機器視覺在無人機巡線中的應用綜述

張兆云，黃世鴻，張 志

(東莞理工學院電子工程與智能化學院，東莞 523808)

電力的穩定供給是保證人們生活生產穩定發展的關鍵因素，因線路故障導致的大規模停電事件將造成嚴重的經濟損失[1]。由于輸電線路中各設備的工作環境極其惡劣，積年累月地受曝曬、酸雨、冰凍及臺風的影響，在使用期限內可能會出現故障情況。為了防止由于電力設備發生故障而導致大規模停電現象，需要定期對輸電線路進行檢測，及時更換受損的設備。對輸電線路的檢測方式主要有人工巡線、人直升機巡線、機器人巡線以及無人機巡線。人工巡線的方式不僅成本高效率低，而且容易威脅檢修人員的人身安全。載人直升機巡線雖然工作效率高，但對操作人員技術水平要求很高[2]。機器人巡線雖然續航時間長、無巡視盲區，但因其自身重量會對電力線造成一定的損傷[3]。無人機具有工作成本低、易操作、作業風險低等優點，所以采用無人機巡線方式能有效降低電網運營成本和提高巡檢工作效率。無人機巡線現已成為輸電線路巡檢的重要手段之一。

機器視覺是設備通過算法模擬人的視覺進行工作，應用于不適合人力作業的危險場景以及人眼難以鑒別的工作中。電力巡線中的視覺處理技術主要包括圖像增強、圖像分割、圖像拼接、圖像分類以及視覺導航?；跈C器視覺的無人機巡線工作過程為無人機搭載攝像設備(光學、遙感、紅外)，利用機器視覺技術對檢測目標進行目標的識別、定位拍攝以及故障判斷。隨著計算機水平的發展，依托于深度學習的人工智能算法在電力系統的應用中取得很好的效果[4]。研究人員提出了一系列針對輸電線路無人機巡線的視覺檢測方法，并在計算機仿真和實際應用中取得很好的成果。

1 無人機巡線

1.1 工作方式

輸電線路的無人機巡檢系統工作方式如圖1所示[5-6]。輸電線路檢測目標主要是輸電線、電塔部件、輸電線路走廊環境。無人機巡線平臺主要由無人機平臺和地面工作站組成，地面工作站負責對無人機的工作進行規劃以及接收無人機的監測數據，無人機則搭載檢測設備對輸電線路進行檢測。地面工作站由天線和工業計算機組成，可分為手提式工作站和車載式工作站。

電力巡線無人機平臺可分為小型多旋翼無人機、無人直升機及固定翼無人機。固定翼無人機具有飛行速度快，巡檢范圍廣的優點，能夠快速地對線路進行大范圍的檢測。固定翼無人機在巡線工作中飛行速度在100 km/h左右，每天的有效巡檢里程可達200 km[7]。固定翼無人機的缺點是對起飛場地要求很高，且巡線工作時只能從單一的角度拍攝。無人直升機具有巡檢范圍較廣、可對線路進行不同角度拍攝的優點。彭向陽等[8]以國產Z-5型無人直升機飛行平臺研制的電力巡檢無人直升機系統已投入示范性使用。該系統單架次巡檢線路長度超過 60 km、飛行時間可達3 h。小型多旋翼無人機具有小巧靈活的優點，適用于高架線路電塔的精細化檢測。湯堅等[9]以大疆Matrice 600 Pro多旋翼無人機作為飛行平臺，采用大疆SDK(software development kit)開發智能操作系統，研發面向電網巡檢的無人機系統。國電南瑞推出的小型旋翼無人機巡檢系統可實現5 km范圍內線路的自主檢測，而且整套系統只有拉桿箱的大小，能快速進行設備安裝。小型多旋翼無人機缺點是續航能力差，每次工作只能檢測二三座電塔。

圖1 無人機輸電線路巡檢的工作方式Fig.1 The way of unmanned aerial vehicle patrol transmission line

