朱明州 赵曙光 王建强

关键词：深度学习;绝缘子检测;多尺度特征融合;Faster R-CNN

电力系统的稳定运行是我国能源战略的重要组成部分，其中的绝缘子主要有陶瓷、玻璃等制作而成，容易受到恶劣自然环境的影响而损坏。保证电力系统的可靠传输首先要确保绝缘子能稳定工作。近年来，随着无人机航拍技术的不断发展，使用无人机对输电线路及其绝缘子的监控越来越普及，再结合计算机等辅助设备对图像中的输电线路、绝缘子进行定位和故障的判定。

目标检测是深度学习的一个领域，对于输电系统中绝缘子的检测需要有较高的准确性。近年来随着计算机CPU和GPU性能的提高，深度学习也重新快速发展起来。传统的基于图像的检测算法由于检测效率低精确度较差，渐渐地被基于深度卷积神经网络的目标检测算法取代。目前常用的目标检测算法分为两大类：一类是以SSD（single Shot MuhiboxDetector）和YOLO（You Only Look Once）为主的one-stage系列，另一列是以Faster R-CNN（Faster Region-based ConvolutionNeural Networks）为主的two-stage系列。one-stage系列速度快精确度较低，two-stage系列精确度高速度较慢。结合绝缘子检测对于精确度的要求，使用Faster R-CNN作为只要检测框架。由于绝缘子周围背景复杂，往往检测精确度效果不佳。本文主要针对已有技术的不足做了一下工作：

首先搭建常用的目标检测网络Faster R-CNN（Faster Re-gion-based Convolution Neural Networks），分析其在绝缘子数据集检测中存在的不足，然后改进主干特征提取框架，使用ResNet50替换原有的VGGl6网络。然后使用多尺度特征融合，增加检测层。作为RPN（Region Proposal Network）网络的输入，能有效地识别大小目标和多目标检测。……