摘 要：為了提升無人機安全飛行性，提升線路運維能力，基于ＹＯＬＯｖ５ 深度學習算法，提出了一種無人機單目測距方法，用于實現(xiàn)一種精確的輔助距離測量功能。對現(xiàn)有的開源絕緣子數(shù)據(jù)集進行了擴充和標定，采用ＹＯＬＯｖ５ｓ 模型進行了訓練、驗證和測試，建立了絕緣子串的測距模型，設計代碼加入到檢測模塊中，實現(xiàn)對絕緣子的識別和測距。實驗結果表明，該模型能夠準確識別輸電線路不同類型的絕緣子并進行精確測距，平均測距誤差為４． ７６％ ；對復合絕緣子的識別和測距效果最佳，改變俯仰角和相對距離，最大測距誤差為６％ ；在不同天氣條件下，亮度變化越大，對絕緣子的識別測距誤差也越大，亮度增加至１００％ 時，誤差最高可達到１２． ３％ 。測距所需平均時間為０． ２９８ ４ ｓ，可以實現(xiàn)高效、高精度測距，為無人機巡檢安全距離測量提供支持。

關鍵詞：安全距離；絕緣子；深度學習；ＹＯＬＯｖ５；圖像識別；單目測距

中圖分類號：ＴＭ７５５；ＴＰ３９１ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１４２１－１０

０ 引言

輸電線路是電力系統(tǒng)的重要組成部分，對其進行巡檢維修以維持正常穩(wěn)定運行是保證電力系統(tǒng)穩(wěn)定的重要環(huán)節(jié)。研究表明，線路運行中一半以上故障是由絕緣子問題引起的［１］。因此，在巡檢過程中，加強對輸電線路特別是絕緣子的檢查尤為重要。傳統(tǒng)的絕緣子檢查方式依賴巡檢人員沿線進行近距離巡視和檢測。然而，隨著輸電線路的擴建，人工巡檢任務的負擔增加，巡線的難度也加大［２－３］。近年來，全國各電網(wǎng)公司大力發(fā)展無人機巡線，相較于傳統(tǒng)的人工巡線方式，無人機巡線具有高效率、不受地形限制、實時信息傳輸和安全等優(yōu)點［４］。然而，在運行過程中，輸電線路會產生電磁場，可能干擾無人機的信號，并且有可能由于電場擊穿使無人機的電子設備發(fā)生故障，導致無人機墜毀，威脅到輸電線路的安全［５］。因此，在進行絕緣子巡檢時，必須充分考慮輸電線路電磁場對無人機的影響，與絕緣子保持合適的安全距離［６］。

目前，測量無人機與絕緣子之間安全距離的非接觸式方法主要包括超聲波測距、紅外測距和視覺測距［７－９］。相較于前２ 種測距，視覺測距是一種比較具有優(yōu)勢和發(fā)展前景的測距方法。視覺測距具有更高的精度，并且能夠提供被測物體的形狀信息以及實現(xiàn)三維重建和測量。視覺測距通常分為單目測距和雙目測距。雙目測距精度高，但是成本較高、安裝復雜、存在一定的局限性，并且無人機搭載雙目相機會增加功耗、降低續(xù)航時間。相比之下，單目測距成本低、靈活性高、安裝簡單，更適合無人機巡線。目前國內外已經(jīng)開展了許多關于單目測距的研究。例如，文獻［１０］提出了一種將ＹＯＬＯ 目標檢測與距離測量相結合的方法，實現(xiàn)了實時距離測量。文獻［１１］提出一種使用深度學習算法ＹＯＬＯｖ５ｓ 的無人機光學快速識別定位追蹤系統(tǒng)，實現(xiàn)了無人機的雙目測距。文獻［１２］基于深度學習提出一種高檢測精度且速度快的ＹＯＬＯｖ４ 目標檢測算法，并結合單目測距，實現(xiàn)了實時行人目標檢測及測距。文獻［１３］通過使用ＹＯＬＯｖ４ 算法進行模型訓練，設計了一種單目測距算法，使得測距誤差控制在５％ 以內，展示了將ＹＯＬＯ 深度學習算法和單目測距相結合的可行性和準確性。

