《基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)電力巡檢系統(tǒng)開(kāi)發(fā)11000字》

基于卷積神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)電力巡檢系統(tǒng)開(kāi)發(fā)摘要目前無(wú)人機(jī)技術(shù)的發(fā)展已經(jīng)逐漸成熟,中國(guó)無(wú)人機(jī)品牌大疆則是引領(lǐng)著全球無(wú)人機(jī)的最新風(fēng)向。無(wú)人機(jī)在軍事上、農(nóng)業(yè)上、攝影上、救援上都有著極其重要的作用，可以說(shuō)當(dāng)今的各行各業(yè)都離不開(kāi)無(wú)人機(jī)。架空輸電線路是我國(guó)電力運(yùn)輸?shù)闹匾M成部分，與地下輸電線路相比，其具有建設(shè)成本低，施工周期短，易于檢修維護(hù)等優(yōu)點(diǎn)。然而，由于架空輸電線路暴露在空氣中，因此容易引發(fā)各種問(wèn)題，需要不斷對(duì)其進(jìn)行巡檢。傳統(tǒng)巡檢方式多為人工，在惡劣環(huán)境下這種巡檢方式不僅效率低下，而且具有一定危險(xiǎn)性。而隨著無(wú)人機(jī)技術(shù)的發(fā)展，將其運(yùn)用于電力線巡檢中可以較好的解決傳統(tǒng)巡檢方式所遺留的一些問(wèn)題。本文針對(duì)新型無(wú)人機(jī)電力線路巡檢技術(shù)進(jìn)行了研究，主要工作內(nèi)容包括基于機(jī)器視覺(jué)的無(wú)人機(jī)避障技術(shù)和基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子檢測(cè)技術(shù)。關(guān)鍵詞：無(wú)人機(jī)；電力線巡檢；電力線測(cè)距；視覺(jué)檢測(cè)；絕緣子檢測(cè)目錄摘要 1第一章緒論 41.1研究的背景和意義 41.2國(guó)內(nèi)外研究現(xiàn)狀 51.2.1無(wú)人機(jī)避障技術(shù) 51.2.2絕緣子檢測(cè)技術(shù) 61.3本文研究的主要內(nèi)容 6第二章基于機(jī)器視覺(jué)的無(wú)人機(jī)避障技術(shù) 82.1單目視覺(jué)技術(shù) 82.2雙目視覺(jué)技術(shù) 92.2.1雙目標(biāo)定及校正技術(shù) 92.2.2雙目立體匹配算法 11第三章基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子檢測(cè)技術(shù) 143.1卷積神經(jīng)網(wǎng)絡(luò) 143.1.1卷積層 143.1.2激活層 153.1.3池化層 153.1.4全連接層 163.2基于改進(jìn)YOLOv3算法的絕緣子目標(biāo)檢測(cè) 163.2.1YOLOv3算法介紹 163.2.2基于改進(jìn)YOLOv3算法進(jìn)行絕緣子目標(biāo)檢測(cè)步驟 17第四章總結(jié)與展望 19參考文獻(xiàn) 21第一章緒論1.1研究的背景和意義電力工業(yè)作為現(xiàn)代工業(yè)發(fā)展的一大基石，是我國(guó)經(jīng)濟(jì)發(fā)展的一大命脈。近年來(lái)，隨著科技的不斷發(fā)展，電網(wǎng)的智能化被提上日程，而其中，運(yùn)用無(wú)人機(jī)進(jìn)行電力巡檢也是電網(wǎng)智能化的一大部分。輸電線路作為電力工業(yè)中的重要一環(huán)，對(duì)整個(gè)電力工業(yè)的影響不言而喻，而現(xiàn)在絕大多數(shù)輸電線路都為架空輸電線路，由于其直接暴露在空氣中，容易被自然環(huán)境所影響而導(dǎo)致出現(xiàn)電力故障，由此可以推測(cè)出因此需要進(jìn)行不斷的檢修(魏靜涵,林德祥,2022)。目前輸電線路的檢修方式依然為傳統(tǒng)的人工檢修，這種方式具有以下問(wèn)題[1-3]：巡檢不全面。受限于一些比較惡劣的自然環(huán)境與復(fù)雜的地理環(huán)境，工作人員對(duì)一些檢修點(diǎn)難以觀察到的位置束手無(wú)策，從而導(dǎo)致不能夠及時(shí)發(fā)現(xiàn)輸電線路的問(wèn)題，引發(fā)一系列事故(蔣文杰,郭巧玲,2023)。巡檢效率低。我國(guó)具有各種各樣的地理環(huán)境，而處在惡劣環(huán)境中的輸電線路檢修難度極大，同時(shí)也有一些輸電線路的里程較長(zhǎng)，這些因素都會(huì)對(duì)工作人員產(chǎn)生一定影響，導(dǎo)致工作效率十分低下(黃佳穎,李浩然,2021)。安全性不足。對(duì)于處在惡劣環(huán)境下的工作人員來(lái)說(shuō)，電力線路的檢修是一項(xiàng)十分消耗精力并且危險(xiǎn)的任務(wù)，通過(guò)分析這些內(nèi)容可以看出同時(shí)由于一些輸電線路架設(shè)在人跡罕至的地方，有些地方甚至沒(méi)有信號(hào)，這就導(dǎo)致在工作人員遭遇危險(xiǎn)時(shí)很難與外界取得聯(lián)系，救援隊(duì)無(wú)法第一時(shí)間到達(dá)，產(chǎn)生巨大安全隱患。基于上述缺點(diǎn)，我國(guó)每年在電力巡檢上投入的人力和物力不計(jì)其數(shù)，而傳統(tǒng)電力巡檢方式又得不到新的技術(shù)改善(薛峰,馬思敏,2021)。