在无人机自动巡检技术中,基于可见光图像的电力目标识别任务扮演着重要角色,电力线提取任务给无人机的视觉导航起到辅助作用,有助于巡检过程中航线偏离校正,同时避免与电力线发生碰撞。电力元件检测任务帮助巡检系统识别物体并定位其在拍摄画面中的位置,随后无人机通过调整飞行姿态以及云台角度,拍摄清晰稳定的电力元件画面,最后搭配缺陷识别技术完成整个巡检工作。目前,电力目标识别算法要在无人机上的嵌入式设备上实现在线监测还面临着许多挑战。由于无人机较差的负载能力,导致无人机无法搭载高性能的信息处理模块,因此复杂度较高的算法不适合应用在巡检系统中。为了解决上述问题,本文基于深度学习技术,通过采集的实际巡检场景图象对电力目标识别任务进行研究,主要工作如下:1、针对电力线提取算法提取效果不佳、检测效率偏低的问题,本文提出了一种快速且高效的电力线提取算法PL-LinkNet。PL-LinkNet算法基于LinkNet算法改进而来,为了能在移动平台上具有更好的表现,该算法摒弃了原有的编码器ResNet34,采用速度与精度表现优异的轻量网络MnastNet;在此基础上,本文提出了基于深度可分离卷积和注意力机制的AD-block模块,该模块通过对特征图进行空洞卷积操作来提升网络的感受野,以损失少量检测速度为代价,显著提升了网络的检测效果。最后,为了改善解码器中单一采用转置卷积带来的负面影响,本文改进了解码器的结构,进一步提升检测精度。该算法在平台的电力线数据集上进行测试,检测精度高于对比算法,IoU指标可达77.2%,搭载在移动平台Jetson TX2上检测每张图片仅需126ms。2、针对当前面向多任务算法的电力目标数据集缺少的问题,本文基于无人机平台所拍摄的实际巡检视频,制作了一份针对多任务学习的电力目标数据集,该数据集包含了像素级的电力线标签以及绝缘子和间隔棒两类电力元件的目标检测标签,可以同时训练语义分割任务以及目标检测任务,为本文提出的多任务电力目标识别算法提供了可靠的学习样本。3、提出了一种有效的多任务电力目标识别算法Power MultiNet,能够同时实现电力线提取任务和电力元件检测任务,验证了多任务学习算法在无人机自动巡检系统上的可行性。所提的多任务算法能有效提升检测效率,得益于算法中共享编码层的存在,很大程度提高了算力资源的利用率,避免了两类独立任务在处理可见光图像时算力资源消耗过多的问题。该算法以YOLOv4为基础,采用本文设计的一种U型网络结构来作为语义分割任务的分支,有效提升了算法对电力线提取的效果。此外,提出了一种自适应损失函数,能够平衡两类任务训练时的损失比例,更好地训练多任务算法,提高算法的效果。最后,设计训练策略并通过实验验证了最佳的训练方式。4、搭建了一种基于四旋翼无人机的在线检测平台。首先给出了整个平台的结构图,并介绍每个部分的功能。随后介绍了平台各部分的硬件设备,并给出了相关的参数。最后,以平台为基础,将本文提出的电力线提取算法PL-LinkNet以及多任务算法Power MultiNet搭载在平台的嵌入式设备上进行实验,验证了算法的有效性。