摘要：本文結(jié)合深度學(xué)習(xí)與無人機(jī)技術(shù)提出了基于改進(jìn)YOLOv5的電力設(shè)備缺陷檢測(cè)方法。該方法在絕緣子、桿塔等關(guān)鍵設(shè)備缺陷識(shí)別上平均準(zhǔn)確率達(dá)93.7%，較傳統(tǒng)方法提升15.2%，為提升電力巡檢效率和安全性提供了新的技術(shù)方法。

關(guān)鍵詞：深度學(xué)習(xí)；無人機(jī)；電力巡檢；目標(biāo)識(shí)別；YOLOv5

doi：10.3969/J.ISSN.1672-7274.2025.03.001

中圖分類號(hào)：TM 7；TP 3；V 279+.2 " " " "文獻(xiàn)標(biāo)志碼：A " " " " " 文章編碼：1672-7274（2025）03-000-03

Research on Target Recognition Technology for UAV Power Inspection

Based on Deep Learning

LIU Hao1， LU Zhenghe1， BASANG Zerenang1， REN Zexin2， WANG Bangxing2

（1. State Grid Sichuan Electric Power Company Liangshan Power Supply Company， Xichang 615000， China;

2. Zhongke Fangcun Zhiwei （Nanjing） Technology Co.， Ltd.， Nanjing 211135， China）

Abstract： This paper proposes a power equipment defect detection method combining deep learning and unmanned aerial vehicle （UAV） technology based on the improved YOLOv5. This method achieves an average accuracy rate of 93.7% in the identification of defects in key equipment such as insulators and transmission towers， which is 15.2% higher than that of traditional methods， providing a new technology for improving the efficiency and safety of power inspection.

Keywords： deep learning; unmanned aerial vehicle （UAV）; power inspection; target recognition; YOLOv5

0 " 引言

電力系統(tǒng)是國民經(jīng)濟(jì)的重要基礎(chǔ)設(shè)施，其安全穩(wěn)定運(yùn)行對(duì)社會(huì)發(fā)展至關(guān)重要。隨著電網(wǎng)規(guī)模不斷擴(kuò)大，傳統(tǒng)的人工巡檢方式已難以滿足日益增長的巡檢需求。無人機(jī)憑借其機(jī)動(dòng)靈活、成本低廉的優(yōu)勢(shì)，正逐步應(yīng)用于電力巡檢領(lǐng)域。然而，如何在復(fù)雜的自然環(huán)境中準(zhǔn)確識(shí)別電力設(shè)備缺陷，仍是一個(gè)亟待解決的技術(shù)難題。深度學(xué)習(xí)技術(shù)的快速發(fā)展為解決這一問題提供了新的思路，本文旨在探索將深度學(xué)習(xí)與無人機(jī)技術(shù)相結(jié)合，提高電力巡檢的智能化水平和效率。

1 " 深度學(xué)習(xí)與無人機(jī)電力巡檢研究現(xiàn)狀

1.1 無人機(jī)在電力巡檢中的應(yīng)用現(xiàn)狀

無人機(jī)技術(shù)在電力巡檢領(lǐng)域的應(yīng)用日益廣泛。目前，國內(nèi)外電力公司已開始在輸電線路、變電站等關(guān)鍵基礎(chǔ)設(shè)施的巡檢中部署無人機(jī)系統(tǒng)。這些系統(tǒng)通過搭載高清攝像頭、紅外熱像儀等傳感設(shè)備，能夠快速獲取電力設(shè)備的視覺和熱成像數(shù)據(jù)。無人機(jī)巡檢方式相比傳統(tǒng)人工巡檢方式，具有效率高、成本低、安全性好等優(yōu)勢(shì)。特別是在山地、叢林等地形復(fù)雜區(qū)域，無人機(jī)表現(xiàn)出顯著的機(jī)動(dòng)性和適應(yīng)性[1]。然而，現(xiàn)有的無人機(jī)巡檢系統(tǒng)仍面臨數(shù)據(jù)傳輸帶寬有限、自主導(dǎo)航精度不足、惡劣天氣適應(yīng)性差等技術(shù)挑戰(zhàn)。

1.2 深度學(xué)習(xí)在目標(biāo)檢測(cè)中的研究進(jìn)展

深度學(xué)習(xí)技術(shù)在目標(biāo)檢測(cè)領(lǐng)域取得了突破性進(jìn)展。從早期的R-CNN系列到Y(jié)OLO、SSD等單階段檢測(cè)器，再到最新的Transformer架構(gòu)，目標(biāo)檢測(cè)算法的性能和效率不斷提升。當(dāng)前研究熱點(diǎn)包括：改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)以提高特征提取能力，如引入注意力機(jī)制和多尺度特征融合；優(yōu)化損失函數(shù)和訓(xùn)練策略，如Focal Loss和自適應(yīng)學(xué)習(xí)率；探索半監(jiān)督和弱監(jiān)督學(xué)習(xí)方法，以減少標(biāo)注數(shù)據(jù)需求。在電力巡檢場(chǎng)景中，研究者重點(diǎn)關(guān)注如何提高復(fù)雜背景下小目標(biāo)的檢測(cè)精度，以及如何實(shí)現(xiàn)實(shí)時(shí)高效的邊緣端部署。

