基于多尺度特征融合的绝缘子缺陷检测.pdfVIP

2023 年 1 月 电 工 技 术 学 报 Vol.38 No. 1 第 38 卷第 1 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Jan. 2023 DOI:10.19595/j.cnki.1000-6753.tces.212052 基于多尺度特征融合的绝缘子缺陷检测 1 1 1 2 2 李 斌 屈璐瑶 朱新山 郭志民 田杨阳 （1. 智能电网教育部重点实验室（天津大学） 天津 300072 2. 国网河南省电力公司电力科学研究院 郑州 450000 ） 摘要 绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像 素信息少、形状尺寸不一，造成识别效果不佳问题。为解决此问题，提出了一种基于多尺度特征 2 融合的绝缘子缺陷检测网络（MSD Net ）。在该网络中，采用残差注意力网络用于获取不同分辨率 的绝缘子缺陷特征，设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层 特征图逐步融合，生成更加丰富的图像语义信息，用于实现目标的分类与位置回归，并结合Focal 损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID 公开数据集上进行测试，结果表明所提方法具有较好的检测性能与泛化能力。 关键词：智能巡检 绝缘子 缺陷检测 特征融合 中图分类号：TM 216 0 引言 随着卷积神经网络的出现，深度学习的方法被 应用在绝缘子及其他电力设备检测算法中[11-12] 。卷 随着电力系统规模的不断扩大，电力设备的智 [1] 积神经网络可以自动学习获得兼具有效性和鲁棒性 能运维得到广泛关注 。变电站作为电力系统的枢 的特征，同时对分类器进行优化，从而提高了检测 纽，在电能的传输与分配环节中发挥了重要作用， 器的精度。目前主流的目标检测模型主要分为三类： 变电站中关键设备的运行状态直接决定了电网的安 全稳定运行[2-3] 。绝缘子大多长时间暴露在户外，往 第一类是无锚框目标检测模型，代表算法有 FCOS （fully convolutional one-stage, object detector ）[13] 、 往容易出现破损、掉串、腐蚀等缺陷，绝缘子的绝 缘强度将会下降[4-5] 。若不能及时发现此类缺陷而继 VFNet （Varifocal Net)[14]等。该类算法不需设置锚框， 检测流程更加简单，但是仍然存在计算量大、检测精 续带电运行，极易发展为永久性故障，从而为电网 [6] 度不够理想等问题。第二类是两阶段目标检测模型， 安全稳定运行带来重大隐患 ，因此绝缘子是变电 代 表 算 法 有 R-CNN(Region-convolutional neutral 站日常维护工作中的重点巡检对象。随着计算机图 network)[15] 、Faster R-CNN[16]等。该类算法针对绝缘 像处理技术的飞速发展，智能巡检机器人得到了广 子的具体位置，采用预先提取候选区