陈嘉琛，俞曜辰，陈中，韩卫

(1. 东南大学吴健雄学院，南京211189；2. 东南大学电气工程学院，南京210096；3. 深圳市多翼电智科技有限公司， 南京211100)

0 引言

近年来，随着无人机巡检输电线路缺陷技术研究的不断深入，该技术的应用场景不仅限于实验室运行的理论场景，又逐渐向实际应用的现实场景转变，但此过程却逐渐暴露出许多问题。试运行现场样本量较为固定，测试样本与训练样本相似，且需较长计算时间，而实际应用现场巡检范围广，拍摄样本种类多变且数量较少，所以试运行现场使用的一些基础图像识别算法逐渐显现出较多问题，例如过拟合、对硬件要求高、计算耗时长等，导致实际应用缺陷诊断效果不佳。因此，研究适应输电线路巡检实际应用现场的改进图像识别算法对巡检技术发展具有重要意义。

目前，机器学习图像识别算法大致分为两类，分别为基于候选区域的机器学习图像识别算法和基于回归的机器学习图像识别算法[1 - 3]。基于候选区域的机器学习图像识别算法，主流的有更快的基于区域的卷积网络(faster region-based convolutional network，Faster R-CNN)[2]、掩膜基于区域的卷积神经网络(mask region-based convolutional network，Mask R-CNN)等，此类算法拥有训练模型识别精度高的优点；基于回归的机器学习图像识别算法较为典型的有YOLO系列等，此类算法拥有训练模型检测速度快的优点，但此两类算法的训练模型均存在对硬件要求高、计算耗时过长等问题。为了解决这些算法存在的问题，文献[4 - 9]分别提出了对YOLOv3的多种改进方法。……