摘 要

目前，对输电线路的巡检主要还是通过人工操作无人机，这样不仅耗费人力，拍摄的效果也存在不规范的情况。因此开发针对输电线路的视觉检测系统，实现自主巡检就显得尤为重要，也是未来技术发展的必然趋势。本文在目标检测理论的基础上，设计对电力杆塔检测于距离测量的算法，能够在视频中识别出电力杆塔并显示镜头与电力杆塔的距离。

本文的主完成的工作如下：第一，总结了现有的各种物体识别算法，设计了系统的整体方案；第二，制作了用于训练和测试的电力杆塔的数据集，数据集的格式为VOC2007；第三，根据SSD算法网搭建了用于电杆识别的神经网络并对其进行训练，得到了用于电杆识别的网络模型，模型的mAP在自制测试集上达到了0.905；第四，设计了距离测量算法，根据电杆的预测框大小来计算电杆的距离，能够实现大致距离的判断；第五，对SSD算法的先验框进行了改变，去掉了明显不符合电杆形状的先验框，使得模型训练时的收敛速度加快。调整了NMS算法的阈值，完全消除了一个目标出现多个预测框的情况。

实验结果表明，本次设计能够完成对电力杆塔的识别和距离的粗略测量，同时能满足对视频检测的实时性要求。

关键词：电杆识别；距离测量；SSD算法；数据集制作

Abstract

At present, UAV inspection of transmission lines mainly through manual operation, which not only consumes manpower, but also has irregular shooting effect.Therefore, the development of UAV autonomous inspection system for transmission lines is particularly important, and it is also the inevitable trend of future technological development.On the basis of target detection theory, this paper designs an algorithm for distance measurement of power tower, which can recognize power tower in video and display the distance of lens to power tower.

The main work of this paper is as follows: Firstly, the existing object recognition algorithms are summarized and the overall scheme of the system is designed; secondly, the data set of power poles and towers for training and testing is made, the format of the data set is VOC2007;Thirdly, the SSD network for pole recognition is constructed and trained, and the network model for pole recognition is obtained. The mAP of the model reaches 0.905. Fourthly, the distance measurement algorithm is designed to calculate the distance of pole according to the pole prediction frame, which can realize the judgment of the approximate distance. Fifthly, the SSD network model is obtained. The priori frame of the algorithm has been changed, and the priori frame which obviously does not conform to the shape of the pole has been removed, so that the convergence speed of the model training is accelerated. The threshold of NMS algorithm is adjusted to eliminate the situation that multiple prediction frames appear in one target.

The experimental results show that the design can complete the identification of power poles and towers and the rough measurement of distance, and meet the real-time requirements of video detection.

Key words: pole recognition; distance measurement; SSD algorithm; data set production Situation.

目录

第1章 绪论 1

1.1研究意义 1

1.2研究背景 1

1.3国内外研究现状 2

1.3.1传统物体检测方法 2

1.3.2基于区域提取的物体检测 2

1.3.3基于回归的物体检测 3

1.4本文研究内容 4

第2章 基础理论与方案设计 5

2.1总体方案设计 5

2.2电力杆塔识别算法设计 5

2.2.1网络模型的训练方法 5

2.2.2深度学习框架的选择 6

2.2.3数据集的来源 8

2.3距离算法的设计 9

第3章 电力杆塔的识别算法设计 10

3.1神经网络的搭建 10

3.1.1 SSD算法简介 10

3.1.2算法的改进 11

3.2数据集的制作 11

3.2.1训练数据集的制作 12

3.2.2测试数据集的制作 15

3.3神经网络的训练与预测 16

3.3.1神经网络的训练过程 16

3.3.2神经网络的预测过程 17

第4章 距离测量算法设计 18

4.1相机视角计算 18

4.2电杆距离计算 19

第5章 模型测试与结果分析 20

5.1网络模型的训练 20

5.1.1tfrecord文件的生成 20

5.1.2网络的迭代训练 20

5.1.3网络模型的测试 23

5.2 NMS阈值改变测试 24

5.3距离显示测试 25

5.3.1视频中距离测量效果 25

5.3.2距离测量准确度测试 26

第6章 总结与展望 27

6.1总结 27

6.2展望 27

参考文献 28

附录1 主要程序源码 30

致谢 36

第1章 绪论

1.1研究意义

目前，多旋翼无人机输电线路巡检主要还是依靠人工手动操控无人机进行飞行和拍照，由于每位操控手的拍摄角度、习惯都不一样，且各自操控水平也不一致，巡检一基杆塔所需的时间也各不相同，有时还存在漏拍，很难形成标准化。因此，急需一种自主巡检的系统，能让无人机脱离人工操控独自完成巡检任务。相比人工操控，自主无人机巡检系统效率更高，采集图像利用率更高。

