基于深度學(xué)習(xí)的無人機電力巡檢目標識別技術(shù)研究

摘要：本文結(jié)合深度學(xué)習(xí)與無人機技術(shù)提出了基于改進YOLOv5的電力設(shè)備缺陷檢測方法。該方法在絕緣子、桿塔等關(guān)鍵設(shè)備缺陷識別上平均準確率達93.7%，較傳統(tǒng)方法提升15.2%，為提升電力巡檢效率和安全性提供了新的技術(shù)方法。

關(guān)鍵詞：深度學(xué)習(xí)；無人機；電力巡檢；目標識別；YOLOv5

doi：10.3969/J.ISSN.1672-7274.2025.03.001

中圖分類號：TM 7；TP 3；V 279+.2 " " " "文獻標志碼：A " " " " " 文章編碼：1672-7274（2025）03-000-03

Research on Target Recognition Technology for UAV Power Inspection

Based on Deep Learning

LIU Hao1， LU Zhenghe1， BASANG Zerenang1， REN Zexin2， WANG Bangxing2

（1. State Grid Sichuan Electric Power Company Liangshan Power Supply Company， Xichang 615000， China;

2. Zhongke Fangcun Zhiwei （Nanjing） Technology Co.， Ltd.， Nanjing 211135， China）

Abstract： This paper proposes a power equipment defect detection method combining deep learning and unmanned aerial vehicle （UAV） technology based on the improved YOLOv5. This method achieves an average accuracy rate of 93.7% in the identification of defects in key equipment such as insulators and transmission towers， which is 15.2% higher than that of traditional methods， providing a new technology for improving the efficiency and safety of power inspection.

Keywords： deep learning; unmanned aerial vehicle （UAV）; power inspection; target recognition; YOLOv5

0 " 引言

電力系統(tǒng)是國民經(jīng)濟的重要基礎(chǔ)設(shè)施，其安全穩(wěn)定運行對社會發(fā)展至關(guān)重要。隨著電網(wǎng)規(guī)模不斷擴大，傳統(tǒng)的人工巡檢方式已難以滿足日益增長的巡檢需求。無人機憑借其機動靈活、成本低廉的優(yōu)勢，正逐步應(yīng)用于電力巡檢領(lǐng)域。然而，如何在復(fù)雜的自然環(huán)境中準確識別電力設(shè)備缺陷，仍是一個亟待解決的技術(shù)難題。深度學(xué)習(xí)技術(shù)的快速發(fā)展為解決這一問題提供了新的思路，本文旨在探索將深度學(xué)習(xí)與無人機技術(shù)相結(jié)合，提高電力巡檢的智能化水平和效率。

1 " 深度學(xué)習(xí)與無人機電力巡檢研究現(xiàn)狀

1.1 無人機在電力巡檢中的應(yīng)用現(xiàn)狀

無人機技術(shù)在電力巡檢領(lǐng)域的應(yīng)用日益廣泛。目前，國內(nèi)外電力公司已開始在輸電線路、變電站等關(guān)鍵基礎(chǔ)設(shè)施的巡檢中部署無人機系統(tǒng)。這些系統(tǒng)通過搭載高清攝像頭、紅外熱像儀等傳感設(shè)備，能夠快速獲取電力設(shè)備的視覺和熱成像數(shù)據(jù)。無人機巡檢方式相比傳統(tǒng)人工巡檢方式，具有效率高、成本低、安全性好等優(yōu)勢。特別是在山地、叢林等地形復(fù)雜區(qū)域，無人機表現(xiàn)出顯著的機動性和適應(yīng)性[1]。然而，現(xiàn)有的無人機巡檢系統(tǒng)仍面臨數(shù)據(jù)傳輸帶寬有限、自主導(dǎo)航精度不足、惡劣天氣適應(yīng)性差等技術(shù)挑戰(zhàn)。

