基于深度学习的无人机电力巡检目标检测系统设计与实现.docxVIP

PAGE2

基于深度学习的无人机电力巡检目标检测系统设计与实现

摘要

输电线路是电力系统的关键命脉，其运行状态直接关系到电网安全与供电可靠性。传统人工巡检效率低、危险性高，无人机巡检虽已广泛应用，但海量航拍图像仍依赖人工判读，存在漏检率高、时效性差等痛点。本文针对上述问题，设计并实现了一种基于深度学习的无人机电力巡检目标检测系统，通过引入YOLOv8目标检测算法，对绝缘子自爆、防震锤锈蚀、导线断股等典型缺陷进行自动识别与定位。系统采用“无人机采集—地面站回传—云端推理—结果反馈”的分层架构，涵盖数据采集、图像预处理、模型推理、结果可视化等功能模块。论文遵循完整的工程开发流程，从需求分析出发，完成系统总体架构设计、数据库设计、核心模块详细设计，并基于Python与PyTorch框架完成系统实现。测试结果表明，系统对绝缘子缺陷的平均检测精度达到92.7%，单张图像推理耗时小于80毫秒，满足实时性要求。本文的创新点在于提出了一种轻量化模型与多尺度特征融合策略，在保证检测精度的同时显著降低模型参数量，为边缘端部署提供了可行方案。全文共八章，依次为绪论、相关技术与开发工具、需求分析、系统总体设计、系统详细设计、系统实现、系统测试及总结与展望。

第一章绪论

1.1研究背景

随着我国电网规模的持续扩大，架空输电线路总里程已突破150万公里，巡检任务日益繁重。输电线路长期暴露在野外，受雷