深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle,UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。

基于微调式结构化剪枝的架空输电线路绝缘子检测算法

针对现行架空输电线路绝缘子检测算法存在的复杂度高和实时性差等问题,文章提出基于结构化剪枝的检测算法。首先引入HardSwish激活函数,加速模型收敛;其次,使用K-means++算法对锚框聚类,使锚框更贴合目标;在训练过程中利用归一化层缩放因子γ进行L1正则化稀疏训练,优化滤波器以及卷积核权重,剪除信息量较少的通道。对于剪枝后的模型,通过知识蒸馏进行微调,恢复精度。采用DIOU-NMS算法进行后处理,优化模型实际检测结果。实验表明:文章模型浮点数运算量减小至8.2GFLOPs,有效降低了模型的复杂度;m AP0.5高达96.8%,性能优于其他模型;检测速度可达21.23fps,可以较好地满足实时性检测需求。