国内外对玻璃绝缘子​缺陷的识别研究较多

伴随着智能化电网的发展，电力系统自动化程度日益提高，人们对日常运行的安全性和稳定性要求也越来越高。绝缘子是电力系统的重要组成部分，其应用范围广，数量大。绝缘子的工作环境往往处于山中层峦叠嶂，工作环境恶劣，绝缘子故障频繁发生，严重影响了电力系统的安全和稳定。

目前，国内外对玻璃绝缘子缺陷的识别研究较多，传统的方法是人工观察法。这种方法具有较高的精度，但存在着观测工作量大、效率低等缺点。另外，还可以借助红外成像、巡检机器人等外置仪器进行检测。

借助于外部设备，可以有效地减少检测过程中的安全隐患，但是外加设备通常比较昂贵。因其成本低廉、操作方便、数据采集方便、运行风险小等特点，已逐步在电力巡检工作中得到推广应用。UAV巡检虽然可以获取大量的现场图像信息，但是所采集的图像仍然需要人工处理，大量的图像数据需要大量的工作，同时由于工作人员自身专业水平和视觉疲劳等原因，在检测过程中容易出现缺陷遗漏。

利用计算机自动识别图像是目前研究的热点，常用的方法可分为基于机器视觉和基于机器学习的方法。本文提出了一种基于机器视觉的缺陷检测方法，将被测对象和背景分割成两部分，然后根据人为设定的特征判断玻璃绝缘子是否存在缺陷。

以机器视觉为基础的缺陷检测方法实现起来比较简单，不需要复杂的训练过程，对特定场景具有很高的识别率，但是在使用过程中存在着很多局限性，如算法的准确性取决于分割算法的分割效果。在实际应用中，由于绝缘子作业环境复杂，现场条件恶劣，分割结果往往受到很大的影响，而人工选择的缺陷识别特征缺乏鲁棒性，在拍摄条件发生变化时，容易出现误判。

目前，机器学习算法在图像识别领域得到了广泛的应用，利用机器学习模型对无人机航拍中的绝缘子图像进行识别和缺陷识别逐渐成为电力系统绝缘子识别方法的一个热点。通过机器学习算法训练得到的模型能够自适应地挖掘来自大量航拍图像的表面特征，从而具有较强的抗噪能力。其目的是在准确识别缺陷和实时检测的同时，提高检测速度和准确率是一个困难的问题，这是一个非常困难的问题。

与已有的方法相比，YOLOv4具有更快、更准确的特点。为解决检测图像中修正尺寸而产生畸变的问题，提出了一种对加灰条进行加灰条处理的方法，同时，在训练过程中采用多阶段迁移学习策略，模型整体性能得到明显改善。试验表明，该方法的缺陷检测mAP值达到了89.54%，该方法在实际应用中能够满足玻璃绝缘子缺陷检测的准确度要求。