面向不平衡数据集的可解释 AI 引导的绝缘子异常检测
计算机视觉与模式识别
2024-09-26 v1 人工智能
摘要
电网是众多行业的关键组成部分，为工业过程和技术无缝输送电能，因此其安全可靠的运行不可或缺。然而，由于地形复杂或气候条件恶劣，电力线路难以巡检。因此，无人机被越来越多地用于巡检电力线路，产生了大量需要快速准确处理的视觉数据。深度学习方法在此项任务中广受欢迎，已被证明是故障检测的重要手段。特别是，绝缘子缺陷的检测对于预测电力线路故障至关重要，因为其故障可能导致传输中断。因此，对绝缘子部件进行持续维护和严格检查具有重要意义。在本工作中，我们提出了一种新的流水线来解决这一任务。我们利用最先进的目标检测技术来检测并随后对单个绝缘子异常进行分类。我们的方法通过一种微调策略解决了数据集不平衡和运动模糊图像等挑战，该策略允许我们通过提高异常绝缘子的分类精度来改变模型的分类焦点。此外，我们采用可解释 AI (XAI) 工具对异常进行精确定位和解释。该方法对异常检测领域，特别是基于视觉的工业巡检和预测性维护做出了贡献。我们将缺陷检测精度显著提高了 13%，同时对模型误分类和定位质量进行了详细分析，展示了该方法在真实数据上的潜力。
引用
@article{arxiv.2409.16821,
title = {XAI-guided Insulator Anomaly Detection for Imbalanced Datasets},
author = {Maximilian Andreas Hoefler and Karsten Mueller and Wojciech Samek},
journal= {arXiv preprint arXiv:2409.16821},
year = {2024}
}
备注
Accepted as a workshop paper at ECCV 2024