1、第4 4卷第1期河 北 科 技 大 学 学 报V o l.4 4,N o.12 0 2 3年2月J o u r n a l o fH e b e iU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g yF e b.2 0 2 3 文章编号:1 0 0 8-1 5 4 2(2 0 2 3)0 1-0 0 6 7-0 7基于改进R P N的孪生小样本电力目标检测冯 珺1,潘司晨1,赵 帅1,彭梁英1,樊雄飞2(1.国网浙江省电力有限公司信息通信分公司,浙江杭州 3 1 0 0 1 4;2.浙江大学控制科学与工程学院,浙江杭州 3 1
2、0 0 2 7)摘 要:为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在F a s t e rR C NN(f a s t e rr e g i o nc o n v o l u t i o n a ln e u r a ln e t-w o r k)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的R P N(r e g i o np r o p o s a ln e t w o r k)模块产生更高质量的p r o p o s a l s;最后,在检测头上对支持图片和查询图片的R o I(r
3、 e g i o no fi n t e r e s t)进行 关联匹配。结果 表明,将算法 应用于自主构 建的E P D(e l e c t r i cp o w e rd e t e c t i o n)数据集,在仅利用1 0张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mA P达到1 8.9 2%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。关键词:计算机感知;孪生网络;电力场景;小样本;目标检测中图分类号:T N 9 5 8.9 8 文献标识码:A D
4、 O I:1 0.7 5 3 5/h b k d.2 0 2 3 y x 0 1 0 0 8 收稿日期:2 0 2 2-1 1-2 9;修回日期:2 0 2 2-1 2-2 6;责任编辑:张士莹基金项目:国网浙江省电力有限公司科技资助项目(B 3 1 1 X T 2 1 0 0 8 2)第一作者简介:冯 珺(1 9 9 1),女,湖北武汉人,高级工程师,博士,主要从事人工智能技术在电力科研推进和产业落地等方面的研究。E-m a i l:f e n g j u n z j.s g c c.c o m.c n冯珺,潘司晨,赵帅,等.基于改进R P N的孪生小样本电力目标检测J.河北科技大学学报,2
5、 0 2 3,4 4(1):6 7-7 3.F E N GJ u n,P ANS i c h e n,Z HAOS h u a i,e t a l.R e s e a r c ho nf e w-s h o tp o w e rd e t e c t i o no f s i a m e s en e t w o r kb a s e do n i m p r o v e dR P NJ.J o u r-n a l o fH e b e iU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,2 0 2 3,4 4(1):6 7
6、-7 3.R e s e a r c ho nf e w-s h o tp o w e rd e t e c t i o no f s i a m e s en e t w o r kb a s e do n i m p r o v e dR P NF E NGJ u n1,P ANS i c h e n1,Z HAOS h u a i1,P E NGL i a n g y i n g1,F ANX i o n g f e i2(1.S t a t eG r i dZ h e j i a n g E l e c t r i cP o w e rC o m p a n yI n f o r m
7、a t i o na n dC o mm u n i c a t i o nB r a n c h,H a n g z h o u,Z h e j i a n g3 1 0 0 1 4,C h i n a;2.C o l l e g eo fC o n t r o lS c i e n c ea n dE n g i n e e r i n g,Z h e j i a n gU n i v e r s i t y,H a n g z h o u,Z h e j i a n g3 1 0 0 2 7,C h i n a)A b s t r a c t:I no r d e r t os o l
8、v e t h ep r o b l e m so fd i f f i c u l t y,l o we f f i c i e n c y,a n di n s u f f i c i e n td a t at os u p p o r t l a r g e-s c a l et r a i n i n gi ne x i s t i n gp o w e r s y s t e md e t e c t i o nm e t h o d s,a f e w-s h o t d e t e c t i o nm e t h o db a s e do ns i a m e s en e
