飛機懸停拍攝待檢測部位圖像，發(fā)現(xiàn)缺陷時可記錄拍攝點的經(jīng)緯度和高度數(shù)據(jù)，下次飛行時根據(jù)起飛點和記錄的缺陷點位置生成航跡，自動飛到該缺陷部位進行進一步的拍攝和甄別。

對于三維建模巡檢場景仿真生成航跡方法，可以構(gòu)建電池能耗成本和背光回避成本最低的目標函數(shù)，見式（1）和式（2），并通過改進A*混合算法對規(guī)劃路徑進行進一步優(yōu)化。式中：

α1，α2—— 控 制 能 耗 和 背 光 成 本 的 參 數(shù)，α1+α2=1；

δi——懸停時的能量消耗；

δj——相鄰2 個航跡點之間的巡檢能量消耗；

χk——背光回避成本，表示太陽照射方向與相鄰2個航跡點形成的線段之間的夾角；

根據(jù)結(jié)構(gòu)件三維點云模型，并輸入檢測過程中各視點坐標。采用改進的A*混合算法，通過設(shè)置啟發(fā)式函數(shù)求解相鄰2 個航跡點之間的最優(yōu)飛行路徑，見式（3），最終輸出最優(yōu)檢測路徑。

式中：

h(n)——任意2 個航跡點的能量消耗之和；

δs——起始航跡點s 的能量消耗；

i——當前的航跡點；

δt——目標懸停視點t 的能量消耗；

δ(s，i)，δ(i，t）——巡航狀態(tài)下的能量消耗。

2.3 基于改進YOLOv3 神經(jīng)網(wǎng)絡(luò)的缺陷智能識別算法

通過無人機平臺搭載高清攝像機獲取結(jié)構(gòu)件高分辨率可見光圖像，提出改進YOLOv3 深度神經(jīng)網(wǎng)絡(luò)算法，實現(xiàn)結(jié)構(gòu)件表面裂紋、腐蝕、涂層劣化、磨損、局部變形、螺栓脫落、破損以及鋼絲繩斷絲、銹蝕、磨損、畸形等缺陷智能識別。

針對上述多尺度復(fù)雜多樣缺陷的檢測問題，為提高模型檢測未知尺寸和形狀缺陷的能力，對YOLOv3深度卷積神經(jīng)網(wǎng)絡(luò)算法進行改進，通過K-means 聚類方法實現(xiàn)anchor 聚類，生成錨框的尺寸，從而正確選擇錨框大小，具體步驟如下：

1）輸入所有目標邊界框的實際寬度和高度數(shù)據(jù)集T，見式（4）：

2）從T 中隨機選取9 個元素作為初始聚類中心，見式（5）：

3）計算T 中各元素到簇中心的交并比 （Intersection Over Union，簡稱IOU），見式（6）。

設(shè) ji*＝ argmin IOUij, i ＝1, 2,…, n,則 （ Bwidthi,Bheighti）∈ cluster ji*。

4）計算新的聚類中心 ｛（clusterwidthj,clusterheightj）,j ＝ 1, 2,… , m｝，其中：

5） 如果新的聚類中心與原聚類中心相同， 則算法終止并輸出最終的聚類中心｛（clusterwidthj,clusterheightj） , j ＝1, 2,…, m｝， 否 則 返 回步驟3）。

然后，利用改進YOLOv3算法對點腐蝕、晶間腐蝕、縫隙腐蝕、全面腐蝕等不同形態(tài)和尺寸的缺陷進行檢測，并用腐蝕的最小外接矩形框標記缺陷位置，算法流程如圖4 所示，主要由4 個部分組成：Darknet-53網(wǎng)絡(luò)，YOLOv3-Scale1 網(wǎng)絡(luò)，YOLOv3-Scale2 網(wǎng)絡(luò)和YOLOv3-Scale3 網(wǎng)絡(luò)。

