配电箱金属表面腐蚀检测与腐蚀等级分类,可以协助配电箱维护人员做出及时的判断并进行相关的防腐处理。目前存在的金属表面腐蚀检测方法较为繁琐,耗时、耗力且对于操作人员的技术要求较高,很难快速得到较为准确的金属表面腐蚀等级信息。近年来作为深度学习算法代表之一的卷积神经网络在数字图像及视频处理方向取得了巨大成功,为本文利用深度学习对配电箱金属表面腐蚀等级检测提供了思路。本文配电箱金属表面腐蚀图像样本来自于湖北电力公司,并对配电箱所处环境进行了详细的分析,从而获得了较好的配电箱金属表面腐蚀等级信息。本文研究目标是搭建卷积神经网络,选择合适的损失函数对网络模型进行优化,实现配电箱金属表面腐蚀等级的快速、高准确率检测。论文的主要研究内容如下:配电箱金属表面腐蚀图像样本预处理。本文根据其图片本身特性进行了合理的图像标签建立,并对原始的配电箱金属表面腐蚀图像进行数据增强得到最终的实验样本。研究一种基于深度学习的金属表面腐蚀等级检测方法。根据卷积神经网络的基本结构,搭建了用于配电箱金属表面腐蚀等级检测的卷积神经网络模型MS1Net,并添加SENet特征提取模块分配金属表面腐蚀特征的重要性。最后通过损失函数和网络之间的对比实验,证明所提网络模型MS1Net的有效性。为了提取更加丰富的配电箱金属表面腐蚀特征和解决样本种类不均衡问题。首先引入动态卷积网络概念,对MS1Net网络模型进行改进。根据动态卷积理论提出网络模型MS2Net,用SKNet将网络中的注意力机制从通道注意力机制的研究转移到卷积核注意力机制的研究上,强调卷积核的重要性,从而扩大网络的感受野来提取更加丰富的配电箱金属表面腐蚀特征。接着对交叉熵损失函数进行改进,运用Focal Loss损失函数对MS2Net网络模型进行优化,从而解决样本种类不均衡问题。最后通过损失函数和网络之间的对比,证明Focal Loss损失函数给网络带来的收益最好,通过改进得到的MS2Net网络模型在配电箱金属表面腐蚀等级检测上有更高的检测准确率。根据改进的金属表面腐蚀等级检测方法,开发一套可供配电箱维护人员使用的精度高、鲁棒性强的配电箱金属表面腐蚀等级检测系统。