论文部分内容阅读
随着现代电力系统的不断发展,电网规模越来越大,外破原因引发的故障已经成为架空输电线路故障的主要原因之一.在架空输电线路视频监控中,使用传统的边界框式目标检测方法进行外破预警时,误报或漏报的情况时有发生.掩模实例分割神经网络(Mask-RCNN)训练时使用的像素级掩模标注数据集成本较高,限制了该算法的大规模应用.针对这些问题,将改进的Mask-RCNN网络应用到输电线路外破目标检测领域,在数据集标注过程中,使用边界框标注代替部分掩模标注.训练时,将检测分支的特征迁移到掩模分支.实验结果表明,改进后的算法能够在掩模标注样本占比80％的条件下,对常见外破类别的平均识别准确率高于91％,为输电线路外破隐患的准确识别与分割提供了一种可行的思路.