基于無人機機載AI模塊的電力巡檢技術

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確性的要求，深入研究了YOLOv3目標檢測算法在無人機巡檢機載AI模塊中的應用。利用將目標檢測候選區選取和對象識別合二為一的YOLOv3算法，結合多尺度特征融合方式實現了目標檢測的高準確性和實時優化，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。

關鍵詞：無人機巡檢；目標檢測；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 文獻標志碼：A 文章編號：1000-1646（2024）01-0049-05

隨著計算機技術的發展，利用無人機巡航結合圖像識別算法的目標檢測技術在城市規劃、應急搶險、工程建設、森林防火、電力巡檢等領域獲得了廣泛應用。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算法的推廣和應用使得無人機巡檢在輸電線路缺陷自動檢測和判斷準確性、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，保證了電網的安全、穩定運行。

國內外學者對無人機圖像識別與巡檢技術開展了廣泛研究。王萬國等通過優化提取目標區域以及改進分類器方式，研究了卷積神經網絡（CNN）在電力巡檢部件檢測中的應用。郭敬東等采用一種基于深度學習算法的實時目標檢測方法，實現了多種環境下多種尺度目標檢測，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網絡基礎上，對低通濾波器進行散射系數處理并利用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SSD網絡框架相比提升了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絡ResNet101作為前置特征的網絡無人機巡檢架空線路缺陷檢測技術，其測試精度可達93.6％。

卷積神經網絡的優勢在于圖像識別的魯棒性，但無人機巡檢除了要求性能穩定外，還需要滿足實時檢測需求。因此，本文研究了含有YOLOv3圖像識別網絡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用。針對電力巡檢中準確性和實時性要求對圖像識別算法進行優化，進一步提升圖像處理速度，實現檢測結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練集、1916張圖片作為驗證集進行目標檢測和故障識別，檢測結果如表2所示。

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

3 技術應用

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

無人機巡檢前需要設置航線和航點，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上報為缺陷。典型缺陷報告包含線路名稱、巡檢區段、巡線方式、桿塔編號、缺陷等級、缺陷描述和缺陷圖片等內容。圖4為220kV東道甲線中N2號桿塔在可見光環境下拍攝的現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，目標識別結果包括目標位置、目標類型和目標置信度，以列表形式保存并將內容填充到巡檢報告文檔中。對于小于閾值的目標，將該圖片的目標位置、目標類型及目標置信度等信息回傳至服務器進行再次推理并生成服務器端巡檢報告，從而實現輸電線路的無人機智能化巡檢。

4 結論

本文研究了YOLOv3目標檢測算法在無人機巡檢機載AI模塊中的應用效果，獲得如下主要結論：

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

（責任編輯：尹淑英 英文審校：尹淑英）