1.2 系統組成

無人機巡線系統可分為導航系統、通信系統、飛控系統以及檢測系統。導航系統除了負責無人機的飛行導航外，還需記錄所拍攝巡檢圖片的位置。檢測系統可根據定位信息進行圖像地理位置分類并識別出所檢測部件的地理位置。全球定位系統(global positioning system，GPS)具有定位迅速的優點。但是民用GPS定位開放的精度較低而且容易受到天氣、地形的影響。無人機巡線工作中通常采用差分定位技術提高定位精度[10]。當定位信號受影響時可通過視覺導航技術進行輔助導航，視覺導航是利用電力線周邊的固定標志物以及無人機運動狀態等信息進行跟蹤導航。文獻[11]以電塔為參考，計算圖像中電力線的消失點作為無人機的導航方向，通過點集的配準模型感知與電力線距離的變化實現巡線無人機的視覺導航。

無人機飛行狀態的穩定性是保證拍攝圖像清晰度的關鍵因素之一。無人機在巡線工作時可能會遇到強風等威脅安全運行的情況，需要飛控系統及時調整飛行狀態。飛控系統通過無人機自身的檢測設備判斷飛行狀態，并通過調節各螺旋槳的轉速實現無人機巡檢工作中的各種飛行需求。為了提高無人機在輸電線路復雜環境下的飛行穩定性，常采用的控制方法有PID(proportional-integral-derivative)控制、魯棒控制、自適應控制[12-14]。

巡線無人機的通信系統主要用于無人機與地面工作站的通信。主要通信信息為巡檢實時圖像、無人機位置信息和運行狀態、工作站對無人機的控制信息等。地面工作站可控制多無人機協同工作，文獻[15]通過雙機協同通信將兩無人機分為一組實現“一站四機”的高壓輸電線路巡檢模式。無人機巡線工作中常見的通信方式有工作站無人機直連，衛星中繼、無人機中繼、無線網絡通信等[16-18]。直連通信方式通信范圍小，只能用于小型多旋翼無人機的精細化檢測。衛星中繼方式可以實現長距離的通信，但是這種方式延遲高，信號容易中斷。無人機中繼的優點是布置靈活、穩定性高，是目前無人機長距離巡線的最優通信方式之一。無線網絡具有傳輸帶寬高的優點，能夠實時傳輸高清視頻信息。但無線網絡在偏遠山區的覆蓋不完全，可能會影響這些地方的無人機巡線工作。

基于機器視覺的巡線無人機的檢測系統即是視覺檢測系統，是無人機巡線系統最重要的一部分。視覺檢測系統主要分為圖像獲取模塊和圖像處理模塊。圖像獲取模塊主要有光學成像、紅外成像以及雷達成像。光學成像常用于設備表面故障檢測，紅外成像則用于設備溫度測量，雷達成像具有不受光照霧霾影響的優點，主要用于電力線及周邊環境的檢測。圖像處理模塊主要負責對獲取的圖像進行設備識別并檢測故障。巡線工作中常用于圖像實時處理的計算單元主要分為DSP(digital signal process)、ARM(advanced RISC machines)、FPGA(field programmable gate array)及GPU (graphics processing unit)，它們在圖像處理的計算中各有優勢。DSP具有專門的硬件乘法器和累加單元，能在同一個時鐘周期內完成加法和乘法的操作?？刹捎肁RM負責事務管理，DSP負責圖像計算的方法用于圖像的實時處理[19]。FPGA具有低功耗、并行計算能力強的優點，可用于加速基于深度學習的圖像處理[20-21]。但FPGA開發過程十分困難，需要開發者對底層的門電路進行設計。GPU具有高效的并行性以及高密集的計算處理能力，是專門針對圖形計算的處理單元。大多數神經網絡由GPU訓練獲得采用GPU作為深度神經網絡圖像處理的運算單元具有較好的移植性[22]。

2 圖像預處理

無人機對電力線路進行高空拍攝時，會受到抖動、光照、復雜背景等因素的干擾。這些干擾因素將直接影響巡線工作中目標檢測的效果。圖像預處理主要目的是通過消除干擾噪聲、去除復雜背景及拼接圖像，獲得適用于目標檢測的圖像。圖像預處理方法主要有圖像增強、圖像拼接及圖像分割。

