1.一种基于深度学习的电力塔架部件识别方法，其特征在于，该方法具体包括如下步骤：(1).利用无人机搭载图像采集设备，在电力巡检过程采集电力塔架部件的图像信息；

(2).从步骤(1)所采集的电力塔架部件图像中选取塔架，指示牌，塔架底座三类作为识别对象；挑选包含上述三类对象的图像进行预处理，并制作成训练集、验证集和测试集，用于后续的训练和测试；

(3).使用改进的YOLOv2算法对步骤(2)中制作好的训练集进行训练；

改进的YOLOv2算法如下：

改进的YOLOv2网络结构包含24个卷积层、5个池化层和两个转移层；该网络的卷积层中使用了3×3、1×1卷积核，含3×3卷积核的卷积层与1×1卷积核的卷积层交替放置，并在每个池化层之后对卷积核的个数进行翻倍；改进的网络结构移除了YOLOv2网络末端冗余的两个3×3×1024的卷积层，并将Conv_3～Conv_6卷积层的卷积核数量减少了一半；

转移层由route层和reorg层两部分组成，route层将不同层的特征图进行连接，reorg用于调整特征图的尺寸；二者结合实现将其他层的特征图的尺寸调整至与当前层特征图尺寸一致，再进行拼接，实现不同尺寸特征图的特征融合；改进的网络结构在网络末端利用两个转移层将26×26、52×52尺寸的特征图与13×13尺寸的特征图进行融合；转移层的表示形式如下：Xn＝fp1+fp2+...+fpj     (1)

Xm＝fp1+fp2+...+fpk     (2)

Xn表示来自第n层卷积层的所有特征图，fp1～fpj分别对应j个特征图，Xm表示来自第m层卷积层的所有特征图，fp1～fpk分别对应k个特征图；

表示第n层卷积层的特征图通过隔行隔列采样后，将特征图尺寸调整为与第m层卷积层特征图的尺寸一致，Sn表示第n层特征图的尺寸为Sn×Sn，Sm表示第m层特征图尺寸为Sm×Sm，调整后的特征图数量为调整前的2λ倍，Xmerge表示第m、n层卷积层特征图融合得到的结果；

利用改进的网络结构训练至模型收敛；

(4).利用训练得到的模型对测试集进行测试，并利用mAP和P-R曲线以及每张图片的平均测试件时间对所得结果进行评价；其中mAP即Mean Average Precision，P-R即Precision-Recall；

准确率Precision的定义：

TP表示为真正类，即一个实例为正类，也被预测为正类，FP为假正类即一个实例为负类，被预测为了正类；Precision反映了模型预测正例的能力；

召回率Recall的定义：

FN表示为假负类，即一个实例为正类，被预测为父类；Recall反映了模型的检出能力；

P-R曲线反映了分类器对正例的识别准确程度和对正例的覆盖能力之间的权衡；

AP为PR曲线与X轴围成的图形面积，它的定义为：

mAP的定义为：

Q为对应的类别数，即对各类的AP求均值，mAP是模型对多类别目标识别的综合能力体现。