如果将现有的无人机和人工协同巡检逐步转变为以无人机为主的自主巡检，将有可能改变电力公司输电线路巡检的作业方式，在大幅节省人力成本的同时也极大提升了输电线路无人机巡检的效率，同时有效弥补了输电线路巡检人员不足的缺口。这将有助于推动实现所有无人机对电路自主巡检的终极目标。

1.2研究背景

随着技术的不断发展，传统的人工巡检输电线路的方式已经较为落后，无人机慢慢开始在输电线路巡检中扮演了重要的作用。在2012年国网湖北电力就开始实施无人机巡检和人工巡检相结合的方式进行输电线路巡检。并且不断进行无人机的应用领域的扩展，强化对输电线路状态管控，提升电网的安全水平。在做好常规设备巡检应用的同时，该公司在输电线路故障点查找、线路验收、通道清理验收、抗灾及应急抢修、防外破等工作中，深化无人机应用，提升线路运检工作效率。至今，该公司使用无人机进行了大量巡检任务，并且发现了多处输电线路的问题并及时进行了处置，确保了输电设备处于健康水平。因此，无人机在输电线路巡检中的作用日趋明显，实现无人机巡检系统的自主化、智能化的需求是目前亟待解决的问题。

人工智能是一门用于模拟和扩展人类智能的理论和方法的学科，可以让计算机像人一样感受外界信息，并像人一样思考，进一步对信息进行处理、表达和决策。从而解放人的生产力，提高人们的生活水平。人工智能包含了语言识别、图像识别、机器人、自然语言处理、工业检测等方面，其中，计算机视觉算是人工智能最热门的领域。计算机视觉就是用各种成像系统代替人的视觉器官，使用计算机代替人的大脑，从而使计算机能够拥有人一样的对视觉信息的捕捉和处理。到目前为止，人工智能已经在各个领域对人们的生活和工作产生了极大的影响与帮助。将人工智能用于输电线路杆塔以实现无人机自主巡检必定是未来的发展趋势。

1.3国内外研究现状

作为计算机视觉的一个重要分支，对目标检测的研究无论在理论上还是在实践中都具有重要意义。目标检测就是对图像进行处理，得到感兴趣的目标，并对其进行分类与定位，与图像识别和图像分类相比，还需要解决目标的定位任务。作为计算机视觉应用于人类生活的基础问题，目标检测具有很大的挑战性和应用前景。这也是本文完成电力杆塔识别的核心问题。

1.3.1传统物体检测方法

传统的机器学习方法主要包含4个步骤：（1）图像的预处理；（2）使用滑动窗口的方法遍历图像，然后确定目标位置；（3）提取目标区域的特征，比较常见的有HOG特征^[1]、Hear特征^[2]、SIFT特征^[3]等；（4）使用训练好的分类器进行检测，常用的分类器有Adaboost^[4]分类器和支持向量机（SVM）^[5]等。由于计算复杂度高，传统的算法实时性差，在复杂情况下的鲁棒性也较差。

1.3.2基于区域提取的物体检测

对卷积神经网络的物体检测也拥有十几年的研究历史。早在1994年就出现了应用于目标检测的卷积神经网络。不过由于当时很多方面的限制，基于卷积神经网络的目标检测在准确度以及速度上相比于传统目标检测方法没有明显的优势。直到2012年卷积神经网络AlexNet被提出，该网络模型在图像识别上取得了重大进展，并获得当年ImageNet大赛冠军。从此以后，卷积神经网络（CNN）^[6]开始重新被研究的人们所重视。随着深度学习在计算机视觉领域的不断突破，越来越多的物体检测算法被提出。基于区域提取的物体检测主要分为两个步骤，即先提取候选框，然后再进行预测。