基于对抗自学习的跨域绝缘子检测算法

李 凡,高 瞻,王红斌,李 爽,庞 健,徐开雄,余正涛

(昆明理工大学 1.信息工程与自动化学院;2.云南省人工智能重点实验室,云南 昆明 650500)

绝缘子是输电线路中一种用于固定导体的特殊绝缘控件,在架空输电线路中起着非常重要的作用。长期暴露于自然环境中的绝缘子受到冰霜雨雪、污秽、雷击等因素影响,容易发生自爆、掉片、破损、裂纹等故障[1-3],从而引发输电线路安全隐患、供电中断等危害国民生产、生活的严重问题。因此,在输电线路日常维护工作中,常常需要对巡检采集的大量数字图像进行人工复核,快速发现绝缘子对象及判断存在的故障。这是一项费时费力的工作,而且对工作人员的专业水平和工作效率要求较高。

近年来,随着深度学习技术在目标检测领域的深入应用,利用目标检测技术代替人工筛查,从庞大的巡检图像数据中对绝缘子进行快速自动检测,已成为解决该问题的有效方法之一。目前一些基于深度学习的目标检测算法[4-9]采用卷积神经网络[10,11]在检测准确性及效率上都得到了提升。如:Redmon 等[4]提出的YOLO目标检测算法通过将输入图像划分成若干网格,对每个网格分别进行坐标回归和类别回归,有效提升了在数据缺乏情况下模型的泛化能力。2018年,Redmon等[12]对原有的YOLO算法进行了改进,提出了YOLOv3目标检测算法,通过添加多尺度预测机制将聚类后得到的锚点分配给不同尺度的检测框,有效降低了误检率,提高了对同类且不同尺寸物体检测的泛化能力。……