2.1 圖像增強

圖像增強的目的是消除噪聲及對比度對圖像質量的影響，常用的方法是圖像濾波和直方圖均衡化。圖像濾波方法可以消除圖片中的各種噪聲進行圖像的增強，直方圖均衡化的方法能夠消除由對比度產生的影響[23-24]。

2.1.1 圖像濾波

為了除去影響目標識別和故障檢測結果的噪聲，需要采用圖像濾波處理去除噪聲。濾波的方法分為空間域濾波法和頻率域濾波法?？沼驗V波法大多是使用濾波模板直接對圖像進行處理，常見的濾波模板由均值濾波、中值濾波和維納濾波。文獻[25]根據電力線的局部灰度分布特征設計新型的濾波模板，用方向濾波結果進行圖像的自相關增強。文獻[26]提出了改進的雙邊濾波器用于消除圖像的高光區域，其原理是通過將漫反射分量的像素點和鏡面反射的像素點分離并對其分別做最大漫反射色度估計，以最大漫反射色度作為雙邊濾波的值域進行去噪?？臻g域濾波只需采用濾波模板對圖片像素進行處理，具有實現簡單、處理速度快的優點。但是空間域濾波的缺點是會造成圖像細節的丟失，并且不適用于多種混合噪聲的去除。

頻率域濾波是將圖像經過一系列變換轉到頻率域中，在頻率域中做處理后經過反變換得到濾波后的圖像，常見的變換方式有傅里葉變換和小波變換。圖像的頻率表征灰度變化的劇烈程度，通過在頻率域進行高通濾波可實現圖像邊緣增強，低通濾波可消除高頻噪聲。文獻[27]采用穩定小波變換和離散小波變換的高低頻分別結合起來，然后只對低頻部分進行自適應直方圖均衡化進行圖像增強。文獻[28]采用小波變換分離成不同頻率成分的子帶圖像，然后對低頻子帶圖像灰度變換處理, 高頻子帶圖像進行降噪處理實現圖像的增強。頻率域濾波的優點是能解析空間域濾波不能解析的某些性質，能夠簡單地完成空域濾波中難以完成的濾波任務。但是基于頻率域濾波的圖像增強步驟繁雜且處理速度慢。

2.1.2 直方圖均衡化

直方圖均衡化的原理是先將RGB (red-green-blue)圖像轉化為灰度圖像，然后將圖像的灰度進行分級,分級范圍[0,L-1]，然后統計該灰度在圖像中出現的概率?；叶戎狈綀D可表示為

(1)

式(1)中：rk為第k級灰度范圍；P(rk)為在第k級灰度范圍的所含像素點與總像素點的占比；MN為圖像像素總數；nk為第k級灰度像素個數。在較暗的圖像中像素點大部分集中在灰度較低的地方，較亮的圖像像素點大部分集中在灰度較高的地方中。將圖像中像素個數多的灰度級進行展寬，對像素個數少的灰度級進行縮減得到灰度均勻分布的圖像。文獻[29-30]利用直方圖均衡化的方式消除因光照不均勻情況、加強圖像的對比度。直方圖均衡化的優點是能夠快速地去除圖像受光照的影響，能對圖像進行直觀的分析，并且具有可逆性，能逆處理還原回原圖像。但在灰度直方圖均衡化的過程中會導致灰度級的減少，造成圖像細節信息的丟失。