1.2 深度學(xué)習(xí)在目標檢測中的研究進展

深度學(xué)習(xí)技術(shù)在目標檢測領(lǐng)域取得了突破性進展。從早期的R-CNN系列到Y(jié)OLO、SSD等單階段檢測器，再到最新的Transformer架構(gòu)，目標檢測算法的性能和效率不斷提升。當(dāng)前研究熱點包括：改進網(wǎng)絡(luò)結(jié)構(gòu)以提高特征提取能力，如引入注意力機制和多尺度特征融合；優(yōu)化損失函數(shù)和訓(xùn)練策略，如Focal Loss和自適應(yīng)學(xué)習(xí)率；探索半監(jiān)督和弱監(jiān)督學(xué)習(xí)方法，以減少標注數(shù)據(jù)需求。在電力巡檢場景中，研究者重點關(guān)注如何提高復(fù)雜背景下小目標的檢測精度，以及如何實現(xiàn)實時高效的邊緣端部署。

1.3 無人機電力巡檢方法的缺陷

盡管無人機巡檢和深度學(xué)習(xí)目標檢測技術(shù)取得了顯著進展，但在電力巡檢實際應(yīng)用中仍存在諸多不足。現(xiàn)有方法普遍存在以下問題：對復(fù)雜環(huán)境適應(yīng)性差，如強光、陰影、霧霾等惡劣天氣條件下檢測精度大幅下降；對小型缺陷和異常狀態(tài)識別能力有限，難以滿足電力設(shè)備精細化巡檢需求；模型泛化能力不足，在面對新型設(shè)備或罕見故障類型時表現(xiàn)欠佳；算法計算復(fù)雜度高，難以在低功耗邊緣設(shè)備上實現(xiàn)實時處理[2]。另外，現(xiàn)有研究多集中于單一設(shè)備類型的缺陷檢測，缺乏對多類型電力設(shè)備的綜合識別能力。

2 " 基于深度學(xué)習(xí)的無人機電力巡檢目標

識別方法

2.1 系統(tǒng)整體框架

本文中提出的無人機電力巡檢目標識別系統(tǒng)設(shè)計精巧且功能全面，主要包含數(shù)據(jù)采集、預(yù)處理、目標檢測以及后處理四大核心模塊（詳見表1）。系統(tǒng)中，無人機配備了高清攝像頭與高效的圖像傳輸設(shè)備，按照預(yù)設(shè)航線精準采集電力設(shè)備的圖像數(shù)據(jù)。采集到的原始圖像會經(jīng)過一系列精細的預(yù)處理工序，如降噪、增強等，以顯著提升圖像質(zhì)量，為后續(xù)處理奠定堅實基礎(chǔ)。預(yù)處理后的圖像，將被輸入到經(jīng)過優(yōu)化的YOLOv5模型中進行目標檢測，準確識別絕緣子、桿塔、導(dǎo)線等關(guān)鍵電力設(shè)備及其潛在缺陷。檢測結(jié)果隨后采用非極大值抑制等后處理技術(shù)精準篩選出目標邊界框及對應(yīng)類別。此外，系統(tǒng)還巧妙集成了地理信息標記功能，將檢測結(jié)果與GPS定位信息緊密關(guān)聯(lián)，極大方便了后續(xù)的缺陷精確定位與維修工作。系統(tǒng)采用模塊化設(shè)計思路，各模塊間通過標準化接口實現(xiàn)無縫連接，確保了系統(tǒng)的良好可擴展性與兼容性。

2.2 數(shù)據(jù)采集與預(yù)處理

在數(shù)據(jù)采集階段，我們選用了DJI Matrice 300 RTK無人機，搭載高性能的Zenmuse P1相機，以4K超高清分辨率、30幀/秒對電力設(shè)備進行高精度圖像采集[3]。在巡檢過程中，無人機保持距離電力線15～20 m的適宜距離，既確保了圖像的清晰度，又覆蓋了足夠的視野范圍，為后續(xù)分析提供了豐富的細節(jié)信息。在預(yù)處理階段，首先采用雙邊濾波算法對圖像進行降噪處理，在有效去除噪聲的同時保留了邊緣細節(jié)。接著，應(yīng)用自適應(yīng)直方圖均衡化方法，動態(tài)調(diào)整圖像對比度，使暗部細節(jié)更加清晰。為應(yīng)對光照不均的挑戰(zhàn)，我們引入了Retinex算法進行光照補償，使圖像色彩更加均勻自然。最后，利用OpenCV庫對圖像進行幾何校正，消除透視變形，并通過縮放操作將圖像統(tǒng)一調(diào)整為640×640像素，完美匹配YOLOv5模型的輸入規(guī)格。

