无人机图像

阐述了无人机图像智能算法在电力巡检的开发及应用，带来AI人工智能和多传感器融合的全栈式电力运维解决方案。在普宙无人机自主巡检中，深度学习算法被两次应用，实现可见光对杆塔本体精细化巡检的拍照点自动化精准选定以及精确识别存在缺陷隐患的照片及缺陷位置。其采用的RTK载波相位差分技术，可通过基站采集的载波相位数据发送给移动站（无人机）进行求差计算定位坐标，不受限于通信链路和网络覆盖，使得定位精度提高到了厘米级。

架空输电线路巡检是电网运维工作的一项重要内容，利用无人机进行线路巡视检测已成为运维人员完成电力巡检工作的重要手段。首先，文中概述无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构；其次，分析当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术；再次，综述基于深度学习的无人机图像缺陷检测典型方法以及评价指标，并对比总结各种方法的优缺点；然后，讨论无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷的检测效果，指出图像检测指标和类别定义在电力巡检专业化领域中的不足；最后，探讨基于深度学习的无人机图像缺陷巡检的未来发展方向。

该成果基本解决了无人机检测输电线路缺陷问题。实现了利用小型无人机搭载照相或摄像设备，沿输电线路走廊飞行，近距离拍摄线路及其关键部件，获取航拍图像，运用图像处理方法对航拍图像进行分析，实现高压输电线路绝缘于等缺陷缺陷的自动诊断。同时利用图像处理理论，提出了在HS1空间利用双通道处理的方法，减少对背景的误分割，运用自适应确定國值的方法进行图像分割，从而获取缺陷轮廓，再利用形态学处理和区域生长法完成对缺陷特征提取及缺陷检测。取得了较好的效果，检测误差在本实验所要求的范围之内，误差较小。成果取得授权专利4项，软件著作权1项。

按照“标准规范先行、数据规范和应用融合并重、应用建设促功能实用化”的工作思路，规范机器人、无人机、带电检测和远程巡视图像数据存储方式、文件格式，规范图像数据的关联信息，实现多来源数据的统一管理。实施多个系统的历史存量图像数据、检测结果的接入工作，完成数据的质量检查和整改。建立完备的典型样本库，实施符合业务需求、具有电网特色的图像识别应用。 国网山东省电力公司对机器人、无人机图像数据、带电检测红外及局放图像图谱数据、变电站远程巡视图像数据进行规范、完善，可以实现运检图像数据的精细化管理，为图像数据分析奠定了良好的基础。实现图像数据的智能化识别，可以充分利用各类图像检测数据，将非结构化的图像数据转换为结构化的识别结果，有效的指导运检工作，提升了运检工作效率、效益，确保电网安全运行。

针对输电线路无人机巡检图像分辨率越来越高，而造成的小金具缺陷目标占比小、特征相似高，进而导致缺陷发现率低和误报高的问题，本文提出了一种基于层级识别模型的小金具缺陷识别方法。首先采用Cascade R-CNN、Faster R-CNN和RetinaNet、Yolov3算法分 别进行算法融合得到高精度的连接金具检测模型和高实时性的小金具识别模型；然后将二者组成层级识别模型，即先对输入图片检测连接金具，再对连接金具识别小金具缺陷。实验结果表明，与直接识别小金具的模型和层级模型中未使用模型融合策略的算法相比，该算法的小金具缺陷识别mAP（mean Average Precision）和查全率均可达到最高的0.762和0.826， 算法有效性得到了验证。