用于电力线绝缘子自动检测的改进异常检测模型
计算机视觉与模式识别
2024-08-28 v2 图像与视频处理
摘要
绝缘子检测对于确保电力系统的可靠运行至关重要。深度学习正越来越多地被用于自动化检测过程，通过利用目标检测模型分析无人机拍摄的航拍图像。然而，纯基于目标检测的方法存在类别不平衡导致的性能不佳问题，对于不常见且难以检测的早期故障，这一问题可能更加突出。本文提出了一种两阶段方法，将异常检测与目标检测相结合，以数据高效的方式进行早期故障检测。采用可解释的卷积单类分类器进行异常检测。单类公式减少了对大量故障绝缘子图像的依赖，而模型的可解释性有望促进工业界的采用。我们开发了一种改进的损失函数，解决了现有模型的计算和可解释性问题，并允许集成其他损失。使用MVTec-AD数据集证明了新损失函数的优越性。模型使用两个数据集（代表数据丰富和数据稀缺场景）在无监督和半监督设置下进行绝缘子检测训练。结果表明，在训练数据集中仅包含少至五个真实异常就能显著提高模型性能，并实现对绝缘子中罕见早期故障的可靠检测。
引用
@article{arxiv.2312.11470,
title = {An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators},
author = {Laya Das and Blazhe Gjorgiev and Giovanni Sansavini},
journal= {arXiv preprint arXiv:2312.11470},
year = {2024}
}