而近年來(lái)，在這類環(huán)境中無(wú)人機(jī)技術(shù)不斷發(fā)展和成熟，將其投入到電力巡檢中恰能彌補(bǔ)傳統(tǒng)人工巡檢的不足，因此，應(yīng)用無(wú)人機(jī)進(jìn)行電力巡檢便成為了一種新的巡檢方式。無(wú)人機(jī)憑借著自身的小巧靈活，通過(guò)在其身上安裝攝像頭就能實(shí)現(xiàn)電力巡檢的功能，與傳統(tǒng)人工巡檢方式相比，極大提升了安全性，也能更好地觀察電力線人工巡檢的死角(李晨曦,劉曉蕓,2022)。但是，在無(wú)人機(jī)電力巡檢過(guò)程中，在這框架范圍內(nèi)針對(duì)高壓的環(huán)境下，無(wú)人機(jī)自身也可能遭受危險(xiǎn)，這是由于越靠近特高壓線的電磁干擾越強(qiáng)，這種電磁干擾會(huì)嚴(yán)重影響無(wú)人機(jī)的控制，圍繞這狀況展開(kāi)甚至可能導(dǎo)致無(wú)人機(jī)墜毀，而在電力線旁的無(wú)人機(jī)一旦墜毀，可能引發(fā)更嚴(yán)重的安全事故。為保障研究結(jié)論的可復(fù)制性和廣泛適用性，本研究采取了一系列措施，以提升研究的嚴(yán)謹(jǐn)性和普遍性。從研究規(guī)劃至數(shù)據(jù)收集、分析，每一步都嚴(yán)格遵循科學(xué)方法論原則，力求過(guò)程的標(biāo)準(zhǔn)化與透明化。研究設(shè)計(jì)階段，清晰界定了研究目標(biāo)與變量，以保障研究的邏輯連貫性和可操作性。此外，采用多元數(shù)據(jù)來(lái)源及收集策略，提升數(shù)據(jù)的豐富性與全面性，規(guī)避單一數(shù)據(jù)源可能引發(fā)的偏差。通過(guò)詳細(xì)的研究記錄、數(shù)據(jù)收集分析流程的描述，以及直觀的研究結(jié)果圖表，有助于研究成果的普及與應(yīng)用。因此，無(wú)人機(jī)電力巡檢要求在無(wú)人機(jī)上安裝視覺(jué)檢測(cè)模塊，通過(guò)此模塊控制無(wú)人機(jī)在飛行時(shí)對(duì)障礙物的規(guī)避，以及對(duì)電力線的距離把控(張嘉彤,王逸飛,2020)?，F(xiàn)階段使用無(wú)人機(jī)進(jìn)行電力巡檢，主要還是依賴于工作人員通過(guò)無(wú)人機(jī)所搭載的攝像頭進(jìn)行觀察與判斷，這種方式實(shí)際上效率仍然較為低下，同時(shí)工作人員處理大量圖像時(shí)也容易出現(xiàn)一些誤差，根據(jù)當(dāng)前的情景還要考慮無(wú)人機(jī)所拍攝下的畫面清晰度所帶來(lái)的的影響(周梓涵,陳雅琪,2023)。因此我們引入了一種新型的無(wú)人機(jī)電力巡檢技術(shù)，即機(jī)器視覺(jué)技術(shù)。這種技術(shù)實(shí)際上也是一種圖像分析技術(shù)，在這形勢(shì)影響下該技術(shù)的最大特點(diǎn)是速度快、信息量大、功能多，通過(guò)這種技術(shù)，我們能更好的從圖片中提取出關(guān)鍵信息，從而極高的提升電力線巡檢的效率[4-5]。1.2國(guó)內(nèi)外研究現(xiàn)狀1.2.1無(wú)人機(jī)避障技術(shù) 使用無(wú)人機(jī)進(jìn)行電力巡檢時(shí)，由于電力的環(huán)境復(fù)雜，經(jīng)常需要無(wú)人機(jī)對(duì)沿線周圍的障礙物進(jìn)行規(guī)避，因此無(wú)人機(jī)避障技術(shù)在電力線巡檢中就顯得尤為重要(趙文博,鄭云飛,2020)。采用機(jī)器視覺(jué)技術(shù)進(jìn)行躲避障礙，實(shí)際上，就是針對(duì)無(wú)人機(jī)拍攝到的障礙物進(jìn)行視覺(jué)處理，得出的障礙物的距離，形狀等信息，再反饋給控制器，從而操縱無(wú)人機(jī)在飛行圖中躲避障礙物。目前主流的無(wú)人機(jī)避障技術(shù)有單目視覺(jué)和雙目視覺(jué)兩種(王俊熙,許若琳,2021)。在這場(chǎng)景中展開(kāi)單目視覺(jué)即依靠一個(gè)攝像頭進(jìn)行分析，而雙目視覺(jué)與人眼的成像原理基本相同，即通過(guò)兩個(gè)攝像頭來(lái)獲得目標(biāo)物體的兩幅圖，通過(guò)計(jì)算分析得出該物體距離(楊慧萍,林澤銘,2022)。隨著我國(guó)無(wú)人機(jī)行業(yè)的迅速發(fā)展，無(wú)人機(jī)避障技術(shù)也在不斷提高，目前國(guó)內(nèi)常用的避障技術(shù)主要有紅外避障、超聲波避障、雷達(dá)避障、三維地圖通用分組無(wú)線服務(wù)技術(shù)避障、基于輸電線路電磁場(chǎng)原理的避障，其中，基于這些因素之下紅外避障由于采用紅外線測(cè)距，受溫度、光照影響較大(孫明志,胡佳怡,2023)；超聲波避障的衰減較為嚴(yán)重，作用距離短，同時(shí)在無(wú)人機(jī)飛行時(shí)容易受到機(jī)翼的影響；雷達(dá)避障所需要的設(shè)備體積較大，不便于在無(wú)人機(jī)上搭載；三維地圖避障成本高，時(shí)效性短，由此可以推測(cè)出同時(shí)對(duì)無(wú)人機(jī)所處位置信號(hào)有較大要求；基于輸電線路電磁場(chǎng)原理的避障理論上來(lái)說(shuō)是最優(yōu)越的，但目前大部分采用的是直角坐標(biāo)系，有較大的改進(jìn)空間(何佳璇,蔡文清,2019)[6]。上述研究結(jié)論與張福含、蘇天等學(xué)者的研究成果相一致，這進(jìn)一步表明了本研究方法論與理論框架的同行認(rèn)可度，提升了結(jié)論的可靠性和有效性。