项目主要致力于研发“基于深度学习的无人机边缘智能诊断装置”，重点突出无人机人工智能巡检的“边缘端实时”检测，使得无人机巡检人员在无人机巡检过程中实时掌握巡检过程中存在的缺陷问题，第一时间实时通过人工智能的手段发现问题、上报问题、解决问题。本项目将人工智能理论体系中的深度卷积神经网络理论通过模型的训练、部署、整合，实现无人机端本地微型边缘智能计算平台对输电线路无人机可见光航拍视频流实现实时数据管理评估。同时搭配无人机拍摄的附属硬件设备，形成一整完整边缘智能线路缺陷实时分析诊断系统。主要包括以下三点： （1）应用于巡检现场的输电线路智能评估诊断技术 项目研究的输电线路智能评估诊断技术在雄安输配电线路进行试点应用，开展基于大数据与人工智能技术的输电线路健康管理及故障预警关键技术研究与应用，对雄安新区采集3695多张无人机巡视照片进行综合分析评估诊断，识别缺陷照片210处，综合缺陷识别准确率达到80%以上。项目将人工智能边缘测实时检测技术与无人机自主巡检深度融合，可在飞行作业现场过滤大量的无缺陷照片，减少无效数据的回传的储存压力，形成无人机线路巡检作业的定位、拍照、诊断、报警、记录的闭环流程。 （2）架空输电线路缺陷数据库的建立 项目建立了架空输电线路缺陷数据集，共获得了全国输电线路缺陷航拍图像共7000张，其中包含了等8种类别共5500处缺陷，填补了国内输电线路缺陷数据集的空白。项目研发的人工智能线路缺陷识别算法Yolov5具有良好的泛化性。当巡检现场获得新的航拍缺陷数据后，可以记录下拍摄的时间地点与缺陷的种类，并经由5G数据网络自动上传至后端的巡检数据管理与诊断平台，在云端进行精细的诊断与分级。进行精准诊断与人工分级后，将新的数据集加入到原有数据库中，以获得缺陷诊断算法的持续更新。 （3）研发边缘端智能诊断装置 项目开发的边缘端诊断装置具有良好的可拓展性与兼容性。内置的Nvidia Jeston xviewer Nx超级计算模块可以兼容大部分主流的深度学习算法，如YOLOv4-tiny，Swim-Transformer，SDD等主流的缺陷识别算法均支持部署运行，便于后续人工智能算法的升级改造。同时，边缘诊断装置遵循了模块设计的思想，开放了HDMI高清视频流的接口，不仅可以完成无人机实时巡检视频流的导入，还支持计算机视频流，固定式摄像头等H264格式数据流的接入，具有较强的兼容性。