【论文研究】基于深度学习的电力塔关键点检测-胡 楠 1，黄志欢 2

2024-04-23 13:54:18

随着中国社会和经济的快速发展以及人民日益增长的电力需求，中国的电网输电线路总里程也在不断的增加，为了保证这些需求，巡检任务的工作量和工作难度也在与日俱增[1]。由于电力设备的数量众多且有些设备所处位置偏僻，这使得维护这些设备需要更多的人力物力财力，所以应用无人机对电力线路进行巡检并且得到越来越多的有关电力塔和电力线的信息显得越来越有现实意义。传统的人工巡检方式会有一些问题，例如，巡检周期长，效率低下，人工巡检方式需要巡检人员徒步走过输电线路；在遇到山区中的输电线路时，巡检人员不仅要面对复杂地形，也会遇到恶劣天气，危险性高。这些原因都导致人工巡检难以满足电网运维的要求。所以，随着无人机技术的日益成熟以及无人机所携带成像设备的进步，在建设智慧城市，智能电网和增强输电线路供电可靠性的大背景下，应用无人机对输电线路进行巡检用来代替人工巡检已成为大势所趋[2]。智能巡检可以通过标注无人机搭载相机所拍摄的海量电力巡检图像，来训练深度学习模型，然后再利用该模型的参数，对其他无人机电力巡检影像进行相应预测，从而达到巡检目的。在前人所做的工作中，有采用传统方法，进行基于模式识别的监督分类和非监督分类，从而达成对于无人机巡检影像的像素级分类[3]，但是这些传统的遥感影像分类方法所提取的特征都比较浅层次，只是依据数据的统计特征和数据之间的统计关系来进行分类，分类的精度往往不是很高；有采用深度学习方法，比如 SegNet[4]，通过对电力巡检影像进行像素级标注，将网络进行训练，从而对无人机巡检影像进行分类，但是这种方法局限性较大。通过这种方法，只能了解在该电力巡检影像中，各个位置的地物属性，不能完美地达到人工巡检所达到的效果；还有采用 Yolo[1]网络，通过训练该网络进行电力巡检多目标识别，从而找到故障发生地点的方法。