基于无人机机载AI模块的电力巡检技术

王昊　丁国斌　杨家慧

摘要：针对输电线路无人机巡检实时性和准确性的要求，深入研究了YOLOv3目标检测算法在无人机巡检机载AI模块中的应用。利用将目标检测候选区选取和对象识别合二为一的YOLOv3算法，结合多尺度特征融合方式实现了目标检测的高准确性和实时优化，并采用残差块解决了模型退化问题。输电线路绝缘子检测结果表明：YOLOv3算法平均精度可达90%，相同条件下YOLOv3算法平均处理速度约为Faster RCNN算法的3.2倍，约为SSD算法的1.6倍。

关键词：无人机巡检；目标检测；图像识别；多尺度特征融合；残差块；输电线路；实时性

中图分类号：TM744 文献标志码：A 文章编号：1000-1646（2024）01-0049-05

随着计算机技术的发展，利用无人机巡航结合图像识别算法的目标检测技术在城市规划、应急抢险、工程建设、森林防火、电力巡检等领域获得了广泛应用。在电力线路巡检中搭载AI模块的无人机可对输电线路进行目标检测和故障识别，有效降低人工成本和劳动强度。AI算法的推广和应用使得无人机巡检在输电线路缺陷自动检测和判断准确性、实时性上均有显著提升，进一步提高了输电线路巡检工作效率，保证了电网的安全、稳定运行。

国内外学者对无人机图像识别与巡检技术开展了广泛研究。王万国等通过优化提取目标区域以及改进分类器方式，研究了卷积神经网络（CNN）在电力巡检部件检测中的应用。郭敬东等采用一种基于深度学习算法的实时目标检测方法，实现了多种环境下多种尺度目标检测，最高检测速度可达30帧／s。潘翀等在分析散射变换原理和卷积神经网络基础上，对低通滤波器进行散射系数处理并利用Gram矩阵算法降低噪声干扰，使得绝缘子串的实时定位性能（召回率）与传统SSD网络框架相比提升了1.04％。张德钦等基于最大类间差分方法进行阈值切割，实现了无人机巡检过程中自爆绝缘子的识别和定位。顾超越等研究了一种将深度残差网络ResNet101作为前置特征的网络无人机巡检架空线路缺陷检测技术，其测试精度可达93.6％。

卷积神经网络的优势在于图像识别的鲁棒性，但无人机巡检除了要求性能稳定外，还需要满足实时检测需求。因此，本文研究了含有YOLOv3图像识别网络模型的多旋翼无人机AI模块在无人机电力线路巡检中的应用。针对电力巡检中准确性和实时性要求对图像识别算法进行优化，进一步提升图像处理速度，实现检测结果的实时回传和检测报告的自动生成。

为了进一步验证YOLOv3算法的適用性，选取11942张电力巡检图像作为训练集、1916张图片作为验证集进行目标检测和故障识别，检测结果如表2所示。

由表2可知，对于不同检测目标和常见故障类型，YOLOv3算法具有广泛适用性。各类检测目标的平均精度指标高于79%，召回率大于82%。

3 技术应用

集成YOLOv3算法的无人机机载AI模块实现了无人机巡检过程中目标识别的实时性和准确性，利用识别结果可以在巡检过程中自动实现巡检报告的生成，其流程如图3所示。

无人机巡检前需要设置航线和航点，巡检过程中由机载AI模块对视频图像进行实时处理。若检测到故障信息，则根据识别到的缺陷类别和缺陷置信度来判断是否需要将识别到的目标上报为缺陷。典型缺陷报告包含线路名称、巡检区段、巡线方式、杆塔编号、缺陷等级、缺陷描述和缺陷图片等内容。图4为220kV东道甲线中N2号杆塔在可见光环境下拍摄的现场图片以及生成的巡检报告。

对于置信度大于阈值的缺陷目标，目标识别结果包括目标位置、目标类型和目标置信度，以列表形式保存并将内容填充到巡检报告文档中。对于小于阈值的目标，将该图片的目标位置、目标类型及目标置信度等信息回传至服务器进行再次推理并生成服务器端巡检报告，从而实现输电线路的无人机智能化巡检。

4 结论

本文研究了YOLOv3目标检测算法在无人机巡检机载AI模块中的应用效果，获得如下主要结论：

1）以输电线路绝缘子检测为例，YOLOv3算法的平均精度超过90％；相同条件下YOLOv3算法的平均处理速度约为Faster RCNN算法的3.2倍，约为SSD算法的1.6倍。

2）针对不同检测目标和常见故障类型，YOLOv3算法的平均精度指标高于79%，召回率大于82%。

（责任编辑：尹淑英 英文审校：尹淑英）