基于无人机巡检的输电线路绝缘子及其异物检测算法

doi:10.12096/j.2096-4528.pgt.24230

发电技术 ›› 2025, Vol. 46 ›› Issue (3): 532-540.DOI: 10.12096/j.2096-4528.pgt.24230

• AI在新型电力系统中的应用 • 上一篇

基于无人机巡检的输电线路绝缘子及其异物检测算法

于子涵¹, 王赫鸣¹, 王建凯¹, 朱胜强¹, 孟祥忠²

^1.山东黄金电力有限公司，山东省烟台市 266040
^2.青岛科技大学自动化与电子工程学院，山东省青岛市 266061

收稿日期:2024-10-29 修回日期:2024-11-29 出版日期:2025-06-30 发布日期:2025-06-16
通讯作者: 孟祥忠
作者简介:于子涵(1986)，女，工程师，研究方向为智能变电站建设、电力智能巡检、电力系统大数据监控，690470882@qq.com；
王赫鸣(1989)，男，硕士，工程师，研究方向为电力智能巡检、智能变电站建设、电力无人机巡检与控制，13465505668@139.com；
王建凯(1989)，男，工程师，研究方向为智能变电站建设、电力智能巡检、电力系统开发与设计，807643738@qq.com；
朱胜强(1973)，男，工程师，研究方向为智能变电站建设、电力智能巡检、电力系统监控与开发，595221206@qq.com；
孟祥忠(1964)，男，博士，教授，研究方向电力电子技术、电力系统自动化技术、智能电力巡检，本文通信作者，woaiyishanyishui@126.com。
基金资助:
山东省自然科学基金项目(ZR2022ME194)

Detection Algorithm for Insulators and Foreign Objects on Transmission Lines Based on Unmanned Aerial Vehicle Inspection

Zihan YU¹, Heming WANG¹, Jiankai WANG¹, Shengqiang ZHU¹, Xiangzhong MENG²

^1.Shandong Golden Electric Power Limited Company, Yantai 266040, Shandong Province, China
^2.College of Automation and Electronic Engineering, Qingdao University of Science & Technology, Qingdao 266061, Shandong Province, China

Received:2024-10-29 Revised:2024-11-29 Published:2025-06-30 Online:2025-06-16
Contact: Xiangzhong MENG
Supported by:
Shandong Provincial Natural Science Foundation(ZR2022ME194)

摘要/Abstract

摘要：

目的传统的电网巡检方式存在劳动强度大、效率低等问题，为此，以山东黄金电网为研究对象，提出一种基于轻量化深度学习网络YOLOv5-Mv3的无人机巡检电网绝缘子及其异物检测算法。方法首先，通过无人机巡检电网拍摄图片来构建数据集，对数据集进行训练；其次，针对电网绝缘子及其异物，采用Mobilenetv3来替代CSPDarknet53作为特征提取网络，对YOLOv5-Mv3进行轻量化改进，减少模型参数和计算量，在保证准确率的同时，满足实时检测的要求。结果该检测算法的均值平均精度达到84.7%，检测速度达到56.6帧/s，改进的YOLOv5-Mv3与Faster RCNN、SSD、YOLOv4模型相比，具有更高的检测精度和更快的检测速度。结论该算法提高了无人机巡检电网效率，实现了轻量高效的效果，符合电网智能巡检的要求。

关键词: 电力系统, 人工智能(AI), 电网, 无人机, 目标检测, 输电线路, 电力巡检, 机器视觉, 图像处理

Abstract:

Objectives Traditional power grid inspection methods suffer from high labor intensity and low efficiency. Taking Shandong Golden Power Grid as the research object, this study proposes an inspection algorithm using unmanned aerial vehicle (UAV) based on lightweight deep learning network YOLOv5-Mv3 for detecting grid insulators and foreign objects. Methods Firstly, a dataset is constructed using images captured by UAVs during power grid inspection and is trained. Then, for the grid insulators and foreign objects, Mobilenetv3 is used to replace CSPDarknet53 as the feature extraction network in order to lighten the YOLOv5-Mv3 model, reducing parameters and computational cost while maintaining accuracy and enabling real-time detection. Results The proposed detection algorithm achieves a mean Average Precision of 84.7% and 56.6 frames per second. Compared to Faster RCNN, SSD, and YOLOv4 models, the improved YOLOv5-Mv3 demonstrates higher detection accuracy and faster performance. Conclusions The proposed algorithm improves the efficiency of UAV-based power grid inspection and achieves lightweight and high-efficiency effect, fully meeting the requirements for intelligent power grid inspection.

Key words: power system, artifical intelligence (AI), power grid, unmanned aerial vehicle, target detection, transmission line, power inspection, machine vision, image processing

中图分类号:

TM 216

于子涵, 王赫鸣, 王建凯, 朱胜强, 孟祥忠. 基于无人机巡检的输电线路绝缘子及其异物检测算法[J]. 发电技术, 2025, 46(3): 532-540.

