罗艺，王乾龙，晏凯

（云南电网有限责任公司曲靖供电局，云南 曲靖 655000）

0 前言

电力巡线无人机有广阔的应用前景。一方面，无人机巡线具有野外作业风险低、成本低以及作业灵活的特点；另一方面，产生的海量数据需要经过人工判读才能得到最终的巡检报告，因此采用图像识别的方法对这些数据进行部件检测识别具有十分重要的意义。与传统的小部件识别相比，无人机巡检得到的图像具有背景复杂、小部件与背景对比度低、不同地区不同季节背景差异较大、存在大量干扰等难题。传统的电力部件识别算法主要采用人工设计的特征，如SIFT(Scal invariant feature transform)[1]、边缘检测[2]、HOG(Histogram of Oriented Gridients)等，不能很好地适用于电力部件，采用的分割算法主要基于部件外围轮廓骨架[3]、自适应阈值[4]等进行图像分割[5]。但这些方法在设计原则上往往是基于特定类别来实现的，其准确率低，不具有可扩展性；而且方法结构松散，缺少对低层特征进行综合利用进而达到全局最优识别的目的。但这些方法尚不具备随样本数量增多提升识别准确率的能力。

2012 年起，深度学习引起了广泛关注，并在图像识别与检测中取得了良好的识别效果。本文研究了深度学习在电力部件识别中的应用，以及采用优化算法对参数进行调优，并比较了DPM、RCNN(Regionbased Convolutional Neural Network)[6]的SPPnet(Spatial pyramid poolingnetworks)[7]和Faster R-CNN[8]算法，针对电力小部件识别问题分析了不同算法的效果和性能。

1 经典DPM方法和RCNN

对于目标识别主要包括目标位置的确定和目标类别的判别。根据确定目标位置的方式不同，可以分为2 类：