1.3 無人機(jī)電力巡檢方法的缺陷

盡管無人機(jī)巡檢和深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)取得了顯著進(jìn)展，但在電力巡檢實(shí)際應(yīng)用中仍存在諸多不足?，F(xiàn)有方法普遍存在以下問題：對(duì)復(fù)雜環(huán)境適應(yīng)性差，如強(qiáng)光、陰影、霧霾等惡劣天氣條件下檢測(cè)精度大幅下降；對(duì)小型缺陷和異常狀態(tài)識(shí)別能力有限，難以滿足電力設(shè)備精細(xì)化巡檢需求；模型泛化能力不足，在面對(duì)新型設(shè)備或罕見故障類型時(shí)表現(xiàn)欠佳；算法計(jì)算復(fù)雜度高，難以在低功耗邊緣設(shè)備上實(shí)現(xiàn)實(shí)時(shí)處理[2]。另外，現(xiàn)有研究多集中于單一設(shè)備類型的缺陷檢測(cè)，缺乏對(duì)多類型電力設(shè)備的綜合識(shí)別能力。

2 " 基于深度學(xué)習(xí)的無人機(jī)電力巡檢目標(biāo)

識(shí)別方法

2.1 系統(tǒng)整體框架

本文中提出的無人機(jī)電力巡檢目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)精巧且功能全面，主要包含數(shù)據(jù)采集、預(yù)處理、目標(biāo)檢測(cè)以及后處理四大核心模塊（詳見表1）。系統(tǒng)中，無人機(jī)配備了高清攝像頭與高效的圖像傳輸設(shè)備，按照預(yù)設(shè)航線精準(zhǔn)采集電力設(shè)備的圖像數(shù)據(jù)。采集到的原始圖像會(huì)經(jīng)過一系列精細(xì)的預(yù)處理工序，如降噪、增強(qiáng)等，以顯著提升圖像質(zhì)量，為后續(xù)處理奠定堅(jiān)實(shí)基礎(chǔ)。預(yù)處理后的圖像，將被輸入到經(jīng)過優(yōu)化的YOLOv5模型中進(jìn)行目標(biāo)檢測(cè)，準(zhǔn)確識(shí)別絕緣子、桿塔、導(dǎo)線等關(guān)鍵電力設(shè)備及其潛在缺陷。檢測(cè)結(jié)果隨后采用非極大值抑制等后處理技術(shù)精準(zhǔn)篩選出目標(biāo)邊界框及對(duì)應(yīng)類別。此外，系統(tǒng)還巧妙集成了地理信息標(biāo)記功能，將檢測(cè)結(jié)果與GPS定位信息緊密關(guān)聯(lián)，極大方便了后續(xù)的缺陷精確定位與維修工作。系統(tǒng)采用模塊化設(shè)計(jì)思路，各模塊間通過標(biāo)準(zhǔn)化接口實(shí)現(xiàn)無縫連接，確保了系統(tǒng)的良好可擴(kuò)展性與兼容性。

2.2 數(shù)據(jù)采集與預(yù)處理

在數(shù)據(jù)采集階段，我們選用了DJI Matrice 300 RTK無人機(jī)，搭載高性能的Zenmuse P1相機(jī)，以4K超高清分辨率、30幀/秒對(duì)電力設(shè)備進(jìn)行高精度圖像采集[3]。在巡檢過程中，無人機(jī)保持距離電力線15～20 m的適宜距離，既確保了圖像的清晰度，又覆蓋了足夠的視野范圍，為后續(xù)分析提供了豐富的細(xì)節(jié)信息。在預(yù)處理階段，首先采用雙邊濾波算法對(duì)圖像進(jìn)行降噪處理，在有效去除噪聲的同時(shí)保留了邊緣細(xì)節(jié)。接著，應(yīng)用自適應(yīng)直方圖均衡化方法，動(dòng)態(tài)調(diào)整圖像對(duì)比度，使暗部細(xì)節(jié)更加清晰。為應(yīng)對(duì)光照不均的挑戰(zhàn)，我們引入了Retinex算法進(jìn)行光照補(bǔ)償，使圖像色彩更加均勻自然。最后，利用OpenCV庫對(duì)圖像進(jìn)行幾何校正，消除透視變形，并通過縮放操作將圖像統(tǒng)一調(diào)整為640×640像素，完美匹配YOLOv5模型的輸入規(guī)格。

