基于深度学习的无人机电网巡检缺陷检测解析.docx
版权申诉
175 浏览量
2022-06-15
11:15:42
上传
评论
收藏 174KB DOCX 举报
基于深度学习的无人机电网巡检缺陷检
测解析
摘要：无人机电网巡视具有区域小、背景复杂、计算量大等问题，使得其精
度和实时性都很难达到。为了准确、快速地识别无人机电网巡检，对各种深度学
习算法在复杂环境中的应用进行了分析，并给出了一种新的基于 YOLOv3 的方法。
首先选择 ResNet18 作为主干网络，再构造多尺度特征金字塔，并与骨干网络相
结合，构成一种深度融合的电力系统监测系统，既能保证实时检测的精度，又能
保证实时性。实验结果显示， YOLOv3 网络的平均平均准确率（m AP）达到
98.10%，较 FasterR-CNN 提高 6.71%；它能探测到的帧数为 47.52 帧，比 R-CNN
和 FasterR-CNN 快了 25 倍，比 R-CNN 快了 12 倍。提出的 YOLOv3 网络在识别准
确率和检测速度上都得到了较好的提高。
关键词：无人机巡检；深度学习；YOLO v3；ResNet18；绝缘子
绝缘子是一种绝缘控制，它在传输线上起到支承导线和阻止电流回地的功能。
随着交流、直流输电线路电压等级的提高，绝缘子的力学性能也随之提高，在长
时间的使用中，绝缘子难免会发生断裂、绝缘子断裂等问题。由于电力系统的地
理位置和天气条件的不确定性，使得电力系统的安全运行受到了严重的影响，严
重的影响了电力系统的运行。因此，对绝缘子进行故障诊断是保证电网安全可靠
运行的关键。
1.技术背景与方法
1.1R-CNN
利用 R-CNN 技术，对电力系统中的巡检绝缘子进行了测试。R-CNN 网络是一
种结合 Region Proposal 和 CNN （Convolutional Neural Network）的局部产
生的 Region-CNN （R-CNN）。图 1 显示 R-CNN 的网络模型。首先，对输入的图像
进行分割，并对其大小进行调整，使其大小达到 227x227x3；然后，利用 CNN 前
资源评论
