文献类型：期刊文章

作　　者：郭敬东[1] 陈彬[1] 王仁书[1] 王佳宇[2] 仲林林[2]

GUO Jingdong;CHEN Bin;WANG Renshu;WANG Jiayu;ZHONG Linlin(State Grid Fujian Electric Power Research Institute,Fuzhou 350007,China;Department of Electrical Engineering,Southeast University,Nanjing 210096,China)

机构地区：[1]国网福建省电力有限公司电力科学研究院,福建福州350007 [2]东南大学电气工程学院,江苏南京210096

出　　处：《中国电力》

基　　金：国家自然科学基金资助项目(518070280);国家电网有限公司科技项目(52130418000L)~~

年　　份：2019

卷　　号：52

期　　号：7

起止页码：17-23

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：无人机巡检已成为电力线路灾后巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。提出了一种基于深度学习算法(YOLO)的实时目标检测模型,用于灾后根据无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用K-means算法对杆塔数据集的目标框进行重新聚类,改进了YOLO算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比(IoU)较改进前有所提高,且平均均值精度(mAP)达到94.09%,检测速度达到20帧/s。此外,也对更快的简化版YOLO模型进行了测试,检测速度能达到30帧/s。

关 键 词：无人机巡检  电力杆塔 深度学习  YOLO  数据增广  人工智能与大数据应用  

分 类 号：TM755]