2.2 圖像拼接

由于無人機飛行高度、距離以及搭載攝像機的性能限制，通常不能拍攝到電力線和電塔的全景圖像。為了獲得用于檢測的全景圖像，需要采用圖像融合技術將巡檢圖片進行拼接融合。

圖像拼接首先是找出每幅圖像中的特征點(Sift、Surf、Fast)，利用根據這些特征點的屬性相似度進行一一匹配，刪除沒有匹配成功的特征點，然后對圖像進行透視變換并根據匹配好的特征點拼接實現多幅圖像的融合。文獻[31-32]采用Sift特征點作為匹配點進行圖像的拼接。此類特征點的特征與圖片大小和旋轉無關且不受光線噪聲的干擾，能夠對不同尺度不同角度的圖像進行拼接融合。但是對匹配度閾值的設置和匹配點的敏感度很高，一旦出現錯誤的匹配點將導致拼接后圖像過度失真。文獻[33]在Surf特征點的提取過程中加入邊緣檢測和BRISK(binary robust invariant scalable keypoints)二值描述，生成邊緣Surf-BRISK特征點后采用層次聚類方法進行圖像拼接。這種方法在具有較高的融合速度，同時保證了拼接的正確率。文獻[34]改進了ORB(oriented brief)特征點圖像的匹配拼接算法，采用漸進LMedS算法消除虛假匹配并通過多波段融合算法對匹配圖像進行融合。這種方法大大提高了特征點匹配圖像拼接的正確率。

2.3 圖像分割

圖像分割的目的是目標與背景分割開來，消除復雜背景的干擾并提取出用于目標檢測的圖像特征。輸電系統巡檢圖像常用的圖像分割方法是聚類分割和邊緣分割。

2.3.1 聚類分割

聚類分割是將圖像中的像素用特征空間的點表示，然后根據這些點在特征空間的聚集進行分割，最后將其映射回原圖空間得到分割結果。K均值在聚類分割算法中具有較好的分類效果，文獻[35]分別用EM(expectation-maximization)和K均值將圖像分為K個簇，然后計算DBI(davies-bouldin index)，最后找出最佳簇數并將K個簇合并為兩個簇(電力線像素和非電力線像素)。對比實驗證明K均值分割效果更好。K均值是一種可迭代的聚類算法，其步驟是先將數據分為K組，在每組中選取一個對象作為聚類中心，將每個對象分配到離它最近的聚類中心。文獻[36-37]采用基于K均值的聚類算法進行圖像聚類分割，實現電力設備的識別。該方法的優點是收斂速度快，分割效果好，需要調節的參數只有K。其缺點是對參數K的估計難以把握，受異常點和噪聲的影響較大，并且采用迭代聚合的方法只能得到局部最優解。文獻[38]針對絕緣子檢測圖像定位不準確的問題，提出了一種基于K均值聚類的絕緣子子段分割算法。其原理是將RGB圖像轉化為HIS(hue-saturation-intensity)，分別在H和S空間采用K均值算法進行分割，最后采用Otsu對分割進行二值化。

2.3.2 邊緣分割

邊緣檢測是標識亮度變化明顯的地方，邊緣分割的基本原理是先通過邊緣檢測確定邊緣像素點，然后將這些點連接起來構成所需要區域的邊界。文獻[39-40]分別利用Canny和Sobel算子對輸電線進行邊緣檢測，然后采用基于Hough變換的方法實現電力線的提取。邊緣分割的優點是可以剔除大量不相關信息并保留圖像重要結構屬性。但是邊緣檢測容易受到圖像各種混合噪聲的影響。為了獲得較好的分割效果，文獻[41]則先通過直方圖均衡化處理改善對比度，使用參數自由EDPF(earliest deadline and processing time)算法對航拍圖像進行邊緣檢測，最后Radon變換和先驗知識完整提取出圖像中的電力線。文獻[42]提出了一種基于雙奇偶形態學梯度的邊緣檢測算子。這種算子的優點是能消除圖像分割中雙棚絕緣子上、下護欄之間的模糊區域和防止圖像過度分割。文獻[43]融合了邊緣檢測算子Log與形態學的方法進行圖像分割，其原理是灰度化圖像后用Log算子提取邊緣，然后采用數學形態學將沒有孔的區域聚成點，有孔的區域聚成邊緣，然后去除獨立的點實現除去噪聲并實現圖像的分割。這種方法優點是可以消除高斯噪聲。

3 線路巡檢目標檢測方法

3.1 檢測目標

目標檢測的目的是檢測線路中各元件是否存在威脅輸電系統正常運行的故障。輸電線路中檢測目標以及對應的故障內容如表1所示。

表1 輸電線路檢測目標

對于設備表面有明顯的缺陷特征的故障一般采用光學成像檢測，主要有電力線的散股、覆冰、異物，絕緣子的自爆、污穢，金屬類設備的銹蝕，架高塔鳥巢、螺栓脫落等。紅外成像主要用于電力設備溫度的檢測。激光點云成像常用于輸電線及其走廊環境的檢測。激光點云成像不受大霧、光照的影響，而且覆蓋范圍廣能進行高精度的三維測量。目標檢測的目的是對輸電線路檢測目標進行識別、定位及故障判定。針對這些目標檢測方法主要有形態學檢測、機器學習分類器檢測、深度神經網絡檢測。

