赵杰伦，张兴忠，董红月

太原理工大学 软件学院，太原 030024

高压电力线路巡检是电力安全管理的核心工作，通过一系列精细化巡视，及时消除隐患，为人民的生活和生产用电提供保障[1]。随着近年来国家电网公司对无人机电力巡检的推进，基于巡检现场照片进行关键电力部件与巡检缺陷的检测已成为目前研究的热点方向[2]，其中检测精度是影响技术落地应用的重要指标，本文将解决高压电力复杂巡检场景下各类电力部件与巡检缺陷检测精度低的问题，最大限度提升检测精度。

2014年以来基于深度学习的目标检测技术迅猛发展，使得众多研究者将该技术应用于电力巡检关键部件及巡检缺陷检测问题。其中，大部分研究者将绝缘子自爆缺陷检测作为研究的主要方向，文献[3]使用Faster R-CNN[4]进行绝缘子与绝缘子自爆缺陷的检测；文献[5]在YOLO v3[6]的基础上增加映射层来获取丰富的特征信息，实现对绝缘子自爆缺陷的实时检测；文献[7]在RFCN[8]网络基础上引入ASDN（adversarial spatial dropout net）模块，提升对遮挡绝缘子自爆区域的检测能力。少量学者针对鸟巢、多种类关键部件及缺的陷检测进行研究，文献[9]在解决鸟巢检测问题上将SSD[10]网络模型与HSV色彩空间滤波器相结合；文献[11]与文献[12]以Faster R-CNN网络为基础展开针对鸟巢检测的研究，均实现了较高的检测精度。但上述文章只针对少量类别进行检测，较难满足实际应用中对多类缺陷检测的需求。在多类部件及缺陷检测方面，文献[13]在全卷积网络结构基础上，结合可形变卷积、特征融合与聚类方法对绝缘子、防震锤、均压环与悬垂线夹四类对象的缺陷进行检测，其中11类缺陷的识别精度达到83.3%；……