基于改进YOLOv4输电线关键部件实时检测方法

郑 伟，杨晓辉，吕中宾，任 聪，吴合风，王 超

(1.国网河南省电力公司，郑州 450052；2.国网河南省电力公司电力科学研究院，郑州 450052；3.北京御航智能科技有限公司，北京 100085)

近年来，随着智能电网和人工智能技术的快速发展，无人机(unmanned aerial vehicle,UAV)输电线路巡检已成为一种全新的智能化作业模式，巡检效率和质量较人工巡检有显著提高[1-2]。然而，传统的无人机巡检过程中采集海量图像或视频数据，通过无人机图传链路或移动网络传输到地面站并结合目标检测模型进行智能分析，但受限于数据传输的延迟，易造成实时目标检测的滞后性，无法满足无人机电力智能巡检的需求。因此，研究满足基于无人机机载端嵌入式平台的输电线路连接部件高精度、高速度检测模型，对保障无人机全自主巡检具有重要的现实意义和理论价值。

当前，中外学者已逐步利用图像识别完成无人机拍摄的输电线路关键部件中识别与分类任务，并取得了一定的应用效果。这些方法主要分为两类：一是传统图像处理的识别方法，二是基于深度学习的目标检测方法。传统的图像目标检测方法采用人工设计目标的特征来实现不同典型目标的识别与检测，但依赖足够的先验知识或丰富的图像处理经验，无法为复杂多变的电力巡检场景挖掘出更多具有高层语义的信息。近年来，随着卷积神经网络和深度学习技术的迅速发展，基于卷积神经网络的自适应特征提取方式突破了传统手工特征构建的局限性，大幅提高了目标检测的精度和鲁棒性。……