2.3 改進(jìn)的YOLOv5模型

為了更好地適應(yīng)電力巡檢的復(fù)雜需求，我們對(duì)YOLOv5s模型進(jìn)行了多項(xiàng)有針對(duì)性改進(jìn)。在主干網(wǎng)絡(luò)方面，引入了CSPNet結(jié)構(gòu)，這一創(chuàng)新設(shè)計(jì)顯著提升了模型的特征提取能力，使得模型能夠更準(zhǔn)確地捕捉電力設(shè)備的細(xì)節(jié)信息。同時(shí)，對(duì)FPN（特征金字塔網(wǎng)絡(luò)）進(jìn)行了優(yōu)化，通過增加額外的特征層，增強(qiáng)了模型對(duì)小目標(biāo)的檢測(cè)能力，即使是細(xì)小的電力設(shè)備也能被準(zhǔn)確識(shí)別。此外，引入了SE模塊，實(shí)現(xiàn)了注意力機(jī)制，使模型能夠自適應(yīng)地調(diào)整特征的重要性，進(jìn)一步提高了檢測(cè)的準(zhǔn)確性。在檢測(cè)頭部分，采用了改進(jìn)的DIoU損失函數(shù)，優(yōu)化了邊界框的回歸過程。針對(duì)細(xì)長導(dǎo)線等特殊形狀的目標(biāo)，設(shè)計(jì)了自適應(yīng)錨框生成策略，有效提高了非標(biāo)準(zhǔn)目標(biāo)的檢測(cè)性能。這些改進(jìn)措施顯著提升了YOLOv5s模型在電力巡檢場(chǎng)景中的綜合能力。

2.4 模型訓(xùn)練與優(yōu)化策略

為了全面提升模型的性能和泛化能力，我們?cè)谀Ｐ陀?xùn)練過程中采用了多項(xiàng)優(yōu)化策略。訓(xùn)練數(shù)據(jù)集涵蓋了50 000張精心標(biāo)注的圖像，為模型提供了豐富的學(xué)習(xí)樣本。采用漸進(jìn)式學(xué)習(xí)方法，從低分辨率圖像預(yù)訓(xùn)練入手，逐步提升訓(xùn)練難度，有助于模型更好地收斂。在學(xué)習(xí)率方面，采用余弦退火策略，將初始值設(shè)定為0.01，并配合64的batch size，以確保訓(xùn)練過程的穩(wěn)定性。引入混合精度訓(xùn)練和標(biāo)簽平滑技術(shù)，增強(qiáng)了模型的魯棒性，使其對(duì)噪聲數(shù)據(jù)更具抵抗力[4]。在數(shù)據(jù)增強(qiáng)方面，運(yùn)用Mosaic和CutMix等高級(jí)方法，豐富了訓(xùn)練數(shù)據(jù)的多樣性。實(shí)施早停策略和模型集成技術(shù)，以提高模型的泛化能力。整個(gè)訓(xùn)練過程在8塊Tesla V100 GPU上進(jìn)行，耗時(shí)約72小時(shí)，最終獲得了性能優(yōu)異的模型。

3 " 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

研究的實(shí)驗(yàn)環(huán)境配備了功能強(qiáng)大的硬件設(shè)備，使用8塊NVIDIA Tesla V100 GPU的服務(wù)器，運(yùn)行Ubuntu 20.04 LTS操作系統(tǒng)和PyTorch 1.9.0深度學(xué)習(xí)框架。實(shí)驗(yàn)數(shù)據(jù)集十分豐富，包含50 000張高清電力設(shè)備圖像，涵蓋了輸電線路和變電站等多種場(chǎng)景。這些圖像經(jīng)過統(tǒng)一處理，將分辨率調(diào)整為3 840×2 160像素，并由專業(yè)團(tuán)隊(duì)進(jìn)行標(biāo)注，包括10類關(guān)鍵電力設(shè)備和15種常見缺陷類型。為確保數(shù)據(jù)的多樣性和代表性，研究團(tuán)隊(duì)收集了不同天氣條件和時(shí)間段的樣本，并與多家電力公司合作，獲取了實(shí)際運(yùn)行環(huán)境中的罕見案例。數(shù)據(jù)集經(jīng)過嚴(yán)格的質(zhì)量控制，按7︰2︰1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，為模型的訓(xùn)練和評(píng)估提供了可靠的基礎(chǔ)。

3.2 評(píng)價(jià)指標(biāo)