張福含與蘇天等人在該領(lǐng)域具有較高的認(rèn)可度，本研究與其結(jié)論的一致性表明了所采用的研究路徑和數(shù)據(jù)分析方法在探索同類問(wèn)題時(shí)具有一定的普遍適用性和科學(xué)性。這一共識(shí)進(jìn)一步穩(wěn)固了相關(guān)領(lǐng)域理論體系的牢固基礎(chǔ)。這種跨研究的共識(shí)對(duì)于鞏固并深化本研究的領(lǐng)域認(rèn)知，推動(dòng)后續(xù)理論進(jìn)展及跨地域、跨文化研究具有重要意義，有助于構(gòu)建一個(gè)更加完整和系統(tǒng)的知識(shí)體系。國(guó)外關(guān)于無(wú)人機(jī)避障技術(shù)的研究大致如下，2012年，KimJ等人將塊匹配思路運(yùn)用進(jìn)無(wú)人機(jī)視覺(jué)避障技術(shù)，主要方式為匹配出不同圖像中的同一個(gè)像素塊，通過(guò)計(jì)算得出其運(yùn)動(dòng)軌跡，從而得出整體的運(yùn)動(dòng)位置，由此操控?zé)o人機(jī)進(jìn)行躲避(高宇航,丁雨桐,2021)[7]。2013年，MoriT采用單目視覺(jué)的方式，通過(guò)僅一個(gè)相機(jī)對(duì)障礙物進(jìn)行圖像采集，收集障礙物的像素點(diǎn)，再與常見(jiàn)障礙物輪廓圖形進(jìn)行匹配，再通過(guò)比較該像素點(diǎn)的變大變小情況，通過(guò)分析這些內(nèi)容可以看出從而得出障礙物的方位(李天旭,黃雅琴,2020)[8]。2019年，SingleA等人提出了遞歸神經(jīng)網(wǎng)絡(luò)的方法，該方法在馬爾代夫決策過(guò)程的基礎(chǔ)上進(jìn)行建模，通過(guò)相機(jī)采集的觀測(cè)值來(lái)建立數(shù)據(jù)庫(kù)，從而讓無(wú)人機(jī)學(xué)習(xí)避障策略(蔣錦程,唐曉瑤,2022)[9]。1.2.2絕緣子檢測(cè)技術(shù)在電力巡檢中，檢查絕緣子是否出現(xiàn)故障是一項(xiàng)極為關(guān)鍵的步驟。絕緣子即絕緣控件，在架空輸電系統(tǒng)中主要用于實(shí)現(xiàn)電氣絕緣和機(jī)械固定等功能(陳立峰,余娜娜,2021)。絕緣子由于暴露在空氣環(huán)境中，在這類環(huán)境中同時(shí)連接的兩頭均為高壓器件，在這種極端環(huán)境下，絕緣子易發(fā)生擊穿、物理?yè)p壞、劣化等問(wèn)題，同時(shí)若絕緣子表面有污漬，則可能發(fā)生放電現(xiàn)象(趙彥博,郝晨曦,2023)。因此，絕緣子的檢查成為成為電力巡檢中的一項(xiàng)重要日常。絕緣子檢測(cè)技術(shù)目前主要依賴于計(jì)算機(jī)來(lái)進(jìn)行圖像識(shí)別，為此提出了許多基于卷積神經(jīng)網(wǎng)絡(luò)的算法，左鈺等人提出了基于改進(jìn)Grabcut的絕緣子缺陷檢測(cè)，這種方法通過(guò)將圖像所包含的信息融入Grabcut模型，在這框架范圍內(nèi)采用形態(tài)學(xué)處理法來(lái)提取出圖像中的缺陷絕緣子并揭示其缺陷位置，提高了在復(fù)雜環(huán)境下的故障檢測(cè)能力[10]；許逸萱,劉晨等人在文獻(xiàn)[11]中提出通過(guò)神經(jīng)網(wǎng)絡(luò)YOLO定位獲取絕緣子的大致所在區(qū)域，再利用顯著性檢測(cè)算法，圍繞這狀況展開(kāi)提取出顯著性大于0.5的像素，再將其水平投影，從而鎖定絕緣子掉串位置；此結(jié)果與預(yù)期相符，且與前輩所構(gòu)建的成熟模型基本一致，本文借此不僅驗(yàn)證了階段性研究成果的準(zhǔn)確性，還進(jìn)一步強(qiáng)化了該領(lǐng)域的理論支撐。這一發(fā)現(xiàn)為本文的基礎(chǔ)研究提供了堅(jiān)實(shí)的實(shí)證依據(jù)，同時(shí)也驗(yàn)證了已有理論框架的廣泛適用性和穩(wěn)健性。通過(guò)對(duì)比解析，當(dāng)前研究中的數(shù)據(jù)點(diǎn)與過(guò)往文獻(xiàn)的關(guān)鍵論點(diǎn)相契合，深化了本文對(duì)該領(lǐng)域內(nèi)在機(jī)制的認(rèn)識(shí)，為后續(xù)研究者在此基礎(chǔ)上進(jìn)行更深入的探索與創(chuàng)新提供了契機(jī)。此外，結(jié)果的一致性還表明本文在方法論上的選取是明智的，為后續(xù)采用類似方法進(jìn)行研究增添了信心。李浩然,吳麗娜等人在文獻(xiàn)[12]中提出了一種基于改進(jìn)FasterRCNN的絕緣子異常檢測(cè)方式，這種方式首先通過(guò)LabelImg對(duì)無(wú)人機(jī)采集的影像進(jìn)行分析，搭建出絕緣子外形數(shù)據(jù)庫(kù)，根據(jù)當(dāng)前的情景再通過(guò)K-means重新聚類計(jì)算進(jìn)一步提升外形檢測(cè)的精確度，再用拷貝數(shù)據(jù)增強(qiáng)方法平衡樣本，提升了FasterRCNN的模型準(zhǔn)確率(王樂(lè)怡,張文濤,2023)。1.3本文研究的主要內(nèi)容本文的主要研究?jī)?nèi)容分為兩個(gè)部分，一是采用機(jī)器視覺(jué)技術(shù)的無(wú)人機(jī)避障技術(shù)，二是基于算法的絕緣子檢測(cè)技術(shù)?