![](https://csdnimg.cn/release/download_crawler_static/85647174/bg1.jpg)
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。
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