机器视觉在无人机巡线中的应用综述

张兆云，黄世鸿，张 志

(东莞理工学院电子工程与智能化学院，东莞 523808)

电力的稳定供给是保证人们生活生产稳定发展的关键因素，因线路故障导致的大规模停电事件将造成严重的经济损失[1]。由于输电线路中各设备的工作环境极其恶劣，积年累月地受曝晒、酸雨、冰冻及台风的影响，在使用期限内可能会出现故障情况。为了防止由于电力设备发生故障而导致大规模停电现象，需要定期对输电线路进行检测，及时更换受损的设备。对输电线路的检测方式主要有人工巡线、人直升机巡线、机器人巡线以及无人机巡线。人工巡线的方式不仅成本高效率低，而且容易威胁检修人员的人身安全。载人直升机巡线虽然工作效率高，但对操作人员技术水平要求很高[2]。机器人巡线虽然续航时间长、无巡视盲区，但因其自身重量会对电力线造成一定的损伤[3]。无人机具有工作成本低、易操作、作业风险低等优点，所以采用无人机巡线方式能有效降低电网运营成本和提高巡检工作效率。无人机巡线现已成为输电线路巡检的重要手段之一。

机器视觉是设备通过算法模拟人的视觉进行工作，应用于不适合人力作业的危险场景以及人眼难以鉴别的工作中。电力巡线中的视觉处理技术主要包括图像增强、图像分割、图像拼接、图像分类以及视觉导航。基于机器视觉的无人机巡线工作过程为无人机搭载摄像设备(光学、遥感、红外)，利用机器视觉技术对检测目标进行目标的识别、定位拍摄以及故障判断。随着计算机水平的发展，依托于深度学习的人工智能算法在电力系统的应用中取得很好的效果[4]。研究人员提出了一系列针对输电线路无人机巡线的视觉检测方法，并在计算机仿真和实际应用中取得很好的成果。

1 无人机巡线

1.1 工作方式

输电线路的无人机巡检系统工作方式如图1所示[5-6]。输电线路检测目标主要是输电线、电塔部件、输电线路走廊环境。无人机巡线平台主要由无人机平台和地面工作站组成，地面工作站负责对无人机的工作进行规划以及接收无人机的监测数据，无人机则搭载检测设备对输电线路进行检测。地面工作站由天线和工业计算机组成，可分为手提式工作站和车载式工作站。

电力巡线无人机平台可分为小型多旋翼无人机、无人直升机及固定翼无人机。固定翼无人机具有飞行速度快，巡检范围广的优点，能够快速地对线路进行大范围的检测。固定翼无人机在巡线工作中飞行速度在100 km/h左右，每天的有效巡检里程可达200 km[7]。固定翼无人机的缺点是对起飞场地要求很高，且巡线工作时只能从单一的角度拍摄。无人直升机具有巡检范围较广、可对线路进行不同角度拍摄的优点。彭向阳等[8]以国产Z-5型无人直升机飞行平台研制的电力巡检无人直升机系统已投入示范性使用。该系统单架次巡检线路长度超过 60 km、飞行时间可达3 h。小型多旋翼无人机具有小巧灵活的优点，适用于高架线路电塔的精细化检测。汤坚等[9]以大疆Matrice 600 Pro多旋翼无人机作为飞行平台，采用大疆SDK(software development kit)开发智能操作系统，研发面向电网巡检的无人机系统。国电南瑞推出的小型旋翼无人机巡检系统可实现5 km范围内线路的自主检测，而且整套系统只有拉杆箱的大小，能快速进行设备安装。小型多旋翼无人机缺点是续航能力差，每次工作只能检测二三座电塔。

图1 无人机输电线路巡检的工作方式Fig.1 The way of unmanned aerial vehicle patrol transmission line