基于以上背景，本文提出了一種基于ＹＯＬＯｖ５算法的無人機巡檢圖像中絕緣子快速識別與單目測距方法。通過收集６３５ 張無人機巡檢絕緣子時拍攝的絕緣子圖片和現(xiàn)有的６００ 張絕緣子數(shù)據(jù)集圖片，并進行標定，構建了絕緣子的ＹＯＬＯ 數(shù)據(jù)集。然后，利用ＹＯＬＯｖ５ 算法對數(shù)據(jù)集進行訓練、驗證和測試，實現(xiàn)了對不同類別、不同環(huán)境下絕緣子的檢測。此外，根據(jù)小孔成像原理，設計了一種用于絕緣子的單目測距模型，并將計算代碼嵌入到絕緣子檢測代碼中。最終，通過輸入相機參數(shù)和絕緣子參數(shù)，實現(xiàn)了對絕緣子的檢測和快速測距。通過實驗證明了該測距算法在不同情況和環(huán)境下的準確性和實用性，并分析影響該測距程序精度的因素。該方法為無人機巡檢絕緣子提供了一種經(jīng)濟且實用的輔助測距手段。

１ 基于ＹＯＬＯｖ５ 算法的絕緣子目標檢測方法

１． １ ＹＯＬＯｖ５ 算法及數(shù)據(jù)集

ＹＯＬＯｖ５ 是一種基于深度學習的目標檢測算法，在目標檢測領域具有很高的精度和效率，其算法結構可以分為以下七部分：輸入層、Ｂａｃｋｂｏｎｅ 網(wǎng)絡、Ｎｅｃｋ 網(wǎng)絡、Ｈｅａｄ 網(wǎng)絡、輸出層、損失函數(shù)和數(shù)據(jù)增強［１４－１６］。ＹＯＬＯｖ５６． ０ 網(wǎng)絡結構如圖１ 所示。

本文使用的訓練數(shù)據(jù)集是中國輸電線路絕緣子數(shù)據(jù)集，該數(shù)據(jù)集包含６００ 張不含缺陷的絕緣子圖片，結合工程中無人機巡線拍攝的絕緣子圖片，將絕緣子圖片數(shù)據(jù)集擴充至１ ２３５ 張。使用圖像標注工具ＬａｂｅｌＩｍｇ 對絕緣子圖片進行標定，并將標定的結果輸出為ＹＯＬＯ 格式的標簽。然后通過Ｐｙｔｈｏｎ 軟件里的劃分數(shù)據(jù)集代碼將所有圖片和標簽按８ ∶ １ ∶ １ 的比例劃分訓練集、測試集和驗證集并將圖片的分辨率調整為６４０ ｐｉｘｅｌ×６４０ ｐｉｘｅｌ。圖２ 為絕緣子標定過程。

１． ２ 模型訓練及檢測

本次模型訓練是基于ＡｕｔｏＤＬ 云電腦平臺，操作系統(tǒng)為Ｌｉｎｕｘ，ＧＰＵ 為ＮＶＩＤＩＡ ＲＴＸ ３０９０，內存為２４ ＧＢ，深度學習環(huán)境為ＰｙＴｏｒｃｈ １． ８． １＋Ｐｙｔｈｏｎ ３． ８＋ｃｕｄａ １１． １。具體的訓練參數(shù)設置如表１ 所示。

訓練結果以精度（Ｐ）、召回率（Ｒ）、平均準確率（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ ）和準確率（ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ，ＡＰ）來衡量準確性。ＴＰ 為把正例分類歸為正例，ＦＰ 為把正例分為負例，ＦＰ 為把負例歸為正例，ｋ 為每個類別中要計算的預測結果的最大數(shù)量。具體的計算如下：

圖３ 為深度學習的訓練結果，根據(jù)訓練結果可知，該絕緣子的訓練模型經(jīng)過３００ 輪次的訓練后精度接近１． ０ 并且Ｐ、Ｒ、ｍＡＰ 曲線接近于１，此模型的訓練結果較為優(yōu)良，可以用作后續(xù)的絕緣子檢測任務。

訓練完成后，配置ＹＯＬＯｖ５ 中的ｄｅｔｅｃｔ 代碼隨機進行絕緣子圖片的檢測。結果表明，絕緣子的檢測準確率達到了９６％ ，算法在大多數(shù)圖片中能夠有效地識別絕緣子，部分絕緣子檢測效果如圖４ 所示。由圖４ 可知，絕緣子邊緣輪廓被ＹＯＬＯｖ５ 算法識別框選，可以根據(jù)框選結果獲取識別框在圖中的像素寬度和高度，為后續(xù)的單目測距提供測距基礎數(shù)據(jù)。

