1. 研究目的与意义
随着工程机械的发展和改进，我国已建设道路里程数在飞速增加，然而随着使用年限的增加，我国一部分道路已转入维护阶段。为了缩短维护时间，降低维修压力和成本，研究道路巡检技术和开发新设备具有重要意义。
我国的道路基建工程近年来飞速发展,质量和公里数都在以极大的速度提升，但是由于国内交通情况的问题—工程车辆超载、车流量大等，导致道路十分容易出现裂纹、坑洞、路基塌陷等问题。在这些道路常见问题中，道路裂纹占绝大多数，而如果不对道路裂纹进行处理，后期还会演变成坑洞、路面断裂等更为严重的问题。以上问题的频繁出现所带来的影响主要是大额的维修资金花费，而如果处理不及时甚至会对路面车辆的行驶造成威胁,严重危害行车人员的生命安全。如果能够提前对其进行维护，将道路裂纹的危害遏制在转化前期,这对维护资金的开销是个极大的节约，同时能够提高道路的使用寿命。因此，及早发现道路裂纹，对节省道路维护费用，确保道路安全具有重要意义。
近年来，无人机相关技术的发展十分迅速，无人机与其他技术的成功结合，已经使无人机逐渐进入日常的一些工作中，大大减轻了工作者的劳动量。而结合深度学习的智能视觉无人机具有低成本、操作简单等优势，已被其他领域所青睐。因此，本文以能够完成道路裂纹检测统计的无人机道路巡检系统为主要研究目标，为构建道路养护科学化、精细化、精准化提供一定的实践支撑，具有一定的社会效益和经济效益。
2. 课题关键问题和重难点
传统的道路巡检和保养主要由人工来完成，需要投入大量的人力物力来保证道路的相对安全，这种方式存在着低效率、高成本且难以保证道路的决定安全。固定式交通检测设备大量设置在道路上，也存在着一些缺陷，这也是本文需要重点解决的问题：
(1)监控摄像头不能做到全覆盖且具有一定的探测盲区。
(2)监控系统采用多屏幕方式，工作人员进行道路故障判断时受限。
3. 国内外研究现状（文献综述）
keyence gyro saucere-570型旋翼无人机在日本研制成功，他的出现标志了旋翼无人机的时代来临了。这款微型四旋翼无人机装有两个陀螺仪，分别用来进行姿态和方向的感应，以聚丙烯泡沫材料制作的机身大幅的减轻了机身重量，在当时充满电池后能保持 3min的续航。一款小型的十字结构四旋翼电动无人机由德国的mgh公司推出，该款md4-200无人机的问世，标志着微小型旋翼无人机正式进入民用专业领域[1]。我国大疆创新科技有限公司推出了世界上第一款消费级航空拍摄无人机——phantom 1，高度集成化的电子硬件设备，稳定高效的软件控制系统，轻质的机身，复合流体动力学的外形，很快在消费市场上得到了认可，以此为契机大疆创新科技有限公司快步走向航拍无人机领域的巅峰。截止至2022年，全世界已经有超过50个国家进行无人机的研发工作，其中包括美国、德国、英国、法国和俄罗斯等科技产业强国。除此之外，近几年民用消费级无人机需求量也不断上涨，无人机整体市场迅速发展。
进入21世纪以来，随着人工智能、图像识别、目标检测、自动驾驶技术的迅速发展，无人机也向着智能化迈进，无人机的应用前景被各国所看好，各国皆投入了资源用于研究。为了让无人机能够在室内进行自主飞行和避障,美国grasp实验室将视觉和激光传感器进行融合,建立无人机的三维感知地图。forster等人在无人机上搭载摄像头和板载计算机，采用半视觉里程计算法(svo)来获取无人机的当前位置[2]。fraundorfer等人（2021）采用双目相机作为无人机对外界环境感知的主要途径，结合 vfh (vector field histogram ）算法和边界勘探算法来实时三维重建[3]。而国内的相关研究略落后于国外，针对经典gps/ins 组合导航系统存在的问题，张伟（2021）对无人机视觉导航的位姿解算进行了研究，通过sift特征信息匹配完成了无人机的视觉降落。吴娃（2021）采用orb特征视觉信息处理算法，设计了视觉定位过程,通过改进粒子滤波定位算法完成了无人机的视觉定位导航[4]。