為全面評(píng)估模型性能，采用多項(xiàng)評(píng)價(jià)指標(biāo)，主要指標(biāo)包括平均精確度（mAP）、召回率（Recall）和F1分?jǐn)?shù)。mAP計(jì)算采用COCO評(píng)估標(biāo)準(zhǔn)，IoU閾值設(shè)為0.5。此外，優(yōu)化了平均檢測(cè)時(shí)間（ms/image）評(píng)估模型的實(shí)時(shí)性能[5]。針對(duì)小目標(biāo)檢測(cè)，特別計(jì)算了面積小于32×32像素目標(biāo)的AP_small。為評(píng)估模型在不同光照條件下的表現(xiàn)，分別計(jì)算了白天、黃昏和夜間場(chǎng)景的mAP。模型的泛化能力通過在未見過的新場(chǎng)景數(shù)據(jù)上的性能來衡量。在資源占用方面，記錄了模型的參數(shù)量和FLOPS。為了評(píng)估在邊緣設(shè)備上的部署性能，在NVIDIA Jetson Xavier NX上測(cè)試了幀率（FPS）。

3.3 對(duì)比實(shí)驗(yàn)

對(duì)比實(shí)驗(yàn)評(píng)估了改進(jìn)YOLOv5模型與YOLOv5s、Faster R-CNN和SSD的性能差異。如表2所示，改進(jìn)模型在mAP和AP_small上均優(yōu)于基線模型，分別達(dá)到93.7%和85.3%。在檢測(cè)速度方面，改進(jìn)模型僅比原始YOLOv5s慢2ms，但精度顯著提升。改進(jìn)模型在復(fù)雜光照條件下表現(xiàn)穩(wěn)定，夜間場(chǎng)景mAP保持在88.5%。在Jetson Xavier NX上，模型達(dá)到25FPS的實(shí)時(shí)性能，滿足實(shí)際應(yīng)用需求。

3.4 消融實(shí)驗(yàn)

消融實(shí)驗(yàn)分析了各改進(jìn)策略對(duì)模型性能的貢獻(xiàn)。表3展示了移除或替換各策略后的性能變化。結(jié)果表明，CSPNet結(jié)構(gòu)和額外特征層的影響最為顯著，分別導(dǎo)致mAP下降2.1%和AP_small下降3.7%。SE注意力機(jī)制雖然對(duì)整體mAP提升不大（1.5%），但在復(fù)雜背景下表現(xiàn)出色。DIoU損失函數(shù)優(yōu)化了邊界框回歸精度，使其提升2.3%。自適應(yīng)錨框策略對(duì)細(xì)長目標(biāo)檢測(cè)貢獻(xiàn)最大，使相關(guān)類別AP提升4.5%。各策略之間存在協(xié)同效應(yīng)，共同提升了模型在復(fù)雜電力設(shè)備場(chǎng)景中的性能。

4 " 結(jié)束語

本文中提出的基于深度學(xué)習(xí)的無人機(jī)電力巡檢目標(biāo)識(shí)別方法，有效解決了傳統(tǒng)巡檢中存在的效率低下、危險(xiǎn)性高等問題。通過改進(jìn)YOLOv5模型，結(jié)合數(shù)據(jù)增強(qiáng)和注意力機(jī)制，顯著提高了復(fù)雜環(huán)境下電力設(shè)備缺陷的檢測(cè)精度。結(jié)果表明，該方法在實(shí)際應(yīng)用中具有良好的泛化能力和魯棒性。因此，我們要進(jìn)一步探索多模態(tài)數(shù)據(jù)融合和邊緣計(jì)算技術(shù)，以實(shí)現(xiàn)更高效、更智能的電力巡檢系統(tǒng)。

參考文獻(xiàn)

[1] 徐少毅，楊磊.基于多智能體深度強(qiáng)化學(xué)習(xí)的多無人機(jī)輔助移動(dòng)邊緣計(jì)算軌跡設(shè)計(jì)[J/OL].北京交通大學(xué)學(xué)報(bào)，1-13[2024-10-12].

[2] 陳忠財(cái)，李鑫，隋立林.基于深度學(xué)習(xí)的智能化無人機(jī)視覺系統(tǒng)設(shè)計(jì)[J].集成電路與嵌入式系統(tǒng)，2024，24（09）：62-67.

[3] 鹿可可，李菱，歐發(fā)斌，等.基于深度學(xué)習(xí)的無人機(jī)電力巡檢方法研究[J].自動(dòng)化與儀表，2023，38（04）：59-64.

[4] 王金云.基于深度學(xué)習(xí)的無人機(jī)電力巡檢故障檢測(cè)與避障系統(tǒng)[D].天津：天津理工大學(xué)，2023.

[5] 馬瑞，歐陽權(quán)，吳兆香，等.基于深度強(qiáng)化學(xué)習(xí)的多無人機(jī)電力巡檢任務(wù)規(guī)劃[J].計(jì)算機(jī)與現(xiàn)代化，2022（01）：98-102.