无人机巡检图像电力小部件识别技术研究

随着无人机(UAV)在电巡线作业中的应用推广,对无人机巡检图像的目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以达到较高的准确率。随着卷积神经网络(CNN)在目标识别中的兴起,基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使得目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并分析了几个关键参数,如dropout比例、nms、批处理尺寸对识别结果的影响,给出了一些针对Faster R-CNN算法的建设性调优建议。最后利用实际采集的电力小部件巡检数据构建的数据集对Faster R-CNN算法进行测试验证。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80ms的识别速度和92.7%的准确率。这些结果也表明Faster R-CNN算法的优势。