刘军杰 朱建收 盛雨笛 胡永辉 盛从兵

摘 要：将无人机高精度定位技术与视觉跟踪技术融合，可以实现输电线路设备高清影像的精准采集。因此，有必要建立基于无人机机载前端的巡检图像智能识别前端系统模型，实现输电线路设备缺陷、通道隐患的实时识别。其间可以将人工智能（AI）技术应用到无人机机载前端智能识别中，结合目标检测算法，获得智能识别结果。现场应用后，无人机视角下的微小目标检测符合应用要求。本研究成果可在一定程度上提升无人机巡检应用效果。

关键词：无人机巡检;智能识别;检测算法;YOLO v3网络

中图分类号：V279;TP391.41文献标识码：A 文章编号：1003-5168（2021）14-0008-03

Abstract： The integration of UAV high-precision positioning technology and visual tracking technology can achieve accurate collection of high-definition images of transmission line equipment. Therefore， it is necessary to establish  a front-end system model for the intelligent identification of inspection images based on the airborne front-end of the UAV to realize the real-time identification of transmission line equipment defects and channel hidden dangers. In the meantime， artificial intelligence （AI） technology can be applied to the intelligent recognition of the airborne front-end of the UAV， combined with the target detection algorithm， to obtain the intelligent recognition result. After the field application， the detection of small targets under the UAV's perspective meets the application requirements. The research results can improve the application effect of UAV inspection to a certain extent.

Keywords： UAV inspection;intelligent identification;detection algorithm;YOLO v3 network

无人机高精度定位以网络实时差分定位（RTK）为基础，融合视觉导航跟踪技术，可以实现绝缘子串、防振锤、间隔棒、均压环和杆塔等关键部位的捕捉和精准拍摄，而视觉追踪是其需要解决的主要问题之一[1-2]。本文采用深度学习的方法，利用卷积神经网络进行目标检测，同时使用深度学习框架Darknet，选用YOLO系列网络模型，对无人机视觉拍摄的数据集进行训练，然后运用所得模型参数来进行前向推理，从而实现无人机的目标检测。

1 目标检测算法

Darknet是一个用C语言和CUDA运算平台编写的开源神经网络框架，具有以下优点：易于安装，结构明晰，源代码查看、修改方便，没有任何依赖项。模型训练采用基于Caffe深度学习框架的TensorRT加速的YOLO算法。配置环境使用cuda8.0.61、cudnn7.0、opencv2.4.8、Python2.7.6、Keras2.1.1、Numpy1.14.2、TensorFlow1.0.0、pip19.0.3、setuptools-40.8.0和cmake3.5.1等工具，使用JetPack3.3软件将TX2嵌入式开发板刷机，即可自动安装TensorRT加速工具，方便在TX2上部署[3]。……