基于边缘计算和无人机巡检图像的输电杆塔关键部位隐患智能识别

目前输电杆塔的隐患识别通常采用无人机拍摄本体图像,再传输到后台进行分析。这样不利于快速定位隐患位置并及时处理。同时输电杆塔的缺陷检测和识别主要采用基于深度学习的目标检测和分类算法,计算量大,无人机终端的处理器难以达到实时检测的效果,对关键部位小微隐患的检测能力不佳。为了提升无人机在巡检过程中对输电杆塔本体小微隐患检测和分类的准确率和实时性,提出了利用FPN(特征金字塔网络)构建Faster R-CNN(区域卷积神经网络)检测模型的MGFF-KCD(关键部件检测的多粒度特征融合算法)来处理多个粒度的特征信息,提高了算法的准确率。将算法模型在无人机终端进行实时智能分析,选取销钉、绝缘子、防震锤、均压环、鸟巢五类输电杆塔关键部位进行试验,结果表明,该算法在华为Atlas 200芯片设备上可实现每张62 ms的检测速度和88%的准确率。