基于Transformer与信息融合的绝缘子缺陷检测方法

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (10123 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要针对现有绝缘子航拍图像背景复杂,闪络、破损缺陷检测困难的问题,本文提出一种全局与局部信息融合（GLIF）-YOLOv8s绝缘子缺陷检测算法。该算法采用EfficientFormerV2作为主干网络,以提高模型对全局信息的提取能力;基于全局与局部信息设计特征增强模块,通过信息融合减少深层网络信息的丢失。在绝缘子缺陷数据集上进行消融实验与对比实验,结果表明：本文算法在绝缘子缺陷数据集上的平均精度均值为91.6%,其对闪络和破损缺陷的检测平均精度分别达到82.3%和92.9%;与其他主流算法相比,本文算法的检测框置信度更高。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	陈天航
	曾业战
	邓倩
	钟春良

关键词 ：绝缘子, 缺陷检测, YOLOv8s, Transformer

Abstract：Aiming at the existing insulator aerial images, which have complex backgrounds and are difficult to detect flashover and broken defects, a global and local information fusion (GLIF)-you only look once v8s (YOLOv8s) insulator detection algorithm is proposed. The algorithm uses EfficientFormerV2 as the backbone network to improve the model’s ability to extract global information. A feature enhancement module (FEM) is designed based on global and local information to reduce the loss of deep network information through information fusion. Ablation experiments and comparison experiments are carried out on insulators defects dataset, and the experimental results show that the proposed algorithm achieves 77.5% class-wide average accuracy, and its flashover and broken defect detection accuracy reaches 67.7% and 73.5%. Compared with other mainstream algorithms, the detection frame confidence of the proposed algorithm is higher.

Key words： insulators defect detection YOLOv8s Transformer

收稿日期: 2024-04-25

基金资助:湖南省自然科学基金（2020JJ4276）

作者简介: 陈天航（1999—）,男,广东省茂名市人,硕士研究生,主要从事电力设备图像视觉的研究工作。

引用本文:

陈天航, 曾业战, 邓倩, 钟春良. 基于Transformer与信息融合的绝缘子缺陷检测方法[J]. 电气技术, 2024, 25(8): 11-17. CHEN Tianhang, ZENG Yezhan, DENG Qian, ZHONG Chunliang. Insulator defect detection method based on Transformer and information fusion. Electrical Engineering, 2024, 25(8): 11-17.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2024/V25/I8/11

[1] 安灵旭, 唐其筠, 李中成, 等. 人工智能在配电网运维中的应用研究[J]. 电气技术, 2019, 20(10): 103-106.
[2] 梁新福, 罗日成, 党世轩, 等. 基于数字图像处理的电力线异物识别方法研究[J]. 电气技术, 2022, 23(2): 73-78.
[3] 徐晓宇. 高压输电线路巡检图像缺陷检测算法研究[D]. 杭州: 杭州电子科技大学, 2019.
[4] 李岩. 基于HOG特征和SVM的绝缘子识别与定位[J]. 交通运输工程与信息学报, 2015, 13(4): 53-60.
[5] 董懿飞, 舒胜文, 陈诚, 等. 基于红外图像分割与SSA-SVM的复合绝缘子缺陷检测方法[J]. 电气技术, 2021, 22(11): 73-79.
[6] 臧国强, 刘晓莉, 徐颖菲, 等. 深度学习在电力设备缺陷识别中的应用进展[J]. 电气技术, 2022, 23(6): 1-7.
[7] 何文其, 李剑, 赵文浩. 基于改进FasterRCNN的绝缘子异常检测[J]. 浙江电力, 2021, 40(8): 40-46.
[8] 李斌, 屈璐瑶, 朱新山, 等. 基于多尺度特征融合的绝缘子缺陷检测[J]. 电工技术学报, 2023, 38(1): 60-70.
[9] 周宸, 高伟, 郭谋发. 基于YOLOv4模型的玻璃绝缘子自爆缺陷识别方法[J]. 电气技术, 2021, 22(5): 38-42, 49.
[10] 杨露露, 马萍, 王聪, 等. 结合特征重用与特征重建的YOLO绝缘子检测方法[J]. 计算机工程, 2024, 50(7): 303-313.
[11] 田永林, 王雨桐, 王建功, 等. 视觉Transformer研究的关键问题: 现状及展望[J]. 自动化学报, 2022, 48(4): 957-979.
[12] 苟军年, 杜愫愫, 刘力. 基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测[J]. 电工技术学报, 2023, 38(1): 47-59.
[13] LI Yanyu, HU Ju, WEN Yang, et al.Rethinking vision transformers for MobileNet size and speed[C]//2023 IEEE/CVF International Conference on Computer Vision (ICCV), Paris, France, 2023: 16843-16854.
[14] LIN T Y, DOLLAR P, GIRSHICK R, et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recog- nition (CVPR), Honolulu, HI, USA, 2017: 936-944.
[15] LIU Shu, QI Lu, QIN Haifang, et al.Path aggregation network for instance segmentation[C]//2018 IEEE/ CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018: 8759-8768.
[16] NARAYANAN M. SENetV2: aggregated dense layer for channelwise and global representations[EB/OL]. 2023: arXiv preprint arXiv: 2311.10807. http://arxiv. org/abs/2311.10807.
[17] WANG C Y, YEH I H, LIAO H Y M. YOLOv9: learning what you want to learn using pogrammable gradient information[EB/OL]. 2024: arXiv preprint arXiv: 2402.13616. http://arxiv.org/abs/2402.13616.