随着电力系统规模的不断扩增，为保障输电线路安全运行，及时检测自爆绝缘子，避免电网发生大规模停电成为电网智能化发展过程中一项重要任务。机器学习相关目标检测模型依据人工设计的特征检测器实现输电线路相关器件的缺陷定位，主观性较强，定位结果的准确率偏低，并且模型耗时长，增加了检测成本。
兰州交通大学自动化与电气工程学院的苟军年、杜愫愫等在年第1期《电工技术学报》上撰文，基于双阶段目标检测模型MaskR-CNN结构进行相关改进，提出了基于深度学习的输电线路自爆绝缘子检测算法，以提高复杂电力场景下绝缘子自爆缺陷检测准确率，最后，通过消融实验与对比实验的结果，验证了改进模块的有效性。
研究背景相较于传统机器学习相关的目标检测模型，基于深度学习的检测模型可自主学习目标相关特征，对数据集的表达更高效，所提取的语义信息鲁棒性更强，最终所得模型的泛化能力更好，目前已广泛应用于电力系统巡检作业领域。
输电线路位于复杂的户外环境，绝缘子不仅具有电气绝缘的作用，还承担支撑线路的功能，这导致绝缘子同时受电场、机械拉力、自然气候等各种因素的作用，长期挂网工作于户外，会出现一定程度的老化以及各种破损缺陷，其中，绝缘子自爆缺陷易使输电线路因爬距减小而发生单相接地或相间短路故障，严重时甚至导致电网大规模停电，因此，及时发现自爆绝缘子并进行更换，可保证输电线路安全可靠运行，避免严重电力事故对国民经济造成损失。
论文所解决的问题及意义当前大多数深度学习相关的目标检测模型虽然可以完成输电线路中故障器件的有效检测，但因输电线路所处自然环境复杂多变，巡检图像背景复杂，各种输电线路金具的高似然性均会导致模型定位精度降低，无法满足电力系统的巡检需求。
MaskR-CNN算法基于FasterR-CNN框架，增加依FCN设计而成的分割分支，目标检测的同时进行语义分割，属于两阶段目标检测模型，针对无人机巡检图像中绝缘子缺陷检测这一特定场景，提出改进MaskR-CNN的输电线路绝缘子缺陷检测算法，及时可靠的检测自爆绝缘子，提高输电线路运行安全性。
论文方法及创新点1.融合注意力机制的特征提取网络
绝缘子自爆缺陷检测属于小目标检测范畴，为实现精准的定位，需要特征提取网络能更多
转载请注明地址:http://www.abmjc.com/zcmbhl/9584.html