圖4 基于改進YOLOv3 深度神經(jīng)網(wǎng)絡(luò)的腐蝕檢測算法流程

為了提高檢測速度，對YOLOv3 網(wǎng)絡(luò)進行了模型壓縮與優(yōu)化提速。不同于原始YOLOv3 網(wǎng)絡(luò)需要檢測20 種類型的目標，本文只包含11 種類型缺陷目標檢測，所以減少網(wǎng)絡(luò)大小不會顯著降低檢測結(jié)果的準確性。為了減小網(wǎng)絡(luò)的規(guī)模，使用Darknet-19 網(wǎng)絡(luò)代替Darknet-53 網(wǎng)絡(luò)作為改進YOLOv3 網(wǎng)絡(luò)的骨干，刪除YOLOv3-Scale1、YOLOv3-Scale2、YOLOv3-Scale3 中的重復(fù)層，從而減少檢測時間。最后，為了充分利用從網(wǎng)絡(luò)中提取的特征，增加了2 個特征連接路徑，可以改善檢測精度，改進后的YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。

圖5 YOLOv3 深度神經(jīng)網(wǎng)絡(luò)模型壓縮與優(yōu)化提速

在通過深度神經(jīng)網(wǎng)絡(luò)算法檢測出裂紋缺陷及位置后，利用最大熵閾值分割、Canny 邊緣檢測、投影特征提取和骨架提取等方法，對裂紋寬度、長度、方向等相關(guān)參數(shù)進行量化識別及分析[3]。在利用缺陷分類網(wǎng)絡(luò)檢測出腐蝕缺陷及位置后，以腐蝕面積、形狀和腐蝕率識別為對象，提出腐蝕定量檢測與分級評估算法[4]，參考ASTM 標準進行腐蝕分級評估，并根據(jù)相關(guān)等級建議需要重新油漆的區(qū)域，降低腐蝕擴展和截面損失的概率。

2.4 無人機檢測流程與智慧巡檢軟件開發(fā)

開發(fā)了無人機智慧巡檢軟件，包括web 端的大型設(shè)備智慧巡檢管理平臺和遙控器端的平臺調(diào)飛App，調(diào)飛軟件通過4G/5G 網(wǎng)絡(luò)將無人機采集的圖像視頻流高保真?zhèn)鬏數(shù)狡脚_，平臺調(diào)用部署在遠程服務(wù)器或便攜式工作站的缺陷檢測與識別算法，完成缺陷的智能檢測評價，自動出具檢測報告，作為起重機檢驗的輔助和安全評估的有效補充。無人機檢測流程如圖6 所示，包括檢測路徑規(guī)劃、在線檢測、缺陷復(fù)核、報告生成等步驟，具體步驟如下：

圖6 無人機檢測流程

1）開啟并連接無人機和巡檢平臺，在平臺新建檢測任務(wù)，根據(jù)待檢測設(shè)備的結(jié)構(gòu)形式和重點檢測部位，參考2.2 節(jié)的路徑規(guī)劃方案，在巡檢管理平臺進行檢測路徑規(guī)劃；

2）將檢測路徑下發(fā)到無人機，無人機按路徑進行自動巡檢，操作無人機相機云臺采集待檢測部位圖像，并通過調(diào)飛軟件將圖像視頻流傳輸?shù)狡脚_進行處理；

3）開啟平臺AI識別模塊，選擇要識別的缺陷類型，為裂紋、腐蝕、涂層劣化、螺栓脫落、破損、變形以及鋼絲繩斷絲、銹蝕、磨損、畸形等缺陷的一種、幾種或全部，調(diào)用改進YOLOv3 神經(jīng)網(wǎng)絡(luò)算法對當前幀圖像是否存在缺陷進行定性檢測，如果檢測到有缺陷則用缺陷最小外接矩形框標記缺陷位置；