3.2 形態學檢測

形態學檢測主要原理是通過設備的形態特征設計數學模型判斷其是否故障。主要用于電力線的變形(弧垂)、絕緣子的自爆以及輸電線走廊內的危險情況的檢測。

針對電力線弧度的測量，仝衛國等[44]提出了基于航拍序列圖像的測量方法。其原理是根據不同角度拍攝的圖片、相機焦距及拍攝位置等信息構建輸電線路的三維曲線方程。這種方法的優點是不受復雜背景的干擾，但是會因無人機拍攝位置和拍攝設備焦距的誤差導致輸電線弧垂的測量誤差較大。Wang等[45]提出了基于單一航空影像的輸電線的弧垂測量方法。其原理是在電力線二值圖像中提取特征點并測量其像素坐標，然后將輸電線擬合為曲線方程，最后利用激光測距得到圖像距離與實際距離的對比建立輸電線的空間模型，獲得其弧度。這種方法能有效避免因攝像頭焦距引起的誤差。

針對輸電線路樹障的檢測，Zhang等[46]提出了基于激光雷達的線路樹障檢測方法。其原理是先在激光點云圖像中識別出樹木，然后測定樹木與電力線的最短距離并結合樹木生長周期對線路安全進行預警。此類方法具有不受光照、霧霾影響的優點，能對線路走廊內的樹障進行準確定位，但是需要處理大量的點云數據。Chen等[47]根據雙目視覺原理測距的原理測量電力線與樹木之間的距離。與雷達點云方法相比，這種方法需要的采集量較少檢測速度快，但精度不如激光點云測量。

圖2 卷積神經網絡結構圖Fig.2 Structure diagram of CNN

對于玻璃絕緣子自爆的檢測，Zuo等[48]采用訓練分類器方法識別出絕緣子，并進行圖像分割獲得二值圖像，通過圖像旋轉獲得垂直的絕緣子二值圖，最后采用統計像素的方式定位缺失絕緣子的位置。陳文浩等[49]則在提取出二值圖像后將絕緣子串擬合為斜率為K的直線方程后通過統計像素的方法定位缺失絕緣子。此類方法的優點在于自爆絕緣子的定位準確度很高，但是無法判斷絕緣子像素少于閾值的區域是因為絕緣子自爆還是因為受到物體遮擋導致的。

3.3 基于SVM的檢測

支持向量機(support vector machine，SVM)是一種對數據進行二元分類的有監督機器學習算法。其原理是將低維不可分的類轉換到高維中，然后找到能將訓練樣本分為兩類的超平面，并使其與正負樣本的幾何間距最大。

基于SVM的故障檢測原理是先對圖像進行特征提取，并采用圖像特征訓練SVM分類器，通過SVM分類器進行圖像分類實現目標的檢測。文獻[50-51]通過圖像的HOG(histogram of oriented gradient)特征構建SVM分類器，實現輸電線路電力部件的分類識別和故障檢測。文獻[52]設計了基于顏色特征和最小二乘支持向量機模型，通過建立污穢等級與顏色特性的對應關系來實現絕緣子污穢等級的識別。SVM分類器的優點是能在小量訓練樣本的支持下達到較高的分類正確率，且具有泛化錯誤率低、可解決高維問題等優點。但是經典的SVM分類器屬于二類分類器，并不適于解決多類分類問題?；趫D像分類的檢測大多數屬于多分類問題，所以必須對經典的SVM進行改進。文獻[53]提出了SVM用于大規模圖像分類問題的解決方法，首先利用非線性核函數的線性回歸來逼近學習過程中的梯度計算。其次，利用非對稱解釋變量函數，提出了一種適用于所有加性核的冪平均支持向量機(PmSVM)算法。這種方法具有更高的學習速度和判斷正確率。

