为了检测输电线路可见光图像中的塔材、玻璃绝缘子和复合绝缘子，本文采用了一种基于深度卷积神经网络的技术。通过有人直升机搭载高清相机拍摄19条不同的输电线路近600张图片，对图片中的背景、塔材、玻璃绝缘子和复合绝缘子目标进行人工标注及分块，采用数据扩展生成包含15万个样本的输电线路图像库。构造5层深度卷积神经网络，首先用Cifar-100数据集对网络进行预训练，然后用输电线路图像库进行网络调优。本文方法在检测真阳率为90%时，假阳率低于10%，明显优于传统方法，可用于输电线路可见光图像中的塔材、玻璃绝缘子和复合绝缘子检测，检测结果可用于诊断参考或进一步的目标状态分析。可对输电线路可见光图像中的塔材和绝缘子目标进行检测，并可扩展到其它类型目标的检测。

跳线联板是输电网中重要设备, 其是否存在故障对输电网正常运行具有很大的影响。但由于现有的算法是对输电网中所有的故障用统一的方法进行识别, 没有对各类故障输电设备进行专门的研究, 导致故障跳线联板识别率低。为了高效识别红外视频图像中故障跳线联板, 首先针对输电线的红外图像特征, 采用改进的OTSU阈值分割图像对红外图像进行分割; 其次, 采用漫水法滤波分离各个连通域, 运用形态学滤去小区域, 填充大区域内的孔洞; 最后, 提取连通域的骨架, 并从骨架图像中提取出USFPF特征, 通过该特征识别的故障跳线联板。实验结果表明, 识别故障跳线联板准确率为85.71%, 漏检率为14.28%, 误识别率为2.8%。该方法能够较好地识别故障跳线联板,具有较好的鲁棒性。

TLD(Tracking-Learning-Detection)是近期受到广泛关注的一种有效的视频目标跟踪算法。基于经典的TLD算法,通过构建协同跟踪框架,将待跟踪目标的目标位置信息和特征信息加入到TLD算法的学习模型中,实现了利用多无人机协同跟踪同一或多个运动目标。利用TLD算法进行多无人机协同目标跟踪,算法的跟踪准确率最低为93.9%,最高可达到99.1%,且每帧的平均跟踪时间在41~47 ms之间,跟踪性能较好,基本可以达到实时的性能;另外,跟踪算法的平均像素偏移数最大仅为5.013个像素,跟踪精度高。结果表明,利用TLD算法进行多无人机协同目标跟踪是可行的,且具有一定的应用和研究价值。