范 鹏，冯万兴，周自强，赵 淳，周 盛，姚翔宇

（1.南瑞集团（国网电力科学研究院）有限公司，江苏 南京 211106；2.国网电力科学研究院武汉南瑞有限责任公司，湖北 武汉 430074）

0 引言

红外成像具有非接触直接测量输变电设备状态的特征，无需停电，在电力领域具有广泛的应用[1-3]。输变电设备在野外严峻环境中长期运行，由于材料老化、污秽闪络、机械受损等因素，常伴随有局部放电、温度增高等现象。绝缘子作为输电线路重要部件，起到电气隔离和机械支撑的作用，当红外图像显示的温度较高，表明其有异常缺陷，这是因为场强不均匀发生局部放电，严重时可能导致线路故障，甚至造成停电故障。文献[4-5]开展了变压器高压套管的红外诊断研究，通过热像特征谱图分析了故障原因。红外图像可应用于交流滤波器的故障分析中，提取其跳闸的典型故障特征[6-8]。

输变电设备红外图谱特征提取主要为图像处理方法，诸如纹理、色彩、边框等图像特征[9-10]。随着无人机航拍技术的发展，输变电设备红外图谱呈现爆发式增长，深度学习提供了一种良好的手段[11-13]，采用卷积神经网络（Convolutional Neural Networks，CNN）的方法，对海量图片进行训练学习，提取特征进行测试和验证。CNN 通过卷积层计算，输入较深层的特征图，对于小目标绝缘子、套管，权重值相对较少，无法实现小目标的有效提取[14-15]。针对这一缺点，本文对Faster R-CNN 方法进行改进，提高绝缘子红外图谱诊断的精度。

1 改进的Faster R-CNN 方法

1.1 Faster R-CNN 原理

区别于普通的CNN，Faster R-CNN 增加了一个区域提取网络（Region Proposal Network，RPN），即图1 中的候选区域，摒弃传统的滑动窗口，可在GPU直接运行计算，极大地加快了计算速度。……