3.4 基于CNN的檢測

卷積神經網絡(convolutional neural networks，CNN)是圖像分類中應用最廣泛的深度學習神經網絡?；贑NN的圖像檢測法同樣采用圖像分類的方式進行目標檢測，圖2所示為用于電力設備圖像識別的CNN結構圖。CNN分為輸入層、隱含層(卷積層和池化層)及全連接層。卷積層的作用是提取圖片的特征，池化層作用是減少全連接層的節點個數。全連接層是一種多分類神經網絡，其每一層由大量神經元組成的平鋪結構，全連接層的最后一層負責輸出數據。

文獻[54]采用基于CNN的分類器對輸電線路設備進行分類識別實現無人機的目標定位。文獻[55]采用CNN網絡分類檢測圖像中是否有電力線。文獻[56]提出基于CNN的分類檢測模型，用于判斷絕緣子的種類和故障。卷積神經網絡具有共享卷積層能處理高維數據的優點，分類的正確率和檢測速度較高。但是卷積神經網絡需要大量樣本數據訓練支持，池化層會丟失大量有價值的信息使局部與整體的關聯性較差。為了提高CNN的檢測精度，文獻[57]利用 IBP(india buffet process)機制進行參數自調整優化，構建了基于IBP-CNN的覆冰圖像厚度辨識方法。文獻[58]在CNN網絡中引入預訓練和重疊池提高圖像分類的準確性，用于診斷電力設備的是否損壞。

3.5 基于RCNN的區域目標檢測

區域目標檢測目的是在圖像中定位出目標位置并對其進行分類檢測，在無人機巡線中通常于無人機視覺導航、目標圖像的獲取以及故障的判定。Girshick等[59]提出的基于區域的卷積神經網絡(RCNN)方法，現已成為深度學習中區域目標檢測的典型方案。區域目標檢測的步驟是先提取候選框，然后對候選框中的圖像進行提取特征分類，最后回歸特征框。RCNN采用Selective Search先提取候選框，將這些區域縮放成同一大小的圖片后放入卷積神經網絡中進行特征提取。然后使用SVM進行分類，通過非極大值抑制輸出結果。這種方法的缺點是運算復雜且檢測速度慢。為了加快檢測速度，研究者相繼提出了Fast RCNN和Faster RCNN。Faster RCNN在RCNN上不僅加入了ROI層把輸入網絡的特征圖從固定尺寸改為任意尺寸，還使用卷積神經網絡代替SVM進行分類。Faster RCNN則引入RPN(region proposal network)網絡，將所有的步驟均在卷積神經網絡中完成。

圖3是Faster RCNN的訓練過程，訓練RPN時，先使用預訓練的CNN模型初始化RPN，然后使用反向傳播算法對區域提議網絡進行調優。RPN與Faster RCNN是獨立訓練的，在最后一步中實現兩個網絡的卷積層共享調優，這樣兩個網絡就合并形成了一個聯合的網絡。

圖3 Faster RCNN的訓練步驟Fig.3 Faster RCNN training

圖4 Faster RCNN圖像識別過程Fig.4 Identification process of Faster RCNN

圖4為Faster RCNN進行目標檢測的過程，由訓練過程可知候選區提取(RPN)和區域提取特征并分類的網絡(CNN+ROI)共享同一個卷積神經網絡，所以相比于其他基于RCNN的神經網絡具有更高的效率。

因Faster RCNN的高速性常用于無人機巡線的目標檢測中。文獻[60-61]采用Faster RCNN網絡進行輸電線路部件的故障檢測，文獻[62]將其用于無人機巡線的視覺導航。Faster RCNN的優點是識別速度快，但是由于ROI池化的作用丟失某些重要參數，會影響其判斷正確率。為了提高Faster RCNN的檢測精度，文獻[63]通過引入跳轉連接、調整激活和卷積層，使網絡具有更強的高級特征提取能力，并通過改進候選框生成機制提高對小目標檢測性能，大大提高了高壓線纜識別速度和正確率。文獻[64]則加入了基于單點多盒(single shot multibox)檢測器和深度殘差網絡的多級組件檢測和分類，使系統能夠快速、準確地檢測電力組件的常見故障。而文獻[65]將淺卷積層和深卷積層的特征映射連接起來，提高了ROI池可提取更詳細特征的能力。在訓練過程中，使用查詢圖像數據集對預先訓練的CNN模型進行微調，增強識別的置信度。

