李晨曦，邵蒙悦，冯 杰

（1.国网浙江温岭市供电有限公司，浙江 温岭 317500；2.浙江理工大学，杭州 310018）

0 引言

目前无人机巡检[1]广泛应用于配电网线路巡检。然而，随着作业量的快速上升，无人机巡检面临更高的挑战。配电网线路巡检往往以丘陵山地为主，环境复杂、地势起伏，无人机巡检过程中需要与巡检线路保持一定的高度和距离，才能确保采集视频的标准性、规范性，因此对无人机操控人员提出了较高要求。而且，设备缺陷识别无法在现场实时开展，需要由无人机将视频导入电脑，由后台人员逐帧识别。线路缺陷的识别效率低，耗时久，视频分析也要求人员具备丰富的巡检经验。所以基于深度学习方法的电杆检测与瓷瓶缺陷识别具有重要意义。

在过去的研究中，针对类似的目标检测问题，张征凯和齐浪[2]使用以ResNet50 为基础的Faster R-CNN 网络结构对螺纹孔进行检测，使得很小的螺纹孔也可以被有效地检测出来。陈为和梁晨红[3]针对航空发动机检测的目标小、难度大等问题，使用改进的SSD（单激发多盒探测器）模型识别凸台缺陷，但其没有解决外部环境（如光线等）对数据集的影响，因此准确率不高。张勤[4]等使用YOLOv3 网络结构检测秧苗列中心线，该模型主干网络借鉴ResNet 网络结构，并使用自适应聚类调整网络得到同列秧苗的检测框，最后达到91.47%的准确率。以上使用的网络模型大部分有ResNet 残差网络结构的影子，可见ResNet 结构在目标检测中起到重要作用，且上述模型都是检测单尺度目标。……