本文研究了基于深度学习的绝缘子缺陷检测方法，主要分为绝缘子串珠分割和绝缘子自爆识别和定位两个部分。
研究背景和现状： 传统电力巡线方式效率低、危险性高，而无人机巡检虽然可以替代人工巡检，但面临图像标注工作量巨大、易出错等问题。因此，利用深度学习进行绝缘子缺陷检测具有重要意义。
研究任务： 本文主要实现绝缘子串珠分割和绝缘子自爆识别和定位两个任务。
技术路线：
- 绝缘子串珠分割：
- 针对无人机图像像素过大、数据集过小的问题，采用滑动窗口切分图像并进行数据增强。
- 提出基于U-Segnet改进的神经网络模型U-Segnet-Pro，并利用该模型进行绝缘子串珠分割。
- 通过连通区域面积滤波去除小连通区域，得到最终的绝缘子掩膜图像。
- 实验结果表明，U-Segnet-Pro模型在Dice系数上达到了0.92，优于其他模型。
- 绝缘子自爆识别和定位：
- 采集并人工标注绝缘子图片数据，并进行数据增强扩充数据集。
- 利用掩膜图像提取绝缘子区域，并使用YOLO v3模型进行训练。
- 实验结果表明，YOLO v3模型在精度上达到了92.53%，平均IOU达到了91.17%，优于SSD模型。
研究结论： 本文提出的基于深度学习的绝缘子缺陷检测方法可以有效识别和定位绝缘子缺陷，具有良好的效果和实用性。
未来工作展望：
- 提高模型实时性，减少图像分割步骤。
- 优化连通区域面积阈值分割方法。
- 提高模型在恶劣环境下的鲁棒性。
