随着社会经济水平不断提高,电力输电线网得到高速发展,电力施工工程日益增多,电力施工现场内很可能存在裸露地表,这些裸露地表是引起众多电力安全事故的隐患之一,其原因在于,（1）裸露地表在雨水冲刷下存在塌方的可能,（2）相关电力施工工程机械在裸露地表上方施工时容易进入高压线的安全范围,引起击穿短路等事故的发生。所以,巡检时需要找出电力施工现场的裸露地表区域。当前,采用无人机代替人工进行巡检正在成为电力巡检的主要方式。为此,有必要研究无人机巡检航拍图像中裸露地表的自动识别方法,实现高精确度、高效率的自动识别无人机巡检航拍图像中的裸露地表。本文构建了含有裸露地表的无人机巡检航拍图像数据集,通过四种方法构建裸露地表识别模型,探寻出适合搭载于无人机机载平台的裸露地表识别模型。本文的主要工作内容如下:（1）构建裸露地表图像数据集。对无人机航拍采集回来的图像先做归一化处理统一尺寸,再做直方图均衡化等处理凸显图像细节、增强对比度,对图像做旋转、高斯处理等扩增图像数据集,将图像数据集按比例分为训练集和测试集。（2）采用Mask R-CNN的方法构建裸露地表识别模型。Mask R-CNN模型采用的特征金字塔网络能较好地提取裸露地表的低层和高层特征信息,并且能通过候选区域的方式以及采用全连接层完成对裸露地表的识别,本文通过对Mask R-CNN的网络模型进行研究与分析,探讨了其在小样本数据集上的表现。实验结果表明,Mask R-CNN的模型对无人机巡检航拍图像中裸露地表识别的精确度为58%,模型的权重参数规模为255M,识别时间效率为160ms。（3）采用单一图像特征的方法构建裸露地表识别模型。由于裸露地表的轮廓特征明显,且裸露地表的纹理与背景有一定的差异,本文着重研究了描述目标轮廓边缘的HOG（Histogram of oriented gradients）特征描述子与描述目标纹理的LBP（Local Binary Pattern）特征描述子在表征目标特征信息的原理和计算方法,分别对两个特征结合SVM（Support Vector Machine）分类器训练的模型在对裸露地表这一目标识别的表现进行评估。实验结果表明,人工提取图像特征的模型在权重参数规模和识别效率上都能达到要求,提取裸露地表HOG特征的模型在测试集上对裸露地表识别精确度为74%,提取裸露地表LBP特征的模型在测试集上对裸露地表识别精确度为65%。（4）在分别分析和研究了HOG特征与LBP特征的原理和计算方法以及各自的优势和局限之处后,本文提出一种融合两个特征识别裸露地表的方法,并且通过设定权重系数的数量级差距,从而抵消掉两个特征原本的数量级差距,充分发挥两个特征各自的优点。实验结果表明,由特征融合的方法训练出来的模型对航拍图像裸露地表识别的精确度达到80%以上,并且在模型的权重参数规模以及识别效率也能达到无人机机载平台的应用要求。综上所述,在小规模数据集下,本文提出的将HOG和LBP特征按照权重进行特征融合后用于识别裸露地表,相较于深度学习模型和人工提取单一特征的模型是更为有效的方法,在保证了识别裸露地表一定的精确度同时,也具备了实时性的特点,同时训练时间以及权重参数规模都更低,符合搭载于无人机机载平台的要求。本文对无人机巡检航拍图像中裸露地表的识别研究探索,为无人机实时识别航拍图像中的目标提供了一种新思路。