1.2 系统组成

无人机巡线系统可分为导航系统、通信系统、飞控系统以及检测系统。导航系统除了负责无人机的飞行导航外，还需记录所拍摄巡检图片的位置。检测系统可根据定位信息进行图像地理位置分类并识别出所检测部件的地理位置。全球定位系统(global positioning system，GPS)具有定位迅速的优点。但是民用GPS定位开放的精度较低而且容易受到天气、地形的影响。无人机巡线工作中通常采用差分定位技术提高定位精度[10]。当定位信号受影响时可通过视觉导航技术进行辅助导航，视觉导航是利用电力线周边的固定标志物以及无人机运动状态等信息进行跟踪导航。文献[11]以电塔为参考，计算图像中电力线的消失点作为无人机的导航方向，通过点集的配准模型感知与电力线距离的变化实现巡线无人机的视觉导航。

无人机飞行状态的稳定性是保证拍摄图像清晰度的关键因素之一。无人机在巡线工作时可能会遇到强风等威胁安全运行的情况，需要飞控系统及时调整飞行状态。飞控系统通过无人机自身的检测设备判断飞行状态，并通过调节各螺旋桨的转速实现无人机巡检工作中的各种飞行需求。为了提高无人机在输电线路复杂环境下的飞行稳定性，常采用的控制方法有PID(proportional-integral-derivative)控制、鲁棒控制、自适应控制[12-14]。

巡线无人机的通信系统主要用于无人机与地面工作站的通信。主要通信信息为巡检实时图像、无人机位置信息和运行状态、工作站对无人机的控制信息等。地面工作站可控制多无人机协同工作，文献[15]通过双机协同通信将两无人机分为一组实现“一站四机”的高压输电线路巡检模式。无人机巡线工作中常见的通信方式有工作站无人机直连，卫星中继、无人机中继、无线网络通信等[16-18]。直连通信方式通信范围小，只能用于小型多旋翼无人机的精细化检测。卫星中继方式可以实现长距离的通信，但是这种方式延迟高，信号容易中断。无人机中继的优点是布置灵活、稳定性高，是目前无人机长距离巡线的最优通信方式之一。无线网络具有传输带宽高的优点，能够实时传输高清视频信息。但无线网络在偏远山区的覆盖不完全，可能会影响这些地方的无人机巡线工作。

基于机器视觉的巡线无人机的检测系统即是视觉检测系统，是无人机巡线系统最重要的一部分。视觉检测系统主要分为图像获取模块和图像处理模块。图像获取模块主要有光学成像、红外成像以及雷达成像。光学成像常用于设备表面故障检测，红外成像则用于设备温度测量，雷达成像具有不受光照雾霾影响的优点，主要用于电力线及周边环境的检测。图像处理模块主要负责对获取的图像进行设备识别并检测故障。巡线工作中常用于图像实时处理的计算单元主要分为DSP(digital signal process)、ARM(advanced RISC machines)、FPGA(field programmable gate array)及GPU (graphics processing unit)，它们在图像处理的计算中各有优势。DSP具有专门的硬件乘法器和累加单元，能在同一个时钟周期内完成加法和乘法的操作。可采用ARM负责事务管理，DSP负责图像计算的方法用于图像的实时处理[19]。FPGA具有低功耗、并行计算能力强的优点，可用于加速基于深度学习的图像处理[20-21]。但FPGA开发过程十分困难，需要开发者对底层的门电路进行设计。GPU具有高效的并行性以及高密集的计算处理能力，是专门针对图形计算的处理单元。大多数神经网络由GPU训练获得采用GPU作为深度神经网络图像处理的运算单元具有较好的移植性[22]。

2 图像预处理

无人机对电力线路进行高空拍摄时，会受到抖动、光照、复杂背景等因素的干扰。这些干扰因素将直接影响巡线工作中目标检测的效果。图像预处理主要目的是通过消除干扰噪声、去除复杂背景及拼接图像，获得适用于目标检测的图像。图像预处理方法主要有图像增强、图像拼接及图像分割。