２ 單目測距算法及改進

２． １ 單目測距原理

單目測距的基本原理是將現(xiàn)實世界的三維坐標轉換為相機中的像素坐標，通過比例關系實現(xiàn)測距。坐標系轉換是將世界坐標系、相機坐標系、圖像坐標系和像素坐標系四大坐標系經(jīng)過剛體變換，透視投影和二次轉換三次變換，將三維世界坐標系中的物體投影為二維平面的像素［１７］。圖５ 為相機的成像原理。

圖中，ＯＷ -ＸＷ ＹＷ ＺＷ 為世界坐標系，ＯＣ -ＸＣ ＹＣ ＺＣ為相機坐標系，ｏ-ｘｙ 為圖像坐標系，ｕ、ｖ 為像素坐標系，Ｐ 為真實世界中的絕緣子一點，ｐ 是Ｐ 的成像點。

世界坐標系到像素坐標系轉換的最終公式如下：

式中：Ｍ１ 為外參矩陣，Ｍ２ 為內參矩陣，ｆｘ 為橫向焦距，ｆｙ 為縱向焦距，ＺＣ 為物體相對于相機的深度，ｕ為像素坐標系中水平方向的坐標，ｖ 為像素坐標系中垂直方向的坐標，ｕ０ 為主點水平方向的像素坐標，ｖ０ 為主點垂直方向的像素坐標，Ｒ 為旋轉矩陣，Ｔ 為平移向量，ＸＷ 、ＹＷ 、ＺＷ 為世界坐標系中的點的三維坐標。通過轉換公式可知，需要獲得相機的Ｍ１ 、Ｍ２ ，才能計算物體與相機的距離。

２． ２ 相機標定與畸變矯正

根據(jù)式（５）可知，如果要計算距離，需要得到相機的Ｍ１ 和Ｍ２ 。因為無人機進行飛行時，Ｍ１ 不可能不變，所以定Ｍ１ 為單位矩陣，后續(xù)再進行姿態(tài)補償。獲?。停?，一般需要通過相機標定來確定［１８］。相機標定的步驟為：將相機標定板固定，使用相機隨機拍攝不同角度的２０ 張標定板的圖片，然后打開Ｍａｔｌａｂ 的Ｃａｍｅｒａ Ｃａｌｉｂｒａｔｏｒ，導入標定圖片，設置標定板每個正方形格的邊長為２５ ｍｍ 并進行標定，軟件自動分析標定板的正方形格角落并計算，輸出拍攝相機的具體參數(shù)［１９］。圖６ 為相機標定圖片。

相機畸變是指攝影機器在將實際世界中的物體投影到成像平面時，由于鏡頭形狀、位置等因素導致的圖像失真現(xiàn)象。相機畸變一般可分為徑向畸變和切向畸變，在此相機切向畸變不做考慮。徑向畸變的矯正公式如下：

ｘ＾ ＝ ｘ（１ ＋ ｋ１ ｒ２ ＋ ｋ２ ｒ４ ）， （６）

ｙ＾ ＝ ｙ（１ ＋ ｋ１ ｒ２ ＋ ｋ２ ｒ４ ）， （７）

式中：ｘ＾、ｙ＾ 為相機畸變矯正后的圖像橫、縱坐標，ｘ、ｙ為畸變矯正前的圖像橫、縱坐標，ｒ 為像平面上的距離，ｋ１ 、ｋ２ 為徑向畸變系數(shù)，由相機標定獲得。相機標定的結果如表２ 所示。

２． ３ 測距模型設計

通過上述步驟，確定了真實世界中的目標絕緣子和圖像平面中絕緣子的關系?？紤]到無人機在巡線過程中，難以直接獲得無人機到絕緣子所在平面的垂直高度；改變無人機的拍攝姿態(tài)后，相機的姿態(tài)角也會隨之變化，從而測量的距離也會產生變化，引起較大的誤差。所以，需要對距離進行修正。相機的姿態(tài)角分為俯仰角θ１ 、偏航角θ２ 和翻轉角θ３ ，俯仰角是相機繞其水平軸旋轉的角度，翻轉角是相機繞其前后軸旋轉的角度，偏航角是相機繞其垂直軸旋轉的角度［２０］，姿態(tài)角示意如圖７ 所示。一般情況下，需要考慮３ 個角度對測距的影響。絕緣子的形狀可以類比為圓柱體，改變偏航角，對絕緣子的測距沒有影響，絕緣子的像素寬度不會產生變化。通常認為相機的翻轉角對單目測距的影響很小，所以，本文僅考慮相機的俯仰角對測距的影響。因此，本文設計了２ 種無需測量高度并考慮無人機飛行姿態(tài)的單目測距模型。

