随着经济社会的发展,社会的生产和生活对电力的依赖度越来越大。国内对于电力的消费量逐年上涨,输电线路的规模和国家电网的规模也逐渐扩大。因此,确保电力的稳定供应对当今的社会生活至关重要,电力线自动巡检机器人的研发也由此逐渐受到重视。传统的超声波、激光雷达等设备巡检,不能将前方障碍物进行准确分类,因此造成机器人无法精确越障。随着计算机视觉的发展,也兴起了传统的图像处理方法,但是这些方法对于尺度、光照等变化敏感,对于野外工作环境适应性也不高。基于这些考虑,本论文提出一种基于深度学习和双目立体匹配算法的电力线障碍物识别定位算法,该算法以嵌入式设备和双目摄像头为硬件平台,主要研究内容如下:1.提出了基于改进SSD算法的电力线障碍物识别算法,提高了在线计算速度。针对基于SSD算法的障碍物识别技术存在的网络层较深,参数量比较大,不方便直接部署在嵌入式设备等缺点,本文对SSD算法进行了轻量化算法改进,将卷积层由原来的23层轻量化为7层,使得模型大小由原来的301Mb下降到2.05Mb,在Jetson TX2上实测帧率由原来的4.5FPS提升到15FPS。2.提出采用半全局立体匹配算法SGM(semi-global matching)提取视差图,并使用加权最小二乘滤波(weighted least squares)算法对视差图进行平滑,计算出了障碍物的距离。3.提出采用4G技术和UDP协议开发视频远程监控系统,利用ipv6地址实现了数据的端到端的传输,避免了ipv4要通过中间服务器进行数据中转的缺点,大大加快了视频的传输速率,实现了嵌入式端对障碍物的识别定位结果在电脑端的实时显示。研究结果表明,轻量化的SSD算法可以很方便部署在嵌入式平台上,检测速度相比原算法大大加快,结合立体匹配算法基本可以实现对障碍物距离的实时检测,同时4G技术和ipv6技术也实现了视频的实时传输。