；跈C(jī)器視覺(jué)的無(wú)人機(jī)避障技術(shù)通過(guò)在無(wú)人機(jī)上搭載雙目相機(jī)，利用雙目視覺(jué)技術(shù)，通過(guò)攝像機(jī)標(biāo)定，確定攝像機(jī)中雙目視覺(jué)系統(tǒng)的坐標(biāo)系，然后進(jìn)行雙目校正、圖像采集及處理，然后輸出一組數(shù)據(jù)，利用這組數(shù)據(jù)來(lái)對(duì)環(huán)境進(jìn)行建模，由此可以推測(cè)出得出周圍障礙物的方位并根據(jù)該模型進(jìn)行避障[13]?；诰矸e神經(jīng)網(wǎng)絡(luò)的絕緣子檢測(cè)技術(shù)通過(guò)研究改進(jìn)YOLOv3絕緣子定位算法，嘗試比較Darknet-53、Tiny、Light-15三種不同網(wǎng)絡(luò)模型的性能，來(lái)驗(yàn)證精簡(jiǎn)網(wǎng)絡(luò)的優(yōu)越性。通過(guò)引入K-means聚類算法來(lái)解決精簡(jiǎn)網(wǎng)絡(luò)的數(shù)據(jù)缺失問(wèn)題，從而提升該算法的準(zhǔn)確性。

基于機(jī)器視覺(jué)的無(wú)人機(jī)避障技術(shù)無(wú)人機(jī)在飛行途中，常常會(huì)碰到各種各樣的障礙，而無(wú)人機(jī)的結(jié)構(gòu)通常較為脆弱，一旦與障礙物碰撞，將會(huì)直接導(dǎo)致無(wú)人機(jī)的損壞，因此，無(wú)人機(jī)避障技術(shù)便成為了無(wú)人機(jī)電力巡檢的重要研究方向(周睿智,陳澤宇,2021)。無(wú)人機(jī)避障技術(shù)主要依賴于相機(jī)來(lái)提取信息，而這種方式離不開(kāi)三個(gè)坐標(biāo)系之間的轉(zhuǎn)換，通過(guò)分析這些內(nèi)容可以看出即世界坐標(biāo)系，相機(jī)坐標(biāo)系和圖像坐標(biāo)系(蔡佳蓉,吳新宇,2020)。如下圖2-1,世界坐標(biāo)系是一個(gè)環(huán)境的參考坐標(biāo)系，環(huán)境中各要素的實(shí)際位置都由該坐標(biāo)系下的坐標(biāo)原點(diǎn)和坐標(biāo)確定；相機(jī)坐標(biāo)系是以相機(jī)的焦距中心為原點(diǎn)，在這類環(huán)境中以光軸為Z軸建立的三維直角坐標(biāo)系；圖像坐標(biāo)系是以攝像機(jī)拍攝的二維照片為基準(zhǔn)建立的坐標(biāo)系，用于指定物體在照片中的位置(林紫涵,王梓陽(yáng),2022)。圖2-1世界坐標(biāo)系、相機(jī)坐標(biāo)系與圖像坐標(biāo)系示意圖按照使用相機(jī)的數(shù)量，無(wú)人機(jī)避障技術(shù)可分為單目視覺(jué)技術(shù)和雙目視覺(jué)技術(shù)。2.1單目視覺(jué)技術(shù)由于近大遠(yuǎn)小的視覺(jué)現(xiàn)象，僅通過(guò)一張照片是無(wú)法判斷出一個(gè)物體的大小以及與我們所處的距離，但這并不代表無(wú)法僅通過(guò)一個(gè)相機(jī)完成無(wú)人機(jī)避障。我們可以通過(guò)單個(gè)相機(jī)拍攝出的圖像與數(shù)據(jù)庫(kù)的比較提取出疑似障礙物邊框的關(guān)鍵像素點(diǎn)，在這框架范圍內(nèi)然后對(duì)比通過(guò)無(wú)人機(jī)的不斷移動(dòng)拍攝下來(lái)的照片，利用激光器發(fā)出的激光點(diǎn)與這些關(guān)鍵像素點(diǎn)組成的三角測(cè)距法進(jìn)行計(jì)算，但這種方法存在尺度性的問(wèn)題(郭昊東,許安琪,2023)[14]。單目視覺(jué)技術(shù)對(duì)于計(jì)算的要求較少，圍繞這狀況展開(kāi)所使用的系統(tǒng)結(jié)構(gòu)也較為簡(jiǎn)單，成本較低。但其需要一個(gè)龐大的不斷更新的樣本數(shù)據(jù)庫(kù)才能保證較高的識(shí)別率，同時(shí)單目視覺(jué)技術(shù)無(wú)法對(duì)非常規(guī)障礙物進(jìn)行識(shí)別，對(duì)距離的測(cè)量準(zhǔn)確度也比較低(李浩文,黃天琪,2021)。2.2雙目視覺(jué)技術(shù)雙目視覺(jué)是一種利用視差原理的一種視覺(jué)方法。視差指的是現(xiàn)實(shí)世界的一個(gè)實(shí)點(diǎn)在左右兩眼的視網(wǎng)膜上所映射出幾何投影的位置差。根據(jù)當(dāng)前的情景雙目視覺(jué)技術(shù)通過(guò)雙目標(biāo)定及校正求出兩個(gè)攝像頭之間的間距，再通過(guò)立體匹配算法求出視差，再通過(guò)三角測(cè)距來(lái)得到物體距離距離攝像頭的距離(林馨予,陳梓辰,2020)[15]。雙目視覺(jué)模型如下圖2-2所示。圖2-2雙目視覺(jué)模型2.2.1雙目標(biāo)定及校正技術(shù)雙目標(biāo)定標(biāo)定的主要目的是得到攝像頭的內(nèi)外參數(shù)和畸變參數(shù)。內(nèi)參指的是確定攝像機(jī)從三維空間到二維圖像的投影關(guān)系的參數(shù)，在這形勢(shì)影響下通常包括焦距、圖像主點(diǎn)、縮放比例因子(張雅婷,孫俊豪,2022)。外參數(shù)指的是決定相機(jī)坐標(biāo)系與世界坐標(biāo)系之間相對(duì)位置關(guān)系的參數(shù)，通常包括三個(gè)軸的旋轉(zhuǎn)參數(shù)及平移參數(shù)。內(nèi)參通常由相機(jī)本身決定，而外參則需要通過(guò)計(jì)算來(lái)得出。