Zihan YU, Heming WANG, Jiankai WANG, Shengqiang ZHU, Xiangzhong MENG. Detection Algorithm for Insulators and Foreign Objects on Transmission Lines Based on Unmanned Aerial Vehicle Inspection[J]. Power Generation Technology, 2025, 46(3): 532-540.

图/表 9

图1 无人机电网巡检流程图

Fig. 1 Flowchart of power grid inspection using UAV

图2 MobileNetv3结构图

Fig. 2 Diagram of MobileNetv3 architecture

表1 改进前后检测性能对比

Tab. 1 Comparison of detection performance before and after improvement

网络模型	参数量/个	模型内存占用量/MB
CSPDarknet53	782 772	98.54
MobileNetv3	249 446	5.41

图3 YOLOv5-Mv3算法网络框架

Fig. 3 Network architecture of YOLOv5-Mv3 algorithm

图4 YOLOv5-Mv检测指标图

Fig. 4 Detection indicators of YOLOv5-Mv

表2 改进前后输电线路检测性能对比

Tab. 2 Comparison of transmission line detection performance before and after improvement

模型	平均精度/%			检测速度/FPS	均值平均精度/%
模型	绝缘子	缺陷绝缘子	鸟巢	检测速度/FPS	均值平均精度/%
YOLOv5s	80.5	82.9	84.8	25.5	82.7
YOLOv5m	82.4	83.4	84.5	15.5	83.4
YOLOv5l	83.3	85.4	86.9	8.4	85.2
YOLOv5-Mv3	83.9	84.8	85.4	56.6	84.7

图5 YOLOv5系列对比实验曲线图

Fig. 5 Comparative experimental curves of YOLOv5 series

表3 与其他传统算法对比 (%)

Tab. 3 Comparison with other traditional algorithms

算法	绝缘子AP	缺陷绝缘子AP	鸟巢AP	mAP	F₁
Faster R-CNN	72.3	73.6	84.2	67.1	67.5
SSD	82.4	83.8	86.7	72.6	74.6
YOLOv4	81.5	79.9	80.8	82.7	79.1
YOLOv5	82.4	83.4	84.5	83.4	80.2
YOLOv5-Mv3	83.9	84.8	85.4	84.7	81.5