4）對于檢測到的裂紋、腐蝕缺陷，可以調(diào)用2.3節(jié)的裂紋尺寸識別、腐蝕評估分級算法進行量化評價；

5）檢測任務(wù)結(jié)束后，對檢測出的缺陷圖片進行人工復(fù)核，刪除誤檢的缺陷圖片，合并由于視頻信息冗余導致的重復(fù)檢測缺陷圖片，缺陷復(fù)核無誤后，點擊生成檢測報告；

6）對于存疑的缺陷，可以根據(jù)任務(wù)記錄的拍攝點GPS 位置和相機角度參數(shù)，生成航跡自動飛行到該拍攝點，進行不同角度拍攝、變焦放大、調(diào)節(jié)清晰度、調(diào)節(jié)亮度等，對缺陷進行辨別復(fù)核確認。

3 實驗結(jié)果及分析

3.1 缺陷智能檢測算法仿真實驗

實驗采用Tensorflow 作為深度學習框架，使用GPU 對訓練過程進行加速，其使用的硬件配置為Xeon E5-2620 v4 處理器、128 G 內(nèi)存、NVIDIA GTX1080ti GPU；軟件環(huán) 境 為 Linux 系 統(tǒng)，python3.7，GPU 加速庫采用CUDA 9.0.176 和CUDNN 7.0.4。采用精度（Precision）、召回率 （Recall）、F1-Score 來評估缺陷檢測效果，見式（9）～式（11）。

式中：

TP——正確檢測標記的缺陷邊界框數(shù)量；

FP——將其他非缺陷區(qū)域誤檢為缺陷的數(shù)量；

FN——漏檢的缺陷數(shù)量；

Precision——正確檢測到的缺陷個數(shù)占所有被檢測到的缺陷個數(shù)的百分比；

Recall——正確檢測到的缺陷個數(shù)占實際所有缺陷個數(shù)的百分比；

F1-Score——精度和召回率之間的平衡點。

采用4 000 張起重機金屬結(jié)構(gòu)圖片作為訓練集，并通過對獲取到的數(shù)據(jù)集采用翻轉(zhuǎn)、平移、角度旋轉(zhuǎn)等方式增強該數(shù)據(jù)集，還利用已有的帶鋼、磁瓦、鐵軌、橋梁等表面缺陷數(shù)據(jù)集進行模型訓練和遷移學習，采用1 000 張起重機金屬結(jié)構(gòu)圖片作為測試集，部分圖像檢測結(jié)果見圖7，在圖像缺陷邊界框左上角用中文標記缺陷類型，例如裂痕、點蝕、面狀腐蝕、涂層劣化、螺栓脫落、破損、變形、斷絲、銹蝕、磨損、畸形等，后面的數(shù)字表示算法判定該區(qū)域為該類型缺陷的概率（0 ～1）。

圖7 部分測試圖像的缺陷檢測結(jié)果

從圖7 的檢測結(jié)果可以看出，改進YOLOv3 深度神經(jīng)網(wǎng)絡(luò)檢測識別算法能夠準確檢測出圖像中各種不同尺度、顏色、形狀、紋理的復(fù)雜多樣缺陷，對微小的裂紋和斷絲、螺栓脫落、破損、變形、磨損、腐蝕、涂層劣化等均能很好地識別，并對缺陷區(qū)域進行精確定位，按式（9）～式（11）統(tǒng)計測試集的檢測結(jié)果，并與原始YOLOv3 算法檢測結(jié)果進行對比，見表1，可見改進后YOLOv3 算法的精度（查準率）和召回率（查全率）分別提高了4.04%、0.79%，檢測精度達到94.31%，召回率達到98.03%，是一種高精度、高效的缺陷檢測方法。

表1 與原始YOLOv3 算法的檢測精度對比

在相同的計算機硬件條件下，輸入同一段待檢測1 080p 視頻圖像，比較了Fast R-CNN、Faster R-CNN、SSD、原始YOLOv3 和改進YOLOv3 等不同方法的檢測速度，結(jié)果見表2。