假設(shè)已知實(shí)物點(diǎn)在世界坐標(biāo)系的坐標(biāo)為Pw，在這場(chǎng)景中展開(kāi)設(shè)其在左右兩個(gè)相機(jī)的相機(jī)坐標(biāo)系中坐標(biāo)為Pl，Pr，需要求出的外參數(shù)平移向量Tl，Tr以及旋轉(zhuǎn)矩陣Rl，Rr，則可列出如下公式(王欣彤,何子逸,2021)：設(shè)左相機(jī)坐標(biāo)系為主坐標(biāo)系，則左右攝像機(jī)中的坐標(biāo)有如下關(guān)系其中R、T表示左、右相機(jī)坐標(biāo)系的旋轉(zhuǎn)矢量R和和平移矩陣T。由之前所示公式可推出(蔣晨曦,羅瑞玲,2020)：其中R、T即為需要求解的外部參數(shù)。校正分為畸變校正和立體校正?；冃Ｕ饕ㄟ^(guò)畸變系數(shù)直接進(jìn)行校正，畸變參數(shù)分為徑向畸變參數(shù)和切向畸變參數(shù)(李宇浩,王婧怡,2023)?；兎譃閺较蚧兒颓邢蚧?，基于這些因素之下其產(chǎn)生環(huán)境各不相同，徑向畸變發(fā)生在相機(jī)坐標(biāo)系轉(zhuǎn)圖像物理坐標(biāo)系的過(guò)程中，而切向畸變是發(fā)生在相機(jī)制作過(guò)程，其是由于感光元平面跟透鏡不平行(周宇輝,馬敏珊,2021)。一般情況下僅考慮徑向畸變不考慮切向畸變，徑向畸變分為桶形畸變和枕形畸變，由此可以推測(cè)出如圖2-3所示，徑向畸變的產(chǎn)生原因是光線在遠(yuǎn)離透鏡中心的地方比靠近中心的地方更加彎曲。圖2-3枕形畸變和桶形畸變模型除了畸變校正，雙目視覺(jué)技術(shù)還需要對(duì)相機(jī)進(jìn)行立體校正。圖2-4校正前的相機(jī)圖示圖2-5校正后的相機(jī)圖示如上圖2-4所示，實(shí)際使用中左右相機(jī)的像面并未與基線平行，這導(dǎo)致在兩個(gè)相機(jī)拍攝的像素點(diǎn)對(duì)比會(huì)產(chǎn)生極大誤差，通過(guò)分析這些內(nèi)容可以看出因此需要對(duì)相機(jī)進(jìn)行立體校正，校正后的圖像如圖2-5所示(楊宇軒,高晨曦,2022)。為確保上述結(jié)論的堅(jiān)實(shí)性，本論文從多個(gè)角度進(jìn)行了深入的探討與驗(yàn)證。我們采用了多種渠道的高質(zhì)量數(shù)據(jù)，并通過(guò)細(xì)致的篩選與凈化步驟，確保了數(shù)據(jù)的精確性和可靠性。這些數(shù)據(jù)涵蓋了廣泛的變量和影響因素，為研究的綜合分析提供了堅(jiān)實(shí)的基礎(chǔ)。在研究方法的選擇上，本文運(yùn)用了多種前沿的統(tǒng)計(jì)與分析手段，以全面、客觀地審視所研究的問(wèn)題，從不同層面揭示數(shù)據(jù)背后的潛在規(guī)律和聯(lián)系。通過(guò)綜合這些方法，我們得以更深刻地把握所研究現(xiàn)象的本質(zhì)及其運(yùn)作機(jī)制。如圖，立體校正的原理是利用外參數(shù)校正極線（極平面與像平面的交線，即圖中虛線）使得兩條基線平行。在這類環(huán)境中這種方法需要計(jì)算出一個(gè)變換矩陣Rrect:其中e1、e2、e3之間相互正交且均與主光軸正交，因此可得出下列公式(王若翔,黃潔琳,2023)：最后將旋轉(zhuǎn)矩陣與變換矩陣相乘即可得出校正后的相機(jī)旋轉(zhuǎn)矩陣。2.2.2雙目立體匹配算法立體匹配算法的原理是通過(guò)對(duì)左右相機(jī)對(duì)同一實(shí)點(diǎn)拍攝的兩張圖像進(jìn)行對(duì)比，分析該像素點(diǎn)分別在兩張圖像上的坐標(biāo)位置，從而求出視差，再通過(guò)先前標(biāo)定獲得的內(nèi)外參數(shù)舉證，在這框架范圍內(nèi)得到該像素點(diǎn)在世界坐標(biāo)系的具體位置(朱珂琪,梁天霖,2021)。雙目立體匹配算法流程圖如下圖2-6。圖2-6立體匹配算法流程圖立體匹配算法按照其生成的視差圖的稠密程度可分為稠密立體匹配算法和稀疏立體匹配算法：稠密立體匹配算法：主要為區(qū)域立體匹配算法，即對(duì)兩幅圖像中的某個(gè)區(qū)域的像素點(diǎn)盡量多的匹配，其主要根據(jù)區(qū)域內(nèi)灰度的相似性進(jìn)行匹配。這種方式運(yùn)算速度非常快，圍繞這狀況展開(kāi)但對(duì)于特征點(diǎn)較少的區(qū)域或有重復(fù)區(qū)域的相片容易出現(xiàn)誤匹配，匹配結(jié)果根據(jù)所選窗口的大小的波動(dòng)性較大(陳俊杰,王蕾娜,2020)。在分析干擾因素與誤差來(lái)源時(shí)，本文進(jìn)行了全面且系統(tǒng)的研究。初步確定了可能對(duì)研究結(jié)果產(chǎn)生干擾的若干重要因素，如樣本選擇偏誤、數(shù)據(jù)測(cè)量誤差、未納入變量以及時(shí)間滯后等。對(duì)于每一個(gè)潛在的干擾因素，本文都進(jìn)行了深入的剖析，并試圖通過(guò)理論推導(dǎo)與數(shù)據(jù)分析來(lái)量化其影響程度。為了降低樣本選擇偏誤的影響，本文確保樣本的普遍性和全面性，并通過(guò)專家評(píng)估來(lái)檢驗(yàn)樣本選擇對(duì)結(jié)論穩(wěn)健性的影響，以全面考慮可能影響研究結(jié)果的各項(xiàng)因素。稀疏立體匹配算法：稀疏立體匹配算法是一種基于特征的立體匹配算法，通過(guò)將圖像中的特征點(diǎn)利用算法提取出來(lái)，再進(jìn)行匹配。