随着智能电网的发展，电力系统自动化水平日渐提高，人们对电力系统日常运行的安全及稳定性提出了更高的要求。绝缘子作为电力系统的重要元件，应用广泛且数量庞大。绝缘子的工作环境通常位于层峦叠嶂的山路之间，工作环境恶劣，导致绝缘子故障频发，严重影响电力系统的安全及稳定。

绝缘子缺陷辨识一直是国内外研究的热点，传统的检测方式为人工观测法。该方法虽然精确度高，但在观测上存在工作量大、效率低等缺陷。此外，还有借助外加设备测量的方法，如红外图谱和巡检机器人等。

借助外界设备可以有效减小检测过程中的安全隐患，但外加设备一般较为昂贵。由于无人机成本低、易操控，且具备数据采集简单、运行风险较低等特点，已在电力巡检工作中逐渐普及。尽管无人机巡检可获得大量现场的图像信息，但采集到的图像仍是由人工进行处理，海量的图像数据带来了巨大的工作量；同时，由于工作人员自身专业水平不同、视觉疲劳等原因，检测过程中容易导致缺陷遗漏。

通过计算机自动辨识图像成为研究热门，常用的方法主要可以分为基于机器视觉与基于机器学习的方法。基于机器视觉的缺陷检测方法首先在原图中将待测目标与背景进行分割，分割后再根据人为设定的特征判断绝缘子是否存在缺陷。

基于机器视觉的缺陷检测方法实现较为简单，不需要复杂的训练过程，在特定的场景有较高的辨识准确率，但在使用过程中存在诸多局限性，如算法的准确率依赖分割算法的分割结果。由于绝缘子的工作环境复杂、现场条件恶劣，这会严重影响分割结果的准确性，且人工选定的缺陷判别特征缺乏鲁棒性，当拍摄条件发生改变，都有可能导致算法发生误判。

在图像辨识领域，机器学习算法的应用十分广泛，通过机器学习训练的模型对无人机航拍的绝缘子图像进行检测及缺陷辨识已逐渐成为电力系统绝缘子缺陷辨识方法研究的热门方向。机器学习算法训练出的模型能自适应地从海量的航拍图像中挖掘绝缘子的表层特征，对噪声干扰有很强的鲁棒性。模型的目标是既能准确地辨识出缺陷又能满足实时检测的要求，但事实上，检测速度与准确率很难同时提升。

针对这个问题，福州大学电气工程与自动化学院的研究人员提出基于改进YOLOv4的绝缘子缺陷检测模型。

图1 YOLOv4检测流程

图2 检测结果对比

图3 不同类型和结构的绝缘子检测结果

相比于现有方法，YOLOv4模型具有速度更快、精度更高的特点。针对检测图像中出现图像修改尺寸后失真的问题，提出了对图像加灰条处理的方法，同时在训练过程中采用了多阶段迁移学习策略显著提高了模型整体的性能。实验结果表明，所提方法的缺陷检测mAP值达到89.54%，所提方法在实际应用中可以满足绝缘子缺陷检测的准确性要求。

本文编自2021年第5期《电气技术》，论文标题为“基于YOLOv4模型的玻璃绝缘子自爆缺陷识别方法”，作者为周宸、高伟、郭谋发。