表2 與其他深度學習算法的檢測速度對比

從表2 可以看出，改進YOLOv3 算法檢測速度最快，約為原始YOLOv3 算法的2.33 倍，達到了17.00 fps，通過在軟件中設(shè)置合適的取幀頻率，可以實現(xiàn)缺陷的在線實時檢測，這也證明了本文提出的改進YOLOv3 算法是正確和有效的。

3.2 大型設(shè)備智慧巡檢系統(tǒng)研發(fā)與應(yīng)用

開發(fā)了大型設(shè)備智慧巡檢管理平臺，簡稱慧眼檢測，其主要界面見圖8，為用戶提供包括航線規(guī)劃、設(shè)備管理、在線檢測、離線檢測、系統(tǒng)管理等基礎(chǔ)功能的同時，亦支持云AI 與本地AI 兩種部署方式檢測和多場景數(shù)字化管理，具有在巡檢過程中對識別缺陷實時分級預(yù)警等特色功能，用戶通過大型設(shè)備AI 巡檢系統(tǒng)即可對巡檢場景進行全方位掌控，實現(xiàn)設(shè)備缺陷精確識別，快速處理生成檢測報告。

圖8 在線檢測AI 識別主界面

1）在線檢測。當無人機開始執(zhí)行任務(wù)，用遙控器控制采集待檢測設(shè)備圖像，選擇識別缺陷類型，開啟AI 識別模塊，即可在平臺查看第一視角畫面（原始視頻）和AI 識別檢測頁面?，F(xiàn)階段平臺支持AI 識別場景有涂層劣化、面狀腐蝕、點蝕、裂痕、螺栓脫落、局部變形、滑輪破損、鋼絲繩斷絲、鋼絲繩磨損、鋼絲繩銹蝕、鋼絲繩畸形，任務(wù)過程中根據(jù)用戶需求進行實時預(yù)警和顯示右側(cè)的預(yù)警信息（見圖8），直至任務(wù)結(jié)束。

巡檢任務(wù)結(jié)束后，進入時空大數(shù)據(jù)界面，包括歷史預(yù)警、歷史報告、飛行歷史3 個子模塊，見圖9。在執(zhí)行巡檢任務(wù)中實時彈出的預(yù)警信息由歷史預(yù)警模塊收集，并進行告警等級分類，用戶可對巡檢任務(wù)的預(yù)警信息進行AI 類別篩選后的人工復(fù)查、批量刪除、圖片合并等操作，選擇確認后的缺陷圖片生成檢測報告。飛行歷史模塊可對AI 巡檢任務(wù)進行回溯，查看無人機編號及站點名稱等信息，對于巡檢路線以視頻流進行回放，巡檢數(shù)據(jù)一鍵復(fù)查。

圖9 在線檢測任務(wù)的歷史預(yù)警界面

2）離線檢測。離線檢測模塊包括離線任務(wù)、離線預(yù)警、離線報告3 個子模塊。在離線任務(wù)界面，平臺支持用戶手動上傳導入無人機拍攝的原始圖片和視頻進行離線檢測處理。檢測完畢后，用戶可以在離線預(yù)警界面查看檢測結(jié)果，進行人工復(fù)查、批量刪除、圖片合并等操作后，選擇確認后的缺陷圖片生成檢測報告。在離線報告界面，用戶可自行篩選報告類型后下載或在線查看AI 檢測報告。離線檢測界面見圖10。

圖10 離線檢測界面

檢測報告格式包括封面、結(jié)論概述和附錄3 部分，結(jié)論概述主要包括檢測的缺陷類型和檢出的各類型缺陷數(shù)量統(tǒng)計；附錄為本次檢測任務(wù)的所有缺陷圖片，在每張圖片上以不同顏色目標框標記缺陷類型、位置和數(shù)量。

