伍艺佳，华 雄，王丽蓉，陈红波

(1.国网湖南省电力有限公司检修公司，湖南 长沙 518052；2.安徽南瑞继远电网技术有限公司，安徽 合肥 230088；3.中国科学院合肥物质科学研究院智能机械研究所，安徽 合肥 230031)

0 引 言

随着变电站数量的逐步增多，传统人工巡检方式存在劳动强度大、效率低的问题，难以胜任变电站设备及时、准确的巡检工作要求。近年来计算机技术快速发展，基于计算机技术的变电检测在变电站应用越来越广，成为变电站设备巡检的新应用方向[1-4]。对于变电设备缺陷图像检测来说，其核心难点是如何处理变电站内不同光照、不同天气等情况下的缺陷图像定位与检测。传统的目标检测方法可分为3个主要过程：区域选择、特征提取和分类器。其面临的问题主要体现在：一方面图像中目标区域选择策略没有针对性，时间复杂度高，候选窗口冗余；另一方面传统特征提取的特征鲁棒性较差。随着深度学习的出现，目标检测领域取得了巨大的发展，就现有基于深度学习的图像检测算法来说，可分为单阶段目标检测框架和双阶段目标检测框架2大类。单阶段目标检测框架的代表有YOLO[5-6]系列算法、SSD[7-8]系列算法，以YOLO、SSD为方向目标检测框架主要是基于回归方法的深度学习目标检测。双阶段目标检测算法代表有R-CNN[9]、Fast R-CNN[10]、Faster R-CNN[11]等以RCNN为基础的基于Region Proposal的深度学习目标检测算法。单阶段目标检测框架优缺点体现在：1)将目标检测任务转换成一个回归问题，加速了检测的速度，时效性好；……