2.1 图像增强

图像增强的目的是消除噪声及对比度对图像质量的影响，常用的方法是图像滤波和直方图均衡化。图像滤波方法可以消除图片中的各种噪声进行图像的增强，直方图均衡化的方法能够消除由对比度产生的影响[23-24]。

2.1.1 图像滤波

为了除去影响目标识别和故障检测结果的噪声，需要采用图像滤波处理去除噪声。滤波的方法分为空间域滤波法和频率域滤波法。空域滤波法大多是使用滤波模板直接对图像进行处理，常见的滤波模板由均值滤波、中值滤波和维纳滤波。文献[25]根据电力线的局部灰度分布特征设计新型的滤波模板，用方向滤波结果进行图像的自相关增强。文献[26]提出了改进的双边滤波器用于消除图像的高光区域，其原理是通过将漫反射分量的像素点和镜面反射的像素点分离并对其分别做最大漫反射色度估计，以最大漫反射色度作为双边滤波的值域进行去噪。空间域滤波只需采用滤波模板对图片像素进行处理，具有实现简单、处理速度快的优点。但是空间域滤波的缺点是会造成图像细节的丢失，并且不适用于多种混合噪声的去除。

频率域滤波是将图像经过一系列变换转到频率域中，在频率域中做处理后经过反变换得到滤波后的图像，常见的变换方式有傅里叶变换和小波变换。图像的频率表征灰度变化的剧烈程度，通过在频率域进行高通滤波可实现图像边缘增强，低通滤波可消除高频噪声。文献[27]采用稳定小波变换和离散小波变换的高低频分别结合起来，然后只对低频部分进行自适应直方图均衡化进行图像增强。文献[28]采用小波变换分离成不同频率成分的子带图像，然后对低频子带图像灰度变换处理, 高频子带图像进行降噪处理实现图像的增强。频率域滤波的优点是能解析空间域滤波不能解析的某些性质，能够简单地完成空域滤波中难以完成的滤波任务。但是基于频率域滤波的图像增强步骤繁杂且处理速度慢。

2.1.2 直方图均衡化

直方图均衡化的原理是先将RGB (red-green-blue)图像转化为灰度图像，然后将图像的灰度进行分级,分级范围[0,L-1]，然后统计该灰度在图像中出现的概率。灰度直方图可表示为

(1)

式(1)中：rk为第k级灰度范围；P(rk)为在第k级灰度范围的所含像素点与总像素点的占比；MN为图像像素总数；nk为第k级灰度像素个数。在较暗的图像中像素点大部分集中在灰度较低的地方，较亮的图像像素点大部分集中在灰度较高的地方中。将图像中像素个数多的灰度级进行展宽，对像素个数少的灰度级进行缩减得到灰度均匀分布的图像。文献[29-30]利用直方图均衡化的方式消除因光照不均匀情况、加强图像的对比度。直方图均衡化的优点是能够快速地去除图像受光照的影响，能对图像进行直观的分析，并且具有可逆性，能逆处理还原回原图像。但在灰度直方图均衡化的过程中会导致灰度级的减少，造成图像细节信息的丢失。

