近年来随着电力需求量不断增大，电线杆与电线的养护，电路巡线维护巡查问题越来越突出，道路建设已由大规模建设进入大规模养护阶段。政府每年在电路巡线维护上投入大量资金。电线杆裂缝及倒塌现象检测，电线老化破损的及时发现对于降低维护成本，杜绝安全隐患非常重要。
目前普遍存在的巡检问题有很多，人力成本高：一线人力调度紧张、巡检记录反复整理、巡检标准书面呈现，缺乏智能化的手段；单兵效率低：巡视频率低、巡检任务无法定位、巡检过程不标准规范、巡检缺陷缺乏闭环跟踪；无法解放双手作业：巡检过程依赖手持式设备或材料、发现问题依赖传统拍照记录方式等；风险预防薄弱：无法通过历史大数据识别可能存在的隐患。无人机利用系统分析的巡线方式大大降低了工人工作风险。据统计显示，发生直接经济损失超100万元以上的电力设备事故时有发生，全国电力人身伤亡事故数起和死亡人数同比和环比均有所增加。面对如此危险的工作环境巡线工作急需新的巡线方式，而采用该系统的无人机的使用即可减少工作人员的危险作业，又可在提高巡检效率的情况下避免了诸多电力事故的发生。江西理工大学理电团队利用深度学习网络在目标检测中的优势，设计了一种基于Yolo v5的电力设施故障老化检测方法，以解决传统人工花费大量时间检查电线杆损坏，老旧电力设施路线复杂，电力工人工作环境安全的问题。
项目团队由江西理工大学学生组成，通过搭载了Yolo V5的无人机终端对老旧街道、农村等偏远地区传统输送电电力设备的老化破损进行检测、预警。其拥有完整的无人机检测设备运行流程，首先通过距离老旧街道、农村较近的电力管理中心放出数架已经安排好路线的无人机，无人机进入到相对应的轨道。无人机通过摄像功能将路边的电线杆与电线实时画面通过中继器传输回到电力管理中心的终端。终端通过Yolo V5对视频进行检测排查出相对老化破损的设施，终端将这些数据统一导入到一份数据库，汇总。完成任务后的无人机回到管理中心。最后电力管理中心派出维修工人对标记的点进行再排查。
随着国家基础设施的发展,电力基础设施的养护，电路巡线维护巡查成为了关键性问题。而无人机在电力巡检领域中的具体应用主要为精细巡检、定点巡检、范围巡检及其他巡检，一般精细巡检需要全面细致地搜集数据和检查，单次巡检速度较慢，定点巡检速度适中，而范围巡检速度较快；据新华报业网，使用无人机巡检62公里的输电线路仅需3小时。综上，假设平均而言，无人机电力巡检速度与效率极高。根据调研电力巡检工作人员了解到，巡检线路基本是以月为单位，一般各级别线路每月安排一次常规巡检，如果线路属于保电线路或者特殊巡视维护线路就要按相关规定增加巡视的次数，除了日常巡视检查，还有遇故障需要排查的临时巡检，特殊时间如阅兵、高考、中考、春运、冬夏用电高峰期的特殊巡检等，据此估算，电力线路每年巡检次数在24次左右。优秀的无人机巡检系统将大大降低人力的浪费，为电力巡检保驾护航。
