基于视觉大模型迁移学习与随机配置网络的绝缘子缺陷识别方法.pdfVIP

摘要

电力系统作为国家基础设施体系的重要组成部分，对于国家的经济繁荣、社会进步

具有关键作用。输电线路故障可能导致企业、工厂的生产活动中断，造成经济损失。而

绝缘子故障是导致输电线路发生停电事故的重要因素之一。因此，为确保电力系统的稳

定运行，及时发现并修复故障显得至关重要。在此背景下，智能巡检系统得到了迅速发

展。智能巡检与传统的人工巡检方式相比具有更高的快速性和准确性，能够及时发现电

力设备的故障、异常或潜在问题。电力设备通常分布在复杂、危险的环境中，人工巡检

存在一定的安全风险。例如无人机等智能巡检设备可以代替人工进入危险区域，降低人

员受伤的风险。通过及时发现和解决问题有助于提高电力设备的可靠性和稳定性，确保

其正常运行，减少因设备故障而引发的停电或生产中断。综上所述，智能巡检能够有效

提高运维效率、增强安全性以及增强电力设备的可靠性。

本文针对现有方法对绝缘子定位效率低、绝缘子缺陷特征提取方法鲁棒性差及缺陷

绝缘子样本稀少导致分类器泛化性差的问题，提出了一种基于视觉大模型迁移学习与随

机配置网络的绝缘子缺陷检测和识别方法。首先，采用Mosaic、Mixup等数据增强方法

抑制YOLOv7网络过拟合；其次，采用StyleGanv3对抗生成网络增广缺陷绝缘子数据

集，增强数据集的多样性；然后，提出了基于DINOv2视觉大模型迁移学习方法，对绝

缘子图像进行特征提取；最后，采用随机配置网络（SCN）分类器判别绝缘子状态。实

验结果表明：应用的数据增强方法能够有效抑制过拟合，YOLOv7能够有效检测绝缘子

位置；采用DINOv2特征提取方法，识别绝缘子缺陷的准确率提高了28.6%；随机配置

网络分类器相较机器学习分类方法，准确率最高提高了17.4%。所提方法能够有效检测

绝缘子位置和识别绝缘子缺陷。本文对深度学习模型可解释性进行了分析，通过PCA

降维的方法将DINOv2提取的特征投影成3D散点图，能够通过人眼轻易分辨不同模型

的特征提取能力。对于卷积神经网络模型，应用Grad-CAM对YOLOv7进行权重结构

可视化，辅助分析卷积神经网络的决策理念。

关键词：深度学习；绝缘子缺陷识别；随机配置网络；DINOv2视觉大模型；YOLOv7

网络；StyleGanv3网络

Abstract

Theelectricpowersystem,asacriticalcomponentofthenationalinfrastructurecomplex,

playsanessentialroleinfosteringeconomicprosperityandsocietaladvancementwithina

country.Transmissionlinefailurescanleadtodisruptionsinproductionactivitiesfor

enterprisesandfactories,therebycausingsubstantialeconomiclosses.Notably,insulator

failuresconstituteoneofthesignificantfactorscontributingtopoweroutageincidentsin

transmissionlines.Consequently,ensuringthestableoperationofthepowersystem

necessitatespromptfaultdetectionandrepairmeasures.Inthiscontext,intelligentinspection

systemshaveseenrapiddevelopment.Comparedwithtraditionalmanualinspectionmethods