电工电能新技术

作者：张可1,4， 乐全明2， 黄文礼1， 黄承沛3， 任仰勋3

单位：1. 国网电力科学研究院有限公司， 江苏 南京 211000；
\r\n2. 国网浙江省电力有限公司杭州供电公司， 浙江 杭州 310016；
\r\n3. 安徽大学电子信息工程学院， 安徽 合肥 230601；
\r\n4. 中国科学技术大学， 安徽 合肥 230026

关键词：防振锤, YOLOv4, 缺陷检测, 注意力机制, 模型压缩

基金：国家电网公司总部科技项目（5500-202140127A-0-0-00、 5500-202219275A-2-0-XG）

准确检测输电线路中防振锤缺陷并及时更换部件是保证电力系统安全运行的重要措施。本文以包含FD、FDZ、FFH、FR四种常见型号防振锤的无人机输电线路图像为研究对象，针对复杂背景下的防振锤形态多样且目标较小的特点，设计了一种端到端的并联型通道-空间注意力模块（PCSA），PCSA-YOLO网络用于锈蚀、缺损和正常等3种防振锤的检测。在YOLOv4基础上，加入改进后的PCSA, 关注复杂背景下防振锤小目标的关键区域，提高防振锤检测的精度。同时联合剪枝和知识蒸馏方法，对每个卷积层后正则化层的缩放因子施加L1正则化，然后根据稀疏后缩放因子的大小设定剪枝率来裁剪低于阈值的通道，达到压缩网络参数量的目的，并采用知识蒸馏策略以弥补网络剪枝造成的准确率下降，最终得到轻量型的防振锤检测网络模型PCSA-YOLOs。实验结果表明，在所构建的无人机输电线路数据集中，PCSA-YOLO的mAP@0.5可达94.0%，相较于YOLOv4提高了3.6%；轻量型PCSA-YOLOs的mAP@0.5可达92.7%，模型参数量为0.8 M，比YOLOv5s的mAP@0.5高出6%左右，模型参数量减少6 M左右，能满足智能巡检实时性的要求。

来源：2022年第11期

《电工电能新技术》期刊编辑部

查看电工电能新技术杂志2022年第11期