1. 研究目的与意义（文献综述）

1.1背景及意义

目前，多旋翼无人机输电线路巡检主要还是依靠人工手动操控无人机进行飞行和拍照，由于每位操控手的拍摄角度、习惯都不一样，且各自操控水平也不一致，巡检一基杆塔所需的时间也各不相同，有时还存在漏拍，很难形成标准化。因此，亟须一种自主巡检的无人机系统，能让无人机脱离人工操控独自完成巡检任务。相比人工操控，自主无人机巡检系统效率更高，采集图像利用率更高。

无人机自主巡检系统将极大的提高无人机巡检效率，传统人工操控无人机一天一人巡检30基杆塔，自主巡检系统可以一天巡检90基，巡视效率提高近3倍。只是前期采集杆塔拍摄点精确位置及此位置对应相机云台姿态参数需要投入较大人力和物力。

2. 研究的基本内容与方案

2.1设计内容

本次毕业设计为电力杆塔视觉检测系统软件设计。主要是设计开发基于卷积神经网络的图像识别算法，能够从视频中自动识别电力杆塔；基于机器视觉方法，利用多帧图像估算杆塔距离。首先搭建卷积神经网络，通过大量数据集对网络进行训练，使网络学习所要检测目标特征，将检测视频通过一系列预处理的到多帧图片输入模型进行预测，得到分类与回归结果，最后通过根据机器视觉中世界坐标与图像坐标的关系，根据几何计算得到目标的距离。主要步骤为搭建网络模型→训练网络模型→视频图像预处理→处理后图像输入→对图像分类与回归→计算距离。

2.2网络训练

3. 研究计划与安排

1-5周：明确研究和设计任务，查阅资料，完成系统方案设计，并完成外文文献翻译和开题报告；

6-9周：完成软件编程，搭建神经网络；

10-11周：寻找或制作数据集，对神经网络进行训练实现对电杆的识别；

4. 参考文献（12篇以上）

[1]girshick r,donahue j,darrell t,et al. rich feature hierarchies for accurate object detection and semantic segmentation[c]. ieee conference on computer vision and pattern recongnition, 2014,580-587

[2]he k，zhang x，ren s，et al．spatial pyramid pooling in deep convolutional networks for visual recognition［j］．ieee transactions on pattern analysis ＆ machine intelligence，2015，37( 9) : 1904-1916．

[3]girshick r．fast r-cnn［j］．computer science，2015，( 3) :5-7．