基于多尺度感知与鉴别性特征学习的绝缘子缺陷检测方法.pdfVIP

摘要

随着我国智能电网的发展建设，利用基于深度学习的目标检测技术代替传统

人工对电网关键电力设备缺陷进行检测，已成为未来智能电力巡检的必然发展趋

势。绝缘子作为电网中的重要元件，极易受恶劣自然条件等影响而发生故障，及

时准确检测绝缘子缺陷对于电网的安全稳定运行以及提高电力系统巡检工作效

率至关重要。本文以深度卷积网络为算法基础，以多角度、多尺度、多场景的绝

缘子缺陷为检测目标，针对当前绝缘子缺陷检测技术中存在的绝缘子尺度不一、

轻微破损盘片容易误检等难点，构建了基于多尺度感知与鉴别性特征学习的绝缘

子缺陷检测方法。主要工作如下：

在实际电力巡检中所积累绝缘子缺陷图像样本不足，致使深度神经网络泛化

能力不强。为此，本文研究了绝缘子缺陷图像的数据增强方法，通过更换绝缘子

样本背景、随机生成绝缘子缺片缺陷、随机批量化裁剪等操作，构建了不同背景

的绝缘子缺片缺陷数据库，为后续实验奠定了数据基础，提升了网络泛化性能。

巡检图像中绝缘子尺度不一，使用通用的检测网络对绝缘子缺陷进行检测容

易出现误检和漏检。针对该问题，提出了基于多尺度上下文感知的绝缘子缺陷检

测网络，设计了特征提取模块、特征融合模块以及检测头。特征提取模块采用

ResNeSt101深层卷积网络提高对绝缘子目标的特征提取能力。特征融合模块中

利用改进的特征金字塔构建了多层不同分辨率、具有丰富语义的特征图，更好地

适应于检测不同尺度的绝缘子目标。检测头中增加的感受野自适应模块聚合了多

尺度上下文信息，改善了绝缘子缺陷检测网络对不同尺度目标的检测效果。基于

所构建的数据集和公开数据集进行的性能测试结果验证了所提网络的有效性。

绝缘子盘片轻微破损时容易被误检为正常盘片。为了准确提取轻微破损部位

的特征从而准确识别出缺陷绝缘子盘片，设计了基于鉴别性特征学习的绝缘子缺

陷检测网络。该网络采用基于关键点的特征表示方法代替锚框，表示目标的关键

语义位置，从而优化了特征提取的精细程度。在特征金字塔中使用不同层级的注

意力机制提升网络对深度鉴别性特征的学习能力，并通过两阶段回归检测头进一

步细化目标定位。此外，密集排列的绝缘子盘片可能造成检测框冗余，导致后续

需要人工甄别检测框。为了减少冗余检测框，设计了自适应阈值样本分配策略，

根据对象的统计特性选择高质量正样本，使得网络能够准确识别密集排列的绝缘

子盘片。实验结果表明，所提网络显著提升了不同尺度绝缘子目标在轻微破损时

的检测精度，并减少了检测框冗余现象。

关键词：绝缘子缺陷检测，卷积神经网络，多尺度感知，鉴别性特征，智能

电力巡检

ABSTRACT

Withthedevelopmentandconstructionofthesmartgrid,ithasbecomean

inevitabledevelopmenttrendoffutureintelligentpowerinspectiontousedeep

learning-basedobjectdetectiontoreplacetraditionalmanualwaytodetectdefectsof

keypowerequipmentinthegrid.Asanimportantelementinthepowergrid,insulators

areresponsibleforelectricalinsulationandconductorconnection.Insulatorsare

susceptibletofailureduetoharshnaturalconditions,sotimelyandaccuratedetection

ofinsulatordefectsisessentialforthesafeandstableoperationofthepowergridand

forimprovingtheefficiencyofpowersysteminspections.

Inthispaper,aninsulatordefectdetectionmethodbasedonmulti-scalecontext

a