基于注意力机制及滑窗检测的电网散断股识别算法

徐海青，浦正国，余江斌，白景坡

(1.安徽继远软件有限公司，安徽 合肥 230088； 2.国家电网信息通信产业集团 信通研究院，北京 102211)

电力是社会发展不可或缺的重要能源，而输电线路则是输送电力最常见的基础设施。由于输电线路长期工作在室外环境，各种部件容易出现不同程度的破损，严重影响了电力系统的稳定运行。因此，输电线路巡检是一项日常且关键的工作。然而，输电线路跨度大、分布广、环境复杂，传统的人工巡检方式需要投入大量的人力物力且效率低下，尤其是主观因素强、危险系数高等问题亟待解决。随着深度学习技术在计算机视觉领域的发展应用，利用无人机巡检完成输电线路缺陷识别已成为行业热点。

目前，传统的目标检测算法如Faster R-CNN[1]，应用于输电线路导地线散断股缺陷识别场景效果不佳。主要存在以下缺陷：①输入图像的信噪比低。高质量的输入图像一般具有高占比的目标部分，从而帮助目标检测网络充分提取目标特征[2]。而导地线散断股目标非常细微，在标注框中的占比很小，而背景图像往往占了较大部分，导致输入图像的信噪比非常低，在一定程度上影响了模型训练的效果，如图1所示。②高分辨率输入图像的目标信息丢失。由于显存容量有限，高分辨率的输入图像往往会受到网络的限制，超出网络规定阈值的图像会按一定比例进行缩放[3]。缩放虽然可以缓解硬件条件的限制，但图像信息的减少一般会伴随目标信息的丢失。……