东南大学科研院(东南大学科研院官网)

东南大学科研院，东南大学科研院官网

中国电工技术学会活动专区

CES Conference

阅读提示：本文约 1200 字

电力杆塔常年暴露在自然环境复杂恶劣的野外，易受山体滑坡、冰雪覆盖、地震、台风等自然灾害影响，导致杆塔塔基不稳、塔身倾斜，影响电能正常传输，甚至造成经济损失。因此，快速、有效地检测电力杆塔的倾斜异常，不仅是电力线路运行维护的重要环节，也是保障电力安全传输的基础。

近年来，随着无人机巡线技术的普及，电力运维部门开始通过无人机搭载各类传感装置对电力杆塔等目标物体进行信息采集和检测，产生了大量以图像和视频为主的航拍数据，但仍普遍存在“重数据采集、轻数据分析”的问题。随着人工智能技术的发展，无人机巡检图像的智能化分析处理正逐步成为取代人工判断、提升电网运维水平的重要手段。

但是，无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡，严重影响了电力杆塔异常检测的准确性。为提高复杂背景下无人机电力杆塔巡检图像异常检测的精度，东南大学电气工程学院、东南大学-蒙纳士大学苏州联合研究生院（东南大学）的研究人员仲林林、胡霞、刘柯妤，在2022年第9期《电工技术学报》上撰文，提出一种基于压缩激活改进的快速异常检测生成对抗网络（SE-f-AnoGAN）模型，用于无人机电力杆塔巡检图像的异常检测。

图 SE-f-AnoGAN模型结构

研究人员首先在f-AnoGAN编码器中引入压缩激活网络（SENet），提取图像中的显著性信息。然后，将生成对抗网络的无监督学习和二分类器的有监督学习有机结合，实现前者特征提取优势和后者判别优势的互补。在此基础上，借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。

他们指出，将基于通道注意力的SENet引入原始f-AnoGAN网络的编码器中，提取可见光图片的显著性信息，降低背景噪声干扰，从而使得网络能够聚焦杆塔检测，能够有效提取杆塔特征，解决了无人机巡检杆塔图像样本少且类别不均衡的问题。

另外，在f-AnoGAN无监督模型提取正常样本特征的基础上，研究人员引入基于监督学习的二分类器判别杆塔是否正常，结合无监督学习的特征提取优势和监督学习的判别优势，弥补判别器检测效果不佳的缺点，从而提高了模型在小样本数据集上的异常检测能力。

此外，在改进的生成对抗网络基础上，他们通过借助基于迁移学习的优化训练策略，微调二分类器中预训练模型参数，进一步有效提升了模型在大规模数据集上的泛化能力和鲁棒性。

研究人员最后表示，通过消融实验和不同评判指标逐步验证了SE-f-AnoGAN在无人机电力杆塔异常检测中的可行性和有效性。实验测试表明，本模型的AUC值和AP值分别达到0.991 4和0.988 5，总体样本的检测准确率为95.74%，正、负样本的召回率分别达到96.05%和95.36%，证明了SE-f-AnoGAN在异常检测中的有效性。

本文编自2022年第9期《电工技术学报》，论文标题为“基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测”。本课题得到了江苏省科协青年科技人才托举工程、东南大学“至善青年学者”支持计划和中央高校基本科研业务费专项资金资助项目的支持。

扫码参会 ACCES 2022

（点击上方文字，访问会议官网）

2022年9月16-18日 重庆市

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

CES电气

学会官方B站

CES TEMS

今日头条号

学会科普微信

新浪微博

抖音号

《电工技术学报》：010-63256949/6981 邮箱：dgjsxb@vip.126.com 《电气技术》：010-63256943 邮箱：dianqijishu@126.com 编务：010-63256994；订阅：010-63256817 广告合作：010-63256867/6838

未经允许不得转载：东南大学科研院(东南大学科研院官网)