改进深度学习优化电力设备缺陷图像识别

于彦良，李静力，王 斌

（1.河北轨道运输职业技术学院，河北 石家庄 050022；2.华北理工大学矿业工程学院，河北 唐山 063210）

1 引言

电力设备的各种缺陷影响了电网的正常运转，严重的缺陷甚至给生产生活带来重大的损失，因此快速准确的设备缺陷检测具有重要意义[1]。电力设备的缺陷根据其应用特点，通常会产生异常发热[2]，因此可以使用红外图像凸显电力设备缺陷，达到全时无接触且不停电的检测优势，但随着自动化水平的提高，电力企业为预防设备缺陷而产生大量的设备关键部位连续拍摄红外图像，这些图像所处背景复杂，且噪声多变，传统机器学习提取的特征对人工先验知识过于依赖，特征的描述力较弱，对复杂背景和多变噪声的鲁棒性较差，较低准确率和低泛化能力难以实时准确的对缺陷检测识别检测，为引，基于深度学习的电力设备红外图像缺陷识别技术研究，成为电力设备缺陷检测的研究热点[3]。

基于深度学习算法的缺陷目标识别以CNN网络支撑，在缺陷特征学习和提取上具有更好的泛化能力，其中基于候选区域的Faster-RCNN 网络实现了端对端识别，准确率较好，已经被应用于各种场合[4]，但网络模型的计算复杂度高，实时更新难度较大，为此，文献[5]采用生成对抗网络改善缺陷图像的模糊性，并以改善后的清晰图像作为Faster RCNN的模型训练输入，然后以领域专家标准对网络模型的参数进行优化，建立了缺陷检测的改进Faster RCNN模型；文献[6]将模型定位和分类产生的误差构建判别函数对Faster RCNN模型的负样本进行差别，并采用自助采样改进模型训练；……