输电本体隐患

现阶段输电杆塔本体的隐患识别通常通过无人机拍摄本体图像，再传输到后台服务器中进行AI分析。这种方式不利于快速定位隐患位置并及时进行处理。同时输电本体的缺陷检测和识别主要采用基于深度学习的目标检测和分类算法，深度神经网络模型计算量大，无人机终端的处理器由于计算能力不足，难以达到实时检测的效果，对关键部位的小微隐患的检测能力不佳。为了提升无人机在输电本体隐患巡检过程中对输电本体小微隐患检测和分类的准确率和实时性，本文提出了基于华为Atlas加速终端利用FPN (Feature Pyramid Network)构建Faster R-CNN检测模型来提取多粒 度 的 特 征 图 像 的 融 合 算 法 MGFF-KCD (Multi-Granularity Feature Fusion in Key Component Detection)来处理多个粒度的特征信息，提高了算法的准确率；将算法模型移植到Atlas芯片并集成 到无人机平台中，在无人机终端进行实时智能分析。选取了销钉、绝缘子、防震锤、均压环、鸟巢五类关键部位进行实验，结果表明，该算法在At las 200芯片设备上可达到每张62ms的检测速度和88% 的准确率。