王昊　丁國斌　楊家慧

摘要：針對輸電線路無人機巡檢實時性和準(zhǔn)確性的要求，深入研究了YOLOv3目標(biāo)檢測算法在無人機巡檢機載AI模塊中的應(yīng)用。利用將目標(biāo)檢測候選區(qū)選取和對象識別合二為一的YOLOv3算法，結(jié)合多尺度特征融合方式實現(xiàn)了目標(biāo)檢測的高準(zhǔn)確性和實時優(yōu)化，并采用殘差塊解決了模型退化問題。輸電線路絕緣子檢測結(jié)果表明：YOLOv3算法平均精度可達90%，相同條件下YOLOv3算法平均處理速度約為Faster RCNN算法的3.2倍，約為SSD算法的1.6倍。

關(guān)鍵詞：無人機巡檢；目標(biāo)檢測；圖像識別；多尺度特征融合；殘差塊；輸電線路；實時性

中圖分類號：TM744 文獻標(biāo)志碼：A 文章編號：1000-1646（2024）01-0049-05

隨著計算機技術(shù)的發(fā)展，利用無人機巡航結(jié)合圖像識別算法的目標(biāo)檢測技術(shù)在城市規(guī)劃、應(yīng)急搶險、工程建設(shè)、森林防火、電力巡檢等領(lǐng)域獲得了廣泛應(yīng)用。在電力線路巡檢中搭載AI模塊的無人機可對輸電線路進行目標(biāo)檢測和故障識別，有效降低人工成本和勞動強度。AI算法的推廣和應(yīng)用使得無人機巡檢在輸電線路缺陷自動檢測和判斷準(zhǔn)確性、實時性上均有顯著提升，進一步提高了輸電線路巡檢工作效率，保證了電網(wǎng)的安全、穩(wěn)定運行。

國內(nèi)外學(xué)者對無人機圖像識別與巡檢技術(shù)開展了廣泛研究。王萬國等通過優(yōu)化提取目標(biāo)區(qū)域以及改進分類器方式，研究了卷積神經(jīng)網(wǎng)絡(luò)（CNN）在電力巡檢部件檢測中的應(yīng)用。郭敬東等采用一種基于深度學(xué)習(xí)算法的實時目標(biāo)檢測方法，實現(xiàn)了多種環(huán)境下多種尺度目標(biāo)檢測，最高檢測速度可達30幀／s。潘翀等在分析散射變換原理和卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，對低通濾波器進行散射系數(shù)處理并利用Gram矩陣算法降低噪聲干擾，使得絕緣子串的實時定位性能（召回率）與傳統(tǒng)SSD網(wǎng)絡(luò)框架相比提升了1.04％。張德欽等基于最大類間差分方法進行閾值切割，實現(xiàn)了無人機巡檢過程中自爆絕緣子的識別和定位。顧超越等研究了一種將深度殘差網(wǎng)絡(luò)ResNet101作為前置特征的網(wǎng)絡(luò)無人機巡檢架空線路缺陷檢測技術(shù)，其測試精度可達93.6％。

卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于圖像識別的魯棒性，但無人機巡檢除了要求性能穩(wěn)定外，還需要滿足實時檢測需求。因此，本文研究了含有YOLOv3圖像識別網(wǎng)絡(luò)模型的多旋翼無人機AI模塊在無人機電力線路巡檢中的應(yīng)用。針對電力巡檢中準(zhǔn)確性和實時性要求對圖像識別算法進行優(yōu)化，進一步提升圖像處理速度，實現(xiàn)檢測結(jié)果的實時回傳和檢測報告的自動生成。

為了進一步驗證YOLOv3算法的適用性，選取11942張電力巡檢圖像作為訓(xùn)練集、1916張圖片作為驗證集進行目標(biāo)檢測和故障識別，檢測結(jié)果如表2所示。

由表2可知，對于不同檢測目標(biāo)和常見故障類型，YOLOv3算法具有廣泛適用性。各類檢測目標(biāo)的平均精度指標(biāo)高于79%，召回率大于82%。

3 技術(shù)應(yīng)用

集成YOLOv3算法的無人機機載AI模塊實現(xiàn)了無人機巡檢過程中目標(biāo)識別的實時性和準(zhǔn)確性，利用識別結(jié)果可以在巡檢過程中自動實現(xiàn)巡檢報告的生成，其流程如圖3所示。

無人機巡檢前需要設(shè)置航線和航點，巡檢過程中由機載AI模塊對視頻圖像進行實時處理。若檢測到故障信息，則根據(jù)識別到的缺陷類別和缺陷置信度來判斷是否需要將識別到的目標(biāo)上報為缺陷。典型缺陷報告包含線路名稱、巡檢區(qū)段、巡線方式、桿塔編號、缺陷等級、缺陷描述和缺陷圖片等內(nèi)容。圖4為220kV東道甲線中N2號桿塔在可見光環(huán)境下拍攝的現(xiàn)場圖片以及生成的巡檢報告。

對于置信度大于閾值的缺陷目標(biāo)，目標(biāo)識別結(jié)果包括目標(biāo)位置、目標(biāo)類型和目標(biāo)置信度，以列表形式保存并將內(nèi)容填充到巡檢報告文檔中。對于小于閾值的目標(biāo)，將該圖片的目標(biāo)位置、目標(biāo)類型及目標(biāo)置信度等信息回傳至服務(wù)器進行再次推理并生成服務(wù)器端巡檢報告，從而實現(xiàn)輸電線路的無人機智能化巡檢。

4 結(jié)論

本文研究了YOLOv3目標(biāo)檢測算法在無人機巡檢機載AI模塊中的應(yīng)用效果，獲得如下主要結(jié)論：

1）以輸電線路絕緣子檢測為例，YOLOv3算法的平均精度超過90％；相同條件下YOLOv3算法的平均處理速度約為Faster RCNN算法的3.2倍，約為SSD算法的1.6倍。

2）針對不同檢測目標(biāo)和常見故障類型，YOLOv3算法的平均精度指標(biāo)高于79%，召回率大于82%。

（責(zé)任編輯：尹淑英 英文審校：尹淑英）