２． ３． １ 基于單片絕緣子特征尺寸的單目測距模型

第一種測距模型是基于單片絕緣子特征尺寸進行測距，如圖８ 所示。已知絕緣子的寬ａ 和長ｂ。α為相機的俯仰角。相機具有俯仰角θ 時，ｂ 和ａ 的比值會變化，可以由此求出相機的俯仰角來修正距離。從相機到絕緣子的直線距離可以通過坐標系轉換的基本原理得出相機到絕緣子的直線距離ｄ ＝ｆｘ ｂ/Ｂ 。相機俯仰角公式為ｓｉｎ θ ＝ Ａｂ/ａＢ，故相機到絕緣子的垂直距離Ｄ ＝ ｄ ｃｏｓ θ。而Ａ、Ｂ 是絕緣子的像素寬和長，由相機標定獲得。推得最終距離Ｄ 的最終計算公式為：

２． ３． ２ 基于雙片相鄰絕緣子的單目測距模型

圖９ 所示為本文設計的另外一種單目測距模型，測距原理為：測量得到雙片相鄰絕緣子的距離ｄ１ 、ｄ２ ，而雙片絕緣子之間的高度Ｈ 已知，所以由余弦定理，可以求得角度α、β，俯仰角θ 為９０－α－β，則最終距離Ｄ 如下：

模型設計完成后，將測距模型的計算公式與絕緣子檢測代碼結合，把最終的測距公式寫入到ｄｉｓｔａｎｃｅ． ｐｙ 測距文件中計算，并將計算結果寫入ｐｌｏｔ． ｐｙ 畫框文件中，使測距計算結果呈現(xiàn)在識別框上。

３ 實驗設計及結果分析

測距系統(tǒng)完成后，需要進行以下實驗來驗證此測距系統(tǒng)的可行性和實用性：明確２ 個測距模型的測距精度；被測絕緣子的類別對測距的誤差影響；相機拍攝姿態(tài)產生的平均誤差大??；天氣環(huán)境對測距精度的影響。具體測距流程如圖１０ 所示。

３． １ 實驗條件及平臺布局

本實驗在Ｗｉｎｄｏｗｓ １１ 系統(tǒng)中進行，ＣＰＵ 為Ｉｎｔｅｌ（Ｒ）ｃｏｒｅ（ＴＭ）ｉ５-８３００Ｈ ２． ３ ＧＨｚ，ＧＰＵ 為ＮＶＩＤＩＡＧｅＦｏｒｃｅ ＧＴＸ １０５０Ｔｉ，編程軟件為ＰｙＣｈａｒｍ ２０２２． ３、Ｍａｔｌａｂ Ｒ２０２１ａ，Ｐｙｔｈｏｎ 版本為３． ８。

圖１１ 為具體的實驗場景模擬。相機到絕緣子的實際距離使用卷尺進行測量，俯仰角的值通過將手機和拍攝相機綁定，使用手機自帶的水平儀來測量。測距用時為輸入圖片后，點擊運行程序到輸出測距圖片的時間，通過代碼來顯示并手動記錄。

３． ２ 實驗過程及分析

３． ２． １ 選擇測距模型

首先比較本文設計的２ 種不同的測距模型的精度，選出精度更高的模型進行后續(xù)測量。在相同距離下，不改變俯仰角和絕緣子，使用２ 種模型對絕緣子進行測距，模型１ 為單片絕緣子測距模型，模型２為雙片絕緣子測距模型，實驗結果如表３ 所示，不同模型測距誤差如圖１２ 所示。

由表３ 和圖１２ 可以看出，對復合絕緣子進行同等條件測距，在１、５ ｍ 處測距時模型１ 的誤差都低于模型２，在３ ｍ 處時誤差大致相同。模型１ 的平均誤差為４． ７６％ ，模型２ 的平均誤差為１１． ０７％ ，所以模型１ 的測距精度要優(yōu)于模型２，后續(xù)的測距任務都選擇模型１ 來進行測量。

