基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测.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/ki.1000-6753.tces.220783 基于改进掩膜区域卷积神经网络的 输电线路绝缘子自爆检测 苟军年 杜愫愫 刘 力 （兰州交通大学自动化与电气工程学院 兰州 730070 ） 摘要 由于背景复杂、目标所占像素比例较小，掩膜区域卷积神经网络（Mask R-CNN ）模型 对输电线路绝缘子缺陷检测能力不足，该文提出一种改进的 Mask R-CNN 模型。具体地，首先， 在特征提取网络中引入卷积注意力模块（CBAM ），分别从通道和空间提升小目标特征保持性；其 次，使用全局交并比（GIoU ）计算目标间的相似度，提升定位准确性；最后，使用Tversky 损失 计算掩膜分支的损失，以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所 得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证，实验结果表明，与原始Mask R-CNN 模型相比，该方法的平均精确率AP50:90 、AP50 和AP75 分别提升至0.56 、0.79 和0.72 ；与三种经典 目标检测算法相比，该算法具有较高的检测精度，模型的分割性能有一定提升，且比原始模型具 有更好的鲁棒性，可以满足电力巡检中准确性和快速性的要求。 关键词：绝缘子缺陷检测 掩膜区域卷积神经网络 卷积注意力模块 特征融合 全局交并 比 Tversky 损失 中图分类号：TM755 ；TP389 0 引言 像匹配的检测方法由于光线不同、背景复杂、角度 多样，使有效分割绝缘子区域较为困难，并影响最 绝缘子长期挂网于恶劣环境中容易出现自爆缺 终检测效果。据此，传统机器学习方法依赖绝缘子 陷，若不及时进行更换，输电线路由于爬距减小极 结构的人工设计特征进行检测，考虑到绝缘子串具 易发生单相接地或相间短路故障，严重时甚至导致 有明显的闭合轮廓，翟永杰等[4]提取绝缘子的局部 电网大规模停电。传统人工巡检效率低下，不能及 特征训练分类器，再针对绝缘子独特的骨架结构设 时准确地反映线路设备的运行状况，一旦设备发生 计特征描述子来识别绝缘子，但算法适用场景单一； 故障，往往造成巨大损失；同时在一些跨越江河和 赵振兵等[5]利用卷积获取图像特征，再输入支持向 山区的地段，线路巡检成为盲区。使用无人机采集 量机（Support Vector Machine, SVM ）进行绝缘子缺 图像进行巡检可以减少环境因素带来的影响，速度 陷分类，特征可靠性较高，但检测速度难以满足工 快、效率高，降低了巡检人员的作业负担，现已被 业实时性要求。由于人员操作主观性较强，传统机 广泛应用于输电线路巡检。 器学习无法设置统一的算法评判标准，张倩等[6]提 目前，针对绝缘子目标和缺陷检测的研究通常 [1]