9、 t w o r kw a sp r o p o s e d.F i r s t l y,u n d e rt h e f r a m e w o r ko fF a s t e rR C NN(r e g i o nc o n v o l u t i o n a ln e u r a ln e t w o r k)o b j e c td e t e c t i o na l g o r i t h m,as i a m e s en e t w o r km o d e ls u p p o r t i n gi m a g e a n dq u e r y i n g i m a g e
10、s h a r i n gw a sb u i l t.T h e n,t h e i m p r o v e dR P N(r e g i o np r o p o s a l n e t w o r k)m o d u l ew a su s e dt og e n e r a t ep r o p o s a l so fh i g h e rq u a l i t y.F i n a l l l y,t h eR o I(r e g i o no f i n t e r e s t)s u p p o r t i n ga n dq u e r y i n gi m a g e sw
11、a sc o r r e l a t e d河 北 科 技 大 学 学 报2 0 2 3年a n dm a t c h e do nt h ed e t e c t i o nh e a d.T h er e s u l t ss h o wt h a tt h ep r o p o s e da l g o r i t h m,a p p l i e dt ot h es e l f-c o n s t r u c t e d E P D(e l e c t r i cp o w e rd e t e c t i o n)d a t a s e t,c a nd e t e c tf o r
12、 e i g n m a t t e r si nb i r dn e s ta n di n s u l a t o ri nt h ep o w e rb a c k g r o u n d,a n dt h ed e t e c t i o n i n d e xr e a c h e s1 8.9 2%mA P,i n t h e c a s eo f o n l y1 0s u p p o r t i n g i m a g e s.C o m p a r e dw i t ho t h e r a l g o r i t h m s,t h e s i a m e s en e t
13、 w o r km o d e lw i t hs m a l l s a m p l es i z eh a sb e t t e rp e r f o r m a n c eu n d e re x t r e m e l yf e ws h o ts i t u a t i o n s,a n dh a st h ea d v a n t a g eo fb e i n gm o r e l i g h t w e i g h t,w h i c hp r o v i d e ss o m er e f e r e n c e f o r t h en e wr e s e a r c
14、hd i r e c t i o no f e l e c t r i cp o w e rd e t e c t i o n.K e y w o r d s:c o m p u t e ra w a r e n e s s;s i a m e s en e t w o r k;e l e c t r i cp o w e r;f e ws h o t;o b j e c td e t e c t i o n 电力传输设备具有户外部署、常年使用稳定性要求高的特点,受到很多室外不确定性因素的影响甚至被损害。电力系统故障,如绝缘子故障、均压环破损脱落、鸟类侵害(如筑巢)、防震锤故障等,造成很大的人
15、力物力巡检成本。伴随着无人机领域的快速发展,无人机巡检开始替代人工巡检。无人机巡检具有携带方便、反应迅速、操作简单等优点,可以采集图像视频等多种素材。在电力行业走向智能电网时代的情况下,传统的建模方法越来越难以满足新形势下电网的运行维护需求。将深度学习引入电力行业恰恰可以弥补这方面的不足。深度学习从底层数据逐层提取高维度故障特征1,有效避免了人工制造特征对于数据信息的选择倾向。在同步发动机的故障诊断上,代杰杰等2根据变压器油溶解气体类型,建立了R e L U-D B N油色谱特征气体变压器诊断模型;在输电线路故障方面,魏东等3采用双S o f t m a x分类器,基于C NN提出了一种输电线
16、路内外故障判别与选相方法,解决了内外故障判断和选相的非独立分类问题;在风速预测方面,S E R-G I O等4解决了传统神经网络维度的问题,也表明深度学习在时序问题上的应用潜力;李争等5基于C NN与K-m e a n s聚类,在非侵入式电器检测问题上实现了负荷识别。可以看出,深度学习因其强大的适应能力,在解决智能电网建设的很多问题上有着相对突出的表现。利用目标检测算法对巡检素材进行检测分析,大大提高了巡检效率。但无论是一阶段算法(S S D6(s i n-g l es h o tm u l t i b o xd e t e c t o r),YO L O7(y o uo n l y l o o ko n c e),还是两阶段算法(R C NN8类),都极度依赖大规模的标注数据,与电力行业故障和非正常样本少、有价值信息率低、样本量少的特点不匹配,在训练数据规模不足时极易出现过拟合的问题。而小样本学习正是研究如何以很少的标注数据达到传统深度学习的效果。现有小样本学习主要包括基于元学习的方法和基于微调的方法2大类。基于元学习的方法旨在训练模型获得任务无关的学习能力。G I D A R I