基于Fine Mask RCNN的110~220kV输电铁塔涉鸟故障识别与评估

随机突发的输电铁塔鸟害事故通常较难应急处理,传统的鸟害事故图像处理算法泛化能力弱,而现有的深度学习检测算法应用对象又较为单一,因此,亟需稳定有效地实现输电铁塔全类别鸟害事故辨识。鉴于此,该文提出一种基于精细化的掩膜区域卷积神经网络(fine mask regions with convolutional neural network features,Fine Mask RCNN)的110~220kV输电铁塔涉鸟故障识别与评估算法。该方法首先通过残差模块(residual network-50,ResNet-50)+特征金字塔网络(feature pyramid networks,FPN)感知巡检影像特征;其次,针对Mask RCNN细节信息丢失的问题,引入具有多尺度卷积核运算的信息融合模块进行丢失信息补偿,增强网络模型对于输入影像的特征表达与提取;最后,根据Fine Mask RCNN识别结果,结合传统图像处理技术,实现鸟巢类故障、鸟啄类和鸟粪污染绝缘子类故障评估与结果修正,形成了由故障识别到评估的一体化机制。实验结果表明,相较于掩膜区域卷积神经网络(Mask RCNN)、快速地区域卷积神经网络(Faster RCNN)和RetinaNet目标检测算法,Fine Mask RCNN算法的准确度均值(average precision,A_(P))可达93.8%,实现了输电铁塔涉鸟故障的智能辨识和分析处理,具有更加稳健的检测性能和现场实用价值。