目前,随着无人机技术的快速发展,使用无人机来完成各种巡检侦察任务被广泛应用在各个领域。电力巡检是无人机巡检的典型应用场合,但是巡检过程中常常会遭受恶劣天气、相对运动、成像设备抖动等不利因素的影响,使得获取的巡检图像模糊不清。而巡检图像质量的好坏,直接影响电力巡检信息的及时把握和准确判断。所以如何从模糊的电力巡检图像复原出高质量的清晰图像具有重要意义和实际应用价值,也是本文的研究重点。本文以生成对抗网络为基础对图像去模糊中的关键技术展开研究,提出了改进的去模糊算法,并将该模型应用到电力巡检图像去模糊实验当中。本文的主要工作归纳为以下两个方面:(1)提出基于RRDB的生成对抗网络去模糊算法。针对图像在去模糊重建过程中,容易发生细节内容丢失、边缘扭曲和过度锐化等问题。首先,在Deblur GAN网络的基础上,融合多层残差网络和密集连接的RRDB网络单元替换生成器中的RB网络单元,来提高生成器的学习和生成能力。其次,考虑图像去模糊前后像素内容和空间特征的一致性,分别使用像素误差约束和空间特征约束来保证图像的像素内容和空间特征的收敛性。再次,分别对上述改进部分进行实验验证。最后将本文模型与基准模型Debulr GAN、去模糊模型DMCNN分别在Go Pro和Hand-held Camera数据集上进行了实验对比。实验结果表明,本文提出的去模糊模型在峰值信噪比上提高了2.5%和4.9%,在结构相似性上提高了7.5%和4.1%。(2)使用本文模型进行电力巡检图像去模糊仿真。首先,对巡检图像进行大小、格式和位深度进行统一预处理。其次,根据无人机巡检时的成像链路模型,使用点扩散函数对无人机电力巡检图像进模糊退化处理,制作电力巡检图像数据集。再次,将基于RRDB的生成对抗网络去模糊算法应用于电力巡检图像的去模糊过程中。最后分别使用本文去模糊算法、Deblur GAN和DMCNN在自制数据集上进行电力巡检图像去模糊实验仿真。实验结果表明,本文算法的去模糊效果优于其它两种模型,去模糊后的巡检图像,较好地保留高压铁塔、输电线路和高压金具等器件的细节纹理。由此可见,本文所提出的去模糊方法可为电力现场的安全隐患评估,提供有效的帮助。