這種方法與稠密立體匹配算法相比就是加了一層提取特征點(diǎn)的步驟，通過(guò)這層步驟濾去了許多像素點(diǎn)，因此得到的視差圖為稀疏視差圖，根據(jù)當(dāng)前的情景稀疏視差圖可經(jīng)過(guò)差值估計(jì)變換成稠密視差圖。稀疏立體匹配算法由于提取了一些特征點(diǎn)進(jìn)行匹配，因此無(wú)法光滑約束，導(dǎo)致其容易出現(xiàn)錯(cuò)誤，視差圖質(zhì)量低，同時(shí)易受遮擋、光線、重復(fù)紋理等的影響(吳思睿,趙欣怡,2022)。按照最優(yōu)化理論方法的不同立體匹配算法可分為全局立體匹配算法和局部立體匹配算法(李澤陽(yáng),蔣曉瑤,2023)：（1）全局立體匹配算法：全局立體匹配算法主要是采用了全局的優(yōu)化理論方法估計(jì)視差，建立全局能量函數(shù)，利用馬爾科夫隨機(jī)，通過(guò)最小化全局能量函數(shù)得到最優(yōu)視差值。傳統(tǒng)的全局匹配算法有(趙云鵬,林雅婷,2021):模擬退火法(simulatedannecaling)、平均場(chǎng)退火法(mean-fieldannealing)等,在這形勢(shì)影響下后來(lái)又陸續(xù)提出了置信度傳播法(belief-propagtion)、動(dòng)態(tài)規(guī)劃法、以及協(xié)同優(yōu)化法(cooperative-optimization)﹑圖割法(graph-cuts)[16]。全局匹配算法得到的結(jié)果比較準(zhǔn)確，但是其運(yùn)行時(shí)間比較長(zhǎng)，不適合實(shí)時(shí)運(yùn)行(周怡萱,孫雅琪,2020)。（2）局部立體匹配算法：局部立體匹配算法與區(qū)域立體匹配算法有些類似，但其處理匹配問(wèn)題的角度不同，局部立體匹配算法主要基于圖像的灰度信息，通過(guò)局部?jī)?yōu)化方案估計(jì)視差值(王浩楠,何曉宇,2022)。在這場(chǎng)景中展開(kāi)算法對(duì)相機(jī)捕獲的圖像進(jìn)行分塊處理，并計(jì)算這些塊的權(quán)重，再對(duì)這些塊分別求視差，最后對(duì)整個(gè)窗口的全部塊的視差值加權(quán)平均。理想的支持窗口應(yīng)該完全覆蓋弱紋理區(qū)域，并在窗口內(nèi)深度連續(xù)。與全局立體匹配算法方法一致，由此可以推測(cè)出也是建立了一個(gè)能量函數(shù)計(jì)算計(jì)算最佳視差(梁偉峰,郭瑾萱,2023)。但是，在局部立體匹配算法的能量函數(shù)中，只有基于局部區(qū)域的約束數(shù)據(jù)項(xiàng)，沒(méi)有平滑項(xiàng)。通過(guò)分析這些內(nèi)容可以看出局部匹配算法僅利用某一小片區(qū)域的灰度等信息進(jìn)行計(jì)算匹配代價(jià)，計(jì)算速度快、復(fù)雜度低，因此常常用于實(shí)時(shí)立體匹配算法中，但局部立體匹配算法對(duì)低紋理區(qū)域、重復(fù)紋理區(qū)域、視差不連續(xù)和遮擋區(qū)域匹配效果不理想(蔡文軒,丁怡蓉,2021)。

基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子檢測(cè)技術(shù)目前的絕緣子檢測(cè)技術(shù)主要依賴于深度學(xué)習(xí)框架，而卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一個(gè)重要算法，在這框架范圍內(nèi)主要用于處理圖像的相關(guān)機(jī)器學(xué)習(xí)問(wèn)題。本章將對(duì)卷積神經(jīng)網(wǎng)絡(luò)、基于改進(jìn)YOLOv3算法的絕緣子目標(biāo)檢測(cè)進(jìn)行介紹。3.1卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積層、激活層、池化層、全連接層，其主要結(jié)構(gòu)如下圖3-1所示(李語(yǔ)嫣,陳云濤,2020)。圖3-1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖3.1.1卷積層卷積層主要利用卷積運(yùn)算提取輸入進(jìn)來(lái)的圖像的特征點(diǎn)，其中起重要作用的提取工具叫卷積核，卷積核是卷積網(wǎng)絡(luò)中的權(quán)重系數(shù)，是一種基于深度學(xué)習(xí)不斷更新的一項(xiàng)參數(shù)。卷積層中最常見(jiàn)的運(yùn)算即為卷積，卷積是一種積分運(yùn)算，假設(shè)f(x)、g(x)在實(shí)數(shù)域上可積，則函數(shù)f(x)和g(x)的卷積即為(周雅蓉,張振宇,2022)：對(duì)于圖像處理中的卷積運(yùn)算而言，通常是一個(gè)二維上的卷積，即矩陣意義上的卷積，圍繞這狀況展開(kāi)假設(shè)一個(gè)6*6大小的圖像對(duì)應(yīng)成一個(gè)6*6的矩陣，而卷積核為3*3大小的矩陣，我們可以利用這個(gè)卷積核將圖像所對(duì)應(yīng)的矩陣變換成一個(gè)4*4大小的矩陣，根據(jù)當(dāng)前的情景其所對(duì)應(yīng)的即該圖像提取的特征圖(吳天銘,楊梓涵,2023)。圖像處理的卷積運(yùn)算主要步驟為：將需要處理的矩陣分塊成與卷積核大小相同的矩陣將分塊后的矩陣與卷積核矩陣中所處位置相同的數(shù)字相乘，將得到的結(jié)果相加，即可求出處理后的矩陣值，如下圖3-2。將各個(gè)得到的矩陣值拼成輸出矩陣(陳靖萱,李澤宇,2021)。