图6 不同算法识别效果图

Fig. 6 Recognition effect of different algorithms

参考文献 27

1	巢亚锋，万涛，张柳，等．湖南电网架空线路复合绝缘子掉线分析及建议[J]．高压电器，2021，57(8)：209-215．
	CHAO Y F， WAN T， ZHANG L，et al ．Analysis and suggestions on string breakage failure of composite insulator of overhead transmission line in Hunan power grid[J]．High Voltage Apparatus，2021，57(8)：209-215．
2	刘传洋，吴一全．基于深度学习的输电线路视觉检测方法研究进展[J]．中国电机工程学报，2023，43(19)：7423-7446． doi:10.11834/jig.220432
	LIU C Y， WU Y Q ．Research progress of vision detection methods based on deep learning for transmission lines[J]．Proceedings of the CSEE，2023，43(19)：7423-7446． doi:10.11834/jig.220432
3	刘宏胜，李宏杰，张华君，等．混合ACA-SA算法的无人机巡检电塔路径优化方法[J]．自动化与仪器仪表，2024(1)：121-125．
	LIU H S， LI H J， ZHANG H J，et al ．A hybrid ACA-SA algorithm for UAV inspection path optimization [J]．Automation & Instrumentation，2024(1)：121-125．
4	刘春，艾克然木·艾克拜尔，蔡天池．面向建筑健康监测的无人机自主巡检与裂缝识别[J]．同济大学学报(自然科学版)，2022，50(7)：921-932．
	LIU C，EKRAM·E， CAI T C ．UAV autonomous inspection and crack detection towards building health monitoring[J]．Journal of Tongji University (Natural Science)，2022，50(7)：921-932．
5	隋宇，宁平凡，牛萍娟，等．面向架空输电线路的挂载无人机电力巡检技术研究综述[J]．电网技术，2021，45(9)：3636-3648．
	SUI Y， NING P F， NIU P J，et al ．Review on mounted UAV for transmission line inspection[J]．Power System Technology，2021，45(9)：3636-3648．
6	芦肇基，沈艳霞，谭永强．基于多结构融合WGAN的模糊绝缘子图像复原方法研究[J]．电力系统保护与控制，2024，52(22)：166-175．
	LU Z J， SHEN Y X， TAN Y Q ．A WGAN blur insulator image restoration method based on multi-structure fusion[J]．Power System Protection and Control，2024，52(22)：166-175．
7	霍红刚，周蠡，蔡杰，等．基于先验知识Faster R-CNN的输电线路无人机图像识别方法[J]．智慧电力，2024，52(6)：108-115．
	HUO H G， ZHOU L， CAI J，et al ．UAV image recognition method for transmission line based on prior knowledge faster R-CNN[J]．Smart Power，2024，52(6)：108-115．
8	任明，李乾宇，夏昌杰，等．基于稀疏光谱成像的线路复合绝缘子积污状态可视化评估[J]．中国电力，2025，58(2)：203-215．
	REN M， LI Q Y， XIA C J，et al ．Visualized estimation of composite insulator pollution status of transmission line based on reflective multispectral imaging[J]．Electric Power，2025，58(2)：203-215．
9	彭曙蓉，刘登港，何洁妮，等．基于改进YOLOv4的架空线路电力设备故障检测[J]．电力科学与技术学报，2023，38(5)：169-176．
	PENG S R， LIU D G， HE J N，et al ．Fault detection for overhead line power equipment based on improved YOLOv4[J]．Journal of Electric Power Science and Technology，2023，38(5)：169-176．
10	朱长荣，吕文超，单超，等．基于IMU-GNSS-VO的输电线无人机巡检定位和目标跟踪自适应方法[J]．电力建设，2023，44(8)：61-70．
	ZHU C R， LÜ W C， SHAN C，et al ．Adaptive method for transmission-line UAV inspection location and target tracking based on IMU-GNSS-VO[J]．Electric Power Construction，2023，44(8)：61-70．
11	杜觉晓，赵留学，莽修伟，等．基于边缘端目标识别与跟踪算法的输电线路航拍视频流诊断技术研究[J]．智慧电力，2023，51(6)：106-113．
	DU J X， ZHAO L X， MANG X W，et al ．Aerial video stream diagnosis technology for transmission lines based on edge target recognition and tracking algorithm[J]．Smart Power，2023，51(6)：106-113．
12	张焕龙，齐企业，张杰，等．基于改进YOLOv5的输电线路鸟巢检测方法研究[J]．电力系统保护与控制，2023，51(2)：151-159．
	ZHANG H L， QI Q Y， ZHANG J，et al ．Bird nest detection method for transmission lines based on improved YOLOv5[J]．Power System Protection and Control，2023，51(2)：151-159．
13	GIRSHICK R ．Fast R-CNN[C]//International Conference on Computer Vision．IEEE Computer Society，2015：1504.08083． doi:10.1109/iccv.2015.169
14	REN S， HE K， GIRSHICK R，et al ．Faster R-CNN：towards real-time object detection with region proposal networks[J]．IEEE Trans Pattern And Mach Intell，2017，39(6)：1137-1149． doi:10.1109/tpami.2016.2577031
15	LIU W， ANGUELOV D， ERHAN D，et al ．SSD：single shot MultiBox detector[C]//Computer Vision-ECCV2016．Cham：Springer International Publishing，2016：21-37． doi:10.1007/978-3-319-46448-0_2
16	REDMON J， DIVVALA S， GIRSHICK R，etal ．You only look once：unified，real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)．LasVegas，NV，USA：IEEE，2016：779-788． doi:10.1109/cvpr.2016.91
17	REDMON J， FARHADI A ．YOLO9000：better，faster，stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)．Honolulu，HI：IEEE，2017：7263-7271． doi:10.1109/cvpr.2017.690
18	FARHADI A， REDMON J ．Yolov3：an incremental improvement[C]//Computer Vision and Pattern Recognition.Berlin/Heidelberg，Germany：Springer，2018，1804：1-6．
19	WANG Z， GAO Q， LI D，et al ．Insulator anomaly detection method based on few-shot learning[J]．IEEE Access，2021，9：94970-94980． doi:10.1109/access.2021.3071305
20	XIA H， YANG B， LI Y，et al ．An improved CenterNet model for insulator defect detection using aerial imagery[J]．Sensors，2022，22(8)：2850． doi:10.3390/s22082850
21	HAN G， HE M， GAO M，et al ．Insulator breakage detection based on improved YOLOv5[J]．Sustainability，2022，14(10)：6066． doi:10.3390/su14106066
22	HUANG Y， JIANG L， HAN T，et al ．High-accuracy insulator defect detection for overhead transmission lines based on improved YOLOv5[J]．Applied Sciences，2022，12(24)：12682． doi:10.3390/app122412682
23	LIU L， KE C， LIN H ．Dark-center based insulator detection method in foggy environment[J]．Applied Sciences，2023，13(12)：7264． doi:10.3390/app13127264
24	何宁辉，王世杰，刘军福，等．基于深度学习的航拍图像绝缘子缺失检测方法研究[J]．电力系统保护与控制，2021，49(12)：132-140．
	HE N H， WANG S J， LIU J F，et al ．Research on infrared image missing insulator detection method based on deep learning[J]．Power System Protection and Control，2021，49(12)：132-140．
25	程登峰，林世忠，尚文迪．输电线路固定翼无人机多目标巡检线路优化[J]．自动化仪表，2023，44(12)：21-25．
	CHENG D F， LIN S Z， SHANG W D ．Optimization of fixed-wingunmaunedaerialvehiclemulti-objectiveins- pectionroutesforpowertransmissionlines[J]．Process Au- tomation Instrumentation，2023，44(12)：21-25．
26	罗潇，於锋，彭勇．基于深度学习的无人机电网巡检缺陷检测研究[J]．电力系统保护与控制，2022，50(10)：132-139．
	LUO X， YU F， PENG Y ．UAV power grid inspection defect detection based on deep learning[J]．Power System Protection and Control，2022，50(10)：132-139．
27	邵瑰玮，刘壮，付晶，等．架空输电线路无人机巡检技术研究进展[J]．高电压技术，2020，46(1)：14-22．
	SHAO G W， LIU Z， FU J，et al ．Research progress in unmanned aerial vehicle inspection technology on overhead transmission lines[J]．High Voltage Engineering，2020，46(1)：14-22．

