1.1背景及意义

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，亟须一种自主巡检的无人机系统，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。

无人机自主巡检系统将极大的提高无人机巡检效率，传统人工操控无人机一天一人巡检30基杆塔，自主巡检系统可以一天巡检90基，巡视效率提高近3倍。只是前期采集杆塔拍摄点精确位置及此位置对应相机云台姿态参数需要投入较大人力和物力。

1.2国内外现状

传统的检测任务主要通过人工提取特征建立模型，比如常用HOG、SIFT、Haar特征等，特征提取模型之后进行支持向量机（SVM）或者Adaboost的分类任务。而传统目标检测系统采用deformable parts models（DPM）方法，通过滑动框方法对目标区域进行定位。基于卷积神经网络的目标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。但由于当时各方面的限制，基于卷积神经网络的目标检测相比于传统目标检测方法在准确度以及速度上并没有表现出太大优势。在很长一段时间里，在卷积神经网络方面的研究也因为缺乏训练数据、硬件条件限制等问题并没有取得实质性的进展。

但随卷积神经网络AlexNet于2012年的提出，基于卷积神经网络的目标检测被越来越多的研究者们所研究，其检测效果如今也已经大大超越传统的目标检测方法，逐渐成为如今目标检测的主流方法。这几年里深度学习理论的迅速发展，目标检测进入了新阶段。与传统目标检测方法中手工设计特征的方式不同，通过深度卷积神经网络可以自动提取特征，在大量数据进行有监督训练的基础下，得到的特征具有很强泛化性，对物体形变、背景、光照、遮挡物及噪声具有一定的鲁棒性。根据检测思想的不同，基于深度学习的目标检测算法可分为基于分类的目标检测算法和基于回归的目标检测算法两类。

基于分类的目标检测算法又称两阶段模型，其将检测问题划分为两个阶段，首先选取候选区域，然后对候选区域进行分类以及位置回归，从而输出目标检测结果。2014 年 Girshick Ｒ 等^[1]提出基于区域提取的R-CNN算法,。该方法通过候选区域提取将目标检测问题转换为区域上的分类问题，具有简单、可扩展的优点。2014 年 He K 等^[2]在卷积神经网络中设计了一种空间金字塔池化层，克服了卷积神经网络只能接受固定大小输入的限制，并且改进了卷积神经网络提取图像特征时重复提取的问题，避免了因尺寸归一化而引起的信息失真问题,并提高了区域提取阶段的运行速度。在SPP-Net 算法结构的基础上，2015年 Girshick R等^[3]又提出一种改进的Fast R-CNN算法，Fast R-CNN模型融合了R-CNN和SPP-Net的优点，通过多任务损失对算法进行端到端的训练。但是R-CNN和Fast R-NN进行选择性搜索消耗了大部分检测时间，因此Fast R-CNN算法在确定候选区域方面还有待改进。 针对Fast R-CNN算法的缺陷，2015 年Ｒen S等人^[4]又提出了Faster R-CNN 算法，用候选区域生成网络( RPN) 代替了选择性搜索 Selective Search算法，将候选区域提取网络RPN与下游的Fast R-CNN检测网络联合训练，共享卷积特征，这种方法大大提升了物体检测速度。

双阶段模型经过不断发展，特别是当RPN网络提出之后，其模型的精度已达到较高水平。然而由于其包含了生成区域建议的过程，使得检测耗时较久，难以达到实时检测测的要求。基于回归的目标检测算法又称单阶段模型，不进行区域建议阶段，直接对全图进行回归。与基于区域提取的两阶段模型不同，单阶段方法通过完整的单次训练就能实现特征共享，准确率和速度都得到极大提升。单阶段模型的典型代表就是SSD和YOLO。2016 年Remdon等^[5]提出了YOLO算法，，YOLO 算法将目标检测框架看作空间上的回归问题，单个神经网络可经过一次运算从完整图像上得到边界框和类别概率的预测,速度相较双阶段模型有了很大的提升，但是 YOLO算法存在定位精度、召回率等较低的问题，且对距离很近的物体和很小的物体检测效果不好，泛化能力相对较弱。Redmon 等又相继提出了YOLO v2^[6]和YOLO v3^[7]检测算法，解决了YOLO精度、召回率低等问题。同时，2016 年 Liu W 等提出 SSD( Single Shot MultiBox Detector) 算法^[8]，将单个深度神经网络应用到图像目标检测中，相比与YOLO，提高了精度。但是此 SSD 对于小目标的检测效果依然不理想; 无候选区域时，区域回归难度较大，容易出现较难收敛的问题。2017年，Fu等^[9]对SSD算法进一步优化，提出了DSSD算法。不同于SSD算法直接在卷积层输出上做预测，DSSD算法则在更深层的反卷积模块上做预测，由于这种深层特征具有更大的感受野，因此这种深层特征和浅层特征相融合的方法，为小目标提供了上下文信息，进一步提升了对小目标的检测精度。

2. 研究的基本内容与方案

2.1设计内容