目标检测

当前，基于深度学习目标检测技术的设备缺陷识别已经在变电站远程智能巡视中得到广泛应用，本报告先总体概述基于深度学习目标检测的技术发展路线图；其次通过对不同类别和场景设备缺陷识别算法的深度分析，给出相应的技术路线在算法层面和数据层面的优化，在算法层面，引入特征提取和表征能力更强的Transformer架构，再结合端到端的目标检测架构，实现检测效果大幅度提升；数据层面，采用数据生成和增广策略，如生成对抗网络和扩散模型，增加样本的多样性，从而进一步实现检测效果的提升；最后探讨基于深度学习的设备缺陷识别及设备状态评价技术研发趋势及应用前景。

卷积神经网络由于其有限的感受野无法高效捕捉到电力场景中避雷器、GIS进线套管等设备的上下文信息，进而影响检测效果。为解决上述问题，引入基于Transformer的体素注意力网络，提出局部注意力和空洞注意力机制来分别捕获图像体积像素中的近程和远程特征联系，在保证计算开销不增大的同时，有效扩大注意力范围。同时，设计子流形体素模块和稀疏体素模块来分别提取非空体素位置和空白体素位置上的特征信息。最后，在通用数据集Waymo和KITTI以及云南省某输变电区域的图像数据集上与主流模型进行比较，证明所提模型对于电力设备的检测具有更加优越的性能。

针对输电通道在线监测过程中入侵物体大小差异巨大、部分图像对比度低等问题,结合异物图像的特征,提出了一种基于目标检测算法的输电通道入侵物体识别方法。采集输电通道入侵物体图像,利用Retinex算法对输入图像进行增强。在目标识别部分,采用改进的EfficientDet算法作为主体,对算法中锚框的长宽比采用K-means聚类算法进行优化,同时在损失函数中加入了梯度均衡机制。实验结果表明,改进后的算法将mAP值从83.72%提升至87.12%,在入侵物体识别任务上有着优异的性能。

输电设备巡检影像的小样本特征愈发凸显,为输电线路智能巡检带来了新的挑战。样本分布不平衡导致大量输电图像样本资源无法充分利用,为此提出基于生成对抗数据增殖的输电设备可视缺陷检测技术。通过引入循环生成对抗网络对输电设备巡检影像样本进行增殖,而后利用扩增后的样本完成输电设备可视缺陷检测模型训练,实现可视缺陷检测效果的优化提升。通过仿真实验验证了循环生成对抗数据增殖对输电设备可视缺陷检测有效性与稳定性的提升效果,为输电设备可视缺陷检测提供了新的视角与思路。

输电线路分布情况复杂且故障难以有效检测，其中连接金具长期暴露于复杂环境下易受到恶劣环境的影响出现锈蚀等故障。针对输电线路连接金具部件具有尺度多样性和存在着锈蚀故障检测精度低的问题，提出了一种基于双重注意力嵌入重构和Swin Transformer的输电线路连接金具组件及其锈蚀故障检测方法：PCSA-YOLOv7 Former。实验结果表明：该方法在构建的TLCF数据集上的综合检测性能领先于12类当前先进的目标检测算法，其中在测试集上的mAP0.5达到94.9%，该方法相比于基线模型YOLOv7，其F1和mAP0.5指标分别提升了2.6个百分点和2.2个百分点，说明该方法能够更全面地理解输电线路连接金具图像中的多尺度语义信息并学习到不易区分的微小细节表征。

电力设施的及时、准确检测对保障能源供应的可靠性至关重要，而单一传感器在电力设施检测中存在一定的局限性，为此，提出了一种基于显著性检测的多尺度特征异构图像融合算法。 方法 采用边缘制导网络从红外图像中提取显著目标，生成显著目标掩模；在每个区域建立特定的损失函数，结合显著目标掩模引导网络进行特征提取；基于特征层次的定向异构融合方法，将不同尺度的深度特征进行定向结合，最大限度地减少信息丢失。 结果 在TNO数据集上进行的主观与客观实验表明，该算法在大多数评估指标上优于其他方法，验证了其在电力设施检测领域应用的有效性。 结论 该算法有效解决了检测率较低和信息丢失的问题，使电力设施的检测更全面准确，对提高电力设备故障检测的准确度和诊断效率具有重要意义。

配电台区建设工程繁多，施工人员作业标准化、规范化程度低，利用目标检测算法对施工过程管控，可有效保证工程质量。常用目标检测算法对设备存储与运算能力要求高，因此如何将算法轻量化部署到边端设备成为研究重点。为提升配电台区设备施工识别的检测精度，同时考虑模型轻量化的需求，文章提出基于YOLOv5s改进的配电台区施工多目标检测算法。首先，利用改进的Res2Net网络的细颗粒、多尺度特征提取bottle2neck模块，实现图像特征多尺度提取，保证模型精确度和实现轻量化；其次，在bottle2neck模块基础上，提出检测精度更高的B4-Cat优化模型；最后，使用某地区提供的配电台区建设数据，验证模型的优越性。结果表明，所提方法与现有算法相比，模型参数和计算量降低25%以上，总体平均精度指标超过81%，效果优于常用的深度可分离卷积轻量化方法，有利于提高配电台区施工智能化管控水平。

电网异物入侵、人员行为的自动辨识为消除安全隐患提供了一种有效手段。考虑到传统电力图像辨识精度低的问题，本文提出了一种用于电网异物识别的生成式对抗卷积神经网络算法。针对异常图像样本数据不足及不均衡，首先利用生成式对抗网络的零和博弈及对抗训练获得具有异常特征的图像，然后利用卷积神经网络的特征提取能力分析真实样本及生成图像，执行目标检测任务。最后，将算法对异物入侵及人员行为图像进行了识别检测，结果表明所提出的方法可以有效提升电力监控图像异常检测的识别率。

根据输电线路精细化巡检业务流程，在完成现场飞行作业后，巡线人员需要对巡检图像进行两个方面的处理：一是按照“电压等级+线路名称+杆塔号+相序+（大/小号侧）+拍摄内容”的规则对巡检图像进行命名，并按不同杆塔分类保存；二是对巡检图像进行细致辨识以发现其中存在的设备缺陷。如上所述，当前这两个方面的工作还只能采用人工手段，垂须一种高效、智能的方法对巡检图像自动命名，并甄别、提取巡检图像中包含的设备缺陷信息。本案例分别采用计算机视觉中的图像分类技术和目标检测技术来解决上述两方面的问题。一方面，以拍摄内容为类别标签，采用图像分类模型对巡检图像进行识别，获得拍摄图像的内容，并通过经度、纬度坐标关联和坐标比对的方法得到其他命名信息，加以组合后完成巡检图像的自动命名：另一方面，以湖南地区常见的5类缺陷为目标，采用以深度卷积神经网络为基础的智能检测算法识别巡检图像中可能存在的设备缺陷及其所在位置，再辅以其他工程化方法提高检测精度。本案例实现了从巡检图像的输入到巡检图像命名、归档存储及设备缺陷查找全业务流程的自动化，可大大减少巡检人员的重复劳动，提升巡检作业效率和自动化、智能化水平。