利用自主研發(fā)的上置/下置式無人機智能檢測系統(tǒng)和智慧巡檢軟件，配合起重機定期檢驗和安全評估，在江西省特檢院、杭州市特檢院、南鋼、南京港、金陵船廠、南京大吉鐵塔等檢驗機構(gòu)和生產(chǎn)企業(yè)開展無人機檢測技術(shù)應(yīng)用，檢出人員不易發(fā)現(xiàn)的裂紋、破損等設(shè)備隱患多處，為企業(yè)日常維護保養(yǎng)和特種設(shè)備的安全管理提供了有力依據(jù)。

4 總結(jié)與展望

1）本文設(shè)計了上置/下置式無人機智能檢測系統(tǒng)，基于無人機可見光圖像對特種設(shè)備結(jié)構(gòu)件表面缺陷識別技術(shù)進行了研究，通過無人機檢測路徑智能規(guī)劃、基于改進YOLOv3 神經(jīng)網(wǎng)絡(luò)的缺陷智能識別模型研究和無人機智慧巡檢軟件開發(fā)，實現(xiàn)了結(jié)構(gòu)件表面裂紋、腐蝕、涂層劣化、螺栓脫落、破損、局部變形以及鋼絲繩斷絲、銹蝕、磨損、畸形等典型缺陷智能識別和評價，快速出具檢測報告。

2）下一步可以通過無人機搭載高精度激光雷達，對設(shè)備主要受力構(gòu)件進行三維建模，對結(jié)構(gòu)整體變形檢測與有限元應(yīng)力分析、模態(tài)分析進行研究，搭載紅外熱像儀獲取設(shè)備熱紅外圖像，對設(shè)備電氣部件老化、接觸不良（異常發(fā)熱）等故障檢測進行研究。目前無人機檢測技術(shù)應(yīng)用對象主要為門式/門座式/塔式起重機和一些大型游樂設(shè)施設(shè)備（例如高空飛翔等），下一步可以向超大型過山車和摩天輪、長跨距客運索道、架空敷設(shè)壓力管道、超大型LNG 儲罐等特種設(shè)備擴展，結(jié)合這些設(shè)備的檢測項目和缺陷特征進行模型定制開發(fā)。

3）在特種設(shè)備無人機檢測領(lǐng)域，國內(nèi)目前尚無相應(yīng)的國家標準、行業(yè)標準和地方標準（含制修訂計劃），在巡檢系統(tǒng)、巡檢作業(yè)、數(shù)據(jù)處理等方面缺少統(tǒng)一的標準和規(guī)范，各檢驗檢測機構(gòu)、使用單位的檢測儀器和設(shè)備、檢測方法和流程、檢測報告形式等都不統(tǒng)一，無人機檢測作業(yè)不規(guī)范、作業(yè)精準度和可重復(fù)性差，亟須制定統(tǒng)一標準規(guī)范，進一步提升特種設(shè)備無人機巡檢工作質(zhì)效。

4）無人機智能檢測技術(shù)可以輔助特種設(shè)備檢驗檢測人員對大型設(shè)備高空不可達結(jié)構(gòu)部位進行智能可視化檢測和安全狀態(tài)評估，提高檢測精度和效率，提升檢驗檢測服務(wù)能力；幫助廣大特種設(shè)備使用單位更科學有效地進行特種設(shè)備日常檢查和維護，快速有效檢出企業(yè)不易發(fā)現(xiàn)的設(shè)備隱患，有效預(yù)防并控制事故的發(fā)生，減少人員和設(shè)備財產(chǎn)的損失，對促進企業(yè)安全生產(chǎn)具有重要意義；促進機器人、人工智能技術(shù)與特種設(shè)備檢驗檢測行業(yè)的有效融合，提升特種設(shè)備安全和智能化水平，創(chuàng)新培育新業(yè)態(tài)，發(fā)展壯大新動能，推動特種設(shè)備行業(yè)高質(zhì)量發(fā)展。