2.2 图像拼接

由于无人机飞行高度、距离以及搭载摄像机的性能限制，通常不能拍摄到电力线和电塔的全景图像。为了获得用于检测的全景图像，需要采用图像融合技术将巡检图片进行拼接融合。

图像拼接首先是找出每幅图像中的特征点(Sift、Surf、Fast)，利用根据这些特征点的属性相似度进行一一匹配，删除没有匹配成功的特征点，然后对图像进行透视变换并根据匹配好的特征点拼接实现多幅图像的融合。文献[31-32]采用Sift特征点作为匹配点进行图像的拼接。此类特征点的特征与图片大小和旋转无关且不受光线噪声的干扰，能够对不同尺度不同角度的图像进行拼接融合。但是对匹配度阈值的设置和匹配点的敏感度很高，一旦出现错误的匹配点将导致拼接后图像过度失真。文献[33]在Surf特征点的提取过程中加入边缘检测和BRISK(binary robust invariant scalable keypoints)二值描述，生成边缘Surf-BRISK特征点后采用层次聚类方法进行图像拼接。这种方法在具有较高的融合速度，同时保证了拼接的正确率。文献[34]改进了ORB(oriented brief)特征点图像的匹配拼接算法，采用渐进LMedS算法消除虚假匹配并通过多波段融合算法对匹配图像进行融合。这种方法大大提高了特征点匹配图像拼接的正确率。

2.3 图像分割

图像分割的目的是目标与背景分割开来，消除复杂背景的干扰并提取出用于目标检测的图像特征。输电系统巡检图像常用的图像分割方法是聚类分割和边缘分割。

2.3.1 聚类分割

聚类分割是将图像中的像素用特征空间的点表示，然后根据这些点在特征空间的聚集进行分割，最后将其映射回原图空间得到分割结果。K均值在聚类分割算法中具有较好的分类效果，文献[35]分别用EM(expectation-maximization)和K均值将图像分为K个簇，然后计算DBI(davies-bouldin index)，最后找出最佳簇数并将K个簇合并为两个簇(电力线像素和非电力线像素)。对比实验证明K均值分割效果更好。K均值是一种可迭代的聚类算法，其步骤是先将数据分为K组，在每组中选取一个对象作为聚类中心，将每个对象分配到离它最近的聚类中心。文献[36-37]采用基于K均值的聚类算法进行图像聚类分割，实现电力设备的识别。该方法的优点是收敛速度快，分割效果好，需要调节的参数只有K。其缺点是对参数K的估计难以把握，受异常点和噪声的影响较大，并且采用迭代聚合的方法只能得到局部最优解。文献[38]针对绝缘子检测图像定位不准确的问题，提出了一种基于K均值聚类的绝缘子子段分割算法。其原理是将RGB图像转化为HIS(hue-saturation-intensity)，分别在H和S空间采用K均值算法进行分割，最后采用Otsu对分割进行二值化。

2.3.2 边缘分割

边缘检测是标识亮度变化明显的地方，边缘分割的基本原理是先通过边缘检测确定边缘像素点，然后将这些点连接起来构成所需要区域的边界。文献[39-40]分别利用Canny和Sobel算子对输电线进行边缘检测，然后采用基于Hough变换的方法实现电力线的提取。边缘分割的优点是可以剔除大量不相关信息并保留图像重要结构属性。但是边缘检测容易受到图像各种混合噪声的影响。为了获得较好的分割效果，文献[41]则先通过直方图均衡化处理改善对比度，使用参数自由EDPF(earliest deadline and processing time)算法对航拍图像进行边缘检测，最后Radon变换和先验知识完整提取出图像中的电力线。文献[42]提出了一种基于双奇偶形态学梯度的边缘检测算子。这种算子的优点是能消除图像分割中双棚绝缘子上、下护栏之间的模糊区域和防止图像过度分割。文献[43]融合了边缘检测算子Log与形态学的方法进行图像分割，其原理是灰度化图像后用Log算子提取边缘，然后采用数学形态学将没有孔的区域聚成点，有孔的区域聚成边缘，然后去除独立的点实现除去噪声并实现图像的分割。这种方法优点是可以消除高斯噪声。

3 线路巡检目标检测方法

3.1 检测目标

目标检测的目的是检测线路中各元件是否存在威胁输电系统正常运行的故障。输电线路中检测目标以及对应的故障内容如表1所示。

表1 输电线路检测目标

对于设备表面有明显的缺陷特征的故障一般采用光学成像检测，主要有电力线的散股、覆冰、异物，绝缘子的自爆、污秽，金属类设备的锈蚀，架高塔鸟巢、螺栓脱落等。红外成像主要用于电力设备温度的检测。激光点云成像常用于输电线及其走廊环境的检测。激光点云成像不受大雾、光照的影响，而且覆盖范围广能进行高精度的三维测量。目标检测的目的是对输电线路检测目标进行识别、定位及故障判定。针对这些目标检测方法主要有形态学检测、机器学习分类器检测、深度神经网络检测。

