基于Faster R-CNN级联的输电塔螺栓缺失检测

徐敏，罗劲，刘华

(广东电网有限责任公司广州供电局，广东 广州 510620)

在输电线路中，输电塔螺栓起着固定塔身、连接导线等重要作用。由于长期暴露于室外，输电塔容易出现螺栓缺失、老化、断裂等问题，这严重危害输电线路的安全；因此，需要对输电塔进行定期巡检，定位螺栓缺失位置。传统的螺栓缺失检测方法通常是人工巡检，使用全站仪等设备，实地测量检测。由于输电塔所处地理环境复杂，实地测量困难，存在工作量大、效率低、不安全等问题。随着无人机技术的发展，人工识别无人机拍摄的图像成为常用方法，但该方法工作效率依旧低下，且人力成本高。为提高巡检效率和精度，节省成本，目前常用的方法是将无人机技术和传统图像处理与深度学习相结合。

传统的图像处理方法主要有：冯敏等[1]根据无人机采集得到的影像数据建立样本库，提取得到样本影像的方向梯度直方图(histogram of oriented gradient，HOG)特征，构建支持向量机(support vector machine，SVM)分类器，实现对影像中螺栓的自动识别。黄志文等[2]对采集得到的影像分2步提取感兴趣的区域，第1步利用灰度投影算法对输电塔的横担区域进行定位，第2步利用改进的霍夫变换提取精确的位置，并利用面积阈值法去除背景信息，提取螺栓信息。

深度学习与传统图像处理方法相比，具有更强的鲁棒性，适用于海量螺栓数据。常用的目标检测算法主要有：快速循环卷积神经网络(faster recurrent convolutional neural network，Faster R-CNN)、Mask R-CNN和YOLO[3]、SSD(single shot multibox detector)[4]。李宁等[5]利用无人机巡视的便捷性，采用Faster R-CNN算法对海量无人机影像和视频进行预处理识别，同时对缺陷位置进行标注和分类，准确识别出输电线路的缺陷影像，提高了缺陷巡视效率。……