无人机电网巡检（电网元件及缺陷识别的新方法）

无人机电网巡检（电网元件及缺陷识别的新方法）研究人员首先通过Imgaug数据增强库对现有的1468张国家电网某检修公司标准化无人机巡检数据集进行数据增强；然后在加强特征提取网络双向特征金字塔网络（BiFPN）特征融合时融入小一级尺度的特征层，提高了小目标检测能力，对主干特征提取网络EfficientNet的倒残差模块进行改进，引入坐标注意力机制（CA）提高了主干特征提取效率。图3 真实集部分缺陷定位测试结果因此，针对现有的无人机电力巡检中的目标检测算法小目标识别精度低、检测的元件及缺陷类型较为单一、检测速度和精度无法同时满足的问题，辽宁工程技术大学电气与控制工程学院、国网辽宁省电力有限公司葫芦岛供电公司的研究人员宋立业、刘帅、王凯、杨金丹，在2022年第9期《电工技术学报》上撰文，提出一种改进的EfficientDet目标检测算法，该算法应用于无人机电力巡检图像的数据挖掘，对高压输电线路上的绝缘子、防震锤、均压环、屏蔽环、鸟巢同时进

输电线路的安全稳定运行是电网可靠供电的重要保障，然而绝缘子、防震锤、均压环、屏蔽环的损坏及附着在高压线塔上的鸟巢严重危及线路安全运行。通过人工检测电网元件及缺陷的方式存在速度较低、精确度有限的缺点，因此利用计算机视觉中的目标检测算法实现无人机巡检图像的自动检测成为研究热点内容。

安徽：率先实行无人机巡检电网

目标检测算法主要包括单阶段目标检测和两阶段目标检测。单阶段目标检测只需对图片处理一次就能获得目标分类和位置信息，检测速度较快但精度较低，代表算法有SSD、YOLO等。两阶段又称基于候选区域的检测方法，检测精度较高但速度较慢，代表算法有faster R-CNN、SPP-Net、Mask-RCNN等。

目前这些方法大都对单一元件及缺陷进行检测分析，在电力系统多元件应用环境下普适性较差；这些方法为了提高电力系统小目标检测精度或进一步进行缺陷定位，大都采用先进目标检测算法与传统算法或二分类算法相结合使用，模型较为复杂，难以同时满足速度和精度。在此研究背景下，亟需提出一种先进的元件识别及缺陷定位方法解决上述问题。

因此，针对现有的无人机电力巡检中的目标检测算法小目标识别精度低、检测的元件及缺陷类型较为单一、检测速度和精度无法同时满足的问题，辽宁工程技术大学电气与控制工程学院、国网辽宁省电力有限公司葫芦岛供电公司的研究人员宋立业、刘帅、王凯、杨金丹，在2022年第9期《电工技术学报》上撰文，提出一种改进的EfficientDet目标检测算法，该算法应用于无人机电力巡检图像的数据挖掘，对高压输电线路上的绝缘子、防震锤、均压环、屏蔽环、鸟巢同时进行目标检测及缺陷定位。

图1 改进EfficientDet应用于巡检原理

图2 真实集部分元件检测测试结果

图3 真实集部分缺陷定位测试结果

研究人员首先通过Imgaug数据增强库对现有的1468张国家电网某检修公司标准化无人机巡检数据集进行数据增强；然后在加强特征提取网络双向特征金字塔网络（BiFPN）特征融合时融入小一级尺度的特征层，提高了小目标检测能力，对主干特征提取网络EfficientNet的倒残差模块进行改进，引入坐标注意力机制（CA）提高了主干特征提取效率。

图4 切割后缺陷定位测试结果

表1 九种目标测试精度结果

表2 六种网络模型训练结果对比

他们最后进行对比训练实验，改进EfficientDet算法在元件检测及缺陷定位测试集上平均均值精度达到90.2%，较原始EfficientDet算法提高8.6%，亦优于其他先进目标检测算法，同时元件检测速率达到23.4f/s，缺陷定位达到17.2f/s，证明了该方法可以满足无人机电力巡检中准确性和快速性的要求。

本文编自2022年第9期《电工技术学报》，论文标题为“基于改进EfficientDet的电网元件及缺陷识别方法”。本课题得到了辽宁省教育厅科学技术研究创新团队项目、辽宁省重点研发计划指导计划项目和2019年辽宁省高等学校国（境）外培养项目资助的支持。