陈润泽等人将视觉导航和惯性导航计数相融合，提高了无人机的导航精度,目标检测领域在近年呈阶跃式发展，发展速度十分迅速，传统的检测算法正逐渐被舍弃。目前，目标检测模型分为两种:one-stage（一阶段模型）和two-stage（二阶段模型)。二阶段模型首先被提出，主要包括rcnn211、fast-rcnn和 faster-rcnn。rcnn模型的提出是卷积神经网络在目标检测领域的一个飞跃，取得了巨大的成就，但是 rcnn存在占用资源大的缺陷，并没有被大范围的采用。因此,fast-rcnn和 faster-rcnn模型被提出,其中fast-rcnn解决了rcnn存在的重复特征提取问题，提高了检测速度。而faster-rcnn采用了rpn模块（全卷积神经网络）加 fast-rcnn检测模块的结构。rpn模块采用滑动窗口的方式来提取候选框,rpn模块的提出代替了费时的selectivesearch(选择性搜索)操作，大幅提升了检测速度，rpn模块是faster-rcnn 所做出的里程碑式的贡献。二阶段模型虽然拥有较高的精确度，但是在速度方面依旧需要改进，于是一阶段模型应运而生。yolo系列24是一阶段模型的代表，不像二阶段模型一样需要进行候选框提取，一阶段模型直接对整张图片进行回归和分类，因此一阶段模型比二阶段模型有更快的检测速度[5]。
4. 研究方案
设计一款无人机道路巡检系统，主要方案包括:完成与课题一致的开题报告一份;完成与设计有关的英文资料的翻译;根据设计指标集成现有无人机，摄像头，红外探伤等器件的选型及相关信号扩展电路设计，使各模块之间能够协同工作，完成无人机的飞行与系统探伤功能;根据设计指标要求完成对无人机道路巡检系统的硬件电路设计，包括单片机与检测调理电路的接口设计，单片机与摄像头的接口，单片机与无人机控制系统的接口，单片机与无线通信器件的接口;根据设计指标要求完成对无人机道路巡检系统的软件设计，包括信号输入处理模块设计，信号显示模块设计以及信号处理于控制模块设计;进行系统软硬件调试，分块进行，最后完成整体功能调试。
本文提出的可视化无人机道路巡检系统所用到的研究技术设计视觉导航智能控制算法，这是基于深度学习和最优估计理论对无人机采集到的路面中心标线信息进行检测跟踪，结合基于视频判决框比对的智能控制算法实现巡检无人机的智能自主飞行。开发相应无人机地面站app,实现对无人机的远程控制。
为了改善现有目标检测跟踪算法效率低检测速度慢的问题,提出一种新的目标检测跟踪算法应用到公路中心标线识别任务中,提升了无人机平台对公路中心标线的识别效果。设计了基于视觉导航的公路巡检地面站系统，系统在pc端模拟实验中实现了公路巡检自主视觉导航无人机远程控制，数据分析等功能。主要研究内容分为以下几个部分:第一，设计适用于自主视觉导航公路巡检无人机的目标检测及跟踪算法，采用基于深度学习的改进目标检测跟踪算法，根据视觉导航和机载gps信息，判断飞行状态，制定最优飞行控制策略，实现对无人机的智能控制。对改进目标检测算法和目标跟踪算法进行实验对比，验证文中提出算法的有效性。第二，基于android平台设计公路巡检无人机自主视觉飞行地面站app,地面站通过移动网络来对无人机进行操控，远程下达任务，预先设定目标航点航线信息，在无人机平台和地面站app间实时双向传输信息，实现无人机视觉循迹飞行功能。此部分内容主要在pc端模拟软件和地面站app平台中完成。第三，在工作站平台通过实际飞行与模拟飞行相结合的方式，对无人机视频中公路中心标线检测和跟踪功能进行测试，对无人机沿路飞行系统进行测试，判断其是否达到任务预期，并对路径偏移量、实际和预期航迹差距进行比较分析。
5. 工作计划
1、2022年11月，教师拟定多个设计课题。
2、2022年12月，教师指导学生选定设计课题。
3、2022年12月，教师下达设计任务书，理解题目，搜集资料完成任务书撰写。
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
