李新海，曾令诚，卢泳茵，林悦德，曾新雄

(广东电网有限责任公司中山供电局，广东 中山 528401)

0 引言

绝缘子作为一种重要的绝缘设备，其主要作用是确保载流导体与地之间形成可靠的绝缘。绝缘子外套表面污染、针孔腐蚀、裂纹等缺陷逐渐向内发展，导致芯棒受潮，最终导致绝缘子断裂，这是绝缘子由缺陷发展成故障的特点[1]。其中，表面裂纹是导致故障可能性更高且发展速度相对快的急性症状。因此，对绝缘子表面裂纹进行有效的识别[2-3]，评估其缺陷的严重程度，能避免绝缘子故障的突然发生[4-7]。

目前绝缘子外套裂纹缺陷图像的准确识别需要大量样本来进行模型训练，而实际中可用于模型训练的裂纹缺陷图像数据集严重不足，从而导致裂纹缺陷故障识别精度不高、训练过拟合等问题。在小样本条件的基础上进行图像识别的方法分为传统的机器学习法和迁移学习两种方法。虽然第二种方法相比第一种更能够利用深度学习网络的多层结构的作用[8-11]，使下层特征慢慢迁移到上层，但是在识别准确率、以及小物体目标检测等方面，仍无法满足实际应用需求。本文提出了一种基于图像增强变换以及元学习[12-16]的数据处理方法，并与U-Net图像分割网络结合，实现了在小样本下条件下进行绝缘子裂纹缺陷识别的目的。

本文提出的小样本绝缘子外套裂纹缺陷图像识别方法思路如图1所示。

图1 小样本绝缘子外套裂纹缺陷图像识别方法思路