经过对比目前市场飞行性能较为优秀的固定翼无人机，最终选定了TALON mini这款机身轻便，机舱容量大，飞行性能优异，且便于改装的机型。基于该固定翼无人机平台进行改装，对机翼进行轻量化加固，截取合适尺寸的碳纤维骨架并加装四旋翼系统，使其位置合理分布在飞机重心上，再对整个系统的线路、各部件重量分布进行优化，最终完成复合式无人机平台的搭建，如图1。

针对复合式无人机，将飞行过程设计为5个阶段：

1) 四旋翼垂直起飞阶段：四旋翼电机启动，依靠四旋翼的推力进行垂直起飞，此时尾推电机不工作；

2) 垂直起飞–平飞转换阶段：无人机依靠四旋翼系统稳定在特定高度点，尾推电机启动并进入最大功率状态，螺旋桨向无人机施加最大推力，使飞机在最短时间达到预定转换速度，接着四旋翼电机停止工作；

3) 固定翼平飞阶段：无人机仅依靠尾推电机进行飞行，实现起飞点–作业区转移飞行，任务巡航，任务区作业，任务区–着陆点返回飞行。到达着陆起始区域后减速到预定转换速度；

4) 平飞–垂直着陆转换阶段：与2)过程基本相反；

图1. 复合式无人机平台

5) 四旋翼垂直着陆阶段：与1)过程基本相反。

本文搭建的复合式无人机采用烧录了PX4自驾仪平台的Pixhawk飞控板。PX4平台采用了双闭环的PID控制策略，其中，外环采用了角度控制，飞行姿态的倾斜角度值是经过滤波器和姿态解算后得到的欧拉角，有一定延迟且误差较大，因此单闭环无法实现姿态控制过程。所以PX4还引入了内环控制，即角速度控制，角速度由飞控内置的陀螺仪直接测量得到，响应快，误差小。如图2。

图2. PX4双闭环PID控制策略

经过多次试飞，并根据飞行日志对参数不断整定，最终获得达到预期飞行效果的参数，以下是部分参数：

整个飞行实验包括起飞，巡航和降落三个飞行过程。其中巡航过程又包括了多旋翼飞行，飞行模式转换阶段和固定翼飞行三个飞行阶段。图3和图4展示了复合式无人机的部分飞行过程。

图3. 四旋翼垂直起飞

图4. 四旋翼–固定翼转换阶段

图5. 飞行基本信息

图6. 俯仰角速度曲线图

图7. 滚转角速度曲线图

图8. 偏航角速度曲线图

图5为此次飞行实验的基本信息。图6、图7和图8分别是飞行实验中无人机的俯仰，滚转和偏航角速度曲线图。整个飞行过程包括：飞机在手动模式下垂直起飞，25秒到达预定高度，启动自稳模式并转为固定翼模式进行飞行，期间完成了较大幅度的俯仰、滚转以及偏航动作来测试飞行性能，1分20秒切换回四旋翼模式进行降落，整个飞行实验结束。根据实际飞行的目视效果以及对飞行日志的分析，无人机始终可以保持良好的飞行稳定性，在执行大幅度实验动作也可以保证飞行的稳定。由此可见，在经过参数整定后，复合式无人机的飞行性能达到了预期。

输电线路由于终年暴露在外，除了要遭受恶劣天气的侵袭外，各种施工、违法、违章行为引发的输电线路跳闸、倒杆等外力破坏事故也呈逐年上升的趋势，严重威胁输电线路的安全稳定运行 [5]。随着国家电网对输电线路的供电可靠性要求越来越高，防外破工作已纳入各大电力公司的常态管理。将复合式无人机应用于输电线路监测，弥补了多旋翼无人机续航短，普通固定翼需要大型起降场地的不足，为防外破工作找到了一条新的技防措施。

通常情况下，无人机在对输电线路执行巡视任务时，会拍摄大量的照片，如果仅靠人工进行识别分类，工作量很大。因此需要一种快速有效的图像分类方法对巡视照片进行识别和分类。

近年来，深度学习在计算机视觉领域中得到了很大的发展，基于深度学习的图像分类方法相比于传统的图像分类方法，能够通过深层架构自动学习图像特征，显著提升了图像分类效果 [6]。而卷积神经网络是深度学习的研究热点之一。

卷积神经网络是以人工神经网络为基础，卷积层中输出特征图的各个基础单元可以与对应的输入局部相连，接着进行加权求和并加上偏置值，从而获得其输入值，这个过程同卷积过程相似度极大，故而被称为卷积神经网络。随着相关理论知识的丰富以及计算机硬件设施的不断发展，卷积神经网络也顺势获得了快速突破，取得了一定的成果，并在计算机的相关领域被大量应用，成为了深度学习中最具有代表性的算法之一 [7]。其主要组成部分有：卷积层、激活函数、池化层和全连接层 [8]，网络结构如图9。

图9. 卷积神经网络示意图 [9]

在输电线路外力破坏类别中，因泵车、起重机等大型机械在线下施工引起线路安全距离不足产生放电导致线路跳闸的事故，以及大型鸟类在铁塔上筑巢排便导致相间短路而威胁线路安全运行的案例占很大比重，因此本课题将选取大型施工机械和大型鸟类的照片作为数据集，其中训练集大型机械和鸟类各1000张图像，另外选取各500张图片作为测试集，其中部分照片如图10。

图10. 数据集

过拟合问题是深度学习在神经网络训练过程中经常遇到的问题。所谓过拟合，是指模型对训练集数据拟合很好，识别正确率高，而对未学习过的数据集拟合并不好，泛化能力较弱，与训练集的识别正确率差距较大。因此，采用测试集来验证神经网络是很有必要的。

本文采用了基于VGG16的卷积神经网络的网络结构，使用自建的数据集训练该网络，采用tensorflow下的Dataset方法处理数据，利用shuffle方法对图片作乱序处理，batch大小设置为32。VGG16网络中与卷积层相连接的为Flatter层，本文采用GlobalAveragePooling2D层与之相连接。

将全部训练数据训练一次为一个周期(epoch)，经过40个周期后，训练过程的准确率和损失值变化情况如图11。

图11. 原始网络训练效果

可以看到，在20个训练周期前，测试集的准确率会随训练集的准确率一同上升，损失值一同下降，此时准确率为91.43%，损失值为0.2252。之后训练集准确率继续上升，损失值也继续下降，但是测试集准确率上升幅度很小，损失值下降幅度无明显变化，且出现大幅波动，甚至有上升趋势。说明网络已经过拟合，泛化能力偏弱。

为了获得更好的图片分类性能，本文采用了图像增强策略来对数据进行预处理，并添加Dropout层和Batch Normalization层来优化网络结构。优化后的网络结构如图12。

图12. 网络结构

在训练前采用图像增强策略，并使用优化好的网络对自建的数据集进行训练，经过60个周期后，训练过程的准确率和损失值变化情况如图13。

图13. 新网络训练效果

可以看到，在整个训练过程中，测试集的准确率会随训练集的准确率一同上升，损失值一同下降，训练过程中测试集最大准确率达到了94.56%，优于此前的91.43%，损失值为0.1960，优于此前的0.2252。说明新的网络模型性能大大优于原有的模型。