基于改进FasterRCNN的配网架空线路异常状态检测

作者：王超洋; 罗敬一^*

来源：电力大数据, 2020, 23(11): 9-16.

DOI：10.19317/j.cnki.1008-083x.2020.11.002

• 架空线路异常状态检测
• 深度学习
• 卷积神经网络
• 候选区域网络
• 特征金字塔网络

为解决人工判断无人机巡线结果准确率低、耗时长且易受环境影响等问题。本文采用基于图像特征处理与融合FPN结构的FasterRCNN深度神经网络模型,以提高架空线路无人机异常状态检测效率。具体做法是,首先使用Res Net50卷积神经网络对原图逐层进行特征提取,得到最高层特征图;再对该特征图使用反池化法进行上采样得到多张低特征图,并将原各层特征图与新各层特征图对应融合;最后将融合后的全部特征图输入RPN层进行二分类与边框回归,经过ROIpooling层后得到异常点检测结果。经数据集验证,本文所提出的网络结构对电杆、开关、变压器、绝缘子损坏、杆塔倾斜和断线的AP值分别为0.97、0.88、0.86、0.89、0.94和0.93,所有目标的m AP值为0.91。对比FasterRCNN网络及现有检测手段,不仅具有更高的识别准确率,更快的检测速度,且可以有效识别变压器等小目标物体。

• 单位
  国网湖南省电力有限公司