3.2 形态学检测

形态学检测主要原理是通过设备的形态特征设计数学模型判断其是否故障。主要用于电力线的变形(弧垂)、绝缘子的自爆以及输电线走廊内的危险情况的检测。

针对电力线弧度的测量，仝卫国等[44]提出了基于航拍序列图像的测量方法。其原理是根据不同角度拍摄的图片、相机焦距及拍摄位置等信息构建输电线路的三维曲线方程。这种方法的优点是不受复杂背景的干扰，但是会因无人机拍摄位置和拍摄设备焦距的误差导致输电线弧垂的测量误差较大。Wang等[45]提出了基于单一航空影像的输电线的弧垂测量方法。其原理是在电力线二值图像中提取特征点并测量其像素坐标，然后将输电线拟合为曲线方程，最后利用激光测距得到图像距离与实际距离的对比建立输电线的空间模型，获得其弧度。这种方法能有效避免因摄像头焦距引起的误差。

针对输电线路树障的检测，Zhang等[46]提出了基于激光雷达的线路树障检测方法。其原理是先在激光点云图像中识别出树木，然后测定树木与电力线的最短距离并结合树木生长周期对线路安全进行预警。此类方法具有不受光照、雾霾影响的优点，能对线路走廊内的树障进行准确定位，但是需要处理大量的点云数据。Chen等[47]根据双目视觉原理测距的原理测量电力线与树木之间的距离。与雷达点云方法相比，这种方法需要的采集量较少检测速度快，但精度不如激光点云测量。

图2 卷积神经网络结构图Fig.2 Structure diagram of CNN

对于玻璃绝缘子自爆的检测，Zuo等[48]采用训练分类器方法识别出绝缘子，并进行图像分割获得二值图像，通过图像旋转获得垂直的绝缘子二值图，最后采用统计像素的方式定位缺失绝缘子的位置。陈文浩等[49]则在提取出二值图像后将绝缘子串拟合为斜率为K的直线方程后通过统计像素的方法定位缺失绝缘子。此类方法的优点在于自爆绝缘子的定位准确度很高，但是无法判断绝缘子像素少于阈值的区域是因为绝缘子自爆还是因为受到物体遮挡导致的。

3.3 基于SVM的检测

支持向量机(support vector machine，SVM)是一种对数据进行二元分类的有监督机器学习算法。其原理是将低维不可分的类转换到高维中，然后找到能将训练样本分为两类的超平面，并使其与正负样本的几何间距最大。

基于SVM的故障检测原理是先对图像进行特征提取，并采用图像特征训练SVM分类器，通过SVM分类器进行图像分类实现目标的检测。文献[50-51]通过图像的HOG(histogram of oriented gradient)特征构建SVM分类器，实现输电线路电力部件的分类识别和故障检测。文献[52]设计了基于颜色特征和最小二乘支持向量机模型，通过建立污秽等级与颜色特性的对应关系来实现绝缘子污秽等级的识别。SVM分类器的优点是能在小量训练样本的支持下达到较高的分类正确率，且具有泛化错误率低、可解决高维问题等优点。但是经典的SVM分类器属于二类分类器，并不适于解决多类分类问题。基于图像分类的检测大多数属于多分类问题，所以必须对经典的SVM进行改进。文献[53]提出了SVM用于大规模图像分类问题的解决方法，首先利用非线性核函数的线性回归来逼近学习过程中的梯度计算。其次，利用非对称解释变量函数，提出了一种适用于所有加性核的幂平均支持向量机(PmSVM)算法。这种方法具有更高的学习速度和判断正确率。

