[发明专利]一种基于改进YOLOv3模型的多目标巡检方法

说明书

本发明公开了一种基于改进YOLOv3模型的多目标巡检方法，属于线路维护技术领域，包括：设计一种适应电力无人机巡检目标视觉特性的YOLOv3网络结构，对无人机巡检场景下的目标进行动态跟踪及检测识别；构建基于深度学习模型的视频信息提取、分析与目标检测模型；针对高速运动条件下的目标，对相邻帧图像的识别结果进行关联分析；利用目标有效特征，采用匹配算法在序列图像中寻找与目标模板最相似的图像位置，为下一步的目标巡检提供可靠数据来源。本发明还公开了实现上述方法的步骤、设备及存储介质，本发明示例的技术方案，用于输电线线路无人机实时巡检，实时性高、结果准确，比起目前采用的人工巡检，大大降低了成本。

技术领域

本发明属于电力线路运维技术领域，尤其涉及输电线路的巡检，具体的说是一种基于深度学习的图像处理技术。

背景技术

架空输电线路无人机巡检系统与其他无人飞行器在应用需求上存在明显区别，各项技术指标要求存在较大差异，检测项目和检测方法等尚属空白，目前无人机主要应用在平原、丘陵等地形环境，尚未涉及在高寒、高海拔、无人区等复杂地形的应用研究。

国内单位对架空输电线路无人机巡检作业相关研究，主要侧重于应用可行性验证方面，在嵌入式多目标识别跟踪等方面的技术研究涉及较少。从近年各单位的研究、应用情况来看，无人机巡检作业仍然存在以下突出问题：

(1)无人机巡检后台处理实时性不足，巡检效率低

无人机巡检场景下采集的数据分析多为后台离线处理，实时性不足，针对多目标、复杂背景下的输电线路目标缺陷异常缺乏在线初步诊断。同时无人机巡检缺乏输变电设备目标实时检测，导致采集到的很多视频图像数据不是目标区域，产生大量冗余数据，降低巡检效率。

(2)无人机多目标巡检无法实现

无人机在巡检过程中，对采集的所有图像进行目标缺陷检测的时候，无法有效的同时识别出多缺陷位置，容易造成漏报，缺乏智能化辅助手段，对巡检结果的有效性造成较大影响。

(3)巡检无人机针对导线、小金具等小目标检测能力不足

由于巡检无人机所采集的图像都是较远距离所拍摄的，而小金具等细粒度缺陷很难快速检测出来，目前的常规深度学习模型同样对小尺寸目标检测能力较差，无法满足无人机实时巡检的要求。

随着人工智能、嵌入式图像处理与识别的发展，结合现阶段无人机巡检的业务需求，开展无人机巡检在线检测、目标诊断与智能控制技术研究与应用，为上述问题提供合理的解决方案，从而提高巡检效率，保障巡检安全。

发明内容

为解决上述现有技术中的不足，本发明的目的在于提供一种基于改进 YOLOv3模型的多目标巡检方法，该方法及系以无人机和直升机待在嵌入式FPGA 芯片为载体，在输电线路多目标缺陷巡检中进行实时检测识别，同时可在农业、矿业、交通基础设施、勘测和公共安全等场景开展推广应用。

本发明所采用的技术方案为：

一方面，提供了一种基于改进YOLOv3模型的多目标巡检方法，包括：

对基于YOLOv3模型的多目标检测与SURF特征点的运动状态下多目标跟踪技术相结合；

进一步的，通过YOLOv3模型进行巡检多目标检测，利用目标有效特征，使用适当匹配算法，在序列图像中寻找与目标模板最相似的图像位置，根据目标图像的SURF特征点集进行运动状态下的多目标跟踪。

将改进的YOLOv3模型烧制在FPGA芯片上；

进一步的，将通过YOLOv3训练出的缺陷检测模型优化后烧制在智能芯片中，满足低功耗、高速度、高精准的识别效果。

将改进的YOLOv3模型多目标巡检方法应用在电力无人机视觉巡检上；