３． ２． ２ 改變絕緣子類別

在輸電線路設計中，選擇適合該輸電線路的絕緣子需要考慮額定電壓、環(huán)境條件、線路類型和經(jīng)濟性等問題。深度學習對不同類別的絕緣子的識別和輪廓提取的效果不一樣。不同類型的絕緣子在形狀、材料和表面紋理等方面可能存在差異，這些差異可能會影響深度學習算法的識別準確率［２１］。為了提高本測距程序的普適性，實驗針對輸電線路最常用的３ 種絕緣子：復合絕緣子、玻璃絕緣子和瓷式絕緣子進行測距，并根據(jù)３ 種類別的絕緣子的單目測距結果來分析此程序對不同類別的絕緣子的測距精度。實驗在不改變其他條件的情況下，對３ 種絕緣子在１、３、５ ｍ 處進行測距。測量效果和測量結果如圖１３ 所示。

不同類別的絕緣子測距結果如表４ 和圖１４ 所示。結果表明，不同類別的絕緣子，測距誤差各不相同。復合絕緣子的平均測距誤差為４． ７６％ ，玻璃絕緣子的平均誤差為８． ４％ ，瓷式絕緣子的平均誤差為７． １１％ ，復合絕緣子的測距結果要好于玻璃絕緣子和瓷式絕緣子。復合絕緣子在５ ｍ 較遠距離測量時，誤差較大，而玻璃絕緣子和復合絕緣子，在距離較近時，測量誤差較大。

３． ２． ３ 改變拍攝姿態(tài)

考慮到在輸電線路無人機巡線中，需要在各種復雜的情況下進行拍攝，無人機的飛行姿態(tài)通常不會與絕緣子保持相平，所以本文提出的測距模型均考慮了相機俯仰角的影響，并驗證本文所提出的測距模型的精度。實驗在距離復合絕緣子３ ｍ 處，使測距相機具有＋３０°和－３０°的俯仰角，測量相機在不同俯仰角的情況下，測距模型的誤差，測距結果如表５ 所示，測距誤差和俯仰角的關系如圖１５ 所示。

由圖１５ 可以看出，相機的拍攝俯仰角對于測距結果存在影響。在相機的俯仰角為０°時，誤差是最小的。當測距俯仰角增大時，誤差也會呈現(xiàn)增大趨勢，并且角度越大，誤差也會變得更大。在－３０° ～ ＋３０°，誤差最大為５％ 。所以改變相機的俯仰角對于測距結果有一定的影響，且俯仰角越大，測距誤差越大。本文提出的測距模型在改變相機俯仰角的情況下，測距結果較為優(yōu)異，能夠適應相機在不同姿態(tài)下的測距。

３． ２． ４ 改變拍攝天氣

天氣狀況的不同同樣會影響測距精度。由于單目測距是視覺測距，在晴天和陰天等不同情況下，拍攝的絕緣子圖片由于亮度的改變，識別效果也會不同，識別效果影響絕緣子的框選，直接會影響測距。天氣的變化無法控制，所以本實驗采用改變圖片的亮度來模擬不同天氣下的測距情況。亮度變化如圖１６ 所示，亮度－１００％ ～ ＋１００％ ，亮度＋１００％ 模擬晴天高亮度情況，而－１００％ 模擬陰天低亮度情況。在不改變其他因素的情況下，對復合絕緣子３ ｍ 處進行測距實驗，計算誤差。亮度變化測距結果如表６ 所示。

改變亮度誤差如圖１７ 所示。當亮度降低或者升高時，誤差都呈現(xiàn)增大的趨勢，在高亮情況下誤差會更大，達到了１２． ３％ ，而在低亮度情況下，誤差相對小。所以，天氣狀況對此測距模型存在一定的影響，并且在高亮度的晴天時，誤差更大。

４ 結論

本文提出了一種基于ＹＯＬＯｖ５ 算法的輸電線路絕緣子測距方法。通過深度學習，利用ＹＯＬＯｖ５ 算法實現(xiàn)對輸電線路絕緣子的目標檢測，然后根據(jù)單目成像原理建立單目測距模型進行測距，通過實驗驗證該模型在不同條件的準確性和魯棒性，并研究了影響精度的因素，可以得到以下結論：

① 基于ＹＯＬＯｖ５ 算法的深度學習模型對于輸電線路絕緣子的識別效果較好，通過對絕緣子數(shù)據(jù)集的訓練，能夠識別各種類型的絕緣子，并框出絕緣子的大致輪廓。