[1]	张俊, 蒲天骄, 高文忠, 刘友波, 裴玮, 许沛东, 高天露, 白昱阳. 电力系统智能计算的关键技术及应用展望[J]. 发电技术, 2025, 46(3): 421-437.
[2]	张祖菡, 刘敦楠, 凡航, 杨柳青, 段赟杰, 李赟, 马振宇. 基于大语言模型的电力系统预测技术研究综述[J]. 发电技术, 2025, 46(3): 438-453.
[3]	徐浩然, 张瑾昀, 马歆, 雷文强, 曹杰铭. 基于大语言模型的图检索增强生成技术在核电领域的应用与展望[J]. 发电技术, 2025, 46(3): 454-466.
[4]	陈艺璇, 王嘉阳, 卓映君, 卢斯煜, 周保荣. 人工智能在电力系统运行模拟加速中的应用综述[J]. 发电技术, 2025, 46(3): 467-481.
[5]	杨博, 张子健. 基于人工智能的可再生能源电解水制氢关键技术及发展前景分析[J]. 发电技术, 2025, 46(3): 482-495.
[6]	刘宿城, 栾李, 李龙, 洪涛, 刘晓东. 基于人工智能的直流微电网大信号稳定性评估方法研究[J]. 发电技术, 2025, 46(3): 496-507.
[7]	闫正义, 赵康, 王凯. 基于强化学习的新型电力系统优化策略应用综述[J]. 发电技术, 2025, 46(3): 508-520.
[8]	席磊, 王艺晓, 熊雅慧, 董璐. 基于改进深度极限学习机的电网虚假数据注入攻击定位检测[J]. 发电技术, 2025, 46(3): 521-531.
[9]	赵睿智, 练小林, 应凯文, 柳杰, 李丝雨, 高扬. 基于改进二进制粒子群优化算法的综合能源系统故障定位研究[J]. 发电技术, 2025, 46(2): 231-239.
[10]	刘忠, 黄彦铭, 朱光明, 邹淑云. 含风-光-电氢混合储能的多微电网系统容量优化配置方法[J]. 发电技术, 2025, 46(2): 240-251.
[11]	王奎, 余梦, 张海静, 李妍, 刘哲, 郭军红. 面向光伏消纳和冰蓄冷空调群低碳需求响应的新型配电系统多时间尺度优化策略[J]. 发电技术, 2025, 46(2): 284-295.
[12]	孙正龙, 伞吉强. 面向扭振分析的含虚拟惯量双馈风机轴系研究[J]. 发电技术, 2025, 46(2): 314-325.
[13]	张扬帆, 李奕霖, 叶林, 付雪姣, 王正宇, 王耀函. 低温天气下考虑风机运行状态聚类的短期风电功率预测方法[J]. 发电技术, 2025, 46(2): 326-335.
[14]	雷基林, 余林兴, 别玉, 徐稚博, 肖雨寒. 孤岛微电网能量管理系统研究综述[J]. 发电技术, 2025, 46(2): 370-385.
[15]	郑杨, 任禹丞, 王雨薇, 徐丁吉, 杨慧敏. 基于改进云模型的区域电网电能替代综合效益评价[J]. 发电技术, 2025, 46(2): 399-408.

基于无人机巡检的输电线路绝缘子及其异物检测算法

Detection Algorithm for Insulators and Foreign Objects on Transmission Lines Based on Unmanned Aerial Vehicle Inspection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 9

参考文献 27

相关文章 15

编辑推荐

Metrics