融合迁移学习的绝缘子缺陷分级检测方法

针对Faster R-CNN算法对复杂环境下的小样本绝缘子缺陷检测精度不高的问题,本文提出了一种融合迁移学习和主体局部的绝缘子缺陷分级检测方法。整个方法使用融合残差模块和特征金字塔结构的卷积神经网络作为骨干网络进行特征提取,用于适应不同尺度的缺陷目标,保留更多有效信息。首先使用迁移学习的方法改善对缺陷所在绝缘子主体的检测效果;然后对检测出的绝缘子主体进行自动裁剪来改善复杂背景对缺陷区域检测的影响,使得模型能够更有效地挖掘出缺陷特征;最后将裁剪后的缺陷绝缘子局部图像送入第二阶段进行训练,进一步提高模型准确率。通过对无人机航拍采集的绝缘子缺陷图像进行检测实验。结果表明,本文方法相较于Faster R-CNN基线模型平均精度提高了37.5%,达到了89.6%。在对自爆和破损检测上,精度分别提高了34.9%和60.2%。