[发明专利]一种基于嵌入式深度学习的无人机电网巡检方法和系统

权利要求书

1.一种基于嵌入式深度学习的无人机电网巡检方法，包括以下步骤：

规划输电线路的巡检路径；

无人机按照所述巡检路径进行巡检，并将航拍的输电线路图像数据输入至所搭载的嵌入式深度学习设备，获得输电线路的故障检测结果，其中，所述嵌入式深度学习设备包含深度学习模型，该深度学习模型以已知的图像数据为输入，以对应的故障检测结果为输出经训练获得。

2.根据权利要求1所述的方法，其特征在于，所述深度学习模型包含目标检测分类网络和故障缺陷识别网络，所述目标检测分类网络用于从输入的图像数据中检测出感兴趣的物体并进行分类，获得目标检测结果，所述故障缺陷识别网络用于从目标检测结果中识别出对应的故障缺陷，获得故障检测结果。

3.根据权利要求2所述的方法，其特征在于，所述目标检测分类网络包括区域建议网络和目标检测器，所述区域建议网络针对输入的图像数据生成目标建议框送到所述目标检测器，所述目标检测器对图像分类和定位修正，获得目标检测结果。

4.根据权利要求3所述的方法，其特征在于，所述目标检测器根据以下步骤获得目标检测结果：

将所述目标建议框映射到神经网络的最后一层卷积特征图，并通过计算预先标记的实际边界框与所述目标区域建议框的重叠率得到感兴趣区域；

采用池化层为每个目标建议框提取固定尺寸的特征向量；

利用全连接层得到感兴趣区域的特征向量，并以设定的联合损失函数为目标对分类器和边界框回归联合训练，从而对目标置信度分值和检测位置进行调整，获得目标检测结果。

5.根据权利要求4所述的方法，其特征在于，所述联合损失函数表示为：

其中，N_cls为训练过程的批处理大小，N_reg为锚框的位置数，i是锚框的索引，p_i是锚框i属于某个目标的预测概率，当锚框为正样本时，否则t_i表示预测的边界框的4个参数化坐标向量，是与正锚框对应的实际边界框的坐标向量，λ是设定的超参数，L_cls和L_reg分别为分类损失和回归损失，x和y表示预测框box的中心点坐标，w和h分别表示预测框box的宽和高。

6.根据权利要求2所述的方法，其特征在于，所述故障缺陷识别网络是u-net网络，包含编码器和解码器，编码器由卷积层和最大池化层组成，用于提取图像中的特征信息，解码器通过转置卷积层对特征图进行上采样，生成与输入图像维度一致的特征图，编码器与解码器之间通过矩阵级联方式进行融合。

7.根据权利要求1所述的方法，其特征在于，所述嵌入式深度学习设备包含用于接收图像数据的接口、用于发送故障检测结果的接口、用于接收和发送控制信号的接口、数据存储单元和深度学习模型的执行单元。

8.根据权利要求7所述的方法，其特征在于，所述嵌入式深度学习设备以RK3399Pro芯片作为核心芯片，通过ISP接口接收图像数据，通过GPIO端口接收和发送控制信号，通过I2C通讯协议搭载传感器，通过USB搭载外围设备，通过WiFi或LAN发送故障检测结果。

9.一种基于嵌入式深度学习的无人机电网巡检系统，包括图像采集设备和搭载在无人机上的嵌入式深度学习设备，其中，所述图像采集设备用于获取航拍的图像数据并传递给所述嵌入式深度学习设备，所述嵌入式深度学习设备利用预训练的深度学习模型获得对应的故障检测结果。

10.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。