轻量化特征融合的CenterNet输电线路绝缘子自爆缺陷检测.pdfVIP

2024

年

7

月北

京

航

空

航

天

大

学

学

报

July2024

第

50

卷

第

7

期Journal

of

Beijing

University

of

Aeronautics

and

AstronauticsVol.

50No.

7

jbuaa@

DOI:

10.13700/j.bh.1001-5965.2022.0602

轻量化特征融合的CenterNet输电线路

绝缘子自爆缺陷检测

*

苟军年，杜愫愫，王世铎，张昕悦

(兰州交通大学

自动化与电气工程学院，兰州

730070)

摘要：输电线路智能化巡检是新一代电力系统建设的必然要求。当前，基于深度学习的

检测模型由于参数量过大，使得利用无人机（UAV）进行边缘部署较困难。为使无人机可搭载轻量

级模型实现输电线路中具有自爆缺陷绝缘子的识别，提出了一种轻量级CenterNet-GhostNet的目标

检测网络。对模型主干特征提取网络进行轻量化处理，利用计算成本较低的GhostNet提取自爆缺陷

绝缘子的多层次特征，降低模型复杂度；引入增强感受野模块(RFB)增强特征表达能力，提升模型

对小目标特征信息的注意力；构建特征融合模块，将低层特征信息和高层特征信息有效融合以输出

更完整的特征图，提高缺陷识别精度。利用迁移学习参数共享，结合冻结与解冻训练相结合的模型

训练策略，缓解网络因小样本数据集而产生的泛化能力不足问题。基于构建的输电线路自爆缺陷绝

缘子数据集对所提方法进行验证，实验结果表明：相比原始CenterNet，所提方法的AP50、

66

AP75和AP50:95分别提升至0.86、0.74和0.63，模型参数量由124.61

×10减少至64.2

×10，可实

现复杂环境下的自爆缺陷绝缘子检测，提高了基于无人机的输电线路巡检精度与速度。

关键词：深度学习；绝缘子自爆缺陷；轻量级网络；CenterNet；小目标检测

中图分类号：TM755；TP389.1

文献标志码：A文章编号：1001-5965（2024）07-2161-11

输电线路是电力系统重要的生命线路，线路中随着新一代电力系统建设“智能化”的需求，利

各个器件长期负荷运行，受外部环境及自身特性的用无人机获取线路大数据，结合计算机视觉技术进

[1][2]

影响，容易出现多种缺陷。绝缘子具备电气绝缘行缺陷定位已成为发展潜力最大的智能化巡检

和机械固定等功能，是输电线路中不可或缺的元方式。目前，绝缘子缺陷自动化检测实现方式主要

件。由于制造过程中杂质颗粒的影响，绝缘子投入基于传统机器视觉方法或深度学习方法。传统机

运行后发生膨胀，导致内部产生裂纹；另外，绝缘子器视觉方法采用常规图像处理算法或人工设计特