3.6 目標檢測方法的展望

隨著深度學習的發展，越來越多的高效率神經網絡投入無人機巡線應用中。文獻[66]采用RPN網絡與FCN(fully convolutional networks)結合的方式對電力設備的生銹程度進行識別，在與Faster RCNN的對比實驗中證明其的準確性更高。文獻[67]將均方根標準差和人工神經網絡(artificial neural network)結合起來，用于鑒定物體銹蝕的強度。文獻[68]針對絕緣子紫外圖像故障特征不明顯的特點提出了基于稀疏性表示的絕緣子閃絡狀態的分類評估法。文獻[69]在絕緣子串的紅外圖像中，根據絕緣子串的整體溫度分布規律和故障絕緣子的發熱規律，利用概率神經網絡(probabilistic neural network)建立了絕緣子串的故障診斷模型。文獻[70]采用脈沖神經網絡(spiking neural networks)實現高壓設備紅外圖像分割。深度學習是一種“黑箱”系統，需要大規模樣本數據支持且無法通過其內部結構證明檢測的準確性。運用深度學習進行目標識別與診斷，其正確率和漏識率均是通過測試圖片集測試出來的，缺乏理論的支持。但是在實際應用中，深度學習較傳統的圖像處理方法更加高效。

目前神經網絡在無人機巡線中應用依然處于起步階段，輸電線路中某些故障樣本的收集數量比較少，無法滿足深度神經網絡的要求。非深度學習分類器能在樣本量少的情況下達到較高的檢測精度。目前針對樣本量少的故障檢測大多使用SVM分類器進行分類檢測。隨著深度學習的發展，研究者們對深度學習網絡進行了改進，使其在低樣本訓練的情況下達到高精度水平[71-73]。深度神經網絡將會逐漸替代非深度學習分類器。當設備故障時，其形態與正常工作形態有很大的差異，可直接通過形態學檢測進行處理。形態學方法具有檢測正確率高、不需要樣本訓練的優點。但形態學方法受噪聲和背景影響很大，必須做好圖像的預處理工作。

4 結論

綜述了機器視覺在電力系統的無人機巡檢中的應用，從無人機巡檢的工作方式，詳細講述了巡檢圖像中幾種常用的圖像處理方法。

(1)中國無人機巡檢技術水平現已成熟，無人機巡線系統已經能完成按規劃自主完成檢測工作，自動獲取巡檢圖像以及故障的判定。無人機的巡線工作的自動化程度將越來越高。

(2)現如今無人機的通信方式大多采用多種通信方式協同工作，主要問題是帶寬、延遲及信號覆蓋。5G網絡覆蓋后，由于其低延遲的特性將改變傳統的控制信號點對點的通信方式，5G網絡可獨立完成控制信號和圖像信號的傳輸。

(3)不同的拍攝環境所獲得的圖像的干擾差異很大，研究者們應根據干擾的產生來設計相應的處理辦法。為了獲得良好的檢測圖像，可根據無人機巡檢工作常見的運動狀態、拍攝角度及光照等問題分析巡檢圖像的干擾成分，設計相應的處理方法。

(4)對于無人機的視覺檢測方法，深度學習技術在電力巡線應用處于起步階段，由于巡檢圖像負樣本較少導致設備故障識別率較低。但對于設備的常見故障的檢測正確率已經達到實用標準，并且隨著時間的積累巡檢圖像負樣本數據不斷增大。如今無人機視覺檢測處理算法中人工智能算法占大部分，形態學檢測算法因其不需要大量數據支持等優點，在某些方面仍優于人工智能算法。無人機巡線系統的視覺檢測方法現在已從“以形態學為主”轉變為“以人工智能為主，形態學為輔”，未來將會有越來越多的人工智能算法投入使用。