② 提出了２ 種測距模型，通過實驗驗證了性能，模型１ 表現(xiàn)出更高的精度，平均誤差為４． ７６％ 。此外，該算法對復合絕緣子展現(xiàn)出更好的識別效果，測距精度更高。同時，相機的姿態(tài)對測距精度也有影響，俯仰角越大，誤差越大。另外，不同的天氣條件下會導致測距精度的差異，尤其在環(huán)境過亮或過暗的情況下，測距的準確性會受到較大影響，最大誤差可達到１２． ３％ 。

③ 測距系統(tǒng)對于輸入的圖像或者視頻文件的平均測距時間為０． ２９８ ４ ｓ，進行一次測距時間較短。后續(xù)可將單目測距程序集成到Ｒａｓｐｂｅｒｒｙ Ｐｉ 產品中，用于實際工程應用測距。該方法可為輸電線路智能化巡檢和測量安全距離提供一種快速而可靠的解決方案，具有實用價值。

參考文獻

［１］ ＭＩＡＯ Ｘ Ｒ，ＬＩＵ Ｘ Ｙ，ＣＨＥＮ Ｊ，ｅｔ ａｌ． Ｉｎｓｕｌａｔｏｒ Ｄｅｔｅｃｔｉｏｎｉｎ Ａｅｒｉａｌ Ｉｍａｇｅｓ ｆｏｒ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｌｉｎｅ Ｉｎｓｐｅｃｔｉｏｎ ＵｓｉｎｇＳｉｎｇｌｅ Ｓｈｏｔ Ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：９９４５－９９５６．

［２］ 石萬． 電力巡線無人機自主無線充電系統(tǒng)設計［Ｄ］． 哈爾濱：哈爾濱理工大學，２０２１．

［３］ 李弘宸． 無人機電力巡線視覺算法研究［Ｄ］． 南京：南京航空航天大學，２０２１．

［４］ 陳強，秦飛躍，王麗明． 無人機在高壓線路巡檢中的關鍵技術及應用［Ｊ］． 科技與創(chuàng)新，２０２２（１８）：９７－１００．

［５］ 陳朋，湯粵生，俞天緯，等． 三維場景的實時無人機航跡規(guī)劃方法［Ｊ］． 小型微型計算機系統(tǒng)，２０２０，４１（９）：１８００－１８０５．

［６］ 許家文，陰酉龍，嚴波，等． 超特高壓直流輸電線路電磁場對無人機安全距離的影響［Ｊ］． 電力與能源，２０２１，４２（５）：５３６－５４２．

［７］ 杜清懷，胡立新，張棟，等． 聲波測距定位系統(tǒng)在淺海地震采集作業(yè)中的應用［Ｊ］． 石油儀器，２００４（６）：１７－２０．

［８］ 胡鵬，秦會斌． 基于紅外測距汽車倒車雷達預警系統(tǒng)設計［Ｊ］． 傳感器與微系統(tǒng)，２０１８，３７（７）：１１４－１１６．

［９］ 周東興． 視覺測距技術的研究與應用［Ｄ］． 保定：華北電力大學，２０２１．

［１０］ 梁忠超，黃茁，胡興，等． 基于ＹＯＬＯ 網(wǎng)絡的車輛四點標定測距研究［Ｊ］． 機械工程學報，２０２３，５９ （１０ ）：２２６－２３５．

［１１］ 梅楓，高興宇，鄧仕超，等． 雙目測距和ＹＯＬＯｖ５ｓ 的無人機快速識別定位追蹤系統(tǒng)［Ｊ］． 現(xiàn)代電子技術，２０２３，４６（１０）：１８１－１８６．

［１２］ 胡清政． 基于深度學習的行人目標檢測及測距技術研究［Ｄ］． 成都：西華大學，２０２１．

［１３］ 王忠言，李波，劉茹艷，等． 基于ｙｏｌｏｖ４ 算法的無人機單目測距算法［Ｊ］． 機械設計與制造工程，２０２２，５１（３）：５８－６２．

［１４］ ＣＨＥＮ Ｈ Ｆ，ＺＨＡＮＧ Ｚ Ｙ． Ｉｍｐｒｏｖｅｄ ＹＯＬＯｖ５ Ａｌｇｏｒｉｔｈｍｆｏｒ Ｐｏｗｅｒ Ｉｎｓｕｌａｔｏｒ Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥２０２３ １３ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐｏｗｅｒ，Ｅｎｅｒｇｙ ａｎｄ ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ （ＣＰＥＥＥ）． Ｔｏｋｙｏ：ＩＥＥＥ，２０２３：３０１－３０５．

