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。

针对电力作业现场采集的图像样本少，且正负样本分布不均衡的问题，文章提出一种改进检测变压器(detection transformer，DETR)的电力作业现场安全行为识别方法。一方面，通过多次预训练的方式提高DETR模型的泛化性能；另一方面，在DETR模型中融入Adapter模块，利用少量样本进行微调。实验结果表明，所提方法在安全帽佩戴识别、短袖短裤识别、安全带佩戴识别场景中实现了较高的检测精度。在使用100张样本训练的条件下，平均精度为0.81，比现阶段先进的目标检测模型YOLOv5和Faster R-CNN分别高0.02和0.03；在使用300张训练样本的条件下，平均精度为0.84，比YOLOv5和Faster R-CNN分别高0.01和0.03，基于改进的DETR方法实现了端到端的训练，通过Adapter微调能够实现其他任务场景的快速迁移。

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。

针对复杂场景下绝缘子缺陷检测存在小目标识别困难的问题，提出基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测方法。首先，算法引入动态蛇形卷积，构造出符合绝缘子特点的特征提取模块，提高对绝缘子及其缺陷的特征提取能力。然后，采用“空间-深度”的非跨步卷积，减少融合过程中的特征丢失。最后，为进一步降低模型复杂度，对模型进行通道剪枝，减少冗余部分。在绝缘子缺陷数据集上进行实验对比，与基准算法相比，绝缘子的破损、污闪以及自爆缺陷的识别率分别提升了5.7%、2.4%和0.8%，改进算法在绝缘子的检测率上提升了0.5%。同时平均精度均值较改进前提升了2.3%，模型大小降低了50.07%。实验结果表明，改进算法在提高绝缘子缺陷小目标检测精度的同时，有效降低了模型大小，对绝缘子缺陷检测的研究具有一定的参考和应用价值。

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。

电气接线图是表示电气设备的位置、描述其接线与配线方式的工程图纸，需要转换成XML文件格式以用于智能电网系统调度管理，这一转换过程被称为矢量化。针对人工矢量化效率低、费时费力的问题，提出了一种电气接线图矢量化技术解决方法。首先给出了融合注意力机制的YOLOv3电气图元检测方法，实现了对各类电气图元的精准识别与定位；然后提出基于多尺度特征提取的文本区域检测算法，实现对图纸中电气文本标注区域的定位，再结合CRNN模型对其内容进行识别；最后提出基于模板匹配的矢量化成图策略，以图元组为单位，对图纸中电气元素间的关联关系进行分析。该方法已有实际部署运行案例，能高效、准确完成电气接线图纸的矢量化工作，满足电力系统的应用需求。