基于深度学习的架空输电导线缺陷检测方法研究

摘要：

无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法.该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾.在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81％,在表面擦痕检测上的准确率达到90.86％,在表面刮损检测上的准确率达到93.58％,平均交并比(mean intersection over union,MIoU)值为86.12％,单张检测速度相对于Unet网络提升了8倍左右,提高了网络检测速度和检测精度.

关键词：无人机巡检图像、输电导线缺陷检测、迁移学习、深度可分离卷积、高效通道注意力

所属期刊栏目：47

分类号：TM721(输配电工程、电力网及电力系统)

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1022-1030,中插23