［１５］ ＢＯＣＨＫＯＶＳＫＩＹ Ａ，ＷＡＮＧ Ｃ Ｙ，ＬＩＡＯ Ｈ Ｙ Ｍ． ＹＯＬＯｖ５：Ｉｍｐｒｏｖｅｄ Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ＣｒｏｓｓｓｔａｇｅＰａｒｔｉａｌ Ｎｅｔｗｏｒｋ Ａｄａｐｔａｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＰａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２１，４３（５）：１６３０－１６４３．

［１６］ 王道累，張世恒，袁斌霞，等． 基于改進ＹＯＬＯＶ５ 的輕量化玻璃絕緣子自爆缺陷檢測研究［Ｊ］． 高電壓技術，２０２３，４９（１０）：４３８２－４３９０．

［１７］ ＬＩＵ Ｊ Ｃ，ＸＵ Ｗ，ＪＩＡＮＧ Ｔ ｅｔ ａｌ． Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａｎＡｔｔｉｔｕｄｅ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｍｅｔｈｏｄ ｆｒｏｍ ｔｈｅ Ｎａｖｉｇａｔｉｏｎ Ｃｏｏｒｄｉｎａｔｅ Ｓｙｓｔｅｍ ｔｏ ｔｈｅ Ｐｒｏｊｅｃｔｉｏｎ Ｃｏｏｒｄｉｎａｔｅ Ｓｙｓｔｅｍ ［Ｊ］．ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，１７（８）：１３１８－１３２２．

［１８］ ＨＵ Ｂ Ｗ，ＷＥＮ Ｇ Ｊ，ＺＨＡＮＧ Ｐ，ｅｔ ａｌ． Ａ Ｎｏｖｅｌ Ｌｉｎｅ ＳｃａｎＣａｍｅｒａ Ｃａｌｉｂｒａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅ ｗｉｔｈ ａｎ Ａｕｘｉｌｉａｒｙ ＦｒａｍｅＣａｍｅｒａ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄＭｅａｓｕｒｅｍｅｎｔ，２０１３，６２（９）：２５６７－２５７５．

［１９］ 郭星源． 基于雙目視覺的移動目標測距方法研究與實現(xiàn)［Ｄ］． 成都：電子科技大學，２０２１．

［２０］ 楊雪姣． 自動駕駛場景下的實時單目測距研究［Ｄ］． 重慶：重慶理工大學，２０２０．

［２１］ ＪＩＡＮＧ Ｋ Ｈ，ＭＥＩ Ｂ Ｘ，ＬＩ Ｔ，ｅｔ ａｌ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｍｅｔｈｏｄ ｆｏｒＣｏｍｐｏｓｉｔｅ Ｉｎｓｕｌａｔｏｒ Ｐｕｌｖｅｒｉｚａｔｉｏｎ Ｄｅｆｅｃｔ Ｂａｓｅｄ ｏｎ ＹＯＬＯｖ５Ａｌｇｏｒｉｔｈｍ［Ｃ］∥２０２２ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｉｇｈ Ｖｏｌｔａｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ （ＩＣＨＶＥ）． Ｃｈｏｎｇｑｉｎｇ：ＩＥＥＥ，２０２２：１－４．

作者簡介

陳 彬 男，（１９８９—），博士，副教授。主要研究方向：超特高壓輸電線路電磁環(huán)境、輸變電設備數(shù)字化及智能化技術。

劉華洲 男，（２０００—），碩士研究生。主要研究方向：輸變電無人機技術。

李勃鋮 男，（１９９６—），碩士，助理工程師。主要研究方向：輸變電工程電磁環(huán)境、輸電線路智能巡檢。

賈燕峰 男，（１９７８—），高級工程師。主要研究方向：電網(wǎng)規(guī)劃、設計及檢修。

郭 昊 男，（１９８９—），碩士，高級工程師。主要研究方向：輸電線路帶電作業(yè)及輸電線路運維。

孫君錄 男，（１９７５—），高級工程師。主要研究方向：輸電線路帶電作業(yè)及輸電線路運維。