- 頭條東南大學科研人員提出無人機電力桿塔巡檢圖像異常檢測的新方法2022-10-03 作者：仲林林、胡霞 等 | 來源：《電工技術學報》 | 點擊率：導語無人機電力線路巡檢拍攝的桿塔圖像背景復雜且正負樣本極不均衡，嚴重影響了電力桿塔異常檢測的準確性。為提高復雜背景下無人機電力桿塔巡檢圖像異常檢測的精度，東南大學電氣工程學院、東南大學-蒙納士大學蘇州聯合研究生院（東南大學）的研究人員仲林林、胡霞、劉柯妤，在2022年第9期《電工技術學報》上撰文，提出一種基于壓縮激活改進的快速異常檢測生成對抗網絡（SE-f-AnoGAN）模型，用于無人機電力桿塔巡檢圖像的異常檢測。
電力桿塔常年暴露在自然環境復雜惡劣的野外，易受山體滑坡、冰雪覆蓋、地震、臺風等自然災害影響，導致桿塔塔基不穩、塔身傾斜，影響電能正常傳輸，甚至造成經濟損失。因此，快速、有效地檢測電力桿塔的傾斜異常，不僅是電力線路運行維護的重要環節，也是保障電力安全傳輸的基礎。
近年來，隨著無人機巡線技術的普及，電力運維部門開始通過無人機搭載各類傳感裝置對電力桿塔等目標物體進行信息采集和檢測，產生了大量以圖像和視頻為主的航拍數據，但仍普遍存在“重數據采集、輕數據分析”的問題。隨著人工智能技術的發展，無人機巡檢圖像的智能化分析處理正逐步成為取代人工判斷、提升電網運維水平的重要手段。
但是，無人機電力線路巡檢拍攝的桿塔圖像背景復雜且正負樣本極不均衡，嚴重影響了電力桿塔異常檢測的準確性。為提高復雜背景下無人機電力桿塔巡檢圖像異常檢測的精度，東南大學電氣工程學院、東南大學-蒙納士大學蘇州聯合研究生院（東南大學）的研究人員仲林林、胡霞、劉柯妤，在2022年第9期《電工技術學報》上撰文，提出一種基于壓縮激活改進的快速異常檢測生成對抗網絡（SE-f-AnoGAN）模型，用于無人機電力桿塔巡檢圖像的異常檢測。
圖 SE-f-AnoGAN模型結構
研究人員首先在f-AnoGAN編碼器中引入壓縮激活網絡（SENet），提取圖像中的顯著性信息。然后，將生成對抗網絡的無監督學習和二分類器的有監督學習有機結合，實現前者特征提取優勢和后者判別優勢的互補。在此基礎上，借助基于遷移學習的優化訓練策略進一步有效提升模型在大規模數據集上的泛化性能。
他們指出，將基于通道注意力的SENet引入原始f-AnoGAN網絡的編碼器中，提取可見光圖片的顯著性信息，降低背景噪聲干擾，從而使得網絡能夠聚焦桿塔檢測，能夠有效提取桿塔特征，解決了無人機巡檢桿塔圖像樣本少且類別不均衡的問題。
另外，在f-AnoGAN無監督模型提取正常樣本特征的基礎上，研究人員引入基于監督學習的二分類器判別桿塔是否正常，結合無監督學習的特征提取優勢和監督學習的判別優勢，彌補判別器檢測效果不佳的缺點，從而提高了模型在小樣本數據集上的異常檢測能力。
此外，在改進的生成對抗網絡基礎上，他們通過借助基于遷移學習的優化訓練策略，微調二分類器中預訓練模型參數，進一步有效提升了模型在大規模數據集上的泛化能力和魯棒性。
研究人員最后表示，通過消融實驗和不同評判指標逐步驗證了SE-f-AnoGAN在無人機電力桿塔異常檢測中的可行性和有效性。實驗測試表明，本模型的AUC值和AP值分別達到0.991 4和0.988 5，總體樣本的檢測準確率為95.74%，正、負樣本的召回率分別達到96.05%和95.36%，證明了SE-f-AnoGAN在異常檢測中的有效性。
本文編自2022年第9期《電工技術學報》，論文標題為“基于改進生成對抗網絡的無人機電力桿塔巡檢圖像異常檢測”。本課題得到了江蘇省科協青年科技人才托舉工程、東南大學“至善青年學者”支持計劃和中央高校基本科研業務費專項資金資助項目的支持。
