肖新帅，田秀霞，徐曼

（上海电力大学计算机科学与技术学院，上海200090）

0 引言

我国的电力系统由发电、输电、变电和配电等环节构成，其中绝缘子是输电线路中非常特殊的绝缘控件，主要负责固定载流导体，防止电流回地，在电力系统中有着十分重要的作用，因此，绝缘子的检测成为维护电力系统安全的首要任务。随着无人机的应用及普及，无人机巡检得到了很多电网公司的关注，但由于无人机巡检图像的数据集很大，采取人工识别的方法效率太低，容易造成误判和漏判，因此，采用智能化图像识别方法是十分必要的。

2012 年以来，深度学习在图像识别与检测中取得了良好的效果，检测和识别的效果大大优于传统检测方法。当前，基于深度学习的目标检测方法主要有2 种：（1）基于候选区域（RP）提取的目标检测法，如基于卷积神经网络特征（RCNN）的检测法［1］、Fast RCNN［2］以及Faster RCNN［3］等；（2）基于端到端（End-to-End）的目标检测算法，如你只需看1 次（YOLOv1）检测法［4］、多分类单杆检测器（SSD）［5］以及YOLOv1的加强算法YOLOv2［6］等。

基于候选区域提取的方法在准确度方面有很大的优势，但这种方法在提取特征时计算十分复杂，无法满足工业应用中对目标检测的实时性需求。因此，本文将分析3 种端到端的目标检测方法（YOLOv1，SSD，YOLOv2）在 绝 缘 子 检 测 方 面 的性能。

1 传统检测方法和RCNN检测方法

目标检测主要包括目标位置的确定和目标类别的判别。目标检测方法可以分为传统的目标检测方法和基于深度学习的目标检测方法。

1.1 传统检测方法

传统的检测方法主要采用人工设计特征，如尺度不变特征变换（SIFT）法［7］、边缘检测法、方向梯度直方图（HOG）法［8］等，但这些方法结构松散，不能对低层特征进行综合利用，无法达到全局最优识别。……