2.3 改進的YOLOv5模型

為了更好地適應(yīng)電力巡檢的復(fù)雜需求，我們對YOLOv5s模型進行了多項有針對性改進。在主干網(wǎng)絡(luò)方面，引入了CSPNet結(jié)構(gòu)，這一創(chuàng)新設(shè)計顯著提升了模型的特征提取能力，使得模型能夠更準確地捕捉電力設(shè)備的細節(jié)信息。同時，對FPN（特征金字塔網(wǎng)絡(luò)）進行了優(yōu)化，通過增加額外的特征層，增強了模型對小目標的檢測能力，即使是細小的電力設(shè)備也能被準確識別。此外，引入了SE模塊，實現(xiàn)了注意力機制，使模型能夠自適應(yīng)地調(diào)整特征的重要性，進一步提高了檢測的準確性。在檢測頭部分，采用了改進的DIoU損失函數(shù)，優(yōu)化了邊界框的回歸過程。針對細長導(dǎo)線等特殊形狀的目標，設(shè)計了自適應(yīng)錨框生成策略，有效提高了非標準目標的檢測性能。這些改進措施顯著提升了YOLOv5s模型在電力巡檢場景中的綜合能力。

2.4 模型訓(xùn)練與優(yōu)化策略

為了全面提升模型的性能和泛化能力，我們在模型訓(xùn)練過程中采用了多項優(yōu)化策略。訓(xùn)練數(shù)據(jù)集涵蓋了50 000張精心標注的圖像，為模型提供了豐富的學(xué)習(xí)樣本。采用漸進式學(xué)習(xí)方法，從低分辨率圖像預(yù)訓(xùn)練入手，逐步提升訓(xùn)練難度，有助于模型更好地收斂。在學(xué)習(xí)率方面，采用余弦退火策略，將初始值設(shè)定為0.01，并配合64的batch size，以確保訓(xùn)練過程的穩(wěn)定性。引入混合精度訓(xùn)練和標簽平滑技術(shù)，增強了模型的魯棒性，使其對噪聲數(shù)據(jù)更具抵抗力[4]。在數(shù)據(jù)增強方面，運用Mosaic和CutMix等高級方法，豐富了訓(xùn)練數(shù)據(jù)的多樣性。實施早停策略和模型集成技術(shù)，以提高模型的泛化能力。整個訓(xùn)練過程在8塊Tesla V100 GPU上進行，耗時約72小時，最終獲得了性能優(yōu)異的模型。

3 " 實驗設(shè)計與結(jié)果分析

3.1 實驗環(huán)境與數(shù)據(jù)集

研究的實驗環(huán)境配備了功能強大的硬件設(shè)備，使用8塊NVIDIA Tesla V100 GPU的服務(wù)器，運行Ubuntu 20.04 LTS操作系統(tǒng)和PyTorch 1.9.0深度學(xué)習(xí)框架。實驗數(shù)據(jù)集十分豐富，包含50 000張高清電力設(shè)備圖像，涵蓋了輸電線路和變電站等多種場景。這些圖像經(jīng)過統(tǒng)一處理，將分辨率調(diào)整為3 840×2 160像素，并由專業(yè)團隊進行標注，包括10類關(guān)鍵電力設(shè)備和15種常見缺陷類型。為確保數(shù)據(jù)的多樣性和代表性，研究團隊收集了不同天氣條件和時間段的樣本，并與多家電力公司合作，獲取了實際運行環(huán)境中的罕見案例。數(shù)據(jù)集經(jīng)過嚴格的質(zhì)量控制，按7︰2︰1的比例劃分為訓(xùn)練集、驗證集和測試集，為模型的訓(xùn)練和評估提供了可靠的基礎(chǔ)。

