目  录

摘  要

ABSTRACT

1.绪论 1

1.1 选题背景及意义 1

1.2 国内外研究现状 3

1.2.1 无人机巡检技术国内外现状 3

1.2.2 无人机巡检图像处理技术的国内外现状 4

1.3 本课题的主要研究内容 5

1.4 论文结构安排 5

2.无人机图像处理技术 7

2.1 引言 7

2.2 巡检图像增强与滤波 7

2.2.1 巡检图像增强 7

2.2.2 巡检图像滤波 9

2.3 扩充数据集 10

2.4改进方法 11

3.电力巡检目标检测 13

3.1 引言 13

3.2 SSD算法检测 13

3.3 YOLOv3算法检测 14

3.4 评价指标 15

3.4.1 IOU 15

3.4.2 精准率和召回率 15

3.5 电力巡检测试结果与分析 16

3.6训练中出现的nan问题 18

4.电力巡检缺陷识别 20

4.1 引言 20

4.2 SVM缺陷识别算法 20

4.2.1 SVM算法基本思想 20

4.2.2 SVM算法参数调优 23

4.3 缺陷识别实验 25

5.总结和展望 29

5.1 论文工作总结 29

5.2 工作展望 29

参考文献 31

致 谢 33

 

摘　　要

 

随着网络技术、无人机技术以及人工智能的迅速发展，我国经济也在持续快速发展，现代化建设的步伐越来越快。因此，很多的生产工业、商业贸易以及家庭近几年的用电量持续飙升，国家电网投入的人力、物力和财力每年剧增，供电线路的规模也在迅速增加，这给电缆、供电设备的维护带来了巨大的困难。经过常年的风吹雨淋，电力设备的性能受到一定的影响，设备机械部件松动、电线老化等一系列问题，所以经过一段时间就必须对电力设备进行巡检和维护，以保障供电系统正常运行。

本课题基于深度学习的电力巡检缺陷检测的研究就是分析了深度学习的相关算法在电力巡检缺陷检测方面的应用。通过了解无人机在电力巡检方面的应用和国内外相关技术的现状，以无人机实现电力设备的巡检在目前已成为可能。因此，在无人机巡检的背景下，本课题主要分析研究了无人机巡检线路图像中的塔基、鸟巢、断股散股、绝缘子、防震锤、螺母销子等的目标检测和缺陷识别。

显而易见，本课题主要实现两个目标，一个是目标检测，另一个就是缺陷识别。无人机拍摄的空中图像分辨率是相当的高，将这些高分辨率的图像信息进行YOLOv3神经网络算法的识别和定位，同时为了增强该算法的目标识别正确率，训练过程中对图像进行了一定的处理，比如旋转、比例收缩等变换以更好的完成目标的识别检测。缺陷识别方面，本课题在确保YOLOv3算法的高识别率下，采用了支持向量机的SVM分类算法对识别的数据集进行分类处理，已判断检测目标是否存在缺陷。测试实验表明，YOLOv3算法和SVM分类算法对于目标的检测和缺陷的识别具有较高识别率，同时系统具有检测速度快、抗干扰能力强等优点。

 

关键词：无人机，YOLOV3算法，SVM分类算法，缺陷检测