吴庭栋，杨 罡，赵国伟，张兴忠+

(1.太原理工大学 软件学院，山西 晋中 030600；2.国网山西省电力公司电力科学研究院，山西 太原 030001；3.国网山西省电力公司大同供电公司，山西 大同 037008)

0 引 言

目前，主流的目标检测技术主要分为两类。第一类是以R-CNN[1]、SPPNet[2]、Fast R-CNN[3]、Faster R-CNN[4]和Mask R-CNN[5]等为代表的专注于精度的算法，精度高但实时性差。第二类是以YOLO[6]、SSD[7]、YOLO-v2[8]和YOLOv3[9]等为代表的专注于精度与实时性权衡的算法。

目标检测技术在工业领域中的一个应用就是与无人机航拍巡检结合。王万国等[10]将Faster R-CNN算法用于无人机电力线巡检图像部件检测，证明了基于深度学习的识别方法实现电力小部件的识别是可行的；陈庆等[11]提出了一种针对绝缘子自爆故障的识别算法，取代人工分析，降低了由人为经验判断可能造成的误差；汤踊等[12]选取Faster-RCNN研究了不同网络模型在输电线路中对不同部件的识别准确率和识别时间；张骥等[13]提出了一种通过卷积神经网络训练获取深度模型的检测算法，以有效地识别出输电线路外破隐患。上述研究均将重点集中于检测精度上，并未对精度与速度的权衡进行研究，同时也并未考虑设备算力的大小，都是在算力强大的服务器端进行。在算力受限的嵌入式开发平台上进行实时检测的研究还处于起步阶段。

本文自建架空线路关键部件数据集，并提出了一种多尺度并行融合检测算法MSPF-DN，可以将此模型移植到NVIDIA Jetson AGX Xavier上，由航拍巡检无人机携带，来辅助巡检人员完成关键部件实时检测，有效提升航拍巡检的效率和智能化水平。……