3.2 評價指標

為全面評估模型性能，采用多項評價指標，主要指標包括平均精確度（mAP）、召回率（Recall）和F1分數(shù)。mAP計算采用COCO評估標準，IoU閾值設(shè)為0.5。此外，優(yōu)化了平均檢測時間（ms/image）評估模型的實時性能[5]。針對小目標檢測，特別計算了面積小于32×32像素目標的AP_small。為評估模型在不同光照條件下的表現(xiàn)，分別計算了白天、黃昏和夜間場景的mAP。模型的泛化能力通過在未見過的新場景數(shù)據(jù)上的性能來衡量。在資源占用方面，記錄了模型的參數(shù)量和FLOPS。為了評估在邊緣設(shè)備上的部署性能，在NVIDIA Jetson Xavier NX上測試了幀率（FPS）。

3.3 對比實驗

對比實驗評估了改進YOLOv5模型與YOLOv5s、Faster R-CNN和SSD的性能差異。如表2所示，改進模型在mAP和AP_small上均優(yōu)于基線模型，分別達到93.7%和85.3%。在檢測速度方面，改進模型僅比原始YOLOv5s慢2ms，但精度顯著提升。改進模型在復(fù)雜光照條件下表現(xiàn)穩(wěn)定，夜間場景mAP保持在88.5%。在Jetson Xavier NX上，模型達到25FPS的實時性能，滿足實際應(yīng)用需求。

3.4 消融實驗

消融實驗分析了各改進策略對模型性能的貢獻。表3展示了移除或替換各策略后的性能變化。結(jié)果表明，CSPNet結(jié)構(gòu)和額外特征層的影響最為顯著，分別導(dǎo)致mAP下降2.1%和AP_small下降3.7%。SE注意力機制雖然對整體mAP提升不大（1.5%），但在復(fù)雜背景下表現(xiàn)出色。DIoU損失函數(shù)優(yōu)化了邊界框回歸精度，使其提升2.3%。自適應(yīng)錨框策略對細長目標檢測貢獻最大，使相關(guān)類別AP提升4.5%。各策略之間存在協(xié)同效應(yīng)，共同提升了模型在復(fù)雜電力設(shè)備場景中的性能。

4 " 結(jié)束語

本文中提出的基于深度學(xué)習(xí)的無人機電力巡檢目標識別方法，有效解決了傳統(tǒng)巡檢中存在的效率低下、危險性高等問題。通過改進YOLOv5模型，結(jié)合數(shù)據(jù)增強和注意力機制，顯著提高了復(fù)雜環(huán)境下電力設(shè)備缺陷的檢測精度。結(jié)果表明，該方法在實際應(yīng)用中具有良好的泛化能力和魯棒性。因此，我們要進一步探索多模態(tài)數(shù)據(jù)融合和邊緣計算技術(shù)，以實現(xiàn)更高效、更智能的電力巡檢系統(tǒng)。

參考文獻

[1] 徐少毅，楊磊.基于多智能體深度強化學(xué)習(xí)的多無人機輔助移動邊緣計算軌跡設(shè)計[J/OL].北京交通大學(xué)學(xué)報，1-13[2024-10-12].

[2] 陳忠財，李鑫，隋立林.基于深度學(xué)習(xí)的智能化無人機視覺系統(tǒng)設(shè)計[J].集成電路與嵌入式系統(tǒng)，2024，24（09）：62-67.

[3] 鹿可可，李菱，歐發(fā)斌，等.基于深度學(xué)習(xí)的無人機電力巡檢方法研究[J].自動化與儀表，2023，38（04）：59-64.

[4] 王金云.基于深度學(xué)習(xí)的無人機電力巡檢故障檢測與避障系統(tǒng)[D].天津：天津理工大學(xué)，2023.

[5] 馬瑞，歐陽權(quán)，吳兆香，等.基于深度強化學(xué)習(xí)的多無人機電力巡檢任務(wù)規(guī)劃[J].計算機與現(xiàn)代化，2022（01）：98-102.