3.4 基于CNN的检测

卷积神经网络(convolutional neural networks，CNN)是图像分类中应用最广泛的深度学习神经网络。基于CNN的图像检测法同样采用图像分类的方式进行目标检测，图2所示为用于电力设备图像识别的CNN结构图。CNN分为输入层、隐含层(卷积层和池化层)及全连接层。卷积层的作用是提取图片的特征，池化层作用是减少全连接层的节点个数。全连接层是一种多分类神经网络，其每一层由大量神经元组成的平铺结构，全连接层的最后一层负责输出数据。

文献[54]采用基于CNN的分类器对输电线路设备进行分类识别实现无人机的目标定位。文献[55]采用CNN网络分类检测图像中是否有电力线。文献[56]提出基于CNN的分类检测模型，用于判断绝缘子的种类和故障。卷积神经网络具有共享卷积层能处理高维数据的优点，分类的正确率和检测速度较高。但是卷积神经网络需要大量样本数据训练支持，池化层会丢失大量有价值的信息使局部与整体的关联性较差。为了提高CNN的检测精度，文献[57]利用 IBP(india buffet process)机制进行参数自调整优化，构建了基于IBP-CNN的覆冰图像厚度辨识方法。文献[58]在CNN网络中引入预训练和重叠池提高图像分类的准确性，用于诊断电力设备的是否损坏。

3.5 基于RCNN的区域目标检测

区域目标检测目的是在图像中定位出目标位置并对其进行分类检测，在无人机巡线中通常于无人机视觉导航、目标图像的获取以及故障的判定。Girshick等[59]提出的基于区域的卷积神经网络(RCNN)方法，现已成为深度学习中区域目标检测的典型方案。区域目标检测的步骤是先提取候选框，然后对候选框中的图像进行提取特征分类，最后回归特征框。RCNN采用Selective Search先提取候选框，将这些区域缩放成同一大小的图片后放入卷积神经网络中进行特征提取。然后使用SVM进行分类，通过非极大值抑制输出结果。这种方法的缺点是运算复杂且检测速度慢。为了加快检测速度，研究者相继提出了Fast RCNN和Faster RCNN。Faster RCNN在RCNN上不仅加入了ROI层把输入网络的特征图从固定尺寸改为任意尺寸，还使用卷积神经网络代替SVM进行分类。Faster RCNN则引入RPN(region proposal network)网络，将所有的步骤均在卷积神经网络中完成。

图3是Faster RCNN的训练过程，训练RPN时，先使用预训练的CNN模型初始化RPN，然后使用反向传播算法对区域提议网络进行调优。RPN与Faster RCNN是独立训练的，在最后一步中实现两个网络的卷积层共享调优，这样两个网络就合并形成了一个联合的网络。

图3 Faster RCNN的训练步骤Fig.3 Faster RCNN training

图4 Faster RCNN图像识别过程Fig.4 Identification process of Faster RCNN

图4为Faster RCNN进行目标检测的过程，由训练过程可知候选区提取(RPN)和区域提取特征并分类的网络(CNN+ROI)共享同一个卷积神经网络，所以相比于其他基于RCNN的神经网络具有更高的效率。

因Faster RCNN的高速性常用于无人机巡线的目标检测中。文献[60-61]采用Faster RCNN网络进行输电线路部件的故障检测，文献[62]将其用于无人机巡线的视觉导航。Faster RCNN的优点是识别速度快，但是由于ROI池化的作用丢失某些重要参数，会影响其判断正确率。为了提高Faster RCNN的检测精度，文献[63]通过引入跳转连接、调整激活和卷积层，使网络具有更强的高级特征提取能力，并通过改进候选框生成机制提高对小目标检测性能，大大提高了高压线缆识别速度和正确率。文献[64]则加入了基于单点多盒(single shot multibox)检测器和深度残差网络的多级组件检测和分类，使系统能够快速、准确地检测电力组件的常见故障。而文献[65]将浅卷积层和深卷积层的特征映射连接起来，提高了ROI池可提取更详细特征的能力。在训练过程中，使用查询图像数据集对预先训练的CNN模型进行微调，增强识别的置信度。