圖3-2卷積運(yùn)算示意圖實(shí)際應(yīng)用中的卷積層運(yùn)算通常是對(duì)于一個(gè)三維矩陣（m*m*n）進(jìn)行處理，但處理方式與二維卷積差別不大，由此可以推測(cè)出唯一區(qū)別是在運(yùn)算后要將n個(gè)矩陣中的值相加，得出一個(gè)二維矩陣。如果出現(xiàn)多個(gè)卷積和，則卷積結(jié)果也需要堆疊成一個(gè)三維矩陣，矩陣的n要與卷積核的個(gè)數(shù)相等(高偉鑫,王可心,2020)。3.1.2激活層由上可知，卷積層中主要發(fā)生了矩陣運(yùn)算，而矩陣運(yùn)算是一種線性運(yùn)算，其得出的結(jié)果仍與輸入保持線性關(guān)系。通過(guò)分析這些內(nèi)容可以看出這種線性關(guān)系會(huì)使得輸出結(jié)果隨輸入的變化發(fā)生較大的變化，實(shí)際處理效果相當(dāng)于僅僅在線性回歸的基礎(chǔ)上套用了一個(gè)邏輯函數(shù)(孫瑞澤,何琳娜,2022)。因此，為了使其能更好的應(yīng)對(duì)復(fù)雜狀況，需要對(duì)卷積層的輸出加入非線性因素，而激活層就負(fù)責(zé)通過(guò)激活函數(shù)添加非線性因素。本研究所得結(jié)論與劉振教授、程曉天教授等人在該領(lǐng)域的研究成果大體相符，尤其是在研究步驟與成果呈現(xiàn)上表現(xiàn)出顯著的相似性。這種相似性不僅體現(xiàn)在實(shí)驗(yàn)設(shè)計(jì)的方法論上，如數(shù)據(jù)搜集與分析策略的運(yùn)用，還深刻體現(xiàn)在主要發(fā)現(xiàn)與理論推導(dǎo)中。本研究在此基礎(chǔ)上進(jìn)行了更為細(xì)致的探討，不僅驗(yàn)證了前人的觀點(diǎn)，還在一定程度上拓展了研究的深度與廣度，為研究主題提供了新的理解。激活函數(shù)由于需要對(duì)卷積層輸出添加非線性因素，需要具備以下四個(gè)性質(zhì)：非線性：保證經(jīng)過(guò)激活層的函數(shù)同為非線性。可微：由于計(jì)算時(shí)需要使用梯度下降法，要求激活函數(shù)可微。無(wú)飽和區(qū)：梯度運(yùn)算時(shí)若出現(xiàn)飽和區(qū)，在這類環(huán)境中則梯度為0，此時(shí)梯度消失，卷積神經(jīng)網(wǎng)絡(luò)將自動(dòng)停止學(xué)習(xí)(張晟睿,蔡曉彤,2021)。單調(diào)性：保證函數(shù)為凸函數(shù)。常用的激活函數(shù)包括Sigmoid函數(shù)、Tanh函數(shù)、ReLU函數(shù)以及LeakyReLU函數(shù)。3.1.3池化層池化實(shí)際上是一種篩選采樣，由于卷積層輸出的特征圖參數(shù)太多，過(guò)多的圖像細(xì)節(jié)不利于高層特征提取，因此需要池化層進(jìn)行池化操作來(lái)壓縮特征圖內(nèi)容、對(duì)特征圖進(jìn)行降維和防止過(guò)擬合等問(wèn)題。池化操作也分為很多種池化：平均池化、最大池化等(周曉瑤,蔣云峰,2020)。其中，最常見(jiàn)的莫過(guò)于最大池化。最大池化顧名思義，即去區(qū)域中最大值為替代該區(qū)域的新值，同理，平均池化即取區(qū)域平均值為替代該區(qū)域的數(shù)值。3.1.4全連接層全連接層是卷積神經(jīng)網(wǎng)絡(luò)的最后幾個(gè)模塊，通過(guò)之前卷積、激活函數(shù)和池化操作之后，全連接層負(fù)責(zé)給前面得出的特征信息進(jìn)行加權(quán)處理，將這些特征信息轉(zhuǎn)化為一個(gè)一維的特征向量(趙一帆,劉志宇,2023)。圍繞這狀況展開(kāi)全連接層其中有多個(gè)神經(jīng)元節(jié)點(diǎn)，而正如其名字所示，并不是每一個(gè)神經(jīng)元節(jié)點(diǎn)與上一步的神經(jīng)元節(jié)點(diǎn)一一對(duì)應(yīng)，而是全連接層的每一個(gè)神經(jīng)元節(jié)點(diǎn)都與上一層的全部神經(jīng)元節(jié)點(diǎn)相連。在計(jì)算機(jī)處理視覺(jué)時(shí)，全連接層實(shí)際上與卷積層并無(wú)太大不同，其中的操作均可以使用卷積實(shí)現(xiàn)。3.2基于改進(jìn)YOLOv3算法的絕緣子目標(biāo)檢測(cè)3.2.1YOLOv3算法介紹YOLO算法是一種基于深度學(xué)習(xí)的定位和檢測(cè)算法，而YOLOv3非常適用于絕緣子目標(biāo)檢測(cè)，在YOLO算法中物體檢測(cè)問(wèn)題被簡(jiǎn)化成了回歸問(wèn)題，因此只需要適用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)就能直接通過(guò)輸入圖像預(yù)測(cè)出故障絕緣子所在位置。因此，YOLO算法處理目標(biāo)檢測(cè)的耗時(shí)在同類目標(biāo)檢測(cè)算法中耗時(shí)較少，根據(jù)當(dāng)前的情景其中，YOLOv3通過(guò)將批標(biāo)準(zhǔn)化正則化并使用ReLU激活函數(shù)彌補(bǔ)了傳統(tǒng)YOLO算法準(zhǔn)確度較低的不足，同時(shí)也保持較高的處理速度(黃佳穎,李浩然,2021)。YOLOv3的主要結(jié)構(gòu)為Darknet-53，Darknet-53含有53個(gè)卷積層，并且使用了大量的殘差網(wǎng)絡(luò)進(jìn)行跳層連接，這種連接方式在卷積層之間搭建起了快捷路徑，使得YOLOv3的反應(yīng)速度非?？