縮進無人機智能巡檢系統(tǒng)分為PC端及移動APP端，PC端與移動APP端在網(wǎng)絡通暢的情況下，航線信息、巡檢任務信息、配置及巡檢運行數(shù)據(jù)將實時同步。移動APP端基于大疆SDK開發(fā)，并在巡檢領域深度定制，在風險可控的情況下立足于行業(yè)應用，為無人機智能巡檢提供更專業(yè)、高效的飛行控制策略。 縮進有機庫的情況下，設備、航線及巡檢任務的維護均由PC端執(zhí)行，并適時向機庫側(cè)下發(fā)無人機巡檢指令，無人機并按照預先規(guī)劃好的任務進行飛行拍照，實現(xiàn)全自動化巡檢。在無機庫的情況下，PC端下發(fā)巡檢任務，巡檢人員在APP端同步任務信息，按計劃執(zhí)行無人機飛行巡檢任務，也可根據(jù)現(xiàn)場狀況添加臨時任務，使巡檢任務即滿足高度計劃性又兼顧一定的靈活性。 縮進通過SDK可以訪問大疆的產(chǎn)品特性和功能。可以實現(xiàn)自動飛行，控制攝像機和云臺，接收實時視頻和傳感器數(shù)據(jù)，從產(chǎn)品下載保存媒體文件，以及監(jiān)控其他組件的狀態(tài)。結合無人機巡檢后臺系統(tǒng)的需求，查詢大疆SDK相關資料，對巡檢后臺系統(tǒng)的需求集成的SDK進行分析說明。 縮進大數(shù)據(jù)設備故障分析主要是指獲取大量設備狀態(tài)數(shù)據(jù)，基于統(tǒng)計分析、關聯(lián)分析、機器學習等大數(shù)據(jù)挖掘方法進行融合分析和深度挖掘，從數(shù)據(jù)內(nèi)在規(guī)律分析的角度發(fā)掘出對電力設備狀態(tài)評估、診斷和預測有價值的知識，建立多源數(shù)據(jù)驅(qū)動的電力設備狀態(tài)評估模型，實現(xiàn)設備個性化的狀態(tài)評價、異常狀態(tài)的快速檢測、狀態(tài)變化的準確預測以及故障的智能診斷，全面、及時、準確地掌握設備健康狀態(tài)，為設備智能運檢和優(yōu)化運行提供輔助決策依據(jù)。 縮進無人機熱斑定位分析軟件對無人機巡檢的光伏電站的可見光和熱紅外圖像數(shù)據(jù)，利用GPS及北斗衛(wèi)星定位地理信息、形態(tài)學分析，卷積神經(jīng)網(wǎng)絡等圖像處理等技術，進行綜合診斷分析，發(fā)現(xiàn)破損、遮擋、異常發(fā)熱等組件異常情況，并生成報告。 縮進數(shù)據(jù)處理單元為大數(shù)據(jù)調(diào)度平臺功能之一，預留數(shù)據(jù)處理功能，包括分布式任務調(diào)度、大數(shù)據(jù)批處理、高性能實時數(shù)據(jù)處理，深度學習和機器學習的模型輸入整合、樣本標簽、模型訓練及模型預測功能，以此為基礎實現(xiàn)數(shù)據(jù)整合、數(shù)據(jù)統(tǒng)計分析、故障診斷等高級應用。 縮進包括巡檢門戶、巡檢航線管理、巡檢任務管理、巡檢數(shù)據(jù)接口、巡檢報告及缺陷單管理、異常設備管理與數(shù)據(jù)分析等模塊。 縮進巡檢門戶將集成無人機視頻數(shù)據(jù)，當無人機進行巡檢時，對無人機巡檢視頻信息進行直播，無人機結束巡檢后將循環(huán)播放無人機的巡檢視頻。門戶界面會展示當前任務信息，包括任務線路、任務重要等級、任務進度、任務責任人等。可直接在集控中心選擇巡檢任務或任務執(zhí)行順序，啟動任務，無人機將自動從智能機庫起飛、拍照、降落、換電池、充電，按照預設的線路依次進行巡檢。 縮進巡檢航線列表按照不同的篩選條件對航線進行展示；通過增加航線關鍵點（坐標），并對關鍵點處的無人機姿態(tài)，云臺偏轉(zhuǎn)、俯仰、焦距的設定，實現(xiàn)航線的增加；可刪除廢棄或者不需要的巡檢航線，修改航線關鍵點處的無人機狀態(tài)指令實現(xiàn)航線的修改。 縮進巡檢任務可按照不同的篩選條件進行查詢，比如定期巡檢任務、臨時任務，不同的巡檢任務具有不同的航線，或不同的航線組合方式。新增巡檢任務即設定航線的組合方式，生成一個新的巡檢任務。任務管理模塊可對不需要的巡檢任務進行刪除、修改。 縮進通過巡檢數(shù)據(jù)借口，可獲取無人機機庫上位機系統(tǒng)廣播的視頻流數(shù)據(jù)，在巡檢門戶進行個性化展示?？梢韵驘o人機發(fā)送對應指令，與此同時也生成無人機庫指令，讓無人機庫與無人機進行協(xié)同配合完成任務的下發(fā)。 縮進 巡檢報告管理： 巡檢報告分為全自動化巡檢報告，以及人工錄入巡檢報告。包括報告時間、巡檢描述等，也可對巡檢報告進行刪除和查詢。 縮進 缺陷管理： 對巡檢發(fā)現(xiàn)的缺陷進行管理，包括缺陷自動生成、缺陷錄入、缺陷刪除、缺陷查詢。 縮進 通過大數(shù)據(jù)調(diào)度工具對運行數(shù)據(jù)進行分析，自動對異常信息進行篩選和驗證，也可人工校核異常信息，對異常設備問題進行長期跟蹤。包括管理設備編號，設備異常發(fā)生時間，設備處理人員，異常處理結果長期跟蹤。 縮進 長期對異常狀態(tài)統(tǒng)計，累積異常數(shù)據(jù)結果，分析異常緣由（機器學習樣本累積），如圖綠色為正常（張樣本），黃色為異常（負樣本），獲取足夠的樣本后可進行機器學習，提取故障信息特征，包括圖像特征和運行參數(shù)特征。