基于YOLO的无人机电力线路杆塔巡检图像实时检测

摘要：

无人机巡检已成为电力线路灾后巡检的重要方式.然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低.提出了一种基于深度学习算法(YOLO)的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态.通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题.通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数.测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标.改进后的模型在测试集上的召回率和交并比(IoU)较改进前有所提高,且平均均值精度(mAP)达到94.09％,检测速度达到20帧/s.此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s.

关键词：无人机巡检、电力杆塔、深度学习、YOLO、数据增广、人工智能与大数据应用

所属期刊栏目：52

分类号：TM755(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金资助项目518070280;国家电网有限公司科技项目52130418000L

在线出版日期：2019-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：17-23