使用改进的快速区域卷积神经网络对电力线绝缘子进行检测

《Scientific Reports》：Inspection of power line insulator using an enhanced faster region-convolutional neural network

　　

摘要

对电力线绝缘子的检查对于电力传输网络的安全可靠运行至关重要。传统的手动检查方法在效率、准确性、可用性、安全性和成本方面存在不足。为了解决这些问题，本文提出了一种改进版本——Enhanced Faster R-CNN I2D-Net。该模型采用了基于区域的卷积神经网络（Faster R-CNN），并结合了特征整合和注意力机制，从而能够在复杂场景中实现稳定的绝缘子缺陷检测。所提出的架构包括：用于提取特征的残差网络骨干（ResNet-50）、用于学习融合权重以实现自适应多尺度特征融合的双向特征金字塔网络（BiFPN），以及用于优化特征并提升整体检测性能的感受野注意力机制（RFA+）。此外，该模型还包含一个改进的上下文感知模块（I-CPM），该模块位于区域提案网络（RPN）之后。模型还使用了膨胀卷积技术来提高分类效果和边界框回归的准确性。同时，在RFA+模块生成的特征图上应用了梯度加权类别激活映射（Grad-CAM），以突出显示缺陷相关区域并生成热图，从而精准定位缺陷位置。这项工作的创新之处在于它成功地将多尺度特征融合、注意力机制和上下文建模结合到一个框架中，实现了高效的绝缘子缺陷检测。与现有的方法相比，该模型的平均精度（mAP）达到了98.03%，精确度为99.05%，召回率为98.96%。