基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

作     者：苟军年 杜愫愫 刘力 Gou Junnian;Du Susu;Liu Li

作者机构：兰州交通大学自动化与电气工程学院兰州730070 

出 版 物：《电工技术学报》 (Transactions of China Electrotechnical Society)

年 卷 期：2023年第38卷第1期

页      面：47-59页

核心收录：

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(72171106 61863023) 

主　　题：绝缘子缺陷检测 掩膜区域卷积神经网络 卷积注意力模块 特征融合 全局交并比 Tversky损失 

摘      要：由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络(Mask R-CNN)模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块(CBAM),分别从通道和空间提升小目标特征保持性;其次,使用全局交并比(GIoU)计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。