基于强化学习和Transformer的输电线路缺陷智能检测方法研究

为了解决传统输电线路缺陷检测方法的不足,该文提出了一种基于强化学习和Transformer的输电线路缺陷智能识别方法。首先,采用具有较大感受野的空洞卷积网络(deterministic networking, DetNet)对输电线路巡检缺陷图像进行特征提取,继而使用深度Q网络(deepQ-network,DQN)筛选出包含前景信息的重要区域。其次,基于双线性注意力机制对背景区域特征向量进行投影压缩,使得融合特征向量聚焦于目标区域。最后,针对不确定缺陷检测结果定义可信度评测指标,构建Transformer网络编码层级的自适应调整机制,建立具有不同编码层级的Transformer模型库,以获取多模态缺陷的多层次差异化特征,采用Soft-NMS获取集成检测结果,提升识别模型的鲁棒性。通过对输电线路缺陷航拍图像进行了实验研究,该文方法检测精度平均值为89.7%,与其他算法相比具有更优的检测精度和泛化能力。