文献类型：期刊文章

作　　者：杨罡[1] 孙昌雯[1] 王大伟[1] 晋涛[1] 徐澄宇[2] 卢志博[3] 张兴忠[3]

YANG Gang;SUN Changwen;WANG Dawei;JIN Tao;XU Chengyu;LU Zhibo;ZHANG Xingzhong(Electric Power Research Institute,State Grid Shanxi Electric Power Company,Taiyuan 030021,China;Internet Department,State Grid Shanxi Electric Power Company,Taiyuan 030021,China;College of Software,Taiyuan University of Technology,Shanxi Jinzhong 030600,China)

机构地区：[1]国网山西省电力公司电力科学研究院,太原030021 [2]国网山西省电力公司互联网部,太原030021 [3]太原理工大学软件学院,山西晋中030600

出　　处：《太原理工大学学报》

基　　金：国网山西省电力公司科技项目(52053017000N)

年　　份：2020

卷　　号：51

期　　号：2

起止页码：212-219

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：基于深度学习的目标检测技术因其自身复杂的模型结构和对算力的需求,导致应用于无人机输电线路巡检中无法在机载前端实现高效且准确的检测。针对这一问题,面向输电线路无人机前端巡检中绝缘子、悬垂线夹及防震锤3类部件,选取Single Shot MultiBox Detector(SSD)目标检测算法,通过使用不同的骨干网络对比性能差异,选择最佳网络结构并采用特征融合手段提高检测准确率。实验结果表明,采用Mobilenet_v1作为SSD的骨干网络进行特征提取,并融合不同层次特征进行检测,Mean Average Precision(mAP)可达90.21%,在具有边缘计算能力的嵌入式设备上可以达到每张63 ms的检测速度。为输电线路无人机前端实时检测提供了重要参考。

关 键 词：输电线路巡检 部件检测  SSD 特征融合  

分 类 号：TM755]