冉奇

（西北工业大学 陕西省西安市 710072）

1 引言

近年来，无人机（Unmanned Aerial Vehicle, UAV）在输电线路巡检上的应用越来越多。相较传统人工巡检，无人机巡检有着巡检效率高，安全性高，劳动成本低的特点。但通过无人机采集的大量图像数据，无法通过人工方法来实现真正的效率提高。因此研究一种可以智能化、大批量检测输电线部件和缺陷的技术具有重要的实际应用价值。

针对输电线上的部件识别和缺陷检测问题国内外研究学者已经取得了一定的进展。常用的方法可以分为数字图像处理技术、机器学习和深度学习三类。对于数字图像处理技术，李芳等[1]采用随机Hough 变换进行直线检测。徐晶等[2]通过搜索符合鸟巢样本的HSV 颜色特征量的连通区域，作为候选的鸟巢区域，分析候选区域的形状特性参数来检测出铁塔上的鸟巢。

随后机器学习方法也得到快速发展。伍洋[3]采用AdaBoost 级联分类器提取图像中的几何特征与形状特征。虽然机器学习的方法能够建立良好的模型，但是参数的设置以及特征点的旋转十分依赖设计者的经验，并且在准确率和识别实践上仍有较大的提升空间。

目前，由于深度学习相关技术的突破，越来越多的研究员考虑采用深度学习的方法完成输电线上的部件识别和缺陷检测任务。主流的深度学习的目标检测算法有Fast R-CNN (Fast Region Convolutional Neural Network)[4]和 Faster R-CNN (Faster Region Convolutional Neural Network)[5]等，其特点是检测精度高。考虑到任务要求和模型复杂程度，所以采用Faster -RCNN 模型比较符合实际需求。但是已有实验证明此模型对小目标的检测效果不好[6]，如果直接套用原始的Faster- RCNN 模型可能会造成不少目标漏检。……