无人机视觉下的输电塔线关键部件实时定位识别

传统的高压输电线路巡检由专职检修人员负责，其劳动强度大、危险性高且效率较低。目前，基于无人机视觉的高压塔线系统巡检技术由于其成本低、安全性高、不受空间限制及航程远等优势在电力行业中受到了越来越多的关注和应用。无人机电力塔线系统巡检的首要任务是对输电塔线及其关键部件进行识别定位。目前，机器视觉中常用的目标检测算法以浅层结构模型为主(支持向量机、回归算法模型、传统BP神经元网络等)。而浅层机器学习模型受限于其本身的特征学习能力限制，在复杂背景中的识别效果较为有限。深度学习虽然具有较强的特征学习分类能力，但绝大多数深度学习中需要大量的卷积和微分计算，计算强度大耗时长。目前常用的基于深度学习的目标检测算法如RCNN等虽然在识别准确率上高于浅层算法，但识别过程需要的计算时间长，难以满足实时检测的要求。本文使用了最新的YOLO3深度学习目标检测算法模型对输电塔线系统中的关键部件进行识别取得了良好的效果，同时，由于YOLO3内只使用单个卷积神经元网络核心对视频图像中的目标检测对象进行识别，其效率更高速度更快。通过测试发现，基于YOLO3模型的输电塔线系统关键部件识别平均时间在0.36 ms，完全达到了实时检测的要求。

现行的电力输电塔线系统的巡检主要是由检修人员人工作业完成，劳动强度大、耗时长、危险性较高且效率较低，而无人机电力系统巡检是一种以机器视觉为主的非接触式电力塔线系统检测技术，其主要优势是人力资源成本低、作业危险性小、易于操作、续航时间长、灵活高效等。因此，以无人机视觉技术为主的检测方法目前受到了越来越多的关注和应用。但目前，无人机主要还是负责对飞行路径上的塔线进行拍摄，将存储的图像和视频信息交由专业人员进行识别统计最终得到巡检报告，这种方法虽然提高了效率和安全性，但是还不是完全自主的智能化检测方法。因此，将机器视觉和人工智能技术应用在输电塔线系统无人机检测中，使无人机能够实时的对电力线路的目标部件进行有效识别定位将会极大的提高巡检的智能化水平和工作效率。

传统机器视觉中的识别定位方法中， 基于浅层机器学习算法如SIFT (Scale-Invariant Feature Transform)识别方法[1] [2]、结合HOG (Histogram of Oriented Gradients)和SVM (Support Vector Machine)等方法[3] [4] [5]主要基于图像中的边缘或纹理特征，这部分算法在背景环境相对简单，被测物边缘清晰的图像中取得了良好的效果[6]。在图像场景识别中，T. Yu 和R. Wang 提出了利用图像匹配进行场景解析的算法，并在街道视图下取得了良好的效果[7]。但无人机所拍摄的电力塔线图像中含有大量变化的环境背景信息，