改进CenterNet的高压输电线路巡检故障实时检测方法

赵 锐，赵国伟，张 娟，王 强，赵杰伦，董红月，张兴忠

1.国网大同供电公司，山西 大同037008

2.太原理工大学 软件学院，山西 晋中030600

现代社会对电力的日益依赖为电网的检查与维护提出了巨大挑战。日常巡检是应对该挑战并保障电网安全稳定运行的必要手段[1]。随着近年来无人机技术的发展，“以无人机巡检为主，人工巡检为辅”已成为我国高压输电线路巡检的方向[2]。基于无人机航拍巡检图像进行输电线路巡检故障检测也成为当今的热门研究方向[3]。

无人机电力巡检是指借助无人机采集实时巡检图像，结合计算机视觉与模式识别、图像处理等相关算法对所采集图像进行故障的自动检测与分析。常见输电线路巡检关键故障，如绝缘子自爆、防震锤脱落、鸟巢等，严重危害电网系统的安全运行[4]。随着深度学习目标 检 测技术的发 展 ，RCNN[5]、Faster RCNN[6]、SSD[7]、YOLO[8]等具有代表性的目标检测模型在标准数据集上已取得了优异的成绩，结合深度学习技术解决输电线路巡检故障检测问题也成为该领域的主流趋势[9]。在此趋势下，Han等[10]以ResNet-50[11]为骨干网络建立多尺度绝缘子检测模型进行绝缘子定位，再使用基于ROI的绝缘子故障定位方法进行绝缘子故障检测。该方法取得了较高的检测精度，但不能满足实时检测的需求。Wang等[12]先使用Faster RCNN对绝缘子进行快速定位，再对定位区域进行语义分割后再分类，判断绝缘子是否爆裂，故障检测过程十分繁琐。陈文贺等[13]基于SSD算法进行绝缘子精确识别的改进，在提取绝缘子所在的矩形区域后，提出一种基于K-means[14]和双特征约束法进一步提升精确，并使用最大距离法对提取绝缘子的自爆缺口进行快速有效定位。……