随着电力系统改革的深化,我国新一代电力系统建设得到了高速发展,输电设备作为电力系统的重要组成部分之一,对其缺陷的智能识别与分析已经成为重要的研究方向。螺栓是输电线路上数量最为庞大且容易发生故障的紧固零件,实现自动高效地对其缺陷识别是电力系统长久以来的难点问题。利用计算机视觉和人工智能技术对螺栓缺陷进行准确识别,具有重要的实际意义。本文通过对螺栓的研究,提出了针对螺栓属性的视觉可分性思想,采用一种基于多标签学习的螺栓多属性分类方法,提升深度学习模型的特征提取能力并实现更准确的螺栓属性分类,为螺栓缺陷的识别提供了新的解决方法。首先,针对传统的螺栓缺陷检测任务中,采取直接使用目标检测模型对螺栓缺陷进行检测造成准确率低下的缺点,本文提出针对螺栓属性的视觉可分性思想,确定螺栓是否有销孔、是否有垫片、是否有螺母等六类属性属于视觉可分的范畴,从而将螺栓识别作为多属性分类问题,并构建了2000张用于本文研究的螺栓多属性分类数据集,其中1500张用于模型训练,500张用于模型测试。其次,与一般的图像多标签分类任务相比,输电线路螺栓多属性分类任务中待检目标的整体特征较为相似,分类模型需要对能够区分不同类别属性的关键局部特征进行抓取。为了能够高效准确地定位包含细节语义信息的关键局部区域且摆脱标签制作所带来的巨大工作量,本文创新性地提出利用NTS-Net模型进行螺栓属性的分类,该模型通过一种多主体协作的自监督机制来完成对螺栓关键局部区域的精准定位,进而融合关键局部特征与全局特征以更好地实现分类。通过实验验证,NTS-Net模型相比NS-Net模型和Res Net、VGG等基础模型明显取得了更好的分类准确效果。最后,针对螺栓目标差异较小、形状变化多样的问题,本文在NTS-Net模型的特征提取网络中通过增加可变形卷积模块来提升模型对于空间信息的建模能力;为了考虑不同局部特征对不同属性标签的不同影响,最后在局部特征与全局特征融合过程中引入通道注意力机制,提取特征的通道权重,获取关键通道特征以改善多标签分类效果。通过实验结果表明,本文模型在螺栓多属性分类数据集上的平均分类精确率为84.5%,比采用传统的多标签分类方法精确率提升了10%-20%。另外,在定性实验中采用Grad-CAM算法对螺栓图像分类的关键区域进行可视化分析,提高模型的可解释性。