轻量化特征融合的CenterNet输电线路绝缘子自爆缺陷检测

输电线路智能化巡检是新一代电力系统建设的必然要求。当前,基于深度学习的检测模型由于参数量过大,使得利用无人机(UAV)进行边缘部署较困难。为使无人机可搭载轻量级模型实现输电线路中具有自爆缺陷绝缘子的识别,提出了一种轻量级CenterNet-GhostNet的目标检测网络。对模型主干特征提取网络进行轻量化处理,利用计算成本较低的GhostNet提取自爆缺陷绝缘子的多层次特征,降低模型复杂度;引入增强感受野模块(RFB)增强特征表达能力,提升模型对小目标特征信息的注意力;构建特征融合模块,将低层特征信息和高层特征信息有效融合以输出更完整的特征图,提高缺陷识别精度。利用迁移学习参数共享,结合冻结与解冻训练相结合的模型训练策略,缓解网络因小样本数据集而产生的泛化能力不足问题。基于构建的输电线路自爆缺陷绝缘子数据集对所提方法进行验证,实验结果表明:相比原始CenterNet,所提方法的AP50、AP75和AP50:95分别提升至0.86、0.74和0.63,模型参数量由124.61×10^(6)减少至64.2×10^(6),可实现复杂环境下的自爆缺陷绝缘子检测,提高了基于无人机的输电线路巡检精度与速度。

面向图像的绝缘子自爆缺陷检测算法综述

绝缘子自爆缺陷检测对于保障输电线路的安全具有十分重要的作用,准确快速检测算法能够帮助运维人员快速定位自爆缺陷绝缘子的位置,并及时更换。传统的人工检测方法已无法满足检测的要求,面向图像的绝缘子自爆缺陷检测算法在其检测的准确性和快速性上仍面临着极大挑战,必须进一步对算法进行改进。本文首先介绍了绝缘子自爆缺陷图像的预处理过程,包括了图像分割的方法以及其具体的算法;其次,介绍了绝缘子自爆缺陷图像的特征提取算法、当前绝缘子自爆缺陷检测常用的分类器以及深度学习网络模型;最后,对绝缘子自爆缺陷检测算法进行了总结,并对其发展进行了展望。