臁．?dāng)Darknet-53輸入416*416像素的圖像時(shí)，其結(jié)構(gòu)檢測(cè)的特征層分為3種，分別為52*52，26*26，13*13，分別負(fù)責(zé)檢測(cè)小型、中型、大型目標(biāo)(薛峰,馬思敏,2021)。Darknet-53結(jié)構(gòu)圖如下圖3-3所示，其中卷積數(shù)量特指過(guò)濾器的數(shù)量。圖3-3Darknet-53結(jié)構(gòu)圖3.2.2基于改進(jìn)YOLOv3算法進(jìn)行絕緣子目標(biāo)檢測(cè)步驟YOLOv3算法的步驟與大部分回歸算法相同，首先，YOLOv3算法的輸入圖像會(huì)被簡(jiǎn)化為一個(gè)416*416像素的圖像來(lái)進(jìn)行訓(xùn)練。在這形勢(shì)影響下檢測(cè)完畢后，會(huì)使用其他像素大小的圖像來(lái)進(jìn)行訓(xùn)練，對(duì)不同像素大小的圖像訓(xùn)練后的結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)YOLOv3算法在輸入為416*416像素時(shí)絕緣子檢測(cè)效果最好(李晨曦,劉曉蕓,2022)。針對(duì)上述結(jié)果，作者進(jìn)行了多次驗(yàn)證與比對(duì)，尤其是與同行結(jié)論進(jìn)行了詳盡的比對(duì)與分析，以確保所得結(jié)果的穩(wěn)固性和可靠性。在與同行研究的對(duì)比中，作者發(fā)現(xiàn)，盡管在具體結(jié)果的表述上可能存在細(xì)微差別，但核心結(jié)論和趨勢(shì)均高度一致，這進(jìn)一步提升了本研究結(jié)論的可信度。特別地，作者深入研究了與方佳佳教授在相關(guān)主題研究中的結(jié)論的異同，通過(guò)這種對(duì)比與分析，不僅加深了對(duì)研究主題的認(rèn)識(shí)，也為后續(xù)研究提供了有益的參考和思路，為研究的進(jìn)步和創(chuàng)新提供了重要幫助。改進(jìn)后的算法流程圖如下圖3-4所示：首先建立訓(xùn)練用數(shù)據(jù)庫(kù)，即缺陷絕緣子的數(shù)據(jù)庫(kù)，再選取大量圖像來(lái)進(jìn)行測(cè)試，在這場(chǎng)景中展開(kāi)再使用制作的數(shù)據(jù)庫(kù)訓(xùn)練改進(jìn)后的算法，得出經(jīng)過(guò)訓(xùn)練的模型，再通過(guò)計(jì)算哈希碼來(lái)判斷圖像與缺陷絕緣子是否相似(張嘉彤,王逸飛,2020)。若相似則對(duì)候選區(qū)域掃描檢測(cè)出具體缺陷絕緣子的位置，若不相似則對(duì)全局進(jìn)行掃描。檢測(cè)完成后，由此可以推測(cè)出對(duì)檢測(cè)框進(jìn)行合并，最后完成檢測(cè)，輸出檢測(cè)后的圖像，其流程圖如下圖3-4所示(周梓涵,陳雅琪,2023)。圖3-4絕緣子檢測(cè)流程圖總結(jié)與展望本文介紹了基于機(jī)器視覺(jué)的無(wú)人機(jī)避障技術(shù)和基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子檢測(cè)技術(shù)這兩種無(wú)人機(jī)電力線巡檢中的重要技術(shù)。無(wú)人機(jī)避障技術(shù)：無(wú)人機(jī)避障技術(shù)分為單目視覺(jué)技術(shù)和雙目視覺(jué)技術(shù)，本文主要介紹了雙目視覺(jué)技術(shù)，雙目視覺(jué)技術(shù)分為雙目標(biāo)定及校正技術(shù)和雙目立體匹配算法。雙目視覺(jué)技術(shù)主要通過(guò)使用視差以及雙攝像機(jī)從不同角度同時(shí)獲得被測(cè)物的兩幅數(shù)字圖像來(lái)確定物體三維幾何信息，包括其三維輪廓和對(duì)應(yīng)位置。經(jīng)過(guò)雙目視覺(jué)技術(shù)可定位障礙物位置，從而操作無(wú)人機(jī)對(duì)障礙物進(jìn)行躲避絕緣子檢測(cè)技術(shù)：針對(duì)絕緣子檢測(cè)的算法很多，本文主要介紹了基于改進(jìn)YOLOv3算法的絕緣子故障檢測(cè)技術(shù)，YOLOv3算法由YOLOv1、v2改進(jìn)而來(lái)，通過(guò)Darknet-53結(jié)構(gòu)對(duì)圖像進(jìn)行分析，同時(shí)引入的殘差算法使得YOLOv3的計(jì)算速度較快，當(dāng)輸入416*416像素的圖像時(shí)，其中有52*52、26*26、13*13的特征層來(lái)檢測(cè)小型、中型和大型目標(biāo)。無(wú)人機(jī)電力巡檢技術(shù)并不僅僅包含避障技術(shù)和故障絕緣子檢測(cè)技術(shù)，希望在未來(lái)無(wú)人機(jī)電力巡檢能夠自動(dòng)巡邏，同時(shí)不止是檢查故障絕緣子，還能檢查故障變壓器等故障設(shè)備，充分解放人力資源。參考文獻(xiàn)魏靜涵,林德祥.輸電線路無(wú)人機(jī)巡檢技術(shù)[M].北京:中國(guó)電力出版社,2022:2-4.蔣文杰,郭巧玲.基于無(wú)人機(jī)的電力輸電線路巡檢監(jiān)測(cè)系統(tǒng)研究[D].北京交通大學(xué),2023.黃佳穎,李浩然.基于無(wú)人機(jī)航拍圖像的輸電線識(shí)別方法研究[D].華東師范大學(xué),2021.薛峰,