LCUT-Sv9：面向工业5.0的无人机辅助电力巡检框架与安全时敏通信

论文标题

中文标题：LCUT-Sv9：面向工业5.0的无人机辅助电力巡检框架与安全时敏通信
英文标题：LCUT-Sv9: UAV-Assisted Powerline Inspection Framework with Secure Time-Sensitive Communication for Industry 5.0

作者信息

Arun Kumar Sangaiyah（IEEE高级会员），Jayakrishnan Anandakrishnan（IEEE会员），Nguyen Khanh Son，Hendri Darmawan，Gui-Bin Bian（IEEE高级会员），Mohammed J. F. Alenazi（IEEE高级会员）
分别来自中国台湾云林科技大学国际人工智能研究生院、马来西亚双威大学、印度昌迪加尔大学、印度国家理工学院普杜切里分校、印度尼西亚电子工程理工大学、中国科学院自动化研究所多模态人工智能系统国家重点实验室、沙特阿拉伯利雅得国王大学计算机工程系。
通讯作者：Jayakrishnan Anandakrishnan (jaykrizz@gmail.com)，Gui-Bin Bian (guibin.bian@ia.ac.cn)

论文出处

IEEE Open Journal of the Communications Society
DOI: 10.1109/OJCOMS.2024.011100
当前版本日期：2024年1月11日

摘要

本文提出了一种面向工业5.0的无人机辅助电力巡检框架LCUT-Sv9，该框架集成了时间敏感网络（TSN）以确保数据传输的可靠性。该框架采用改进的轻量级Tiny-YOLOv9模型进行电力线检测，并利用基于自编码器的Latent-Coded UAV-IoT Transmission（LCUT）与MQTT协议进行时敏通信。通过在广泛使用的输电塔/电力线航拍图像（TTPLA）数据集上的评估，LCUT-Sv9在检测精度上比现有技术提高了24.15%。此外，LCUT通过减少约50%的编码数据量，确保了与TSN兼容的工业无线网络的严格要求。

1. 引言

稳定可靠的电力供应是工业生产和日常生活的重要前提。电力线传输是电网的骨干，定期巡检和维护对于确保其稳定性至关重要。传统巡检方法依赖于人工使用光学仪器，难以满足日益增长的电力线维护需求。工业5.0强调以人为核心，利用自主无人机系统进行无人巡检，逐渐取代传统方法。无人机巡检需要实时数据传输，这要求将TSN策略与工业无线网络集成，以确保数据传输的可靠性。然而，无人机传感器产生的大量数据带来了隐私、安全和高效传输的挑战。深度学习技术因其高性能和适应性，展现出解决这些挑战的潜力。本文提出了一种基于无人机的电力线检测框架，结合了先进的通信和轻量级检测模块，以满足工业5.0对安全、高效人机协作的要求。

2. 相关工作

数据压缩是通信系统中的关键技术，尤其是在工业物联网（IIoT）中，它确保了实时数据传输和高效带宽利用。近年来，深度学习在数据压缩方面取得了显著进展，通过减少图像数据量同时保留关键细节，提高了传输速度、安全性和隐私性。自编码器技术在图像压缩和去噪方面表现出色，通过提取输入数据的关键特征，创建用于高效传输的潜在表示，并在地面站重建数据。此外，无人机和物联网的发展显著改变了电力线巡检方式，但现有方法仍面临复杂背景和实时应用的挑战。因此，开发轻量级模型以实现高效处理和可靠通信是当前研究的重点。

3. 方法论

3.1 Latent-Coded UAV-IoT Transmission (LCUT)

LCUT框架通过将无人机采集的数据压缩为潜在表示，通过MQTT协议传输到地面站进行解码，确保了数据传输的可靠性和效率。LCUT的编码器使用卷积层将原始RGB图像和分割图压缩为低数据率的潜在表示，而解码器则通过一系列反卷积操作重建原始图像和分割图。LCUT的自编码器架构使用预训练的ResNet-18模型作为编码器，并定制解码器以实现图像重建。

3.2 Tiny-YOLOv9 模型

Tiny-YOLOv9是一种轻量级的实时电力线检测框架，基于YOLOv9架构进行了优化。该模型通过引入3D特征适应模块（3D-FAM）、卷积块注意力模块（CBAM）、坐标注意力模块（CAM）和深度可分离卷积（DWC）等模块，显著减少了参数数量，同时提高了检测精度。Tiny-YOLOv9在保持高检测性能的同时，显著降低了计算复杂度，使其适合在无人机上部署。

4. 实验分析与讨论

4.1 数据集与实验设置

实验使用了TTPLA数据集，包含从不同角度、时间和背景拍摄的输电塔和电力线图像。数据集分为训练集、验证集和测试集，图像分辨率统一为640×640像素。模型训练过程中采用了多种在线数据增强技术，以提高模型的鲁棒性和泛化能力。模型使用随机梯度下降（SGD）优化器进行训练，并采用YOLOv9的损失函数进行优化。

4.2 LCUT自编码器性能

LCUT自编码器在图像压缩任务中表现出色，平均压缩比率达到50%，显著减少了传输数据量。通过归一化交叉相关（NCC）评估，压缩后的图像与原始图像在外观上高度相似，表明LCUT在不丢失关键结构细节的情况下实现了高效的数据压缩。

4.3 与现有技术的比较

Tiny-YOLOv9在电力线检测任务中表现出色，其平均精度（mAP50）达到了61.63%，显著优于其他现有技术。该模型在边界框检测和掩码检测方面均表现出色，尤其是在掩码检测任务中，其性能优于其他YOLO系列模型。此外，Tiny-YOLOv9在模型复杂度和推理时间方面也表现出色，其GFLOPs和参数数量显著低于其他模型，同时保持了较高的推理速度（111 FPS）。

4.4 消融实验

消融实验结果表明，3D-FAM、CAM和CBAM等模块对Tiny-YOLOv9的性能有显著影响。去除这些模块会导致模型性能下降，尤其是在mAP50和F1分数上。这表明这些模块在特征提取和注意力机制方面发挥了重要作用，有助于提高模型的检测精度。

5. 结论

本文提出了一种面向工业5.0的无人机辅助电力巡检框架LCUT-Sv9，该框架通过集成LCUT和Tiny-YOLOv9，实现了高效、安全的时敏通信和电力线检测。实验结果表明，该框架在检测精度和数据传输效率方面均优于现有技术。未来的研究方向将集中在进一步优化轻量级检测模型，探索噪声环境下的通信影响，并将无人机检测技术与高效的通信模块相结合，以推动无人机技术在更多领域的应用。