3.6 目标检测方法的展望

随着深度学习的发展，越来越多的高效率神经网络投入无人机巡线应用中。文献[66]采用RPN网络与FCN(fully convolutional networks)结合的方式对电力设备的生锈程度进行识别，在与Faster RCNN的对比实验中证明其的准确性更高。文献[67]将均方根标准差和人工神经网络(artificial neural network)结合起来，用于鉴定物体锈蚀的强度。文献[68]针对绝缘子紫外图像故障特征不明显的特点提出了基于稀疏性表示的绝缘子闪络状态的分类评估法。文献[69]在绝缘子串的红外图像中，根据绝缘子串的整体温度分布规律和故障绝缘子的发热规律，利用概率神经网络(probabilistic neural network)建立了绝缘子串的故障诊断模型。文献[70]采用脉冲神经网络(spiking neural networks)实现高压设备红外图像分割。深度学习是一种“黑箱”系统，需要大规模样本数据支持且无法通过其内部结构证明检测的准确性。运用深度学习进行目标识别与诊断，其正确率和漏识率均是通过测试图片集测试出来的，缺乏理论的支持。但是在实际应用中，深度学习较传统的图像处理方法更加高效。

目前神经网络在无人机巡线中应用依然处于起步阶段，输电线路中某些故障样本的收集数量比较少，无法满足深度神经网络的要求。非深度学习分类器能在样本量少的情况下达到较高的检测精度。目前针对样本量少的故障检测大多使用SVM分类器进行分类检测。随着深度学习的发展，研究者们对深度学习网络进行了改进，使其在低样本训练的情况下达到高精度水平[71-73]。深度神经网络将会逐渐替代非深度学习分类器。当设备故障时，其形态与正常工作形态有很大的差异，可直接通过形态学检测进行处理。形态学方法具有检测正确率高、不需要样本训练的优点。但形态学方法受噪声和背景影响很大，必须做好图像的预处理工作。

4 结论

综述了机器视觉在电力系统的无人机巡检中的应用，从无人机巡检的工作方式，详细讲述了巡检图像中几种常用的图像处理方法。

(1)中国无人机巡检技术水平现已成熟，无人机巡线系统已经能完成按规划自主完成检测工作，自动获取巡检图像以及故障的判定。无人机的巡线工作的自动化程度将越来越高。

(2)现如今无人机的通信方式大多采用多种通信方式协同工作，主要问题是带宽、延迟及信号覆盖。5G网络覆盖后，由于其低延迟的特性将改变传统的控制信号点对点的通信方式，5G网络可独立完成控制信号和图像信号的传输。

(3)不同的拍摄环境所获得的图像的干扰差异很大，研究者们应根据干扰的产生来设计相应的处理办法。为了获得良好的检测图像，可根据无人机巡检工作常见的运动状态、拍摄角度及光照等问题分析巡检图像的干扰成分，设计相应的处理方法。

(4)对于无人机的视觉检测方法，深度学习技术在电力巡线应用处于起步阶段，由于巡检图像负样本较少导致设备故障识别率较低。但对于设备的常见故障的检测正确率已经达到实用标准，并且随着时间的积累巡检图像负样本数据不断增大。如今无人机视觉检测处理算法中人工智能算法占大部分，形态学检测算法因其不需要大量数据支持等优点，在某些方面仍优于人工智能算法。无人机巡线系统的视觉检测方法现在已从“以形态学为主”转变为“以人工智能为主，形态学为辅”，未来将会有越来越多的人工智能算法投入使用。