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2023年第1期《电工技能学报》上撰文，基于双阶段目标检测模型Mask R-CNN构造进行干系改进，提出了基于深度学习的输电线路自爆绝缘子检测算法，以提高繁芜电力场景下绝缘子自爆毛病检测准确率，末了，通过溶解实验与比拟实验的结果，验证了改进模块的有效性。
国家电网特高压输电线路培植
相较于传统机器学习干系的目标检测模型，基于深度学习的检测模型可自主学习目标干系特色，对数据集的表达更高效，所提取的语义信息鲁棒性更强，终极所得模型的泛化能力更好，目前已广泛运用于电力系统巡检作业领域。
输电线路位于繁芜的户外环境，绝缘子不仅具有电气绝缘的浸染，还承担支撑线路的功能，这导致绝缘子同时受电场、机器拉力、自然景象等各种成分的浸染，长期挂网事情于户外，会涌现一定程度的老化以及各种破损毛病，个中，绝缘子自爆毛病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，严重时乃至导致电网大规模停电，因此，及时创造自爆绝缘子并进行改换，可担保输电线路安全可靠运行，避免严重电力事件对国民经济造成丢失。
论文所办理的问题及意义当前大多数深度学习干系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繁芜多变，巡检图像背景繁芜，各种输电线路金具的高似然性均会导致模型定位精度降落，无法知足电力系统的巡检需求。
Mask R-CNN算法基于Faster R-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毛病检测这一特定场景，提出改进Mask R-CNN的输电线路绝缘子毛病检测算法，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.领悟把稳力机制的特色提取网络
绝缘子自爆毛病检测属于小目标检测范畴，为实现精准的定位，须要特色提取网络能更多关注毛病区域的整体轮廓和边缘，即网络可自适应地提取有效特色。把稳力机制事情的核心思想是获取特色主要性差异，更新特色权重占比，将打算资源投入更主要的任务。
本文利用卷积把稳力模块（Convolutional Block Attention Nodule, CBAM）分别从特色图的通道和空间两方面进行信息领悟，获取自爆区域所含显著性特色。将主干特色提取网络ResNet101处理后所得的不同尺度特色图称为根本特色层Ci(i=2, 3, 4, 5)，把CBAM引入C4和C5之后，提升模型对感兴趣语义信息的提取能力。
图1 CBAM构造
2.多尺度特色增强
加入把稳力机制后主干特色提取网络所获特色层仍具有图像金字塔特色信息的局限性，且每次领悟都会稀释非相邻尺度特色信息，从而忽略尺度跨度较大的信息，使分割阶段所用特色图不足完全，导致分割精度降落。为提高低层信息的利用率，在FPN根本上引入一条并行的自底而上路径，并设计特色领悟模块，在领悟多尺度特色信息的同时提升目标全局特色的表达能力。
图2 多尺度特色领悟构造
3.利用GIoU衡量检测框相似度
由于航拍场景的分外性，绝缘子分布有所交叠且背景繁芜，常日在目标定位阶段借助非极大值抑制算法对检测框进行筛选，根据交并比 （Intersection over Union, IoU）函数选择置信度最高的候选框作为检测结果。
这种方法对付非密集场景下的定位有出色的效果，当属于同一类的多个物体非常靠近时，算法只会保留置信度最高的候选框，从而造成目标漏检。将其更换为全局交并比（Generalized Intersection over Union, GIoU），通过引入最小外接矩形框C，增加衡量两目标间重叠形式和重叠程度的信息，同时刻画目标间的间隔与所处位置，纵然在无重叠情形下，也可担保保留下的实例框的准确性，提升模型的定位性能。
4. 分割丢失函数优化
模型演习过程中，丢失函数监督模型参数的更新方向，一定程度上会影响终极模型的性能。由于实际获取的电力巡检数据呈长尾分布，正常绝缘子占很大部分而毛病绝缘子数量相对较少，导致模型对自爆绝缘子数据演习时会产生欠拟合征象，模型会涌现漏检征象。对此，将分割分支所利用的二值交叉熵丢失函数更换为基于Tversky指数所提出的广义丢失函数，只需调度正负样本对应的比例参数，便可使模型在演习时更关注正例样本，帮助检测模型在精度与召回率间找到更好的平衡。
结论本文提出一种改进Mask R-CNN算法，在特色提取阶段加入CBAM，通过增加特色领悟路径和总体特色领悟模块完成自爆特色有效领悟；在定位与分割阶段利用GIoU实现检测框有效滤除，利用Tversky丢失函数缓解数据集不平衡对模型的滋扰，改进后总体构造如图3所示。
图3 改进后Mask R-CNN构造
实验结果表明，改进网络可实现输电线路绝缘子自爆毛病特色提取，缓解高度重叠与背景繁芜电力场景对检测带来的影响，提升了算法对小目标检测的性能。
团队先容本团队长期致力于CT图像重修、机器图像视觉检测的研究与运用，结合深度学习干系理论及技能，在电力输电线路及其干系金具的定位与毛病检测、电气化铁路打仗网绝缘子的定位及破损检测与铁路轨道异物入侵检测开展了根本研究。
本文编自2023年第1期《电工技能学报》，论文标题为“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”，本事情得到国家自然科学基金帮助项目的支持。
