基于人工智能的输电线路故障检测研究.pdfVIP

2025NO.10（下）中国新技术新产品

高新技术

基于人工智能的输电线路故障检测研究

王 刚

（青岛电气工程安装有限公司，山东青岛266101）

摘 要：为了解决输电线路故障检测算法参数复杂度高和计算负载大的问题（这些问题限制了算法在无人机等设

备上的应用），本文提出了轻量化模型LeanerYOLOv7-Tiny，其核心目标是快速、准确地检测输电线路故障，尤

其是通过航拍图像进行检测时的速度更快、准确性更高。该算法继承了YOLOv7-Tiny的ELAN结构，主干替换

为深度可分离卷积，以降低模型参数量。同时引入SP注意力机制，融合多尺度信息，以增强小目标的识别能力。

改进的FCIoU损失函数平衡了高低质量样本的损失贡献，加快了模型收敛并提高了检测精度。试验结果显示，与

原始YOLOv7-Tiny相比，该模型尺寸缩小了20%，小目标检测精度超过主流轻量化检测算法，具备实际应用价值。

关键词：输电线路故障检测；YOLOv7；无人机；轻量化

中图分类号：TM 75 文献标志码：A

，，

随着技术进步目标检测技术在输电线路故障检测中应YOLOv7-Tiny作为紧凑版模型有损失函数和小目标检测改

，

用广泛主要分为图像处理结合机器学习和深度学习模型两。，

进空间本文提出了LeanerYOLOv7-Tiny保留了YOLOv7-

。，

类基于图像处理的检测方法通过预处理隔离目标区域手，

Tiny的ELAN结构和辅助训练方法使用深度可分离卷积缩

，，

动生成特征再利用支持向量机和决策树等算法分类以确，FCIoU

小模型体积并引入SP多尺度空间注意力机制和损

[1]

保检测可靠性。失函数，以提高检测精度和收敛速度。

、

稀疏表示算法LBP和HOG特征提取技术结合机器

2.1 DepthSepConv-S深度可分离网络

学习分类器应用于故障检测中，显著提高了精度和实用

[2]PP-LCNet是针对CPU优化的轻量级网络，在参数

性。，

深度学习通过自动提取深层特征提高模型鲁棒性

例如FasterR-CNN和MASKR-CNN的残差结构优化了和精度上优于MobileNetV3和ShuffleNetV2。本文优化了

[3]，

YOLOv7-Tiny的ELAN模块用PP-LCNet的DepthSepConv

小目标检测精度。

ReLU